Tóm tắt Luận án Nghiên cứu giải bài toán nhận dạng mục tiêu ra đa trong điều kiện bất định về thông tin tiên nghiệm

g hợp góc hướng của mục tiêu biến động trong phạm vi rộng. 
- Tổng hợp thuật toán nhận dạng - phân biệt mục tiêu chưa biết theo 
hướng xây dựng mô hình mục tiêu đã biết và phân biệt với mục tiêu chưa 
biết theo ngưỡng. 
CHƯƠNG 2. NGHIÊN CỨU ĐỀ XUẤT GIẢI PHÁP NÂNG CAO 
CHẤT LƯỢNG NHẬN DẠNG TRONG ĐIỀU KIỆN BẤT ĐỊNH 
VỀ THÔNG TIN TIÊN NGHIỆM 
2.1. Lựa chọn phương pháp phân lớp 
Phần này trình bày nguyên tắc xây dựng, phân tích ưu nhược điểm 
của ba BPL phi tham số điển hình là k-NN, SVM và mạng nơ ron. Trong 
đó, do là bộ phân lớp được sử dụng phổ biến trong nhận dạng mục tiêu ra 
đa, có thời gian huấn luyện nhanh và không sợ rơi vào cực trị địa phương, 
nên BPL mạng nơ ron với hàm cơ sở hướng tâm RBF được lựa chọn làm 
công cụ nhận dạng cho các nội dung nghiên cứu khảo sát tiếp theo trong 
luận án. 
2.2. Giải pháp đảm bảo chất lượng nhận dạng trong điều kiện bất 
định về tỷ số tín trên tạp 
 8 
2.2.1. Tỷ số tín trên tạp trong CDCL 
CDCL được biểu diễn dưới dạng véc tơ d giá trị biên độ phức của tín 
hiệu nhận được tại các phần tử phân giải cự ly trong không gian nhận dạng 
tương ứng �̇� = [�̇�𝑖, 𝑖 = 1 ÷ 𝑑]. 
Trường hợp tồn tại mục tiêu thuộc lớp 𝑘 nào đó (𝑘 = 1 ÷ 𝑐; 𝑐 là số 
lớp mục tiêu cần phân lớp) thì CDCL nhận được có dạng: 
�̇� = �̇� + 𝑠�̇� 
Trong đó: �̇�𝑘 = [�̇�𝑘,𝑖, 𝑖 = 1 ÷ 𝑑] – giá trị biên độ phức của tín hiệu 
phản xạ từ mục tiêu lớp 𝑘 tại các phần tử phân giải tương ứng, �̇� = [�̇�𝑖, 𝑖 =
1 ÷ 𝑑]- giá trị biên độ phức của tạp. Tỷ số tín trên tạp trong CDCL được 
xác định theo công thức sau: 
𝑆𝑁𝑅 (𝑑𝐵) = 10 log10
∑ |�̇�𝑘,𝑖|
2𝑑
𝑖=1
∑ |�̇�𝑖|2
𝑑
𝑖=1
Các giá trị biên độ |�̇�𝑘,𝑖| thể hiện cường độ tín hiệu phản xạ từ các 
phần tử phân giải cự ly tương ứng trên mục tiêu. Chúng không những phụ 
thuộc vào công suất tín hiệu phát, cự ly quan sát mà còn phụ thuộc vào 
chủng loại mục tiêu và các góc hướng. Như vậy, kéo theo là SNR trong 
CDCL có tính biến động và bất định cao. 
2.2.2. Huấn luyện có tạp 
Huấn luyện có tạp là đưa thêm tạp vào DLHL nhằm nâng cao khả 
năng nhận dạng đúng của BPL khi làm việc trong điều kiện có tác động 
của tạp. Một BPL sẽ làm việc tốt nhất ở điều kiện đã được huấn luyện. 
