Ra đa<br />
<br />
<br />
MéT ph¬ng ph¸p ph©n biÖt môc tiªu cha<br />
biÕt trong nhËn d¹ng môc tiªu ra ®a<br />
NGUYỄN THANH HÙNG*, PHẠM VĂN HOAN**, NGUYỄN HOÀNG NGUYÊN***<br />
Tóm tắt: Bài báo đề xuất một phương pháp phân biệt mục tiêu chưa biết, sử dụng<br />
trong các hệ thống nhận dạng mục tiêu ra đa kiểu SVM (Support Vector Machine).<br />
Bản chất của phương pháp này dựa trên sự khác biệt về phân bố các giá trị xác suất<br />
liên thuộc lớp - CMP (Class Membership Probabilities) đối với mục tiêu đã biết và<br />
mục tiêu chưa biết. Ngưỡng phát hiện được xác định riêng cho từng lớp mục tiêu<br />
theo kết quả ước lượng tham số thống kê của hệ thống nhận dạng. Kết quả mô phỏng<br />
cho thấy hiệu quả của phương pháp đề xuất.<br />
Từ khóa: Nhận dạng mục tiêu ra đa, Phân biệt mục tiêu, Xác suất liên thuộc lớp, Máy véc tơ tựa.<br />
<br />
1. MỞ ĐẦU<br />
Việc phân lớp trong các hệ thống nhận dạng mục tiêu ra đa được thực hiện trên cơ sở<br />
dữ liệu đã có (thông tin tiên nghiệm) về từng lớp (kiểu loại) mục tiêu cần phân biệt. Trong<br />
thực tế, việc thu thập thông tin tiên nghiệm của các lớp mục tiêu, đặc biệt là những mục<br />
tiêu quân sự (ví dụ như các phương tiện bay) của đối phương là rất khó khăn. Như vậy, sẽ<br />
xảy ra khả năng trong vùng quan sát xuất hiện mục tiêu mà hệ thống nhận dạng hoàn<br />
toànchưa có thông tin về nó (mục tiêu lạ, mục tiêu chưa biết). Mục tiêu này sẽ được nhận<br />
biết thành một trong những lớp mục tiêu mà hệ thống nhận dạng có khả năng phân biệt.<br />
Quyết định sai của hệ thống nhận dạng trong những trường hợp như vậy có thể dẫn đến<br />
những hậu quả nghiêm trọng.<br />
Vấn đề nêu trên có thể khắc phục bằng cách bổ sung vào hệ thống nhận dạng một bộ<br />
phân biệt mục tiêu chưa biết (Unknown Target Discriminator). Bộ phân biệt này có chức<br />
năng xác định mục tiêu đang quan sát là mục tiêu đã biết hay chưa biết. Nếu là mục tiêu đã<br />
biết thì nó sẽ được phân lớp theo thuật toán cùng cơ sở dữ liệu đã có của hệ thống nhận<br />
dạng. Trường hợp ngược lại, mục tiêu chưa biết sẽ được chuyển tiếp để phân tích ở thiết bị<br />
khác, đồng thời dữ liệu thu thập được về mục tiêu này có thể được cập nhật vào cơ sở dữ<br />
liệu của hệ thống nhận dạng dưới dạng thông tin tiên nghiệm của lớp mục tiêu mới.<br />
Có hai hướng chính để xây dựng bộ phân biệt mục tiêu chưa biết: hướng thứ nhất là xây<br />
dựng mô hình mục tiêu đã biết và phân biệt nó với mục tiêu chưa biết theo ngưỡng [2];<br />
hướng thứ hai là tạo tập dữ liệu huấn luyện của mục tiêu chưa biết dựa trên giả định phân bố<br />
xác suất nào đó, sau đó sử dụng bộ phân loại hai lớp để phân biệt [3].<br />
Theo hướng thứ nhất, [2] xây dựng mô hình thống kê của mục tiêu đã biết dựa vào độ<br />
chắc chắn phân lớp tính theo khoảng cách Mahalanobis và xác định ngưỡng phân biệt theo<br />
