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

Sự phát triển của kỹ thuật và công nghệ ra đa trong những năm gần đây đã khắc phục được phần nào khó khăn thứ nhất: Các đài ra đa hiện đại có khả năng quan sát tốt, cho phép hình thành c

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG

VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ

NGUYỄN THANH HÙNG

NGHIÊN CỨU GIẢI BÀI TOÁN NHẬN DẠNG MỤC TIÊU

RA ĐA TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI

VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ- BỘ QUỐC PHÒNG

Người hướng dẫn khoa học:

1 TS Phạm Văn Hoan

2 TS Nguyễn Hoàng Nguyên

Phản biện 1: GS.TS Bạch Gia Dương

Trường Đại học Công nghệ, Đại học Quốc Gia Hà Nội Phản biện 2: PGS TS Vũ Văn Yêm

Đại học Bách khoa Hà Nội Phản biện 3: TS Trần Văn Hùng

Viện Khoa học và Công nghệ quân sự

Luận án sẽ được bảo vệ tại Hội đồng chấm luận án tiến sĩ cấp Viện, họp tại Viện Khoa học và Công nghệ quân sự vào hồi … giờ, ngày… … tháng…… năm 2018

Có thể tìm hiểu luận án tại:

- Thư viện Viện Khoa học và Công nghệ quân sự

- Thư viện Quốc gia Việt Nam

1

MỞ ĐẦU

1 Tính cấp thiết của đề tài luận án:

Nhận dạng mục tiêu ra đa là xác định lớp (kiểu loại) mục tiêu mà đài

ra đa quan sát được trên cơ sở xử lý các thông tin biết trước về các lớp mục tiêu cùng các dữ liệu thu thập được trong thời gian quan sát

Trong vài thập niên gần đây, kỹ thuật nhận dạng đã có những bước tiến nhảy vọt và được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau (âm thanh, hình ảnh…) Tuy nhiên, chức năng nhận dạng mục tiêu ra đa mới chỉ được nghiên cứu phát triển trên một số chủng loại ra đa hiện đại

do các nước có nền khoa học công nghệ quân sự mạnh trên thế giới chế tạo Ở trong nước, đã có một số công trình nghiên cứu về nhận dạng mục tiêu ra đa, nhưng cho đến nay vẫn chưa có kết quả nghiên cứu nào được

áp dụng vào thực tế Nguyên nhân nằm ở hai khó khăn đặc thù của bài toán nhận dạng mục tiêu ra đa [1], [68]:

- Lượng thông tin tiên nghiệm ít: do giới hạn bởi khả năng quan sát của đài ra đa cùng khó khăn trong khảo sát thông tin ra đa của các đối tượng cần phân lớp

- Thông tin tiên nghiệm mang tính bất định cao: chịu tác động của các yếu tố ngẫu nhiên, phạm vi biến động lớn và phụ thuộc nhiều vào điều kiện quan sát, bối cảnh nhiễu, tạp âm,

Sự phát triển của kỹ thuật và công nghệ ra đa trong những năm gần đây

đã khắc phục được phần nào khó khăn thứ nhất: Các đài ra đa hiện đại có khả

năng quan sát tốt, cho phép hình thành các dạng chân dung ra đa (CDRĐ)

khác nhau mang nhiều thông tin về đối tượng cần phân lớp [50], [66]: công suất, cự ly, ảnh, phổ, phân cực…; Việc khảo sát thông tin ra đa của mục tiêu cũng có thể thực hiện được một cách dễ dàng hơn bằng các phương pháp mô phỏng toán lý tính chất phản xạ điện từ trường, kết hợp với thử nghiệm bán

tự nhiên và tự nhiên [45], [50] Khó khăn thứ hai (bất định về thông tin tiên nghiệm) luôn tồn tại một cách khách quan và mang tính đặc thù với các ứng dụng quân sự: Dữ liệu về mục tiêu thường bị đối phương che giấu, thay đổi, thậm chí hoàn toàn chưa biết… Chính vì vậy việc nghiên cứu giải bài toán nhận dạng mục tiêu ra đa trong điều kiện bất định về thông tin tiên nghiệm là một nội dung không thể bỏ qua khi nghiên cứu thiết kế mới hoặc cập nhật,

nâng cấp các hệ thống nhận dạng (HTND) đã có

2 Mục tiêu nghiên cứu của luận án: Nghiên cứu vấn đề bất định về thông

tin tiên nghiệm và ảnh hưởng của chúng đến chất lượng nhận dạng mục tiêu

2

ra đa Trên cơ sở đó đề xuất hướng khắc phục và xây dựng giải pháp cụ thể

cho bài toán nhận dạng mục tiêu bay theo chân dung cự ly (CDCL)

