Способ автоматического распознавания типа манипуляции радиосигналов

Изобретение относится к радиотехнике и может быть использовано для определения типа и числа позиций априорно неизвестного сигнала. Технический результат заключается в повышении вероятности правильного определения числа позиций манипулированного радиосигнала. Указанный результат достигается тем, что расширяют вектор признаков, выполняют нормализацию амплитуды входного сигнала и вектора значений функции активации нейронов выходного слоя. 4 з.п. ф-лы, 5 ил.

 

Заявляемый способ относится к радиотехнике, в частности к способам распознавания радиосигналов (PC) и может быть использован в технических средствах распознавания вида и параметров манипуляции PC, а также в средствах радиоконтроля для определения характеристик априорно неизвестного сигнала.

Известен способ распознавания типа манипуляции радиосигналов по Пат. РФ №2551903, МПК Н04В 1/06 от 18.04.2014 г. В известном аналоге предварительно задают эталонные PC равной длительности, которые дискретизируют и квантуют, выполняют операцию фреймового вейвлет-преобразования (ФВП). Формируют матрицу распределения энергии (МРЭ) для последовательности квантованных отсчетов каждого эталонного PC. Для каждого PC формируют вектор признаков (ВП) путем построчной конкатенации вейвлет-коэффициентов (ВК) полученных МРЭ, после чего ВК ВП нормируют. Принимают распознаваемый PC и формируют его ВП аналогично ВП эталонных PC, после чего идентифицируют распознаваемый PC путем сравнения его ВП с ВП каждого из эталонных PC. Причем ВП формируют путем построчной конкатенации ВК полученных МРЭ начиная со второй строки. Распознаваемый PC считают инцидентным эталонному PC, модуль разности параметров ВП с которым будет минимальным.

Недостатком известного способа является необходимость хранить ВП каждого из эталонных PC, что приводит к линейной зависимости между количеством эталонных сигналов и размером памяти, необходимой классификатору для работы, что в свою очередь существенно ограничивает возможное разнообразие эталонных сигналов. Отсутствие разнообразия эталонных сигналов сужает охватываемый класс распознаваемых радиосигналов. Кроме того, увеличение количества эталонных ВП влечет за собой снижение быстродействия способа.

Наиболее близким по технической сущности к заявленному является «Способ автоматического распознавания типов манипуляции радиосигналов» по Пат. РФ №2510077, МПК G06N 3/02, H04L 27/32 от 20.04.2012 г. В способе-прототипе принятый аналоговый PC дискретизируют по времени и квантуют, формируют синфазную и квадратурную составляющие оцифрованных отсчетов сигнала, по значениям синфазной и квадратурной составляющих n отсчетов сигнала рассчитывают кумулянты CIIII, CII, CIIQQ значения которых подаются на нейронную сеть типа многослойный персептрон* (*многослойный перцептрон - частный случай перцептрона Розенблатта, в котором один алгоритм обратного распространения ошибки обучает все слои (см. http://ru.wikipedia.org/wiki/многослойный перцепрон Ру-мельхарта)), которая предварительно обучена методом обратного распространения ошибки по значениям кумулянтов CIIII, CII, CIIQQ сигналов обучающей выборки, с помощью нейронной сети в автоматическом режиме распознают сигналы с амплитудной (АМн), амплитудно-фазовой (КАМ), фазовой (ФМн) и частотной (ЧМн) манипуляциями.

Недостатком способа-прототипа является относительно низкая вероятность правильного определения типа и числа позиций манипуляции PC. Ошибка в принятии решения достигает значения в 66% при отношении сигнал/шум (ОСШ) 12 дБ и более. В условиях реального применения, достигнуть такого значения ОСШ не всегда удается, что дополнительно затрудняет использование способа.

Целью заявляемого способа автоматического распознавания типа манипуляции радиосигналов является повышение вероятности правильного распознавания типа и числа позиций манипуляции анализируемых PC за счет расширения вектора его признаков, дополнительной нормализации амплитуды входного сигнала и вектора значений функции активации нейронов выходного слоя.