phương pháp thống kê tính theo xác suất nhận dạng sai (hay báo động nhầm) được chọn cố<br />
định bằng 3. Ngưỡng phân biệt theo phương pháp này chưa đặc trưng cho các trường<br />
hợp dữ liệu mục tiêu có nhiễu, nên không đảm bảo khả năng phân biệt các mục tiêu đã biết<br />
và chưa biết trong điều kiện có nhiễu.<br />
Bài báo này đề xuất một phương pháp phân biệt mục tiêu chưa biết theo hướng thứ<br />
nhất. Trong đó, mô hình của mỗi lớp mục tiêu đã biết được thể hiện bằng sự phân bố các<br />
giá trị xác suất liên thuộc lớp - CMP (Class Membership Probabilities) ở đầu ra bộ phân<br />
lớp SVM (Support Vector Machine) [1] đối với các dữ liệu đã biết tương ứng lớp mục tiêu<br />
đó, ngưỡng phân biệt được xác định cho từng lớp mục tiêu đã biết theo kết quả ước lượng<br />
tham số thống kê của hệ thống. Kết quả mô phỏng cho thấy phương pháp đạt kết quả khá<br />
tốt trong bài toán nhận dạng mục tiêu bay theo chân dung cự ly độ phân giải cao ở các<br />
điều kiện tỷ số tín trên tạp khác nhau. Các nội dung được trình bày trong bài báo này như<br />
<br />
<br />
10 N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.”<br />
Nghiên cứu khoa học công nghệ<br />
<br />
<br />
sau. Phần 2 giới thiệu chung về các bộ phân lớp và các giá trị xác suất liên thuộc lớp của<br />
chúng. Phần 3 trình bày mô hình hệ thống nhận dạng với thuật toán phân biệt mục tiêu<br />
chưa biết xây dựng trên cơ sở phương pháp đề xuất. Phần 4 trình bày các kết quả mô<br />
phỏng. Phần 5 là phần kết luận.<br />
2. BỘ PHÂN LỚP - HÀM LIÊN THUỘC LỚP - XÁC SUẤT<br />
LIÊN THUỘC LỚP<br />
Gọi = [ ; , … , ] là véc tơ dữ liệu thể hiện chân dung ra đa của mục tiêu cần<br />
nhận dạng; ( = 1,2, … , ) là ký hiệu các lớp mục tiêu mà hệ thống có thể nhận dạng<br />
(phân lớp). Trên cơ sở thông tin tiên nghiệm đã có về ( = 1,2, … , ) và dữ liệu<br />
= [ ; , … , ]nhận được trong thời gian quan sát, tại đầu ra bộ phân lớp sẽ hình thành<br />
bộ giá trị các hàm liên thuộc lớp ( )( = 1, 2, … , ). Số lượng và số thứ tự hàm này<br />
trùng với số lượng và số thứ tự của các lớp mục tiêu, nó lượng hóa khả năng mục tiêu<br />
đang quan sát thuộc vào lớp mục tiêu tương ứng. Tùy theo cách phân lớp và ra quyết định<br />
của hệ thống mà hàm liên thuộc lớp được hình thành dưới các dạng khác nhau.<br />
Trường hợp việc phân lớp và ra quyết định theo lý thuyết ra quyết định cứng cổ điển<br />
(Crisp), mỗi mục tiêu cần nhận dạng sẽ được xác định là thuộc một lớp duy nhất trong số<br />
các lớp mục tiêu đã biết. Khi này, ứng với mỗi = [ ; , … , ] chỉ có 1 hàm liên<br />
thuộc lớp nhận giá trị “1”, các hàm còn lại nhận giá trị “0”. Quy tắc ra quyết định cuối cùng<br />
có dạng:<br />
“Với mọi = 1, 2, … , :<br />
nếu ( ) = 1 thì ∗ = ∗ ( thuộc lớp );<br />
∗ ∗<br />
nếu ( ) = 0 thì ≠ ( không thuộc lớp )”.<br />
Trường hợp phân lớp và ra quyết định theo lý thuyết logic mờ (Fuzzy), mỗi mục tiêu<br />
