Устройство сейсмоакустического обнаружения и классификации движущихся объектов (варианты)

Устройство по первому варианту содержит блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно. В устройство введены блок кодировки, блок детектирования сигнала тревоги, блок оповещения, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов. Блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала выполнена в виде радиальной вероятностной сети. В устройство по второму варианту дополнительно введены первый регистратор, выполненный из синтезатора изображений и дисплея, второй регистратор, первый и второй блоки памяти, блок детектирования проникновения. В устройстве по третьему варианту использовано n идентичных устройств, первый регистратор и блок оповещения выполнены с n входами, n входов блока оповещения соответственно подсоединены к выходам блоков детектирования сигнала тревоги для каждого из n идентичных устройств, а n входов первого регистратора подсоединены ко вторым выходам блоков классификации типа сигнала для каждого из n идентичных устройств, соответственно. В устройстве по четвертому варианту в отличие от первого нейронная сеть блока классификации типа сигнала выполнена в виде сети с классификацией по k ближайшим соседям.

4 д.п. ф-лы, 11 черт.

Изобретение может быть использовано для обнаружения и классификации различных объектов, производящих акустические и/или сейсмические сигналы, при перемещении таких объектов или локализации их в определенном месте в режиме реального времени или для последующей обработки зарегистрированных ранее сигналов.

Заявленное устройство предназначено для обнаружения и классификации генерируемых объектом наблюдения сейсмоакустических сигналов путем их регистрации и последующей обработки при охране наземных объектов любого типа, включая контроль за периметром территории, на которой они расположены; и может быть использовано отдельно или включаться в интегрированные системы охранной сигнализации, как стационарные, так и оперативно развертываемые; может быть применено для охраны периметров различных не огражденных и огражденных объектов таких как складские терминалы, офисные и банковские здания, промышленные предприятия, землевладения с жилыми постройками и сооружениями, для обнаружения факта специфического сценария движения в зонах пролегания трубопроводов в процессе подготовки несанкционированной врезки в трубопровод (перемещение тяжелых транспортных средств + шаги + рытье грунта), для контроля приграничных территорий, мониторинга популяции крупных животных в заповедниках, для контроля передвижений внутри помещений.

Известно "Устройство обнаружения и классификации сейсмических сигналов" (Патент Российской Федерации №2002113466/28, G 01 V 1/16, опубл. 2003 г).

Это устройство включает сейсмопреобразователь со схемой предварительной обработки, схему автоматического регулирования усиления (АРУ), блок выделения и обработки импульсных сигналов, блок классификации.

Работает устройство обнаружения и классификации сейсмических сигналов следующим образом. Сейсмопреобразователь со схемой предварительной обработки принимает сейсмосигнал. После предварительной фильтрации и усиления в характерных полосах частот сигнал поступает на схему АРУ. С выхода схемы АРУ сигнал поступает на блок выделения и обработки импульсных сигналов, который определяет наличие сигнала, обусловленного некоторым источником, и на вход аналого-цифрового преобразователя (АЦП). При обнаружении сигнала включается в работу блок классификации. В блоке классификации рассчитываются коэффициенты авторегрессионной модели входного сигнала и сравниваются с хранящимися в банке усредненных моделей эталонными

значениями параметров авторегрессии для сигналов различных классов объектов. Решение о классификации объекта принимается по критерию максимума апостериорной вероятности.

Использование линейных параметрических моделей, в частности модели авторегрессии - известный эффективный способ сжатия информации о процессе: вместо длинного временного ряда для характеристики процесса достаточно нескольких значений коэффициентов. Физический смысл информации, содержащейся в этих коэффициентах - спектр мощности процесса, который однозначно выражается через коэффициенты авторегрессии с помощью известной формулы. Использование параметрических моделей позволяет обеспечить более высокое спектральное разрешение по сравнению с классическими методами. Степень улучшения разрешения и повышение достоверности спектральных оценок (если они имеют место) определяется соответствием выбранной модели анализируемому процессу. При построении адекватной процессу параметрической модели важным, но до сих пор не достаточно разработанным вопросом, является правильный выбор параметра авторегрессии: существуют много различных по сложности методов оценки параметра авторегрессии, но ни один из известных методов не дает гарантированной правильной оценки. При завышенном значении параметра авторегресии в спектре могут появляться ложные пики, при занижении значения параметра авторегресии спектр получается слишком сглаженным, теряется информация о тонкой структуре спектра, необходимая для точной классификации, особенно при однотипных (импульсных, как в данном случае) сигналах. Порядок авторегрессии p=3, используемый в данном устройстве, кажется несколько заниженным, в частности в сейсмологии для построении авторегрессионных моделей фоновой помехи и сигналов от землетрясений и взрывов используются порядки авторегресии в два-четыре раза большие.

Ограничениями известного устройства являются:

- возможность классификации только импульсных сигналов:

- сильно сглаженное представление энергетических спектров за счет выбора малого значения числа параметров авторегрессии (p=3), что ведет к потере информации о детальности спектральных кривых и, следовательно, к ухудшению правильной классификации сигналов со схожим спектром;

- классификация строится на базе оценки коэффициентов авторегрессии, или, что эквивалентно, на базе спектров мощности сигналов, которые гораздо менее информативны с точки зрения анализа динамики изменения параметров временной реализации сигнала, чем, например, вейвлет-образы этих же сигналов.

- в устройстве использован статистический классификатор. Его использование предполагает знание точного вида распределений и всех параметров распределений. использованных для расчета апостериорной вероятности согласно теореме Байеса. В упомянутом аналоге по поводу вида распределений сделан ряд предположений, которые могут быть справедливыми в частных случаях, но не в общем случае. Известно, что статистический классификатор позволяет произвести оптимальную классификацию сигналов, но только в случае гарантированного знания всех использованных статистических распределений, в противном случае гораздо лучшие результаты дают классификаторы с использованием искусственных нейронных сетей.

Наиболее близким является устройство сейсмоакустического обнаружения и классификации движущихся объектов, содержащее блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования (вейвлет), блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно (Патент США №6105015, G 06 Т 9/00, опубл. 15.08.2000).

Патентом США защищена «Гибридная нейросистема для классификации вейвлет образов сигнала или изображения, представленного в виде сигнала в системе данных" ("Wavelet-based hybrid neurosystem for classifying a signal or an image represented by the signal in data system"), включающая средство для приема серий входных сигналов, средство для трансформации упомянутых входных сигналов таким образом, что характеристики упомянутых сигналов представляются в форме коэффициентов вейвлет-преобразования, средство для классификации упомянутых сигналов в одной, но крайней мере, четкой категории и генерирования классификационного выходного сигнала, указывающего на присутствие четкой категории из упомянутых категорий, средство, позволяющее оператору определять базисную кернфункцию для упомянутого вейвлет-преобразования, средство, позволяющее оператору определять порцию коэффициентов, которые должны быть обработаны посредством классифицирования

Согласно фиг.2 описания патента вышеупомянутого ближайшего аналога, в которой представлена схема устройства, последнее имеет блок классификации типа сигнала, выполненный в виде массива параллельно соединенных систем гибридных многокомпонентных нейронных сетей. Кроме того, устройство содержит блоки: шина данных информации о локализации (Location information databus), шина данных информации о величине (Magnitude information databus), блок классификационною выхода и компаратор. К блоку (вейвлет) преобразования подсоединены два модуля - модуль библиотека вейвлетов и модуль селектор коэффициентов (Wavelet Library и Coeff.Seltctor), посредством которых оператор может задавать базисную кернфункцию

вейвлет-преобразрвания и численную величину порции коэффициентов, которые должны быть обработаны посредством классифицирования, соответственно.

