Содержание к диссертации
Введение
1 Обзор и анализ методов и устройств классификации состояний сложных систем на основе анализа их акустических сигналов 12
1.1 Обзор методов и средств формирования информативных признаков акустического сигнала сложных систем, издающих акустический шум 12
1.2 Известные специальные приборы и методы акустического контроля состояния сложных систем
1.3 Патентный обзор зарубежных источников 21
1.4 Спектральный анализ сигнала сложной структуры 24
1.5 Метод формирования форм спектров путм сочетательного сравнения частотных интенсивных составляющих с использованием аналоговых компараторов 29
1.6 Существенные частотные полосы акустического сигнала сложной системы 32
1.7 Построение «акустического портрета» характерных состояний сложных систем 33
1.8 Развернутая формулировка цели и задач диссертации 35
2 Методы обработки и анализа акустических сигналов сложных систем, издающих акустический шум с использованием кодовых таблиц 40
2.1 Методы формирования форм спектров 40
2.1.1 Метод формирования форм спектров с использованием ПЭВМ на базе Фурье преобразования 40
2.1.2. Метод формирования форм спектров с использованием АЦП путем непосредственной оценки величин измеряемых интенсивностей 41
2.1.3. Метод формирования форм спектров с использованием АЦП путем непосредственной оценки величин измеряемых интенсивностей посредством сочетательного сравнения 50
2.2. Применение форм спектров для анализа структурно сложного
акустического сигнала 53
2.2.1. Анализ акустического сигнала сложной системы, издающей акустический шум с использованием двоичного кодирования 53
2.2.2. Анализ акустического сигнала сложной системы, издающей акустический шум с использованием параллельного восьмеричного кода 55
2.2.3. Анализ акустического сигнала сложных систем, издающих акустический шум, по частоте появления кодов
2.3. Формы спектров в виде перестановок 58
2.4. Перевод двоичных кодов в перестановки 60
2.5 Анализ акустических сигналов с использованием кодовых сообщений 66
2.6 Определение информативных частотных полос акустического сигнала сложных систем при определении их состояний 69
2.7 Выводы второго раздела 81
3 Классификация состояний сложных систем по акустическим сигналам от пространственно распределенных источников 83
3.1 Определение существенных признаков акустического сигнала 83
3.2 Классификация состояний пчелиных семей по акустическим сигналам 88
3.3 Выводы третьего раздела 92
4 Разработка и исследование средств программно-аппаратной поддержки автоматизированного контроля состояний пчелиных семей 93
4.1 Структура аппаратных средств автоматизированной системы определения состояний пчелиных семей 93
4.2 Программное обеспечение для анализа акустических сигналов сложных систем – пчелиных семей с использованием кодовых сообщений и их кодовых аналогов 107
4.3 Определение неизвестного состояния сложной системы по издаваемому ею акустическому шуму 1 4.3.1 Алгоритмы классификации состояний сложных систем 125
4.3.2 Построение классов состояний сложных систем 134
4.4 Выводы четвртого раздела 141
Заключение 143
Список литературы 145
- Патентный обзор зарубежных источников
- Метод формирования форм спектров с использованием АЦП путем непосредственной оценки величин измеряемых интенсивностей
- Определение информативных частотных полос акустического сигнала сложных систем при определении их состояний
- Программное обеспечение для анализа акустических сигналов сложных систем – пчелиных семей с использованием кодовых сообщений и их кодовых аналогов
Введение к работе
Актуальность темы исследования. Акустические сигналы, издающиеся сложными системами, являются мощным источником информации для определения их состояний. Данной проблемой занимались многие отечественные и зарубежные учные и инженеры: Е.К. Еськов, В.Э. Дрейзин, В.А. Тобоев, Дайв Гусман (Англия) и др.
Среди множества акустических сигналов различной природы можно
выделить сигналы, формирующиеся разнесенными в пространстве
источниками, в результате наложения которых образуются системные ритмы, несущие важную информацию о состоянии исследуемой системы. Источником акустических сигналов могут быть относительно автономные элементы системы, которые требуют мониторирования их состояния с последующей его диагностикой, либо принятия решения о функциональном состоянии системы в целом на основе диагностики состояния ее элементов. К таким источникам сигналов относятся многие живые системы, в частности, пчелиные семьи.
