Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Glava5.doc
Скачиваний:
1
Добавлен:
01.07.2025
Размер:
3 Мб
Скачать
☆

5.5. Вопросы практической реализации нейросетевых трактов в аис Формирование вектора признаков в нейросетевой системе распознавания акустических сигналов

Вопросы практической реализации нейросетевых трактов в АИС рассмотрены на примере задачи распознавания в заданном диапазоне дальностей двух аэродинамических объектов: самолета и вертолета, по их акустическим излучениям. В качестве тестового множества реализаций выбраны реализации сигналов от объектов, полученные в натурных условиях на фоне сигналов акустических шумов ветра и ревербераций. В качестве обучающего множества реализаций при обучении нейросети использованы математические модели сигналов, полученные на основании статистической обработки результатов экспериментальных исследований.

Задача распознавания аэродинамических объектов решается в условиях априорной неопределенности, и входной сигнал описывается только набором реализаций. В данном случае аналитические методы синтеза малопригодны, и поэтому используются адаптивные методы синтеза систем распознавания, основанные на процедурах обучения с учителем. В качестве адекватной модели системы распознавания предложено использовать искусственную нейронную сеть.

Необходимые участки реализаций сигналов для формирования обучающего множества нейросети длительностью по 0,8 с. выбирались по сигналу срабатывания макета пеленгатора. Вид входных реализаций нейросетевой системы распознавания (НСР) представлен на рис.5.3-5.4.

Вычисления оценок энергетического спектра через отсчеты реализаций сигналов (N=8192) с частотой дискретизации Гц производились с помощью быстрого преобразования Фурье (БПФ) при частотном сглаживании по 20 соседним спектральным составляющим. Вид оценок энергетических спектров реализаций сигналов представлен на рис. 5.5 - 5.6.

Из полученных оценок энергетических спектров следует, что 90% мощности сигнала сосредоточено в полосе 0...1500 Гц. При расчетах полосы пропускания входных электрических фильтров акустического пеленгатора верхняя частота энергетического спектра сигналов от целей принята равной fв=1500 Гц.

В качестве первичных признаков сигналов нейросети в большинстве работ выбирается множество отсчетов принимаемого сигнала на интервале времени наблюдения Тн. При Тн=0.8 с., исходя из спектральных характеристик принимаемого сигнала, с учетом периодичности спектра дискретизированного сигнала и неидеальной фильтрации, частота дискретизации должна составлять не менее fд=10000 Гц. Тогда размерность входного вектора Nх > 8000. Реализовать аппаратно нейронную сеть при такой размерности входного вектора и ограничениях на энергопотребление и занимаемый системой объём не представляется возможным.

Альтернативой временному представлению сигнала является более компактное, спектральное, представление, однако при этом требуются мощные вычислительные средств.

При проверке возможности создания нейросетевого алго­ритма, когда моделирование работы производилось на высокопроизводительном нейрокомпьютере, такое представление показало состоятельность нейросетевого метода распознавания аэродинамических объектов по их акустическим излучениям, однако имеющаяся элементная база не позволяет удовлетворить указанным выше аппаратным ограничениям.

В результате проведенных исследований было показано, что в качестве вторичных признаков сигналов, обрабатываемых нейросетью в АИС, целесообразно выбирать распределение длительностей интервалов (РДИН) между нулями входных реализаций, что позволяет судить о рас­пределении спектральных составляющих этих реализаций. При этом существенно сокращается размерность входного вектора нейросети.

Суть вектора РДИН - гистограмма распределения количества отсчетов тактовой частоты (в рассматриваемой задаче ft=8192 Гц) в течение одной полуволны сигнала. Точное максимальное количество Nх компонент вектора РДИН определено по результатам обучения нейронной сети (начальное значение принято равным Nх=32).

На этапе синтеза НС для каждой реализации из обучающего множества сформирован вектор РДИН.

Гистограммы нормированных РДИН выборочных реализаций акустических сигналов самолета и вертолета приведены на рис 5.23.

Рис.5.23. Гистограммы нормированных РДИН выборочных реализаций

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]