Флуктуационные ошибки оценки доплеровской частоты эхо-сигнала подводного объекта. Курсовая работа по дисциплине Алгоритмы оценки параметров и классификации объектов Первая часть курсовой работы Флуктуационные ошибки оценки доплеровской частоты эхосигнала подводного объекта
![]()
|
МИНОБРНАУКИ РОССИИ федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Санкт-Петербургский государственный морской технический университет» (СПбГМТУ) кафедра морских информационных систем и технологий Курсовая работа по дисциплине: «Алгоритмы оценки параметров и классификации объектов» Первая часть курсовой работы – «Флуктуационные ошибки оценки доплеровской частоты эхо-сигнала подводного объекта» Вторая часть курсовой работы – «Исследование классификационной способности признаков при распознавании объектов» 2 вариант
Санкт-Петербург 2021 Содержани Часть 1. Флуктуационные ошибки оценки доплеровской частоты эхо-сигнала подводного объекта 3 2.Расчет параметров гидроаккустической системы в среде Mathcad. 4 3.Simulink-модель системы 9 4.Модельный эксперимент по оценке доплеровской частоты эхо-сигнала в заданной сигнально-помеховой ситуации 10 5. Определение смещенности оценки 14 6. Определение эффективности оценки 15 7. Определение состоятельности оценки 16 Вывод по 1 части 17 Часть 2. Исследование классификационной способности признаков при распознавании объектов 17 1.Исходные данные 17 2.Построение гистограмм распределения признаков x и y объектов w1 и w2 18 3.Построение плотности распределения вероятностей признаков x и y объектов w1 и w2 20 4.Построение диаграммы рассеяния признаков х и у объектов w1 и w2 25 6.Определение порогов классификации по каждому признаку 29 7.Определение частных вероятностей правильной классификации объекта 31 8.Определение наилучшего признака для классификации объекта 31 Вывод по 2 части 31 Список литературы 32 Приложение 1 33 Приложение 2 35 Часть 1. Флуктуационные ошибки оценки доплеровской частоты эхо-сигнала подводного объекта 3 2. Расчет параметров гидроаккустической системы в среде Mathcad. 4 3. Simulink-модель системы 7 4. Модельный эксперимент по оценке доплеровской частоты эхо-сигнала в заданной сигнально-помеховой ситуации 8 5. Определение смещенности оценки 10 6. Определение эффективности оценки 11 7. Определение состоятельности оценки 12 Вывод по 1 части 13 Часть 2. Исследование классификационной способности признаков при распознавании объектов 14 1. Исходные данные 14 2. Построение гистограмм распределения признаков x и y объектов w1 и w2 14 3. Построение плотности распределения вероятностей признаков x и y объектов w1 и w2 16 4. Построение диаграммы рассеяния признаков х и у объектов w1 и w2 21 6. Определение порогов классификации по каждому признаку 25 7. Определение частных вероятностей правильной классификации объекта 27 8. Определение наилучшего признака для классификации объекта 27 Вывод по 2 части 27 Список литературы 28 Приложение 1 28 Приложение 2 30 Часть 1. Флуктуационные ошибки оценки доплеровской частоты эхо-сигнала подводного объектаИсходные данные: ![]() ![]() ![]() ![]() ![]() ![]() ![]() Мешающие помехи – ходовые (широкополосные) и ревербирационные; ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Расчет параметров гидроаккустической системы в среде Mathcad.Частота излучаемого сигнала: ![]() Разрешающая способность по частоте: ![]() Примем разрешающую способность равной 20 Гц для дальнейших расчетов. Длительность излучаемого сигнала: ![]() Частотная полоса излучаемого сигнала: ![]() Цикл излучения: ![]() При моделировании ГАС примем цикл излучения равным 0.2 с, однако будем использовать синусоидальный непрерывный сигнал в целях уменьшения реального времени моделирования. Центральная частота приёма: ![]() Частота эхо-сигнала при этом ![]() Частотная полоса реверберационной помехи: ![]() Доплеровская полоса: ![]() Частотная режекции режекторного фильтра: ![]() Частотная полоса приемного тракта: ![]() В Приложении 1 представлен фрагмент программы