cần nhận dạng được xác định là có thể đồng thời thuộc nhiều lớp mục tiêu khác nhau với<br />
các hàm liên thuộc lớp tương ứng. Thông thường, giá trị ( ) thể hiện xác suất để mục<br />
tiêu với dữ liệu thuộc vào lớp . Khi đó:<br />
0 ≤ ( ) ≤ 1 với mọi = 1, 2, … , và ∑ ( ) = 1.<br />
Quy tắc ra quyết định cuối cùng có dạng:<br />
“Nếu argmax{ ( )} = thì ∗ = ∗ ( thuộc lớp )”.<br />
, ,…,<br />
Trong trường hợp trên, các hàm ( )( = 1, 2, … , ) được gọi là giá trị xác suất liên<br />
thuộc lớp - CMP (Class Membership Probabilities). Chúng có thể dễ dàng lấy ra trong các<br />
bộ phân lớp kiểu SVM [1].<br />
3. XÂY DỰNG MÔ HÌNH HỆ THỐNG NHẬN DẠNG VỚI THUẬT TOÁN PHÂN<br />
BIỆT MỤC TIÊU CHƯA BIẾT<br />
Xét một bộ phân lớp SVM với lớp mục tiêu. Mỗi giá trị CMP ( ) của kênh nhận<br />
dạng thứ tương ứng thể hiện xác suất mục tiêu với dữ liệu (mục tiêu đang quan sát)<br />
thuộc vào lớp (0 ≤ ( ) ≤ 1 với mọi = 1, 2, … , và ∑ ( ) = 1). Khi mục<br />
tiêu đang quan sát thực tế thuộc lớp thì giá trị CMP của kênh này ( / ) càng lớn<br />
(càng gần bằng 1 trong trường hợp tỷ số tín trên tạp càng cao). Trường hợp còn lại (mục<br />
tiêu đang quan sát thuộc lớp hoặc là loại mục tiêu chưa biết) thì giá trị CMP của<br />
kênh này ( / ) thấp hơn rõ rệt. Như vậy, ta có thể lựa chọn sử dụng phân bố các giá<br />
trị CMP ( / ), ( = 1, 2, … , ) làm mô hình thống kê của các lớp mục tiêu đã biết.<br />
Đặc điểm của phân bố này là tập trung về phía bên phải của đoạn số thực [0,1]. Sử dụng<br />
ngưỡng ( = 1, 2, … , ) một cách phù hợp ta có thể ra quyết định là mục tiêu chưa<br />
biết (khi ( ) < γ với mọi = 1, 2, … , ) hay thuộc một trong các lớp mục tiêu đã<br />
biết (trường hợp ngược lại). Trường hợp đã xác định được ( )là giá trị CMP cực đại<br />
<br />
<br />
<br />
Tạp chí Nghiên cứu KH&CN quân sự, Số 32, 08 - 2014 11<br />
Ra đa<br />
<br />
(argmax{ ( )} = ) thì chỉ cần so sánh nó với ngưỡng γ tương ứng. Như vậy, để triển<br />
, ,…,<br />
khai thuật toán phân biệt mục tiêu chưa biết, cần xác định tập giá trị ngưỡng ( =<br />
1,2, … , ). Trong các bộ phân lớp SVM, tập giá trị này có thể xác định bằng phương pháp<br />
ước lượng các tham số thống kê của hệ thống theo quy trình sau:<br />
- Bước 1: Chia đều dữ liệu thông tin tiên nghiệm về các lớp mục tiêu đã biết (gồm<br />
lớp) thành hai tập dữ liệu huấn luyện S1 và dữ liệu kiểm tra S2;<br />
- Bước 2: Cho bộ phân lớp SVM ‘huấn luyện’ bằng tập S1;<br />
- Bước 3: Cho bộ phân lớp SVM ‘kiểm tra’ bằng tập dữ liệu S2;<br />
- Bước 4: Theo kết quả ‘kiểm tra’ thực hiện:<br />
+ Xây dựng biểu đồ phân bố các giá trị CMP ( / ), ( = 1, 2, … , );<br />
+ Ước lượng xác suất nhận dạng đúng của từng lớp mục tiêu theo công thức =<br />
, trong đó là số chân dung mục tiêu lớp được dùng để kiểm tra, là số chân dung<br />
mục tiêu lớp được nhận dạng đúng ( = 1, 2, … , );<br />
- Bước 5: Xác định ngưỡng phân biệt ( = 1,2, … , ) theo điều kiện sau:<br />