Связи между функциональным состоянием пчелиной семьи и структурой
генерируемых ею звуков, установленные Еськовым Е.К. (1979, 2003, 2013) и
исследованные в работах Дрейзина В.Э. и Тобоева В.А., были получены путем
выделения статистически однородных участков на апертуре акустического
сигнала с последующим их спектральным анализом. Однако при исследовании
сложноструктурированных сигналов, формируемых множеством
пространственно распределенных источников, не удается, как правило,
выделить стационарные участки необходимой длины, на основе анализа
которых можно было бы принять адекватные диагностические и
управленческие решения. Поэтому разработка новых методов и алгоритмов
диагностики состояния сложных систем на основе анализа акустических
сигналов, создаваемых множеством пространственно распределенных
источников, является актуальной задачей.
Степень разработанности темы исследования. Многочисленные исследования показали, что основой существования любой сложной системы являются ритмические процессы (Глас Л., Скляров О., Чижевский А). Каждой сложной системе, находящейся в состоянии гомеостатического равновесия, соответствует ритм определенной сложности. Причем отклонение от этого состояния может сопровождаться как усложнением ритма (до хаотического ритма), так и упрощением его (метрономный режим) (Баевский Р.). Для исследования акустических сигналов широко используют спектральные методы (Гоулд Б., Рабинер Л.). Однако на спектральный состав сложноструктурирумого сигнала, формирующегося на основе наложения акустических сигналов множества распределенных источников, оказывают влияние внесистемные факторы, не связанные с функциональным состоянием сложной системы (Василенко Ю.С., Васильев Ю.М.), поэтому использование классических спектральных методов анализа в этом случае неэффективно и предпочтительно использование частотно-временных преобразований (Макс Ж.). В частности, в работах Рыбочкина А.Ф. в качестве таких преобразований
было предложено использовать кодовые таблицы, представляющие собой
мультимножества (форм спектров), характеризующие статистические
характеристики энергетических соотношений для заданного акустического сигнала в выбранных диапазонах частот на фиксированном интервале времени. Однако методы формирования признаков акустического сигнала для определения состояния сложной биосистемы – пчелиной семьи, основанные на анализе акустических сигналов в диапазоне 60…600 Гц, исследованы недостаточно и нуждаются в дальнейшем усовершенствовании.
В этой связи разработка методов и алгоритмов анализа и классификации акустических сигналов, формирующихся при наложении пространственно распределенных источников, основанных на анализе образов форм спектров, является актуальной научно-технической задачей.
Цель исследования – повышение качества диагностики состояния пчелиных семей путм разработки методов и алгоритмов формирования и анализа образов форм спектров генерируемых ими акустических сигналов.
В соответствии с поставленной целью в работе решены следующие задачи:
- анализ существующих методов и средств исследования
сложноструктурированных акустических сигналов для диагностики состояний
сложных систем, в частности, пчелиных семей;
- разработка методов и алгоритмов формирования признаков
акустических сигналов для диагностики состояния сложной биосистемы на
основе кодирования форм спектров;
- разработка алгоритмов и решающих правил, основанных на анализе
форм спектров акустических сигналов, предназначенных для диагностики
состояния сложных биосистем;
- разработка и апробация автоматизированной системы диагностики
состояния пчелиных семей на основе анализа форм спектров акустических
сигналов, формируемых множеством пространственно распределенных
источников.
Объект исследования. Сложные биосистемы, как источники
акустических сигналов.
Предмет исследования. Автоматизированная система диагностики состояний биологических систем на основе анализа сложного акустического сигнала, создаваемого пространственно распределенными источниками.
Содержание диссертации соответствует п.5 «Разработка специального
математического и алгоритмического обеспечения систем анализа,
оптимизации, управления, принятия решений и обработки информации» и п.12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации» паспорта специальности 05.13.01 – Системный анализ, управление и обработка информации (технические науки).
