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

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG 
VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ 
................................... 
NGUYỄN THANH HÙNG 
NGHIÊN CỨU GIẢI BÀI TOÁN NHẬN DẠNG MỤC TIÊU 
RA ĐA TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN 
TIÊN NGHIỆM 
Chuyên ngành: Kỹ thuật ra đa – dẫn đường 
 Mã số: 9 52 02 04 
TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT 
Hà Nội - 2018 
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI 
VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ- BỘ QUỐC PHÒNG 
Người hướng dẫn khoa học: 
 1. TS Phạm Văn Hoan 
 2. TS Nguyễn Hoàng Nguyên 
Phản biện 1: GS.TS Bạch Gia Dương 
 Trường Đại học Công nghệ, Đại học Quốc Gia Hà Nội 
Phản biện 2: PGS. TS Vũ Văn Yêm 
 Đại học Bách khoa Hà Nội 
Phản biện 3: TS Trần Văn Hùng 
 Viện Khoa học và Công nghệ quân sự 
Luận án sẽ được bảo vệ tại Hội đồng chấm luận án tiến sĩ cấp Viện, họp 
tại Viện Khoa học và Công nghệ quân sự vào hồi ... giờ, ngày.. 
tháng.. năm 2018. 
Có thể tìm hiểu luận án tại: 
- Thư viện Viện Khoa học và Công nghệ quân sự. 
- Thư viện Quốc gia Việt Nam. 
 1 
 MỞ ĐẦU 
1. Tính cấp thiết của đề tài luận án: 
Nhận dạng mục tiêu ra đa là xác định lớp (kiểu loại) mục tiêu mà đài 
ra đa quan sát được trên cơ sở xử lý các thông tin biết trước về các lớp 
mục tiêu cùng các dữ liệu thu thập được trong thời gian quan sát. 
Trong vài thập niên gần đây, kỹ thuật nhận dạng đã có những bước 
tiến nhảy vọt và được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau 
(âm thanh, hình ảnh). Tuy nhiên, chức năng nhận dạng mục tiêu ra đa 
mới chỉ được nghiên cứu phát triển trên một số chủng loại ra đa hiện đại 
do các nước có nền khoa học công nghệ quân sự mạnh trên thế giới chế 
tạo. Ở trong nước, đã có một số công trình nghiên cứu về nhận dạng mục 
tiêu ra đa, nhưng cho đến nay vẫn chưa có kết quả nghiên cứu nào được 
áp dụng vào thực tế. Nguyên nhân nằm ở hai khó khăn đặc thù của bài 
toán nhận dạng mục tiêu ra đa [1], [68]: 
- Lượng thông tin tiên nghiệm ít: do giới hạn bởi khả năng quan sát 
của đài ra đa cùng khó khăn trong khảo sát thông tin ra đa của các đối 
tượng cần phân lớp. 
- Thông tin tiên nghiệm mang tính bất định cao: chịu tác động của các 
yếu tố ngẫu nhiên, phạm vi biến động lớn và phụ thuộc nhiều vào điều 
kiện quan sát, bối cảnh nhiễu, tạp âm,.... 
Sự phát triển của kỹ thuật và công nghệ ra đa trong những năm gần đây 
đã khắc phục được phần nào khó khăn thứ nhất: Các đài ra đa hiện đại có khả 
năng quan sát tốt, cho phép hình thành các dạng chân dung ra đa (CDRĐ) 
khác nhau mang nhiều thông tin về đối tượng cần phân lớp [50], [66]: công 
suất, cự ly, ảnh, phổ, phân cực; Việc khảo sát thông tin ra đa của mục tiêu 
cũng có thể thực hiện được một cách dễ dàng hơn bằng các phương pháp mô 
phỏng toán lý tính chất phản xạ điện từ trường, kết hợp với thử nghiệm bán 
tự nhiên và tự nhiên [45], [50]. Khó khăn thứ hai (bất định về thông tin tiên 
nghiệm) luôn tồn tại một cách khách quan và mang tính đặc thù với các ứng 
dụng quân sự: Dữ liệu về mục tiêu thường bị đối phương che giấu, thay đổi, 
thậm chí hoàn toàn chưa biết Chính vì vậy việc nghiên cứu giải bài toán 
nhận dạng mục tiêu ra đa trong điều kiện bất định về thông tin tiên nghiệm là 
một nội dung không thể bỏ qua khi nghiên cứu thiết kế mới hoặc cập nhật, 
nâng cấp các hệ thống nhận dạng (HTND) đã có. 
2. Mục tiêu nghiên cứu của luận án: Nghiên cứu vấn đề bất định về thông 
tin tiên nghiệm và ảnh hưởng của chúng đến chất lượng nhận dạng mục tiêu 
 2 
ra đa. Trên cơ sở đó đề xuất hướng khắc phục và xây dựng giải pháp cụ thể 
cho bài toán nhận dạng mục tiêu bay theo chân dung cự ly (CDCL). 
3. Đối tượng nghiên cứu của luận án: Bài toán nhận dạng mục tiêu bay 
theo CDCL trong điều kiện bất định về thông tin tiên nghiệm. 
4. Phạm vi nghiên cứu của luận án: Giới hạn ở vấn đề nhận dạng các lớp 
mục tiêu bay điển hình theo CDCL, tạo ra bằng phương pháp mô phỏng. Ở 
đây, bài toán nhận dạng được thực hiện độc lập với quá trình phát hiện và coi 
như việc xử lý chống nhiễu đã được thực hiện trước khi hình thành chân dung. 
