Tóm tắt Luận án Nghiên cứu giải bài toán nhận dạng mục tiêu ra đa trong điều kiện bất định về thông tin tiên nghiệm

có tạp. Để triển khai các giải pháp này cần phải thực hiện khảo sát đánh giá chi tiết dựa trên CSDL của bài toán nhận dạng cụ thể. Đây cũng là một nội dung nghiên cứu được đặt ra trong Luận án. 1.2.3. Khắc phục yếu tố bất định về góc hướng của mục tiêu Trong thực tế, mục tiêu có thể xuất hiện từ các hướng (phương vị  và góc ngẩng ) bất kỳ và góc hướng của mục tiêu thay đổi trong phạm vi rất rộng. Hầu hết các CDRĐ nhất là CDCL đều phụ thuộc nhiều vào hướng quan sát. Ngoài ra, các mục tiêu khác nhau có thể cho chân dung khá giống nhau khi quan sát tại một số góc hướng nhất định [54]. Chính vì vậy, việc sử dụng thông tin về góc hướng là rất cần thiết trong nhận dạng mục tiêu ra đa theo CDCL. Nhiệm vụ đặt ra trong luận án là: phân tích ảnh hưởng của yếu tố bất định về góc hướng đối với chất lượng nhận dạng theo CDCL, từ đó đề xuất phương án xây dựng mô hình cụ thể nhằm khắc phục yếu tố này. 1.2.4. Phân biệt mục tiêu chưa biết Đa số các HTND mục tiêu ra đa trước kia được xây dựng trên cơ sở cố định thành phần và số lớp mục tiêu có thể nhận dạng. Như vậy, khi xuất hiện một đối tượng không nằm trong danh sách các lớp mục tiêu đã biết thì hệ thống vẫn đưa ra quyết định đối tượng quan sát thuộc một lớp nào đó trong danh sách này. Đối tượng trên có thể là một loại phương tiện 7 bay mới hoặc mục tiêu giả do đối phương cố tình tạo ra. Trong cả hai trường hợp, việc ra quyết định sai đều có thể dẫn đến những hậu quả khó lường. Vấn đề phân biệt mục tiêu chưa biết trong luận án sẽ được nghiên cứu giải quyết theo hướng xây dựng mô hình mục tiêu đã biết và thực hiện ra quyết định phân biệt theo ngưỡng. Đối tượng ứng dụng là các BPL dùng kỹ thuật học máy thường dùng trong nhận dạng mục tiêu ra đa theo CDCL như SVM, mạng nơ ron. 1.3. Kết luận chương 1 Chương 1 của luận án trình bày tổng quan về nhận dạng mục tiêu ra đa; phân tích bản chất vật lý, nguyên nhân hình thành cùng tình hình nghiên cứu khắc phục tính bất định về thông tin tiên nghiệm, từ đó xác định 4 nhiệm vụ cần nghiên cứu giải quyết trong luận án: - Lựa chọn phương pháp phân lớp đảm bảo tính tổng quát trong điều kiện bất định về thông tin tiên nghiệm. - Nghiên cứu các biện pháp đảm bảo chất lượng nhận dạng trong điều kiện bất định về tỷ số tín trên tạp theo hướng huấn luyện có tạp và giảm tạp. - Xây dựng mô hình nhận dạng sử dụng thông tin về góc hướng của mục tiêu nhằm hạn chế việc phân lớp nhầm giữa các lớp mục tiêu trong trường hợp góc hướng của mục tiêu biến động trong phạm vi rộng. - Tổng hợp thuật toán nhận dạng - phân biệt mục tiêu chưa biết theo hướng xây dựng mô hình mục tiêu đã biết và phân biệt với mục tiêu chưa biết theo ngưỡng. CHƯƠNG 2. NGHIÊN CỨU ĐỀ XUẤT GIẢI PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN TIÊN NGHIỆM 2.1. Lựa chọn phương pháp phân lớp Phần này trình bày nguyên tắc xây dựng, phân tích ưu nhược điểm