Научная новизна. Научную новизну составляют следующие результаты работы:
- метод формирования пространства информативных признаков,
основанный на анализе формы спектра акустических сигналов сложной
системы, отличающийся тем, что в полосе частот, занимаемой сигналом, выделяют n информативных диапазонов, в которых вычисляется средняя интенсивность спектра, и, в результате сравнения этих интенсивностей, получают образы форм спектров в виде кодовых сообщений разрядностью Сn2 , позволяющий посредством кодирования образов форм спектров построить решающие правила для диагностики состояний пчелиных семей;
- алгоритм диагностики состояния пчелиных семей на основе анализа
акустических сигналов множества распределенных источников (пчл),
отличающийся тем, что на апертуре наблюдения сигнала формируют матрицу
частости образов форм спектров, из которой выбираются коды образов форм
спектров, соответствующие наибольшим значениям частости, позволяющий на
основе формулы Байеса построить классификатор диагностируемых состояний
пчелиных семей;
- автоматизированная система диагностики состояния пчелиных семей на
основе анализа форм спектров акустических сигналов, отличающаяся
наличием блоков дистанционного контроля спектров акустических сигналов и
интерактивной средой, позволяющей лицу, принимающему решение,
контролировать динамику состояний пчелиных семей и принимать адекватные
решения по поддержанию их жизнедеятельности.
Теоретическая и практическая значимость работы состоит в том, что изложена идея формирования признаков акустического сигнала сложных биосистем по генерируемым ими множествам акустических сигналов пространственно распределенных источников, основанная на спектральном анализе в формируемых узкополосных диапазонах с последующим кодированием показателей энергетических соотношений в этих частотных диапазонах на заданном временном интервале и использованием полученных мультимножеств в качестве пространства информативных признаков. Предложенные в работе методы, алгоритмы и программные продукты позволяют разработать диагностические комплексы, анализирующие и классифицирующие акустические сигналы, формируемые пространственно распределенными источниками сигналов, для широкого класса сложных биосистем.
Диссертационные исследования проводились в рамках Программы Фонда содействия развитию малых форм предприятий в научно-технической сфере «У.М.Н.И.К.», проект «Разработка и создание методов, моделей, алгоритмов и аппаратно программных средств контроля и управления жизнедеятельностью пчелиных семей».
Результаты диссертационной работы внедрены в учебный процесс
кафедры вычислительная техника Юго-Западного государственного
университета (г. Курск) по дисциплинам «Техническая диагностика электронных средств», «Эксперимент: планирование, анализ», а также используются в учебном процессе и научной работе на кафедре биоэкологии факультета охотоведения и биоэкологии Российского государственного аграрного заочного университета (г. Балашиха Московской области).
Методология и методы исследования. В диссертационной работе использованы методы теории случайных процессов и математической статистики, системного и спектрального анализа, теории распознавания образов, математического моделирования и теории обработки сигналов, теории алгоритмов, теоретического программирования и методов схемотехники.
Положения, выносимые на защиту. Методы формирования
пространства информативных признаков для классификации акустических сигналов сложных систем, построенные на анализе энергетических соотношений в узкополосных частотных диапазонах и формирующие мультимножества образов форм спектров на заданном временном интервале, позволяют автоматизировать диагностику состояния пчелиных семей в процессе жизнедеятельности.
Алгоритмическое и программное обеспечение для анализа акустических
сигналов сложных систем, формирующих акустические сигналы множеством
пространственно распределенных источников, обеспечивает работу
автоматизированных систем диагностики состояния пчелиных семей.
Автоматизированная система диагностики состояний пчелиных семей на основе анализа форм спектров акустических сигналов, построенная на анализе частости кодовых сообщений (мультимножеств) генерируемого ими акустического сигнала на априорно заданном временном интервале позволяет осуществлять дистанционную и непрерывную диагностику состояния пчелиных семей.
Степень достоверности и апробация результатов. Достоверность и обоснованность результатов исследования подтверждается проведнными экспериментами, корректным использованием положений системного анализа и применением методов теории кодирования форм спектров, а также рецензированием печатных работ.
Основные научные результаты диссертационного исследования
докладывались, обсуждались и получили положительную оценку на
6 международных и региональных научно-технических конференциях:
«Компьютерная биология от фундаментальной науки к биотехнологии и
биомедицине» (Пущино – 2011); «Naukowa przestrzen Europa» (Przemysl –
2013); «Информационно-измерительные диагностические и управляющие
системы» (Курск – 2013); «Математические методы и инновационные научно-
технические разработки» (Курск – 2014); «Современные тенденции развития
науки и технологий» (Белгород – 2015); «Медико-экологические
информационные технологии» (Курск – 2015).
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы из 124 наименований. Основная часть работы изложена на 161 странице машинописного текста, содержит 51 рисунок и 20 таблиц.