5. Phương pháp nghiên cứu của luận án: Sử dụng lý thuyết để phân tích 
tính đặc thù của bài toán nhận dạng mục tiêu ra đa. Trên cơ sở đó đề xuất 
các giải pháp khắc phục tính bất định về thông tin tiên nghiệm trong nhận 
dạng mục tiêu ra đa. Xây dựng mô hình và thực hiện khảo sát đánh giá 
hiệu quả của các giải pháp này đối với trường hợp nhận dạng một số lớp 
mục tiêu bay điển hình theo CDCL. Các CDCL của các lớp mục tiêu được 
tạo ra bằng phần mềm mô phỏng tín hiệu phản xạ mục tiêu ra đa (RTBS - 
Radar Target Backscattering Simulation) [3]. Việc khảo sát đánh giá chất 
lượng nhận dạng được thực hiện bằng mô phỏng trên phần mềm Matlab. 
6. Ý nghĩa khoa học và thực tiễn của luận án: 
Ý nghĩa khoa học: Góp phần hoàn thiện bài toán nhận dạng mục tiêu ra 
đa với một số đóng góp cụ thể sau: 
- Đưa ra giải pháp hiệu quả nâng cao chất lượng nhận dạng trong điều 
kiện bất định về tỷ số tín trên tạp, trên cơ sở sử dụng các bộ phân lớp huấn 
luyện có tạp kết hợp với việc giảm tạp trong chân dung cự ly. 
- Đề xuất phương án xây dựng và khảo sát mô hình nhận dạng mục tiêu 
bay theo kiểu phân đoạn cơ sở dữ liệu theo góc phương vị. Mô hình này cho 
phép nâng cao chất lượng nhận dạng, hạn chế việc phân lớp nhầm các mục tiêu 
khi CDCL của chúng ở các phương vị khác nhau có mối tương quan cao. 
- Xây dựng mới thuật toán nhận dạng có phân biệt mục tiêu chưa biết 
theo hướng xây dựng mô hình mục tiêu đã biết dựa trên sự phân bố của giá 
trị liên thuộc lớp ở đầu ra bộ phân lớp (BPL) mờ và phân biệt mục tiêu chưa 
biết theo ngưỡng. 
Ý nghĩa thực tiễn: Kết quả nghiên cứu có thể sử dụng để tham khảo khi 
nghiên cứu thiết kế mới hoặc cập nhật, nâng cấp các HTND đã có. 
7. Bố cục của luận án: Luận án gồm 03 chương cùng với các phần Mở 
đầu, Kết luận, Danh mục các công trình khoa học đã công bố, Tài liệu 
tham khảo. 
 3 
CHƯƠNG 1. BÀI TOÁN NHẬN DẠNG MỤC TIÊU RA ĐA TRONG 
ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN TIÊN NGHIỆM 
1.1. Tổng quan về bài toán nhận dạng mục tiêu ra đa 
1.1.1. Dấu hiệu nhận dạng và chân dung ra đa 
Cơ sở chính để nhận dạng mục tiêu ra đa là những dấu hiệu vật lý đặc 
trưng cho từng lớp, kiểu loại mục tiêu cần phân biệt (đặc tính hình học, 
vật lý và động học) thể hiện trong các dạng chân dung mà đài ra đa có thể 
hình thành được. Trường hợp chung, CDRĐ có thể được định nghĩa là 
một tập hợp các giá trị biên độ phức của tín hiệu thu được, trong đó mỗi 
giá trị tương ứng với một phần tử phân giải nhất định của không gian dấu 
hiệu nhận dạng [1], [66], [68]. 
Phần này giới thiệu ba loại chân dung ra đa có tính ứng dụng cao trong 
nhận dạng mục tiêu bay: chân dung đốp le (chân dung phổ), CDCL, chân 
dung ra đa mặt mở tổng hợp ngược (ISAR). Trong đó, do có khả năng 
triển khai trên nhiều loại ra đa hiện đại và mang nhiều thông tin phục vụ 
phân lớp nên CDCL được chú trọng phân tích và lựa chọn cho việc phân 
tích giải quyết các vấn đề tiếp theo trong luận án. 
1.1.2. Sơ đồ tổng quát của hệ thống nhận dạng mục tiêu ra đa 
Sơ đồ tổng quát của HTND được trình bày trên hình 1.3. 
Hình 1.3. Sơ đồ tổng quát của hệ thống nhận dạng mục tiêu ra đa 
Quan sát, thu thập 
thông tin 
Tiền xử lý 
Trích chọn đặc trưng 
Phân lớp mục tiêu 
Kết hợp, hậu xử lý 
Mục tiêu được 
phân lớp 
 4 
Ở đây, đầu ra của khâu “Quan sát, thu thập thông tin” chính là CDRĐ. 
Mục đích của khâu “Tiền xử lý” là chuẩn bị dữ liệu thu thập được cho các 
giai đoạn tiếp theo. Đối với HTND theo CDCL, tiền xử lý có thể gồm: lấy 
trung bình chân dung, giảm tạp (noise reduction), chuẩn hóa 
(normalization), định tâm mục tiêu trong cửa sổ cự ly. “Trích chọn đặc 
trưng” là quá trình chọn lọc từ dữ liệu quan sát để lấy ra những thông tin 
quan trọng, dễ sử dụng hơn trong thuật toán phân lớp. Giá phải trả là một 
phần thông tin về mục tiêu sẽ bị mất mát. Trong trường hợp cần đảm bảo 
khả năng phân lớp nhiều loại mục tiêu khác nhau thì việc sử dụng trực 
tiếp CDCL mang lại hiệu quả cao hơn. 