Поставленная цель достигается тем, что в известном способе автоматического распознавания типов манипуляции радиосигналов, включающем дискретизацию принятого аналогового радиосигнала по времени и квантование, формирование синфазной I(n) и квадратурной Q(n) составляющих оцифрованных отсчетов сигнала S(n), расчет кумулянтов CIIII, CII, CIIQQ по значениям синфазной и квадратурной составляющих N-отсчетов сигнала, подачу их значений на входы предварительно обученной методом обратного распространения ошибки по значениям кумулянтов CIIII, CII, CIIQQ сигналов обучающей выборки нейронной сети типа многослойный персептрон, распознающей в автоматическом режиме радиосигналы, дополнительно нормируют к единице среднее значение амплитуды сигнала, расширяют векторы признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектор признаков распознаваемого сигнала VS путем вычисления кумулянтов второго CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIIQ, CIQQQ, CQQQQ порядков, максимального значения спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γmax, среднеквадратического отклонения модуля нормализованной и центрированной амплитуды сигнала σаа, среднеквадратического отклонения модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратического отклонения нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, который подают на вход нейронной сети, а значения функции активации нейронов выходного слоя нормируют к единичной сумме.

Благодаря новой совокупности существенных признаков в заявленном способе за счет расширения вектора признаков классифицируемого PC и выполнения операции нормировки обеспечивается повышение вероятности правильного распознавания типа и числа позиций манипуляции PC.

Заявленный способ поясняется чертежами, на которых:

на фиг. 1 показан обобщенный алгоритм распознавания типа манипуляции PC;

на фиг. 2 иллюстрируется алгоритм обучения нейронной сети;

на фиг. 3 представлена обобщенная структурная схема устройства распознавания типа манипуляции PC;

на фиг. 4 показана структурная схема нейронной сети;

на фиг. 5 показана зависимость ошибочного распознавания типа манипуляции PC от отношения сигнал/шум для способа-прототипа и заявленного способа.

Реализация заявленного способа объясняется следующим образом. На подготовительном этапе (см. фиг. 2) в цифровом виде задают по L эталонных PC равной длительности для всех типов манипуляции, которые подлежат распознаванию (обучающее множество). Количество комплексных временных отсчетов N сигнала выбирается в зависимости от требований по достоверности распознавания и минимальной гарантированной продолжительности PC. Для удобства и быстроты последующих вычислений, количество отсчетов PC берут вида N=2w, где w - натуральное число в диапазоне от 9 до 16, рекомендуемое значение 12.

Нормируют к единице среднее значение амплитуды всех сигналов обучающего множества по формулам:

где .

Далее для всех PC обучающего множества вычисляют кумулянты второго порядка CI,I, CI,Q, CQ,Q, кумулянты третьего порядка CI,I,I, CI,I,Q, CI,Q,Q, CQ,Q,Q и кумулянты четвертого порядка CI,I,I,I, CI,I,I,Q, CI,I,Q,Q, CI,Q,Q,Q,, CQ,Q,Q,Q.

Более подробно порядок вывода кумулянтов различных порядков и обоснование их применения даны в Приложении.

В ряде работ, например, в статье M.L.D. Wong, А.K. Nandi, «Automatic identification of digital modulation types» // Signal Processing 47, 1995, P. 55-69, высказывается предположение о положительном эффекте от применения дополнительных признаков: максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γmax, среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σаа, среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr. Однако, совместное использование указанных выше четырех признаков с кумулянтами различных порядков позволяет уменьшить вероятность ошибки как относительно только кумулянтного анализа, так и относительно применения только признаков γmax, σаа, σар, σdp.

При нахождении названных выше признаков необходимы промежуточные вычисления. Определяют значения мгновенной амплитуды А (огибающей) комплексного сигнала по формуле:

и среднее значение мгновенной амплитуды сигнала в соответствии с выражением:

Для устранения зависимости в сигнале от характеристик оборудования, на котором он записывался, нормируют и центрируют значения мгновенной амплитуды сигнала по формулам:

Далее вычисляют максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γmax как:

где DFT(X) - функция дискретного преобразования Фурье, примененная к массиву X.

Значение величины γmax отражает наличие в сигнале периодических изменений его комплексной огибающей. Такие изменения характерны для некоторых классов PC, таких как, например, PC с амплитудной и фазовой манипуляциями. Напротив, для PC с частотной модуляцией (манипуляцией) периодические изменения мгновенной амплитуды будут иметь малую энергию.

Находят среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σаа по формуле:

Данный параметр показывает, как сильно изменяется абсолютное значение мгновенной амплитуды.

Вычисляют среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, в соответствии с выражением:

где φNL - нелинейная составляющая фазы сигнала, ,

athr - заранее заданный порог, рекомендуемое значение равно 0.35.