Патентный обзор зарубежных источников
Известна специальная система, позволяющая осуществлять контроль за изменнным состоянием – размножение биологической сложной системы (пчелиной счемьи), находящихся на расстоянии до 60 км от центральной пасеки, примененная Ф. Шауфом [52]. В основу контроля положена регистрация изменений спектра звуков, издаваемых пчелиной семьей во время роения и, в частности, усиление спектральных составляющих в диапазоне 400-550 Гц [1]. Для этого звуки, издаваемые пчелами, через миниатюрный радиопередатчик и ретранслятор, находящийся в улье, регистрируются приемным устройством на центральной пасеке [3-29].
В [43] приведено устройство для определения физиологического состояния пчелиной семьи «РОЙ». Данное устройство предназначено для практической работы пчеловодов и позволяет определить конкретное состояние пчелосемьи по акустическому шуму. В приборе используется принцип выделения из всего спектра частот, диапазона в котором наблюдается максимальная интенсивность спектральных составляющих, на основании априорного разделения диапазонов, соответствующих состояний, принимается решение о текущем состоянии семьи.
Анализ максимальных интенсивностей спектральных составляющих в отдельных частотных диапазонах не может дать точной оценки состояния, что может быть обусловлено воздействием помех, которые могут привести к образованию не информативных максимумов сигнала. Кроме того, устройство сложно в настройке. Однако в данном приборе реализована концепция определения и отображения конкретного состояния пчелиных семей для пчеловода, причем для интерпретации результатов от конечного пользователя не требуется дополнительных знаний или большого опыта практической работы.
В рассмотренных устройствах частотные диапазоны, в которых производится оценка интенсивностей спектральных составляющих, различаются как по ширине, так и по значениям, кроме того, диапазоны, соответствующие различным состояниям, пересекаются, что не позволяет с достаточной точностью определить текущее состояние пчелиной семьи.
В [44] приведено устройство для акустического контроля пчелиных семей, в котором анализируются заранее определенные узкие диапазоны частот, входящие в общий информативный диапазон 100-600 Гц. В приборе возможна перестройка исследуемых диапазонов. Устройство обеспечивает получение результатов в виде наглядной картины спектрального разложения акустического сигнала, что предназначалось для облегчения и сокращения процесса измерений и устранения субъективных погрешностей и создания предпосылок для принятия объективного и адекватного решения о состоянии пчелиной семьи. В качестве индикатора применяется матричный индикатор. Распознавание состояний основано на априорной информации о значениях интенсивностей спектрального разложения в тех или иных частотных диапазонах для ограниченного числа состояний. В устройстве анализируются следующие состояния: принятие новой матки – высокие значения интенсивностей спектрального разложения в диапазоне частот 165-200 Гц, матка не принимается – высокие значения интенсивностей спектрального разложения в диапазоне частот 330-440 Гц, предроевое (роевое) состояние – высокие значения интенсивностей спектрального разложения на частотах 210 – 240 Гц, если амплитуда спектральных составляющих на частотах 90 – 180 Гц превышает амплитуду на частотах 200 – 400 Гц, то в пчелосемье перегрев, свидетельством того, что семья потеряла матку, является различие значений интенсивностей спектральных составляющих в диапазонах частот 210 – 330 и 330 – 390 Гц на 6 – 10 дБ. Устройство предназначалось как для использования при биологических исследованиях спектральных характеристик звуковых сигналов пчелиных семей, так и для пчеловодов- практиков при отсутствии у них высокой квалификации, позволяя им контролировать возникновение критических состояний пчелиных семей.