Работает устройство следующим образом. Блок регистрации включает один или несколько сенсоров для регистрации сигналов (более чем один сенсор формируют пространственно распределенную группу сенсоров). Акустический сигнал зарегистрированный сенсором, оцифровывается известным способом и перенаправляется в блок предобработки данных. При регистрации сигнала группой сенсоров, индивидуальные сигналы посредством известной предобработки "beamforming", включающей введение временных задержек и суммирование сигналов, могут быть преобразованы в одномерный сигнал, при этом временные задержки обеспечивают настройку приемной группы сенсоров на усиления сигнала с определенного азимута, таким образом, формируется направленная антенна. Сформированный в результате суммирования сигнал так же, как и в односенсорном случае перенаправляется в блок предобработки данных. Блок предобработки данных может включать любые известные средства обработки, приводящие к уменьшению помехи и сегментацию данных. С выхода блока предобработки данные поступают на вход блока преобразования. Оператор через модуль - библиотека вейвлетов задает выбранную базисную кернфункцию вейвлет-преобразрвания и через модуль селектор коэффициентов число наибольших по величине коэффициентов матрицы вейвлет-декомпозиции, которые будут подвергаться дальнейшему анализу. Последовательность выбранных коэффициентов матрицы вейвлет-декомпозиции в порядке убывания подается на вход блока классификации типа сигнала, который является массивом параллельно соединенных систем гибридных многокомпонентных нейронных сетей. Выходные сигналы всех систем блока классификации поступают на вход компоратора, который выбирает максимальное значение из всех входных сигналов и сравнивает его с порогом. Если выбранное значение превышает порог, то декларируется классификация сигнала, если порог не превышен, то никакой классификации не происходит.

В упомянутом устройстве удачно использована комбинация мощных и эффективных современных средств обработки данных, позволяющая успешно решать задачи классификации сигналов, но устройство имеет особенности, которые могут быть отнесены к его недостаткам. В качестве средства классификации выбрана очень сложная нейронная сеть, точнее массив параллельно соединенных систем гибридных многокомпонентных нейронных сетей, причем число параллельно соединенных сетей может сколь угодно возрастать по мере усложнения задачи. Кроме того, что тип нейронных сетей с архитектурой, использованных в "Location ANN" и "Magnitude ANN",

допускает неоднозначность при реконструкции топологических карт (что может привести к нераспознаванию сигнала), использованная в таком сложном классификаторе система обработки данных требует больших вычислительных ресурсов, и, следовательно, очень мощной вычислительной техники и достаточно большого времени обработки данных для получения результата. Для стационарных систем слежения, без необходимости анализа ситуации в режиме реального времени и с питанием приборов от электрический сети, использование такого рода устройств вполне приемлемо. Однако при создании мобильных систем или портативных устройств, работающих в режиме реального времени, к тому же часто использующих питание от аккумуляторов, необходимо минимизировать объем необходимой компьютерной обработки. Этого можно добиться путем использования более простых классификаторов, например, в виде нейронной сети с простой архитектурой, сохраняя высокое качество работы устройства за счет более эффективной и изощренной предобработки данных, то есть специального кодирования содержащейся в них информации для повышения качества работы нейронной сети, которая используется в качестве средства классификации сигналов, с целью экстрагирования информации и облегчения выявления нетривиальных закономерностей в процессе обучения нейронной сети и последующей классификации

Решаемая предложенным изобретением задача - повышение эффективности и улучшения качества детектирования и классификации объектов в зоне пассивного контроля в режиме реального времени либо постобработки, обеспечение возможности протоколирования и оперативного отображения результатов на дистанционно удаленном дисплее с передачей сигнала тревоги на телефон или другое коммуникационное устройство, обеспечение оперативной перенастройки устройства с пульта управления или дистанционно.

Технический результат, который может быть получен при выполнении устройства, - упрощение конструкции, повышение экономичности, мобильности и скрытности, снижение энергопотребления и расширение области использования.

Для решения поставленной задачи с достижением технического результата по первому варианту выполнения полезной модели в известном устройстве сейсмоакустического обнаружения и классификации движущихся объектов, содержащем блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенных последовательно, согласно заявленной конструкции введены блок кодировки, блок детектирования сигнала тревоги, блок оповещения, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров

кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, причем блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала, выполнена в виде радиальной вероятностной сети, блок детектирования сигнала тревоги и блок оповещения последовательно подсоединены к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки, а выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала.

Для решения поставленной задачи с достижением указанного технического результата по второму варианту выполнения полезной модели в известном устройстве сейсмоакустического обнаружения и классификации движущихся объектов, содержащем блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, согласно заявленной полезной модели введены блок кодировки, блок детектирования сигнала тревоги, блок оповещения, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, первый регистратор, выполненный из синтезатора изображений и дисплея, второй регистратор, первый блок памяти, второй блок памяти, блока детектирования проникновения, блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала, выполнена в виде радиальной вероятностной сети, блок детектирования сигнала тревоги и блок оповещения последовательно подсоединены к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки, выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала, при этом вход синтезатора изображений служит входом первого регистратора, второй выход блока

предобработки данных соединен с первым входом первого блока памяти, второй выход блока кодировки соединен со вторым входом первого блока памяти, а третий выход блока классификации типа сигнала соединен с третьим входом первого блока памяти, четвертый выход блока классификации типа сигнала соединен со входом второго блока памяти, информационный выход первого блока памяти соединен с первым входом блока детектирования проникновения, а информационный выход второго блока памяти соединен со вторым входом блока детектирования проникновения, второй выход блока классификации типа сигнала соединен с третьим входом блока детектирования проникновения, первый выход блока детектирования проникновения соединен с входом первого регистратора, а второй выход блока детектирования проникновения соединен с входом второго регистратора.

Для решения поставленной задачи с достижением указанного технического результата по третьему варианту выполнения полезной модели известное устройство сейсмоакустического обнаружения и классификации движущихся объектов содержит блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, и согласно заявленной полезной модели оно выполнено из n идентичных устройств, где n>1, включающих блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, и для каждого из n идентичных устройств введены блок кодировки, блок детектирования сигнала тревоги, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала, выполнена в виде радиальной вероятностной сети, блок детектирования сигнала тревоги подсоединен к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки, а выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала, введены также для n идентичных устройств первый регистратор, выполненный из синтезатора изображений и

дисплея, и блок оповещения, которые выполнены с n входами, причем n входов блока оповещения соответственно подсоединены к выходам блоков детектирования сигнала тревоги для каждого из n идентичных устройств, а n входов первого регистратора подсоединены ко вторым выходам блоков классификации типа сигнала для каждого из n идентичных устройств, соответственно.

