Известно [24,25], что взаимная коррелированность компонент отраженного сигнала снижает информативность выделяемых на их основе признаков селекции-распознавания, поэтому целесообразно оценить степень коррелированности исследуемых ПХ. Для решения этой задачи по методике, достаточно подробно рассмотренной в работах автора, производилась оценка полной корреляционной матрицы поляризационных параметров сигналов, отраженных от целей и подстилающей поверхности.
Уместно отметить, что численные значения коэффициентов корреляции между параметрами Хк и Хс, составляющих корреляционную матрицу, близки к значениям, полученным в [1–5], при сохранении тех же общих тенденций. Анализ полученной базы данных показал, что значения коэффициентов корреляции ПХ колеблются от 0 до 0,9. Для подстилающей поверхности в целом характерен пониженный уровень коррелированности ПХ.
В качестве примера в таблицах 2.13 – 2.15 приведены корреляционные матрицы поляризационных параметров подстилающей поверхности и целей.
|
|
Полностью корреляционные матрицы поляризационных параметров приведены в приложении 3
Таблица 2.13. Коэффициенты взаимной корреляции поляризационных признаков
автомобиля Зил–131, ракурс – борт | |||||||||||
| L1 | L | Z | q | | | | m | 1 | R | Q0 |
L1 | 1 | 0,1452 | –0,03 | –0,03 | –0,032 | 0,0288 | 0,1006 | 0,2272 | –0,146 | 0,7962 | 0,923974 |
L | 0,1452 | 1 | –0,438 | –0,422 | –0,435 | 0,4232 | –0,439 | 0,7796 | –0,939 | –0,132 | 0,290707 |
Z | –0,03 | –0,438 | 1 | 0,9992 | 0,9994 | –1 | 0,4611 | –0,158 | 0,1128 | 0,5769 | –0,40571 |
q | –0,03 | –0,422 | 0,9992 | 1 | 0,9999 | –1 | 0,4586 | –0,144 | 0,0945 | 0,5775 | –0,4067 |
| –0,032 | –0,435 | 0,9994 | 0,9999 | 1 | –1 | 0,4628 | –0,156 | 0,1095 | 0,5756 | –0,40854 |
| 0,0288 | 0,4232 | –1 | –1 | –1 | 1 | –0,458 | 0,1448 | –0,096 | –0,578 | 0,405352 |
| 0,1006 | –0,439 | 0,4611 | 0,4586 | 0,4628 | –0,458 | 1 | 0,1323 | 0,3194 | 0,3544 | –0,08364 |
m | 0,2272 | 0,7796 | –0,158 | –0,144 | –0,156 | 0,1448 | 0,1323 | 1 | –0,812 | 0,0979 | 0,26265 |
1 | –0,146 | –0,939 | 0,1128 | 0,0945 | 0,1095 | –0,096 | 0,3194 | –0,812 | 1 | –0,066 | –0,16784 |
R | 0,7962 | –0,132 | 0,5769 | 0,5775 | 0,5756 | –0,578 | 0,3544 | 0,0979 | –0,066 | 1 | 0,506167 |
Q0 | 0,924 | 0,2907 | –0,406 | –0,407 | –0,409 | 0,4054 | –0,084 | 0,2627 | –0,168 | 0,5062 | 1 |
Таблица 2.14. Коэффициенты взаимной корреляции поляризационных признаков
Пантеры МТЛБУ, ракурс – борт | |||||||||||||
| L1 | L | Z | q | | | | m | 1 | R | Q0 | ||
L1 | 1 | –0,808 | 0,5879 | 0,5449 | 0,5754 | –0,552 | 0,0024 | 0,7617 | 0,1397 | 0,8651 | 0,876333 | ||
L | –0,808 | 1 | –0,491 | –0,415 | –0,459 | 0,4328 | 0,038 | –0,921 | –0,411 | –0,718 | –0,71674 | ||
Z | 0,5879 | –0,491 | 1 | 0,9923 | 0,996 | –0,997 | –0,271 | 0,383 | –0,59 | 0,8726 | 0,133339 | ||
q | 0,5449 | –0,415 | 0,9923 | 1 | 0,9987 | –0,999 | –0,258 | 0,3042 | –0,651 | 0,8331 | 0,080503 | ||
| 0,5754 | –0,459 | 0,996 | 0,9987 | 1 | –0,999 | –0,259 | 0,3482 | –0,613 | 0,8533 | 0,116524 | ||
| –0,552 | 0,4328 | –0,997 | –0,999
| –0,999 | 1 | 0,2644 | –0,324 | 0,6397 | –0,845 | –0,08941 | ||
| 0,0024 | 0,038 | –0,271 | –0,258 | –0,259 | 0,2644 | 1 | –0,029 | 0,2223 | –0,2 | 0,166778 | ||
m | 0,7617 | –0,921 | 0,383 | 0,3042 | 0,3482 | –0,324 | –0,029 | 1 | 0,4556 | 0,6444 | 0,720748 | ||