của ba BPL phi tham số điển hình là k-NN, SVM và mạng nơ ron. Trong đó, do là bộ phân lớp được sử dụng phổ biến trong nhận dạng mục tiêu ra đa, có thời gian huấn luyện nhanh và không sợ rơi vào cực trị địa phương, nên BPL mạng nơ ron với hàm cơ sở hướng tâm RBF được lựa chọn làm công cụ nhận dạng cho các nội dung nghiên cứu khảo sát tiếp theo trong luận án. 2.2. Giải pháp đảm bảo chất lượng nhận dạng trong điều kiện bất định về tỷ số tín trên tạp 8 2.2.1. Tỷ số tín trên tạp trong CDCL CDCL được biểu diễn dưới dạng véc tơ d giá trị biên độ phức của tín hiệu nhận được tại các phần tử phân giải cự ly trong không gian nhận dạng tương ứng �̇� = [�̇�𝑖, 𝑖 = 1 ÷ 𝑑]. Trường hợp tồn tại mục tiêu thuộc lớp 𝑘 nào đó (𝑘 = 1 ÷ 𝑐; 𝑐 là số lớp mục tiêu cần phân lớp) thì CDCL nhận được có dạng: �̇� = �̇� + 𝑠�̇� Trong đó: �̇�𝑘 = [�̇�𝑘,𝑖, 𝑖 = 1 ÷ 𝑑] – giá trị biên độ phức của tín hiệu phản xạ từ mục tiêu lớp 𝑘 tại các phần tử phân giải tương ứng, �̇� = [�̇�𝑖, 𝑖 = 1 ÷ 𝑑]- giá trị biên độ phức của tạp. Tỷ số tín trên tạp trong CDCL được xác định theo công thức sau: 𝑆𝑁𝑅 (𝑑𝐵) = 10log10 ∑ |�̇�𝑘,𝑖| 2𝑑 𝑖=1 ∑ |�̇�𝑖|2 𝑑 𝑖=1 Các giá trị biên độ |�̇�𝑘,𝑖| thể hiện cường độ tín hiệu phản xạ từ các phần tử phân giải cự ly tương ứng trên mục tiêu. Chúng không những phụ thuộc vào công suất tín hiệu phát, cự ly quan sát mà còn phụ thuộc vào chủng loại mục tiêu và các góc hướng. Như vậy, kéo theo là SNR trong CDCL có tính biến động và bất định cao. 2.2.2. Huấn luyện có tạp Huấn luyện có tạp là đưa thêm tạp vào DLHL nhằm nâng cao khả năng nhận dạng đúng của BPL khi làm việc trong điều kiện có tác động của tạp. Một BPL sẽ làm việc tốt nhất ở điều kiện đã được huấn luyện. Trong trường hợp nhận dạng theo CDCL trên nền tạp AWGN, thì điều kiện này thể hiện qua tỷ số SNR trong tập DLHL (𝑆𝑁𝑅 𝐻𝐿) và trong CDCL của mục tiêu cần nhận dạng (𝑆𝑁𝑅 𝐾𝑇). Như vậy sẽ là tối ưu nếu thỏa mãn điều kiện 𝑆𝑁𝑅 𝐻𝐿 = 𝑆𝑁𝑅 𝐾𝑇 (điều kiện biết tạp). Tuy nhiên, do giá trị SNR thực tế (𝑆𝑁𝑅 𝐾𝑇) có phạm vi biến động lớn nên việc đảm bảo điều kiện này một cách tuyệt đối là không thể. Hai hướng giải quyết đề xuất là: - Huấn luyện BPL với nhiều mức 𝑆𝑁𝑅 khác nhau nhằm đảm bảo tính tổng quát trong toàn dải biến động của 𝑆𝑁𝑅 𝐾𝑇 (mô hình BPL đơn). - Sử dụng song song nhiều “kênh phân lớp” (KPL) thành phần, mỗi kênh được huấn luyện và đảm nhiệm nhận dạng ở một vùng nhất định trong dải biến động có thể của 𝑆𝑁𝑅 𝐾𝑇 (mô hình BPL song song). 2.2.3. Giảm tạp theo ngưỡng trong chân dung cự ly Bản chất của giải pháp này là cắt bỏ CDCL theo một mức ngưỡng “” nào đó sao cho loại bỏ tối đa các phần tử chỉ chứa tạp nhưng không làm 9 mất mát quá nhiều thông tin ở những phần tử mang tín hiệu có ích. Như vậy, việc lựa chọn mức ngưỡng cần căn cứ theo tham số của tạp và cả chân dung. Với bài toán nhận dạng theo CDCL trên nền tạp AWGN, mức ngưỡng được lựa chọn theo công thức  = ℎ × µ𝑛, trong đó µ𝑛 là trung bình biên độ tạp, ℎ là hệ số cắt tạp. Trung bình biên độ tạp có thể ước lượng theo thuật