Для решения поставленной задачи с достижением указанного техническою результата по четвертому варианту выполнения полезной модели в известном устройстве сейсмоакустического обнаружения и классификации движущихся объектов содержащем блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, согласно заявленной полезной модели введены блок кодировки, блок детектирования сигнала тревоги, блок оповещения, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала выполнена в виде сети с классификацией по k ближайшим соседям, блок детектирования сигнала тревоги и блок оповещения последовательно подсоединены к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки, а выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала.

В дополнение ко всем четырем вариантам выполнения полезной модели блок кодировки может быть выполнен с возможностью расчета вектора классификационных признаков на базе трех вспомогательных векторов, первый из которых определяется как нормированная на свой максимум сортировка суммы по выбранному набору частотных масштабных уровней модулей пакетных вейвлет-коэффициентов, соответствующих различным значениям параметра временного сдвига, с предварительной нормировкой пакетных вейвлет-коэффициентов на максимум каждого частотного масштабного уровня, второй из вспомогательных векторов в случае сигналов с сильно различающимся неустойчивым спектром определяется как нормированный на свой максимум

усредненный по интервалу временных сдвигов с предварительной нормировкой на максимум каждого частотного масштабного уровня пакетный вейвлетный спектр (скэйлограмма), а в случае сигналов с похожим устойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов пакетный вейвлетный спектр (скэйлограмма) с представлением в логарифмическом масштабе по амплитуде спектра, третий из вспомогательных векторов рассчитывается как нормированная на свой максимум гистограмма модулей нормированной на свой максимум суммы по выбранному набору частотных масштабных уровней пакетных вейвлетных реконструкций с предварительной нормировкой реконструкции каждого масштабного уровня на свой максимум.

При функционировании предложенных устройств используют регистрацию фонового волнового сейсмического или акустического поля сейсмоприемниками, геофонами или акустическими сенсорами, установленными в пунктах наблюдения, обработку полученных данных, по результатам которой делается вывод о появлении либо отсутствии объекта генерации специфического типа сигнала с классификацией объекта, при этом применяют однокомпонентные сейсмоприемники, геофоны или акустические сенсоры, которые размещают на поверхности грунта или с небольшим заглублением, так же они могут быть вмонтирован в стену, пол, ограду, размещены на дне водоема. Место расположения выбирают вблизи зоны наиболее вероятной попытки проникновения или путей перемещения объектов.

Указанные преимущества, а также особенности настоящей полезной модели поясняются лучшими вариантами ее выполнения со ссылками на прилагаемые чертежи.

Фиг.1 изображает функциональную схему заявленного устройства;

Фиг.2 - схему формирования временных сегментов сигналов для текущей обработки, где t0 - время начала регистрации, tw - длина временного окна обработки данных, dt - величина смещения временного окна, i - порядковый номер образца сигналов;

Фиг.3 - примеры сигналов разного типа: 1 - фоновая помеха, 2 - шаги человека, 3 - копание лопатой, 4 - движущийся автомобиль;

Фиг.4 - схема многомасштабной вейвлетной декомпозиции функции f в виде дерева вейвлет-декомпозиции, где Aj и Dj - соответственно апрокимации и детализации на j масштабном уровне;

Фиг.5 - многомасштабное дерево пакетной вейвлетной декомпозиции функции f, цифра соответствует номеру масштабного уровня, последовательность букв отражает последовательность применения высокочастотного (D) либо низкочастотного (А) фильтров при расчете вектора коэффициентов разложения в соответствующем узле;

Фиг.6 - примеры пакетных вейвлет-декомпозиций для разных типов сигналов, пересортированных в порядке возрастания частоты: внизу - фоновая помеха, в средине - движущийся автомобиль, вверху - шаги человека. Для удобства отображения все матрицы нормированы на свой максимум, по вертикали - частотный масштабный параметр, по горизонтали - временной параметр. Слева приведены модули (абсолютные величины) вейвлет-коэффициентов, в центре - то же в логарифмическом масштабе, справа - вейвлет-коэффициенты, нормированные на свой максимум на каждом частотной масштабе;

Фиг.7 - примеры трех составляющих вектора классификационных признаков для различных типов сигналов: 1 - фоновая помеха, 2 - шаги человека, 3 - копание лопатой, 4 - движущийся автомобиль; Справа - , в центре - , слева - ;

Фиг.8 - примеры значений элементов вектора классификационных признаков для библиотеки обучающих шаблонов, нормированных к одинаковому интервалу изменений элементов на отрезке [0, 1], для различных типов сигналов: 1 - фоновая помеха, 2 - шаги человека, 3 - копание лопатой, 4 - движущийся автомобиль. Кружками на графиках нанесено положение нормированного классификационного вектора, рассчитанного для образца сигнала, временная реализация которого изображена на фиг.9 и который правильно классифицирован как шаги;

Фиг.9 - пример возможного отображения информации о текущей классификации сигналов: в виде надписи нанесен результат классификации "шаги", ниже приведено изображение классифицированной временной реализации, под ней изображения матриц вейвлет-декомпозиции, аналогичных фиг.6, далее составляющие вектора классификационных признаков , , для классифицируемого образца сигнала (жирная линия) и для набора из библиотеки обучающих образов;

Фиг.10. - то же, что фиг.1 при выполнении устройства по второму варианту с возможностью регистрации результатов мониторинга проникновения в виде визуального отображения и протокола.

Фиг.11. - третий вариант выполнения устройства для охраны периметров.

Устройство (фиг.1) содержит блок 1 регистрации сейсмических или акустических сигналов, блок 2 предобработки данных, блок 3 преобразования, блок 4 классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно. В устройство введены блок 5 кодировки (предназначенный для кодирования значений коэффициентов пакетного вейвлет-преобразования), блок 6 детектирования сигнала тревоги, и блок 7 оповещения, блок 8 задания параметров предобработки, блок 9 банка вейвлетных фильтров, блок 10 задания параметров кодировки, блок 11 библиотеки

классификационных векторов обучающих образцов сигналов. Блок 5 кодировки подсоединен между выходом блока 3 преобразования и входом блока 4 классификации типа сигнала. Блок 3 преобразования выполнен обеспечивающим пакетное вейвлет-преобразование а нейронная сеть блока 4 классификации типа сигнала, выполнена в виде радиальной вероятностной сети. Блок 6 детектирования сигнала тревоги и блок 7 оповещения последовательно подсоединены к выходу блока 5 классификации типа сигнала. Выход блока 8 задания параметров предобработки подсоединен ко второму входу блока 2 предобработки данных. Выход блока 9 банка вейвлетных фильтров подсоединен ко второму входу блока 3 преобразования. Выход блока 10 задания параметров кодировки подсоединен ко второму входу блока 5 кодировки. Выход блока 11 библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока 4 классификации типа сигнала.

Через блоки 8, 9, 10, 11 оператор с пульта или дистанционно, например, через SMS-сообщения в случае необходимости может производить перенастройку устройства и корректировать его работу.