Учет значений фазы только в моменты времени с большой амплитудой необходим из-за того, что при низком уровне сигнала мгновенное изменение фазы может быть велико, но при этом не несет какой-либо информации.

Вычисляют среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, как:

Для каждого эталонного PC Sэт(n) формируется ВП, состоящий из набора 16 вещественных чисел вычисленных раньше:

Инициализируют веса на ребрах нейронной сети (см. фиг. 4) типа многослойный персептрон с полными связями между слоями, содержащей входной слой, один скрытый слой нейронов с сигмоидальной функцией активации и выходной слой нейронов с сигмоидальной функцией активации случайными числами из диапазона от 0 до 1.

Производят обучение полученной на предыдущем шаге нейронной сети методом обратного распространения ошибки по значениям векторов признаков . Более детально алгоритм обучения нейронных сетей описан в книге Ф. Уоссермена «Нейрокомпьютерная техника: теория и практика», издательство «Мир», 1992 год.

Для оценки качества обучения используется метод кросс-валидации (скользящий контроль). Данная методика оценки моделей раскрыта в книге Воронцова К.В. "Комбинаторный подход к оценке качества обучаемых алгоритмов", серия "Математические вопросы кибернетики" под ред. О.Б. Лупанова, М.: Физматлит, 2004.

Последним действием подготовительного этапа является сохранение весовых связей нейронной сети в долговременной памяти.

На этапе распознавания типа манипуляции PC (см. фиг. 1) для распознаваемого сигнала S(t), принятого с частотой дискретизации Fs в полосе частот ΔF, имеющего продолжительность ΔT=N/Fs, формируют его ВП VS аналогично выше рассмотренным значениям для различных PC. С этой целью принятый PC дискретизируют и квантуют, формируют синфазную I и квадратурную Q составляющие, нормируют к единице среднее значение амплитуды сигнала в соответствии с (1) и (2), последовательно вычисляют кумулянты второго CI,I, CI,Q, CQ,Q, третьего CI,I,I, CI,I,Q, CI,Q,Q, CQ,Q,Q и четвертого CI,I,I,I, CI,I,I,Q, CI,I,Q,Q, CI,Q,Q,Q,, CQ,Q,Q,Q порядков, значения γmax, σаа, σар, σdp в соответствии с (3)-(10) и формулами из приложения.

Сформированный ВП VS сигнала S(n) подают на входной слой нейронной сети. Далее поочередно для скрытого и выходного слоев нейронной сети в каждом нейроне вычисляется значение функции активации на основе входных значений xj и коэффициентов весовых связей wj данного нейрона как:

где LC - линейная комбинация входных значений. В свою очередь последняя определяется выражением ,

K - количество входных связей нейрона. Значение функции активации нейрона Fact передается на синоптические связи следующего слоя в качестве соответствующих xi.

Значения функций Fact выходного слоя образуют вектор Fвых, который нормируется к единичной сумме своих элементов по формуле:

где Sвых=sum(Fвых). После этого определяется нейрон, которому соответствует максимальное значение элемента Fnвых.

В связи с тем, что каждый нейрон выходного слоя соответствует определенному типу манипуляции, выбор нейрона с максимальным значением Fnвых и определяет искомую величину.

Дале выполняется операция сравнения максимального значения Fnвых с заданным порогом thrs. При выполнении неравенства MAX(Fnвых)>thrs принимается решение о типе манипуляции PC. В противном случае считают, что тип манипуляции PC неизвестен, требуется повторная запись сигнала и его анализ.

Выполнен анализ характеристик предлагаемого технического решения методом численного моделирования. В качестве распознаваемых типов PC были приняты сигналы с:

2-позиционной амплитудной манипуляцией (АМн2);

4-позиционной амплитудной манипуляцией (АМн4);

16-позиционной квадратурно-амплитудной манипуляцией (KAMI6);

64-позиционной квадратурно-амплитудной манипуляцией (КАМ64);

8-позиционной фазовой манипуляцией (ФМн8);

4-позиционной дифференциальной фазовой манипуляцией ;

2-позиционной частотной манипуляцией (ЧМн2);

4-позиционной частотной манипуляцией (ЧМн4).

Обучающее множество состояло из 32000 сигналов: по L=4000 в каждом классе сигналов, длина каждого сигнала составляла N=4096 отсчета, частота дискретизации Fs в 4 раза превышала полезную полосу сигналов. В целях обеспечения разнообразия набора векторов признаков и увеличения обобщающей способности классификатора, каждый из сигналов 5 модифицировался в соответствии с выражением:

где α - случайное число из диапазона от 0 до 42, AWGNS,β - аддитивный белый гауссовский шум с энергией на β дБ меньше, чем у сигнала S, β - случайное число из диапазона от 0 до 24.