{ ≥ / }≈<br />
Tập giá trị ngưỡng được lưu lại trong bộ nhớ và sẽ dùng làm ngưỡng phân biệt của hệ<br />
thống trong chế độ nhận dạng với mục tiêu thật.<br />
Sơđồ khối chức năng hệ thống nhận dạng có phân biệt mục tiêu chưa biết (viết tắt là<br />
HTNDPBMT) được thể hiện trên hình 1.<br />
Hệ thống nhận dạng này hoạt động trong hai chế độ:<br />
- Chế độ tạo cấu hình và tham số hệ thống: Thực hiện theo 5 bước trình bày ở trên. Kết<br />
quả của giai đoạn này là:<br />
+ Bộ SVM ở trạng thái sẵn sàng làm việc ở chế độ nhận dạng;<br />
+ Tập giá trị ngưỡng phân biệt ( = 1,2, … , ) cho từng lớp mục tiêu đã biết.<br />
- Chế độ nhận dạng có phân biệt mục tiêu chưa biết: Đầu tiên phải xác định giá trị<br />
CMP cực đại sau đó ra quyết định theo quy tắc:<br />
“Nếu { ( )} = và<br />
, ,…,<br />
∗ ∗<br />
( )≥ thì = ( thuộc lớp );<br />
∗ ∗<br />
( )< thì = ( thuộc lớp mục tiêu chưa biết)”.<br />
<br />
Xác định<br />
ngưỡng<br />
<br />
SVM Mạch Cực đại Mạch So sánh<br />
Ngưỡng …<br />
Dữ liệu ( ) < (MT chưa biết)<br />
( )<br />
huấn luyện ( ) ( )<br />
max ≡ ≥ (MT đã biết)<br />
x<br />
( ) ( ) ∗ ∗<br />
=<br />
<br />
<br />
Hệ thống nhận dạng có phân biệt mục tiêu chưa biết<br />
Hình 1. Sơ đồ hệ thống nhận dạng mục tiêu ra đa có phân biệt mục tiêu chưa biết.<br />
4. KẾT QUẢ MÔ PHỎNG<br />
<br />
<br />
<br />
<br />
12 N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.”<br />
Nghiên cứu khoa học công nghệ<br />
<br />
<br />
- Mục đích mô phỏng: Kiểm tra hiệu quả của mô hình đề xuấtbằng phương pháp mô<br />
phỏng trên phần mềm matlab trong trường hợp nhận dạng các mục tiêu bay sử dụng dấu<br />
hiệu nhận dạng là chân dung ra đa cự ly phân giải cao.<br />
- Điều kiện mô phỏng: Sử dụng ”Phần mềm mô phỏng tín hiệu phản xạ mục tiêu ra đa”<br />
[4] để tạo ra các tín hiệu phản xạ ra đa (chân dung cự ly ra đa) với các chế độ đặt như sau:<br />
+ Ra đa: Ra đa cự ly phân giải cao (tham số cụ thể trình bày trong bảng 1).<br />
+ Mục tiêu quan sát: 7 mục tiêu bay B-52, B-1b, Tu-16, Tornado, Mig-21, F-15 và<br />
An-26, trong đó coi 5 mục tiêu đầu tiên là 5 lớp đã biết, hai mục tiêu cuối cùng thuộc loại<br />
chưa biết. Các tham số về kích thước của các mục tiêu được trình bày trong bảng 2.<br />
+ Cơ sở dữ liệu chân dung cự ly:<br />
* Góc hướng của mục tiêu: Chân dung cự ly phân giải cao có độ nhạy cảm cao với<br />
sự thay đổi góc hướng (góc phương vị, góc ngẩng) của mục tiêu. Để đơn giản bài toán mô<br />
phỏng nhưng vẫn đảm bảo số lượng mẫu dữ liệu, góc ngẩng của mục tiêu được đặt bằng<br />
0, góc phương vị được đặt trong khoảng0 đến 180với số lượng mẫu của mỗi mục tiêu là<br />
900 tương ứng với 900 vị trí góc phương vị cách đều nhau, khoảng cách góc giữa hai vị trí<br />
là 0,2° [5]. (Mục tiêu được coi là đối xứng qua mặt phẳng trục dọc của nó, nên ta chỉ xét<br />
phạm vi góc phương vị từ 0180).<br />