Trong trường hợp nhận dạng theo CDCL trên nền tạp AWGN, thì điều 
kiện này thể hiện qua tỷ số SNR trong tập DLHL (𝑆𝑁𝑅 𝐻𝐿) và trong CDCL 
của mục tiêu cần nhận dạng (𝑆𝑁𝑅 𝐾𝑇). Như vậy sẽ là tối ưu nếu thỏa mãn 
điều kiện 𝑆𝑁𝑅 𝐻𝐿 = 𝑆𝑁𝑅 𝐾𝑇 (điều kiện biết tạp). Tuy nhiên, do giá trị 
SNR thực tế (𝑆𝑁𝑅 𝐾𝑇) có phạm vi biến động lớn nên việc đảm bảo điều 
kiện này một cách tuyệt đối là không thể. Hai hướng giải quyết đề xuất là: 
- Huấn luyện BPL với nhiều mức 𝑆𝑁𝑅 khác nhau nhằm đảm bảo tính 
tổng quát trong toàn dải biến động của 𝑆𝑁𝑅 𝐾𝑇 (mô hình BPL đơn). 
- Sử dụng song song nhiều “kênh phân lớp” (KPL) thành phần, mỗi 
kênh được huấn luyện và đảm nhiệm nhận dạng ở một vùng nhất định 
trong dải biến động có thể của 𝑆𝑁𝑅 𝐾𝑇 (mô hình BPL song song). 
2.2.3. Giảm tạp theo ngưỡng trong chân dung cự ly 
Bản chất của giải pháp này là cắt bỏ CDCL theo một mức ngưỡng “” 
nào đó sao cho loại bỏ tối đa các phần tử chỉ chứa tạp nhưng không làm 
 9 
mất mát quá nhiều thông tin ở những phần tử mang tín hiệu có ích. Như 
vậy, việc lựa chọn mức ngưỡng cần căn cứ theo tham số của tạp và cả 
chân dung. Với bài toán nhận dạng theo CDCL trên nền tạp AWGN, mức 
ngưỡng được lựa chọn theo công thức  = ℎ × µ𝑛, trong đó µ𝑛 là trung 
bình biên độ tạp, ℎ là hệ số cắt tạp. Trung bình biên độ tạp có thể ước 
lượng theo thuật toán đề xuất trình bày trong bảng 2.2. Hệ số h được xác 
định bằng phương pháp mô phỏng: Mô phỏng HTND với thuật toán giảm 
tạp theo mức ngưỡng đã đề xuất với các hệ số h khác nhau; Ước lượng 
TBXSND đúng cho từng giá trị h đã lựa chọn; Lấy giá trị hệ số h ứng với 
TBXSND đúng cao nhất trong vùng biến động SNR cần quan tâm. 
2.2.4. Kết hợp huấn luyện có tạp và giảm tạp theo ngưỡng 
Xét về bản chất vật lý, “huấn luyện có tạp” đi theo hướng tăng tính 
tổng quát hóa của thuật toán nhận dạng khi tỷ số SNR thay đổi, còn “giảm 
tạp” làm giảm tính bất định gây ra bởi tạp. Để tăng chất lượng nhận dạng, 
luận án đề xuất kết hợp sử dụng cả hai giải pháp này trong một mô hình 
nhận dạng, trong đó các CDCL huấn luyện và CDCL cần nhận dạng cùng 
được thực hiện theo một phương pháp giảm tạp. Yêu cầu về phương 
pháp xử lý, giảm tạp của kênh xử lý và nhận dạng giống nhau là cần thiết 
nhằm đảm bảo cho điều kiện huấn luyện (học) và nhận dạng của BPL là 
như nhau. Giải pháp này có thể triển khai trên hai mô hình nhận dạng: mô 
hình BPL song song và mô hình BPL đơn. Việc khảo sát định lượng để 
Bảng 2.2. Thuật toán ước lượng trung bình biên độ tạp trong CDCL 
Input: x // CDCL đầu vào 
Bước 1: Khởi tạo các biến: 
d=length(x); 
Sum_noise=0; //Tổng biên độ của các phần tử tạp. 
d1=0; //Số phần tử tạp trong CDCL. 
Bước 2: Tính trung bình biên độ CDCL: 
𝜇𝐶𝐷𝐶𝐿 =
1
𝑑
∑ 𝑥𝑚
𝑑
𝑚=1 ; // Trung bình biên độ CDCL. 
