Научная электронная библиотека
Монографии, изданные в издательстве Российской Академии Естествознания
3.6.1. Процедуры комплексной классификации
Алгоритм комплексной классификации может строиться на основе двух принципов:
– объединение признаков;
– объединение решений.
В первом случае от различных средств наблюдения (СН) в центральный пункт (ЦП) обработки поступают значения признаков, например, данные радиолокационной разведки (РЛР) – отсчеты РЛИ или функции от них; данные радиотехнической разведки (РТР) – параметры разведанных сигналов – мощность, частота, длительность импульсов, период их следования и т. д.; данные радиоразведки (РР) – вид и глубина модуляции РР. Собственно процедура классификации носит в этом случае традиционный характер: создание базы данных на основе обучающих выборок и принятие решения с помощью канонических параметрических или непараметрических правил. При достаточных временных и вычислительных ресурсах такое решение задачи классификации обеспечивает достоверность, близкую к оптимальной. Однако, названному методу присущ ряд недостатков, а именно:
– чрезвычайно высокие требования к объему памяти и быстродействию процессоров обработки;
– повышенные требования к количеству и качеству информации, передаваемой по каналам связи;
– необходимость комплексного функционального изменения алгоритмов обработки информации и технических устройств их реализации на существующих и разрабатываемых средствах наблюдения, что связано с существенными организационными и финансовыми затратами.
Указанные соображения позволяют высказать уверенность в целесообразности комплексирования информации на уровне объединения решений, когда исходными сведениями для ЦП являются частные решения о классах наблюдаемых ПРЦ, вынесенные отдельными средствами наблюдения.
Следует отметить, что между рассматриваемыми полярными случаями возможны промежуточные варианты. Так, например, отдельное средство наблюдения может не выносить окончательного решения, но формировать ограниченное число интегральных, наиболее значимых информативных признаков и передавать их по каналу связи на ЦП, где и принимается решение по совокупности всех принятых признаков, а не только частных решений индивидуальных средств наблюдения. Другим вариантом может быть принятие частного решения каждым СН, но число таких решений в каждом средстве наблюдения не ограничивается числом классов ПРЦ, но и содержит набор промежуточных подклассов, включающих оценку ракурса и некоторых других параметров, характеризующих рыскание, качку и т. д.
Распространенной процедурой принятия решения на ЦП является правило взвешенного суммирования. Названное правило является оптимальным с позиций теории статистических решений при независимости принятых решений о классе ПРЦ отдельными СН. Содержание правила взвешенного суммирования заключается в следующем. При поступлении в ЦП решения 1-го источника информации 
в пользу i-го класса для каждого j-го класса 
вычисляется коэффициент, равный:
Vjl = Cijl; 
(3.6.1)
где 
где Рijl – вероятность вынесения решения в пользу i-го класса l-м источником при фактическом наличии ПРЦ j-го класса. Полученные коэффициенты суммируются
и принимается решение в пользу класса, для которого величина Vj максимальна.
Рассмотрим некоторые упрощения алгоритма взвешенного суммирования. Прежде всего проанализируем ситуацию, когда вероятности правильных и ошибочных решений одинаковы для разных СН:
Pji1 = Pji2 = … = PjiL = P0;
1 ≠ j; 
В этом случае реализуется процедура «простого голосования», когда решение принимается в пользу того класса, за который «голосует» большинство СН. Названная процедура является оптимальной, если:
– источники информации статистически независимы;
– достоверность источников одинакова;
– вероятности ошибочных решений одинаковы.
Простое голосование представляет собой достаточно эффективную процедуру принятия коллективного решения, если достоверности источников мало отличаются между собой. Если такое различие существенно, то правило простого голосования может приводить к ухудшению достоверности при комплексировании. Этот недостаток обсуждаемого правила заключается в том, что игнорируются различия в достоверности работы различных источников, уравнивается их влияние на конечный результат, что может привести к существенному снижению эффективности коллективного распознавания, например, при наличии одного СН с очень высокой достоверностью (Рil ≈ 1) и нескольких СН с низкой (Рil ≠ 1) при простом голосовании верное решение «хорошего» СН «затеряется» среди множества решений СН с низкой эффективностью.
От этого недостатка свободно правило взвешенного голосования, которое реализуется при выполнении следующего условия:
i ≠ j; 
При этом каждому «голосу» приписывается свой «вес»:
Cijl = 0.
Эта процедура является оптимальной при соблюдении первого и третьего условий правила простого голосования. Взвешенное голосование практически не уступает оптимальному правилу принятия решения, если вероятности ошибочных решений мало отличаются между собой. При невыполнении последнего условия следует использовать правило взвешенного суммирования, которое при вынесении частного решения СН приписывает свой вес не только выбранному, но и всем остальным классам. При всех достоинствах оптимального голосования ему присущ недостаток, связанный с требованием указать значения вероятностей Рijl ошибочных решений в пользу 1-го класса при наличии HK j-го класса в 1-м СН. Априорное знание таких, вероятностей может быть весьма проблематичным особенно на начальных этапах функционирования системы коллективного распознавания.