Распознавание объектов в условиях их маскировки - раздел Философия, ОБЩАЯ ХАРАКТЕРИСТИКА ПРОБЛЕМЫ РАСПОЗНАВАНИЯ ОБЪЕКТОВ И ЯВЛЕНИЙ
Маскировка — Один Из Основных Методов Снижения Эффективности ...
Маскировка — один из основных методов снижения эффективности разведки противника в общем комплексе мероприятий по противодействию. Решение проблемы маскировки требует привлечения, с одной стороны, специалистов инженерного профиля для выработки предложений по выбору эталонов маскировочных моделей объектов и применению конкретных технически реализуемых средств маскировки и, с другой стороны, специалистов в области исследования операций для оценки эффективности предлагаемых инженерных решений и определения наилучшей при данных условиях тактики использования маскировочных средств [24].
Предположим, что требуется замаскировать объекты классов Ω1 и Ω2 под объекты классов Ω3 и Ω4. Допустим также что, рассуждая за вероятного противника, удалось составить описание распознаваемых противником объектов классов Ω1, Ω2, Ω3 , Ω4, с точки зрения совокупности признаков, выраженных через элементарные высказывания A, В, С следующего вида:
(7.42)
Добавляя к (7.42) уравнение
(7.43)
где f(А, В, С) — булева функция, представляющая собой данные разведки, полученные противником при попытке выявить признаки объектов классов Ω1, Ω2, Ω3 , Ω4, а j(Ω1, Ω2, Ω3 , Ω4) — неизвестная функция.
Формально сводим задачу распознавания объектов классов Ω1, Ω2, Ω3 , Ω4к нахождению решения j (Ω1, Ω2, Ω3 , Ω4) систем (7.42) и (7.43). Вид функции j(Ω1, Ω2, Ω3 , Ω4) существенно зависит от объема и качества информации, получаемой о распознаваемом объекте. И объем, и качество информации можно охарактеризовать условными вероятностями правильного y(1|1), q(0½0), ошибочного q(0|1), q(1|0) и неопределенного q(´|0), q(´|1) ответов при попытке установить значения истинности признаков А, В, С, когда фактически высказывания А, В, С истинны (1) и когда они ложны (0):
(7.44)
Рассматриваемые способы маскировки будут отличаться значениями вероятностей (7.44), что отмечается индексом f у величин q.
Предположим, что оцениваются следующие варианты маскировки:
где — объекты классов Ω3 и Ω4, соответственно. Ω1½Ω1 означает, что объекты класса Ω1 не маскируются; f13½Ω1 означает, что объекты класса Ω1, маскируются под объект f13 из класса Ω3, и т. д.
Варианты f14½Ω1и f13½Ω2 не рассматриваются, так как технически невыполнимы. Таким образом, существуют 16 различных способов маскировки объектов Ω1 и Ω2, которые получаются при комбинации элементов первой строки таблицы с элементами второй строки.
Пусть эти способы перенумерованы и j=1, ..., 16 обозначает номер способа. Каждому значению j отвечает определенный набор вероятностей (7.44). Будем считать, что маскировка эффективна, если решение задачи распознавания объектов класса Ω1 или Ω2 таково, что и неэффективна, если при распознавании объектов класса Ω1 или Ω2 j®Ω1 + Ω2. Имеется еще третья возможность — получить неопределенное решение, например, вида
Рассмотрим вероятности получения решений указанных типов при выбранном способе маскировки и определенном маскируемом объекте:
(7.45)
Вероятности (7.45) зависят от значений вероятностей (7.44). Конкретный вид зависимости может быть установлен на основании соотношений (7.42). Предполагая независимость признаков А, В, С, найдем:
(7.46)
При большом количестве признаков, привлекаемых для распознавания объектов, прямое вычисление вероятностей (7.46) затруднительно. В этом случае можно использовать метод статистических испытаний.
Пусть С1lj, С2lj, С3lj — весовые коэффициенты, характеризующие относительные выигрыши в случае, когда распознаваемый объект в действительности является объектом типа Ωl, применен j-й способ маскировки (j=1,..., 16) и получено решение вида 1, 2 или 3, что отмечается верхним индексом у величин С1lj. Величина
(7.47)
представляет собой средний выигрыш на одно решение при зафиксированном способе маскировки.
