Научная электронная библиотека
Монографии, изданные в издательстве Российской Академии Естествознания
3.6.2. Анализ эффективности классификации
С целью получения самых общих представлений о повышении эффективности классификации ПРЦ за счет комплексирования данных от разных средств наблюдения рассмотрим зависимость вероятности правильного распознавании (ВПР) всей системы в целом (Рε) от ВПР одного СН (Рр) при разном количестве источников информации L. В частности, на рис. 3.12 приведена названная зависимость для алгоритма простого голосования. Из рисунка следует, что для получения итоговой вероятности Рε > 0,9 при наличии 6 независимых средств наблюдения частная вероятность правильной классификации каждым СН должна быть не менее 0,7. (Вывод соответствующей методики расчета приведен в Приложении).
Рис. 3.12. Зависимости вероятности правильного распознавания при простом голосовании от вероятности правильного распознавания
при принятии решения по одному наблюдению
В некоторых случаях, проиллюстрированных в [121], процедуры простого голосования снижают итоговую ВПР. Так, например, при объединении трех СН, из которых два имеют ВПР, равную 0,4, а один – 0,9 при простом голосовании Рε < 0,7, а при взвешенном больше 0,9.
Конкретный пример применения алгоритма коллективного распознавания рассмотрим для ситуации объединения данных радиолокационной и радиотехнической разведки. Предположим, что классификатор располагает следующими источниками информации.
1. Станция РТР, определяющая класс ПРЦ по параметрам частотной модуляции принимаемого сигнала, вызванной килевой и бортовой качками ПРЦ при использовании электронной стабилизация луча РЛС.
2. РЛС с синтезированной апертурой, определяющая класс ПРЦ по его радиолокационному изображению. Причем сведения о классе ПРЦ, формируемые PCА могут быть получены неоднократно на разных витках орбиты носителя РСА. Эти сведения считаются статистически независимыми.
Эффективность каждого СН оценивается матрицей вероятностей правильных и ошибочных решений.
Цифровое моделирование алгоритма классификации по данным средств РТР, описанное и исследованное в [107], для одной из возможных практических ситуаций, позволило получить следующую матрицу:
Для второго из используемых средств наблюдения – РСА. Выделим две типовых ситуации, исследованных методом статистического моделирования при использовании в качестве прототипа тактико-технических характеристик космического аппарата SEASAT. При высокой эффективности (отношение сигнал/шум на выходе линейной части приемника составляет величину порядка 20 дБ) оценка матрицы вероятностей правильной и ошибочной классификации была получена в следующим виде:
При низком отношении сигнал/шум (порядка 14 дБ) оценка матрицы имеет вид:
Используя приведенные данные о достоверности различных СН моделировались разные ситуации коллективного распознавания. Предполагалось, что от каждого источника поступает информация о номере выбранного класса. Сравнивались, два правила принятия решения: простое голосование и взвешенное суммирование, причем ври взвешенном суммировании матрицы вероятностей, описывающие эффективность различных средств наблюдения, предполагались известными. Результаты моделирования сведены в табл. 3.2. В первом ее столбце приведены обозначения матриц, вероятностей используемых источников. Цифра перед матрицей указывает на число независимых СН (при моделировании изменялось количество решений, принимаемых на основе РСА).
Таблица 3.2
Комбинация СН
Простое голосование
Взвешенное суммирование
Р1, 
Р1, 
Р1, 
Р1, 
Р1, 
Из анализа результатов моделирования можно сделать следующие выводы. Если имеются два источника информации с разными матрицами вероятностей верных и ошибочных решений, то при простом голосовании итоговая матрица оказывается «средней» между исходными матрицами. При взвешенном суммировании итоговая матрица будет, по крайней мере, не хуже, чем любая из исходных. При простом голосовании вероятность ошибки с ростом числа «плохих» источников информации может даже увеличиваться, если в коллективе распознающих автоматов наряду с источником, обладающим высокой достоверностью, присутствуют «плохие» СН, имеющие низкую эффективность классификации.
Правило взвешенного суммирования при тех же условиях обеспечивает гарантированный выигрыш по отношению к самому «хорошему» средству наблюдения, используемому вне коллектива решающих правил. Платой за такой выигрыш является априорное знание достоверности классификации ПРЦ каждым средством наблюдения.
Названные сведения не могут быть получены иначе, чем в результате оценки эффективности каждого классификатора либо по рабочим, либо экспериментальным, либо моделируемым выборкам наблюдаемых данных.