В настоящее время исследователем д.т.н. Рыбочкиным А.Ф. [45-48] предложен метод анализа акустических сигналов сложной системы с использованием форм спектров. Метод реализуется следующим образом. Звуковой сигнал, снимаемый с помощью выносного микрофона, усиливают в выбранном диапазоне частот с помощью предварительного усилителя. Затем с помощью узкополосных частотных фильтров выделяют заранее выбранные наиболее существенные частотные полосы этого сигнала. Выходные сигналы этих фильтров детектируют и анализируют с помощью блока компараторов, после чего полученные на выходах компараторов двоичные коды, которые отражают формы спектров подают на вход распознающего устройства, состоящего из микроЭВМ и индикатора. МикроЭВМ преобразует поступающие на его вход двоичные коды в десятичные или восьмеричные. Данные регистрируются в ОЗУ микроЭВМ в течение заданного интервала времени (10 минут), после чего производится расчет характеристик полученного вариационного ряда в виде относительных частостей всех, встречающихся в зарегистрированной выборке кодов, и статистических характеристик распределения кодов в виде среднего значения, дисперсии, коэффициента асимметрии и эксцесса. После чего по ним производится классификация состояний сложной системы, которое отображается на индикаторе. Если данное состояние не соответствует ни одному из состояний, учитываемых при программировании распознающего устройства, то по усмотрению оператора индицируются статистические характеристики распределения кодов, характеристики вариационного ряда и условная диаграмма звукового сигнала идентифицируемой сложной системы.
Метод формирования форм спектров с использованием АЦП путем непосредственной оценки величин измеряемых интенсивностей
Образ спектра остался прежним (рисунок 1.7, первый столбец, строка 5). При сравнении значений величин напряжений сигналов с 4-х АЦП практически всегда будет соблюдаться их неравенство, так как количество цифровых двоичных разрядов с АЦП большое и вероятность равенства измеряемых сигналов мала.
Формирование форм спектров по оцифрованным значениям напряжений сигналов осуществляется согласно алгоритму (рисунки 2.1 - 2.4): исходными данными для алгоритма являются значения величин продетектированных сигналов, оцифрованных АЦП 1 … АЦП 4, которые загружаются в ячейки памяти ПЭВМ, входящие в состав массива размером 4Х3: L[i,j], где L - переменная массива, i – индекс столбца, j – индекс строки.
После ввода исходных в ячейки массива L[1,1], L[2,1], L[3,1], L[4,1] с АЦП1, АЦП2, АЦП3, АЦП4 соответственно, производится установка индексов столбца и строки массива L равными соответственно i=1, j=2. Начиная с этих значений производится очистка элементов массива L в строках 2 и 3.
Далее производится установка индекса столбца i=1 и установка индекса минимального значения среди величины сигналов с АЦП1 … АЦП4 в 1-ой строке массива min1=1. После чего производится сравнение значений величин сигналов в 1-ой строке: если значение в L[min1,1] больше значения L[i,1], то индекс min1 принимает значение i, производится инкремент переменной i, пока значение индекса столбца i не превышает значения количества столбцов в матрице L, которое равно «4». Если значение индекса столбца i превышает значение количества столбцов в матрице L, то переменная min1 не изменяется, производится инкремент переменной i, пока значение индекса столбца i не превышает значения количества столбцов в матрице L. Далее в массив L[min1, 2] записывается значение «1», соответствующее статусу, который означает, что величина сигнала с АЦП в массиве L[min1, 1] в дальнейшем сравнении не участвует. В третью строку данного столбца L[min1, 3] записывается значение «1», означающее первый уровень образа спектра.
Далее производится установка индекса столбца i=1 и поиск минимального значения среди величины сигналов с АЦП1 … АЦП4 в 1-ой строке массива min2, исключая величину L[min1, 1]: если значение статуса в матрице L[i, 2] не равно «1», то минимальному значению индекса min2 присваивается значение i. Иначе производится инкремент переменной i и дальнейшая проверка значения статуса в матрице L[i, 2]. После определения начального значения индекса минимального значения min2 среди величин сигналов с АЦП1 … АЦП4 в 1-ой строке массива, исключая величину L[min1, 1], устанавливается индекс столбца i=1. Производится цикл до тех пор, пока индекс столбца i не превышает значения количества столбцов в матрице L: если значение статуса во второй строке матрицы L[i, 2] равно «1», то производится инкремент i. Иначе, если значение статуса во второй строке матрицы L[i, 2] равно «0», производится сравнение: если величина в матрице L[min2, 1] больше величины в матрице L[i, 1], то значению min2 присваивается значение i, производится инкремент i. Если величина в матрице L[min2, 1] меньше или равно величины в матрице L[i, 1], то производится инкремент i. Далее после цикла в массив L[min2, 2] записывается значение «1», соответствующее статусу, который означает, что величина сигнала с АЦП в массиве L[min2, 1] в дальнейшем сравнении не участвует. В третью строку данного столбца L[min2, 3] записывается значение «2», означающее второй уровень формы спектра [88].
