Алгоритм классификации сигналов

Размещено на http://www.allbest.ru/

ОМСК-2006

Алгоритм классификации сигналов

ФУНКЦИОНАЛЬНОЕ НАЗНАЧЕНИЕ И ОБЛАСТЬ ПРИМЕНЕНИЯ

Функциональное назначение заявляемого алгоритма состоит в структуризации некоторого множества сигналов, представленных выборочными рядами наблюдений, путем разбиения этого множества на определенное количество классов и выявление иерархической структуры связей между отдельными сигналами.

Область применения алгоритма - интеллектуальные системы измерения, управления, контроля и диагностики, работающие в режимах интерактивного и автоматического распознавания и идентификации сложных сигналов.

ИСПОЛЬЗУЕМЫЕ ТЕХНИЧЕСКИЕ СРЕДСТВА

Включают персональный компьютер типа PENTIUM-3 и выше с 64 МБ (и выше) оперативной памяти. В простейшем случае программное обеспечение реализуется в среде EXCEL.

СПЕЦИАЛЬНЫЕ УСЛОВИЯ ПРИМЕНЕНИЯ

Определяются конкретной предметной областью применения и оговариваются в техническом задании.

УСЛОВИЯ ПЕРЕДАЧИ ДОКУМЕНТАЦИИ

Техническая документация передается заказчику на договорной основе с заявителем.

ТЕХНИЧЕСКОЕ ОПИСАНИЕ

При разработке интеллектуальных средств измерения, контроля и диагностики возникает необходимость в автоматическом разделении исходной группы сигналов на некоторое количество классов, объединяющих, попавшие в них реализации, по определенному качественному признаку. Для примера можно привести задачу кардиологического обследования пациентов, при котором требуется классифицировать кардиограммы по 4-5 диагностическим признакам, описывающим различные состояния человека из диапазона понятий «здоровый - больной». Подобная ситуация имеет место и при технической диагностике подшипников колесно-моторных пар, когда требуется идентифицировать состояние подшипника с указанием видов возможных дефектов.

Сложность решения подобных задач связана со следующими обстоятельствами. Во-первых, абсолютное большинство таких задач не имеет аналитического описания вообще, или это описание настолько сложно, что не может быть непосредственно реализовано в рамках имеющихся аппаратных, программных или временных ресурсов. Во-вторых, имеется значительная неопределенность в выборе инструментов и методик исследований того, какие характеристики и параметры сигналов могут быть информативными в данной предметной области. В-третьих, даже если группа идентифицирующих параметров известна, приходится искать такие их сочетания, при которых обеспечивается требуемое качество разделения или группировки сигналов.

В настоящее время, наиболее распространенным методом анализа диагностических сигналов, является спектральный анализ. При этом, вполне обоснованно предполагается, что между состояниями объекта диагностики и формой спектральной характеристики сигнала существует логическая связь, используя которую можно сформировать количественные критерии, описывающие изменения состояния. Однако, спектральному анализу присущ ряд недостатков общеметодического и специального характера, к которым, в частности, относятся:

· сложность измерения низкочастотных компонент спектра из-за необходимости использования больших времен измерения;

· влияние шумов вида 1/F, где F - частота измеряемой гармоники, на точность измерения ее амплитуды в низкочастотной части спектра;

· сложность алгоритмов спектрального анализа (в том числе быстрого преобразования Фурье - БПФ) и, как следствие, большие затраты времени на их реализацию при больших объемах исследуемых выборок;

· отсутствие инструментов непосредственного измерения формы спектра, в результате чего приходится измерять множество частных спектральных параметров и связывать их оценки с исследуемым свойством сложными логическими построениями.

В последние годы успешно развивается подход, связанный с анализом фрактальных свойств сигналов во временной области. При этом, в качестве интегральной числовой характеристики состояния объекта, выступает, так называемая, фрактальная размерность. Классификационная мощность этого понятия доказана рядом исследований [1]. Однако фрактальный анализ, в его классической постановке по Херсту - Мандельброту, не различает периодических и случайных стационарных сигналов и их смесей. Поэтому приходится искать новые, более универсальные пути решения задачи классификации сигналов и, соответственно, свойств объектов, которые эти сигналы представляют.