Такой способ модификации сигнала отражает не только изменчивость отношения сигнал / шум в диапазоне 24 дБ, но и изменение абсолютного уровня сигнала в диапазоне 42 дБ, что часто встречается в условиях сложной электромагнитной обстановки.

На сигналах описанного выше множества было обучено два классификатора: с признаками способа-прототипа и предлагаемого способа. Сравнение результатов работы классификаторов представлено на фиг. 5. Ось абсцисс - отношение сигнал/шум β, выраженное в дБ. Ось ординат - вероятность ошибки распознавания Рош типа манипуляции PC от 0 до 1. В качестве тестового множества выступал набор сигналов, полученный методом, аналогичным описанному выше. В результате тестирования определено, что предлагаемое изменение набора признаков (его расширение) и введение операции нормализации ведет к уменьшению вероятности ошибки Рош примерно на 0.45 и более.

Из приведенного графика следует, что при отношении сигнал/шум свыше 12 дБ вероятность ошибки распознавания Рош меньше 0.2, что совпадает с характеристикой способа прототипа, однако, применение заявляемого способа позволяет определить не только класс манипуляции, но и число позиций, что необходимо для успешного приема, демодуляции и дальнейшего анализа радиосигнала.

Реализация способа известна и трудностей не вызывает (см. фиг. 3). Устройство автоматического распознавания типа манипуляции радиосигналов содержит последовательно соединенные антенну 1, служащую для приема радиосигналов, аналого-цифровой преобразователь 2, производящий дискретизацию и квантование радиосигналов длительностью ΔT в полосе частот ΔF с частотой дискретизации FS, значения которых поступают по входной шине 9, блок расчета сигнала 3, вычисляющий синфазную I и Q квадратурную составляющие сигнала, блок нормализации амплитуды 4, модифицирующий сигнал в соответствии с выражениями (1) и (2), блок расчета признаков 5, служащий для нахождения значений признаков сигнала по формулам (2)-(10), в том числе: максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γmax, среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σаа, среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, блок нейронной сети 6, выполняющий роль классификатора, блок принятия решения 7, кодирующий с учетом порогового значения thrs, поступающего по входной шине 10, результат работы блока 6 в кодовую комбинацию, которая передается на блок индикации 8.

Реализация всех блоков известна и трудностей не вызывает. Варианты реализации антенны 1 широко рассмотрены в литературе (см. Проектирование фазовых автоматических пеленгаторов. / Саидов А.С. И др. - М.: Радио и связь, 1997).

Реализация блока аналого-цифрового преобразователя 2 известна и трудностей не вызывает. Наиболее предпочтительным является вариант реализации блока 2 на базе микросхем AD7667 (см. Analog Devices: http://www.analog.com/en/products/analog-to-digital-converters/ad-converters/ad7667.html).

Блоки расчета сигнала 3, нормализации амплитуды 4 и расчета признаков 5 целесообразно выполнить на сигнальном процессоре TMS320c6416 (см. TMS320c6416: http://focus.ti.com/docs/prod/folders/print/TMS320c6416.html).

Реализация блока нейронной сети известна и трудностей не вызывает. Наиболее предпочтительным является вариант реализации блока 6 на базе нейро-процессора Л1879ВМ1 (NM6403) (см. http://www.module.ru/upload/files/vml.pdf).

Блок принятия решения 7 может быть реализован на базе микропроцессора (см. Шевкоплес Б.В. / Микропроцессорные структуры. Инженерные решения: Справочник. - 2-е изд., перераб. и доп. - М.: Радио и связь, 1990. - 512 с.). В качестве последнего целесообразно использовать 16-разрядный микропроцессор К1810ВМ86.

Реализация блока индикации 8 известна и трудностей не вызывает (см. Сто схем с индикаторами / Быстров А.Ю и др. - М.: Радио и связь, 1990. - 112 с.).