3 Đối tượng nghiên cứu của luận án: Bài toán nhận dạng mục tiêu bay

theo CDCL trong điều kiện bất định về thông tin tiên nghiệm

4 Phạm vi nghiên cứu của luận án: Giới hạn ở vấn đề nhận dạng các lớp

mục tiêu bay điển hình theo CDCL, tạo ra bằng phương pháp mô phỏng Ở đây, bài toán nhận dạng được thực hiện độc lập với quá trình phát hiện và coi như việc xử lý chống nhiễu đã được thực hiện trước khi hình thành chân dung

5 Phương pháp nghiên cứu của luận án: Sử dụng lý thuyết để phân tích

tính đặc thù của bài toán nhận dạng mục tiêu ra đa Trên cơ sở đó đề xuất các giải pháp khắc phục tính bất định về thông tin tiên nghiệm trong nhận dạng mục tiêu ra đa Xây dựng mô hình và thực hiện khảo sát đánh giá hiệu quả của các giải pháp này đối với trường hợp nhận dạng một số lớp mục tiêu bay điển hình theo CDCL Các CDCL của các lớp mục tiêu được tạo ra bằng phần mềm mô phỏng tín hiệu phản xạ mục tiêu ra đa (RTBS - Radar Target Backscattering Simulation) [3] Việc khảo sát đánh giá chất lượng nhận dạng được thực hiện bằng mô phỏng trên phần mềm Matlab

6 Ý nghĩa khoa học và thực tiễn của luận án:

Ý nghĩa khoa học: Góp phần hoàn thiện bài toán nhận dạng mục tiêu ra

đa với một số đóng góp cụ thể sau:

- Đưa ra giải pháp hiệu quả nâng cao chất lượng nhận dạng trong điều kiện bất định về tỷ số tín trên tạp, trên cơ sở sử dụng các bộ phân lớp huấn luyện có tạp kết hợp với việc giảm tạp trong chân dung cự ly

- Đề xuất phương án xây dựng và khảo sát mô hình nhận dạng mục tiêu bay theo kiểu phân đoạn cơ sở dữ liệu theo góc phương vị Mô hình này cho phép nâng cao chất lượng nhận dạng, hạn chế việc phân lớp nhầm các mục tiêu khi CDCL của chúng ở các phương vị khác nhau có mối tương quan cao

- Xây dựng mới thuật toán nhận dạng có phân biệt mục tiêu chưa biết theo hướng xây dựng mô hình mục tiêu đã biết dựa trên sự phân bố của giá trị liên thuộc lớp ở đầu ra bộ phân lớp (BPL) mờ và phân biệt mục tiêu chưa biết theo ngưỡng

Ý nghĩa thực tiễn: Kết quả nghiên cứu có thể sử dụng để tham khảo khi

nghiên cứu thiết kế mới hoặc cập nhật, nâng cấp các HTND đã có

7 Bố cục của luận án: Luận án gồm 03 chương cùng với các phần Mở

đầu, Kết luận, Danh mục các công trình khoa học đã công bố, Tài liệu tham khảo

3

CHƯƠNG 1 BÀI TOÁN NHẬN DẠNG MỤC TIÊU RA ĐA TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN TIÊN NGHIỆM 1.1 Tổng quan về bài toán nhận dạng mục tiêu ra đa

1.1.1 Dấu hiệu nhận dạng và chân dung ra đa

Cơ sở chính để nhận dạng mục tiêu ra đa là những dấu hiệu vật lý đặc trưng cho từng lớp, kiểu loại mục tiêu cần phân biệt (đặc tính hình học, vật lý và động học) thể hiện trong các dạng chân dung mà đài ra đa có thể hình thành được Trường hợp chung, CDRĐ có thể được định nghĩa là một tập hợp các giá trị biên độ phức của tín hiệu thu được, trong đó mỗi giá trị tương ứng với một phần tử phân giải nhất định của không gian dấu hiệu nhận dạng [1], [66], [68]

Phần này giới thiệu ba loại chân dung ra đa có tính ứng dụng cao trong nhận dạng mục tiêu bay: chân dung đốp le (chân dung phổ), CDCL, chân dung ra đa mặt mở tổng hợp ngược (ISAR) Trong đó, do có khả năng triển khai trên nhiều loại ra đa hiện đại và mang nhiều thông tin phục vụ phân lớp nên CDCL được chú trọng phân tích và lựa chọn cho việc phân tích giải quyết các vấn đề tiếp theo trong luận án