Bước 3: Xác định mặt nạ mục tiêu: 
Index= (x-𝜇𝐶𝐷𝐶𝐿>0); //Chỉ số các phần tử trong CDCL được 
//coi là mục tiêu có Index=1. 
Bước 4: Tính trung bình biên độ của tạp �̂�𝑛: 
for i=1 to d do 
if Index(i)=0 then //Nếu là phần tử tạp. 
Sum_noise= Sum_noise+x(i); //Cộng x(i) vào tổng biên độ tạp. 
d1= d1+1; // Đếm số phần tử tạp. 
end if; 
end for; 
�̂�𝑛 = 𝑆𝑢𝑚_𝑛𝑜𝑖𝑠𝑒/𝑑1; //Tính trung bình biên độ tạp �̂�𝑛. 
Output: �̂�𝑛 // �̂�𝑛 đầu ra. 
 10 
đưa ra các khuyến cáo trong việc lựa chọn phương án thực hiện và đánh 
giá hiệu quả của giải pháp này (với việc sử dụng thuật toán giảm tạp theo 
ngưỡng đề xuất) sẽ được trình bày ở chương 3. 
2.3. Phương án xây dựng mô hình nhận dạng dựa trên phân đoạn cơ 
sở dữ liệu theo góc hướng 
2.3.1. Đặt vấn đề 
CDCL của mục tiêu bay rất nhạy cảm với sự thay đổi góc hướng. 
Trường hợp bỏ qua thông tin về góc hướng việc nhận dạng sẽ gặp những 
vấn đề là tập dữ liệu huấn luyện sẽ rất lớn và xảy ra khả năng nhận dạng 
nhầm các lớp mục tiêu có chân dung giống nhau ở một số góc hướng khác 
nhau. Để khắc phục vấn đề này luận án sử dụng phương án phân đoạn 
CSDL theo góc hướng và thực hiện phân lớp song song các phân đoạn 
này; sử dụng góc hướng mà đài ra đa ước lượng được để làm căn cứ lựa 
chọn kết quả phân lớp từ các bộ phân lớp phân đoạn. 
2.3.2. Mô hình nhận dạng dựa trên phân đoạn CSDL theo góc hướng 
Sơ đồ mô hình nhận dạng dựa trên phân đoạn CSDL theo góc hướng 
thể hiện trên hình 2.6. 
Hình 2.6. Sơ đồ mô hình nhận dạng phân đoạn CSDL theo góc hướng 
Sơ đồ này bao gồm 𝑀x𝑁 các BPL con, trong đó, mỗi bộ phân lớp thứ 
𝑚x𝑛 (𝐵𝑃𝐿𝑚,𝑛) đảm nhiệm việc nhận dạng mục tiêu thuộc vùng phân đoạn 
góc hướng tương ứng: ∈ ( 𝑚−1 ÷ 𝑚), 𝑚 = 1,2  , 𝑀;  ∈ (𝑛−1 ÷
𝑛), 𝑛 = 1,2  , 𝑁. Ở đây, việc phân đoạn theo góc hướng được thực hiện 
sao cho các phân đoạn không trùng nhau và bao trùm hết vùng biến động 
có thể của góc hướng. Mỗi 𝐵𝑃𝐿𝑚,𝑛 được huấn luyện với CSDL ở phân 
đoạn góc hướng mà nó đảm nhiệm. CDCL của mục tiêu cần nhận dạng, 
Chọn 
KQuả 
CDCL mẫu đã xử lý, 
phân đoạn theo Ph.vị 
BPL1,1 
Kênh huấn luyện 
 Kênh nhận dạng 
CDCL từ ra đa 
Giá trị ước lượng góc hướng 
Tiền xử lý, trích 
chọn đặc trưng 
BPL  
BPLm,n 
BPL  
BPLM,N 
Kiểu 
loại MT 
Kiể u 
loạ i 
mụ c tiêu 
 11 
sau khi xử lý, được đồng thời đưa đến tất cả các BPL con. Việc chọn kết 
quả nhận dạng từ các BPL con được căn cứ theo giá trị ước lượng góc 
hướng của đài ra đa. 