1. Способ автоматического распознавания типа манипуляции радиосигналов, заключающийся в том, что принятый аналоговый радиосигнал дискретизируют по времени и квантуют, формируют синфазную I(n) и квадратурную Q(n) составляющие оцифрованных отсчетов сигнала S(n), по значениям синфазной и квадратурной составляющих N-отсчетов сигнала рассчитывают кумулянты CIIII, CII, CIIQQ, значения которых подают на входы предварительно обученной методом обратного распространения ошибки по значениям кумулянтов CIIII, CII, CIIQQ сигналов обучающей выборки нейронной сети типа многослойный персептрон, которая в автоматическом режиме распознает радиосигналы, отличающийся тем, что нормируют к единице среднее значение амплитуды сигнала, расширяют векторы признаков эталонных сигналов , применяемых при обучении нейронной сети, и вектор признаков распознаваемого сигнала Vs путем вычисления кумулянтов второго CIQ, CQQ, третьего CIII, CIIQ, CIQQ, CQQQ и четвертого CIIIQ, CIQQQ, CQQQQ порядков, максимального значения спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γmax, среднеквадратического отклонения модуля нормализованной и центрированной амплитуды сигнала σaa, среднеквадратического отклонения модуля нелинейной составляющей мгновенной фазы сигнала σар, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, среднеквадратического отклонения нелинейной составляющей мгновенной фазы сигнала σdp, рассчитанного по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог athr, который подают на вход нейронной сети, а значения функции активации нейронов выходного слоя нормируют к единичной сумме.

2. Способ по п. 1, отличающийся тем, что максимальное значение спектральной плотности мощности нормализованной и центрированной амплитуды сигнала γmax находят в соответствии с выражением:

γmax=MAX(|DFT(Acn)|2),

где - значение мгновенной амплитуды сигнала,

- среднее значение амплитуды сигнала,

- нормализованная амплитуда сигнала,

Acn(n)=An(n) - 1 - нормализованная и центрированная амплитуда сигнала.

3. Способ по п. 1, отличающийся тем, что среднеквадратическое отклонение модуля нормализованной и центрированной амплитуды сигнала σaa находят в соответствии с выражением:

4. Способ по п. 1, отличающийся тем, что среднеквадратическое отклонение модуля нелинейной составляющей мгновенной фазы сигнала, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог, σар находят в соответствии с выражением:

где φNL - нелинейная составляющая фазы сигнала, С=|{t|An(n)>athr}|,

athr - заранее заданный порог.

5. Способ по п. 1, отличающийся тем, что среднеквадратическое отклонение нелинейной составляющей мгновенной фазы сигнала, рассчитанное по временным отсчетам, в которых значение мгновенной амплитуды превышало заранее заданный порог, σdp находят в соответствии с выражением:



 

Похожие патенты:

Изобретение относится к радиотехнике и может быть использовано для определения типа манипуляции априорно неизвестных радиосигналов. Достигаемый технический результат - повышение вероятности правильного распознавания анализируемых радиосигналов.

Изобретение относится к способам мониторинга состояния телемеханизированных скважин, погружного оборудования на месторождении добычи нефти. Техническим результатом является появление конкретного способа контроля функционирования нефтепромысловых объектов и погружного оборудования по данным телеметрии на месторождениях добычи нефти.

Изобретение относится к области вычислительной техники и может быть использовано для обработки и прогнозирования значений временных рядов данных или непрерывных функциональных зависимостей.

Изобретение относится к нефтедобывающей отрасли, а именно к способам мониторинга состояния телемеханизированных добывающих и паронагнетательных скважин, погружного оборудования на месторождении добычи сверхвязкой нефти (СВН).

Изобретение относится к области вычислительной техники, применяемой в нефтяной промышленности, а именно, к информационным системам автоматизации управления нефтедобывающего предприятия.

Изобретение относится к вычислительной технике. Технический результат заключается в снижении затрат памяти и вычислительных затрат для сжатия данных.

Изобретение относится к теории автоматического управления и может быть использовано для получения моделей сложных объектов, описываемых дифференциальными уравнениями в частных производных, процесс получения математических моделей которых затруднен вследствие неполной информации, сложных эксплуатационных режимов и структурных особенностей объекта.

Изобретение может быть использовано для непрерывного контроля, оценки и прогнозирования состояния неопределенности взаимодействия судна с внешней средой. Техническим результатом является повышение степени надежности функционирования бортовых систем для обеспечения безопасности мореплавания судов при возникновении экстремальных ситуаций.

Изобретение относится к технической кибернетике. Технический результат - повышение достоверности диагностирования сложного технического объекта и снижение трудоемкости.

Изобретение относится к автоматизированному управлению технологическими процессами в нефтегазовой промышленности. Технический результат - упрощение и автоматизация процедур контроля состояния узлов производства с расширением набора контролируемых параметров состояния технологических узлов предприятия, повышение точности калибровки каналов измерения параметров состояния, поддержка принятия решений по парированию нештатных ситуаций.

