Содержание к диссертации
Введение
1. Методы и устройства анализа и идентификации акустических сигналов 12
1.1. Аналоговые методы и устройства спектрального анализа 12
1.2. Цифровые методы спектрального анализа 22
1.3. Технические средства акустического контроля сложных объектов, базирующиеся на спектральном анализе 28
1.4. Методы и специальные приборы 36
акустического контроля состояния пчелиных семей 36
1.5. Формулировка цели и задач диссертации 42
2. Методы предварительной обработки и анализа акустических сигналов 46
2.1. Исследование стационарности исходных сигналов и формирование квазистационарных «типичных» реализаций сигналов с близкими дисперсиями 46
2.2. Математический аппарат построения энергетических спектров 50
2.3. Выбор информативного частотного диапазона сигнала и частотного разрешения при построении энергетических спектров 59
2.4. Цель и общая программа и методики проведения экспериментальных исследований 67
2.5. Проведение предварительной обработки акустических сигналов пчелиных семей 68
3. Отбор оптимальной совокупности информативных признаков и построение классификатора 85
3.1. Общая концепция диагностирования состояний сложного объекта по акустическому шуму 85
3.2. Критерии предварительного отбора информативных признаков 87
3.3. Алгоритм предварительного отбора информативных признаков 92
3.4. Критерии разделимости классов по совокупности информативных признаков 97
3.5. Алгоритм отбора оптимальной совокупности информативных признаков 99
3.6. Критерии значимости улучшения критериев разделимости классов при добавлении информативных признаков 101
3.7. Построение решающих правил 107
3.8. Получение обучающей выборки значений признаков и построение классификатора состояний пчелиных семей 112
4. Структура и алгоритмы функционирования автоматизированной исследовательской системы диагностирования состояния пчелиных семей 125
4.1. Структурная схема автоматизированной исследовательской системы диагностирования состояний пчелиных семей 125
4.2. Проводной канал передачи данных, структурные схемы контроллеров улья и контроллера пасеки 129
4.3. Программное обеспечение автоматизированной исследовательской системы диагностирования состояний пчелиных семей 138
Заключение 147
Библиографический список
- Технические средства акустического контроля сложных объектов, базирующиеся на спектральном анализе
- Математический аппарат построения энергетических спектров
- Критерии предварительного отбора информативных признаков
- Проводной канал передачи данных, структурные схемы контроллеров улья и контроллера пасеки
Введение к работе
Актуальность работы. Одним из важных направлений неразрушающего контроля и технической диагностики являются методы, основанные на анализе акустических колебаний, шумов и вибраций либо генерируемых объектом контроля в процессе функционирования, либо возбуждаемых в объекте внешним генератором (или периодическими ударами). Данными проблемами занимались многие отечественные и зарубежные ученые и инженеры: Ю.В. Ланге, СИ. Воропаев, В.Н. Костюков, Б.В. Павлов, Д. Митчел, Д. Линн и др. В частности, уже давно и успешно применяются методы технической диагностики машин и механизмов (в том числе газовых и паровых турбин, автомобильных двигателей и т.п.) по генерируемому ими акустическому шуму и вибрациям их отдельных элементов. С давних пор используется метод дефектоскопии изделий и конструкций путём их «простукивания» с анализом генерируемых звуков «на слух», который в настоящее время получил приборное развитие под названием метода «свободных колебаний», когда упругие колебания, возбуждаемые периодическими ударами по объекту, преобразуются в электрический сигнал и подвергаются спектральному анализу, а по изменениям спектра судят о наличии, характере и расположении дефектов в контролируемом объекте. Особенно эффективным этот метод оказался для обнаружения дефектов соединения между слоями в многослойных изделиях и конструкциях. Однако, и в том, и в другом случаях (т.е. и при генерировании акустических сигналов самим объектом, и при его возбуждении с помощью наносимых по объекту ударов) чем сложнее объект, тем сложнее получается и анализируемый акустический сигнал, и тем труднее идентифицировать по нему состояние объекта. Причина здесь в том, что, хотя в обоих случаях процессы, генерирующие анализируемый сигнал, можно отнести к циклическим, но и в сложных работающих машинах, и в сложных изделиях, в которых упругие колебания возбуждаются за счёт внешних циклических воздействий, суммарный акустический сигнал складывается из очень многих составляющих, которые генерируются отдельными деталями и