toán đề xuất trình bày trong bảng 2.2. Hệ số h được xác định bằng phương pháp mô phỏng: Mô phỏng HTND với thuật toán giảm tạp theo mức ngưỡng đã đề xuất với các hệ số h khác nhau; Ước lượng TBXSND đúng cho từng giá trị h đã lựa chọn; Lấy giá trị hệ số h ứng với TBXSND đúng cao nhất trong vùng biến động SNR cần quan tâm. 2.2.4. Kết hợp huấn luyện có tạp và giảm tạp theo ngưỡng Xét về bản chất vật lý, “huấn luyện có tạp” đi theo hướng tăng tính tổng quát hóa của thuật toán nhận dạng khi tỷ số SNR thay đổi, còn “giảm tạp” làm giảm tính bất định gây ra bởi tạp. Để tăng chất lượng nhận dạng, luận án đề xuất kết hợp sử dụng cả hai giải pháp này trong một mô hình nhận dạng, trong đó các CDCL huấn luyện và CDCL cần nhận dạng cùng được thực hiện theo một phương pháp giảm tạp. Yêu cầu về phương pháp xử lý, giảm tạp của kênh xử lý và nhận dạng giống nhau là cần thiết nhằm đảm bảo cho điều kiện huấn luyện (học) và nhận dạng của BPL là như nhau. Giải pháp này có thể triển khai trên hai mô hình nhận dạng: mô hình BPL song song và mô hình BPL đơn. Việc khảo sát định lượng để Bảng 2.2. Thuật toán ước lượng trung bình biên độ tạp trong CDCL Input: x // CDCL đầu vào Bước 1: Khởi tạo các biến: d=length(x); Sum_noise=0; //Tổng biên độ của các phần tử tạp. d1=0; //Số phần tử tạp trong CDCL. Bước 2: Tính trung bình biên độ CDCL: 𝜇𝐶𝐷𝐶𝐿 = 1 𝑑 ∑ 𝑥𝑚 𝑑 𝑚=1 ; // Trung bình biên độ CDCL. Bước 3: Xác định mặt nạ mục tiêu: Index= (x-𝜇𝐶𝐷𝐶𝐿>0); //Chỉ số các phần tử trong CDCL được //coi là mục tiêu có Index=1. Bước 4: Tính trung bình biên độ của tạp �̂�𝑛: for i=1 to d do if Index(i)=0 then //Nếu là phần tử tạp. Sum_noise= Sum_noise+x(i); //Cộng x(i) vào tổng biên độ tạp. d1= d1+1; // Đếm số phần tử tạp. end if; end for; �̂�𝑛 = 𝑆𝑢𝑚_𝑛𝑜𝑖𝑠𝑒/𝑑1; //Tính trung bình biên độ tạp �̂�𝑛. Output: �̂�𝑛 // �̂�𝑛 đầu ra. 10 đưa ra các khuyến cáo trong việc lựa chọn phương án thực hiện và đánh giá hiệu quả của giải pháp này (với việc sử dụng thuật toán giảm tạp theo ngưỡng đề xuất) sẽ được trình bày ở chương 3. 2.3. Phương án xây dựng mô hình nhận dạng dựa trên phân đoạn cơ sở dữ liệu theo góc hướng 2.3.1. Đặt vấn đề CDCL của mục tiêu bay rất nhạy cảm với sự thay đổi góc hướng. Trường hợp bỏ qua thông tin về góc hướng việc nhận dạng sẽ gặp những vấn đề là tập dữ liệu huấn luyện sẽ rất lớn và xảy ra khả năng nhận dạng nhầm các lớp mục tiêu có chân dung giống nhau ở một số góc hướng khác nhau. Để khắc phục vấn đề này luận án sử dụng phương án phân đoạn CSDL theo góc hướng và thực hiện phân lớp song song các phân đoạn này; sử dụng góc hướng mà đài ra đa ước lượng được để làm căn cứ lựa chọn kết quả phân lớp từ các bộ phân lớp phân đoạn. 2.3.2. Mô hình nhận dạng dựa trên phân đoạn CSDL theo góc hướng Sơ đồ mô hình nhận dạng dựa trên phân đoạn CSDL theo góc hướng thể hiện trên hình 2.6. Hình 2.6. Sơ đồ mô hình nhận dạng phân đoạn CSDL theo góc hướng Sơ đồ này bao gồm 𝑀x𝑁 các BPL con, trong đó, mỗi bộ phân lớp thứ 𝑚x𝑛 (𝐵𝑃𝐿𝑚,𝑛) đảm nhiệm việc nhận dạng mục