Курсовая работа: Обработка информации и принятие решения в системах ближней локации

1 Устойчивость. Наиболее устойчивыми считаются признаки, отвечающие нормальному закону распределения (желательно, чтобы значения признаков не выходили за пределы поля допуска);

2 Сепарабельность. Чем больше расстояние между центрами классов и меньше дисперсия в классе, тем выше показатели качества системы обнаружения или классификации.

В данной работе признаками являются: распределение мощности в десяти равномерных интервалах (по 25 гармоник).

Практическая часть

x1=tr_t200-mean (tr_t200);%Введение центрированного сигнала одного

человека.

x2=fon-mean(fon);%Введение центрированного сигнала

группы людей.

Признаки вычисляются с использованием подгружаемого файла MATRPRIZP:

function [P, Ps]=f (x, fs, N1, N2)

% Программа вычисления матрицы признаков относительной мощности

% сигнала в 10-ти поддиапазонах частот

% Обращение к процедуре: P=MATRPRIZP(x, fs, N1, N2); или [P, Ps]=MATRPRIZP(x, fs, N1, N2);

% x– исходный дискретный сигнал

% P– матрица признаков

% Ps– матрица сглаженных признаков

% Pk – спектр мощность сигнала в текущем окне

% N1 – длинна нарезанных сигналов в отсчетах

% N2 – сдвиг в отсчетах между соседними сигналами

% M– матрица сигналов размерности N1*N2

% Nc– число строк матрицы сигналов

M=matrsig (x, N1, N2);

Nc=length (M(:, 1));

for i=1: Nc Pk(:, i)=SM (M(i,:)', N1, fs); end;

Pk=Pk';

for i=1: Nc

w=sum (Pk(i,:));

P (i, 1)=sum (Pk(i, 1:51))/w; P (i, 2)=sum (Pk(i, 52:103))/w; P (i, 3)=sum (Pk(i, 104:155))/w; P (i, 4)=sum (Pk(i, 156:207))/w;…

P (i, 5)=sum (Pk(i, 208:259))/w; P (i, 6)=sum (Pk(i, 260:311))/w; P (i, 7)=sum (Pk(i, 312:363))/w; P (i, 8)=sum (Pk(i, 364:415))/w; P (i, 9)=sum (Pk(i, 416:467))/w; P (i, 10)=sum (Pk(i, 468:512))/w;