расчета в Mathcad. Частоту дискретизации выберем исходя из следующих условий: ![]() Ограниченность одной зоной Найквиста частотной полосы приема ![]() Частоту дискретизации примем равной ![]() Уровень боковых лепестков спектра при использовании Окна Хэмминга значительно уменьшается, что в свою очередь увеличивает динамический диапазон спектрального анализа и ухудшает разрешающую способность в 1.36 раз. Для компенсации этого эффекта необходимо увеличить длительность излучаемого сигнала в 1.36 раз. Новая длительность сигнала: ![]() Длина линии задержки: ![]() Требуемая точность оценки цифрового анализатора спектра: ![]() Примем требуемую точность оценки равной 0.75. Число точек БПФ: ![]() Число точек БПФ должно быть кратно степени 2, дополняем до ![]() Тогда точность оценки, Гц ![]() ![]() Рисунок 1 - Режекторный фильтр для борьбы с реверберационной помехой. Д ![]() ля борьбы с реверберационной помехой построим режекторный фильтр. S Рисунок 2 – Simulink - модель ЦАС. Д ![]() алее приведены параметры моделирования (рисунок 3) и раскрытие функциональных подсистем (рисунок 4 – АЦП, рисунок 5 – расчет ОСП, рисунок 6 - буфер записи данных в рабочую панель): Рисунок 3 - Параметры моделирования. ![]() Рисунок 4 - Аналого-цифровое преобразование входного сигнала (дискретизатор и квантайзер). ![]() Рисунок 5 - Расчет отношения сигнал/помеха. 1 - для сигнала, 2 – для помехи. ![]() Рисунок 6 - Вывод данных в рабочую панель. Модельный эксперимент по оценке доплеровской частоты эхо-сигнала в заданной сигнально-помеховой ситуацииСперва выведем зависимость СКО оценки доплеровской частоты σ эхо-сигнала от отношения сигнал/широкополосная помеха в диапазоне q1=0.8…1.4 с шагом 0.2 при количестве опытов n=3000. Отношение сигнал/помеха реверберационная принимаем равным 0.8. На рисунке 7 представлены результаты моделирования, где osp1 - osp7 – текущее ОСП широкополосная, sko1 - sko7 – СКО для массивов оценок Fdop1- Fdop7. ![]() ![]() ![]() Рисунок 7 - Результаты моделирования. ![]() ОСП ![]() Рисунок 8 - Зависимость СКО оценки доплеровской частоты σ эхо-сигнала от отношения сигнал/широкополосная помеха Построим гистограмму распределения оценки доплеровской частоты fдоп для q1=1.0 и заданного q2=0.8. ![]() Рисунок 9 - Гистограмма распределения оценки доплеровской частоты fдоп для q1=1.0. 5. Определение смещенности оценкиПриняв максимально возможным - 10% отклонение математического ожидания оценки fдоп эхо-сигнала от истинного, определим является ли оценка fдоп для q1=1.0 и q2=0.8 несмещенной. Для этого сравним ее среднее значение с истинным значением оцениваемого параметра. Частота дискретизации составляет 3000 Гц, частота принятого эхо-сигнала – 30980 Гц, следовательно, оценку следует производить по частоте 980 Гц. По заданию нам необходимо определить несмещенность только для случая с q1=1.0, однако для дальнейших расчетов нам нужно будет знать средние значения по всему оцениваемому интервалу значений. Мат. ожидания для каждого q1 от 0.8 до 2.0 представлено в таблице 1. Таблица 1 – Оценка fдоп для каждого q1
Все средние значения (мат. ожидания) оценок варьируются в пределах 99%, что означает менее 1% смещения, а значит все наши оценки в заданном интервале ОСП широкополосной – несмещенные. 6. Определение эффективности оценкиЭффективность оценки определяется величиной дисперсии несмещенных оценок. Так как все наши оценки несмещённые рассчитаем дисперсию (рассмотрим относительно СКО) для q1 от 0.8 до 2.0. Таблица 2 – Оценка СКО для каждого q1