tiêu thuộc vùng phân đoạn góc hướng tương ứng:  ∈ (𝑚−1 ÷ 𝑚), 𝑚 = 1,2 , 𝑀;  ∈ (𝑛−1 ÷ 𝑛), 𝑛 = 1,2 , 𝑁. Ở đây, việc phân đoạn theo góc hướng được thực hiện sao cho các phân đoạn không trùng nhau và bao trùm hết vùng biến động có thể của góc hướng. Mỗi 𝐵𝑃𝐿𝑚,𝑛 được huấn luyện với CSDL ở phân đoạn góc hướng mà nó đảm nhiệm. CDCL của mục tiêu cần nhận dạng, Chọn KQuả CDCL mẫu đã xử lý, phân đoạn theo Ph.vị BPL1,1 Kênh huấn luyện Kênh nhận dạng CDCL từ ra đa Giá trị ước lượng góc hướng Tiền xử lý, trích chọn đặc trưng BPL BPLm,n BPL BPLM,N Kiểu loại MT Kiể u loạ i mụ c tiêu 11 sau khi xử lý, được đồng thời đưa đến tất cả các BPL con. Việc chọn kết quả nhận dạng từ các BPL con được căn cứ theo giá trị ước lượng góc hướng của đài ra đa. 2.3.3. Lựa chọn tham số cho mô hình nhận dạng dựa trên phân đoạn CSDL theo góc hướng Việc chọn độ rộng phân đoạn góc hướng được căn cứ vào: + Tính chất biến động của CDCL của mỗi lớp mục tiêu theo góc hướng và sự giống nhau về CDCL của các lớp mục tiêu khác nhau tại những góc hướng khác nhau (trong luận án, yếu tố này được đánh giá qua hệ số tương quan Pearson). + Khả năng xác định góc hướng của đài ra đa. + Độ phức tạp cho phép của mô hình (số BPL con). Xét từ điều kiện nhận dạng thực tế, trong luận án, bỏ qua yếu tố bất định về góc ngẩng và giới hạn ở khảo sát theo góc phương vị. 2.4. Tổng hợp thuật toán nhận dạng có phân biệt mục tiêu chưa biết 2.4.1. Xây dựng mô hình mục tiêu đã biết Với các kiểu BPL đang xem xét (mạng nơ ron, SVM) giá trị liên thuộc lớp 𝑍𝑖(𝑥), 𝑖 = 1,2, , 𝑐 ở đầu ra các kênh của BPL thể hiện định lượng mức độ chân dung 𝑥 thuộc vào lớp mục tiêu thứ tương ứng i (0 ≤ 𝑍𝑖(𝑥) ≤ 1 ). Dạng hàm mật độ xác suất (MĐXS) có điều kiện của mỗi giá trị này 𝑝(𝑍𝑖/𝜔𝑚); 𝑖, 𝑚 = 1, 2, , 𝑐 có thể ước lượng dễ dàng bằng cách xây dựng biểu đồ (histogram) từ kết quả nhận dạng tập CDCL của từng lớp mục tiêu đã biết. Xét bộ giá trị liên thuộc lớp 𝑍𝑖(𝑥), khi mục tiêu đang quan sát thuộc lớp 𝜔𝑚 thì giá trị liên thuộc lớp của kênh xử lý thứ “𝑚” sẽ có xu hướng đạt giá trị cao – gần với “1”, các kênh còn lại cho giá trị thấp hơn – gần với “0”. Như vậy, trong các hàm MĐXS trên ta sẽ chọn bộ hàm “𝑝(𝑍𝑚/𝜔𝑚); 𝑚 = 1, 2, , 𝑐” làm cơ sở chính để biểu diễn mô hình thống kê của các lớp mục tiêu đã biết. 2.4.2. Lựa chọn quy tắc ra quyết định Để kết hợp “nhận dạng mục tiêu đã biết” và “phân biệt mục tiêu chưa biết”, với mỗi kênh giá trị liên thuộc lớp “𝑍𝑚” cần phải tìm một “ngưỡng phân biệt” tương ứng “𝛾𝑚” và ra quyết định theo quy tắc: “Nếu 𝑎𝑟𝑔𝑚𝑎𝑥 𝑖=1,2,,𝑐 {𝑍𝑖(𝑥)} = 𝑚 và 𝑍𝑚(𝑥) ≥ 𝛾𝑚 thì 𝑥 thuộc lớp 𝜔𝑚 (𝜔 ∗ = 𝜔𝑚 ∗ ); (2.37) 𝑍𝑚(𝑥) < 𝛾𝑚 thì 𝑥 thuộc lớp mục tiêu chưa biết”. Sơ đồ mô hình hệ thống nhận dạng – phân biệt mục tiêu chưa biết (viết tắt là NDPBMT) theo quy tắc ra quyết định (2.37) được minh họa trên hình 2.8. 