В данной работе описана методика построения алгоритмов автоматической классификации сигналов, основанная на теории идентификационных шкал [2,3].

В качестве примера реализации этой методики предлагается базовый алгоритм (рис.1) классификации сигналов, использующий всего один идентификационный параметр (IdP=K), названный коэффициентом вариабельности (табл.1). Однако, этот параметр определяется дважды - для исходного сигнала и его приращений. Поэтому логический анализ принадлежности имен сигналов измеренным значениям IdP ведется, в соответствии с алгоритмом рис.1, по двум диапазонам изменений значений K1 и трем диапазонам - K2.

Таблица 1

Математические и физические модели идентификационных параметров

Структурная схема интеллектуального анализатора (ИА), позволяющего полностью автоматизировать процедуру классификации, представлена на рис.2.

Исходный непрерывный во времени сигнал X(t) представляется, после аналого-цифрового преобразования, в виде дискретной выборочной реализации, объема N, и записывается в файловом формате в память компьютера. Операции дифференцирования (Диф-1, Диф-2), определения модуля (М1, М2, М3), усреднения (ФНЧ1, ФНЧ2, ФНЧ3) и вычисления (ДУ1, ДУ2) идентификационных параметров K1 и K2 реализуются на программном уровне.

Процедура классификации выполняется логическим анализатором (ЛА). В структурном отношении ЛА представляет собой обычную реляционную БД, записями которой являются имена файлов выборочных реализаций сигналов, а полями - имена идентификационных параметров (K1, K2). В ячейки БД (на пересечении строк и столбцов) записываются численные оценки идентификационных параметров. Анализ сочетаний значений идентификационных параметров позволяет определить - по какому из 6-ти направлений (P1, C1, P2, P3, R1, R2) фильтруется данная запись. Каждое направление имеет свой собственный адрес. Адрес образуется путем перечисления единиц и нулей, соответствующих выполнению условий (Да > «1», Нет > «0») при прохождении алгоритма (рис.1) от входа до выхода. Разрядность адреса определяет «длину пути» прохождения анализа. Чем больше разрядность адреса, тем более «точно» определяется некоторое свойство сигнала, например, в том смысле, что увеличивается число различимых градаций интенсивности проявления данного свойства. Если разрядность адресов всех выходных направлений одинакова, то подобный алгоритм будем называть алгоритмом с равномерной дискретизацией (квантованием) свойств.

Таким образом, можно утверждать, что адрес записи является количественной характеристикой данного классификационного алгоритма. Соответственно, появляется возможность объективно и автоматически сравнивать между собой эффективность различных классификационных алгоритмов, работающих с одной и той же БД.

Если в БД имеется множество записей, идентификационные параметры которых полностью покрывают диапазон возможных значений IdP 0?(K1, K2)?2, то такую БД будем называть представительной. Сигналы, на основе анализа которых формируется представительная БД, называются эталонами БД. Подразумевается, что для эталонов известны не только оценки их идентификационных параметров, но также другие характеристики, в том числе и качественные.

Рис.1. Базовый алгоритм классификации сигналов

Рис.2. Структурная схема интеллектуального анализатора сигналов

Размещено на http://www.allbest.ru/

Чтобы проиллюстрировать основные особенности предлагаемого алгоритма, рассмотрим технологию его использования, заключающуюся в следующем.

Создадим эталонную БД, состоящую из списка сигналов, состояние которых охватывает максимально возможный диапазон в направлении эволюции этих сигналов - от периодических до случайных (табл.2). Фрагмент (из 30 первых файлов сигналов) исходной базы данных, состоящей из 114 образцов сигналов, изображен в табл.3.

