Содержание к диссертации
Введение
Глава 1. Обзор современного состояния исследований и разработок систем идентификации параметрически неопределенных сигналов 14
1.1. Основные понятия и определения 14
1.2. Теоретические основы построения нейросетевых систем идентификации параметрически неопределенных сигналов 18
1.3. Анализ математических моделей процедуры идентификации параметрически неопределенных сигналов на базе нейронных сетей 32
1.4. Постановка задачи 37
1.5. Основные результаты и выводы 42
Глава 2. Синтез систем идентификации параметрически неопределенных сигналов * 44
2.1. Основные понятия и определения 44
2.2. Теоретические основы целых функций экспоненциального типа и их применение для идентификации параметрически неопределенных сигналов 47
2.3. Сравнительный анализ основных процедур идентификации сигналов 51
2.3.1. Сравнительный анализ современных методов идентификации сигналов 51
2.3.2. Сравнительный анализ вероятностей идентификации сигналов нейросетевыми методами 56
2.3.3. Сравнительный анализ алгоритмов обучения нейронных сетей 65
2.4. Синтез структуры искусственной нейронной сети для системы идентификации параметрически неопределенных сигналов 70
2.5. Синтез имитационных моделей систем идентификации сигналов 84
2.5.1. Сравнение вероятности идентификации полиномиальных сигналов по текущим значениям и по координатам нулей 84
2.5.2. Сравнение вероятности идентификации гармонических сигналов по текущим значениям и по координатам нулей 89
2.6. Основные результаты и выводы 93
Глава 3. Разработка имитационных моделей систем идентификации параметрически неопределенных сигналов 95
3.1. Разработка имитационных моделей источников сигналов 95
3.1.1. Разработка имитационной модели источников полиномиальных сигналов 95
3.1.2. Разработка имитационной модели источников гармонических сигналов 97
3.2. Разработка имитационной модели подсистемы определения координат нулей функции 99
3.3. Разработка имитационной модели подсистемы определения координат функции 102
3.4. Разработка имитационной модели подсистемы идентификации параметрически неопределенных сигналов 105
3.4.1. Разработка искусственного нейрона с модулем памяти 105
3.4.2. Разработка слоя искусственных нейронов с модулем памяти 106
3.4.3. Разработка искусственной нейронной сети с модулем памяти 108
3.5. Основные результаты и выводы 110
Глава 4. Разработка комплекса алгоритмов для систем идентификации параметрически неопределенных сигналов 111
4.1. Разработка обобщенной модели системы идентификации параметрически неопределенных сигналов 111
4.1.1. Основные понятия и определения 111
4.1.2. Диаграмма вариантов использования 114
4.1.3. Диаграмма классов 117
4.1.4. Диаграмма состояний 126
4.1.5. Диаграмма последовательности 127
4.1.6. Диаграмма компонентов 129
4.2. Выбор аппаратной платформы для решения задач идентификации параметрически неопределенных сигналов 131
4.3. Разработка системы идентификации параметрически неопределенных сигналов для контроля качества электрической энергии 134
4.4. Разработка системы идентификации параметрически неопределенных сигналов для контроля параметров гидроразрыва пласта 140
4.5. Разработка системы идентификации параметрически неопределенных сигналов для контроля уровня жидкости 143
4.6. Основные результаты и выводы 150
Заключение 151
Литература
- Теоретические основы построения нейросетевых систем идентификации параметрически неопределенных сигналов
- Теоретические основы целых функций экспоненциального типа и их применение для идентификации параметрически неопределенных сигналов
- Разработка имитационной модели источников гармонических сигналов
- Основные понятия и определения
Введение к работе
Актуальность работы.
При определении параметров качества электрической энергии, анализе сейсмических сигналов и контроле параметров технологических процессов в самых различных отраслях производства возникает задача идентификации параметрически неопределенных сигналов (ПНС). В простейшем случае неизвестны только значения отдельных параметров сигналов, и задача идентификации сводится к задаче измерения. В более общем случае кроме значений не определены количество и структура параметров идентифицируемых сигналов. Рассмотрим некоторые практически важные примеры построения систем идентификации ПНС.