5 элементами работающей машины или вибрирующего после удара изделия. При этом каждый из этих элементов обладает своими резонансными частотами, которые не только не совпадают друг с другом, но и не кратны. В результате наложения и вынужденных, и собственных колебаний множества этих элементов с меняющейся во времени амплитудой и различными (и также могущими изменяться во времени) периодами, а также происходящей между ними интерференции, сам суммарный сигнал (во временной области) и его спектр получаются нестационарными. Из них очень сложно выделить устойчивые информативные признаки, по которым можно было бы проводить идентификацию состояний объекта. В итоге сложилась противоречивая ситуация, когда быстрое совершенствование технологий сбора и обработки данных на базе современной компьютерной техники как в реальном времени, так и при использовании ретроспективного анализа, наталкивается на отсутствие эффективных методов анализа нестационарных и квазистационарных процессов, выделения из таких сигналов устойчивых информативных признаков и синтеза решающих правил, позволяющих проводить надёжную идентификацию состояний указанных объектов. Именно разработке таких методов анализа, связанных с выделением близких к стационарным коротких отрезков исходных сигналов и получения из них «типичных» для данного состояния квазистационарных реализаций сигналов, которые в дальнейшем подвергаются спектральному анализу, с выделением из полученных спектров устойчивых информативных признаков, отбором их оптимальной совокупности для идентификации заданного множества состояний объекта и построением решающих правил для проведения идентификации посвящена настоящая диссертационная работа.
Указанные методы анализа могут использоваться не только в технической диагностике и неразрушающем контроле технических объектов акустическими методами, но и при мониторинге природных и биологических объектов, характеризуемых сложными циклическими процессами.
Очевидно, что для проверки эффективности предлагаемых методов желательно выбрать объект, который, с одной стороны, характеризуется наиболее
сложными акустическими сигналами, со всеми специфическими особенностями, которые отмечались выше, а с другой стороны, позволял бы получать неограниченное множество реализаций сигналов, соответствующих его различным состояниям, достаточно надёжно идентифицируемым какими-либо прямыми методами. Кроме того, решение указанных задач для выбранного класса объектов должно уже само по себе иметь важное народно-хозяйственное значение. Указанным требованиям удовлетворяет такой природный объект как пчелиная семья. В самом деле, акустический шум пчелиной семьи складывается из звуков, генерируемых тысячами пчёл, входящих в неё. При этом различные группы пчёл занимаются одновременно разнообразной деятельностью, а следовательно, издают шумы различного характера. Даже сигнал единичной летящей пчелы не является строго стационарным (зависит от совершаемых ей манёвров и скорости полёта). Тем более нестационарным будет суммарный сигнал всей пчелиной семьи. Тем не менее, опытные пчеловоды могут «на слух» различать некоторые характерные состояния пчелиной семьи по издаваемому ей акустическому шуму. Уже много лет во всём мире ведутся исследования по выявлению влияния состояний пчелиной семьи на характер издаваемого ей акустического шума, которые доказали, что такие связи объективно существуют. Наиболее полно результаты таких исследований представлены в работах Е.К. Есь-кова, А.Ф. Рыбочкина. Но все попытки идентифицировать состояния пчелиных семей с помощью достаточно простых методов спектрального анализа акустических сигналов не привели к успеху именно из-за их сложности и нестационарности.