Để “Phân lớp mục tiêu” trong HTND sử dụng bộ phân lớp. Có nhiều 
phương án phân lớp khác nhau như: tham số, phi tham số, mô tả cấu trúc, 
dùng mạng nơ ron với kỹ thuật học máy (machine learning)... Nhìn chung, 
không tồn tại một phương án phân lớp tối ưu chung cho mọi HTND. Việc 
lựa chọn kỹ thuật phân lớp này hay khác, cần căn cứ vào khả năng “tổng 
quát hóa” (Generalization ability) của nó cùng tính khả thi về mặt kỹ thuật 
đối với các bài toán nhận dạng cụ thể. 
“Kết hợp, hậu xử lý” bao gồm: kết hợp nhiều dấu hiệu cùng các kỹ 
thuật phân lớp khác nhau nhằm đáp ứng tốt nhất yêu cầu về chất lượng 
nhận dạng với mức độ phức tạp cho phép của hệ thống. 
1.1.3. Chất lượng nhận dạng 
Chất lượng nhận dạng thể hiện chi tiết qua bảng xác suất ra quyết định 
đúng hoặc sai (hay còn gọi là ma trận nhầm lẫn - confusion matrix): 𝑃𝑖/𝑘 =
𝑃{𝜔𝑖
∗/𝜔𝑘 }; 𝑖, 𝑘 = 1 ÷ 𝑐 (𝜔𝑘 - điều kiện có mục tiêu lớp k; 𝜔𝑖
∗ - quyết 
định là tồn tại mục tiêu lớp i; 𝑐 – số lớp mục tiêu cần nhận dạng). Để so 
sánh chất lượng giữa các HTND, trong luận án coi hàm giá có dạng đơn 
giản, xác suất xuất hiện các lớp mục tiêu là như nhau và chỉ tiêu chất 
lượng được lựa chọn sử dụng đánh giá là trung bình xác suất nhận dạng 
(TBXSND) đúng 𝑃đ
𝑇𝐵 (gọi tắt là độ chính xác nhận dạng): 
𝑃đ
Cđk = 1 − 𝑅𝑇𝐵 = 𝑃đ
𝑇𝐵 =
1
c
(∑ Pi/i
c
i=1 ) = 1 − 𝑃𝑠
TB (1.8) 
Xác định ma trận nhầm lẫn bằng giải tích là phức tạp và ít khả thi, vì 
vậy trong luận án các xác suất sẽ được ước lượng bằng mô phỏng. Trong 
đó, tập cơ sở dữ liệu (CSDL) ban đầu được phân chia thành hai phần: tập 
dữ liệu huấn luyện (DLHL) và tập dữ liệu kiểm tra (DLKT). Đầu tiên bộ 
phận lớp được học bằng các mẫu trong tập DLHL, sau đó độ chính xác nhận 
dạng của bộ phân lớp sẽ được ước lượng trên cơ sở tính xác suất nhận dạng 
 5 
đúng các mẫu trong tập DLKT. Một số phương pháp phân chia tập CSDL 
thường được sử dụng trong bài toán nhận dạng mục tiêu ra đa theo CDCL 
là: holdout, k-fold cross-validation và chia xen kẽ răng lược [44]. 
1.1.4. Đặc điểm nhận dạng mục tiêu ra đa 
- Khả năng của phương tiện quan trắc (đài ra đa) là hạn chế, lượng 
thông tin thu thập được không nhiều, độ chính xác thấp, phạm vi biến 
động lớn. 
- Thời gian quan sát ngắn, đòi hỏi đáp ứng thời gian thực, yêu cầu cao 
về độ tin cậy của các quyết định nhận dạng. 
- Thông tin về các đối tượng cần nhận dạng khó thu thập: Khảo sát 
thực nghiệm tốn kém trong nhiều trường hợp không khả thi. Không có đủ 
dữ liệu về mục tiêu để mô phỏng. Dễ có khả năng xuất hiện mục tiêu lạ 
mà ta hoàn toàn không có dữ liệu về chúng. 
- Điều kiện nhận dạng có tính biến động, bất định cao: bối cảnh nhiễu 
tạp; vị trí tương đối của mục tiêu; sự thăng giáng của tín hiệu trong quá 
trình phản xạ, lan truyền.... 
Các yếu tố trên tác động qua lại lẫn nhau và gây ra khó khăn đặc thù 
trong nhận dạng mục tiêu ra đa là lượng thông tin tiên nghiệm ít và mang 
tính bất định cao. Để có thể đảm bảo chất lượng nhận dạng, song song với 
các biện pháp nâng cao lượng thông tin tiên nghiệm phục vụ nhận dạng, 
cần phải có những giải pháp khắc phục tính bất định nhằm sử dụng một 
cách hiệu quả lượng thông tin này vào mục đích phân lớp. Đây là mục 
tiêu nghiên cứu đặt ra trong luận án. 