В последующем производится установка индекса столбца i=1 и поиск минимального значения среди величины сигналов с АЦП1 … АЦП4 в 1-ой строке массива min3, исключая величину L[min1, 1], L[min2, 1]: если значение статуса в матрице L[i, 2] не равно «1», то минимальному значению индекса min3 присваивается значение i. Иначе производится инкремент переменной i и дальнейшая проверка значения статуса в матрице L[i, 2]. После определения начального значения индекса минимального значения min3 среди величин сигналов с АЦП1 … АЦП4 в 1-ой строке массива, исключая величину L[min1, 1], L[min2, 1], устанавливается индекс столбца i=1. Производится цикл до тех пор, пока индекс столбца i не превышает значения количества столбцов в матрице L: если значение статуса во второй строке матрицы L[i, 2] равно «1», то производится инкремент i. Иначе, если значение статуса во второй строке матрицы L[i, 2] равно «0», производится сравнение: если величина в матрице L[min3, 1] больше величины в матрице L[i, 1], то значению min3 присваивается значение i, производится инкремент i. Если величина в матрице L[min3, 1] меньше или равно величины в матрице L[i, 1], то производится инкремент i. Далее после цикла в массив L[min3, 2] записывается значение «1», соответствующее статусу, который означает, что величина сигнала с АЦП в массиве L[min3, 1] в дальнейшем сравнении не участвует. В третью строку данного столбца L[min3, 3] записывается значение «3», означающее третий уровень формы спектра.
Далее производится установка индекса столбца i=1 и поиск минимального значения среди величины сигналов с АЦП1 … АЦП4 в 1-ой строке массива min4, исключая величину L[min1, 1], L[min2, 1], L[min3, 1]: если значение статуса в матрице L[i, 2] не равно «1», то минимальному значению индекса min4 присваивается значение i. Иначе производится инкремент переменной i и дальнейшая проверка значения статуса в матрице L[i, 2]. После определения начального значения индекса минимального значения min4 среди величин сигналов с АЦП1 … АЦП4 в 1-ой строке массива, исключая величину L[min1, 1], L[min2, 1], L[min3, 1], в массив L[min4, 2] записывается значение «1», соответствующее статусу, который означает, что величина сигнала с АЦП в массиве L[min4, 1] в дальнейшем сравнении не участвует. В третью строку данного столбца L[min4, 3] записывается значение «4», означающее четвертый ур работы а овень формы спектра.
Определение информативных частотных полос акустического сигнала сложных систем при определении их состояний
На начальном этапе классификации необходимо определить априорный словарь признаков, характеризующий сложную систему [99-102]. Установим признаки необходимые для классификации состояний сложной системы. 1 - число узкополосных частотных фильтров N. 2 - номера и обозначение кодов. 3 - частости выпадений кодов. 4 - частости выпадения лидирующего кода. 5 -частости выпадения 2-х, 3-х и т.д. лидирующих кодов, распределнных в области N!. 6 - длительность анализа. 7 - апостериорная энтропия H(B/Aj).
Процедура обучения состоит в следующем [80]. Априорная информация, полученная при проведении экспериментального анализа известных состояний, позволяет составить список Dh..., сої объектов (кодов) с указанием, к какому классу, т.е. состояниям П1,…., Qm каждый из них относится [2]. Исходная информация может быть представлена в виде (3.24):
Идентификация осуществляется: - по частости появлений кодов; - по максимальному числу частости появления кода из всех выпавших кодов идентифицируемого состояния; - путм сопоставления априори известной апостериорной вероятности Р(Вj/Аi) (из таблицы известных состояний) и экспериментальной апостериорной вероятности Р(Вj/Аi) неизвестного состояния и при близком соответствии отнести к данному распознающему состоянию, при условии одинаковой длительности анализа для известной выборки и для неизвестного идентифицируемого состояния; - путм сопоставления априори известной апостериорной энтропии H(Bj / Ai ) известного состояния с апостериорной энтропией H(Bj / Ai ) неизвестного состояния; - по минимальности расстояния вектора признаков к эталонному классу распознаваемого состояния; - по коэффициенту корреляции. Пчелиные семьи характеризуются в зависимости от сезона следующими состояниями.