Одна из практически важных задач, которая также может быть решена посредством синтеза системы идентификации ПНС, относится к области анализа сейсмических сигналов. Это задача диагностики гидроразрыва пласта и определения его геометрических размеров, решение которой позволяет существенно повысить эффективность нефтедобычи. Сигнал, свидетельствующий о гидроразрыве пласта, поступает с сейсмодатчиков и не определен ни во времени, ни по форме. Можно говорить лишь о том, что в момент гидроразрыва имеет место «резкое изменение формы» сигнала, что позволяет отнести эти сигналы к подклассу ПНС.
Простейшие системы контроля качества электрической энергии анализируют ее параметры на соответствие установленным ГОСТами нормам, более сложные - позволяют диагностировать узлы электрической сети, неисправности которых приводят к ухудшению показателей качества. Принцип действия современных систем контроля качества электрической энергии основывается на последовательном алгоритме, включающем в себя аналогово-
цифровое преобразование, накопление результатов преобразования и последующее вычисление значений показателей качества. Недостатком применения последовательного алгоритма обработки информации является то, что значения параметров анализируемого сигнала получаются апостериорно, т.е. несут информацию об уже произошедшем процессе, а, следовательно, не могут быть использованы для оперативного управления. Таким образом, актуальной является задача разработки систем контроля качества электрической энергии, работающих в реальном времени и обеспечивающих оперативную идентификацию ситуации и предсказание ее развития. Данная задача относится к задаче синтеза системы идентификации ПНС.
При контроле параметров технологических процессов в самых различных областях производства особую важность представляет предсказание возникновения предаварийных и аварийных ситуаций. Предварительный анализ показывает, что данная задача может быть решена системой идентификации ПНС.
Обобщая сказанное, можно сделать вывод о практической важности разработки теоретических и практических вопросов построения систем идентификации параметрически неопределенных сигналов.
Первоначально под идентификацией понимался поиск мер сходства и мер различения сигналов в процессе кластерного анализа. Основные идеи решения задач классификации и кластеризации информации принадлежат Б. Дюрану, П. Оделл [70], М.С. Олдендерфу, Р.К. Блэшфилду [98]. Рассмотренные методы основываются на метрике Минковского [98], методах средней связи Кинга [76], методах Уорда [70] и Мак-Куина [107]. Из вероятностных методов идентификации неклассифицированных сигналов
к заранее описанным классам наиболее известен метод Байеса [68] и дискриминантный анализ Фишера [104, 77, ПО].
Во второй половине двадцатого столетия появляются методы идентификации, основывающиеся на достижении нейробиологии. Первые результаты, полученные в этой области, связаны с именами У. Маккалоха (W. McCulloch), У. Питтса {W. Pitts) [84], Д. Хебба (D. Hebb) [26], Ф. Розенблатта (F. Rosenblatt) [38, 103], С. Пайперта (S. Papert) [89], М. Минского (М Мітку) [89].
Фундаментальные результаты по представлению непрерыв
ных функций нескольких переменных в виде суперпозиции функ
ций одного переменного были получены А.Н. Колмагоровым и
В.И. Арнольдом. А.Н. Колмагоров первым доказал универсальную
аппроксимирующую способность нейронных сетей для обработки
информации и тем самым определил огромную сферу практическо
го применения искусственных нейронных сетей (ИНС) [78]. В
дальнейшем Г. Цыбенко (G. Cybenko) [19], Дж. Парк (J. Park) и
К. Хорник (К. Hornik) [29] доказали теоремы об универсальной
аппроксимирующей способности отдельных видов нейронных се
тей, чем вызвали еще больший интерес к ним. Дальнейшие иссле
дования в области нейронных сетей проводили Дж. Хопфилд
(J. Hopfield) [28], Т. Кохонен (Т. Kohonen) [31,79,80],
С. Гроссберг (S. Grossberg) [23, 41], Д.Е. Румельхарт
(D.E. Rumelhart) [39, 40], П.Дж. Вербос (P.J. Werbos) [36], Д. Лове (D. Lowe), С. Чэн (S. Chen) [30], К. Бишоп (С. Bishop), С. Хайкин (S. Haykin). Отличительной особенностью систем идентификации на базе нейронных сетей является реализация процедуры обучения, успех которого существенным образом зависит от обучающей выборки.