Поэтому, если разработанные в диссертации методы анализа окажутся эффективными для данной задачи, то есть все основания полагать, что в аналогичных задачах технической диагностики и неразрушающего контроля они будут ещё эффективней, поскольку акустические сигналы технических объектов заведомо являются более регулярными и близкими к стационарным, чем сигналы пчелиных семей.
7 Цель работы состоит в исследовании и разработке методов и алгоритмов обработки и анализа акустических сигналов, генерируемых сложными техническими и природными объектами, для идентификации их состояний и диагностики, а также разработке структуры реализующих их аппаратных и программных средств на примере системы диагностирования состояний пчелиных семей по акустическому шуму.
Основные задачи, решаемые в работе:
исследование и разработка методов и алгоритмов предварительной обработки нестационарных акустических сигналов для выделения их квазистационарных участков и формирование из них «типичных» для каждого распознаваемого состояния квазистационарных реализаций, пригодных для дальнейшей обработки;
исследование и разработка методов и алгоритмов параметризации (выделения информативных признаков) полученных «типичных» реализаций сигналов путём построения по ним энергетических спектров и их усреднения по узким частотным полосам;
разработка критериев информативности информативных признаков, не требующих предварительного построения решающих правил классификации, и отбор с их помощью оптимальной совокупности информативных признаков, необходимой для идентификации заданного множества состояний исследуемого объекта;
исследование и разработка методов построения решающих правил для идентификации состояний по выделенной совокупности информативных признаков;
разработка структуры аппаратных и программных средств автоматизированной исследовательской системы, на базе которой реализуются методы и алгоритмы идентификации состояний;
классификация и архивирование акустических сигналов пчелиных семей по определяемым экспертным путём (пчеловодами) состояниям, в которых они находятся, для накопления обучающей выборки и построения по ней сие-
8 темы диагностирования состояний пчелиных семей с использованием разработанных методов и алгоритмов.
Методы исследования. Для решения поставленных в работе задач применялись методы теории случайных процессов и математической статистики, спектрального анализа, теории распознавания образов, математического моделирования и экспериментальные методы.
Научная новизна работы:
обоснована необходимость и разработаны метод и алгоритм предварительной обработки нестационарных акустических сигналов с целью выделения из них коротких квазистационарных участков, из которых формируются «типичные» для конкретных состояний квазистационарные реализации сигналов;
разработан метод параметризации (выделения измеримых информативных признаков) «типичных» реализаций акустических сигналов, базирующийся на измерении спектральной плотности, усреднённой по сопряжённым узким полосам частот их энергетического спектра;
разработаны критерии информативности выделенных признаков, не требующие предварительного построения решающих правил, и базирующийся на них алгоритм определения оптимального набора информативных признаков из их первоначальной избыточной совокупности, обеспечивающего компактность решающих правил при сохранении достоверности распознавания;
разработан метод и алгоритм построения решающих правил на основе линейных разделяющих функций, задающих границы областей в многомерном пространстве информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критериев разделимости классов.
Практическая ценность работы:
Разработанные методы, алгоритмы и реализующие их программы составляют основное функциональное ядро программного обеспечения систем идентификации, диагностики и неразрушающего контроля сложных технических и природных объектов по акустическим шумам и вибрациям. В частности на их основе разработана обучаемая автоматизированная система диагностирования
9 состояния пчелиных семей по акустическому шуму, которая позволяет существенно облегчить труд пчеловодов и повысить продуктивность пасек. Результаты диссертационной работы внедрены в учебный процесс Курского государственного технического университета в учебных дисциплинах «Основы теории распознавания образов», «Физические основы передачи сигналов», «Учебная исследовательская работа студентов», а создаваемый на основе полученных в диссертации результатов исследовательский комплекс будет внедряться в ведущей организации ФГОУ ВПО Российском государственном аграрном заочном университете, г. Балашиха и в КурскГТУ. На защиту выносятся:
метод и алгоритм двухэтапной предварительной обработки сложных нестационарных акустических сигналов, предназначенные для выделения квазистационарных участков сигнала и синтеза из них «типичных» реализаций сигналов, содержащих информацию о текущем состоянии объекта;
метод оптимальной параметризации акустических сигналов, базирующийся на разделении энергетического спектра сигнала на узкие частотные полосы и определении усреднённой по каждой такой полосе спектральной мощности;
метод и критерии, позволяющие построить алгоритм отбора оптимальной совокупности информативных признаков из первоначального избыточного набора, обеспечивающий компактность решающих правил при сохранении достоверности распознавания;
метод и алгоритм построения решающих правил на основании линейных разделяющих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критерия разделимости классов;
структура и алгоритмы функционирования аппаратного и программного обеспечения автоматизированной исследовательской системы диагностирования состояний пчелиных семей по акустическому шуму.
