Устройство автоматизированной идентификации сигналов на основе нейронной сети

Полезная модель относится к радиоэлектронике и может быть использована при решении задач автоматизированной идентификации сигналов в системах радиомониторинга.

Техническим результатом, обеспечиваемым приведенной совокупностью признаков, является автоматизация работы устройства и повышение скорости идентификации сигналов.

Для решения поставленной задачи предлагается устройство автоматизированной идентификации сигналов на основе нейронной сети, отличающееся тем, что введены: формирователь вектора параметров сигнала; запоминающее устройство хранения векторов параметров сигналов соответствующих классов сигнала и сведения об избыточности векторов и значения диапазонов нормирования элементов векторов сигналов, вычислитель избыточности параметров, оценивающий степень избыточности векторов параметров сигнала и определяющий диапазоны нормирования элементов векторов, компрессор вектора параметров сигнала, осуществляющий нормирование элементов векторов и понижение размерности векторов, первый выход формирователя вектора параметров сигнала соединен с первым входом запоминающего устройства, второй выход формирователя вектора параметров сигнала соединен с первым входом компрессора вектора параметров сигнала; первый выход запоминающего устройства соединен со входом вычислителя избыточности параметров, второй выход запоминающего устройства соединен со вторым входом компрессора вектора параметров сигнала; выход вычислителя избыточности параметров соединен со вторым входом запоминающего устройства; выход компрессора вектора параметров сигнала соединен со входом искусственной нейронной сети, используемую для идентификации сигналов.

1 илл.

Полезная модель относится к радиоэлектронике и может быть использована при решении задач автоматизированной идентификации сигналов в системах радиомониторинга.

В условиях априорной неопределенности радиоэлектронной обстановки (РЭО) задачу автоматизированной идентификации приходится решать при неполных или нечетких исходных сведениях о совокупности параметров сигналов. При решении подобного рода задач представляется целесообразным использовать искусственные нейронные сети (ИНС) [1]. После обучения нейронной сети в процессе идентификации становится возможным учитывать неявные зависимости, а также неполноту ряда исходных сведений. Вопросы повышения скорости обучения и быстродействия нейронных сетей в задачах автоматизированной идентификации сигналов в условиях отсутствия априорных сведений о радиоэлектронной обстановке с неизвестным числом классифицируемых сигналов в литературе отсутствуют.

Наиболее близким техническим решением является патент РФ 2422900, в котором обеспечивается расчет эталонных векторов структурно-временных параметров радиосигналов известных классов и соответствующих им значений внутрикластерной дисперсии с использованием самоорганизующейся карты Кохонена. Рассчитанные эталонные вектора и значения внутрикластерной дисперсии используются для построения вероятностной нейронной сети, реализуемой блоком классификации (БК). Недостатком этого изобретения является недостаточное быстродействие в силу принятого алгоритма решения поставленной задачи и ее технического решения.

Техническая задача, на решение которой направлено заявленное техническое решение, заключается в безусловной идентификации радиосигналов по структурно-временным параметрам и повышении быстродействия идентификации сигналов в условиях отсутствия априорных сведений о РЭО.

Для решения поставленной задачи предлагается устройство автоматизированной идентификации сигналов на основе нейронной сети, характеризующееся тем, что содержит: формирователь вектора параметров сигнала; запоминающее устройство хранения векторов параметров сигналов соответствующих классов сигнала и сведения об избыточности векторов и значения диапазонов нормирования элементов векторов сигналов, вычислитель избыточности параметров, оценивающий степень избыточности векторов параметров сигнала и определяющий диапазоны нормирования элементов векторов, компрессор вектора параметров сигнала, осуществляющий нормирование элементов векторов и понижение размерности векторов со следующими соединениями: первый выход формирователя вектора параметров сигнала соединен с первым входом запоминающего устройства, второй выход формирователя вектора параметров сигнала соединен с первым входом компрессора вектора параметров сигнала; первый выход запоминающего устройства соединен со входом вычислителя избыточности параметров, второй выход запоминающего устройства соединен со вторым входом компрессора вектора параметров сигнала; выход вычислителя избыточности параметров соединен со вторым входом запоминающего устройства; выход компрессора вектора параметров сигнала соединен со входом искусственной нейронной сети, используемую для идентификации сигналов.

Техническим результатом, обеспечиваемым приведенной совокупностью признаков, является автоматизация работы устройства и повышение скорости идентификации сигналов.

Сущность технического решения поясняется чертежом, на котором представлена структурная схема устройства идентификации сигналов по структурно-временным параметрам, на котором изображено: 1 - формирователь вектора параметров цифрового сигнала, 2 - запоминающее устройство, 3 - вычислитель избыточности параметров, 4 - компрессор вектора параметров, 5 - искусственная нейронная сеть, также показан вход устройства (шина цифрового сигнала) и выходные шины номеров класса сигналов.