По сравнению с ближайшим аналогом, из предлагаемого устройства исключены модуль библиотека вейвлетов и модуль селектор коэффициентов, шина данных информации локализации, шина данных информации о величине и компаратор. Модуль селектор коэффициентов исключен, так как в устройстве используется при обработке данных не выборка из элементов матрицы, как в аналоге, а все элементы матрицы. Блок 4 классификации, выполненный в виде массива гибридных многокомпонентных нейронных сетей заменен на блок 4 классификации типа сигнала в виде радиальной вероятностной нейронной сети, блок 3 преобразования осуществляет не вейвлет-преобразование, а пакетное вейвлет-преобразование.

Блок 1 регистрации сигналов и блок 2 предобработки данных предлагаемого устройства не имеют принципиальных отличий от соответствующих известных блоков приема акустического сигнала и блока предобработки данных ближайшего аналога. Необходимо только добавить, что сенсорами в заявленном устройстве могут являться сейсмоприемники и при синфазном суммировании сигналов различных сенсоров пространственной приемной группы сейсмическая приемная антенна может иметь более острую настройку, чем в ближайшем аналоге, то есть может быть настроена не только по азимуту прихода сигнала, но и по скорости распространения сигала и его поляризации, так как в отличие от акустических сигналов, сейсмические сигналы представлены набором волн, распространяющихся с различной скоростью и поляризацией. К блоку 2 предобработки данных подсоединен блок 8 задания параметров предобработки, который

позволяет задавать и оперативно менять с пульта или дистанционно параметры предобработки сигналов, например, при появлении интенсивной помехи на определенных частотах менять параметры частотного фильтра. Через блок 8 задания параметров предобработки задается длина временного сегмента на выходе блока 2 предобработки данных. Длина временного сегмента определяется длительностью наиболее продолжительного из классифицируемых сигналов

twmax(_i),

где tw - длина временной выборки в секундах, _i - длительность i-го типа сигнала.

При этом число временных отсчетов временной выборки TW=tw/t, где t - интервал дискретизации записи сигнала. Сегменты сигналов выбираются с перекрытием, то есть начало следующего сегмента лежит внутри временного интервала предыдущего, что схематически показано на фиг.2. Через блок 8 задания параметров предобработки задается величина смещения временного сегмента t, обычно она составляет около половины длительности сегмента (от 1/3 до 2/3).

Примеры временных сегментов для сигналов различного типа: фоновая помеха, шаги, копание земли, движущийся автомобиль, - приведены на фиг.3.

Сформированные сегменты сигналов последовательно поступают с выхода блока 2 предобработки данных на вход блока 3 пакетного вейвлет-преобразования. Через блок 9 банка вейвлетных фильтров с пульта или дистанционно задается значение базисной вейвлетной функции и уровня декомпозиции, при этом соответствующий набор фильтров пересылается в блок 3 преобразования (пакетного вейвлет-преобразования). Вейвлет разложение проводится согласно стандартной методике (Mallat S. A wavelet tour of signal processing. New York, Academy press, 1999, (Chapter 8), pp.322-339).

На этом этапе обработки данных в заявленном устройстве, в отличие от ближайшего аналога, выбрано пакетное вейвлет-преобразование сигнала, которое является обобщением обычного вейвлет-преобразования и предоставляет более богатые возможности для анализа сигналов. Поясним, в чем состоит разница между этими двумя преобразованиями. В обоих преобразованиях используется разложение сигнала по функциям с компактным носителем, то есть хорошо локализованным и во временной и в частотной области. Такого рода представление высокоэффективно и случае сигналов нестационарных или сильно отличных от синусоидальных.

Существуют различные схемы реализации пакетного вейвлет-преобразования, например схема с использованием банков вейвлетных фильтров. Известно, что для каждого вейвлета, порождающего ортогональный базис L ²(R), где L²(R) - пространство

квадратично интегрируемых функций на действительной оси R(-, +), существует конгруэнтный зеркальный фильтр, и, более того, быстрое вейвлет преобразование дискретных сигналов реализуется каскадным применением этих конгруэнтных зеркальных фильтров, при этом на каждом шаге с помощью процедуры фильтрации и прореживания сигнал расщепляется на две части с половинным числом отсчетов. Одна часть, более низкочастотная, называется аппроксимацией, другая более высокочастотная, детализацией, при этом высокочастотный фильтр, используемый при расчете детализации, определяет вид вейвлета, а низкочастотный фильтр, используемый при расчете аппроксимации, определяет вид связанной с вейвлетом масштабирующей функции.

Многомасштабная вейвлетная декомпозиция сигнала f может быть представлена графически в виде дерева вейвлет-декомпозиции, например, как показано на фиг.4. На каждом j+1 масштабном уровне длины векторов коэффициентов аппроксимации Aj+1 и детализации Dj+1 равны между собой и в два раза меньше, чем длина вектора аппроксимации Aj на j уровня. Реконструкция исходной функции по ее декомпозиции (обратное вейвлет-преобразование) происходит по аналогичной обратимой схеме, где вместо прореживания проводится вставка дополнительных нулевых значений.

На каждом последующем уровне расчет апроксимации a_j+1[n] и детализации d _j+1[n] производится (Mallat S. A wavelet tour of signal processing. New York, Academy press, 1999, (Chapter 8), pp.322-339) согласно с формулами:

,

,

где h[n] и g[n] - импульсные характеристики соответствующих низкочастотного и высокочастотного фильтра, j - номер масштабного уровня, n, p - номера элементов дискретного представления сигналов и фильтров в данном случае являющиеся временными параметрами, также введено обозначение и

.

При реконструкции предыдущего уровня используется формула:

.

Вейвлет-преобразованием j-уровня называется совокупность векторов {AJ, DJ, DJ-1, ..., D1}. Например, при j=3 это {A3, D3, D2, D1}. Векторы AJ и DJ имеют одинаковую размерность. Векторы D1, D2, ...DJ-1, DJ имеют переменную размерность, с ростом значения индекса их размерность уменьшается в два раза.

При расчете пакетного вейвлет-преобразования при переходе на второй масштабный уровень дальнейшей декомпозиции подвергается не только аппроксимация первого уровня А1 , но и его детализация D1, на следующих масштабах в каждом узле сигнал подвергается аналогичной декомпозиции (фиг.5).

Пакетным вейвлет-преобразованием j-уровня называется совокупность векторов (узлов), изображенных в виде j-горизонтального уровня на фиг.5. Например, при j=3 это {AAA3, DAA3, ADA3, DDA3, AAD3, DAD3, ADD3, DDD3}, где цифра соответствует номеру масштабного уровня, последовательность букв отражает последовательность применения высокочастотного (D) либо низкочастотного (А) фильтров при расчете вектора коэффициентов разложения в соответствующем узле. Все составляющие векторы разложения одного уровня имеют одинаковую размерность.