10 Апробация работы. Основные положения диссертационной работы докладывались на следующих научно-технических конференциях: четвёртая международная научно-техническая конференция «Медико-экологические информационные технологии - 2001» (Курск, 2001), пятая международная конференция «Распознавание - 2001» (Курск, 2001), пятая международная научно-техническая конференция «Медико-экологические информационные технологии - 2002» (Курск, 2002), XI Российская научно-техническая конференция «Материалы и упрочняющие технологии - 2004» (Курск, 2004), третья международная научно-техническая конференция «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2005), III всероссийская и I международная научно-практическая конференция «Пчеловодство холодного и умеренного климата - 2005» (Псков, 2005).
Публикации. Основные результаты выполненных исследований и разработок опубликованы в 9 печатных работах, в том числе шести статьях, получен патент Российской Федерации. В работах, опубликованных в соавторстве, автором был внесен следующий вклад: в [103, 53, 64] предложен цифровой подход и техническая реализация метода распознавания состояния пчелиных семей, в [34] проведено исследование предпосылок создания автоматизированной системы и поставлены основные её задачи, в [47] предложен метод и алгоритм отбора участков сигнала, по которым в дальнейшем производится распознавание состояния пчелиных семей, в [65] предложена математическая модель системы распознавания с обучением, а также разработаны алгоритмы отбора информативных признаков для распознавания состояния пчелиных семей и определения весовых коэффициентов решающих правил при максимизации критерия Фишера, в [94] разработана структура и алгоритмы функционирования аппаратного и программного обеспечения системы диагностирования пчелиных семей по акустическому шуму.
Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 103 наимено-
вания, 2 приложений, изложена на 159 страницах и поясняется 32 рисунками и 11 таблицами.
Технические средства акустического контроля сложных объектов, базирующиеся на спектральном анализе
Наиболее общей информативной характеристикой акустического сигнала сложного объекта, является его спектр. Спектральный анализ позволяет регистрировать изменение частотного состава сигнала, распределения амплитуд и фаз его спектральных составляющих. Поэтому в последние годы наблюдается интерес к использованию спектрального анализа в приборах неразрушающего контроля, так как это позволяет получать дополнительную информацию и расширяет возможности аппаратуры.
Для контроля соединений слоев в многослойных конструкциях традиционно используются импедансный метод и метод свободных колебаний (МСК). В этих методах используются изгибные колебания звуковых частот.
МСК, простейший вариант которого - простукивание, изначально основан на анализе спектра. В контролируемых объектах ударно возбуждают свободно затухающие колебания, изменения спектра которых в зонах дефектов служат признаком дефекта.
В импедансном методе используются как вынужденные (непрерывные), так и свободные колебания. В последнем случае, в отличие от МСК, их возбуждают пьезоэлектрическими вибраторами, постоянно контактирующие с контролируемыми объектами. При работе непрерывными колебаниями применяют амплитудно-фазовую обработку информации, при импульсной работе - амплитудную и амплитудно-частотную [8].