Поиск способов преодоления априорной неопределенности исходной информации привел к созданию способов обучения се-
9
тей, предъявляющих требования к предварительной обработке ис
ходной информации, архитектуре сети и интерпретатору результа
та идентификации. Многочисленные результаты в этой области
принадлежат Я.З. Цыпкину [114, 115], А.И. Галушкину [55, 56, 57,
58], Ю.И. Журавлеву [73], А.Г. Ивахненко [74, 75],
В.Н. Вапнику [53], М.А. Айзерману [44], А.Н. Горбань [61, 62, 63,
64, 65]. Дальнейшие исследования в области нейронных сетей
В.В. Кругловым, В.В. Борисовым [50], Э.Д. Аведьяном,
В.А. Тереховым [106], В.А. Головко направлены на оптимизацию многослойных нейронных сетей.
Основными достоинствами применения ИНС являются параллелизм функционирования, устойчивость работы, простота реализации, однако отсутствие общего решения задачи синтеза архитектуры нейронной сети существенным образом ограничивает их применение для разработки систем идентификации ПНС. Поскольку задача синтеза архитектуры нейронной сети и ее последующего обучения в значительной степени упрощается при уменьшении степени априорной неопределенности исходной информации, предложен ряд способов предварительной обработки исходной информации, методологическую основу которой составляют достижения теории цифровой обработки сигналов (ЦОС). Теория ЦОС, обобщая достижения теории фильтрации, математической статистики и т.д., разрабатывается достаточно изолированно от теории нейронных сетей, что ограничивает возможности применения ее достижений в этой области. Кроме того, в литературе по ЦОС часто опускаются вопросы сигналообразования, т.е получения исходной информации от физического объекта с помощью датчиковой аппаратуры и ее аналого-цифрового преобразования. По умолчанию считается, что на этих этапах информация не теряется, а разрядность аналого-цифрового преобразователя (АЦП)
достаточна. Однако, как показано в ряде работ [117, 102, 82, 112] для аналого-цифрового преобразования ПНС, избыточность разрядности АЦП приводит к таким же негативным последствиям, как и недостаточность. Отсутствие модели сигналообразования не позволяет адекватно описать информативную составляющую сигнала, а следовательно оптимальным образом выбрать разрядность АЦП и длительность такта дискретизации. Обычно эти параметры АЦП выбираются с многократным запасом, при этом доля информативной составляющей естественно уменьшается, а эффективность работы системы ЦОС соответственно падает, поскольку значительная часть вычислительной мощности тратится на обработку заведомо неинформативных составляющих.
В работах [117, 102, 82, 112] показано, что теоретической основы построения моделей сигналообразования может служить теория целых функций экспоненциального типа (ЦФЭТ). Одним из важных свойств целых функций (ЦФ) конечного порядка является возможность описания их мультипликативной моделью с использованием нулей функции (корней полинома). В работе [94] показаны пути применения достижений методов теории ЦФЭТ для построения нейронных сетей, однако данные результаты носят обобщенно теоретический характер и не доступны для применения на инженерном уровне.
Параллелизм функционирования ИНС предполагает высокое быстродействие вычислительного процесса. Иногда анализ сигналов представляет собой последовательный процесс (например, анализ качества электрической энергии). Поэтому для того, чтобы сформировать вектор входных значений для ИНС, требуется временный буфер, который накапливает информативные признаки сигнала. Только после этого сформированный вектор подается на вход ИНС. Такой подход снижает скорость вычислительного про-
цесса. Поэтому актуальна задача совершенствования структуры ИНС для решения подобных задач. При этом актуально разработать именно аналитические методы синтеза ИНС, поскольку аналитический синтез опирается на строгое математическое описание как исходного сигнала, так и процедуры идентификации.
Целью данной работы является анализ и синтез нейросете-вых систем идентификации параметрически неопределенных сигналов.
Для достижения поставленной цели необходимо решение следующих основных задач:
Анализ тенденций совершенствования систем идентификации сигналов и выявление наиболее перспективных направлений развития.
Разработка обобщенной процедуры синтеза систем идентификации параметрически неопределенных сигналов на базе теории цифровой обработки сигналов и искусственных нейронных сетей.
Разработка процедуры аналитического синтеза систем идентификации параметрически неопределенных сигналов с учетом моделей сигналообразования на базе теории целых функций экспоненциального типа.
Разработка методики инженерного проектирования микропроцессорных систем идентификации параметрически неопределенных сигналов.
