MộT phương pháp phân biệt mục tiêu chưa biết trong nhận dạng mục tiêu ra đa

Ra đa N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.” 10 MéT ph­¬ng ph¸p ph©n biÖt môc tiªu ch­a biÕt trong nhËn d¹ng môc tiªu ra ®a NGUYỄN THANH HÙNG*, PHẠM VĂN HOAN**, NGUYỄN HOÀNG NGUYÊN*** Tóm tắt: Bài báo đề xuất một phương pháp phân biệt mục tiêu chưa biết, sử dụng trong các hệ thống nhận dạng mục tiêu ra đa kiểu SVM (Support Vector Machine). Bản chất của phương pháp này dựa trên sự khác biệt về phân bố các giá trị xác suất liên thuộc lớp - CMP (Class Membership Probabilities) đối với mục tiêu đã biết và mục tiêu chưa biết. Ngưỡng phát hiện được xác định riêng cho từng lớp mục tiêu theo kết quả ước lượng tham số thống kê của hệ thống nhận dạng. Kết quả mô phỏng cho thấy hiệu quả của phương pháp đề xuất. Từ khóa: Nhận dạng mục tiêu ra đa, Phân biệt mục tiêu, Xác suất liên thuộc lớp, Máy véc tơ tựa. 1. MỞ ĐẦU Việc phân lớp trong các hệ thống nhận dạng mục tiêu ra đa được thực hiện trên cơ sở dữ liệu đã có (thông tin tiên nghiệm) về từng lớp (kiểu loại) mục tiêu cần phân biệt. Trong thực tế, việc thu thập thông tin tiên nghiệm của các lớp mục tiêu, đặc biệt là những mục tiêu quân sự (ví dụ như các phương tiện bay) của đối phương là rất khó khăn. Như vậy, sẽ xảy ra khả năng trong vùng quan sát xuất hiện mục tiêu mà hệ thống nhận dạng hoàn toànchưa có thông tin về nó (mục tiêu lạ, mục tiêu chưa biết). Mục tiêu này sẽ được nhận biết thành một trong những lớp mục tiêu mà hệ thống nhận dạng có khả năng phân biệt. Quyết định sai của hệ thống nhận dạng trong những trường hợp như vậy có thể dẫn đến những hậu quả nghiêm trọng. Vấn đề nêu trên có thể khắc phục bằng cách bổ sung vào hệ thống nhận dạng một bộ phân biệt mục tiêu chưa biết (Unknown Target Discriminator). Bộ phân biệt này có chức năng xác định mục tiêu đang quan sát là mục tiêu đã biết hay chưa biết. Nếu là mục tiêu đã biết thì nó sẽ được phân lớp theo thuật toán cùng cơ sở dữ liệu đã có của hệ thống nhận dạng. Trường hợp ngược lại, mục tiêu chưa biết sẽ được chuyển tiếp để phân tích ở thiết bị khác, đồng thời dữ liệu thu thập được về mục tiêu này có thể được cập nhật vào cơ sở dữ liệu của hệ thống nhận dạng dưới dạng thông tin tiên nghiệm của lớp mục tiêu mới. Có hai hướng chính để xây dựng bộ phân biệt mục tiêu chưa biết: hướng thứ nhất là xây dựng mô hình mục tiêu đã biết và phân biệt nó với mục tiêu chưa biết theo ngưỡng [2]; hướng thứ hai là tạo tập dữ liệu huấn luyện của mục tiêu chưa biết dựa trên giả định phân bố xác suất nào đó, sau đó sử dụng bộ phân loại hai lớp để phân biệt [3]. Theo hướng thứ nhất, [2] xây dựng mô hình thống kê của mục tiêu đã biết dựa vào độ chắc chắn phân lớp tính theo khoảng cách Mahalanobis và xác định ngưỡng phân biệt theo phương pháp thống kê tính theo xác suất nhận dạng sai (hay báo động nhầm) được chọn cố định bằng 3. Ngưỡng phân biệt theo phương pháp này chưa đặc trưng cho các trường hợp dữ liệu mục tiêu có nhiễu, nên không đảm bảo khả năng phân biệt