1.2. Các vấn đề cần giải quyết 
1.2.1. Đảm bảo tính tổng quát của thuật toán phân lớp 
Theo quan điểm xác suất thì tính bất định thể hiện ở hai cấp độ: tham 
số và hàm. Do dữ liệu về CDRĐ có độ chính xác thấp, không đầy đủ, 
mang tính ngẫu nhiên và biến động cao theo điều kiện quan sát nên việc 
xác định dạng phân bố đa chiều của nó là không khả thi. Vì vậy, thuật 
toán phân lớp thường được thực hiện theo mô hình phi tham số. Điển hình 
là BPL: k-NN (k hàng xóm gần nhất); SVM (máy véc tơ tựa); mạng nơ 
ron. Đặc điểm chung của các phương pháp phân lớp này là đảm bảo tốt 
“tính tổng quát hóa” và có thể sử dụng trực tiếp tập cơ sở dữ liệu để huấn 
luyện (học máy) mà không cần cho trước dạng phân bố. Trong luận án sẽ 
phân tích chi tiết 3 kỹ thuật phân lớp nêu trên, từ đó lựa chọn một phương 
án phù hợp làm công cụ phân lớp cho các khảo sát tiếp theo. 
 6 
1.2.2. Khắc phục tính bất định về tỷ số tín trên tạp 
Sau khi thực hiện các biện pháp xử lý chống nhiễu, trong CDRĐ, 
ngoài tín hiệu có ích còn tồn tại tạp nền (Background) (trong luận án gọi 
tắt là tạp). Tạp nền thường có dạng tạp trắng cộng tính dạng Gauss 
(AWGN). Trong CDCL, tỷ số tín trên tạp (SNR) có phạm vi biến động 
lớn (tùy thuộc vào cường độ tạp, công suất phát, cự ly, chủng loại mục 
tiêu) và chỉ có thể ước lượng với độ chính xác nhất định tại thời điểm quan 
sát. Sự khác biệt giữa giá trị SNR thực tế và giá trị SNR sử dụng trong mô 
hình nhận dạng sẽ làm suy giảm đáng kể chất lượng nhận dạng. Việc khắc 
phục có thể triển khai theo các hướng sau: xây dựng mô hình thích nghi 
với tạp [47]; huấn luyện có tạp; giảm tạp (noise reduction). 
Nhìn chung, giải pháp xây dựng mô hình thích nghi với tạp dựa trên 
cơ sở toán học chặt chẽ nhưng để áp dụng giải pháp này cần phải biết dạng 
hàm phân bố của CDRĐ (mô hình tham số). Với các BPL kiểu phi tham 
số, học máy như K-NN, SVM, mạng nơ ron thì hướng khắc phục tính bất 
định về tỷ số SNR có thể lựa chọn là: giảm tạp và huấn luyện có tạp. Để 
triển khai các giải pháp này cần phải thực hiện khảo sát đánh giá chi tiết 
dựa trên CSDL của bài toán nhận dạng cụ thể. Đây cũng là một nội dung 
nghiên cứu được đặt ra trong Luận án. 
1.2.3. Khắc phục yếu tố bất định về góc hướng của mục tiêu 
Trong thực tế, mục tiêu có thể xuất hiện từ các hướng (phương vị 
và góc ngẩng ) bất kỳ và góc hướng của mục tiêu thay đổi trong phạm vi 
rất rộng. Hầu hết các CDRĐ nhất là CDCL đều phụ thuộc nhiều vào 
hướng quan sát. Ngoài ra, các mục tiêu khác nhau có thể cho chân dung 
khá giống nhau khi quan sát tại một số góc hướng nhất định [54]. Chính 
vì vậy, việc sử dụng thông tin về góc hướng là rất cần thiết trong nhận 
dạng mục tiêu ra đa theo CDCL. Nhiệm vụ đặt ra trong luận án là: phân 
tích ảnh hưởng của yếu tố bất định về góc hướng đối với chất lượng nhận 
dạng theo CDCL, từ đó đề xuất phương án xây dựng mô hình cụ thể nhằm 
khắc phục yếu tố này. 
1.2.4. Phân biệt mục tiêu chưa biết 
Đa số các HTND mục tiêu ra đa trước kia được xây dựng trên cơ sở 
cố định thành phần và số lớp mục tiêu có thể nhận dạng. Như vậy, khi 
xuất hiện một đối tượng không nằm trong danh sách các lớp mục tiêu đã 
biết thì hệ thống vẫn đưa ra quyết định đối tượng quan sát thuộc một lớp 
nào đó trong danh sách này. Đối tượng trên có thể là một loại phương tiện 
 7 
bay mới hoặc mục tiêu giả do đối phương cố tình tạo ra. Trong cả hai 
trường hợp, việc ra quyết định sai đều có thể dẫn đến những hậu quả khó 
lường. Vấn đề phân biệt mục tiêu chưa biết trong luận án sẽ được nghiên 
cứu giải quyết theo hướng xây dựng mô hình mục tiêu đã biết và thực hiện 
ra quyết định phân biệt theo ngưỡng. Đối tượng ứng dụng là các BPL 
dùng kỹ thuật học máy thường dùng trong nhận dạng mục tiêu ra đ ...  với 3 mức 
SNRHL, độ chính xác nhận dạng của mô hình đang xét có thể đạt được 
bằng trường hợp biết tạp, nếu ta chọn mức SNRHL phù hợp. 