Элементы устройства могут быть выполнены на следующих ИМС средней степени интеграции:

- формирователь вектора параметров сигнала 1 и вычислитель избыточности параметров 3, на сигнальном процессоре ADSP2181 фирмы Analog Device, см. М, Горячая линия - Телеком, 2007, 270 с.

- запоминающее устройство 2 - на ЭСППЗУ АТ24С512С фирмы Atmel, см. http:www.atmel.com/devices/AT24C512C.aspx.

- компрессор вектора параметров 4 - на микроконтроллере PIC 16F877A фирмы Microchip Technology Inc, см. http:www.microchip.com/downloads/en/DeviceDoc/395828.pdf.

- нейронная сеть 5 - например, по книге Круглолв В.В., Борисов В.В., «Искусственные нейронные сети. Теория и практика», М, Горячая линия - Телеком, 2001.

Устройство имеет следующие соединения.

Устройство автоматизированной идентификации сигналов на основе оптимизации параметров нейронной сети может работать в трех режимах: режиме накопления обучающих данных, режиме обучения и режиме идентификации.

В режиме накопления обучающих данных на формирователь вектора параметров сигнала 1 последовательно поступают сигналы известных классов, структурно-временные параметры которых измеряются и передаются в векторном виде в запоминающее устройство 2. Указывается специально отведенный раздел памяти запоминающего устройства, в который записываются векторы соответствующего класса. После накопления в запоминающем устройстве 2 необходимого количества векторов параметров сигналов устройство может быть переведено в режим обучения.

В режиме обучения накопленные векторы параметров сигналов 1 соответствующих классов передаются из запоминающего устройства 2 на вычислитель избыточности параметров 3, оценивающий степень избыточности размерности векторов и определяющий диапазоны нормирования элементов векторов. Данные об избыточности векторов и значения диапазонов нормирования элементов векторов сохраняются в запоминающем устройстве 2. Накопленные векторы параметров сигналов (отнесенных к соответствующим классам сигналов), данные об избыточности и значения диапазонов нормирования элементов векторов передаются из запоминающего устройства 2 на компрессор вектора параметров 4, осуществляющий нормирование элементов векторов, понижение размерности векторов сигналов и передачу преобразованных векторов параметров сигналов и номеров советующих им классов на искусственную нейронную сеть 5. Результат преобразования векторов параметров сигналов в этом режиме в запоминающем устройстве не сохраняется. Далее производится обучение нейронной сети в автоматическом режиме, по окончании которого устройство может быть переведено в режим идентификации.

Режимы накопления обучающих данных и обучения устройства также выполняются в случае появления новых классов сигналов, не содержащихся в обучающих данных.

В режиме идентификации на вход формирователя вектора параметров сигнала последовательно поступают сигналы неизвестных классов, структурно-временные параметры которых измеряются и передаются в векторном виде на компрессор вектора параметров сигнала, осуществляющий нормирование элементов вектора, понижение размерности вектора сигнала и передачу преобразованного вектора параметров сигнала на нейронную сеть. В нейронной сети 5 производится расчет вероятности принадлежности идентифицируемого сигнала каждому из возможных классов и выбирается наиболее вероятный. Результаты идентификации неизвестного сигнала формируются на выходе нейронной сети в виде номера класса. По окончании идентификации первого сигнала производится классификация следующего и так далее.

Для обучения ИНС решению задачи классификации образов, ее (задачу) необходимо сформулировать в терминах набора входных векторов и ассоциированных с ними эталонных выходных значений [2]. При этом формат представления данных оказывает существенное влияние на ход обучения сети. Из соображений уменьшения сложности и увеличения скорости обработки данных необходимо минимизировать количество параметров, с которыми будет работать ИНС, удалив параметры, обладающие малой предсказательной способностью.

Априорные знания об объекте могут быть использованы при принятии решения о том, какие параметры необходимо исключить. Если такие знания отсутствуют (например, в условиях неопределенности РЭО), необходимо использовать аналитические методы. Независимость разных параметров может быть оценена посредством вычисления ковариантностей между каждой из пар параметров [2]. Ковариантность пары параметров х и у вычисляется по формуле

где - арифметическое среднее вектора (x₁, , х_n),

- арифметическое среднее вектора (y₁, , y_n),

n - количество векторов параметров сигналов,

и является мерой изменения одного параметра при изменении другого. Вычисления для каждой пары дают в результате ковариационную матрицу n×n. Пары параметров с высокими значениями ковариации являются зависимыми, поэтому один параметр из пары может быть исключен из входных данных.

Выходные данные должны быть шкалированы (преобразованы) к диапазону выходных значений сжимающей функции активации выходного слоя. Наиболее применяемая в ИНС сигмоидальная функция имеет диапазон выходных значений от 0 до 1. Часто бывает удобным привести входные данные к тому же диапазону.