các mục tiêu đã biết và chưa biết trong điều kiện có nhiễu. Bài báo này đề xuất một phương pháp phân biệt mục tiêu chưa biết theo hướng thứ nhất. Trong đó, mô hình của mỗi lớp mục tiêu đã biết được thể hiện bằng sự phân bố các giá trị xác suất liên thuộc lớp - CMP (Class Membership Probabilities) ở đầu ra bộ phân lớp SVM (Support Vector Machine) [1] đối với các dữ liệu đã biết tương ứng lớp mục tiêu đó, ngưỡng phân biệt được xác định cho từng lớp mục tiêu đã biết theo kết quả ước lượng tham số thống kê của hệ thống. Kết quả mô phỏng cho thấy phương pháp đạt kết quả khá tốt trong bài toán nhận dạng mục tiêu bay theo chân dung cự ly độ phân giải cao ở các điều kiện tỷ số tín trên tạp khác nhau. Các nội dung được trình bày trong bài báo này như Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 32, 08 - 2014 11 sau. Phần 2 giới thiệu chung về các bộ phân lớp và các giá trị xác suất liên thuộc lớp của chúng. Phần 3 trình bày mô hình hệ thống nhận dạng với thuật toán phân biệt mục tiêu chưa biết xây dựng trên cơ sở phương pháp đề xuất. Phần 4 trình bày các kết quả mô phỏng. Phần 5 là phần kết luận. 2. BỘ PHÂN LỚP - HÀM LIÊN THUỘC LỚP - XÁC SUẤT LIÊN THUỘC LỚP Gọi = [;, , ] là véc tơ dữ liệu thể hiện chân dung ra đa của mục tiêu cần nhận dạng; ( = 1,2, , ) là ký hiệu các lớp mục tiêu mà hệ thống có thể nhận dạng (phân lớp). Trên cơ sở thông tin tiên nghiệm đã có về ( = 1,2, , ) và dữ liệu = [;, , ]nhận được trong thời gian quan sát, tại đầu ra bộ phân lớp sẽ hình thành bộ giá trị các hàm liên thuộc lớp ()( = 1, 2, , ). Số lượng và số thứ tự hàm này trùng với số lượng và số thứ tự của các lớp mục tiêu, nó lượng hóa khả năng mục tiêu đang quan sát thuộc vào lớp mục tiêu tương ứng. Tùy theo cách phân lớp và ra quyết định của hệ thống mà hàm liên thuộc lớp được hình thành dưới các dạng khác nhau. Trường hợp việc phân lớp và ra quyết định theo lý thuyết ra quyết định cứng cổ điển (Crisp), mỗi mục tiêu cần nhận dạng sẽ được xác định là thuộc một lớp duy nhất trong số các lớp mục tiêu đã biết. Khi này, ứng với mỗi = [;, , ] chỉ có 1 hàm liên thuộc lớp nhận giá trị “1”, các hàm còn lại nhận giá trị “0”. Quy tắc ra quyết định cuối cùng có dạng: “Với mọi = 1, 2, , :  nếu () = 1 thì ∗ = ∗ ( thuộc lớp );  nếu () = 0 thì ∗ ≠ ∗ ( không thuộc lớp )”. Trường hợp phân lớp và ra quyết định theo lý thuyết logic mờ (Fuzzy), mỗi mục tiêu cần nhận dạng được xác định là có thể đồng thời thuộc nhiều lớp mục tiêu khác nhau với các hàm liên thuộc lớp tương ứng. Thông thường, giá trị () thể hiện xác suất để mục tiêu với dữ liệu thuộc vào lớp . Khi đó: 0 ≤ () ≤ 1 với mọi = 1, 2, , và ∑ () = 1. Quy tắc ra quyết định cuối cùng có dạng: “Nếu argmax ,,, {()} = thì ∗ = ∗ ( thuộc lớp )”. Trong trường hợp trên, các hàm ()( = 1, 2, , ) được gọi là giá trị xác suất liên thuộc lớp - CMP (Class Membership Probabilities). Chúng có thể dễ dàng lấy ra trong các bộ phân lớp kiểu SVM [1]. 