3.2.2. Khảo sát đánh giá hiệu quả của giải pháp kết hợp huấn luyện có 
tạp và giảm tạp 
3.2.2.1. Trường hợp áp dụng trong mô hình bộ phân lớp đơn 
Lựa chọn hệ số h 
Hình 3.12 và 3.13 là kết quả mô phỏng mô hình nhận dạng BPL đơn 
huấn luyện một mức SNRHL (8 dB và -6 dB tương ứng) có giảm tạp với 
µ𝑛 ước lượng lý tưởng, các hệ số h khác nhau có giá trị trong khoảng từ 1 
Hình 3.10. So sánh độ chính 
xác nhận dạng của BPL đơn 
huấn luyện có tạp với ba mức 
SNR và trường hợp biết tạp 
-10 -5 0 5 10 15
0
10
20
30
40
50
60
70
80
90
100
SNR DLKT (dB)
X
S
 N
D
 d
u
n
g
 (
%
)
BSNR
SNR(-10,-6,16dB)
SNR(-10,8,16dB)
SNR(-10,0,16dB)
 18 
đến 3 với bước nhảy bằng 0,2. Từ kết quả mô phỏng ta thấy rằng: 
- Ở dải SNRKT cao, độ chính xác nhận dạng của BPL trong các trường 
hợp hệ số h có giá trị từ 1 đến 1,8 xấp xỉ nhau; khi giá trị hệ số h 1,8 độ 
chính xác nhận dạng giảm đi rõ rệt, nhất là khi BPL được huấn luyện có 
tạp ở mức SNRHL thấp. 
- Ở dải SNRKT thấp, độ chính xác nhận dạng của BPL kém nhất khi 
hệ số h=1; khi h tăng lên, độ chính xác nhận dạng tăng lên rồi lại giảm đi. 
Trong cả hai trường hợp, ở dải SNRKT thấp độ chính xác nhận dạng tốt 
nhất khi h có giá trị bằng 2,2. 
Như vậy việc bổ sung thêm hệ số h vào ngưỡng cho phép cải thiện 
đáng kể độ chính xác nhận dạng khi SNR thấp. Tuy nhiên, khi h tăng, độ 
chính xác nhận dạng ở dải SNRKT cao sẽ giảm đi. 
Kết quả mô phỏng để lựa chọn hệ số h theo tiêu chí “độ chính xác 
nhận dạng cao nhất ở vùng ổn định biết tạp” ứng với các giá trị SNRHL 
khác nhau được trình bày trong bảng 3.3. 
Bảng 3.3. Kết quả lựa chọn hệ số h trong các trường hợp 
SNRHL khác nhau 
TT SNRHL h TT SNRHL h 
1 16 dB 1,2 6 -2 dB 2,2 
2 12 dB 1,2 7 -4 dB 2,2 
3 8 dB 1,2 8 -6 dB 2,2 
4 4 dB 1,2 9 -10 dB 2,8 
5 0 dB 2,2 
Hình 3.12.
Hình 3.13. 
-10 -5 0 5 10 15
0
10
20
30
40
50
60
70
80
90
100
X
a
c
 s
u
a
t 
n
h
a
n
 d
a
n
g
 d
u
n
g
 (
%
)
SNR DLKT (dB)
h=1
h=1.2
h=1.4
h=1.6
h=1.8
h=2
h=2.2
h=2.4
h=2.6
h=2.8
h=3
-10 -5 0 5 10 15
0
10
20
30
40
50
60
70
80
90
100
X
a
c
 s
u
a
t 
n
h
a
n
 d
a
n
g
 d
u
n
g
 (
%
)
SNR DLKT (dB)
h=1
h=1.2
h=1.4
h=1.6
h=1.8
h=2
h=2.2
h=2.4
h=2.6
h=2.8
h=3
 19 
So sánh độ chính xác nhận dạng khi không giảm tạp và giảm tạp 
Kết quả mô phỏng so sánh độ chính xác nhận dạng khi không giảm 
tạp và giảm tạp được thể hiện trên hình 3.14 và 3.15. 
Hình 3.14 là kết quả mô phỏng trong các trường hợp có giảm tạp và 
không giảm tạp khi BPL huấn luyện có tạp với một mức SNRHL với các 
giá trị bằng 16 dB, 8 dB, 4 dB, 0 dB, -6 dB và -10 dB. Hệ số h của ngưỡng 
giảm tạp được chọn theo bảng 3.3. Ta có thể thấy rằng, độ chính xác nhận 
dạng của BPL huấn luyện một mức SNR có giảm tạp trong CDCL (GT) 
được cải thiện nhiều so với trường hợp không giảm tạp (KhongGT). Tuy 
nhiên, với một mức SNR huấn luyện, độ chính xác nhận dạng của BPL 
đơn vẫn kém hơn nhiều so với trường hợp biết tạp (BSNR). 
Hình 3.15 là kết quả mô phỏng so sánh độ chính xác nhận dạng khi 
giảm tạp và không giảm tạp trong trường hợp BPL huấn luyện có tạp với 
3 mức SNR với các giá trị là -10dB, 0 dB và 16 dB. Hệ số h tìm được là 
2,2 theo tiêu chí “độ chính xác nhận dạng trung bình ở các mức SNRHL 
bằng -10 dB; 0 dB và 16 dB cao nhất”. Ta thấy rằng, khi có giảm tạp (GT) 
chất lượng nhận dạng của BPL đơn tốt hơn so với khi không giảm tạp 
(KhongGT) và có độ chính xác nhận dạng còn cao hơn cả trường hợp biết 
tạp (BSNR) ở dải SNR thấp. 