1 | 0,1397 | –0,411 | –0,59 | –0,651 | –0,613 | 0,6397 | 0,2223 | 0,4556 | 1 | –0,24 | 0,526638 | ||
R | 0,8651 | –0,718 | 0,8726 | 0,8331 | 0,8533 | –0,845 | –0,2 | 0,6444 | –0,24 | 1 | 0,545609 | ||
Q0 | 0,8763 | –0,717 | 0,1333 | 0,0805 | 0,1165 | –0,089 | 0,1668 | 0,7207 | 0,5266 | 0,5456 | 1 |
Таблица 2.15. Коэффициенты взаимной корреляции поляризационных признаков
танка Т–72, ракурс – борт | |||||||||||
| L1 | L | Z | q | | | | m | 1 | R | Q0 |
L1 | 1 | –0,814 | 0,4444 | 0,4667 | 0,483 | –0,447 | –0,188 | –0,567 | 0,0261 | 0,9298 | 0,929347 |
L | –0,814 | 1 | –0,395 | –0,401 | –0,424 | 0,3859 | 0,2343 | 0,5585 | –0,17 | –0,746 | –0,76508 |
Z | 0,4444 | –0,395 | 1 | 0,9813 | 0,9819 | –0,995 | –0,179 | –0,301 | –0,828 | 0,643 | 0,102402 |
q | 0,4667 | –0,401 | 0,9813 | 1 | 0,9995 | –0,995 | –0,201 | –0,315 | –0,786 | 0,6366 | 0,126916 |
| 0,483 | –0,424 | 0,9819 | 0,9995 | 1 | –0,995 | –0,193 | –0,326 | –0,774 | 0,6497 | 0,145336 |
| –0,447 | 0,3859 | –0,995 | –0,995 | –0,995 | 1 | 0,1914 | 0,3013 | 0,8197 | –0,635 | –0,10303 |
| –0,188 | 0,2343 | –0,179 | –0,201 | –0,193 | 0,1914 | 1 | 0,0169 | 0,0506 | –0,179 | –0,14026 |
m | –0,567 | 0,5585 | –0,301 | –0,315 | –0,326 | 0,3013 | 0,0169 | 1 | –0,018 | –0,499 | –0,49201 |
1 | 0,0261 | –0,17 | –0,828 | –0,786 | –0,774 | 0,8197 | 0,0506 | –0,018 | 1 | –0,223 | 0,353196 |
R | 0,9298 | –0,746 | 0,643 | 0,6366 | 0,6497 | –0,635 | –0,179 | –0,499 | –0,223 | 1 | 0,779709 |
Q0 | 0,9293 | –0,765 | 0,1024 | 0,1269 | 0,1453 | –0,103 | –0,14 | –0,492 | 0,3532 | 0,7797 | 1 |
Их анализ позволяет сделать следующие выводы [1–5]:
1. Практически некоррелированным с остальными является параметр , (за исключением Q0), который является мерой размеров объекта.
2. Высокую степень корреляции имеют комплексные параметры и параметры, от которых они зависят: Q0 от L1, K1 от τ, K2 от ψ и т.д. Очевидно, что совместное их использование для обнаружения/классификации нецелесообразно.
3. Физически обусловлено наличие сильной корреляции между дескриптором G1 коэффициентами деполяризации L, Z и коэффициентами анизотропии g и μ, поскольку в формировании этих признаков во всех случаях основную роль играет соотношение основных и кроссовых компонентов.
4. Низкой степенью корреляции между собой и с другими ПХ обладают параметры τ, ψ, Q0 , L1, что является предпосылкой для их применения в группе для решения задачи классификации неподвижных МНЦ.
5. Как показано в и последующих исследованиях применение коэффициентов взаимной корреляции между основными компонентами (основной и кроссовой) малоэффективно. Использование корреляции между отдельными ПХ также не может быть положено в основу синтеза алгоритмов обнаружения/классификации, поскольку такие параметры обладают высокой степенью изменчивости при вариации объектов внутри класса.
В работах была достаточно подробно описана методика оценки эффективности признаков априорного словаря и выбор рабочего словаря. Не останавливаясь на отдельных ее положениях, отметим основные этапы. После составления априорного словаря необходимо решить ряд задач:
1. На основе априорного словаря составить рабочий словарь, в который целесообразно включить только те признаки, которые незначительно коррелированны между собой и наиболее эффективны.