2.3.3. Lựa chọn tham số cho mô hình nhận dạng dựa trên phân đoạn 
CSDL theo góc hướng 
Việc chọn độ rộng phân đoạn góc hướng được căn cứ vào: 
+ Tính chất biến động của CDCL của mỗi lớp mục tiêu theo góc hướng 
và sự giống nhau về CDCL của các lớp mục tiêu khác nhau tại những góc 
hướng khác nhau (trong luận án, yếu tố này được đánh giá qua hệ số tương 
quan Pearson). 
+ Khả năng xác định góc hướng của đài ra đa. 
+ Độ phức tạp cho phép của mô hình (số BPL con). 
Xét từ điều kiện nhận dạng thực tế, trong luận án, bỏ qua yếu tố bất 
định về góc ngẩng và giới hạn ở khảo sát theo góc phương vị. 
2.4. Tổng hợp thuật toán nhận dạng có phân biệt mục tiêu chưa biết 
2.4.1. Xây dựng mô hình mục tiêu đã biết 
Với các kiểu BPL đang xem xét (mạng nơ ron, SVM) giá trị liên thuộc 
lớp 𝑍𝑖(𝑥), 𝑖 = 1,2,  , 𝑐 ở đầu ra các kênh của BPL thể hiện định lượng 
mức độ chân dung 𝑥 thuộc vào lớp mục tiêu thứ tương ứng i (0 ≤ 𝑍𝑖(𝑥) ≤
1 ). Dạng hàm mật độ xác suất (MĐXS) có điều kiện của mỗi giá trị này 
𝑝(𝑍𝑖/𝜔𝑚); 𝑖, 𝑚 = 1, 2,  , 𝑐 có thể ước lượng dễ dàng bằng cách xây 
dựng biểu đồ (histogram) từ kết quả nhận dạng tập CDCL của từng lớp 
mục tiêu đã biết. Xét bộ giá trị liên thuộc lớp 𝑍𝑖(𝑥), khi mục tiêu đang 
quan sát thuộc lớp 𝜔𝑚 thì giá trị liên thuộc lớp của kênh xử lý thứ “𝑚” sẽ 
có xu hướng đạt giá trị cao – gần với “1”, các kênh còn lại cho giá trị thấp 
hơn – gần với “0”. Như vậy, trong các hàm MĐXS trên ta sẽ chọn bộ hàm 
“𝑝(𝑍𝑚/𝜔𝑚); 𝑚 = 1, 2,  , 𝑐” làm cơ sở chính để biểu diễn mô hình thống 
kê của các lớp mục tiêu đã biết. 
2.4.2. Lựa chọn quy tắc ra quyết định 
Để kết hợp “nhận dạng mục tiêu đã biết” và “phân biệt mục tiêu chưa 
biết”, với mỗi kênh giá trị liên thuộc lớp “𝑍𝑚” cần phải tìm một “ngưỡng 
phân biệt” tương ứng “𝛾𝑚” và ra quyết định theo quy tắc: 
 “Nếu 𝑎𝑟𝑔𝑚𝑎𝑥
𝑖=1,2,,𝑐
{𝑍𝑖(𝑥)} = 𝑚 và 
 𝑍𝑚(𝑥) ≥ 𝛾𝑚 thì 𝑥 thuộc lớp 𝜔𝑚 (𝜔
∗ = 𝜔𝑚
∗ ); (2.37) 
 𝑍𝑚(𝑥) < 𝛾𝑚 thì 𝑥 thuộc lớp mục tiêu chưa biết”. 