3. XÂY DỰNG MÔ HÌNH HỆ THỐNG NHẬN DẠNG VỚI THUẬT TOÁN PHÂN BIỆT MỤC TIÊU CHƯA BIẾT Xét một bộ phân lớp SVM với lớp mục tiêu. Mỗi giá trị CMP () của kênh nhận dạng thứ tương ứng thể hiện xác suất mục tiêu với dữ liệu (mục tiêu đang quan sát) thuộc vào lớp (0 ≤ () ≤ 1 với mọi = 1, 2, , và ∑ () = 1). Khi mục tiêu đang quan sát thực tế thuộc lớp thì giá trị CMP của kênh này (/) càng lớn (càng gần bằng 1 trong trường hợp tỷ số tín trên tạp càng cao). Trường hợp còn lại (mục tiêu đang quan sát thuộc lớp hoặc là loại mục tiêu chưa biết) thì giá trị CMP của kênh này(/) thấp hơn rõ rệt. Như vậy, ta có thể lựa chọn sử dụng phân bố các giá trị CMP(/), ( = 1, 2, , ) làm mô hình thống kê của các lớp mục tiêu đã biết. Đặc điểm của phân bố này là tập trung về phía bên phải của đoạn số thực [0,1]. Sử dụng ngưỡng ( = 1, 2, , ) một cách phù hợp ta có thể ra quyết định là mục tiêu chưa biết (khi () < γ với mọi = 1, 2, , ) hay thuộc một trong các lớp mục tiêu đã biết (trường hợp ngược lại). Trường hợp đã xác định được ()là giá trị CMP cực đại Ra đa N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.” 12 (argmax ,,, {()} = ) thì chỉ cần so sánh nó với ngưỡng γtương ứng. Như vậy, để triển khai thuật toán phân biệt mục tiêu chưa biết, cần xác định tập giá trị ngưỡng ( = 1,2, , ). Trong các bộ phân lớp SVM, tập giá trị này có thể xác định bằng phương pháp ước lượng các tham số thống kê của hệ thống theo quy trình sau: - Bước 1: Chia đều dữ liệu thông tin tiên nghiệm về các lớp mục tiêu đã biết (gồm lớp) thành hai tập dữ liệu huấn luyện S1 và dữ liệu kiểm tra S2; - Bước 2: Cho bộ phân lớp SVM ‘huấn luyện’ bằng tập S1; - Bước 3: Cho bộ phân lớp SVM ‘kiểm tra’ bằng tập dữ liệu S2; - Bước 4: Theo kết quả ‘kiểm tra’ thực hiện: + Xây dựng biểu đồ phân bố các giá trị CMP (/), ( = 1, 2, , ); + Ước lượng xác suất nhận dạng đúng của từng lớp mục tiêu theo công thức = , trong đó là số chân dung mục tiêu lớp được dùng để kiểm tra, là số chân dung mục tiêu lớp được nhận dạng đúng ( = 1, 2, , ); - Bước 5: Xác định ngưỡng phân biệt ( = 1,2, , ) theo điều kiện sau: { ≥ /} ≈ Tập giá trị ngưỡng được lưu lại trong bộ nhớ và sẽ dùng làm ngưỡng phân biệt của hệ thống trong chế độ nhận dạng với mục tiêu thật. Sơđồ khối chức năng hệ thống nhận dạng có phân biệt mục tiêu chưa biết (viết tắt là HTNDPBMT) được thể hiện trên hình 1. Hệ thống nhận dạng này hoạt động trong hai chế độ: - Chế độ tạo cấu hình và tham số hệ thống: Thực hiện theo 5 bước trình bày ở trên. Kết quả của giai đoạn này là: + Bộ SVM ở trạng thái sẵn sàng làm việc ở chế độ nhận dạng; + Tập giá trị ngưỡng phân biệt ( = 1,2, , ) cho từng lớp mục tiêu đã biết. - Chế độ nhận dạng có phân biệt mục tiêu chưa biết: Đầu tiên phải xác định giá trị CMP cực đại sau đó ra quyết định theo quy tắc: “Nếu ,,, {()} = và () ≥ thì ∗ = ∗ ( thuộc lớp ); () < thì ∗ = ∗ ( thuộc lớp mục tiêu chưa biết)”. Hình 1. Sơ đồ hệ thống nhận dạng mục tiêu ra đa có phân biệt mục tiêu chưa biết. 4. KẾT QUẢ MÔ PHỎNG SVM max Mạch Cực đại Mạch So sánh ≡ Ngưỡng <(MT chưa biết) ≥ (MT đã biết) ∗ = ∗ x Hệ thống nhận dạng có phân biệt mục