Методы исследования. В диссертационной работе методическую основу исследования составляют положения теорий идентификации, цифровой фильтрации, искусственных нейронных сетей, математической теории целых функций экспоненциального типа, а также методы математического и имитационного моделирования.
Научная новизна работы.
В результате анализа тенденций развития систем идентификации параметрически неопределенных сигналов показана необходимость консолидации достижений методов цифровой обработки сигналов и искусственных нейронных сетей (с учетом моделей сигналообразования на базе теории целых функции экспоненциального типа).
Предложена и обоснована структура искусственного нейрона и искусственная нейронная сеть на их основе, позволяющая синтезировать систему идентификации параметрически неопределенных сигналов (с учетом моделей сигналообразования на базе теории целых функции экспоненциального типа).
Разработаны обобщенная процедура синтеза систем идентификации параметрически неопределенных сигналов, а на ее основе частная процедура аналитического синтеза систем идентификации параметрически неопределенных сигналов (с учетом моделей сигналообразования на базе теории целых функции экспоненциального типа).
Разработана библиотека 7ти/шА:-элементов для имитационного моделирования нейросетевых систем идентификации параметрически неопределенных сигналов, на основе которой проанализированы основные варианты таких систем.
Практическая ценность работы.
Разработана методика инженерного проектирования микропроцессорных систем идентификации параметрически неопределенных сигналов.
Разработаны UML-модели программного обеспечения системы идентификации сигналов и само программное обеспечение для систем контроля качества электрической энергии, систем сбора и обработки информации по гидроразрыву пласта.
Реализация и внедрение результатов.
Полученные в диссертационной работе результаты внедрены на предприятиях ОАО АК «Рубин» (г. Москва), ОАО «ОКБ Сухого» (г. Москва), ФГУП НИИ физических измерений Российского авиационно-космического агентства (г. Пенза) и используются в рамках ОКР по созданию сетевых интеллектуальных датчиков для самолетов пятого поколения. Результаты внедрения подтверждены соответствующими документами.
Апробация работы.
Основные положения и результаты диссертационной работы обсуждены и одобрены на следующих научно-технических конференциях: Всероссийском симпозиуме «Обозрение прикладной и промышленной математики» (г. Москва, 2005 г.); Всероссийской научно-технической конференции «Методы и средства измерений» (г. Нижний Новгород, 2002 г.); Международной конференции «Континуальные алгебраические логики, исчисления и нейроин-форматика в науке, технике и экономике» (г. Ульяновск, 2003 г.); Международной научно-технической конференции «Современные информационные технологии» (г. Пенза, 2002-2006 г.).
Публикации.
По теме диссертации опубликовано 16 печатных работ. Из них 8 статей опубликовано в научных сборниках и трудах научных конференций, 8 работ опубликованы в сборниках тезисов научных конференций.
Структура и объем диссертации.
Работа состоит из введения, четырех глав, заключения, списка литературы и приложений.
Теоретические основы построения нейросетевых систем идентификации параметрически неопределенных сигналов
Процесс определения параметров физического объекта (идентификация) при неизвестной или частично известной его структуре (при недостаточной априорной информации) можно рассматривать с той же точки зрения, что и процесс различения сигналов (т.е. ПНС), получаемых от рассматриваемого физического объекта.
Для анализа существующих методов различения ПНС, с целью предложения возможных путей их совершенствования, необходимо разработать обобщенную классификацию методов различения ПНС. Исходя из источников [54, 77, 98, 109] современные методы различения сигналов разделяются на две большие группы: без предварительного обучения и с обучением. Методы различения ПНС без предварительного обучения основаны на анализе поступающих информационных признаков сигналов с целью поиска критериев, по которым производится их различение. Классическим методом различения сигналов без обучения является метод кластерного анализа. Номера, получаемые в результате расчета кластеров, смыслового значения не имеют. Эти номера нужны для того, чтобы отличить один кластер (группу похожих сигналов) от другого, поэтому при использовании результатов кластерного анализа порядок следования кластеров может быть любым удобным для исследователя. Методы различения ПНС с предварительным обучением предназначены для отнесения сигналов к заранее описанным обучающим группам. К таким методам можно отнести вероятностные методы (метод Байеса, дискриминантный анализ Фишера) и нейросетевые методы. Таким образом, предложим следующую классификацию наиболее распространенных методов различения сигналов (рис. 1.2.1).