𝛾𝑚 là ngưỡng phân biệt mục tiêu lớp 𝜔𝑚 với mục tiêu chưa 12 biết. Nếu chỉ giới hạn ở “𝑐” lớp mục tiêu đã biết, BPL có khả năng nhận dạng đúng lớp mục tiêu này với xác suất 𝑃𝑚/𝑚 = 𝑃{𝜔𝑚 ∗ /𝜔𝑚}. Các giá trị xác suất này hoàn toàn có thể ước lượng được bằng phương pháp mô phỏng thống kê. Như vậy ta có thể căn cứ vào 𝑃𝑚/𝑚 để xác định ngưỡng γ𝑚 theo công thức: 𝑃(𝑍𝑚 ≥ 𝛾𝑚/𝜔𝑚) = ∫ 𝑝(𝑍𝑚/𝜔𝑚)𝑑𝑍𝑚 1 𝛾𝑚 = 𝑃𝑚/𝑚, 𝑚 = 1, 2, , 𝑐 (2.38) Trong trường hợp tồn tại mục tiêu chưa biết 𝜔𝑀𝑇𝐶𝐵, tùy theo mức độ giống nhau của nó so với mục tiêu đã biết m nào đó, các hàm MĐXS có điều kiện 𝑝(𝑍𝑚/𝜔𝑀𝑇𝐶𝐵); 𝑚 = 1, 2, , 𝑐 thường có xu hướng dịch về phía bên phải đoạn [0,1] hơn so với 𝑝(𝑍𝑚/𝜔𝑖); 𝑖 ≠ 𝑚. Như vậy, để đảm bảo tốt khả năng phân biệt (phát hiện) đúng mục tiêu mục tiêu chưa biết với mục tiêu đã biết m, cần dịch các giá trị ngưỡng về phía bên phải một lượng nhất định nào đó: 𝑃(𝑍𝑚 ≥ 𝛾𝑚/𝜔𝑚) = ∫ 𝑝(𝑍𝑚/𝜔𝑚)𝑑𝑍𝑚 1 𝛾𝑚 = 𝑃𝑚/𝑚 − 𝑟 (2.39) Ở đây 𝑟 là hệ số điều chỉnh ngưỡng phân biệt. Nó phải có giá trị phù hợp sao cho vừa đảm bảo khả năng phân biệt mục tiêu chưa biết đồng thời lại không làm ảnh hưởng nhiều đến xác suất nhận dạng đúng các lớp mục tiêu đã biết. Nếu coi việc phát hiện ra mục tiêu chưa biết có ý nghĩa tương đương với việc nhận dạng đúng 1 lớp mục tiêu đã biết thì hệ số này có thể xác định theo tiêu chí “đảm bảo xác suất phân biệt mục tiêu chưa biết xấp xỉ với trung bình xác suất nhận dạng đúng của hệ thống”. Hình 2.8. Sơ đồ mô hình hệ thống nhận dạng mục tiêu ra đa có phân biệt mục tiêu chưa biết BPL mờ max Cực đại So sánh Ngưỡng 𝛾1𝑐 𝛾𝑚 ≡ < 𝛾𝑚(MTCB) Xác định ngưỡng ≥ 𝛾𝑚 (MT lớp 𝜔𝑚) x DLHL 𝑍1(𝑥) 𝑍𝑚(𝑥) 𝑍1(𝑥) 𝑍𝑚(𝑥) 𝑍𝑐(𝑥) 𝑍𝑐(𝑥) 13 2.4.3. Xác định ngưỡng phân biệt Để xác định tập ngưỡng phân biệt “𝛾𝑚; 𝑚 = 1, 2, , 𝑐” theo phương trình (2.39) cần thực hiện hai nội dung sau: - Ước lượng bộ hàm MĐXS có điều kiện 𝑝(𝑍𝑚/𝜔𝑚) và xác suất nhận dạng đúng “𝑃𝑚/𝑚 = 𝑃{𝜔𝑚 ∗ /𝜔𝑚}, 𝑚 = 1, 2, , 𝑐. - Tìm hệ số điều chỉnh “𝑟” theo tiêu chí đã lựa chọn. Quy trình thực hiện chi tiết được trình bày trong luận án. Ở đây, ta có lưu ý, khi xác định “𝑟” theo tiêu chí đã lựa chọn thì cần có mô hình mục tiêu chưa biết. Ta sẽ lần lượt chọn từng mục tiêu trong 𝑐 lớp đã biết làm mục tiêu chưa biết giả định i, để tìm hệ số 𝑟𝑖, sau đó xác định r bằng lấy trung bình 𝑟𝑖, 𝑖 = 1, 2, , 𝑐. 2.5. Kết luận chương 2 Những kết quả chính của chương 2 được tóm tắt như sau: - Nghiên cứu bản chất và phân tích ưu nhược điểm của 3 BPL điển hình đại diện cho kỹ thuật phân lớp phi tham số: k-NN, SVM, mạng nơ ron. Trên cơ sở đó, lựa chọn sử dụng mạng nơ ron RBF làm phương tiện thực hiện bài toán nhận dạng mục tiêu bay theo CDCL. - Đưa ra một số biện pháp khắc phục bất định về tỷ số SNR áp dụng cho bài toán nhận dạng theo CDCL với các BPL dùng kỹ thuật học máy: + Huấn luyện có tạp với mô hình BPL song song (bao gồm nhiều KPL thành phần, mỗi kênh được huấn luyện ở một mức SNR nhất định) hoặc mô hình BPL đơn huấn luyện ở nhiều mức 𝑆𝑁𝑅 . Việc lựa chọn phương án và cấu hình cho từng mô hình này có thể thực hiện bằng mô phỏng theo phương án đã đề xuất trong luận án. + Xây dựng một thuật toán giảm tạp theo mức ngưỡng nhằm giảm bớt tính bất định SNR trong CDCL. So với các