Шкалирование зависит от распределения данных. Наиболее часто используемые методы шкалирования - линейное, логарифмическое и «мягкое» («softmax»).

Линейное шкалирование работает хорошо в тех случаях, когда данные распределены равномерно по диапазону изменения [2].

В случаях, когда большая часть значений сосредоточена вблизи среднего, но имеется небольшое количество экспоненциально больших значений, целесообразно использовать логарифмическую функцию шкалирования, позволяющую избежать потерь больших значений.

В задаче классификации сигналов в качестве метода шкалирования случайных данных в пределы подходящего диапазона эффективно использование функции, известной под названием «softmax». При использовании этой функции степень сжатия каждой из входных величин зависит от того, насколько эти величины далеки от среднего значения (степень сжатия величин, далеких от среднего значения больше, чем степень сжатия величин, близких к среднему значению) и от стандартного отклонения набора данных (чем больше стандартное отклонение, тем больше степень сжатия).

Если - среднее значение величины, подлежащей шкалированию, а - стандартное отклонение, - количество стандартных отклонений от среднего, при котором данные должны попасть на линейный участок сжимающей функции, а - величина, подлежащая шкалированию, то «softmax» функция s может быть представлена в следующем виде:

Выбор величины , зависит от «важности» данных, распределенных вдали от среднего. Для нормального распределения =2, при этом 95% данных попадают на линейный участок функции. При =3, 99% данных попадают на линейный участок функции [2].

Функция «softmax» может преобразовать диапазон изменения данных в диапазон изменения линейного участка сжимающей функции. Поэтому нет необходимости выбирать между линейной и «softmax» функциями, так как функция «softmax» и линейная функция эквивалентны в случае использования равномерно распределенных данных [2].

В качестве методов кодирования выходных данных могут применяться как классический способ кодирования, когда выходные данные ИНС представляются вектором, координаты которого соответствуют различным номерам классов (т.е. i-ая координата вектора соответствует i-му классу), так и «2-на-2» кодирование [3], которое в большинстве задач дает лучший результат.

Предлагается следующий алгоритм формирования векторов нейронной сети в задачах автоматизированной идентификации сигналов.

1. Подготовить избыточный набор обучающих сигналов и соответствующий им набор распознаваемых нейронной сетью классов.

2. Сформировать векторы параметров сигналов, элементы векторов шкалировать к диапазону 01 с использованием нелинейной функции «softmax».

3. Произвести статистическую обработку параметров всего множества обучающих сигналов путем вычисления ковариантностей между каждой из пар параметров и составления ковариационной матрицы.

4. Исключить один параметр из пар с высокой степенью взаимной корреляции с целью уменьшения размерности входного вектора ИНС.

5. Исключить параметры с малой предсказательной способностью.

6. Множество распознаваемых ИНС классов кодировать методом «2-на-2».

В результате выполнения данной процедуры формируются нормированные векторы параметров сигналов с минимальной избыточностью для последующей подачи на вход нейронной сети. Размерность сформированных векторов далее учитывается при расчете структуры ИНС, решающей задачу идентификации сигналов, с минимально необходимым количеством нейронов во входном и промежуточных слоях. Предложенный подход позволяет сократить время, затрачиваемое на обучение нейронной сети, и увеличить скорость идентификации сигналов в условиях отсутствия априорных сведений о РЭО.

Список используемой литературы

1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика - М.: Горячая линия-Телеком, 2001.

2. Kevin Swingler. Applying Neural Networks. A practical Guide. Morgan Kaufinann, 1996. 303 с.

3. Стариков А. Применение нейронных сетей для задач классификации // BaseGroup Labs. Технологии анализа данных [Электронный ресурс]. Режим доступа: http://www.basegroup.ru.

Устройство автоматизированной идентификации сигналов на основе нейронной сети, характеризующееся тем, что содержит: формирователь вектора параметров сигнала; запоминающее устройство хранения векторов параметров сигналов соответствующих классов сигнала и сведения об избыточности векторов и значения диапазонов нормирования элементов векторов сигналов, вычислитель избыточности параметров, оценивающий степень избыточности векторов параметров сигнала и определяющий диапазоны нормирования элементов векторов, компрессор вектора параметров сигнала, осуществляющий нормирование элементов векторов и понижение размерности векторов со следующими соединениями: первый выход формирователя вектора параметров сигнала соединен с первым входом запоминающего устройства, второй выход формирователя вектора параметров сигнала соединен с первым входом компрессора вектора параметров сигнала; первый выход запоминающего устройства соединен со входом вычислителя избыточности параметров, второй выход запоминающего устройства соединен со вторым входом компрессора вектора параметров сигнала; выход вычислителя избыточности параметров соединен со вторым входом запоминающего устройства; выход компрессора вектора параметров сигнала соединен со входом искусственной нейронной сети, используемой для идентификации сигналов.