Изобретение относится к вычислительной технике и может быть использовано в процессорах обработки сигналов, в цифровых фильтрах для обнаружения и коррекции ошибки. Техническим результатом, достигнутым при осуществлении заявленного изобретения, является сокращение аппаратных затрат. Указанный технический результат достигается за счет того, что число переходов за пределы рабочего диапазона определяется только значениями остатков по рабочим основаниям ПСКВ, которые можно заранее просчитать и учесть в структуре нейронной сети блока коррекции. Это позволяет отказаться от счетчика числа переходов и дополнительного слоя нейронной сети, находящихся в блоке коррекции ошибки прототипа. 2 ил., 5 табл.

Изобретение относится к области оптических измерений и касается способа нейроподобного снижения размерности оптических спектров. Способ заключается в мультиплексировании компонент спектра на несколько каналов, число которых меньше числа всех компонент, фильтрации мультиплексированных компонент в каждом канале и пространственном накоплении во всех каналах отфильтрованных компонент для формирования редуцированных образов оптических спектров. Фильтрацию компонент в каждом канале мультиплексирования производят различным образом на основании фильтрации в предыдущих каналах. При этом в первом канале регистрируют вариации значений компонент совокупности всех оптических спектров и по ним формируют опорный дискретный сигнал, по которому настраивают величины увеличения/уменьшения значений амплитуд компонент. В последующих каналах формируют соответствующие опорные дискретные сигналы, ортогональные всем опорным сигналам предыдущих каналов, и по значениям их отсчетов настраивают величины увеличения/уменьшения значений амплитуд компонент этих каналов. Технический результат заключается в расширении функциональных возможностей и обеспечении возможности автоматической обработки оптических спектров. 2 з.п. ф-лы, 6 ил.

Изобретение относится к компьютерным системам диагностики производственных объектов. В частности, предложена интеллектуальная информационная система технической диагностики состояния подвижных миксеров, которая включает подвижной миксер с тензодатчиками и компьютер технолога со специализированным программным обеспечением. При этом система реализована на основе аппарата нейронных сетей для обработки первичных данных о состоянии подвижных миксеров и экспертной системой для генерации управляющих рекомендаций относительно текущего состояния и типа ремонта подвижных миксеров. Специализированное программное обеспечение включает в себя нейросетевой программный анализатор термограмм подвижных миксеров, реализующий многосегментную архитектуру многослойных нейронных сетей, при этом специализированное программное обеспечение включает в себя модуль нейросетевого прогнозирования изменений состояния подвижных миксеров. Кроме того, система содержит тепловизоры для диагностики текущего состояния футеровки подвижных миксеров без вывода их из эксплуатации. Предлагаемая система обеспечивает: высокую точность определения фактического состояния футеровки подвижных миксеров; высокую оперативность диагностики состояния футеровки подвижных миксеров; диагностику технического состояния подвижных миксеров без вывода их из эксплуатации; прогнозирование степени износа футеровки, с возможностью планирования ремонта подвижных миксеров; накопление полученного опыта с последующим его анализом. 1 табл., 1 ил.

Изобретение относится к диагностике состояния электроприводных устройств. Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата включает измерение параметров, сбор информации и проверку ее достоверности, фильтрацию измерений, проверку измерений, корректировку показаний измерений, сверку с ограничениями, вычисление признаков оперативного диагностирования, распознавание неисправностей и расчет отклонений. Вычисление признаков оперативного диагностирования и распознавание неисправностей осуществляют с учетом алгоритмов, основанных на работе двух нейронных сетей типа Кохонена, на основе которых рассчитывают и оценивают коэффициенты неисправностей по подсистемам: смазки, нагнетателя, обмотки статора и механических дефектов электродвигателя. Затем оценивают техническое состояние на основании полученных значений коэффициентов и выбирают режим диагностирования и управления. Повышается точность диагностики. 2 ил., 7 ил.

Изобретение относится к радиотехнике и может быть использовано для определения типа и числа позиций априорно неизвестного сигнала. Технический результат заключается в повышении вероятности правильного определения числа позиций манипулированного радиосигнала. Указанный результат достигается тем, что расширяют вектор признаков, выполняют нормализацию амплитуды входного сигнала и вектора значений функции активации нейронов выходного слоя. 4 з.п. ф-лы, 5 ил.

Наверх