tiêu chưa biết Dữ liệu huấn luyện Xác định ngưỡng () () () () () () Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 32, 08 - 2014 13 - Mục đích mô phỏng: Kiểm tra hiệu quả của mô hình đề xuấtbằng phương pháp mô phỏng trên phần mềm matlab trong trường hợp nhận dạng các mục tiêu bay sử dụng dấu hiệu nhận dạng là chân dung ra đa cự ly phân giải cao. - Điều kiện mô phỏng: Sử dụng ”Phần mềm mô phỏng tín hiệu phản xạ mục tiêu ra đa” [4] để tạo ra các tín hiệu phản xạ ra đa (chân dung cự ly ra đa) với các chế độ đặt như sau: + Ra đa: Ra đa cự ly phân giải cao (tham số cụ thể trình bày trong bảng 1). + Mục tiêu quan sát: 7 mục tiêu bay B-52, B-1b, Tu-16, Tornado, Mig-21, F-15 và An-26, trong đó coi 5 mục tiêu đầu tiên là 5 lớp đã biết, hai mục tiêu cuối cùng thuộc loại chưa biết. Các tham số về kích thước của các mục tiêu được trình bày trong bảng 2. + Cơ sở dữ liệu chân dung cự ly: * Góc hướng của mục tiêu: Chân dung cự ly phân giải cao có độ nhạy cảm cao với sự thay đổi góc hướng (góc phương vị, góc ngẩng) của mục tiêu. Để đơn giản bài toán mô phỏng nhưng vẫn đảm bảo số lượng mẫu dữ liệu, góc ngẩng của mục tiêu được đặt bằng 0, góc phương vị được đặt trong khoảng0 đến 180với số lượng mẫu của mỗi mục tiêu là 900 tương ứng với 900 vị trí góc phương vị cách đều nhau, khoảng cách góc giữa hai vị trí là 0,2° [5]. (Mục tiêu được coi là đối xứng qua mặt phẳng trục dọc của nó, nên ta chỉ xét phạm vi góc phương vị từ 0180). * Phân chia tập dữ liệu huấn luyện và kiểm tra: Dữ liệu của mỗi mục tiêu đã biết được chia thành 2 phần bằng nhau, phần có chỉ số lẻ dùng làm dữ liệu huấn luyện, phần có chỉ số chẵn dùng làm dữ liệu kiểm tra. Dữ liệu của các mục tiêu chưa biết dùng để kiểm tra. Như vậy tập dữ liệu huấn luyện (tập S1) gồm 2250(=4505) chân dungcự ly của 5 lớp mục tiêu đã biết; Dữ liệu kiểm tra gồm 2250(=4505) chân dung cự ly của 5 lớp mục tiêu đã biết (tập S2) và 1800 (=9002)chân dung cự ly của 2 lớp mục tiêu chưa biết (tập S3). - Nội dung mô phỏng: + Cộng tạp trắng Gauss vào tập dữ liệu huấn luyện và kiểm tra theo tỷ lệ tín trên tạp lần lượt là 5 dB, 10dB, 15dB, 20dB, 25 dB. Thực hiện chuẩn hóa biên độ tín hiệu trong đoạn [0,1]. Các tham số của bộ phân lớp SVM: C=13,45;γ=0,18 (C và γ được xác định bằng phần mềm theo phương pháp ”Grid-search on C and γ using cross-validation” [1]). + Với mỗi tỷ lệ tín trên tạp, thực hiện mô phỏng mô hình HTNDPBMT như sau: * Chế độ tạo cấu hình và tham số: Thực hiện các bước xác định tập giá trị ngưỡng phân biệt ( = 1,2, , ) như trình bày ở trên. * Thực hiện nhận dạng tập dữ liệu kiểm tra S2+S3. Tính các xác suất ra quyết định đúng Dk, xác suất ra quyết định sai / (, = 0, 1, 2, , ; ≠ ) (xác suất nhận dạng sai mục tiêu i thành mục tiêu k), thể hiện kết quả trên ma trận kết quả (ma trận confusion). - Kết quả mô phỏng: Các bảng 3, 4, 5, 6, 7thể hiệncác kết quả mô phỏng ở các trường hợp tỷ số tín trên tạp tương ứng là 25dB, 20dB, 15dB, 10dB và 5dB. Bảng 1. Tham số ra đa Bảng 2. Kích thước mục tiêu TT Tên tham số Giá trị TT Kiểu loại mục tiêu Ch. dài (m) Ch. rộng (m) 1 Dạng tín hiệu Xung ĐTTT 1 B-52 49,5 56,4 2 Dải sóng 3 cm 2 B-1b 44,8 23,8 3 Độ rộng xung 30μs 3 Tu-16 34,8 33,0 4 Tần số lặp lại 1000 Hz 4 Tornado 16,72 13,91 5 Băng thông 250 MHz 5 Mig-21 15,76 7,15 6 Phân cực Ngang 6 F-15 19,43 13,05 7 Số điểm cự ly 128 7 An-26 23,8 29,2 Ra đa N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.” 