При простом вейвлет-преобразовании с ростом глубины разложения ширина частотного окна меняется - уменьшается в два раза и в два раза уменьшается длина вектора коэффициентов в каждом узле. На каждом j уровне имеется один узел с вектором коэффициентов декомпозиции размерности N/2 ^j, где N - длинна исходного сигнала, частотный диапазон, соответствующий декомпозиции j уровня - [F₀ +F/2^j, F₀+F/2^j-1], где F₀ - нижняя и (F₀+F) - верхняя граница (частота Найквиста) спектра сигнал. При пакетном же вейвлет-преобразовании на каждом уровне j разложения формируется 2^j узлов. Размерность вектора коэффициентов декомпозиции в каждом таком узле одинакова и равна N/2^j. Ширина частотного диапазона, соответствующего каждому узлу на j уровне, равна F/2^j, в сумме они покрывают весть полезный диапазон частот [F₀, F ₀+F]. Необходимо также отметить, что порядок расположения узлов каждого уровня при пакетном вейвлет-преобразовании вообще говоря не соответствует монотонному увеличению частоты. Для расположения узлов в порядке возрастания частоты необходима дополнительная пересортировка, вид такой пересортировки зависит от реализованной схемы декомпозиции и является известным. В общем случае порядок пересортировки можно определить следующим образом: прорисовать вейвлетные функции, соответствующие различным узлам выбранного уровня, и пересортировать узлы в направлении возрастания числа нулей (числа осцилляции) соответствующих функций. Декомпозиционная матрица, получаемая в

результате пакетного вейвлет-преобразования, дает более удобное для дальнейшего анализа представление сигнала, обеспечивая равномерные и компактные размеры "временного" и "частотного окна" локализации сигнала. Результат пакетной вейвлет декомпозиции на уровне L можно представить в виде двумерной матрицы вейвлет-коэффициентов w(i, j), где i (i=1, 2, ..., I; I=2^L) порядковый номер узлов дерева пакетного вейвлет-разложения на уровне L, а j (j=1, 2, ..., J; J=N/I) параметр временного сдвига. Если узлы пакетного преобразования пересортированы в порядке возрастания частоты, то индекс i является параметром частоты.

На фиг.6 слева приведены примеры таких пересортированных в соответствии с увеличением частоты матриц пакетных вейвлет-декомпозиции для различных типов сигналов: шагов, движущегося автомобиля, фоновой помехи. На фиг.6 в центре приведены те же матрицы, но в логарифмическом масштабе. Горизонтальная ось соответствует значениям параметра временного сдвига, вертикальная ось - параметру частоты. При отображении использованы матрицы абсолютных значений коэффициентов, для удобства отображения значения элементов матриц нормированы на свои максимальные значения. В качестве базисной функции использован один из вейвлетов Добиши [И.Добеши. Десять лекций по вейвлетам. Пер. с англ. М.: РХД, 2001.]. Его форма и тип асимметрии близки к форме сейсмического сигнала "человеческие шаги", что позволяет получать оптимальное частотно-временное представление сигналов такого типа.

С выхода блока 3 преобразования матрицы вейвлетных декомпозиции сигналов поступают в блок 5 кодировки. Процесс кодировки контролируется рядом параметров, значения которых задаются оператором через блок 10 задания параметров кодировки с пульта или дистанционно. Кодировка сигналов проводится с целью повышения эффективности работы классификатора, для обеспечения наибольшего отличия векторов классификационных признаков различных классов друг от друга. Кодировка, реализованная в предлагаемом устройстве, обеспечивает высокоэффективную классификацию как сильно отличающихся по форме сигналов (сейсмический шум, шаги человека, копание лопатой, движущийся автомобиль), так и сходных сигналов (шаги слона, жирафа, носорога, зебры, человека). Кодировка, в результате которой получается вектор классификационных признаков сигнала, может проводиться по следующей схеме:

- Вектор классификационных признаков рассчитывается на базе трех вспомогательных векторов , , .

- Вектора рассчитывается по следующему алгоритму.

- Для каждого частотного масштабного уровня i матрицы пакетной вейвлетной декомпозиции w(i, j) рассчитывается максимальное значение mxj(i) модулей вейвлет-коэффициентов и на каждом масштабном уровне производится нормировка на максимальное значение соответствующего уровня mxj(i). Таким образом, получается матрица нормированных значений модулей коэффициентов пакетного вейвлет-разложения, каждый элемент которой соответствует временному параметру j и частотному масштабу i. Пример подобных матриц для различных типов сигналов (шаги, движущийся автомобиль, фоновая помеха) приведен на фиг.6 справа. Физический смысл такой нормировки - выбеливание по максимальному мгновенному вейвлетному спектру сигнала. Эффективность такой процедуры при выделении особенностей сигналов хорошо заметна при сравнении визуальных отображений матриц (фиг.6) - легко заметить, что изображения, расположенные справа обеспечивают гораздо лучшее различие типов сигналов и несут больше значимой информации. После этого рассчитывается вектор

,

где {i_d} - подпоследовательность последовательности индексов {i} длиной m1-элементов, m1I. {i_d}, например, может быть выбрана как {i_d}={I-4, I-3 , I-2, I-1, I}, когда используются только высокочастотные масштабы разложения. Либо, например, как {i_d}={2, 3, 4, ..., I}, когда при суммировании отбрасывается только первый частотный масштаб разложения, то есть сохраняются все детализирующие коэффициенты и отбрасываются только аппроксимирующие коэффициенты разложения. В общем случае подпоследовательность {i_d } выбирается на основании какого либо метода оптимизации или эмпирически. Общая рекомендация: следует использовать масштабные уровни, на которых содержится наибольшая доля энергии классифицируемых сигналов. Проводимое согласно вышеописанной схеме усреднение коэффициентов декомпозиции сигнала но набору масштабных уровней с наибольшим энергетическим вкладом позволяет более эффективно использовать информацию, содержащуюся в сигнале, а также путем усреднения уменьшить влияние флуктуации значений коэффициентов декомпозиции. последние, как известно, могут иметь значительную величину в силу особенностей алгоритмов дискретного вейвлет-преобразования.

- Наконец, рассчитывается вектор как сортировка элементов вектора hw(j) по уменьшению их значений, нормированная на максимальное значение сортировки. Примеры значений элементов вектора для различных типов сигналов (фоновая помеха, шаги, копание, движущийся автомобиль) приведены на фиг.7 слева.

- Вектор рассчитывается по следующему алгоритму.

- В случае сигналов с сильно различающимся неустойчивым спектром рассчитывается усредненный по временному интервалу с предварительной нормировкой на максимальное значение соответствующего уровня пакетный вейвлетный спектр (скэйлограмма) spw(i) согласно формуле

,

где mxj(i) - максимальное значение модулей вейвлетных коэффициентов соответствующего i-уровня. Затем он нормируется на свое максимальное значение и таким образом получается вектор . Примеры значений элементов вектора для различных типов сигналов (фоновая помеха, шаги, копание, движущийся автомобиль) приведены на фиг.7 в центре.

- В случае однотипных сигналов с похожей и устойчивой формой спектра (например, шаги различных животных и человека) используется усредненный по временному интервалу ненормированный пакетный вейвлетный спектр (скэйлограмма) с представлением в логарифмическом масштабе по амплитуде спектра, в последнем случае

,

где ln(.) - знак натурального логарифма. Затем он нормируется на свое максимальное значение и таким образом получается вектор .