Sơ đồ mô hình hệ thống nhận dạng – phân biệt mục tiêu chưa biết 
(viết tắt là NDPBMT) theo quy tắc ra quyết định (2.37) được minh họa 
trên hình 2.8. 𝛾𝑚 là ngưỡng phân biệt mục tiêu lớp 𝜔𝑚 với mục tiêu chưa 
 12 
biết. Nếu chỉ giới hạn ở “𝑐” lớp mục tiêu đã biết, BPL có khả năng nhận 
dạng đúng lớp mục tiêu này với xác suất 𝑃𝑚/𝑚 = 𝑃{𝜔𝑚
∗ /𝜔𝑚}. Các giá 
trị xác suất này hoàn toàn có thể ước lượng được bằng phương pháp mô 
phỏng thống kê. Như vậy ta có thể căn cứ vào 𝑃𝑚/𝑚 để xác định ngưỡng 
γ𝑚 theo công thức: 
𝑃(𝑍𝑚 ≥ 𝛾𝑚/𝜔𝑚) = ∫ 𝑝(𝑍𝑚/𝜔𝑚)𝑑𝑍𝑚
1
𝛾𝑚
= 𝑃𝑚/𝑚, 𝑚 = 1, 2,  , 𝑐 (2.38) 
Trong trường hợp tồn tại mục tiêu chưa biết 𝜔𝑀𝑇𝐶𝐵, tùy theo mức độ 
giống nhau của nó so với mục tiêu đã biết m nào đó, các hàm MĐXS có 
điều kiện 𝑝(𝑍𝑚/𝜔𝑀𝑇𝐶𝐵); 𝑚 = 1, 2,  , 𝑐 thường có xu hướng dịch về 
phía bên phải đoạn [0,1] hơn so với 𝑝(𝑍𝑚/𝜔𝑖); 𝑖 ≠ 𝑚. Như vậy, để đảm 
bảo tốt khả năng phân biệt (phát hiện) đúng mục tiêu mục tiêu chưa biết 
với mục tiêu đã biết m, cần dịch các giá trị ngưỡng về phía bên phải một 
lượng nhất định nào đó: 
𝑃(𝑍𝑚 ≥ 𝛾𝑚/𝜔𝑚) = ∫ 𝑝(𝑍𝑚/𝜔𝑚)𝑑𝑍𝑚
1
𝛾𝑚
= 𝑃𝑚/𝑚 − 𝑟 (2.39) 
Ở đây 𝑟 là hệ số điều chỉnh ngưỡng phân biệt. Nó phải có giá trị phù 
hợp sao cho vừa đảm bảo khả năng phân biệt mục tiêu chưa biết đồng thời 
lại không làm ảnh hưởng nhiều đến xác suất nhận dạng đúng các lớp mục 
tiêu đã biết. Nếu coi việc phát hiện ra mục tiêu chưa biết có ý nghĩa tương 
đương với việc nhận dạng đúng 1 lớp mục tiêu đã biết thì hệ số này có thể 
xác định theo tiêu chí “đảm bảo xác suất phân biệt mục tiêu chưa biết xấp 
xỉ với trung bình xác suất nhận dạng đúng của hệ thống”. 
Hình 2.8. Sơ đồ mô hình hệ thống nhận dạng mục tiêu ra đa có phân biệt 
mục tiêu chưa biết 
BPL mờ 
max 
Cực đại 
So sánh 
 Ngưỡng 𝛾1𝑐 
 𝛾𝑚 
≡ 
< 𝛾𝑚(MTCB) 
Xác định ngưỡng 
≥ 𝛾𝑚 (MT 
lớp 𝜔𝑚) 
x 
DLHL 
𝑍1(𝑥) 
 𝑍𝑚(𝑥) 
𝑍1(𝑥) 
𝑍𝑚(𝑥) 
𝑍𝑐(𝑥) 
𝑍𝑐(𝑥) 
 13 
2.4.3. Xác định ngưỡng phân biệt 
Để xác định tập ngưỡng phân biệt “𝛾𝑚; 𝑚 = 1, 2,  , 𝑐” theo phương 
trình (2.39) cần thực hiện hai nội dung sau: 
- Ước lượng bộ hàm MĐXS có điều kiện 𝑝(𝑍𝑚/𝜔𝑚) và xác suất 
nhận dạng đúng “𝑃𝑚/𝑚 = 𝑃{𝜔𝑚
∗ /𝜔𝑚}, 𝑚 = 1, 2,  , 𝑐. 
- Tìm hệ số điều chỉnh “𝑟” theo tiêu chí đã lựa chọn. 