При q1=2.0 дисперсия наименьшая, а значит оценка fдоп наиболее эффективна при q1. Расчет СКО ведется при помощи команды std в программе Matlab по общему количеству значений массива выходных оценок. 7. Определение состоятельности оценкиТ ![]() ак как при ОСП широкополосной равной 2.0 оценка наиболее эффективна, то будем оценивать состоятельность при данном значении. На рисунке 10 представлен график распределения оценок доплеровских частот для q1=2.0 при длине выборки 3000 и 6000, а также 1.1 и 2.2 модельных секунд. Для состоятельной оценки плотность вероятности оценки должна теснее концентрироваться относительно истинного значения параметра при увеличении количества отсчетов. Рисунок 10 - Плотность распределения оценки для q1=2.0. (голубой 6000 отчётов, синий 3000) Однако, на графике видно, что оценка является не состоятельной, так как отклоняется от истинного значения, а не концентрируется относительно него. При 3000 отсчетов СКО составляет 0.7321, а при 6000 – 0.7928. Вывод по 1 частиОценка ![]() Оценка ![]() Оценка ![]() Все оценки являются несмещенными, при этом самой эффективной является при q1=2.0, q2=0.8. Однако при увеличении выборки происходит отклонение от истинного значения, что говорит о не состоятельности оценки. Часть 2. Исследование классификационной способности признаков при распознавании объектовИсходные данныеОбъекты классификации: w1 и w2; Классификационные признаки: x и y; Длина выборки каждого признака: N=100; Выборочные значения признаков x и y объектов w1 и w2 в виде mat-файлов данных; Вероятность ложной классификации – 0.05. Построение гистограмм распределения признаков x и y объектов w1 и w2![]() Рисунок 11 - Гистограмма распределения признака х1 объекта w1. Г ![]() истограммы распределений классификационных признаков x1, x2, y1 и y2 были получены с помощью программы EasyFit 5.5 ![]() Рисунок 12 - Гистограмма распределения признака x2 объекта w2. ![]() ![]() ![]() Рисунок 13 - Гистограмма распределения признака y1 объекта w1. ![]() ![]() Рисунок 14 - Гистограмма распределения признака y2 объекта w2. Построение плотности распределения вероятностей признаков x и y объектов w1 и w2Графики плотностей распределения вероятностей классификационных признаков x1, x2, y1 и y2 были получены с помощью программы Matlab. ![]() Рисунок 15 - График плотностей распределения вероятностей классификационных признаков x1, x2. ![]() ![]() Рисунок 16 - График плотностей распределения вероятностей классификационных признаков y1, y2. ![]() Определение законов распределения Уровень значимости для данного раздела принимаем равным 0.05 ![]() Для выявления законов распределений классификационных признаков объектов воспользуемся критерием Колмогорова-Смирнова, поскольку он чувствителен не только к различию в положении двух распределений, например, к различиям средних, но также чувствителен и к форме распределения. Кроме того, критерий Колмогорова-Смирнова рекомендуют применять при малых объемах выборки ![]() В соответствии с критерием Колмогорова-Смирнова находится максимальная по модулю разность между выборочной (опытной) функцией распределения ![]() ![]() ![]() Величина ![]() ![]() ![]() ![]() ![]() ![]() Если ![]() Результаты оценки законов распределений классификационных признаков x1, x2, y1 и y2 были получены с помощью программы EasyFit 5.5 и приведены на рисунках 18, 20, 21, 22. ![]() Рисунок 17 - Определение закона распределения признака х1. По критерию согласия Колмогорова-Смирнова с уровнем значимости ![]() Точечные оценки (мат. ожидание и СКО) определим также с помощью программы EasyFit в разделе Calculations: ![]() Рисунок 18 - Расчёт мат.ожидания (mean) и дисперсии (St. Dev.) Мат. ожидание для признака х1: ![]() СКО для признака x1: ![]() ![]() Рисунок 19 - Определение закона распределения признака х2. По критерию согласия Колмогорова-Смирнова с уровнем значимости ![]() Мат. ожидание для признака х2: ![]() СКО для признака x2: ![]() ![]() Рисунок 20 - Определение закона распределения признака y1. По критерию согласия Колмогорова-Смирнова с уровнем значимости ![]() Мат. ожидание для признака y1: ![]() СКО для признака y1 ![]() ![]() Рисунок 21 - Определение закона распределения признака y2. По критерию согласия Колмогорова-Смирнова с уровнем значимости ![]() Мат. ожидание для признака y2 m4 =2.3871; СКО для признака y2 σ4=0.1884. Построение диаграммы рассеяния признаков х и у объектов w1 и w2Классификационные признаки могут быть