По Холланду необучаемая СИ состоит из четырех главных компонент [27]: 1) список идентификаторов (условия и действия); 2) список сообщений (ноль и более сообщений одинаковой структуры); 3) входной интерфейс (детектор); 4) выходной интерфейс (эффектор).
Входной интерфейс может быть устройством или подпрограммой, генерирующей сообщения. Входной интерфейс обеспечивает СИ информацией о среде. Выходной интерфейс - устройство или подпрограмма, берущая сообщения действий и производящая на их основе манипуляции со средой.
Основной цикл СИ: 1) добавить сообщения, полученные с помощью входного интерфейса в список входных сообщений; 2) сравнить все сообщения в списке сообщений с условными частями всех идентификаторов, и запомнить все те классификаторы, у которых произошло совпадение; 3) создать новые сообщения, активизировав, совпавшие идентификаторы; 4) полученные сообщение «пропустить» через выходной интерфейс; 5) заменить содержимое списка входных сообщений новыми сообщениями; 6) перейти к шагу 1.
Использование подобной СИ не приводит к ее изменению в процессе накопления опыта. Для исправления этого недостатка была введена обучающаяся система классификаторов.
Процедура различения сигналов с обучением предполагает отнесение неклассифицированных сигналов к заранее описанным классам (обучающим группам). Если классификатор выдает результат в виде действительного числа или вектора действительных чисел, то он называется предиктором или локализатором [96].
Обучающаяся система способна с течением времени улучшать свое функционирование. Необходимость в применении обучающихся СИ возникает в тех случаях, когда система должна работать в условиях неопределенности и имеющаяся априорная информация настолько мала, что отсутствует какая-либо возможность заранее спроектировать систему с фиксированными свойствами, которая работала бы достаточно хорошо [115].
Принцип построения обучающихся систем основан на использовании процессов обучения, осуществляемых вероятностными итеративными алгоритмами, которые кратко можно назвать алгоритмами обучения. Алгоритмы обучения, представляющие собой стохастические разностные или дифференциальные уравнения, позволяют в результате обработки текущей информации восполнить недостаток априорной информации и в конечном итоге - достигнуть наилучших, с определенной точки зрения, показателей качества работы.
Классификация сигналов осуществляется СИ на основе некоторого решающего правила. Способы определения решающего правила зависят от объема априорной информации. При достаточно полной априорной информации эти решающие правила получаются на основе результатов теории статистических решений. Ознакомимся с некоторыми основными результатами теории статистических решений: с байесовским методом и с дискриминантным анализом.
Теоретические основы целых функций экспоненциального типа и их применение для идентификации параметрически неопределенных сигналов
Функциям /(х) с финитной полосой частот уделяется особое внимание в связи с широкими практическими приложениями. Из условия строгой ограниченности полосы частот следует, что f(x) должна относиться к целым функциям экспоненциального типа (ЦФЭТ) [100, 101].
В рамках теории целых функций рассмотрим основные свойства целых функций экспоненциального типа (ЦФЭТ) [117]. 1. Функция/(z) является целой, если она является аналитической для всех конечных Z. 2. ЦФЭТ непрерывна и дифференцируема любое число раз на всей конечной плоскости Z. 3. Для ЦФЭТ сходится ряд Тейлора. 4. ЦФЭТ является обобщением полинома, который можно представить следующей мультипликативной формой: f(z)=f\(z-zk), (2.2.1) к=1 где {z\, z2, ..., zn} - множество нулей (корней) полинома. При z-»oo полином растет со скоростью, зависящей от степени п. 5. У ЦФЭТ порядок р не превышает единицы, а тип т конечен [102]. Порядок р определяется как In In M{r) р= hm sup r- co ln(r) s (2.2.2) где M(r) - максимальное по абсолютной величине значение f(z) на круге радиуса г, т.е. M(r) = max І f(z) , z\= г _ (2.2.3) Тип т вычисляется по формуле (2.2.4). r- oo f-P ,. In In M(r) х= hm sup ъ-± (2.2.4)
Более точную характеристику роста функции f(z) конечного порядка рдает тип г функции, определяемый как 1пМ(г) т = hmsup при г - оо.
Скорость роста ЦФ порядка р и типа т асимптотически приближается к скорости роста экспоненты ехр(тгр). 6. Любую ЦФЭТ можно представить в виде канонического произведения (факторизация по нулям, теорема Адамара)[82]: /( =«„ По-—) =1 Ч (2.2.5) где аи - поправочный коэффициент.