Quy trình thực hiện chi tiết được trình bày trong luận án. Ở đây, ta có lưu 
ý, khi xác định “𝑟” theo tiêu chí đã lựa chọn thì cần có mô hình mục tiêu chưa 
biết. Ta sẽ lần lượt chọn từng mục tiêu trong 𝑐 lớp đã biết làm mục tiêu chưa 
biết giả định i, để tìm hệ số 𝑟𝑖, sau đó xác định r bằng lấy trung bình 𝑟𝑖, 𝑖 =
1, 2,  , 𝑐. 
2.5. Kết luận chương 2 
Những kết quả chính của chương 2 được tóm tắt như sau: 
- Nghiên cứu bản chất và phân tích ưu nhược điểm của 3 BPL điển 
hình đại diện cho kỹ thuật phân lớp phi tham số: k-NN, SVM, mạng nơ 
ron. Trên cơ sở đó, lựa chọn sử dụng mạng nơ ron RBF làm phương tiện 
thực hiện bài toán nhận dạng mục tiêu bay theo CDCL. 
- Đưa ra một số biện pháp khắc phục bất định về tỷ số SNR áp dụng 
cho bài toán nhận dạng theo CDCL với các BPL dùng kỹ thuật học máy: 
 + Huấn luyện có tạp với mô hình BPL song song (bao gồm nhiều 
KPL thành phần, mỗi kênh được huấn luyện ở một mức SNR nhất định) 
hoặc mô hình BPL đơn huấn luyện ở nhiều mức 𝑆𝑁𝑅 . Việc lựa chọn 
phương án và cấu hình cho từng mô hình này có thể thực hiện bằng mô 
phỏng theo phương án đã đề xuất trong luận án. 
 + Xây dựng một thuật toán giảm tạp theo mức ngưỡng nhằm giảm bớt 
tính bất định SNR trong CDCL. So với các công trình nghiên cứu đã công 
bố, sự khác biệt của của thuật toán này thể hiện ở việc sử dụng hệ số cắt tạp 
“h” để điều chỉnh mức ngưỡng sao cho có thể “loại bỏ tối đa tạp nhưng hạn 
chế được mất mát ở những phần tử mang thông tin có ích trong CDCL”. 
 + Đề xuất phương án sử dụng kết hợp giảm tạp trong CDCL trong 
các mô hình BPL đơn và BPL song song huấn luyện có tạp. 
- Làm rõ các yếu tố gây suy giảm chất lượng nhận dạng trong điều 
kiện bất định về góc hướng. Từ đó đề xuất phương án xây dựng mô hình 
nhận dạng dựa trên phân đoạn CSDL theo góc phương vị. Ở đây tham số 
phân đoạn được lựa chọn dựa trên trên ba yếu tố: 
 + Tính biến động của chân dung cự ly theo góc phương vị; 
 14 
 + Sự giống nhau về chân dung cự ly các lớp mục tiêu khác nhau ở 
các góc phương vị khác nhau; 
 + Khả năng xác định góc phương vị của đài ra đa. 
- Tổng hợp thuật toán nhận dạng có phân biệt mục tiêu chưa biết dựa 
trên cơ sở xây dựng mô hình thống kê của mục tiêu đã biết thông qua bộ 
giá trị liên thuộc lớp tại đầu ra các kênh của BPL. Đề xuất tiêu chí lựa 
chọn ngưỡng phân biệt (“TBXSND đúng xấp xỉ xác suất phân biệt đúng 
mục tiêu chưa biết”) và đưa ra quy trình xác định nó theo tiêu chí đề ra. 
CHƯƠNG 3. XÂY DỰNG CHƯƠNG TRÌNH MÔ PHỎNG VÀ 
ĐÁNH GIÁ CHẤT LƯỢNG NHẬN DẠNG 
3.1. Xây dựng phương án khảo sát chung 
3.1.1. Đối tượng và điều kiện khảo sát 
Đối tượng: HTND theo CDCL các lớp mục tiêu bay điển hình (được 
tạo bởi phần mềm RTBS) dùng BPL mạng RBF trong điều kiện biết tạp. 
