Розробки алгоритму ідентифікації складних об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

ведення ІР потребують комплексування даних різних видів моніторингу. Тим часом, існуючі способи визначення місця положення ОМ та їх ідентифікації неоптимальні стосовно основних показників ефективності. Такими показниками є ймовірність правильного ухвалення рішення і час його прийняття. В ідеалі потрібно домогтися покращення даних параметрів, але через їхній взаємозв’язок це неможливо. Підвищення достовірності потребує обробки й аналізу додаткової інформації, що неминуче призводить до збільшення часу.

Задачу підвищення достовірності своєчасного і правильного рішення для визначення місцеположення ОМ та його ідентифікації можна вирішити шляхом автоматизації процесу обробки інформації і формування рекомендацій, що призведе до значного зменшення часу інформаційної підготовки прийняття рішення. Його зменшення дасть оператору більше часу на прийняття рішення, що дозволить більш детально аналізувати інформацію, яка надходить про ОМ, і дасть можливість використання додаткової інформації. Це, у свою чергу, призведе до підвищення ймовірності правильного прийняття рішення при тому ж часі виконання алгоритму прийняття рішення. Вироблення рекомендацій оператору дасть можливість істотно спростити наступний етап його роботи – етап безпосереднього прийняття рішення.

Отже, задачу дослідження по ідентифікації ОМ з використанням  різних видів ДРВп в загальному вигляді можна сформулювати таким чином: необхідно за певними показниками РЕО провести ідентифікацію ОМ з максимальною достовірністю за заданий час.

Часові витрати на прийняття рішення в автоматизованій системі управління (АСУ) з аналізу наявних матеріалів можливо відобразити за допомогою діаграми (рис.1.1).

Рисунок 1.1 − Часова діаграма прийняття рішень

На рис. 1.1 прийняті такі умовні позначення:

  – час збору інформації технічними засобами;

  – час, що витрачається на обробку інформації і формування первинних гіпотез;

  – час, що витрачається на вибір рішення;

  – час, необхідний для реалізації прийнятого рішення.

Як видно з діаграми (рис.1.1), значна частина часу йде на обробку інформації і формування гіпотез. На вибір рішення приділяється досить малий час, що може привести до низької його імовірності. Це може викликати прийняття неадекватних рішень.

Отже, задача комплексування даних різних видів радіомоніторингу сформульована таким чином: необхідно за показниками   оцінити місцеположення ОМ та провести його ідентифікацію D за допустимий час з максимальною достовірністю. У формалізованому вигляді її можна представити:

 ,     (1.1)

де   − показник з визначеної множини  ;

  − варіанти оцінки місцеположення ОМ;

  − час і допустимий час аналізу відповідно.

Висновок до першого розділу

На основі визначених недоліків та обґрунтованого методу ідентифікації ОМ у межах даної кваліфікаційної роботи необхідно провести наступні дослідження: визначити ознаки, що характеризують процес iдентифiкацiї складних об’єктів по різних видах РМ, розробити модель iдентифiкацiї складних ОМ по різних видах РМ, розробити програмно-алгоритмічне забезпечення.

2. РОЗРОБКА АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ’ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

В даному розділі здійснюється розробка алгоритму ідентифікації об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу. Розробка охоплює чотири етапи. На першому етапі проаналізовано методи розрахунку відстаней між об’єктами і центрами кластерів, обґрунтовано який для вирішення задачі кваліфікаційної роботи буде найдоцільнішим. На другому етапі вибрано сукупність алгоритмів кластеризації, на основі яких буде будуватись математична модель. На третьому етапі розраховано математичну модель кластеризації ОМ за результатами роботи засобів РМ та РТМ. На завершальному четвертому етапі побудовано власне алгоритм ідентифікації складних ОМ на основі нечітких алгоритмів кластерного аналізу.

2.1 Основні ознаки, що дозволяють здійснювати ідентифікацію складних об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

Відомі [2] деякі етапи кластеризації. Початковим етапом кластеризації є необхідність складання вектора характеристик для кожного об’єкта — як правило, це набір ознак з невеликими числовими значеннями. Однак існують також алгоритми, що працюють з якісними (категорійними) характеристиками. Вихідними даними для здійснення кластеризації ОМ буде вектор характеристик географічних координат просторових даних розміщення ДРВ; частотний діапазон та інтенсивність їх роботи. Визначивши вектор характеристик, можна провести його нормалізацію, щоб всі компоненти давали однаковий внесок при розрахунку «відстані». У процесі нормалізації всі значення приводяться до деякого діапазону, наприклад,        [–1, –1] або [0, 1]. Для кожної пари об’єктів вимірюється «відстань» між ними — ступінь схожості. Існує безліч метрик, ось лише основні з них:

- відстань Евкліда. Найбільш поширена функція відстані. Є геометричною відстанню у багатовимірному просторі. Такий метод шукає кластери як сфери однакового розміру.

 ,                                     (2.1)

де   − центр i-го кластера;

  − і-ий об’єкт кластеризації;

  − відстань між об’єктами з вихідної матриці даних і центрами кластерів;

N − кількість елементів у вибірці.

- квадрат евклідової відстані. Застосовується для надання більшої ваги віддаленішим один від одного об’єктам. Ця відстань обчислюється таким чином:

 ;                                     (2.2)

- відстань міських кварталів (манхеттенська відстань). Ця відстань є середньою різниць по координатах. У більшості випадків застосування такої відстані призводить до таких же