1.1.2 Sơ đồ tổng quát của hệ thống nhận dạng mục tiêu ra đa

Sơ đồ tổng quát của HTND được trình bày trên hình 1.3

Hình 1.3 Sơ đồ tổng quát của hệ thống nhận dạng mục tiêu ra đa

Quan sát, thu thập thông tin

Tiền xử lý Trích chọn đặc trưng Phân lớp mục tiêu

Kết hợp, hậu xử lý Mục tiêu được phân lớp

4

Ở đây, đầu ra của khâu “Quan sát, thu thập thông tin” chính là CDRĐ Mục đích của khâu “Tiền xử lý” là chuẩn bị dữ liệu thu thập được cho các giai đoạn tiếp theo Đối với HTND theo CDCL, tiền xử lý có thể gồm: lấy trung bình chân dung, giảm tạp (noise reduction), chuẩn hóa (normalization), định tâm mục tiêu trong cửa sổ cự ly “Trích chọn đặc trưng” là quá trình chọn lọc từ dữ liệu quan sát để lấy ra những thông tin quan trọng, dễ sử dụng hơn trong thuật toán phân lớp Giá phải trả là một phần thông tin về mục tiêu sẽ bị mất mát Trong trường hợp cần đảm bảo khả năng phân lớp nhiều loại mục tiêu khác nhau thì việc sử dụng trực tiếp CDCL mang lại hiệu quả cao hơn

Để “Phân lớp mục tiêu” trong HTND sử dụng bộ phân lớp Có nhiều phương án phân lớp khác nhau như: tham số, phi tham số, mô tả cấu trúc, dùng mạng nơ ron với kỹ thuật học máy (machine learning) Nhìn chung, không tồn tại một phương án phân lớp tối ưu chung cho mọi HTND Việc lựa chọn kỹ thuật phân lớp này hay khác, cần căn cứ vào khả năng “tổng quát hóa” (Generalization ability) của nó cùng tính khả thi về mặt kỹ thuật đối với các bài toán nhận dạng cụ thể

“Kết hợp, hậu xử lý” bao gồm: kết hợp nhiều dấu hiệu cùng các kỹ thuật phân lớp khác nhau nhằm đáp ứng tốt nhất yêu cầu về chất lượng nhận dạng với mức độ phức tạp cho phép của hệ thống

1.1.3 Chất lượng nhận dạng

Chất lượng nhận dạng thể hiện chi tiết qua bảng xác suất ra quyết định đúng hoặc sai (hay còn gọi là ma trận nhầm lẫn - confusion matrix): 𝑃𝑖/𝑘=𝑃{𝜔𝑖∗/𝜔𝑘}; 𝑖, 𝑘 = 1 ÷ 𝑐 (𝜔𝑘 - điều kiện có mục tiêu lớp k; 𝜔𝑖∗ - quyết

định là tồn tại mục tiêu lớp i; 𝑐 – số lớp mục tiêu cần nhận dạng) Để so

sánh chất lượng giữa các HTND, trong luận án coi hàm giá có dạng đơn giản, xác suất xuất hiện các lớp mục tiêu là như nhau và chỉ tiêu chất

lượng được lựa chọn sử dụng đánh giá là trung bình xác suất nhận dạng

(TBXSND) đúng 𝑃đ𝑇𝐵 (gọi tắt là độ chính xác nhận dạng):

𝑃đCđk= 1 − 𝑅𝑇𝐵= 𝑃đ𝑇𝐵=1

c(∑c Pi/i

i=1 ) = 1 − 𝑃𝑠TB (1.8) Xác định ma trận nhầm lẫn bằng giải tích là phức tạp và ít khả thi, vì vậy trong luận án các xác suất sẽ được ước lượng bằng mô phỏng Trong

đó, tập cơ sở dữ liệu (CSDL) ban đầu được phân chia thành hai phần: tập

dữ liệu huấn luyện (DLHL) và tập dữ liệu kiểm tra (DLKT) Đầu tiên bộ

phận lớp được học bằng các mẫu trong tập DLHL, sau đó độ chính xác nhận dạng của bộ phân lớp sẽ được ước lượng trên cơ sở tính xác suất nhận dạng

5 đúng các mẫu trong tập DLKT Một số phương pháp phân chia tập CSDL thường được sử dụng trong bài toán nhận dạng mục tiêu ra đa theo CDCL là: holdout, k-fold cross-validation và chia xen kẽ răng lược [44]

1.1.4 Đặc điểm nhận dạng mục tiêu ra đa

- Khả năng của phương tiện quan trắc (đài ra đa) là hạn chế, lượng thông tin thu thập được không nhiều, độ chính xác thấp, phạm vi biến động lớn