Điều kiện khảo sát: 
- Tham số CDCL: Độ phân giải của ra đa 1m, mỗi ô cự ly lấy 2 mẫu 
(độ rộng 0,5m); Độ rộng cửa sổ cự ly: 60m; Số phần tử lấy mẫu: 120. 
- Bộ phân lớp mạng RBF: hàm cơ sở bán kính là hàm Gauss có dạng 
 (𝑥) = 𝑒
−
‖𝑥−𝜇‖2
2𝜎2 với x là CDCL đầu vào,  và  là tâm và tham số độ 
rộng; số nơ ron lớp ẩn bằng 80; phương pháp huấn luyện của mạng là 
phương pháp hai pha theo [62]. 
- Tham số thể hiện điều kiện quan sát: Tỷ số SNR; Góc hướng: cố 
định góc ngẩng (3), phương vị: (0-180), khoảng lấy mẫu 0,2. 
3.1.2. Mô hình khảo sát chung 
Hình 3.1. Sơ đồ mô hình khảo sát chung 
Tạo CDCL, phân 
chia, cộng tạp 
Bộ phân lớp 
Đánh giá chất lượng 
(hiệu quả) 
Tiền xử lý Tiền xử lý 
Tập DLHL 
Tập DLKT 
 15 
3.1.3. Tạo cơ sở dữ liệu 
- Mục tiêu cần nhận dạng: 9 kiểu loại mục tiêu bay là Tu16, B1b, 
B52, Mig21, Tornado, F15, Alcm, Glcm và Decoy. Các CDCL được tạo 
bởi phần mềm RTBS với phương pháp lấy mẫu theo góc phương vị như 
sau: Đối với mỗi lớp trong số 9 lớp mục tiêu, 900 CDCL được tạo tương 
ứng với 900 vị trí góc phương vị trong khoảng từ 0 đến 180 với độ phân 
giải lấy mẫu theo phương vị là 0,2. Như vậy, tập CSDL CDCL (gọi là 
tập CSDL DL1) gồm 8100 CDCL phức của 9 lớp mục tiêu và véc tơ nhãn 
kiểu loại mục tiêu tương ứng. 
- Phân chia tập CSDL thành tập DLHL và DLKT theo phương pháp 
10-fold cross validation và phương pháp xen kẽ răng lược. 
- Cộng tạp vào CSDL: tạp trắng cộng tính Gauss phức được cộng vào 
các CDCL phức trong tập DLHL và DLKT theo mức SNR như nhau có 
giá trị từ -12 dB đến 24dB với bước nhảy 2dB. 
3.1.4. Lưu đồ chương trình mô phỏng chung và kết quả khảo sát trong 
trường hợp biết tạp 
Phần này trình bày nội dung xây dựng lưu đồ chương trình mô phỏng 
chung và thực hiện khảo sát HTND trong trường hợp biết tạp (SNR trong 
dữ liệu huấn luyện và kiểm tra như nhau) nhằm lấy kết quả tham chiếu 
cho các đánh giá về sau. Kết quả mô phỏng thể hiện thông qua đồ thị biểu 
diễn sự phụ thuộc TBXSND đúng vào SNR (hình 3.5) khi phân chia dữ 
liệu theo phương pháp 10-fold cross validation (a) và phương pháp xen 
kẽ răng lược (b). 
Ta thấy rằng, hai phương pháp phân chia CSDL cho kết quả giống 
nhau và đảm bảo tính hợp lý: trong trường hợp biết tạp TBXSND đúng 
tăng theo SNR. Từ đây cũng có thể rút ra nhận xét về khả năng của HTND 
Hình 3.5. Độ chính xác nhận dạng của mô hình nhận dạng 
chung trong trường hợp biết tạp 
-10 -5 0 5 10 15 20
0
10
20
30
40
50
60
70
80
90
100
Ty so tin tren tap (dB)
X
a
c
 s
u
a
t 
n
h
a
n
 d
a
n
g
 d
u
n
g
 (
%
)
a
b
 16 
dùng mạng RBF với tham số đã lựa chọn: TBSXND đúng đạt trên 70% 
khi SNR>0 dB và giảm nhanh đến 20% khi SNR thay đổi từ 0 dB đến 
dưới (-10) dB. Kết quả mô phỏng hình 3.5 sẽ được dùng để tham chiếu 
khi so sánh đánh giá hiệu quả của các giải pháp khắc phục tính bất định 
về thông tin tiên nghiệm được đề xuất trong luận án. 