Летнее время: 1- пчелосемьи в нормальном рабочем состоянии, 2- пчелиные семьи, вошедшие в стадию роения, роение в свою очередь может быть разбито на стадии роения (начало роения, стадия роения, близость выхода роя, роение), 3 -пчелиная семья без матки, 4 - реакция на подсаживаемую матку при организации отводка, 5 - заклещванность варроатозом (допустимая, средняя, большая).
Зимнее время: 1- сильные, 2 - средние, 3 - слабые пчелиные семьи, 4 -пчелиные семьи которых тревожат мыши, 5 - отсутствие корма, 6- отсутствие матки.
Для классификации состояний пчелиных семей, необходимо иметь эталонные таблицы кодовых сообщений (отдельно для зимних, отдельно для летних) с известными состояниями установленных на основе экспертной оценки – опытным пчеловодом. Для зимних пчл, необходимо иметь эталонные кодовые сообщения разной силы пчелиных семей при различных температурах зимовки. Для классификации состояний пчелиных семей в летнее время, также необходимо иметь эталонные таблицы характерных состояний пчелиных семей. Предварительно на пасеке, каждая пчелиная семья прослушивается автоматизированной системой, чем дольше по длительности прослушивается пчелиная семья, тем точнее на координатной плоскости фиксируется данная пчелосемья. Для построения пространственных координат ульев пасеки, необходимо записать номер улья (номер улья должен оставаться зафиксированным и не изменяться). Также для каждого улья необходимо указать продолжительность жизни матки, когда она была выведена, подсажена или произошла тихая смена. После того, как в ПЭВМ будут введены эталонные кодовые сообщения характерных состояний пчелиных семей, приступают к диагностике состояний пчелосемей [103-106]. В зависимости от сезона, на двумерном экране появляются классы состояний, пчеловодом датся указание прослушать каждую пчелиную семью, длительностью от 4-х до 10 минут. Как только прослушаются пчелиные семьи всей пасеки, включается алгоритм распознавания. Если пчелиная семья попала в характерный класс эталона, то этот класс для этого номера пчелиной семьи запоминается, так проделывается с каждой диагностируемой пчелиной семьй. Затем по запросу пчеловода осуществляется распечатка состояний диагностируемых пчелиных семей. В памяти ПЭВМ все диагностируемые состояния каждой пчелиной семьи запоминаются и на двумерной плоскости отображающего экрана отображаются точки с указанным номером каждой пчелиной семьи. С каждым новым текущим прослушиваем пчелосемей, координаты точек расположения пчелосемей на двумерной плоскости корректируются. В зависимости от состояний пчелиных семей, эти точки будут разбросаны по двумерной плоскости отображающего экрана. При близких состояниях, эти точки будут плотно располагаться, т.е. плоскость отображающего экрана сразу показывает пчелиные семьи со схожими или близкими состояниями. Предварительно в памяти ПЭВМ по каждой пчелиной семьи имеется база данных в виде кодовых сообщений, характеризующих эту пчелиную семью. Далее пчеловод наводит курсор на точку его интересующей пчелиной семьи и щлкает мышью. Все точки, характеризующие пчелиные семьи исчезают, но появляются классы состояний, характеризующие только эту пчелиную семью. Эти классы состояний на каждый день прослушивания накапливаются в памяти ПЭВМ, и пчеловод может посмотреть предысторию изменения состояний на каждую пчелосемью.
Программное обеспечение для анализа акустических сигналов сложных систем – пчелиных семей с использованием кодовых сообщений и их кодовых аналогов
При идентификации состояний сложных систем – пчелиных семей по их акустическому шуму необходимо учитывать сезон наблюдения за пчлами.
При летнем содержании пчл, пчеловода интересуют состояния: пчелиная семья нормально работает носит мд, пчелиная семья вошла в стадию роения, сильно заражена варроатозом, отсутствие матки, реакция пчелиной семьи на вновь вводимую матку: матка – принимается или не принимается.
При летнем наблюдении акустических шумов пчелиных семей получены классы состояний, которые были построены с применением программы для анализа акустического шума [108-111]. Как видно из рисунка 4.25, пчелиные семьи нормально работающие образуют класс состояний, который расположен ближе оси X2, второй класс показывает начало роения, затем роение развивается, близкий
выход роя вс ближе к оси Хь а когда уже рой на выходе, этот класс переходит на ось Хi и по этой оси можно будет видеть когда выйдет рой, т.е. чем больше величина координатной оси Хi тем ближе срок выхода роя. Оси Хi и Х2 отражают низкочастотные и высокочастотные составляющие спектра анализируемого диапазона акустического шума пчелиных семей, нами анализировался диапазон частот от 60 до 1000 Гц.