* Phân chia tập dữ liệu huấn luyện và kiểm tra: Dữ liệu của mỗi mục tiêu đã biết<br />
được chia thành 2 phần bằng nhau, phần có chỉ số lẻ dùng làm dữ liệu huấn luyện, phần có<br />
chỉ số chẵn dùng làm dữ liệu kiểm tra. Dữ liệu của các mục tiêu chưa biết dùng để kiểm<br />
tra. Như vậy tập dữ liệu huấn luyện (tập S1) gồm 2250(=4505) chân dungcự ly của 5 lớp<br />
mục tiêu đã biết; Dữ liệu kiểm tra gồm 2250(=4505) chân dung cự ly của 5 lớp mục tiêu<br />
đã biết (tập S2) và 1800 (=9002)chân dung cự ly của 2 lớp mục tiêu chưa biết (tập S3).<br />
- Nội dung mô phỏng:<br />
+ Cộng tạp trắng Gauss vào tập dữ liệu huấn luyện và kiểm tra theo tỷ lệ tín trên tạp<br />
lần lượt là 5 dB, 10dB, 15dB, 20dB, 25 dB. Thực hiện chuẩn hóa biên độ tín hiệu trong<br />
đoạn [0,1]. Các tham số của bộ phân lớp SVM: C=13,45;γ=0,18 (C và γ được xác định<br />
bằng phần mềm theo phương pháp ”Grid-search on C and γ using cross-validation” [1]).<br />
+ Với mỗi tỷ lệ tín trên tạp, thực hiện mô phỏng mô hình HTNDPBMT như sau:<br />
* Chế độ tạo cấu hình và tham số: Thực hiện các bước xác định tập giá trị ngưỡng<br />
phân biệt ( = 1,2, … , ) như trình bày ở trên.<br />
* Thực hiện nhận dạng tập dữ liệu kiểm tra S2+S3. Tính các xác suất ra quyết định<br />
đúng Dk, xác suất ra quyết định sai / ( , = 0, 1, 2, … , ; ≠ ) (xác suất nhận dạng<br />
sai mục tiêu i thành mục tiêu k), thể hiện kết quả trên ma trận kết quả (ma trận confusion).<br />
<br />
Bảng 1. Tham số ra đa Bảng 2. Kích thước mục tiêu<br />
TT Tên tham số Giá trị TT Kiểu loại Ch. dài Ch. rộng<br />
mục tiêu (m) (m)<br />
1 Dạng tín hiệu Xung ĐTTT 1 B-52 49,5 56,4<br />
2 Dải sóng 3 cm 2 B-1b 44,8 23,8<br />
3 Độ rộng xung 30μs 3 Tu-16 34,8 33,0<br />
4 Tần số lặp lại 1000 Hz 4 Tornado 16,72 13,91<br />
5 Băng thông 250 MHz 5 Mig-21 15,76 7,15<br />
6 Phân cực Ngang 6 F-15 19,43 13,05<br />
7 Số điểm cự ly 128 7 An-26 23,8 29,2<br />
- Kết quả mô phỏng:<br />
Các bảng 3, 4, 5, 6, 7thể hiệncác kết quả mô phỏng ở các trường hợp tỷ số tín trên tạp<br />
tương ứng là 25dB, 20dB, 15dB, 10dB và 5dB.<br />
<br />
<br />
<br />
Tạp chí Nghiên cứu KH&CN quân sự, Số 32, 08 - 2014 13<br />
Ra đa<br />
<br />
<br />
<br />
Bảng 3.Ma trận confusion của HTNDPBMT khi SNR = 25 dB<br />
*<br />
B-52 B-1b* Tu-16* Tornado* Mig-21* MTchưa<br />
() () () () () biết*()<br />
B-52 94,49 0 0 0 0 5,51<br />
B-1b 0,09 88,67 0 0 0 11,24<br />
Tu-16 0 0,22 92,49 0 0 7,29<br />
Tornado 0 0,04 0 83,29 0 16,67<br />
Mig-21 0 0 0 0,09 90,22 9,69<br />
F-15 0 1,82 0,76 16,49 1,73 79,20<br />
An-26 0,13 11,51 0,47 5,53 0 82,36<br />
Bảng 4.Ma trận confusion của HTNDPBMT khi SNR = 20 dB<br />
*<br />
B-52 B-1b* Tu-16* Tornado* Mig-21* MTchưa<br />
() () () () () biết*()<br />
B-52 92,36 0 0 0 0 7,64<br />
B-1b 0,13 88,27 0 0,04 0 11,56<br />
Tu-16 0 0,22 91,47 0 0 8,31<br />
Tornado 0 0,04 0 83,11 0,22 16,63<br />
Mig-21 0 0 0 0,18 89,51 10,31<br />