- Thời gian quan sát ngắn, đòi hỏi đáp ứng thời gian thực, yêu cầu cao

về độ tin cậy của các quyết định nhận dạng

- Thông tin về các đối tượng cần nhận dạng khó thu thập: Khảo sát thực nghiệm tốn kém trong nhiều trường hợp không khả thi Không có đủ

dữ liệu về mục tiêu để mô phỏng Dễ có khả năng xuất hiện mục tiêu lạ

mà ta hoàn toàn không có dữ liệu về chúng

- Điều kiện nhận dạng có tính biến động, bất định cao: bối cảnh nhiễu tạp; vị trí tương đối của mục tiêu; sự thăng giáng của tín hiệu trong quá trình phản xạ, lan truyền

Các yếu tố trên tác động qua lại lẫn nhau và gây ra khó khăn đặc thù

trong nhận dạng mục tiêu ra đa là lượng thông tin tiên nghiệm ít và mang

tính bất định cao Để có thể đảm bảo chất lượng nhận dạng, song song với

các biện pháp nâng cao lượng thông tin tiên nghiệm phục vụ nhận dạng, cần phải có những giải pháp khắc phục tính bất định nhằm sử dụng một cách hiệu quả lượng thông tin này vào mục đích phân lớp Đây là mục tiêu nghiên cứu đặt ra trong luận án

1.2 Các vấn đề cần giải quyết

1.2.1 Đảm bảo tính tổng quát của thuật toán phân lớp

Theo quan điểm xác suất thì tính bất định thể hiện ở hai cấp độ: tham

số và hàm Do dữ liệu về CDRĐ có độ chính xác thấp, không đầy đủ, mang tính ngẫu nhiên và biến động cao theo điều kiện quan sát nên việc xác định dạng phân bố đa chiều của nó là không khả thi Vì vậy, thuật toán phân lớp thường được thực hiện theo mô hình phi tham số Điển hình

là BPL: k-NN (k hàng xóm gần nhất); SVM (máy véc tơ tựa); mạng nơ ron Đặc điểm chung của các phương pháp phân lớp này là đảm bảo tốt

“tính tổng quát hóa” và có thể sử dụng trực tiếp tập cơ sở dữ liệu để huấn luyện (học máy) mà không cần cho trước dạng phân bố Trong luận án sẽ phân tích chi tiết 3 kỹ thuật phân lớp nêu trên, từ đó lựa chọn một phương

án phù hợp làm công cụ phân lớp cho các khảo sát tiếp theo

6

1.2.2 Khắc phục tính bất định về tỷ số tín trên tạp

Sau khi thực hiện các biện pháp xử lý chống nhiễu, trong CDRĐ, ngoài tín hiệu có ích còn tồn tại tạp nền (Background) (trong luận án gọi tắt là tạp) Tạp nền thường có dạng tạp trắng cộng tính dạng Gauss (AWGN) Trong CDCL, tỷ số tín trên tạp (SNR) có phạm vi biến động lớn (tùy thuộc vào cường độ tạp, công suất phát, cự ly, chủng loại mục tiêu) và chỉ có thể ước lượng với độ chính xác nhất định tại thời điểm quan sát Sự khác biệt giữa giá trị SNR thực tế và giá trị SNR sử dụng trong mô hình nhận dạng sẽ làm suy giảm đáng kể chất lượng nhận dạng Việc khắc phục có thể triển khai theo các hướng sau: xây dựng mô hình thích nghi

với tạp [47]; huấn luyện có tạp; giảm tạp (noise reduction)

Nhìn chung, giải pháp xây dựng mô hình thích nghi với tạp dựa trên

cơ sở toán học chặt chẽ nhưng để áp dụng giải pháp này cần phải biết dạng hàm phân bố của CDRĐ (mô hình tham số) Với các BPL kiểu phi tham

số, học máy như K-NN, SVM, mạng nơ ron thì hướng khắc phục tính bất định về tỷ số SNR có thể lựa chọn là: giảm tạp và huấn luyện 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 𝑥̇ = [𝑥̇𝑖, 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:

𝑥̇ = 𝑛̇ + 𝑠𝑘̇ Trong đó: 𝑠̇𝑘= [𝑠̇𝑘,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, 𝑛̇ = [𝑛̇𝑖, 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∑ |𝑠̇𝑘,𝑖|

2 𝑑

𝑖=1

∑𝑑 |𝑛̇𝑖|2 𝑖=1

Các giá trị biên độ |𝑠̇𝑘,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

Bước 1: Khởi tạo các biến:

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 𝜇̂𝑛:

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

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,

Kênh huấn luyện

Kênh nhận dạng

CDCL từ ra đa

Giá trị ước lượng góc hướng

Tiền xử lý, trích chọn đặc trưng

BPL … BPL m,n

BPL … BPL M,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