использованы в целях распознавания объекта лишь при условии, если они удовлетворяют определенным критериям. Признаки должны быть независимыми и информативными (значимыми!). Свойства объекта (классификационные признаки) могут быть зависимыми друг от друга, и степень этой зависимости бывает различной. В некоторых случаях появление одного признака неизбежно вызывает появление другого. Если обнаруживается взаимная зависимость некоторых признаков, то в выявленную совокупность признаков для классификации целей такие признаки не включаются как не имеющие самостоятельного идентификационного значения. Если парные коэффициенты взаимной корреляции небольшие (взаимная зависимость признаков мала), то в выявленную совокупность включатся все признаки. Для оценки парной корреляции между нормально распределенными классификационными признаками ![]() ![]() ![]() где ![]() ![]() ![]() ![]() Будем считать, что x1 и y1 – два признака одного объекта;
При анализе зависимостей между парами признаком используется следующая интерпретация значений коэффициента корреляции: Таблица 3 – Значения корреляции
Коэффициент корреляции между признаками x1 и y1: ![]() Где, 1 – коэффициент автокорреляции каждого признака, 0.0754 – коэффициент парной корреляции двух признаков. Используя таблицу интерпретаций значений коэффициента, устанавливаем, что между признаками x1 и y1 – очень слабая корреляция. Коэффициент корреляции между признаками x2 и y2: ![]() Между признаками x2 и у2 – очень слабая корреляция. З ![]() рительно проверить гипотезу о наличии или отсутствии определенной парной взаимосвязи между классификационными признаками можно с помощью диаграмм рассеяния. Чем теснее группируются выборки признаков вокруг воображаемой кривой зависимости величин, тем строже эта зависимость между признаками. На рисунках 23 и 24 представлены диаграммы рассеяния признаков. Рисунок 22 - Диаграмма рассеяния для х1 и у1 ![]() Рисунок 23 - Диаграмма рассеяния для х2 и у2. Диаграммы рассеяния подтверждают очень слабую корреляцию между этими признаками, так как точки не сгруппированы, а сильно разбросаны. Определение информативности признаков х и у объектов w1 и w2 С точки зрения минимизации затрат для оценки значимости классификационных признаков наиболее удобными являются информационные меры, показывающие не абсолютное значение риска потерь, а сравнительную ценность признаков. Смысл информационных мер состоит в количественной оценке «разнесённости» распределений значений признаков различных классов целей Наиболее удобной мерой является Махаланобисово расстояние, представляющее собой дистанционную меру, которая базируется на евклидовых расстояниях между нормализованными значениями оценок классификационных признаков двух классов объектов, с учетом корреляции соответствующих переменных. Мера Махаланобиса вычисляется по формуле ![]() где ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Признаки x1 и x2 являются более информативными, так как они больше разнесены, что показывает Махаланобисово расстрояние. Определение порогов классификации по каждому признакуНеобходимо подобрать порог для эффективного обнаружения объекта w1. Изображение двух плотностей распределения признаков с выставленным порогом представлено на рисунке 24. ![]() Рисунок 24 - Визуализация двух плотностей распределения признаков, где x0 - пороговое значение, x1 и x2 – два признака одного объекта. При выборе порога классификации будем исходить из условия, что вероятность ложной тревоги не должна превышать 5%, нахождение производится посредством Matlab: % Расчет вероятности правильной классификации % поиск порога x0, ВЛК = 0.05 x0 = 1.41; % порог px1 = find(xw1 <= x0); %поиск значений xw1 px2 = find(xw2 < x0); %поиск значений xw2 N1 = size(px1, 1); %определение числа значений xw1 N2 = size(px2, 1); %определение числа значений xw2 VLK1 = N2/N %определение ВЛК по xw2 VPK1 = N1/N %определение ВПК по xw1 % поиск порога y0, ВЛК = 0.05 y0 = 2.0; % порог py1 = find(yw1 <= y0); %поиск