В 80-х годах в СССР выпускались МСК дефектоскопы АД-50У и АД-60С [9, 10, 11]. В них спектральный анализ в полосе до 20 КГц выполнялся 12-канальным спектроанализатором на аналоговых полосовых фильтрах, а полученная информация обрабатывалась также в аналоговой форме. Данные приборы морально устарели и нуждались в модернизации. Развитие вычислительной техники позволило перейти к цифровому анализу спектра с последующей цифровой обработкой информации. В результате был разработан дефектоскоп АД-64М, использующий для контроля преобразователи, применяемые для контроля как МСК, так и импедансным методом [12, 9, 8]. Преобразователь, применяемый при импедансном методе идентичен раздельно-совмещенному преобразователю импульсных импедансных дефектоскопов АД-42И, АД-42 1М и др. [8]. Он содержит два одинаковых составных пьезоэлектрических вибратора, один из которых излучает, другой принимает импульсы свободно затухающих упругих колебания с несущей частотой около 15 КГц. Излучающий вибратор возбуждается тиристорным генератором. Данный преобразователь является преобра зователем импедансного дефектоскопа. Однако при спектральной форме обработки информации может рассматриваться также как преобразователь МСК дефектоскопа. МСК преобразователь подобен преобразователям дефектоскопа АД-60С [8, 10]. Он содержит ударный электромагнитный вибратор и микрофонный приемник акустических колебаний. Катушка вибратора возбуждается импульсами тока от генератора.
Сигналы с выхода преобразователя усиливаются и поступают в персональный компьютер, обрабатывающий поступающую информацию и управляющий работой системы. Компьютер выполняет спектральный анализ на основе БПФ с представлением спектра в виде 63 составляющих в двух частотных диапазонах от 0,3 до 5 КГц и от 0,3 до 20 КГц.
Информативным признаком дефекта служит отличие текущего спектра принятого сигнала от занесенного в память компьютера усредненного спектра сигнала в бездефектной зоне контролируемого объекта (опорный спектр).
Влияние дефектов на спектральные составляющие не одинаково. Поэтому для повышения чувствительности используются лишь наиболее сильно меняющиеся составляющие спектра (информативные гармоники), все остальные из рассмотрения исключаются. Задача отбора информативных гармоник решается путём одновременного представления на дисплее сравниваемых спектров или разностей амплитуд их соответствующих гармоник. Благодаря применению компьютера в дефектоскопе АД-64М [12] может быть реализовано несколько способов представления результатов контроля. Прибор обладает широкими сервисными возможностями и особенно полезен на стадиях разработки методик контроля при обработке изготовления и сертификации готовой продукции.
Низкочастотный акустический дефектоскоп АД -701 использует описанные те же принципы работы и предназначен для неразрушающего контроля многослойных конструкций и изделий из слоистых пластиков как в условиях производства, так и эксплуатации [13].
Математический аппарат построения энергетических спектров
Результатом -точечного ДПФ являются N комплексных чисел, расположенных в диапазоне от 0 Гц до значения частоты дискретизации. Однако в обработке следует использовать только первые N12 полученных отсчётов, т.к. остальные отсчёты являются комплексно сопряженными с первой половиной и соответствуют частотам, превышающим предел Найквиста [2, 7, 42]. Интервал между соседними отсчётами спектра можно вычислить по формуле: 4f=fd/N , (2.3) где - частота дискретизации сигнала; N- величина выборки (количество отсчётов).
Любое комплексное число a+ib имеет модуль, равный лт +b . Этот модуль и является амплитудой отдельных спектральных составляющих. Однако после проведения ДПФ значения отдельных отсчётов много превышают исходную амплитуду сигнала. Поэтому при построении амплитудного спектра необходимо проводить масштабирование. Оно производится путём деления результатов прямого ДПФ на N.