công trình nghiên cứu đã công bố, sự khác biệt của của thuật toán này thể hiện ở việc sử dụng hệ số cắt tạp “h” để điều chỉnh mức ngưỡng sao cho có thể “loại bỏ tối đa tạp nhưng hạn chế được mất mát ở những phần tử mang thông tin có ích trong CDCL”. + Đề xuất phương án sử dụng kết hợp giảm tạp trong CDCL trong các mô hình BPL đơn và BPL song song huấn luyện có tạp. - Làm rõ các yếu tố gây suy giảm chất lượng nhận dạng trong điều kiện bất định về góc hướng. Từ đó đề xuất phương án xây dựng mô hình nhận dạng dựa trên phân đoạn CSDL theo góc phương vị. Ở đây tham số phân đoạn được lựa chọn dựa trên trên ba yếu tố: + Tính biến động của chân dung cự ly theo góc phương vị; 14 + Sự giống nhau về chân dung cự ly các lớp mục tiêu khác nhau ở các góc phương vị khác nhau; + Khả năng xác định góc phương vị của đài ra đa. - Tổng hợp thuật toán nhận dạng có phân biệt mục tiêu chưa biết dựa trên cơ sở xây dựng mô hình thống kê của mục tiêu đã biết thông qua bộ giá trị liên thuộc lớp tại đầu ra các kênh của BPL. Đề xuất tiêu chí lựa chọn ngưỡng phân biệt (“TBXSND đúng xấp xỉ xác suất phân biệt đúng mục tiêu chưa biết”) và đưa ra quy trình xác định nó theo tiêu chí đề ra. CHƯƠNG 3. XÂY DỰNG CHƯƠNG TRÌNH MÔ PHỎNG VÀ ĐÁNH GIÁ CHẤT LƯỢNG NHẬN DẠNG 3.1. Xây dựng phương án khảo sát chung 3.1.1. Đối tượng và điều kiện khảo sát Đối tượng: HTND theo CDCL các lớp mục tiêu bay điển hình (được tạo bởi phần mềm RTBS) dùng BPL mạng RBF trong điều kiện biết tạp. Điều kiện khảo sát: - Tham số CDCL: Độ phân giải của ra đa 1m, mỗi ô cự ly lấy 2 mẫu (độ rộng 0,5m); Độ rộng cửa sổ cự ly: 60m; Số phần tử lấy mẫu: 120. - Bộ phân lớp mạng RBF: hàm cơ sở bán kính là hàm Gauss có dạng (𝑥) = 𝑒 − ‖𝑥−𝜇‖2 2𝜎2 với x là CDCL đầu vào,  và  là tâm và tham số độ rộng; số nơ ron lớp ẩn bằng 80; phương pháp huấn luyện của mạng là phương pháp hai pha theo [62]. - Tham số thể hiện điều kiện quan sát: Tỷ số SNR; Góc hướng: cố định góc ngẩng (3), phương vị: (0-180), khoảng lấy mẫu 0,2. 3.1.2. Mô hình khảo sát chung Hình 3.1. Sơ đồ mô hình khảo sát chung Tạo CDCL, phân chia, cộng tạp Bộ phân lớp Đánh giá chất lượng (hiệu quả) Tiền xử lý Tiền xử lý Tập DLHL Tập DLKT 15 3.1.3. Tạo cơ sở dữ liệu - Mục tiêu cần nhận dạng: 9 kiểu loại mục tiêu bay là Tu16, B1b, B52, Mig21, Tornado, F15, Alcm, Glcm và Decoy. Các CDCL được tạo bởi phần mềm RTBS với phương pháp lấy mẫu theo góc phương vị như sau: Đối với mỗi lớp trong số 9 lớp mục tiêu, 900 CDCL được tạo tương ứng với 900 vị trí góc phương vị trong khoảng từ 0 đến 180 với độ phân giải lấy mẫu theo phương vị là 0,2. Như vậy, tập CSDL CDCL (gọi là tập CSDL DL1) gồm 8100 CDCL phức của 9 lớp mục tiêu và véc tơ nhãn kiểu loại mục tiêu tương ứng. - Phân chia tập CSDL thành tập DLHL và DLKT theo phương pháp 10-fold cross validation và phương pháp xen kẽ răng lược. - Cộng tạp vào CSDL: tạp trắng cộng tính Gauss phức được cộng vào các CDCL phức trong tập DLHL và DLKT theo mức SNR như nhau có giá trị từ -12 dB đến 24dB