Атестаційна робота пояснювальна записка



бет2/41
Дата17.05.2020
өлшемі4.49 Mb.
1   2   3   4   5   6   7   8   9   ...   41

Формування вторинних інформативних ознак

Зазвичай спектральному аналізу піддаються вибірки звукового сигналу, в яких кількість відліків визначається ступенем числа два. Відповідно визначиться і набір спектральних коефіцієнтів, який можна записати для вибірки у вигляді вектора


 (1.2)
де T - символ транспонування, Fk відповідає k-му згладженому спектральному коефіцієнту (1.1); n - розмірність вектора.

Вибіркова матриця F спектральних коефіцієнтів буде виглядати наступним чином для кожного звукового образу


 (1.3)
де m - число окремо спостережуваних спектральних векторів.
Перехід до вторинних інформаційних ознак здійснюється шляхом побудови ковариаційної матриці спектральних коефіцієнтів і її діагоналізації. Так, коваріаційна матриця виходить у вигляді усередненого добутка матриці (1.3) і її транспонованої

, (1.4)


при цьому передбачається, що середнє значення кожної складової вже виключено.

Використовуючи ортогональную матрицю U, стовпці якої є власними векторами матриці K, отримуємо діагоналізації коваріаційної матриці [15]


 (1.5)
На головній діагоналі матриці знаходяться власні числа, а всі інші елементи дорівнюють нулю. Власні числа матриці (1.5) і власні вектори матриці K можуть бути використані в якості ефективних вторинних інформативних ознак при роспізнанні звукових образів.

Правило прийняття рішень

Для прийняття рішень про приналежність вхідного звукового образу, представленого усіченої матрицею власних векторів, що відповідають більшим власним числам, було розроблено вирішальне правило, що базується на критерії подібності Дайса [16]. Векторне подання інформаційних ознак дозволяє розрахувати коефіцієнти подібності Дайса. При цьому деяка надмірність набору ознак, що використовується для розрахунку значення коефіцієнта подібності, дозволяє більш ефективно класифікувати образи, оскільки використання малої кількості ознак призводить до неправильного визначення подібності пари образів. Для розрахунку коефіцієнта подібності D використовується формула [17]
(1.6)

де ai - координати власного вектора коваріаційної матриці вхідного звукового образу, що звіряються; bi - координати відповідного власного вектора з колекції; A, B - власні вектори усіченої коваріаційної матриці, стовпці якої відповідають найбільшим власним числам, для вхідного звукового образу і образу з коллекції.

Після проведених розрахунків набір ознак, що надійшов на вхід системи, відповідає деякому класу, якщо середнє значення коефіцієнта подібності по всіх парах векторів, що звіряються, більше певної порогової величини. Поліпшення якості роспізнавання при використанні коефіцієнтів подібності забезпечується отриманням великих значень подібності для найбільш відповідних образів, оскільки в розрахунку не враховуються малозначущі елементи набору ознак [18].
1.2 Огляд і аналіз існуючих методів і засобів вирішення задачі виявлення БПЛА по акустичному випромінюванню
Для виявлення БПЛА по акустичному випромінюванню можна використати безліч методів, але не всі з них однаково ефективні або зручні у використанні (для обробки результатів необхідна велика обчислювальна потужність). Серед таких методів є методи спектрального аналізу, кореляційного аналізу, фрактальні методи ідентифікації, метод фазової площини, метод мел-частотних кепстральних коефіцієнтів, тощо.

Спектральний аналіз є одним з найбільш потужних інструментів обробки експерименту [18]. Зокрема, він використовується для аналізу даних, виявлення характерних частот, з метою придушення шуму і т.п.Спектром сукупності даних y(x) називають деяку функцію іншої координати (або координат, якщо мова йде про багатомірний спектр) F(ω), отриману відповідно з певним алгоритмом. Прикладами спектрів є перетворення Фур'є, спектр потужності, вейвлет-перетворення.



Математичний сенс перетворення Фур'є полягає в поданні сигналу y(x) у вигляді нескінченної суми синусоїд вигляду F(ω)*sin(ωx). Функція F(ω) називається перетворенням Фур'є, або інтегралом Фур'є, або Фур'є-спектром сигналу. Її аргумент ω має сенс частоти відповідної складової сигналу. Зворотне перетворення Фур'є переводить спектр F (ω) в вихідний сігналy (x). Згідно з визначенням,
 (1.7)
Основний сенс перетворення Фур'є в тому, що вихідна неперіодична функція довільної форми, яку неможливо описати аналітично і тому складно обробляти і аналізувати, представляється у вигляді набору синусів або косинусів з різною частотою, амплітудою і початковою фазою.

Іншими словами, складна функція перетворюється в безліч більш простих. Кожна синусоїда (або косинусоіда) з певною частотою і амплітудою, отримана в результаті розкладання Фур'є, називається спектральної складової або гармонікою. Спектральні складові утворюють спектр Фур'є.

Візуально спектр Фур'є представляється у вигляді графіка, на якому по горизонтальній осі відкладається кругова частота, а по вертикалі - амплітуда спектральних складових. Тоді кожна спектральна складова може бути представлена у вигляді відліку, положення якого по горизонталі відповідає її частоті, а висота - її амплітуді. Гармоніка з нульовою частотою називається постійної складової (в часовому поданні це пряма лінія). На рис. 1.1 наведено приклад спектру сигнала.

Навіть простий візуальний аналіз спектра може багато сказати про характер функції, на основі якої він був отриманий [19]. Інтуїтивно зрозуміло, що швидкі зміни вихідних даних породжують у спектрі складові з високою частотою, а повільні - з низькою. Тому якщо в ньому амплітуда складових швидко убуває зі збільшенням частоти, то вихідна функція (наприклад, часовий ряд) є плавною, а якщо в спектрі присутні високочастотні складові з великою амплітудою, то вихідна функція буде містити різкі коливання. Так, для часового ряду це може вказувати на велику випадкову складову, нестійкість описуваних ним процесів, наявність шумів в даних.



Каталог: bitstream -> document
document -> Пояснювальна записка рівень вищої освіти другий
document -> Харківський національний університет радіоелектроніки
document -> Пояснювальна записка рівень вищої освіти другий
document -> В. Н. Бурцев, Ю. В. Гнусов, А. Л. Ерохин
document -> Пояснювальна записка рівень вищої освіти другий
document -> О построении фрагмента концептуальной классификационной модели проблемной области чрезвычайных ситуаций
document -> Н. О. Шушляпина, М. М ященко, О. Г. Авру нин е. В. Демина, Н. А юревич (харьков, украина) совершенствование обучающих технологий в медицине
document -> Моделирование кинетических процессов


Достарыңызбен бөлісу:
1   2   3   4   5   6   7   8   9   ...   41


©netref.ru 2019
әкімшілігінің қараңыз

    Басты бет