Обозначим x1, х2 относительные частости появления объектов типа Ω1, Ω2, соответственно, a yj ,j= 1,..., 16,— относительные частости, с которыми применяется один из способов маскировки. Тогда
(7.48)
Безусловный средний выигрыш на одно решение
(7.49)
где Rlj и хl — по предположению, известные количества.
Задача по определению наилучшей тактики при маскировке объектов классов Ω1, Ω2 сводится к нахождению таких значений y*j,j=1, ..., 16, при которых величина R, заданная (7.49), достигает максимума и не нарушаются ограничения (7.48). Это стандартная задача линейного программирования, решение которой в приведенной постановке тривиально и сводится к нахождению наибольшего коэффициента при переменных yj в линейной форме (7.49), причем соответствующее y*j0=l. Последнее показывает, что при данных условиях существует единственный оптимальный способ маскировки объектов.
Если ввести в рассмотрение дополнительные ограничения, например, по стоимости маскировочных мероприятий, расходам дефицитных материалов и т. д., вида то оптимальное решение задачи линейного программирования может содержать более чем одно положительное y*j. Следовательно, в этом случае наилучшая тактика при маскировке объектов заключается в случайном выборе различных способов с частостями y*j.
В А Скрипкин... Методы распознавания... ОБЩАЯ ХАРАКТЕРИСТИКА ПРОБЛЕМЫ РАСПОЗНАВАНИЯ ОБЪЕКТОВ И ЯВЛЕНИЙ...
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:
Распознавание объектов в условиях их маскировки
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Качественное описание задачи распознавания i
Распознавание образов (объектов, сигналов, ситуаций, явлений или процессов) — едва ли не самая распространенная задача, которую человеку приходится решать практически ежесекундно от первого до посл
Основные задачи построения систем распознавания
Рассмотренный в § 1.1 пример свидетельствует о том, что распознавание сложных объектов и явлений требует создания специальных систем распознавания — сложных динамических систем, сос
Экспертные системы распознавания
Рассмотренная классификация систем распознавания и принципы их функционирования отражают современное состояние вопроса. Все виды систем распознавания базируются на строго формализов
Содержательная трактовка проблемы распознавания
Процесс распознавания состоит в том, что система распознавания на основании сопоставления апостериорной информации относительно каждого поступившего на вход системы объекта или явле
Постановка задачи распознавания
Пусть задано множество объектов или явлений Ω={w1 ..., ..., wz}, а также множество возможных решений L={l1, ..., lk}, которые могут
Метод решения задачи распознавания
Рассмотренная постановка проблемы распознавания позволяет определить последовательность задач, возникающих при разработке системы распознавания, предложить их формулировки и возможн
Системы распознавания без обучения
Построение систем распознавания без обучения возможно при наличии полной первоначальной априорной информации, которая представляет собой совокупность: 1) сведений о том, какова есте
Обучающиеся системы распознавания
Использование методов обучения для построения систем распознавания необходимо в случае, когда отсутствует полная первоначальная априорная информация. Ее объем позволяет подразделить
Самообучающиеся системы распознавания
На практике иногда приходится сталкиваться с необходимостью построения распознающих устройств в условиях, когда провести классификацию объектов либо невозможно, либо по тем или другим соображениям
Критерий Байеса
Критерий Байеса — правило, в соответствии с которым стратегия решений выбирается таким образом, чтобы обеспечить минимум среднего риска. Применение критерия Байеса целесообразно в с
Минимаксный критерий
При построении систем распознавания возможны такие ситуации, когда априорные вероятности появления объектов соответствующих классов неизвестны. Минимизировать значение среднего риск
Критерий Неймана—Пирсона
При построении некоторых систем распознавания могут быть неизвестны не только априорные вероятности появления объектов соответствующих классов, но и платежная матрица (1.7). В подоб
Процедура последовательных решений
Ранее предполагалось, что решение о принадлежности распознаваемого объекта w соответствующему классу Ωi, i=l, ..., m, принимается после измерения всей совокупности
Регуляризация задачи распознавания
В соответствии со стратегией Байеса, если у распознаваемого объекта со измеренное значение признака х = х0 , то
Рабочего словаря признаков
В § 5.1 был рассмотрен один из возможных методов выбора пространства признаков системы распознавания, обеспечивающий в пределах выделенных ресурсов максимальное значение критерия ка
Сравнительная оценка признаков
Выше были рассмотрены достаточно общие методы выбора совокупности признаков, которые целесообразно и доступно использовать при построении системы распознавания. Однако на практике д
Изображающие числа и базис
Булева функция считается заданной, если можно указать значения истинности этой функции при всех возможных комбинациях значений истинности входящих в нее элементов. Таблицу, которая
Восстановление булевой функции по изображающему числу
Рассмотрим методы, позволяющие переходить от задания булевой функции в виде изображающего числа к явному выражению ее через элементы.