với bước nhảy 2dB. 3.1.4. Lưu đồ chương trình mô phỏng chung và kết quả khảo sát trong trường hợp biết tạp Phần này trình bày nội dung xây dựng lưu đồ chương trình mô phỏng chung và thực hiện khảo sát HTND trong trường hợp biết tạp (SNR trong dữ liệu huấn luyện và kiểm tra như nhau) nhằm lấy kết quả tham chiếu cho các đánh giá về sau. Kết quả mô phỏng thể hiện thông qua đồ thị biểu diễn sự phụ thuộc TBXSND đúng vào SNR (hình 3.5) khi phân chia dữ liệu theo phương pháp 10-fold cross validation (a) và phương pháp xen kẽ răng lược (b). Ta thấy rằng, hai phương pháp phân chia CSDL cho kết quả giống nhau và đảm bảo tính hợp lý: trong trường hợp biết tạp TBXSND đúng tăng theo SNR. Từ đây cũng có thể rút ra nhận xét về khả năng của HTND Hình 3.5. Độ chính xác nhận dạng của mô hình nhận dạng chung trong trường hợp biết tạp -10 -5 0 5 10 15 20 0 10 20 30 40 50 60 70 80 90 100 Ty so tin tren tap (dB) X a c s u a t n h a n d a n g d u n g ( % ) a b 16 dùng mạng RBF với tham số đã lựa chọn: TBSXND đúng đạt trên 70% khi SNR>0 dB và giảm nhanh đến 20% khi SNR thay đổi từ 0 dB đến dưới (-10) dB. Kết quả mô phỏng hình 3.5 sẽ được dùng để tham chiếu khi so sánh đánh giá hiệu quả của các giải pháp khắc phục tính bất định về thông tin tiên nghiệm được đề xuất trong luận án. 3.2. Khảo sát đánh giá giải pháp khắc phục tính bất định về SNR Điều kiện mô phỏng: + Tập CSDL CDCL: Tập DL1 với 9 lớp mục tiêu được tạo ở mục 3.1; Phân chia tập CSDL theo phương pháp xen kẽ răng lược; + Mô phỏng điều kiện bất định về SNR: DLHL không có tạp hoặc có tạp với một hoặc vài mức SNR khác nhau, trong khi DLKT có mức SNR thay đổi trong dải từ -10 dB đến 16 dB với bước nhảy bằng 2 dB; + Phương pháp giảm tạp: Thuật toán giảm tạp theo ngưỡng được đề xuất trong mục 2.2.3. + Phương pháp đánh giá: Ước lượng TBXSND đúng của HTND trong điều kiện không biết tạp (SNR trong CDCL huấn luyện và kiểm tra khác nhau) khi có và không sử dụng các biện pháp khắc phục, tham chiếu với kết quả khảo sát trong trường hợp biết tạp đã thực hiện ở mục 3.1.3. 3.2.1. Khảo sát đánh giá các phương án huấn luyện có tạp Kết quả khảo sát các phương án huấn luyện có tạp thể hiện trên hình 3.7 và 3.8. Từ hình 3.7 ta có thể thấy rằng huấn luyện không có tạp cho TBXSND đúng (b) kém hơn nhiều so với trường hợp biết tạp (a), đặc biệt khi SNR thấp. Như vậy, trong điều kiện thực tế, khi SNR biến động trong phạm vi lớn, nếu sử dụng tập DLHL sạch (không có tạp) thì chất lượng Hình 3.7. Hình 3.8. -10 -5 0 5 10 15 0 10 20 30 40 50 60 70 80 90 100 Ty so tin tren tap (dB) X a c s u a t n h a n d a n g d u n g ( % ) a b -10 0 10 0 50 100 X S N D d u n g ( % ) MP 1 (16dB) SNR DLKT (dB) -10 0 10 0 50 100 MP 2 (8dB) SNR DLKT (dB) -10 0 10 0 50 100 MP 3 (2dB) SNR DLKT (dB) -10 0 10 0 50 100 X S N D d u n g ( % ) MP 4 (-2dB) SNR DLKT (dB) -10 0 10 0 50 100 MP 5 (-6dB) SNR DLKT (dB) -10 0 10 0 50 100 MP 6 (-10dB) SNR DLKT (dB) BSNR 1SNR 17 nhận dạng không đảm bảo. Điều này có thể giải thích là