Выявление закономерностей в структуре созданной БД проводим путем применения стандартных операций упорядочения и фильтрации записей по идентификационным параметрам K1, K2. В табл.4 показан фрагмент БД, соответствующий реализации двух условий (K1<1 > Да, K2<=1,34 > Да, адрес направления P1> 11) алгоритма.

Анализ выходного состояния БД показывает, что:

· По направлению P1 действительно фильтруются периодические сигналы синусоидальной (Sin), треугольной (Tri) и пилообразной (Saw) формы с числом периодов от 1 до 10000, что соответствует разрешению r>=10. Эта часть БД представляет идеальное (желаемое) ее состояние.

· Отклонения от идеальности проявляются в наличии «посторонних» записей, представляющих сигналы смесей типа gaus+tri-100-(500-400-300). Данную ситуацию можно интерпретировать таким образом, что классификационная система при таких больших ОСШ>=300, нечувствительна к наличию шумовой компоненты и воспринимает эти смеси как чисто периодические сигналы треугольной формы.

· Возможность фильтрации «посторонних» записей связана с введением дополнительного условия по идентификационному параметру, отличному от K1, K2. Введение дополнительных условий на выходах алгоритма позволяет увеличить количество направлений и, соответственно, провести более детальную классификацию сигналов.

Таблица 2

Классы эталонных сигналов исходной базы данных

Величины K1, K2 можно рассматривать как проекции двухкомпонентного идентификационного вектора на плоскости X0Y и, следовательно, использовать для решения задач идентификации векторные понятия модуля и фазы. Соответственно, частотные зависимости модуля и фазы будут являться аналогами амплитудо- и фазо-частотных характеристик исследуемых сигналов.

В табл.5 представлено описание всех выходных направлений алгоритма. Расположение направлений и симметрия структуры алгоритма позволяют выделить общее направление (при движении слева - направо) эволюции сигналов от чисто периодических к случайным. В качестве упорядочивающего фактора выступает отношение сигнал-шум для смесей или разрешение для периодических сигналов. В данном случае понятие разрешения определяется по формуле:

,

где: P - число периодов сигнала, укладывающихся в объеме N выборки.

Таблица 3

Фрагмент исходной БД эталонных сигналов

Предложенный алгоритм имеет иерархическую классификационную структуру, отличающуюся от известных подобных построений тем, что она допускает «послойную» детализацию с делением групп на подгруппы, причем внутри каждого слоя наблюдается упорядоченность описаний по «горизонтали». Дальнейшая детализация производится введением дополнительных условий по идентификационным параметрам (K1,K2 или их комбинаций, например, в форме отношения K2/K1) на входах направлений.

Если иерархичность классификационной структуры отражает взаимосвязь ее компонент, то «горизонтальная» упорядоченность служит подтверждением фундаментальной закономерности - эволюции сигналов в направлении от детерминированности (периодические сигналы) к хаосу (случайные стационарные сигналы).

Практическое применение предложенного алгоритма связано с созданием «интеллектуальных» виртуальных приборов (ВП), автоматически выбирающих (в зависимости от формы входного сигнала) алгоритмы обработки. Подобные ВП обладают свойством адаптивности не только в отношении количественных изменений параметров сдвига и масштаба сигнала, но и в отношении его интегральных, качественных характеристик.

Таблица 4

Фрагмент сортированной БД и список имен сигналов, отфильтрованных алгоритмом по направлению Р1.

идентификационный алгоритм классификация сигнал

Таблица 5

Классификационные характеристики сигналов, отфильтрованных алгоритмом

ЛИТЕРАТУРА

1. Федер Е. Фракталы. - М.: Мир, 1991.

2. Кликушин Ю.Н. Классификационные шкалы для распределений вероятности Интернет-статья, М.: Журнал Радиоэлектроники, ИРЭ РАН, № 11 (ноябрь), 2000 г.

3. Кликушин Ю.Н. Технологии идентификационных шкал в задаче распознавания сигналов: Монография. - Омск: Изд-во ОмГТУ, 2006.-96 с.

Размещено на Allbest.ru