F-15 0 2,16 0,91 16,69 1,71 78,53<br />
An-26 0,27 11,60 0,73 6,76 0,33 80,31<br />
Bảng 5.Ma trận confusion của HTNDPBMT khi SNR = 15 dB<br />
*<br />
B-52 B-1b* Tu-16* Tornado* Mig-21* MTchưa<br />
() () () () () biết* ()<br />
B-52 91,87 0 0 0 0 8,13<br />
B-1b 0,18 85,20 0 0,09 0 14,53<br />
Tu-16 0,04 0,04 89,47 0 0,09 10,36<br />
Tornado 0 0,18 0 79,38 1,11 19,33<br />
Mig-21 0 0 0,04 0,40 83,96 15,60<br />
F-15 0,11 2,93 4,47 18,09 3,04 71,36<br />
An-26 1,33 12,53 2,20 9,16 1,09 73,69<br />
Bảng 6.Ma trận confusion của HTNDPBMT khi SNR = 10 dB<br />
*<br />
B-52 B-1b* Tu-16* Tornado* Mig-21* MTchưa<br />
() () () () () biết*()<br />
B-52 81,78 0,09 0,49 0,09 1,02 16,53<br />
B-1b 0,31 80,27 0,13 0,49 0,04 18,76<br />
Tu-16 0,22 0,31 81,16 0,09 0,58 17,64<br />
Tornado 0,04 0,22 0,36 69,33 5,96 24,09<br />
Mig-21 0,09 0,13 0,67 1,64 73,73 23,74<br />
F-15 0,90 3,49 8,56 27,09 4,40 55,56<br />
An-26 6,00 14,76 5,73 13,60 1,27 58,64<br />
<br />
<br />
<br />
<br />
14 N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.”<br />
Nghiên cứu khoa học công nghệ<br />
<br />
<br />
Bảng 7.Ma trận confusion của HTNDPBMT khi SNR = 5 dB<br />
B-52* B-1b* Tu-16* Tornado* Mig-21* MTchưa<br />
() () () () () biết*()<br />
B-52 54,93 1,29 2,71 1,64 7,91 31,52<br />
B-1b 0,93 65,87 2,09 2,76 0,71 27,64<br />
Tu-16 1,24 1,60 59,11 1,02 4,27 32,76<br />
Tornado 0,27 1,56 1,07 49,24 13,56 34,30<br />
Mig-21 0,53 0,09 2,09 3,87 56,80 36,62<br />
F-15 0,78 5,58 13,20 23,91 5,53 51,00<br />
An-26 3,22 16,09 8,51 15,56 3,06 53,56<br />
- Nhận xét:<br />
+ Kết quả mô phỏng cho thấy mô hình HTNDPBMT phân lớp đúng 5 mục tiêu đã biết,<br />
đồng thời cũng phân biệt đúng hai mục tiêu F-15 và An-26 là mục tiêu chưa biết trong tất<br />
cả các trường hợp mô phỏng. Ta có thể thấy rằng HTNDPBMTkhông những cho xác suất<br />
phân biệt mục tiêu chưa biết cao (trung bình 80,8 khi SNR bằng 25dB) mà còn vẫn đảm<br />
bảo được xác suất nhận dạng đúng cao (trung bình 90 khi SNR bằng 25dB). Ngoài ra,<br />
nhờ việc loại bỏ kết quả nhận dạng các dữ liệu mục tiêu có độ chắc chắn phân lớp thấp (có<br />
giá trị CMP nhỏ hơn ngưỡng phân biệt), nên mô hình này còn có tác dụng nâng cao độ tin<br />
cậy nhận dạng mục tiêu đã biết (giảm xác suất nhận dạng sai giữa các lớp mục tiêu đã biết<br />
/ ).<br />
+ So với mô hình trong [2], mô hình HTNDPBMTcó khả năng phân biệt các mục tiêu<br />
chưa biết trong điều kiện dữ liệu có nhiễu. Điều này đạt được là do ngưỡng phân biệt của<br />
các lớp mục tiêu trong HTNDPBMTđược xác định theo đặc tính thống kê của dữ liệu huấn<br />
luyện nên có giá trị phù hợp với dữ liệu huấn luyện ở các tỷ lệ tín trên tạp khác nhau.<br />
<br />
5. KẾT LUẬN<br />
Bài báo đề xuất một phương pháp phân biệt mục tiêu chưa biết trong nhận dạng mục<br />
tiêu ra đa dựa trên cơ sở phân bố các giá trị xác suất liên thuộc lớp CMP của bộ phân loại<br />
