Детальная информация

Цель работы – рассмотрение задачи распознавания типа ИРИ при условии линейной неразделимости их отдельных излучений в пространстве признаков. В результате работы были рассмотрены методы, которые применяются в рамках задачи распознавания. Часто они основаны на четкой модели принятия решений о принадлежности ИРИ к какому-либо типу, не учитываю априорную неопределенность данных РТК и перестройку параметров, измеренных в ходе радиомониторинга. В работе предложен алгоритм, основанный на непараметрическом методе Парзена на базе РБФ, который позволяет вычислять апостериорные оценки вероятностей из обучающей выборки. Модель классификатора представлена в виде НС с радиально-базисными функциями активации нейронов скрытого слоя. Для формирования этих нейронов предложено использовать алгоритм, основанный на ТМП. С его применением удается задавать количество кластеров оптимально, в отличии от последовательной кластеризации к-средних, а также относить точку признакового пространства к нескольким кластерам, что в условиях сложной радиоэлектронной обстановки должно предусматриваться в задачах классификации. Результатом работы являет программная модель классификатора, которая используется в ПО комплекса РТК. Моделирование показывает высокую точность распознавания.

The aim is recognition of the type of radio source under the condition of linear inseparability from individual radiations in the feature space. Methods used in the recognition task were considered. Often, they are based on a clear model of a decision on the type of source, do not consider the tuning of measured parameters, do not consider the priori uncertainty of radio monitoring data. The work proposed an algorithm based on the nonparametric Parzen method, which allows calculating probability estimates directly from the training set. Classifier is presented as a radial-basis functions neural network. To form hidden layer neurons, it is proposed to use an algorithm based on the rough set theory. With its application it is possible to set the number of clusters optimally, in contrast to k-means, as well as to attribute the point of feature space to several clusters. The result is a program model of classifier, which is embedded in the radio monitoring software.