Một phương pháp phân biệt mục tiêu chưa biết trong nhận dạng mục tiêu ra đa

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 180với 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 0180).<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(=4505) chân dungcự ly của 5 lớp<br /> mục tiêu đã biết; Dữ liệu kiểm tra gồm 2250(=4505) chân dung cự ly của 5 lớp mục tiêu<br /> đã biết (tập S2) và 1800 (=9002)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 />