При выборе размерности БПФ необходимо найти компромисс между громоздкостью программного кода (увеличение промежуточных операций при уменьшении размерности БПФ) и скоростью вычисления энергетического спектра, что определяется выбранной кратностью прореживания. В нашем случае таким компромиссом является выбор (М/32)-точечного БПФ, что позволяет обеспечить приемлемую скорость вычислений на ПЭВМ с центральным процессором типа Intel Pentium II или Intel Celeron и выше при реализации программного обеспечения на языке высокого уровня C++.
При спектральных измерениях случайных последовательностей измерения должны быть статистически устойчивыми в том смысле, что, какая бы оценка ни рассматривалась, при увеличении интервала измерения она должна сходиться к вполне конкретной величине. Простое и удобное условие сходимо 51 сти сводится к тому, чтобы дисперсия оценки стремилась к нулю при увеличении интервала измерения. На практике спектральная плотность мощности чаще всего вычисляется по формуле ОЛЛ Ъи -е- 1- , (2.4) я=-оо т.е. Gx(f) равно преобразованию Фурье от Rx(m), где Rx(m) - автокорреляционная функция, которая может быть вычислена по формуле:
Из формулы (2.5) следует, что автокорреляционная функция может быть получена обратным преобразованием Фурье от спектральной плотности мощности.
Формулы (2.4) и (2.5) определяют спектральную плотность мощности, устанавливают связь между спектральной плотностью мощности и автокорреляционной функцией и показывают, что средние значения этих оценок сходятся при больших N к некоторому постоянному числу. Однако известно, что дисперсия оценки спектральной плотности мощности будет сходиться к нулю лишь при выполнении дальнейшего усреднения. Существуют два хорошо известных метода измерения спектральной плотности мощности шума с использованием БПФ, для которых удовлетворяются условия сходимости дисперсии к нулю. Первый метод основан на вычислении корреляционной функции с помощью алгоритма БПФ, а второй состоит в усреднении последовательности непосредственных измерений спектральной плотности. На рис. 2.2 иллюстрируются этапы выполнения спектрального анализа этими методами.
В методе 1 БПФ используется непосредственно для вычисления оценок корреляционной функции при L задержках, где 2L — размер БПФ. При вычислении по значениям корреляционной функции спектральной мощности для конечного числа частот необходимо применять сглаживающее окно со(т), чтобы уменьшить нежелательные эффекты, связанные с конечной длиной выборки, поскольку вместо бесконечной корреляционной последовательности ис 52 пользуются только L её значений. С помощью Z-точечного БПФ можно вычислить значения спектральной плотности мощности на L равноотстоящих частотах.
В методе 2 алгоритм БПФ используется для непосредственного вычисления спектральной плотности мощности в отличие от первого метода, в котором сначала вычисляется корреляционная функция. Поэтому входная последовательность до выполнения преобразования сглаживается с помощью окна со(п). Для последующего вычисления на основе спектральной плотности мощности корреляционной функции можно использовать алгоритм обратного БПФ. Так как спектральная плотность мощности рассчитывается только на L дискретных частотах, после обратного БПФ будет получена корреляционная функция, искаженная эффектом наложения.
