Основы теории принятия решений и еe применение для оптимальной обработки сигналов в РСА
Основы теории принятия решений и еe применение для оптимальной обработки сигналов в РСА — В учебном пособии рассмотрены современные методы распознавания образов: классический байесовский подход, параметрические и непараметрические методы классификации, нейронные сети, генетические алгоритмы и методы имитационного моделирования. Особое внимание уделено практическим вопросам приложения теории к решению задач классификации радиолокационных изображений, формируемых в радиолокационных системах (РЛС) с синтезированной апертурой (РСА), а также оптимальной обработке сигналов в РСА при действии помех.
Проблема обнаружения, оценки параметров и классификации пространственно-распределенных целей была и остается определяющей при разработке и создании современных радиолокационных систем. Для изучения и практического использования основных идей и методов анализа радиолокационных изображений, полученных воздушными и космическими средствами наблюдения, в учебном пособии приведены основные сведения из области принятия оптимальных решений: метод максимального правдоподобия, параметрический и непараметрический методы оценивания параметров, которые носят общетеоретический характер. Кроме того, изложены модели принимаемых сигналов, синтезированы оптимальные и практически реализуемые алгоритмы обнаружения сигналов от пространственно-распределенных целей, алгоритмы оценивания параметров названных сигналов, а также алгоритмы классификации целей по отраженным сигналам.
Рекомендовано методическим советом УрФУ для студентов, обучающихся по направлениям 09.04.01, 09.06.01 «Информатика и вычислительная техника», 11.04.01 «Радиотехника», 11.06.01 «Электроника, радиотехника и системы связи».
Учебное пособие будет полезно студентам и аспирантам, изучающим современные радиотехнические системы и пытающимся самостоятельно решать задачи разработки алгоритмов обнаружения и классификации сигналов в современных РЛС с синтезированной апертурой.
Название: Основы теории принятия решений и еe применение для оптимальной обработки сигналов в РСА
Автор: Доросинский Л. Г., Папуловская Н. В.
Издательство: Издательство Уральского университета
Год: 2018
Страниц: 204
Формат: PDF
Размер: 10,16 МБ
ISBN: 978-5-7996-2483-5
Качество: отличное
Язык: русский
Содержание:
ВВЕДЕНИЕ
1. КЛАССИЧЕСКАЯ ТЕОРИЯ ПРИНЯТИЯ РЕШЕНИЙ
1.1. Проверка гипотез
1.2. Критерии минимума среднего риска (критерии Байеса)
1.3. Многоальтернативная проверка гипотез
2. КЛАССИФИКАТОРЫ, РАЗДЕЛЯЮЩИЕ ФУНКЦИИ И ПОВЕРХНОСТИ РЕШЕНИЙ
2.1. Случай многих классов
2.2. Вероятности ошибок и интегралы ошибок
2.3. Правило принятия решения при нормальной плотности вероятностей признаков
3. ОЦЕНКА ПАРАМЕТРОВ И ОБУЧЕНИЕ С УЧИТЕЛЕМ
3.1. Оценка по максимуму правдоподобия
3.2. Байесовский классификатор
3.3. Эффективность оценки. Нижняя граница дисперсии несмещенной оценки. Неравенство Крамера — Рао
4. НЕПАРАМЕТРИЧЕСКИЕ МЕТОДЫ
4.1. Оценка плотности распределения
4.1.1. Парзеновские окна
4.1.2. Оценка методом k n ближайших соседей
4.2. Оценка апостериорных вероятностей. Правило ближайших соседей
4.3. Аппроксимации путем разложения в ряд
4.4. Линейный дискриминант Фишера
4.5. Множественный дискриминантный анализ
5. НЕЙРОННЫЕ СЕТИ
5.1. Общие принципы построения нейронной сети
5.2. Области применения нейронных сетей
5.2.1. Нейросетевая классификация
5.2.2. Кластеризация с помощью нейронных сетей и поиск зависимостей
5.2.3. Применение нейронных сетей в задачах прогнозирования
5.3. Алгоритм обратного распространения ошибки
6. ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ
6.1. Природа генетических алгоритмов
6.2. Генетические алгоритмы и традиционные методы оптимизации
6.3. Основные понятия генетических алгоритмов
6.4. Классический генетический алгоритм
6.5. Иллюстрация выполнения классического генетического алгоритма
7. МЕТОДЫ ПРОГНОЗИРОВАНИЯ
7.1. Традиционные методы прогнозирования
7.1.1. «Наивные» модели прогнозирования
7.1.2. Средние и скользящие средние
7.1.3. Методы Хольта и Брауна
7.1.4. Метод Винтерса
7.1.5. Регрессионные методы прогнозирования
7.1.6. Методы Бокса — Дженкинса (ARIMA)
7.2. Нейросетевые модели бизнес-прогнозирования
7.3. Использование многослойных персептронов
7.4. Использование нейронных сетей с общей регрессией GRNN и GRNN-GA
8. ОБЗОР МЕТОДОВ МОДЕЛИРОВАНИЯ
8.1. Имитационное моделирование
8.2. Ситуационное моделирование
8.3. Мультиагентный подход
9. РАДИОЛОКАЦИОННАЯ СИСТЕМА С СИНТЕЗИРОВАННОЙ АПЕРТУРОЙ
10. КЛАССИФИКАЦИЯ ПРОСТРАНСТВЕННО-РАСПРЕДЕЛЕННЫХ ЦЕЛЕЙ ПО ДАННЫМ КОСМИЧЕСКОЙ РЛА
10.1. Математическая модель цели и отраженного сигнала при решении задач распознавания пространственно-распределенных целей в космических РЛС с синтезированной апертурой
10.2. Многоальтернативная проверка гипотез относительно различных классов ПРЦ при их наблюдении совокупностью космических радиолокационных средств
10.3. Адаптивный алгоритм классификации пространственно-распределенных целей по данным радиолокатора с синтезированной апертурой
10.4. Оценка области, занимаемой целью на РЛИ
11. ИДЕНТИФИКАЦИЯ ИСКАЖЕНИЙ
12. ОЦЕНКА РАДИОЛОКАЦИОННОГО ПОРТРЕТА ПРЦ
13. КОМПЕНСАЦИЯ ОТРАЖЕНИЙ ОТ ИСТОЧНИКОВ ПОМЕХ
13.1. Разработка алгоритма
13.2. Анализ алгоритма
14. ИНТЕРФЕРОМЕТРИЧЕСКИЕ РСА ДЛЯ ИЗМЕРЕНИЯ ВЫСОТ ЦЕЛЕЙ
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Скачать Основы теории принятия решений и еe применение для оптимальной обработки сигналов в РСА