3.2.2.2. Trường hợp áp dụng trong mô hình bộ phân lớp song song 
Thực hiện khảo sát cho mô hình BPL song song gồm 3 KPL thành 
phần, mỗi kênh huấn luyện ở một mức SNRHL và thực hiện giảm tạp theo 
Hình 3.14. So sánh độ chính xác 
nhận dạng của BPL huấn luyện 
một mức SNR trong các trường 
hợp giảm tạp, không giảm tạp và 
biết tạp 
Hình 3.15. So sánh độ chính xác 
nhận dạng của BPL huấn luyện 
3 mức SNR trong các trường 
hợp giảm tạp, không giảm tạp 
và biết tạp 
-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 (4dB)
SNR DLKT (dB)
BSNR
KhongGT
GT
-10 0 10
0
50
100
X
S
 N
D
 d
u
n
g
 (
%
)
MP 4 (0dB)
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)
-10 -5 0 5 10 15
0
10
20
30
40
50
60
70
80
90
100
SNR DLKT (dB)
X
S
 N
D
 d
u
n
g
 (
%
)
BSNR
KhongGT
GT
 20 
mức ngưỡng =h n. Giá trị SNRHL/ hệ số cắt tạp h của các KPL lần lượt 
là: (-6)dB/2,2 (KPL1); 0dB/1,2 (KPL2); 8dB/1,2 (KPL3). Ngưỡng phân 
biệt SNR để lựa chọn kết quả giữa 
các KPL là -2 dB (giữa KPL1 và 
KPL2) và 6 dB (giữa KPL2 và 
KPL3). Kết quả mô phỏng thể 
hiện trên hình 3.19 cho thấy độ 
chính xác nhận dạng của mô hình 
BPL song song (MHBPLSS) xấp 
xỉ so với trường hợp biết tạp. 
3.2.3. Thảo luận 
- Trong thực tế nhận dạng 
mục tiêu ra đa, giá trị SNR của 
CDCL có phạm vi biến động lớn, 
nếu việc huấn luyện thực hiện với dữ liệu sạch (không tạp) hoặc chỉ ở một 
mức SNR nhất định thì chất lượng nhận dạng sẽ hạn chế. 
- Kết quả mô phỏng áp dụng giải pháp huấn luyện có tạp kết hợp giảm 
tạp trên mô hình 3 BPL song song và mô hình BPL đơn (huấn luyện có 
tạp với 3 mức SNR) cho thấy độ chính xác nhận dạng đạt được đều xấp 
xỉ trường hợp biết tạp. Kết quả này cho thấy giải pháp đề xuất cải thiện 
chất lượng nhận dạng trong điều kiện bất định về tỷ số tín trên tạp tốt hơn 
so với mô hình thích nghi trong TLTK [47] (Mô hình này có độ chính xác 
nhận dạng thấp hơn đáng kể độ chính xác nhận dạng trường hợp biết tạp 
ở dải SNR thấp). 
- Thuật toán giảm tạp theo ngưỡng đề xuất có ưu điểm là đơn giản, dễ 
thực hiện, xử lý tự động theo từng CDCL, không đòi hỏi cao về tốc độ và 
dung lượng tính toán, nhưng có hạn chế là cần phải thực hiện mô phỏng 
thực nghiệm để xác định hệ số h. Việc thêm hệ số h vào ngưỡng (so với 
ngưỡng trong [17], [19]) trong phương pháp giảm tạp theo ngưỡng là cần 
thiết nhằm nâng cao hiệu quả giảm tạp. 
- Mô hình BPL song song đề xuất là một phương án hiệu quả có thể 
sử dụng để nâng cao chất lượng nhận dạng trong điều kiện bất định về tỷ 
số tín trên tạp. Ưu điểm của mô hình này là kích thước tập dữ liệu huấn 
luyện nhỏ hơn so với trường hợp BPL đơn huấn luyện có tạp với nhiều 
mức SNR. Hạn chế của mô hình này là cần ước lượng SNR để lựa chọn 
kết quả phân lớp từ các kênh phân lớp thành phần. 
Hình 3.19. Độ chính xác nhận 
dạng của mô hình ba bộ phân 
lớp song song huấn luyện một 
mức SNR có giảm tạp 
-10 -5 0 5 10 15
0
10
20
30
40
50
60
70
80
90
100
S/N DLKT(dB)
X
a
c
 s
u
a
t 
n
h
a
n
 d
a
n
g
 d
u
n
g
 (
%
)
BSNR
MHBPLSS
 21 
3.3. Khảo sát đánh giá mô hình nhận dạng dựa trên cơ sở phân đoạn 
dữ liệu theo góc phương vị 
3.3.1. Lưu đồ chương trình mô phỏng 
Phần này trình bày nội dung mô phỏng khảo sát hiệu quả của mô hình 
nhận dạng phân đoạn cơ sở dữ liệu theo góc hướng (hình 2.6) áp dụng 
trong điều kiện cố định góc ngẩng và phân đoạn đều theo phương vị. Việc 
khảo sát được thực hiện cho 6 trường hợp với độ rộng phân đoạn phương 
vị 𝛥 lần lượt là 90, 60, 45, 36, 30, 20. Trung bình xác suất nhận 
dạng đúng được ước lượng cho 14 mức SNR (-10, -8,..., 16dB) với giả 
thiết 𝑆𝑁𝑅 𝐻𝐿 = 𝑆𝑁𝑅 𝐾𝑇. 