14 Bảng 3.Ma trận confusion của HTNDPBMT khi SNR = 25 dB B-52* () B-1b* () Tu-16* () Tornado* () Mig-21* () MTchưa biết*() B-52 94,49 0 0 0 0 5,51 B-1b 0,09 88,67 0 0 0 11,24 Tu-16 0 0,22 92,49 0 0 7,29 Tornado 0 0,04 0 83,29 0 16,67 Mig-21 0 0 0 0,09 90,22 9,69 F-15 0 1,82 0,76 16,49 1,73 79,20 An-26 0,13 11,51 0,47 5,53 0 82,36 Bảng 4.Ma trận confusion của HTNDPBMT khi SNR = 20 dB B-52* () B-1b* () Tu-16* () Tornado* () Mig-21* () MTchưa biết*() B-52 92,36 0 0 0 0 7,64 B-1b 0,13 88,27 0 0,04 0 11,56 Tu-16 0 0,22 91,47 0 0 8,31 Tornado 0 0,04 0 83,11 0,22 16,63 Mig-21 0 0 0 0,18 89,51 10,31 F-15 0 2,16 0,91 16,69 1,71 78,53 An-26 0,27 11,60 0,73 6,76 0,33 80,31 Bảng 5.Ma trận confusion của HTNDPBMT khi SNR = 15 dB B-52* () B-1b* () Tu-16* () Tornado* () Mig-21* () MTchưa biết* () B-52 91,87 0 0 0 0 8,13 B-1b 0,18 85,20 0 0,09 0 14,53 Tu-16 0,04 0,04 89,47 0 0,09 10,36 Tornado 0 0,18 0 79,38 1,11 19,33 Mig-21 0 0 0,04 0,40 83,96 15,60 F-15 0,11 2,93 4,47 18,09 3,04 71,36 An-26 1,33 12,53 2,20 9,16 1,09 73,69 Bảng 6.Ma trận confusion của HTNDPBMT khi SNR = 10 dB B-52* () B-1b* () Tu-16* () Tornado* () Mig-21* () MTchưa biết*() B-52 81,78 0,09 0,49 0,09 1,02 16,53 B-1b 0,31 80,27 0,13 0,49 0,04 18,76 Tu-16 0,22 0,31 81,16 0,09 0,58 17,64 Tornado 0,04 0,22 0,36 69,33 5,96 24,09 Mig-21 0,09 0,13 0,67 1,64 73,73 23,74 F-15 0,90 3,49 8,56 27,09 4,40 55,56 An-26 6,00 14,76 5,73 13,60 1,27 58,64 Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 32, 08 - 2014 15 Bảng 7.Ma trận confusion của HTNDPBMT khi SNR = 5 dB B-52* () B-1b* () Tu-16* () Tornado* () Mig-21* () MTchưa biết*() B-52 54,93 1,29 2,71 1,64 7,91 31,52 B-1b 0,93 65,87 2,09 2,76 0,71 27,64 Tu-16 1,24 1,60 59,11 1,02 4,27 32,76 Tornado 0,27 1,56 1,07 49,24 13,56 34,30 Mig-21 0,53 0,09 2,09 3,87 56,80 36,62 F-15 0,78 5,58 13,20 23,91 5,53 51,00 An-26 3,22 16,09 8,51 15,56 3,06 53,56 - Nhận xét: + Kết quả mô phỏng cho thấy mô hình HTNDPBMT phân lớp đúng 5 mục tiêu đã biết, đồng thời cũng phân biệt đúng hai mục tiêu F-15 và An-26 là mục tiêu chưa biết trong tất cả các trường hợp mô phỏng. Ta có thể thấy rằng HTNDPBMTkhông những cho xác suất phân biệt mục tiêu chưa biết cao (trung bình 80,8 khi SNR bằng 25dB) mà còn vẫn đảm bảo được xác suất nhận dạng đúng cao (trung bình 90 khi SNR bằng 25dB). Ngoài ra, nhờ việc loại bỏ kết quả nhận dạng các dữ liệu mục tiêu có độ chắc chắn phân lớp thấp (có giá trị CMP nhỏ hơn ngưỡng phân biệt), nên mô hình này còn có tác dụng nâng cao độ tin cậy nhận dạng mục tiêu đã biết (giảm xác suất nhận dạng sai giữa các lớp mục tiêu đã biết / ). + So với mô hình