В статье рассматривается задача синтеза устройства двухальтернативного радиолокационного распознавания при отсутствии априорных аналитических моделей распределения классификационных признаков. Предложена методика последовательного распознавания радиолокационных объектов, основанная на совместном применении метода опорных векторов и последовательного критерия отношения вероятностей Вальда. На этапе обучения формируется разделяющая гиперплоскость, относительно которой многомерное признаковое пространство преобразуется в одномерную решающую величину – ориентированное расстояние до границы разделения классов. По обучающей выборке оцениваются условные вероятности правильного и ложного распознавания, используемые для формирования приращений решающей статистики. На этапе распознавания статистика рекуррентно накапливается и сравнивается с пороговыми уровнями до принятия решения. Методика сохраняет единую алгоритмическую структуру при изменении состава признаков и допускает адаптацию путем повторного обучения классификатора.

1. Fu K. (1971) Sequential Methods in Pattern Recognition and Machine Learning. Moscow, Nauka (in Russian).

2. Khramiankou A. S., Yarmolik S. N. (2013) The Comparative Analysis of Radar-tracking Searchers Based on Neiman-Pierson Criterion and Sequential Probability Ratio Test. Doklady BGUIR. (6), 72–78 (in Russian).

3. Kent S., Kasapoglu N. G., Kartal M. (2008) Radar Target Classification Based on Support Vector Machines and High Resolution Range Profiles. Proceedings of the IEEE Radar Conference (RADAR 2008). Rome, Italy. 1–6. https://doi.org/10.1109/RADAR.2008.4721107.

4. Jasinski T., Brooker G., Antipov I. (2021) W-Band Multi-Aspect High Resolution Range Profile Radar Target Classification Using Support Vector Machines. Sensors. 21 (7). https://doi.org/10.3390/s21072385.

5. Bufler T. D., Narayanan R. M. (2016) Radar Classification of Indoor Targets Using Support Vector Machines. IET Radar, Sonar & Navigation. 10 (8), 1468–1476. https://doi.org/10.1049/iet-rsn.2015.0580.

6. Murphy K. P. (2012) Machine Learning: A Probabilistic Perspective. Cambridge, MIT Press.