3.3.2. Kết quả mô phỏng 
Kết quả mô phỏng (hình 3.22) cho 
thấy: mô hình đề xuất trong tất cả các 
trường hợp các phân đoạn khác nhau 
đều có độ chính xác nhận dạng cao hơn 
đáng kể so với trường hợp mô hình 
BPL đơn không phân đoạn CSDL 
(BSNR- là kết quả trường hợp biết tạp 
mục 3.1), đặc biệt khi SNR thấp; phân 
đoạn góc phương vị càng hẹp thì chất 
lượng nhận dạng càng cao. 
3.3.3. Thảo luận 
Do giảm thiểu được việc phân lớp nhầm các mục tiêu khác nhau ở 
góc phương vị khác nhau nên mô hình nhận dạng dựa trên phân đoạn 
CSDL theo phương vị cải thiện đáng kể chất lượng nhận dạng, đặc biệt là 
khi SNR nhỏ. Hạn chế của mô hình là: cần sử dụng song song nhiều BPL, 
yêu cầu ước lượng được phương vị của mục tiêu đang quan sát với độ 
chính xác cần thiết. 
3.4. Khảo sát đánh giá thuật toán nhận dạng- phân biệt mục tiêu chưa biết 
3.4.1. Lưu đồ chương trình mô phỏng 
Phần này trình bày nội dung mô phỏng khảo sát mô hình NDPBMT 
(hình 2.8) trong điều kiện biết tạp với các trường hợp mục tiêu đã biết và 
mục tiêu chưa biết khác nhau. Kết quả mô phỏng thể hiện trong ma trận 
nhầm lẫn và được so sánh với trường hợp BPL đơn thông thường. Hệ số 
điều chỉnh r và ngưỡng phân biệt được xác định bằng phương pháp mô 
phỏng thực nghiệm theo quy trình đã đưa ra trong mục 2.4.3. 
Hình 3.22. Độ chính xác 
nhận dạng trong các trường 
hợp độ rộng phân đoạn theo 
góc phương vị khác nhau 
-6 -4 -2 0 2 4 6 8 10 12 14 16
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
 (
%
)
BSNR
PD=90do
PD=60do
PD=45do
PD=36do
PD=30do
PD=20do
 22 
3.4.2. Kết quả mô phỏng 
Kết quả mô phỏng là ma trận nhầm lẫn (bảng 3.8) thể hiện xác suất 
nhận dạng 9 mục tiêu đã biết là Tu16, B1b, B52, Mig21, Tornado, F15, 
Alcm, Glcm, Decoy (từ tập DL1) và 2 mục tiêu chưa biết An26, An64, 
của mô hình NDPBMT ở mức SNR bằng 16 dB. Ta có thể thấy rằng mô 
hình NDPBMT vừa đảm bảo nhận dạng được các mục tiêu đã biết, vừa 
có thể phân biệt đúng các mục tiêu AN26, An64 thành mục tiêu chưa biết 
(MTCB) với xác suất phân biệt đúng lần lượt bằng 95,8% và 77,6%. 
3.4.3. Thảo luận 
Thuật toán nhận dạng – phân biệt mục tiêu chưa biết đảm bảo khả năng 
phân biệt mục tiêu chưa biết và cho phép nâng cao độ tin cậy quyết định 
nhận dạng các mục tiêu đã biết nhờ việc loại bỏ các kết quả nhận dạng có 
độ chắc chắn thấp bằng ngưỡng phân biệt. So với kết quả nghiên cứu trong 
[52], mô hình đề xuất có ưu điểm ở khả năng áp dụng cho các BPL thông 
dụng trong nhận dạng mục tiêu ra đa như mạng nơ ron, SVM,... Hạn chế 
của mô hình này là cần phải thực hiện mô phỏng để xác định ngưỡng. 
3.5. Kết luận chương 3 
- Các giải pháp khắc phục bất định về SNR đã đề xuất ở chương 2 
(kết hợp sử dụng giải pháp huấn luyện có tạp và giảm tạp trong CDCL 
trong mô hình BPL song song hoặc BPL đơn huấn luyện với nhiều mức 
SNR) cho phép cải thiện đáng kể chất lượng nhận dạng. 
- Mô hình nhận dạng phân đoạn CSDL theo góc phương vị hạn chế 
được việc phân lớp nhầm khi CDCL của các lớp mục tiêu có mối tương 
quan cao tại những góc phương vị khác nhau, nhờ đó đã cải thiện đáng kể 
Bảng 3.8. Ma trận nhầm lẫn trường hợp mô hình NDPBMT, 
MTCB-An26, An64, SNR = 16 dB 
 Tu16 
(%) 
B1b 
(%) 
B52 
(%) 
Mig21 
(%) 
Tornado 
(%) 
 F15 
(%) 
Alcm 
(%) 
Glcm 
(%) 
Decoy MTCB 
(%) 
B52 88,0 0,9 0 0 0 0 0 0 0,4 10,7 
B1b 0 91,6 0 0 0 0 0 1,3 0 7,1 
Tu16 0 0 94,7 0 0 0 0 0 0 5,3 
Mig21 0 0 0 82,7 0,9 0 1,8 0,4 0,9 13,3 
F15 0 1,8 0 0 88,4 0 1,3 0,4 0,9 7,1 
Tornado 0,4 0,4 0 1,3 0,4 84,0 0 0 0 13,3 
Glcm 0 0 0 0,4 0,9 0,4 71,6 5,8 0,4 0 
Alcm 0 0 0 0 0 0 0,4 82,7 0,4 16,4 
Decoy 0 0 0 0 0 0 0,9 3,1 85,3 10,7 
An26 0 2,7 0 0 0 0,9 0,7 0 0 95,8 
An64 0 0 0 1,3 4,2 3,8 11,1 2,0 0 77,6 
 23 
chất lượng nhận dạng, đặc biệt khi các CDCL có mức SNR thấp. 