значений yw1 py2 = find(yw2 < y0); %поиск значений yw2 N11 = size(py1, 1); %число значений yw1 N22 = size(py2, 1); %число значений yw2 VLK2 = N22/N %определение ВЛК по yw2 VPK2 = N11/N %определение ВПК по yw1 Пороговый коэффициент для признаков х равен 1.8, при этом вероятность правильной классификации 0.95 Пороговый коэффициент для признаков y равен 1.12, при этом вероятность правильной классификации 0.8. Определение частных вероятностей правильной классификации объектаВероятность правильной классификации для признаков х равна 0.95. Вероятность правильной классификации для признаков у равна 0.8. Определение наилучшего признака для классификации объектаВероятность правильной классификации для признаков x выше, они информативнее, значит наилучшими признаками для классификации объекта являются признаки у. Вывод по 2 частиВ данной части курсовой работы были построены гистограммы и плотности для признаков (х) и (у) объектов (w1) и (w2), определены законы распределения. Выяснено, что плотности распределения для каждого признака подчиняются нормальному закону по критерию Колмогорова-Смирнова. Определено, что признаки (x) являются более информативными. ВПК по признакам x выше. Признаки (x) являются наилучшими для классификации объекта. Все расчёты и построения приведены в приложении 2. Список литературыСвердлин Г.М. Гидроакустические преобразователи и антенны 1988. Конспекты лекций по дисциплине «Преобразователи и антенны перспективных ГАС» Исаков В.Н. Статистическая теория радиотехнических систем. Сейдж Э.П., Мелс Дж. теория оценивания и ее применение в связи и управлении. – М.: Связь, 1976 Сосулин Ю.Г. теория обнаружения и оценивания стохастических сигналов М.: Сов.Радио, 1978 г. Richard O. Duda, Peter E. Hart, David G. Stork. Pattern Classification (Second Editor). A Wiley-Interscience Publication, 2001.–p.654 Приложение 1![]() ![]() ![]() Приложение 2close all; % по массивам выборок для параметров xw1 xw2 yw1 yw2 x1=xw1; x2=xw2; y1=yw1; y2=yw2; m1 = mean(x1); % МО признака x1 sigma1 = std(x2); % СКО признака x1 m3 = mean(y1); % МО признака y1 sigma3 = std(y1); % СКО признака y1 m2 = mean(x2); % МО признака x2 sigma2 = std(x2); % СКО признака x2 m4 = mean(y2); % МО признака y2 sigma4 = std(y2); % СКО признака y2 N = 100; % размерность признаков 7 figure plot(x1, '-b') grid on hold on plot(x2, '-r') grid on legend('признак x1','признак x2') figure plot(y1, '-b') grid on hold on plot(y2, '-r') grid on legend('признак y1','признак y2') % гистограмма распределения k = round(1+3.322*log(N)); % количество интервалов распределения figure; grid on hold on histfit(x2, k); %гистограмма и ПРВ histfit(x1, k); legend('гистограмма и ПРВ x2','','гистограмма и ПРВ x1',''); figure; grid on hold on histfit(y2, k); %гистограмма и ПРВ histfit(y1, k); legend('гистограмма и ПРВ y2','','гистограмма и ПРВ y1',''); % корреляция x1y2=[x1,y1]; x2y2=[x2,y2]; R=corrcoef(x1,y1); %коэффициент парной корреляции); %1 - автокорреляция, 0.1.. - между собой % нормальное распределение - корреляция практически отсутствует R1=corrcoef(x2,y2); % диаграмма рассеяния figure; scatter(x1,y1); %построение диаграмм рассеяния grid on; title('диаграмма рассеяния для x1 и y1') xlabel('признак x1'); ylabel('признак y1'); figure; scatter(x2,y2); %построение диаграмм рассеяния grid on; title('диаграмма рассеяния для x2 и y2') xlabel('признак x2'); ylabel('признак y2'); %информативность признака %мера Махаланобиса mah=mean(mahal(x1,x2)); mah1=mean(mahal(y1,y2)); %расчет вероятности правильной классификации %поиск порога х0, вероятность ложной классификации 0.1 x0=0.95; a=find(x2>x0); N1=size(a); VLK=N1(1,1)/N %вероятность ложной классификации для x %расчет ВПК b=find(x1>=x0); N2=size(b); VPK=N2(1,1)/N %вероятность правильной классификации для x y0=2.0; a1=find(y2>y0); N3=size(a1); VLK1=N3(1,1)/N %вероятность ложной классификации для у % расчет ВПК b1=find(y1>=y0); N4=size(b1); VPK1=N4(1,1)/N %вероятность правильной классификации для у |