Критерии предварительного отбора информативных признаков
При решении задачи распознавания состояний сложного объекта необходимо учитывать, что априорно практически невозможно выделить все его возможные состояния. Чаще всего речь идёт об отделении нормального состояния от критических, вызываемых какими-либо нарушениями функционирования. Но, во-первых, критических состояний может быть много, ибо они могут определяться разными причинами и факторами. А, во-вторых, существует множество переходных состояний (между нормальным и критическими), а также множество критических состояний, вызываемых не одним, а различными совокупностями факторов. В то же время для построения решающих правил классификации состояний по акустическим шумам необходимо накопить большой архив данных, представляющих собой статистически состоятельные наборы записей акустических сигналов, соответствующих каждому диагностируемому состоянию. В этих условиях построение жёсткого классификатора, с заранее определённым набором информативных признаков, распознаваемых классов и решающих правил не полностью отвечает целям диагностики, поскольку при эксплуатации системы обязательно будут появляться такие состояния, которые не диагностируются данным классификатором. А поскольку сама диагностическая система создаётся на базе ЭВМ, то есть все возможности сделать её гибкой, с возможностью дообучения в процессе эксплуатации. Это означает, что программное обеспечение этой системы должно включать не только программы предварительного анализа и обработки акустических сигналов (или их записей) с выделением информативных признаков и заранее построенный классификатор на какое-то начальное множество диагностируемых состояний, но и программы определения оптимальной совокупности информативных признаков и построения нового классификатора, если предъявляются сигналы, не диагностируемые начальным классификатором. В этом случае система получается универсальной. Она не только выполняет функции диагностической системы для конкретного класса объектов, позволяющей классифицировать заранее заданное множество состояний объекта, но и может использоваться в качестве исследовательского комплекса, позволяющего выявлять новые состояния исследуемого объекта и модифицировать классификатор для их диагностирования. Более того, такую систему можно применить для любых других объектов, состояния которых характеризуются акустическими сигналами. В этом случае необходимо лишь накопить представительную выборку записей сигналов, характеризующих те или иные состояния этого объекта, которые требуется диагностировать, и система сама построит классификатор, необходимый для их распознавания. От исследователя требуется лишь задать количественные характеристики параметризации исходных сигналов, которые для каждого типа объектов будут специфичны. К таким характеристикам, прежде всего, относятся границы информативного частотного диапазона, по которым определяется и необходимая частота дискретизации, и оптимальное разрешение по частоте при построении энергетических спектров, и ширина узких частотных полос, по которым производится усреднение спектральных плотностей мощности сигнала (этим определяется и начальное множество информативных признаков). Определение этих характеристик должно вестись в диалоговом режиме, поскольку хотя и можно задать некоторые общие логические условия и соотношения по их выбору (они использовались в п. 2.3 при разработке системы диагностики пчелиных семей), но для разных объектов они могут быть специфичны.
Из изложенной концепции следует, что программное обеспечение такой системы будет включать не только программы предварительной обработки предъявляемых на вход системы реализаций сигналов, математическое обеспечение и алгоритмы которой были изложены в предыдущей главе, но и программы отбора оптимальной совокупности информативных признаков для построения классификатора на заданное множество состояний и программы по 87 строения такого классификатора, математические основы и алгоритмы которых излагаются в настоящей главе.
Так как по одному и тому же набору информативных признаков может быть построено множество различных классификаторов, характеризуемых разным качеством распознавания, то в условиях, когда начальное множество этих признаков явно избыточно и между отдельными признаками могут существовать достаточно тесные корреляционные связи, выявить оптимальное их подмножество, необходимое для распознавания заданного числа состояний объекта, и построить для него оптимальный классификатор весьма затруднительно. Поэтому целесообразно оценку «ценности» или «разделительных свойств» того или иного признака производить вне связи с используемым классификатором. Поскольку исходное множество признаков может включать коррелирующие между собой признаки, то нельзя ограничиваться оценкой разделительных свойств каждого признака в отдельности. Необходимо использовать такие критерии, которые позволяют оценивать разделительные свойства и каждого признака в отдельности, и любой их совокупности.
Для построения компактных решающих правил необходимо из первоначального множества информативных признаков (усреднённых по узким полосам частот спектральных плотностей мощности сигнала) отобрать минимально необходимое их количество для надёжного распознавания заданного набора классов. Это можно сделать путём использования количественных критериев информативности этих признаков и отбора наиболее информативных, что позволит построить оптимальный классификатор (решающие правила), а также существенно упростить программную реализацию средств распознавания и сократить время анализа.