- Решение о выборе варианта расчета оценки пакетного вейвлетного спектра принимается на стадии формирования библиотеки обучающих образов и выбирается вариант, обеспечивающий наибольшее различие межу классами.

- Вектор рассчитывается по следующему алгоритму. Отдельно для каждого частотного масштабного уровня i_r, матрицы пакетной вейвлет-декомпозиции w(i, j) производится реконструкция , t=1, 2, 3, ..., N. Для этого значения матрицы w(i, j), кроме значений на частотном масштабном уровне i _r, обнуляются и рассчитывается обратное пакетное вейвлет преобразование согласно стандартной методике. Для каждой такой реконструкции вычисляется максимум абсолютных значений mxj(i _r). Затем вычисляется величина

- ,

где {i_r} - подпоследовательность последовательности индексов {i} длиной m2-элементов, m2I. Подпоследовательность {i_r} выбирается на основании какого либо метода оптимизации или эмпирически. Она может совпадать с подпоследовательностью уровней, используемых при расчете вектора . После этого вычисляется hb(t) - нормированный на максимум модуль ha(t) по формуле:

.

- Затем рассчитывается вектор как гистограмма hb(t) на ячейках с количеством Nh, которая нормируется на свое максимальное значение.

- Примеры значений элементов вектора для различных типов сигналов (фоновая помеха, шаги, копание, движущийся автомобиль) приведены на фиг.7 справа.

- Проводится понижение размерности входных векторов классификационных признаков , , любым известным способом, оптимизирующим различий между классами, или путем эмпирического подбора. Понижение размерности производится для того, чтобы выровнять относительный информационный вклад различных трех составляющих вектора классификационных признаков при этом максимально сохранив детали различия классов, а также с целью уменьшения размерности входного вектора нейронной сети, так как последнее способствует уменьшению ошибки классификации.

- Наконец из векторов , , размерности n1, n2, n3, соответственно, формируется один вектор классификационных признаков суммарной размерности n1+n2+n3

.

- Производится нормировка вектора, при этом предусмотрены два варианта: нормировка к единичной норме вектора

,

где ||.|| - знак нормы вектора,

- и нормировка к одинаковому интервалу изменений элементов на отрезке [0, 1]

,

- где векторы минимальных и максимальных значений вычисляются на множестве векторов всех классов из библиотеки обучающих образцов сигналов, а значение минимума и максимума по каждой координате вычисляется среди

значений соответствующих координат векторов. Для вычисления нормы вектора может быть выбрана любая известная метрика, но одна и та же, для вычисления нормы и для вычисления расстояний в используемой нейронной сети.

- Тип метрики и тип нормировки определяется эмпирически на стадии обучения сети как обеспечивающий наилучшее различение классов.

Примеры значений элементов вектора классификационных признаков для библиотеки обучающих шаблонов, нормированных к одинаковому интервалу изменений элементов на отрезке [0, 1], для различных типов сигналов (фоновая помеха, шаги, копание, движущийся автомобиль) приведены на фиг.8. На графиках шаблонов наложено изображение нормированного классификационного вектора, рассчитанного для образца сигнала, временная реализация которого изображена на фиг.9 и который правильно классифицирован как шаги.

Закодированный сигнал в виде вектора классификационных признаков поступает с выхода блока 5 кодировки на вход блока 4 классификации типа сигнала. Блок 4 классификации представлен радиальной вероятностной нейронной сетью, значения параметров которых задаются оператором через блок 11 библиотеки классификационных векторов обучающих образцов сигналов с пульта или дистанционно. Библиотека обучающих образов формируется на базе записей сигналов для различных грунтовых условий и для различных типичных источников сигналов. Наиболее эффективна работа устройства, когда библиотека формируется на базе образцов сигналов, зарегистрированных в том же месте, где будет проводиться последующий охранный мониторинг. Возможна реализация сменного набора библиотек шаблонов, например замена их в зависимости от сезона ("зимняя" и "летняя" библиотеки).

В качестве классификатора блока 4 классификации типа сигналов в предлагаемом устройстве по первому, второму и третьему вариантам реализации полезной модели выбрана радиальная вероятностная нейронная сеть с гауссовой базисной функцией, так как эта сеть имеет очень простую архитектуру (радиальный и конкурентный слой), легко перенастраивается и именно такой тип сетей эффективен в случае линейно неразделимых (не обладающих свойством персептронной представляемости) входных векторов классификационных признаков, что имеет место при использовании устройств для указанных целей. Такие сети гарантируют сходимость к оптимальному Байесовому классификатору при достаточном количестве обучающих образцов сигналов. Сигнал обрабатывается вероятностной радиальной нейронной сетью согласно стандартной методике (Wasserman, P.D. (1993) Advanced Methods in Neural Networks, Van Nostrand Reinhold, New York, (Chapter 3), pp.35-55). Схему работы используемой искусственной

нейронной сети можно коротко сформулировать следующим образом. Каждому входному нейрону сопоставлен вектор весов, который является классификационным вектором из библиотеки обучающих образов, соответствующий одному из типов классифицируемых сигналов. Для каждого типа сигналов может быть выбрано различное число обучающих образов, это число увеличивается по мере увеличения степени изменчивости сигнала внутри популяции данного класса. Каждый входной нейрон имеет число входов, равное размерности классификационного вектора. При поступлении на вход нейронной сети тестируемого сигнала рассчитывается расстояние от входного вектора до вектора весов соответствующего нейрона, а затем численное значение вероятности того, что входной сигнал принадлежит тому же типу, что и вектор весов. Острота настройки сети, то есть радиус области притяжения каждого типа сигнала (которая может быть не обязательно односвязной), контролируется с помощью параметра, значения которого подбирается на этапе обучения сети. Затем информация поступает в конкурентный слой, где сравниваются усредненные по типам сигналов вероятности принадлежности входного сигнала тому или иному типу и в качестве решения выбирается классификация с наибольшей средней вероятностью. При необходимости нейронная сеть может быть снабжена пороговым устройством, которое позволяло бы при значении максимальной средней вероятности ниже пороговой классифицировать сигнал как неопознанный. При необходимости нейронная сеть может быть легко перенастроена, например, при увеличении типов классификации сигналов или при перестановке мобильной системы и другие грунтовые условия. Для этого просто необходимо изменить параметры нейронной сети через блок 11 библиотеки обучающих образцов, что может быть сделано с пульта или дистанционно.

Значение классификации сигнала и марка времени с выхода блока 4 классификации типа сигнала подаются на вход блока 6 детектирования тревоги, который формирует сигнал тревоги при превышении заданного порога активности в охраняемой зоне и подаст тревожный сигнал на блок 9 оповещения, который в свою очередь, например, посылает электронное сообщение (SMS, MMS, e-mail и пр.) определенного содержания о типе нарушения и времени события или включает громкий оповестительный сигнал. Блок 6 детектирования тревоги может быть выполнен, например следующим образом. Он может быть снабжен буфером для запоминания последовательности классификаций, а условием детектирования тревоги может быть, например, заданное число последовательных классификаций определенного типа сигнала ("шаги", "шаги", "шаги") или определенная последовательность классификаций различных типов сигналов ("машина", "машина", "шаги", "шаги", "копание", "копание", "копание").