SVM [1] với ngưỡng phân biệt được xác định theo kết quả ước lượng tham số thống kê<br />
của hệ thống. Phương pháp được áp dụng trong mô hình hệ thống nhận dạng có phân biệt<br />
mục tiêu chưa biếtHTNDPBMT. Kết quả mô phỏng cho thấy HTNDPBMTcó khả năng<br />
phân biệt mục tiêu chưa biếttrong điều kiện có nhiễu, đồng thời vẫn đảm bảo xác suất<br />
nhận dạng đúng cao đối với các mục tiêu đã biết. Ngoài ra,mô hình này còn có tác dụng<br />
làm nâng cao độ tin cậy nhận dạng mục tiêu đã biết nhờ việc làm giảm đi đáng kể xác suất<br />
nhận dạng sai giữa các lớp mục tiêu đã biết. Mô hình này có thể áp dụng với các bộ phân<br />
lớp fuzzy khác có đầu ra là các giá trị CMP và có thể ứng dụng cho các kỹ thuật nhận dạng<br />
theo các loại chân dung ra đa khác.<br />
TÀI LIỆU THAM KHẢO<br />
[1]. C. C. Chang and C. J. Lin, “LIBSVM: a library for support vector machines”,<br />
Software (2001).<br />
[3]. K. Liao, J. S. Fu, W. L, “A refuse-recognition method for radar HRRP target<br />
recognition based on mahalanobis distance”, IEEE ICCASM, 2010, pp. 503-506.<br />
[3]. Rong Wang, Daiying Zhou, Chundan Zheng, Ke Song, Jinzhou Su, “Unknown Target<br />
Rejection Based on Prior Knowledge and Statistical Model Using HRRP”, Journal of<br />
Information & Computational Science 9: 16, 2012, 4737-4744.<br />
<br />
<br />
<br />
<br />
Tạp chí Nghiên cứu KH&CN quân sự, Số 32, 08 - 2014 15<br />
Ra đa<br />
<br />
[4]. S. A Gorshkov, S P Leschenko, V. M. Orlenko, S. Y. Sedyshev, and Y. D. Shirman,<br />
“Radar Target Backscattering Simulation Software and User's Manual”, Boston,<br />
MA: Artech House, 2002.<br />
[5]. C. R. Smith and P. M. Goggans “Radar target identification.”, IEEE Antennas<br />
andPropagation Magazine. April 1993. vol. 35. pp. 27-38.<br />
ABSTRACT<br />
A METHOD FOR UNKNOWN TARGETDISCRIMINATION<br />
IN RADAR TARGET RECOGNITION<br />
This paper proposes a method of unknown target discrimination, utilising in radar<br />
target recognition systems using SVM (Support Vector Machines). The method is based<br />
on the different distributions of associated probability values of CMP (class<br />
membership probabilities) for known and unknown targets. The detection threshold is<br />
separately determined for each target class as a result of the statistical parameter<br />
estimation of identification systems. The simulated results show the effectiveness of the<br />
proposed method.<br />
Keywords: Radar target recognition, Target discrimination, CMP, SVM.<br />
<br />
<br />
Nhận bài ngày 10 tháng 4 năm 2014<br />
Hoàn thiện ngày 12 tháng 6 năm 2014<br />
Chấp nhận đăng ngày 15 tháng 7 năm 2014<br />
<br />
<br />
<br />
<br />
Địa chỉ: * Viện Kỹ thuật Quân sự Phòng không- Không quân;<br />
** Viện KHCN&QS;<br />
*** Học viện KTQS.<br />
<br />
<br />
<br />
<br />
16 N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.”<br />