Проводной канал передачи данных, структурные схемы контроллеров улья и контроллера пасеки
Полученный при помощи микрофона акустический сигнал должен быть передан в контроллер пасеки (рис. 4.1) посредствам цифрового проводного соединения. Для этого аналоговый акустический сигнал должен быть оцифрован. Поскольку наиболее информативная часть спектра находится в частотной поло се от 60 до 600 Гц [21, 30, 32, 43], то целесообразно провести предварительную фильтрацию аналогового сигнала фильтром нижних частот, с частотой среза равной 600 Гц. Этот предварительно отфильтрованный сигнал поступает на вход устройства аналого-цифрового преобразователя. Согласно теореме Ко-тельникова [41, 66, 70, 71] гармонический сигнал может быть адекватно представлен дискретными отсчётами, если верхняя граничная частота его спектра не превышает половины частоты дискретизации. Тогда при дискретизации входного аналогового сигнала с максимальной частотной составляющей 600 Гц, частота дискретизации должна составлять не менее 1200 Гц. Для лучшего восстановления сигнала целесообразно применять частоту дискретизации, превосходящую минимально необходимую, но в этом случае увеличивается частота передачи в реальном времени выборок в канале, что ведёт к усложнению схемотехнических и программных решений. Поэтому остановим выбор на частоте дискретизации 1200 -1400 Гц. При использовании АЦП одновременно с дискретизацией будет происходить квантование сигнала. Число уровней квантования определяется разрядностью используемого АЦП. Учитывая вариабельность сигналов, принадлежащих одному и тому же состоянию пчелиной семьи, применять АЦП с разрядностью более 8 не имеет смысла.
Для получения узкополосного сигнала, совместимого с каналом связи производится кодирование каждой квантованной выборки цифровым словом. В результате получаем сигнал с импульсно-кодовой модуляцией (ИКМ). При передаче сигналов в системе диагностирования состояний пчелиных семей применяется кодировка NRZ-L (без возврата к нулю), т.к. данная кодировка наиболее легко реализуется, а также имеет приемлемую достоверность передачи данных [66, 70, 72, 73]. Однако данный тип кодировки не имеет встроенных средств синхронизации, помогающих восстанавливать сигнал. На небольших расстояниях хорошо работает схема, основанная на отдельной тактирующей линии связи, так что информация снимается с линии данных только в момент прихода тактового импульса. При передаче данных на большие расстояния, использование этой схемы вызывает трудности из-за неоднородности характеристик проводящих сред. На больших расстояниях неравномерность скорости распространения сигнала может привести к тому, что тактовый импульс придёт позже или раньше соответствующего сигнала данных, в результате чего бит данных будет пропущен или считан повторно.
Поэтому, ввиду небольшой скорости передачи данных по проводному каналу в системе диагностирования состояния пчелиных семей целесообразно применить введение дополнительных синхроимпульсов, сигналы которых несут для приёмника указания о том, в какой момент времени нужно осуществлять распознавание очередного бита. Для обеспечения битовой и символьной синхронизации в системе передачи данных по кабельному каналу в код вводится преднамеренная избыточность.
Битовая синхронизация достигается включением перед каждым двоичным информационным битом, представленным уровнем напряжения, бита синхронизации, который представляет собой переход сигнала от низкого уровня напряжения к высокому (фронт сигнала).
Каждый символ сообщения, представленный информационной и синхронизирующей (битовая синхронизация) составляющими, заканчивается временной паузой, являющейся признаком конца символа. Данная пауза представляет собой средство символьной синхронизации. Диаграмма структуры отдельного символа представлена на рис. 4.3.
В целях унификации сигналов предлагается для передачи команд в проводном канале использовать тот же формат, что и для передачи информационных символов. Во избежание конфликтов на шине, необходимо отличать управляющие команды от информационных символов сообщения. Для этого в состав символа вводится бит (9-й информационный бит, рис. 4.3), нулевое значение которого соответствует передаваемому информационному символу, а единичное значение указывает на то, что символ является командой.