BPL được huấn luyện trong điều kiện nào thì có khả năng nhận dạng tốt trong điều kiện đó. Vì thế, trong nhận dạng mục tiêu ra đa, để nâng cao khả năng tổng quát của BPL đối với tạp, cần thiết phải huấn luyện BPL với dữ liệu có tạp ở các mức SNR khác nhau. Từ hình 3.8 ta có thể thấy rằng: Độ chính xác nhận dạng khi huấn luyện với một mức SNRHL (1SNR) cũng kém hơn nhiều so với điều kiện biết tạp (BSNR). Bộ phân lớp được huấn luyện một mức SNRHL chỉ nhận dạng tốt các CDCL trong tập DLKT có mức SNRKT ở vùng ổn định biết tạp - vùng lân cận xung quanh mức SNRHL. Khi SNRKT càng khác SNRHL của DLHL thì chất lượng càng giảm, kể cả khi SNRKT lớn (ví dụ như trong MP6). Hình 3.10 là kết quả mô phỏng BPL đơn huấn luyện với 3 mức SNR. Ta thấy rằng, trong trường hợp này, độ chính xác nhận dạng được cải thiện hơn so với trường hợp huấn luyện 1 mức SNR (hình 3.8). Với 3 mức SNRHL, nếu ưu tiên huấn luyện có tạp ở dải SNR thấp, thì độ chính xác nhận dạng ở dải SNR cao kém - đường đồ thị SNR(-10,-6,16dB). Ngược lại, nếu ưu tiên huấn luyện ở dải SNR cao thì độ chính xác nhận dạng ở dải SNR thấp kém - đường đồ thị SNR(- 10,8,16dB). Khi các mức SNRHL phân bố đều trên toàn dải thì độ chính xác nhận dạng đạt được tốt nhất, gần bằng trường hợp biết tạp - đồ thị SNR(-10,0,16dB). Như vậy, với 3 mức SNRHL, độ chính xác nhận dạng của mô hình đang xét có thể đạt được bằng trường hợp biết tạp, nếu ta chọn mức SNRHL phù hợp. 3.2.2. Khảo sát đánh giá hiệu quả của giải pháp kết hợp huấn luyện có tạp và giảm tạp 3.2.2.1. Trường hợp áp dụng trong mô hình bộ phân lớp đơn Lựa chọn hệ số h Hình 3.12 và 3.13 là kết quả mô phỏng mô hình nhận dạng BPL đơn huấn luyện một mức SNRHL (8 dB và -6 dB tương ứng) có giảm tạp với µ𝑛 ước lượng lý tưởng, các hệ số h khác nhau có giá trị trong khoảng từ 1 Hình 3.10. So sánh độ chính xác nhận dạng của BPL đơn huấn luyện có tạp với ba mức SNR và trường hợp biết tạp -10 -5 0 5 10 15 0 10 20 30 40 50 60 70 80 90 100 SNR DLKT (dB) X S N D d u n g ( % ) BSNR SNR(-10,-6,16dB) SNR(-10,8,16dB) SNR(-10,0,16dB) 18 đến 3 với bước nhảy bằng 0,2. Từ kết quả mô phỏng ta thấy rằng: - Ở dải SNRKT cao, độ chính xác nhận dạng của BPL trong các trường hợp hệ số h có giá trị từ 1 đến 1,8 xấp xỉ nhau; khi giá trị hệ số h1,8 độ chính xác nhận dạng giảm đi rõ rệt, nhất là khi BPL được huấn luyện có tạp ở mức SNRHL thấp. - Ở dải SNRKT thấp, độ chính xác nhận dạng của BPL kém nhất khi hệ số h=1; khi h tăng lên, độ chính xác nhận dạng tăng lên rồi lại giảm đi. Trong cả hai trường hợp, ở dải SNRKT thấp độ chính xác nhận dạng tốt nhất khi h có giá trị bằng 2,2. Như vậy việc bổ sung thêm hệ số h vào ngưỡng cho phép cải thiện đáng kể độ chính xác nhận dạng khi SNR thấp. Tuy nhiên, khi h tăng, độ chính xác nhận dạng ở dải SNRKT cao sẽ giảm đi. Kết quả mô phỏng để lựa chọn hệ số h theo tiêu chí “độ chính xác nhận dạng cao nhất ở vùng ổn định biết tạp” ứng với các giá trị SNRHL khác nhau được trình bày trong bảng 3.3. Bảng 3.3. Kết q