Описанная выше охранно-информационная сейсмическая система может быть, выполнена в виде портативного устройства - интеллектуального сейсмического сенсора, состоящего из беспроводного модема, микропроцессорного модуля, модуля аналого-цифрового преобразования, элементов управления/индикации, аккумулятора и сейсмодатчика. В устройстве предусмотрены возможности дистанционной передачи информации о принятом решении, управление режимом работы устройства, тестирование работоспособности устройства. Блок 1 регистрации сейсмических или акустических сигналов может быть снабжен средством передача по запросу образцов сигналов на дистанционно удаленный операторный пункт, где изменившаяся сейсмическая обстановка, например в случае появления нового мощного источника помех, может быть проанализирована и дистанционно проведена коррекция работы портативного устройства в новой обстановке.

В устройство (фиг.10) в отличие от устройства (фиг.1) введены регистрирующие средства текущей информации, которые могут быть выполнены различным образом. Например, устройство может быть выполнено в виде двух блоков, первый из которых, первый регистратор 12, состоит из синтезатора 13 изображения и дисплея 14, соединенных последовательно, вход регистратора 12 является входом синтезатора 13 изображения. Дисплей 14 является блоком регистрации текущих сообщений (например, в виде текстового файла на печатающем либо запоминающем устройстве с информацией о типе и времени проникновения). В устройстве также могут быть введены второй регистратор 15, первый блок 16 памяти, являющийся накопителем информации для первого регистратора 12, второй блок 17 памяти, являющийся накопителем информации для второго регистратора 15 и блок 18 детектирования проникновения. Информационный выход первого блока 16 памяти соединен через первый вход блока 18 детектирования проникновения с информационным входом первого регистратора 12, а информационный выход второго блока 17 памяти соединен через второй вход блока 18 детектирования проникновения с информационным входом второго регистратора 15. Третий вход блока 18 детектирования проникновения соединен со вторым выходом блока 4 классификации типа сигнала. Первый вход первого блока 16 памяти соединен со вторым выходом блока 2 предобработки данных, второй вход первого блока 16 памяти соединен со вторым выходом блока 5 кодировки и третий вход первого блока 16 памяти соединен с третьим выходом блока 4 классификации типа сигнала. Вход второго блока 17 памяти соединен с четвертым выходом блока 4 классификации типа сигнала.

Работает устройство (фиг.10) следующим образом.

Одновременно с передачей сегментов сигналов из блока 2 предобработки данных на вход блока 3 преобразования (пакетного вейвлет-преобразования) этот же сегмент сигналов передается с второго выхода блока 2 предобработки данных на первый вход первого блока памяти 16. С третьего выхода блока 4 классификации типа сигнала передается на третий вход первого блока 16 памяти вектор классификационных признаков анализируемого сегмента сигналов, результат классификации и марка времени. С четвертого выхода блока 4 классификации типа сигнала на вход второго блока 17 памяти передается результат классификации и марка времени.

Одновременно с передачей марки времени и результата классификации сигнала на вход блока 6 детектирования тревоги, с второго выхода блока 4 классификации типа сигнала выдается классификационное решение на третий вход блока 18 детектирования проникновения, где, в случае определения класса "фоновая помеха", сигналы, поступающие с первого блока 16 памяти и второго блока 17 памяти, гасятся, а, в случае отличия результата классификации сигналов от класса "фоновая помеха", информация с информационного выхода первого блока 16 памяти поступает через блок 18 детектирования на вход регистратора 12, где она попадает на вход синтезатора 13 изображения, а информация с информационного выхода второго блока 17 памяти поступает через блок 18 детектирования на вход регистратора 15. В синтезаторе 13 изображения создается визуальное отображение временной реализации анализируемой порции сигналов и сопутствующей информации, включая результат классификации, например, как показано на фиг.9, где отображена сейсмическая запись сигнала и соответствующие ей классификационные признаки с сообщением о типе классификации сигнала (на рисунке сигнал правильно классифицирован как шаги). Рисунок может отображаться на экране дисплея 14 и/или записываться на запоминающее устройство с добавлением марки времени. В регистраторе 15, который является блоком регистрации сообщений, создается и запоминается последовательность сообщений о времени проникновения, и результате классификации сигналов.

В устройство (фиг.11) дополнительно введены по n устройств для охраны периметров от несанкционированного проникновения, где n>1 и выполненных идентичными ранее описанному устройству (фиг.1). Однако в нем блок 7 оповещения выполнен с n входами, каждый n-ый вход соответственно соединен с выходом блока 6 детектирования тревоги n-го устройства охраны. Регистрирующее 12 состоит из синтезатора 13 изображения и дисплея 14. Регистрирующее устройство 12 также выполнено с n входами и каждый n-ый вход регистрирующего устройства 12 соединен с выходом блока 4 классификации типа сигнала n-го устройства охраны.

Работает устройство (фиг. 11) следующим образом.

При необходимости охранного мониторинга больших периметров производится установка регистрирующих сенсоров в виде одного или нескольких охранных рубежей (отстоящих друг от друга на расстоянии нескольких метров) вдоль периметральной границы с шагом расстановки от нескольких метров до нескольких десятков метров вдоль периметральной границы, при этом величина шага расстановки зависит от типа грунтового покрытия, чувствительности регистрирующих датчиков, уровня фоновой помехи. Таких линий охраны, вдоль периметральной границы может быть одна или несколько. Блок 7 оповещения срабатывает, если хотя бы с одного из n блоков детектирования тревоги 6 приходит тревожный сигнал. Синтезатор 12 синтезирует изображение схему расположения датчиков вдоль периметра со значком, соответствующим текущему результату классификации сигнала на n-ом устройстве охраны, например, это могут быть геометрические фигуры, окрашенные в разные цвета в соответствии с классификацией. Изображение отображается на дисплее 14 или может запоминаться на каком-либо запоминающемся устройстве с указанием метки времени. Такая регистрация позволяет локализовать зону нарушения периметра и проследить за передвижением объекта.

Устройство по четвертому варианту выполнено идентично по схеме первого варианта (фиг.1), но в нем нейронная сеть блока 4 классификации тина сигнала выполнена в виде сети с классификацией по k ближайшим соседям.)