3.2. Khảo sát đánh giá giải pháp khắc phục tính bất định về SNR 
Điều kiện mô phỏng: 
+ Tập CSDL CDCL: Tập DL1 với 9 lớp mục tiêu được tạo ở mục 3.1; 
Phân chia tập CSDL theo phương pháp xen kẽ răng lược; 
+ Mô phỏng điều kiện bất định về SNR: DLHL không có tạp hoặc có 
tạp với một hoặc vài mức SNR khác nhau, trong khi DLKT có mức SNR 
thay đổi trong dải từ -10 dB đến 16 dB với bước nhảy bằng 2 dB; 
+ Phương pháp giảm tạp: Thuật toán giảm tạp theo ngưỡng được đề 
xuất trong mục 2.2.3. 
+ Phương pháp đánh giá: Ước lượng TBXSND đúng của HTND trong 
điều kiện không biết tạp (SNR trong CDCL huấn luyện và kiểm tra khác 
nhau) khi có và không sử dụng các biện pháp khắc phục, tham chiếu với 
kết quả khảo sát trong trường hợp biết tạp đã thực hiện ở mục 3.1.3. 
3.2.1. Khảo sát đánh giá các phương án huấn luyện có tạp 
Kết quả khảo sát các phương án huấn luyện có tạp thể hiện trên hình 
3.7 và 3.8. 
Từ hình 3.7 ta có thể thấy rằng huấn luyện không có tạp cho 
TBXSND đúng (b) kém hơn nhiều so với trường hợp biết tạp (a), đặc biệt 
khi SNR thấp. Như vậy, trong điều kiện thực tế, khi SNR biến động trong 
phạm vi lớn, nếu sử dụng tập DLHL sạch (không có tạp) thì chất lượng 
Hình 3.7. 
Hình 3.8. 
-10 -5 0 5 10 15
0
10
20
30
40
50
60
70
80
90
100
Ty so tin tren tap (dB)
X
a
c
 s
u
a
t 
n
h
a
n
 d
a
n
g
 d
u
n
g
 (
%
)
a
b
-10 0 10
0
50
100
X
S
 N
D
 d
u
n
g
 (
%
)
MP 1 (16dB)
SNR DLKT (dB)
-10 0 10
0
50
100
MP 2 (8dB)
SNR DLKT (dB)
-10 0 10
0
50
100
MP 3 (2dB)
SNR DLKT (dB)
-10 0 10
0
50
100
X
S
 N
D
 d
u
n
g
 (
%
)
MP 4 (-2dB)
SNR DLKT (dB)
-10 0 10
0
50
100
MP 5 (-6dB)
SNR DLKT (dB)
-10 0 10
0
50
100
MP 6 (-10dB)
SNR DLKT (dB)
BSNR
1SNR
 17 
nhận dạng không đảm bảo. Điều này có thể giải thích là BPL được huấn 
luyện trong điều kiện nào thì có khả năng nhận dạng tốt trong điều kiện 
đó. Vì thế, trong nhận dạng mục tiêu ra đa, để nâng cao khả năng tổng 
quát của BPL đối với tạp, cần thiết phải huấn luyện BPL với dữ liệu có 
tạp ở các mức SNR khác nhau. 
Từ hình 3.8 ta có thể thấy rằng: Độ chính xác nhận dạng khi huấn 
luyện với một mức SNRHL (1SNR) cũng kém hơn nhiều so với điều kiện 
biết tạp (BSNR). Bộ phân lớp được huấn luyện một mức SNRHL chỉ nhận 
dạng tốt các CDCL trong tập DLKT có mức SNRKT ở vùng ổn định biết 
tạp - vùng lân cận xung quanh mức SNRHL. Khi SNRKT càng