Далее пчеловода интересует подсадка матки в пчелиную семью или организуемый отводок. Из рисунка 4.26 видно, что первоначально пчлы не принимают матку, на оси Хь выделен класс состояний белым цветом, где матка не принимается, пчлы находятся в возбужднном состоянии. По истечении некоторого времени, в нашем случае через 2,5 суток пчлы поменяли сво отношение к вновь вводимой матки и е приняли, класс неприятия матки переместился в класс принятия матки.
Сложная система - пчелиная семья изменяющая сво состояние При зимнем содержании пчелиных семей, для пчеловода важна сила пчелиных семей: сильная, средняя, слабая, воздействие на пчелосемью мышей, пчелиная семья без матки, пчелиная семья голодает. На рисунке 4.27 приведены классы состояний зимующих пчелиных семей при морозе - 22оС, как видно эти классы хорошо разделяются.
На риснке 4.28 показаны состояния двух зимующих пчелиных семей, в зимовнике и на улице, также неизвестное состояние, которое ближе к состоянию на 7–е марта. Видно, что эти пчелиные семьи хорошо разделяются. Меньшими по размеру кружочками показаны состояния пчелиных семей на момент е прослушивания.
Из рисунка 4.28 видно, пчелиная семья «Рой до удара палкой» занимала состояние 3, после ударом палкой по корпусу улья из состояния 3 перешла в состояние 4, по истечении четырх минут перешла в состояние 5, т.е. практически в исходное состояние. Тогда как пчелиная семья №2 сво состояние в течение восьми минут не изменила, вернулась ли она в состояние до удара палкой по корпусу улья неустановленно, так как была прекращена запись звука этой пчелиной семьи. Можно предположить, что в виде такого теста в начале зимовки, можно выявлять жизнеспособность пчелиной семьи к неблагоприятным воздействиям.
Звуки пчл 8 декабря 2013 г. по 10 минут были записаны на диктофон, а затем были проанализированы компьютерной программой [112-124] пчелиная семья №6, находится на оси Х2, это говорит о том, что в акустическом шуме улья анализируемой пчелиной семьи преобладают высокочастотные составляющие. По Еськову Е.К., преобладание высокочастотных составляющих акустического шума пчелиной семьи говорит о высокой степени заклещванности варроатозом. В начале января 2014 г, данная пчелосемья погибла. После анализа весной подмора, 100 пчл поместили вскипевшую воду с чайной ложкой моющегося порошка, выпало 70 клещей, хотя пчеловод уверял, что пчл от варроатоза обработал химическими препаратами два раза.
Таким образом, оснащение пасек компьютеризированными системами [2], позволит пчеловодам владеть информацией о состояниях пчелиных семей по издаваемому ими акустическому шуму, круглый год. Знать состояние пчелиной семьи в текущее время, а также е предысторию и прогнозировать е мдопродуктивность на следующий сезон. Очень важно привязывать состояние пчелиной семьи к матке и к номеру улья, если матка будет поменяна или изменн номер улья, то пчеловод через интерфейс программы должен пометить эти изменения.
В качестве альтернативы предложенным методам классификации использовались технологии спектрального анализа и нейросетевое моделирование. Оценка эффективности предложенных технических решений определялось качеством классификации автоматизированной системы. В системах искусственного интеллекта качество традиционно оценивается диагностической чувствительностью (ДЧ), специфичностью (ДС), эффективностью (ДЭ) и прогностической значимостью (ПЗ+ и ПЗ-). Обучающие и контрольные выборки формировались экспертом-пчеловодом по следующим классам состояний: «пчелиная семья в рабочем состоянии», «зимуют сильные пчелиные семьи», «пчелиные семьи тревожит мышь», «зимуют средней силы пчелиные семьи», «зимуют пчелиные семьи небольшой силы», «подсадка новой матки на одной раме», «рамка пчел без матки», «новая матка не принята», «новая матка принята». В результате была создана фонотека сложных акустических сигналов, характеризующих вышеприведенные состояния пчелиных семей.