Дизъюнктивная нормальная форма (ДНФ).
Зависимость и независимость высказываний
Условия независимости. Поскольку каждая булева функция может иметь два значения истинности, n булевых функций могут образовывать 2n комбинаций значений истинности. По опр
Булевы уравнения
Решение многих задач, связанных с распознаванием объектов, может быть сведено к нахождению решений булевых алгебраических уравнений с одним (или более) неизвестным. Примером булева
Замена переменных
Понятие замены переменных в алгебре логики аналогично понятию замены переменных в обычной алгебре. Если А, В, С, ... — элементарные высказывания и совершается замена переменных, то,
Решение логических задач распознавания
В логических системах распознавания классы и признаки объектов рассматриваются как логические переменные. Чтобы подчеркнуть эту особенность, для обозначения классов и признаков введ
Решение задач распознавания при большом числе элементов
Приложение изложенных в предыдущих параграфах методов построения сокращенного базиса и решения логических задач существенно ограничивается объемом памяти ЭВМ и их быстродействием. Т
Распознавание в условиях противодействия
Рассмотрим задачу распознавания объектов в условиях, когда противник может препятствовать как выявлению отдельных признаков объектов, так и сознательно изменять свою тактику в отнош
Алгоритмы распознавания, основанные на вычислении оценок
Логические алгоритмы распознавания, рассмотренные выше, в ряде случаев не позволяют получить однозначное решение о принадлежности распознаваемого объекта к определенному классу. Ю.
Общая характеристика структурных методов распознавания
Во многих случаях апостериорная информация о распознаваемых объектах или явлениях содержится в записях соответствующих сигналов (электрокардиограмм, энцефалограмм, отраженных от цел
Основные элементы аппарата структурных методов распознавания
Говоря о средстве описания объектов в терминах непроизводных элементов и их отношений, употребляют понятие язык. Правила этого языка, определяющие способы построения объекта из непр
Постановка задачи оптимизации процесса распознавания
Прежде всего покажем, что с увеличением числа признаков, используемых при распознавании, вероятность правильного распознавания неизвестных объектов также увеличивается.
Вер
Алгоритм управления процессом распознавания
Рассмотренные понятия позволяют построить алгоритм управления процессом распознавания в виде правила последовательного поиска решений, обеспечивающего разработку оптимального плана
Частные подходы к принятию решений при распознавании
Решение задачи оптимизации распознавания в рассмотренной постановке требует наличия определенных данных. Когда они отсутствуют, приходится пользоваться частными подходами к пр
Алгебраический подход к задаче распознавания
Выше рассмотрены алгоритмы распознавания: детерминированные алгоритмы, основанные на проведении в признаковом пространстве решающей границы (границы, разделяющей классы и представля
Эффективность вероятностных систем распознавания
Чтобы оценить эффективность вероятностных систем распознавания на основе математического моделирования, можно использовать метод статистических испытаний. Для проведения таких испыт
Эффективность логических систем распознавания
При построении логических систем распознавания приходится сталкиваться с ситуацией, когда значения истинности элементов А1..., Аn, выражающих признаки объектов
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
— объекты классов Ω3 и Ω4, соответственно. Ω1½Ω1 означает, что объекты класса Ω1 не маскируются; f13½Ω1 означает, что объекты класса Ω1, маскируются под объект f13 из класса Ω3, и т. д.
и неэффективна, если при распознавании объектов класса Ω1 или Ω2 j®Ω1 + Ω2. Имеется еще третья возможность — получить неопределенное решение, например, вида 
то оптимальное решение задачи линейного программирования может содержать более чем одно положительное y*j. Следовательно, в этом случае наилучшая тактика при маскировке объектов заключается в случайном выборе различных способов с частостями y*j.
Новости и инфо для студентов