- Thuật toán nhận dạng có phân biệt mục tiêu chưa biết, xây dựng trên 
cơ sở mô hình mục tiêu đã biết (phân bố các giá trị liên thuộc lớp) và 
ngưỡng phân biệt, đáp ứng được yêu cầu phân biệt mục tiêu chưa biết và 
nâng cao độ tin cậy của quyết định nhận dạng mục tiêu đã biết. 
KẾT LUẬN 
Kết quả đạt được của luận án: 
- Khảo sát tình hình nghiên cứu, hệ thống hóa vấn đề bất định về thông 
tin tiên nghiệm và hướng khắc phục trong nhận dạng mục tiêu ra đa. 
- Phân tích làm rõ và đưa ra một số giải pháp nâng cao chất lượng 
nhận dạng mục tiêu ra đa theo chân dung cự ly trong một số điều kiện bất 
định về thông tin tiên nghiệm sau: 
 + Bất định về tỷ số tín trên tạp; 
 + Bất định về góc hướng; 
 + Vấn đề mục tiêu chưa biết. 
- Xây dựng chương trình mô phỏng hệ thống nhận dạng mục tiêu ra 
đa dùng mạng RBF kết hợp với các giải pháp khắc phục tính bất định về 
thông tin tiên nghiệm đã đề xuất. Chương trình cho phép khảo sát đánh 
giá chất lượng nhận dạng các lớp mục tiêu bay điển hình theo chân dung 
cự ly phân giải cao trong các điều kiện bất định khác nhau (về tỷ số tín 
trên tạp, về góc hướng và khi xuất hiện mục tiêu chưa biết). 
Kết quả khảo sát bằng mô phỏng cho thấy các giải pháp đề xuất đều 
đem lại sự cải thiện đáng kể về độ chính xác nhận dạng hoặc độ tin cậy 
của quyết định nhận dạng. 
Đóng góp mới của luận án: 
- Đưa ra giải pháp hiệu quả nâng cao chất lượng nhận dạng trong điều 
kiện bất định về tỷ số tín trên tạp, trên cơ sở sử dụng các bộ phân lớp huấn 
luyện có tạp kết hợp với việc giảm tạp trong chân dung cự ly. (Bài báo số 
2 và 4). 
- Đề xuất phương án xây dựng và khảo sát mô hình nhận dạng mục 
tiêu bay theo kiểu phân đoạn cơ sở dữ liệu theo góc phương vị. Mô hình 
này cho phép nâng cao chất lượng nhận dạng, hạn chế việc phân lớp nhầm 
các mục tiêu khi CDCL của chúng ở các phương vị khác nhau có mối 
tương quan cao. (Bài báo số 3). 
- Xây dựng mới thuật toán nhận dạng có phân biệt mục tiêu chưa biết 
theo hướng xây dựng mô hình mục tiêu đã biết dựa trên sự phân bố của 
 24 
giá trị liên thuộc lớp ở đầu ra bộ phân lớp mờ và phân biệt mục tiêu chưa 
biết theo ngưỡng. (Bài báo số 1). 
Hướng nghiên cứu tiếp theo: 
- Thực hiện kiểm chứng những giải pháp này cho các đối tượng nhận 
dạng và với các thuật toán phân lớp khác nhau. 
- Hoàn thiện các giải pháp đề xuất, kết hợp chúng trong một mô hình 
nhận dạng duy nhất.
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ 
[1]. Nguyễn Thanh Hùng, Phạm Văn Hoan, Nguyễn Hoàng Nguyên, 
“Một phương pháp phân biệt mục tiêu chưa biết trong nhận dạng mục tiêu 
ra đa”, Tạp chí Nghiên cứu Khoa học và Công nghệ quân sự, số 32, 2014, 
Viện Khoa học và Công nghệ quân sự. 
[2]. Nguyen Thanh Hùng, Nguyen Hoang Nguyen, “Radar target 
recognition using HRRP in condition of unknown noise”, Journal of 
Military Science and Technology, Special Issue, No.48A, May 2017. 
[3]. Nguyễn Thanh Hùng, Phạm Văn Hoan, Nguyễn Hoàng Nguyên, 
“Nhận dạng mục tiêu ra đa theo chân dung cự ly dựa trên phân đoạn cơ sở 
dữ liệu theo góc phương vị”, Tạp chí Nghiên cứu Khoa học và Công nghệ 
quân sự số 49, tháng 6, 2017, Viện Khoa học và Công nghệ quân sự. 
[4]. Нгуен Хоанг Нгуен, Нгуен Тхань Хунг, “Влияние 
неопределённости интенсивности фона на качество распознавания 
по радиолокационным портретам”, Proceedings of International 
Conference Radar Monitering Systems, 11-2017, Hanoi (đã đăng tại Tạp 
chí Khoa học & Kỹ thuật số đặc biệt “Các hệ thống giám sát bằng Ra đa” 
N0189, tháng 4-2018, Học viện Kỹ thuật quân sự).