2. Описать классы объектов на языке признаков, то есть определить функции ПРВ признаков W(X1, …, Xn), где N – число признаков, при условии, что объекты принадлежат определенному классу.
3. Разработать алгоритмы селекции, обеспечивающие отнесение объектов к одному из двух классов: классу W1– МНЦ и классу W2 – подстилающие поверхности. При этом алгоритмы селекции основываются на сравнении меры сходства селектируемых объектов с каждым классом.
4. Оценить эффективность разработанных алгоритмов селекции. При этом выбранный критерий качества должен быть максимальным. В качестве такого критерия могут быть использованы вероятность правильного решения задачи обнаружения МНЦ на фоне подстилающей поверхности, средний объем выборки из словаря признаков, необходимый для обнаружения МНЦ с заданной ошибкой и т.д. [13]. Оценка значений выбранной совокупности показателей эффективности системы проводится с помощью ее математической модели. При этом используются элементы обучения системы селекции, т.е. окончательный вариант рабочего словаря определяется максимумом эффективности системы.
|
|
Получить аналитические модели оценки вероятностей ошибок классификации удается далеко не всегда. Для оценки эффективности признаков классификации целесообразно использовать метод Монте-Карло. Для реализации этого метода на практике задаются вероятностью ошибки, полученной экспериментально, то есть, выбрав набор признаков, строят байесовский классификатор и экспериментально подсчитывают число ошибок классификации. Как показано в [18] эта процедура является гибкой, не зависит от вида распределений и позволяет найти оптимальное решение.
Известно [18], что байесовский классификатор обеспечивает отнесение объекта, заданного своим вектором признаков X к классу Wi, если выполняется условие
(2.18)
На вход байесовского классификатора подаются значения признаков, рассчитанных на основе экспериментальных записей отраженных сигналов. На выходе синтезированного классификатора производится оценка вероятности получения правильных и обычных решений, в качестве которой служит отношение количества правильных ответов Ni* к общему числу испытаний Ni
(2.19)
Безусловная вероятность правильного обнаружения объекта системой селекции при предъявлении ей K–го признака из совокупности определятся как , а безусловная вероятность ошибочных решений .
Решение задач обнаружения неподвижной МНЦ (колесной или бронированной) на фоне отражений от подстилающей поверхности и классификации МНЦ (колесная/гусеничная) производилось раздельно. Подразумеваются, что классификация при необходимости производится после решения задач обнаружения. Усредненные значения безусловных вероятностей ошибочных решений при использовании признаков априорного словаря приведены в таблице 2.16.
|
|
Таблица 2.16. Усреднённые значения безусловных вероятностей при использовании признаков априорного словаря
Подстилающая. поверхность | 0,19 | 0,21 | 0,35 | 0,31 | 0,34 | 0,38 | 0,41 | 0,21 | 0,34 | 0,20 | 0,51 | 0,54 | 0,48 |
МНЦ | 0,21 | 0,19 | 0,34 | 0,33 | 0,33 | 0,41 | 0,37 | 0,19 | 0,35 | 0,18 | 0,49 | 0,51 | 0,44 |
Искусств.объекты | 0,31 | 0,32 | 0,49 | 0,54 | 0,43 | 0,51 | 0,41 | 0,24 | 0,37 | 0,21 | 0,47 | 0,49 | 0,47 |
Продолжение таблицы 2.16
0,39 | 0,29 | 0,31 | 0,25 | 0,29 | 0,34 | 0,38 | 0,19 | 0,22 | 0,19 | 0,24 |
0,39 | 0,27 | 0,32 | 0,31 | 0,29 | 0,35 | 0,36 | 0,20 | 0,23 | 0,19 | 0,21 |
0,41 | 0,33 | 0,37 | 0,34 | 0,31 | 0,41 | 0,43 | 0,25 | 0,27 | 0,19 | 0,23 |
Анализ таблицы 2.16 позволяет сделать следующие выводы:
1. Наилучшими разделяющими свойствами классов МНЦ/подстилающая поверхность обладает группа комплексных параметров параметры, связанные с коэффициентами анизотропии , параметры , параметры
2. Указанные четыре группы параметров коррелированы внутри группы (например ), поэтому целесообразно использовать только один из них.
3. В рабочий словарь признаков обнаружения целесообразно включить четыре параметра, например: или любую возможную комбинацию из приведенных параметров, которые будут обладать приблизительно равной эффективностью. Аналогичные исследования были проведены для выявления признаков рабочего словаря при использовании классов гусеничная/колесная техника. Наименьшие ошибки классификации получены при использовании признаков . Очевидно, что включение в рабочий словарь коррелированных признаков нецелесообразно, поскольку они обладают приблизительно равной эффективностью. Вариант рабочего словаря признаков классификации может иметь вид
.