Исходя из приведенных свойств ЦФЭТ, к ним относят следующие два класса функций: 1) функции с конечным числом нулей (полиномиальные функции); 2) функции с бесконечным числом нулей (тригонометрические функции). Например, корнями функции sm(n4z)/n4z являются z=n , п = 1,2,.... [117]. Следовательно, согласно формуле (2.2.5) справедливо следующее выражение sin(7Wz) r.. Z /(Х)= = П(1_ ). #1=1
Основой аналого-цифрового преобразования является дискретизация сигнала, которая предполагает построение таких последовательностей отсчетов, которые однозначно представляют функцию. Дискретизация функции - это метод представления функции с помощью последовательности ее выборочных значений или отсчетов. Дискретизация в сочетании с квантованием выборочных значений по амплитуде является основой аналого-цифрового преобразования (АЦП). Главная задача дискретизации заключается в построении таких последовательностей отсчетов, которые однозначно представляли бы функцию из корректно заданной области определения. Восстановление функции по последовательности ее отсчетов проводится с помощью интерполяции. Процедуры дискретизации и интерполяции, в этом смысле являются дуальными.
Определим отсчеты {/„} как значения, которые функция /О) принимает на заданном множестве {zn} точек ("точки отсчета"), т.е. fn=f(zn). В технических приложениях это соответствует термину "амплитудная дискретизация".
Возможен и другой способ задания точек отсчета. Назовем v - отсчетами точки, в которых /(z) принимает заданное значение v, т.е. /(z„) = v . Особый интерес представляет случай, когда v=0 и множество {z„} совпадает с множеством нулей функции /(z), т.е. фактически дискретизация сводится к операции измерения интервалов времени между моментами равенства нулю (или константе v) функции /(z). Обеспечить точность измерения интервалов времени в ряде случаев бывает проще, чем точность измерения амплитуд [117].
Разработка имитационной модели источников гармонических сигналов
В вопросах физики, связанных с колебаниями, для описания гармонических сигналов особую роль играют тригонометрические многочлены. Периодические функции, важность которых очевидна, являются примером функций, естественной областью определения которых служит вся числовая ось.
Гармонический сигнал характеризуется частотой и смещением по фазе. Аналитическая модель гармонического сигнала определяется формулой (3.1.3). y{t) = sin(o)i?+9i)-sin(a)2 +92) -" sin((o„/+9w), (3.1.3) где і, 0)2, ..., (д„ - частотные составляющие сигнала, фі, ф2, ..., ф„ - фазы сигналов. Simulink-Mop,enb генератора гармонического сигнала изображена на рис. 3.1.4. Блок Ramp генерирует изменяющуюся временную составляющую t, блоки Const_w и Const_phi генерируют соответственно постоянные частотные и фазные составляющие. Блок Herz генерирует постоянное значение 2к, которое перемножается с частотными составляющими сигнала.
На рис. 3.2.5 изображены два графика. График 1-й показывает исходный сигнал, а 2-й результат работы. На пересечении графика 1 с осью ОХ, возникают всплески. В результате исходный сигнал преобразуется в последовательность координат его нулей.
Таким образом, предложенная модель преобразования сигнала, позволяет идентифицировать сигнал с большей вероятностью. Кроме этого, по сравнению с подходом идентификации сигнала по текущим значениям возможно увеличение скорости идентификации из-за упрощения архитектуры ИНС.
Разработка имитационной модели подсистемы определения координат функции
Вероятность идентификации сигнала по координатам его нулей выше вероятности идентификации сигнала по текущим значениям. Однако у некоторых сигналов, кроме вещественных нулей, могут быть комплексные нули (координаты смещения). К сожалению простых способов нахождения комплексных нулей не найдено. Поэтому такие сигналы можно идентифицировать по точкам пересечения с одной или несколькими линиями (координаты смещения), параллельными оси абсцисс. Зітиііпк-модоль, обеспечивающая идентификацию координат смещения [6], изображена на рис. 3.3.1.
Блок SourceSin генерирует гармонический сигнал, для которого блоки Bias, Freq и Amplitude задают соответственно смещение, частоту и амплитуду сигнала. Блок TransformKN (рис. 3.3.1) выделяет из сигнала временные значения, в которых амплитуда сигнала равна отслеживаемым значениям. С помощью блока Ident задаются координаты смещения.
