СТАТИСТИЧНІ КРИТЕРІЇ ОЦІНЮВАННЯ ІНФОРМАТИВНОСТІ ОЗНАК ДЖЕРЕЛ РАДІОВИПРОМІНЮВАННЯ ТЕЛЕКОМУНІКАЦІЙНИХ МЕРЕЖ І СИСТЕМ ПРИ ЇХ РОЗПІЗНАВАННІ
DOI:
https://doi.org/10.28925/2663-4023.2019.5.8394Ключові слова:
процедура; статистичні критерії; точність; сигнал; джерело радіовипромінювання; радіомоніторинг; інформаційна ознака; розпізнавання.Анотація
Розглянуто процедури порівняльного аналізу при використанні статистичних критеріїв оцінювання інформативності ознак джерел радіовипромінювання телекомунікаційних мереж і систем при їх класифікації та розпізнаванні, як сукупності формалізованих правил збору, обробки і аналізу отриманої інформації. У вступі в загальному проаналізовано процеси розпізнавання й класифікації джерел радіовипромінювань телекомунікаційних мереж, наведені основні статистичні критерії оцінювання інформативності інформаційних ознак. Зазначено, що більшість згаданих критеріїв розпізнавання дають можливість провести тільки ранжування ознак і не забезпечують вирішення завдання щодо кількісного оцінювання їх інформативності за критерієм мінімальної імовірності похибки або максимальної імовірності вірного розпізнавання. З урахуванням цього сформовано мету досліджень, яка полягає у розробці процедури порівняльного аналізу при використанні статистичних критеріїв оцінювання інформативності ознак джерел радіовипромінювання телекомунікаційних мереж і систем при їх класифікації та розпізнаванні, як сукупності формалізованих правил збору, обробки і аналізу отриманої інформації. В результатах дослідження зазначається, що точне значення імовірності похибки отримати достатньо важко, тому що її оцінка вимагає знання порогів прийняття рішень. При цьому інтегрування при обчислюванні можливо тільки чисельне. Тому для вирішення завдання розпізнавання доцільно використовувати не імовірності похибок, а їх межі (верхні та ніжні), які повинні бути, з одного боку, строгими, а з другого – легко обчислені аналітично. Також потрібно враховувати, що імовірність похибок та їх межі однозначно пов’язані з міжкласовою відстанню класів (образів), яка, у свою чергу, повинна бути однозначно пов’язана з імовірністю вірного розпізнавання. На основі аналізу аналітичних виразів статистичних критеріїв оцінювання міжкласової відстані в теорії розпізнавання встановлено взаємні аналітичні зв’язки між основними критеріями міжкласових відстаней. Обґрунтовано і запропоновано для вирішення завдань розпізнавання застосовувати перетворення Фалі–Семмона, де критерієм оптимальності є максимальне відношення середніх різниць проекцій векторів даних класів, що підлягають розпізнаванню, до суми коваріацій в середині класів при їх проекції на вектор параметрів, в результаті чого отримується модифіковане відношення Фішера. Також визначено, що всі розглянуті критерії розраховані на малу кількість класів розпізнавання, тоді як на практиці кількість класів та їх обсяг дуже великий, а їх загальна кількість є невідомою. Більш того, процес розпізнавання є багатопараметричним, що значно ускладнює вирішення завдань класифікації та розпізнавання об’єктів і джерел радіовипромінювання. Для подолання такої ситуації запропоновано використання критерію, що базується на коефіцієнті неортогональності умовних щільностей розподілення імовірності ознаки, який можна вважати різновидом відстані Бхаттачарія для великої кількості класів та їх обсягу.
Завантаження
Посилання
Patrick E. Fundamentals of the theory of pattern recognition. Moscow: Sov.radio, 1980 .
Bhattacharya R. N, Rao Ranta R. Approximation by the normal distribution and symptotic expansions. Moscow: Nauka, 1982.
Kailath T. The Divergence and Bhatacharya distance Measures in Signal Selection // IEEE Transaction on Communication Technology. COM-15, №1, 1967.
Gorelik A. L., Skripkin V.A. Recognition Methods: Proc. manual for high schools. Moscow: Vysshaya shkola, 1984.
Foley D. H. and Sammon J. W. IEEE Transaction on Computers, C-24, 1975.
Lainiotis D. G. Sequntial Structure and Parameter Adaptive Pattern Recognition. Part: Supervisor Leaning // IEEE Transaction on Information Theory, IT-16, №5, 1970.
Lainiotis D. G. A Class of Upper Bounds on Probability of Error for Multi –Hypotheses Pattern Recognition // IEEE Transaction on Information Theory, IT-15, №5, 1969.
Svetozarov V. V. Fundamentals of statistical processing of measurement results. Moscow: MІFІ, 2005.
Kofman A. Introduction to the theory of fuzzy sets. Moscow: Radio and communications, 1982.
Zadeh L.A. Fuzzy sets // Iformation and Conrol. – 1965. – T.8, №3.
Ventzel, E.S. Theory of Probability. Moscow: Nauka, 1964.
Anisimov V. V., Kurganov V. D., Zlobin V. K. Recognition and digital image processing. Moscow: Vysshaya shkola, 1983.