Современная электроника №4/2021

ВОПРОСЫ ТЕОРИИ 53 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 4 2021 случае не представляется возможным, и результаты были получены только моделированием в MATLAB. Для это- го использовалась модель отражён- ных сигналов на каждой частоте в виде коррелированной пачки импульсов с нормально распределёнными квадра- турными составляющими и имеющих корреляционную функцию гауссовой формы. Межпериодный коэффициент корреляции задавался 0,7 и 0,9, для чис- ла импульсов в пачке – 16 и 32. Резуль- таты моделирования представлены на рис. 3–6. Таким образом, проведённое исследование полностью подтверж- дает положительный эффект от при- менения предложенного способа для классификации протяжённых объ- ектов с использованием межчастот- ного корреляционного признака. Например, для независимых выбо- рок наблюдения при N=16 для поро- га, равного 0,5, обеспечивается веро- ятность правильной классификации 0,99. Коррелированность же выбо- рок наблюдения заметно снижает эффективность классификации. Так, при тех же 16 выборках наблюдений, но коррелированных с межпериод- ным коэффициентом корреляции 0,7, вероятность правильной клас- сификации для порога 0,5 равна 0,9, а для межпериодного коэффициен- та корреляции 0,9 – около 0,7. Повы- сить эффективность классификации для коррелированных выборок мож- но или их декорреляцией, или увели- чением их числа. Так для 32 коррели- рованных выборок с межпериодным Рис. 1. Зависимость вероятности правильной классификации протяжённых объектов от порога R пор для N = 16 в классификаторе ОМП (звёздочки – аналитика, квадраты – моделирование) Вероятность правильной классификации Вероятность правильной классификации Вероятность правильной классификации Вероятность правильной классификации Вероятность правильной классификации Вероятность правильной классификации Порог Порог Порог Порог Порог Порог Рис. 3. Зависимость вероятности правильной классификации протяжённых объектов от порога R пор для N = 16 в классификаторе ОМП для коррелированных выборок наблюдений с межпериодным коэффициентом корреляции 0 (квадраты) и 0,7 (кружки) Рис. 5. Зависимость вероятности правильной классификации протяжённых объектов от порога R пор для N = 32 в классификаторе ОМП для коррелированных выборок наблюдений с межпериодным коэффициентом корреляции 0 (квадраты) и 0,7 (кружки) Рис. 2. Зависимость вероятности правильной классификации протяжённых объектов от порога R пор для N = 32 в классификаторе ОМП (звёздочки – аналитика, квадраты – моделирование) Рис. 4. Зависимость вероятности правильной классификации протяжённых объектов от порога R пор для N = 16 в классификаторе ОМП для коррелированных выборок наблюдений с межпериодным коэффициентом корреляции 0 (квадраты) и 0,9 (кружки) Рис. 6. Зависимость вероятности правильной классификации протяжённых объектов от порога R пор для N = 32 в классификаторе ОМП для коррелированных выборок наблюдений с межпериодным коэффициентом корреляции 0 (квадраты) и 0,9 (кружки) коэффициентом корреляции 0,9 веро- ятность правильной классификации для порога 0,5 равна 0,9. Литература 1. Bartenev V . Radar objects classification using inter frequency correlation coefficient. Report on the International conference RADAR 2016. China, Oct. 2016 2. Бартенев В.Г. Патент «Способ класси- фикации и бланкирования дискрет- ных помех» № 2710894, Опубликован: 14.01.2020, Бюл. № 2. 3. Бартенев В.Г. О распределении оценки модуля коэффициента корреляции// Современная электроника, 2020. № 8, 4. Потемкин В.Г. “Справочник по MATLAB” Анализ и обработка данных. http://matlab.exponenta.ru/ml/book2/ chapter8/.