Таким образом, предложенная модель выделения координат смещения сигнала позволяет повысить вероятность идентификации, так как устойчиво работает в присутствии помех. Если в качестве идентифицирующего устройства выступает нейронная сеть, то можно упростить ее архитектуру, что свидетельствует об увеличении скорости процесса идентификации, по сравнению с традиционными методами.
Основные понятия и определения
Система идентификации состоит из составных элементов, которые обмениваются между собой некоторой информацией в виде законченных сообщений. Это отличает целостное образование системы от простой совокупности элементов. Для моделирования взаимодействия между составными элементами системы используется диаграмма последовательности, которая решает следующие задачи: 1) отображение составных элементов системы; 2) анализ структуры обмена информацией между составными элементами; 3) представление временных особенностей передачи и приема сообщений. Диаграмма последовательности наполнения базы данных изображена на рис. 4.1.9. Параметры сигнала, поступающие от датчиков, накапливаются в СИ. Затем СИ рассчитывает показатели и сравнивает их с существующими нормами, которые хранятся в базе данных. Если требуется оценить вариабельный параметр, то система идентифицирует (определяет структуру) его с помощью соответствующей инс.
Все рассмотренные ранее диаграммы отражали концептуальные аспекты построения модели системы и относились к логическому уровню представления. Диаграмма компонентов описывает особенности физического представления системы. Диаграмма компонентов позволяет определить архитектуру разрабатываемой системы между программными компонентами, в роли которых может выступать исходный, бинарный и исполняемый код.
Диаграмма компонентов разрабатывается для следующих це лей: 1) визуализация общей структуры исходного кода программной системы; 2) спецификация исполняемого варианта программной системы; 3) обеспечение многократного использования отдельных фрагментов программного кода; 4) представление концептуальной и физической схем.
Для представления физических сущностей, в языке UML применяется специальный термин - компонент (component). Компонент реализует некоторый набор интерфейсов и служит для общего обозначения элементов физического представления.
Выделяют три вида компонентов: 1) компоненты развертывания, обеспечивающие непосредственное выполнение своих функций; 2) компоненты-рабочие продукты (файлы с программами); 3) компоненты исполнения, представляющие исполнимые модули (ехе-файлы).
Основным компонентом является компонент исполнения SDEEProject.exe, в который включены другие компоненты - рабочие продукты SDEEUnit, NeuroNet, Interpreter, Gost, BaseData, Driver, Sensor и компонент исполнения adsapi32bb.lib, реализующий низкоуровневые функции для работы с модулем АЦП (компоненты развертывания DRV_DeviceOpen, DRV_DeviceClose, DRV_MAIVoltageIn и т.д.).
Центральное место в СИ ПНС занимает подсистема обработки информации. Рассмотрим возможность применения для подсистемы обработки информации отечественную систему на кристалле на основе платформы «Мультикор», в частности 1892ВМ2Т (Муль-тикор-12). Основные технические характеристики (тактовая частота до 320 МГц, температурный диапазон (-40...+105)С, потребляемая мощность 1 Вт и др.) позволяют использовать данную микросхему для решения задач идентификации ПНС в жестких климатических условиях. Структурная схема платформы «Мультикор-12» приведена на рис. 4.2.1.
Микросхема Мультикор-12 является 32-разрядным высокопроизводительным устройством и состоит из двух вычислительных устройств: центрального процессора (CPU, RISC-ядро) и сопроцессора цифровой обработки сигналов с фиксированной и плавающей точкой (DSP-ядро). Ядро RISC является ведущим над ядром DSP и выполняет основную программу. Для RISC-ядра обеспечен доступ к ресурсам DSP-ядра. Память DSP-ядра и его регистры для RISC-ядра 32-разрядные (словные), т.е. состояние двух младших разрядов адреса игнорируется. RISC-ядро управляет работой DSP-ядра посредством передачи ему задания (макрокоманды) с последующим запуском его (перевод из режима STOP в режим RUN). С другой стороны, DSP-ядро формирует различные прерывания в RISC-ядро. Доступ к общей памяти осуществляется посредством шины DMA, что обеспечивает высокоскоростной обмен данных между RISC и DSP ядром[97].
