DOI
10.34229/KCA2522-9664.25.5.17
УДК 53.088.3+53.088.7
Ю.К. ТАРАНЕНКО
Приватне підприємство «Лікопак», Дніпро, Україна, 
tatanen@ukr.net
О.Ю. ОЛІЙНИК
Дніпровський фаховий коледж радіоелектроніки, Дніпро, Україна,
oleinik_o@ukr.net
Ю.В. ХОМЯК
Національний технічний університет «Харківський політехнічний інститут»,
homyak.yv@gmail.com
ПОБУДОВА ROC-КРИВИХ РАДІОЛОКАЦІЙНИХ СИГНАЛІВ
З ПОРОГОМ ВИЯВЛЕННЯ ЗА ПОКАЗНИКОМ ХЕРСТА
Анотація. Побудовано ROC-криву, яка визначає характеристику приймача сигналів з фрактально залежним коефіцієнтом виявлення радіолокаційних сигналів з використанням неперервної вейвлет-декомпозиції сигналів із часової області у частотну та з визначенням фрактальних ознак за допомогою узагальненого коефіцієнта Херста. Ця ROC-крива розташована у верхньому лівому куті графіка, що вказує на високий істинно-позитивний показник і свідчить про правильне визначення позитивних результатів. А крива, побудована з використанням як фрактальних ознак класичного коефіцієнта Херста, локалізована уздовж діагоналі графіка, що підтверджує низьку якість виявлення. Показано, що для 2D-зображень вейвлет-спектрів як фрактальна ознака може бути застосована розмірність Мінковського — залежність між максимумами фрактальної розмірності та потужності шуму. Це дало змогу ідентифікувати зображення спектрів. Визначено поріг такої ідентифікації на основі порівняння автокогерентності рядів вейвлет-коефіцієнтів, з яких генеруються зазначені зображення.
Ключові слова: ROC-аналіз сигналів, фрактальна розмірність, коефіцієнт Херста, фрактальна розмірність Мінковського, вейвлет-декомпозиція, радіолокаційний сигнал.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Бешлей М.І., Ковальчук О.В., Андрущак В.С., Бешлей Г.В. Методика оптимізації алгоритмів машинного навчання для вбудованих кіберфізичних систем. Таврійський науковий вісник. Сер. Технічні науки. 2024. № 1. С. 12–26.
- 2. Матвієнко Є.П. Виявлення малорозмірних цілей, що низько летять, методом фонової радіолокації. Радіоелектроніка та молодь у XXI столітті: Матеріали 28-го Міжнар. молодіж. форуму (16–18 квіт. 2024 р., Харків, Україна). Харків: ХНУРЕ, 2024. Т. 1. С. 25–26. https://doi.org/10.30837/IYF.ELBE.2024.025.
- 3. Gonсalves L., Subtil A., Oliveira M.R., de Zea Bermudez P. ROC curve estimation: An overview. REVSTAT-Statistical Journal. 2014. Vol. 12, N 1. P. 1–20.
- 4. Chang C.I. Multiparameter receiver operating characteristic analysis for signal detection and classification. IEEE Sensors Journal. 2010. Vol. 10, N 3. P. 423–442. https://doi.org/10.1109/JSEN.2009.2038120.
- 5. Nahm F.S. Receiver operating characteristic curve: overview and practical use for clinicians. Korean Journal of Anesthesiology. 2022. Vol. 75, N 1. P. 25–36. https://doi.org/10.4097/kja.21209.
- 6. Chang C.-I. Hyperspectral target detection: Hypothesis testing, signal-to-noise ratio, and spectral angle theories. IEEE Transactions on Geoscience and Remote Sensing. 2021. Vol. 60. P. 1–23.
- 7. Локтіонова О.С., Геляровська О.А. Застосування методу Херста у сучасній економіці. Інформаційні технології: наука, техніка, технологія, освіта, здоров‘я: Тези доп. 27-ї міжнар. наук.-практ. конф. MicroCAD-2019 (15–17 травня 2019 р.): у 4 ч. Ч. 3. За ред. Є.І. Сокол. Харків: НТУ «ХПІ», 2019. С. 253.
- 8. Akhmet M., Fen M.O., Alejaily E.M.. Dynamics with chaos and fractals. Nonlinear Systems and Complexity. Vol. 29. Cham: Springer, 2020. 226 p. https://doi.org/10.1007/978-3-030-35854-9.
- 9. Чікіна Н.О., Антонова І.В. Предпрогнозний аналіз часових рядів з довготривалою пам’яттю. Вісник Національного технічного університету «ХПІ». Сер. Математичне моделювання в техніці та технологіях. 2022. № 1. С. 130–136. https://doi.org/10.20998/2222-0631.2022.01.14.
- 10. Achalla M., Mack K., Banavar M.K., Vanitha M., Krishnamoorthi H. Statistical methods for fast los detection for ranging and localization. International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE). 2020. Р. 1–5. https://doi.org/10.1109/ic-etite47903.2020.419.
- 11. Hisashi N., MatsushimaY., Ishii R. Confidence interval for the AUC of SROC curve and some related methods using bootstrap for meta-analysis of diagnostic accuracy studies. Communications in Statistics: Case Studies, Data Analysis and Applications. 2021. Vol. 7, N 3. P. 344–358. https://doi.org/10.1080/23737484.2021.1894408.
- 12. Janssens A., Cecile J.W., Forike K. Martens. Reflection on modern methods: Revisiting the area under the ROC curve. International Journal of Epidemiology. 2020. Vol. 49, N 4. P. 1397–1403. https://doi.org/10.1093/ije/dyz274.
- 13. Шустер Г. Детерминированный хаос: Введение. Москва: Мир, 1988. 240 с
- 14. Кириченко Л.О., Дейнеко Ж.В. Оценивание самоподобия стохастического временного ряда методом вейвлет-анализа. Радіоелектронні і комп’ютерні системи. 2009. № 4. С. 99–105.
- 15. Potapov A.A. On the indicatrixes of waves scattering from the random fractal anisotropic surface. In: Fractal Analysis — Applications in Physics, Engineering and Technology. 2017. Р. 187–248. https://doi.org/10.5772/intechopen.68187.
- 16 Зінченко П.П. Рекурентний аналіз самоподібних часових рядів. Науковий вісник Ужгородського університету. Сер. «Математика і інформатика». 2023. Т. 43, № 2. С. 96–106.
- 17. Тараненко Ю.К., Лопатин В.В., Олейник О.Ю. Вейвле;т фильтрация беспороговым методом на примере модельной функции DOPPLER. Известия вузов. Радиоэлектроника. 2021. Т. 64, № 7. Р. 438–448. https://doi.org/10.20535/S0021347021070049.
- 18. Oliinyk O., Taranenko Y., Lopatin V. Analysis of discrete wavelet spectra of broadband signals. CEUR Workshop Proceedings. 2023. Vol. 3392. P.188–198.
- 19. Akujuobi C.M. Wavelets and wavelet transform systems and their applications. Cham: Springer, 2022. 644 p. https://doi.org/10.1007/978-3-030-87528-2.
- 20. Олійник О.Ю., Тараненко Ю.К. Автоматизована система ідентифікації законів розподілу даних аналізом близькості гістограм зі скороченням вибірки. Український метрологічний журнал. 2021. № 3. С. 31–37.
- 21. Hurst exponent evaluation and R/S-analysis. URL: https://pypi.org/project/hurst/.