trong [2], mô hình HTNDPBMTcó khả năng phân biệt các mục tiêu chưa biết trong điều kiện dữ liệu có nhiễu. Điều này đạt được là do ngưỡng phân biệt của các lớp mục tiêu trong HTNDPBMTđược xác định theo đặc tính thống kê của dữ liệu huấn luyện nên có giá trị phù hợp với dữ liệu huấn luyện ở các tỷ lệ tín trên tạp khác nhau. 5. KẾT LUẬN Bài báo đề xuất một phương pháp phân biệt mục tiêu chưa biết trong nhận dạng mục tiêu ra đa dựa trên cơ sở phân bố các giá trị xác suất liên thuộc lớp CMP của bộ phân loại SVM [1] với ngưỡng phân biệt được xác định theo kết quả ước lượng tham số thống kê của hệ thống. Phương pháp được áp dụng trong mô hình hệ thống nhận dạng có phân biệt mục tiêu chưa biếtHTNDPBMT. Kết quả mô phỏng cho thấy HTNDPBMTcó khả năng phân biệt mục tiêu chưa biếttrong điều kiện có nhiễu, đồng thời vẫn đảm bảo xác suất nhận dạng đúng cao đối với các mục tiêu đã biết. Ngoài ra,mô hình này còn có tác dụng làm nâng cao độ tin cậy nhận dạng mục tiêu đã biết nhờ việc làm giảm đi đáng kể xác suất nhận dạng sai giữa các lớp mục tiêu đã biết. Mô hình này có thể áp dụng với các bộ phân lớp fuzzy khác có đầu ra là các giá trị CMP và có thể ứng dụng cho các kỹ thuật nhận dạng theo các loại chân dung ra đa khác. TÀI LIỆU THAM KHẢO [1]. C. C. Chang and C. J. Lin, “LIBSVM: a library for support vector machines”, Software (2001). [3]. K. Liao, J. S. Fu, W. L, “A refuse-recognition method for radar HRRP target recognition based on mahalanobis distance”, IEEE ICCASM, 2010, pp. 503-506. [3]. Rong Wang, Daiying Zhou, Chundan Zheng, Ke Song, Jinzhou Su, “Unknown Target Rejection Based on Prior Knowledge and Statistical Model Using HRRP”, Journal of Information & Computational Science 9: 16, 2012, 4737-4744. Ra đa N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.” 16 [4]. S. A Gorshkov, S P Leschenko, V. M. Orlenko, S. Y. Sedyshev, and Y. D. Shirman, “Radar Target Backscattering Simulation Software and User's Manual”, Boston, MA: Artech House, 2002. [5]. C. R. Smith and P. M. Goggans “Radar target identification.”, IEEE Antennas andPropagation Magazine. April 1993. vol. 35. pp. 27-38. ABSTRACT A METHOD FOR UNKNOWN TARGETDISCRIMINATION IN RADAR TARGET RECOGNITION This paper proposes a method of unknown target discrimination, utilising in radar target recognition systems using SVM (Support Vector Machines). The method is based on the different distributions of associated probability values of CMP (class membership probabilities) for known and unknown targets. The detection threshold is separately determined for each target class as a result of the statistical parameter estimation of identification systems. The simulated results show the effectiveness of the proposed method. Keywords: Radar target recognition, Target discrimination, CMP, SVM. Nhận bài ngày 10 tháng 4 năm 2014 Hoàn thiện ngày 12 tháng 6 năm 2014 Chấp nhận đăng ngày 15 tháng 7 năm 2014 Địa chỉ: * Viện Kỹ thuật Quân sự Phòng không- Không quân; ** Viện KHCN&QS; *** Học viện KTQS.