В четвертом варианте устройства в отличие от устройства (фиг.1) в качестве классификатора блока 4 классификации типа сигналов выбрана нейронная есть с классификацией по k-ближайшим соседям (KNN) (Bishop C.M. Neural Networks for Pattern recognition. 1995. Oxford University press), при работе которой решающее правило приписывает классифицируемому образцу значение класса ближайших из эталонных (обучающих) векторов. Все эталонные векторы маркируются принадлежностью к известному классу. В процессе классификации определяются k ближайших векторов к классифицируемому, при этом для измерения расстояния между векторами может быть использована любая известная метрика. Вероятность того, вектор принадлежит классу С_i, i=1, 2, ...,K, , где N_i - число ближайших эталонных векторов , принадлежащих классу С_i, . Если k=1, то есть единственный ближайший сосед определяет класс, то или 1. Класс входного вектора нейронной сети определяется по "правилу большинства" - в качестве результата классификации выбирается класс с наибольшим значением вероятности. Это правило не зависит от

совместного распределения и асимптотически при большом k и большом числе обучающих векторов вероятность классификации стремится к байесовой. Число k должно быть достаточно велико, чтобы минимизировать вероятность небайесова решения при классификации, но достаточно мало (в пропорции от общего числа эталонных векторов) для того, чтобы "соседние" векторы были достаточно близки к классифицируемому вектору, чтобы дать аккуратную оценку значения класса. В реальной ситуации число обучающих векторов ограничено и небольшая величина k может давать лучшие результаты. Для каждого набора обучающих векторов значение k должно быть оптимизировано. Это может быть сделано эмпирически, при этом тип метрики и количество ближайших соседей k выбирается таким образом, чтобы минимизировать ошибку правильной классификации. Так как классификация по k-ближайшим соседям базируется на интуитивном предположении, что объекты, наиболее близкие друг к другу наиболее сходны, при необходимости может быть учтено дополнительное различие между k-соседями, путем ввода весовые коэффициентов таким образом, чтобы увеличить влияние на результат наиболее близких соседей. В результате эффективность работы сети возрастает. Веса могут быть введены различным способом, например, согласно формуле

,

где D(.) - обозначение выбранной метрики с помощью которой измеряется расстояние между классифицируемым вектором и эталонным вектором . При этом вероятность того, что вектор принадлежит классу С_i

.

Четвертый вариант выполнения устройства с нейронной сетью блока 4 классификации типа сигнала с классификацией по k ближайшим соседям целесообразно использовать в случае, когда сигналы обладают таким свойством, что почти все векторы классификационных признаков всех классов лежат внутри соответствующих каждому классу односвязных непересекающихся областей.

Важными отличительными особенностями предлагаемых устройств являются скрытность установки используемых датчиков обнаружения (они могут быть вмонтированы в стены, пол, ограду, прикопаны под землю, размещены на дне водоема), пассивный метод их работы, возможность охраны неогражденных рубежей, независимость от рельефа местности, отсутствие не просматриваемых зон наблюдения

("мертвых зон"), возможность обеспечения работы на автономных источниках питания, возможность использование в автономных и быстро разворачиваемых систем, возможность беспроводного обмена информацией с уполномоченными абонентами, которые могут в режиме удаленного доступа, например в виде SMS на сотовый телефон, получать сведения о текущей обстановке, а в случае необходимости изменять настройки устройства охранного мониторинга.

Наиболее успешно заявленная полезная модель (варианты) промышленно применима для обнаружения и классификации различных объектов, производящих акустические и/или сейсмические сигналы, преимущественно для охранных целей или для контроля передвижений объектов или для мониторинга популяции животных в заповедниках, и т.д.

1. Устройство сейсмоакустического обнаружения и классификации движущихся объектов, содержащее блок регистрации сейсмических или акустических сигналов, блок-предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, отличающееся тем, что введены блок кодировки, блок детектирования сигнала тревоги, блок оповещения, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала выполнена в виде радиальной вероятностной сети, блок детектирования сигнала тревоги и блок оповещения последовательно подсоединены к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки, а выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала.

2. Устройство по п.1, отличающееся тем, что блок кодировки выполнен с возможностью расчета вектора классификационных признаков на базе трех вспомогательных векторов, первый из которых определяется как нормированная на свой максимум сортировка суммы по выбранному набору частотных масштабных уровней модулей пакетных вейвлет-коэффициентов, соответствующих различным значениям параметра временного сдвига, с предварительной нормировкой пакетных вейвлет-коэффициентов на максимум каждого частотного масштабного уровня, второй из вспомогательных векторов в случае сигналов с сильно различающимся неустойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов с предварительной нормировкой на максимум каждого частотного масштабного уровня пакетный вейвлетный спектр (скэйлограмма), а в случае сигналов с похожим устойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов пакетный вейвлетный спектр (скэйлограмма) с представлением в логарифмическом масштабе по амплитуде спектра, третий из вспомогательных векторов определяется как нормированная на свой максимум гистограмма модулей нормированной на свой максимум суммы по выбранному набору частотных масштабных уровней пакетных вейвлетных реконструкций с предварительной нормировкой реконструкции каждого масштабного уровня на свой максимум.

3. Устройство сейсмоакустического обнаружения и классификации движущихся объектов, содержащее блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, отличающееся тем, что введены блок кодировки, блок детектирования сигнала тревоги, блок оповещения, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, первый регистратор, выполненный из синтезатора изображений и дисплея, второй регистратор, первый блок памяти, второй блок памяти, блока детектирования проникновения, блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала выполнена в виде радиальной вероятностной сети, блок детектирования сигнала тревоги и блок оповещения последовательно подсоединены к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки, выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала, при этом вход синтезатора изображений служит входом первого регистратора, второй выход блока предобработки данных соединен с первым входом первого блока памяти, второй выход блока кодировки соединен со вторым входом первого блока памяти, а третий выход блока классификации типа сигнала соединен с третьим входом первого блока памяти, четвертый выход блока классификации типа сигнала соединен со входом второго блока памяти, информационный выход первого блока памяти соединен с первым входом блока детектирования проникновения, а информационный выход второго блока памяти соединен со вторым входом блока детектирования проникновения, второй выход блока классификации типа сигнала соединен с третьим входом блока детектирования проникновения, первый выход блока детектирования проникновения соединен с входом первого регистратора, а второй выход блока детектирования проникновения соединен с входом второго регистратора.

4. Устройство по п.3, отличающееся тем, что блок кодировки выполнен с возможностью расчета вектора классификационных признаков на базе трех вспомогательных векторов, первый из которых определяется как нормированная на свой максимум сортировка суммы по выбранному набору частотных масштабных уровней модулей пакетных вейвлет-коэффициентов, соответствующих различным значениям параметра временного сдвига, с предварительной нормировкой пакетных вейвлет-коэффициентов на максимум каждого частотного масштабного уровня, второй из вспомогательных векторов в случае сигналов с сильно различающимся неустойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов с предварительной нормировкой на максимум каждого частотного масштабного уровня пакетный вейвлетный спектр (скэйлограмма), а в случае сигналов с похожим устойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов пакетный вейвлетный спектр (скэйлограмма) с представлением в логарифмическом масштабе по амплитуде спектра, третий из вспомогательных векторов определяется как нормированная на свой максимум гистограмма модулей нормированной на свой максимум суммы по выбранному набору частотных масштабных уровней пакетных вейвлетных реконструкций с предварительной нормировкой реконструкции каждого масштабного уровня на свой максимум.

5. Устройство сейсмоакустического обнаружения и классификации движущихся объектов, содержащее блок регистрации сейсмических или акустических сигналов, блок-предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, отличающееся тем, что оно выполнено из n идентичных устройств, где n>1, включающих блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, отличающееся тем, что для каждого из n идентичных устройств введены блок кодировки, блок детектирования сигнала тревоги, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала, выполнена в виде радиальной вероятностной сети, блок детектирования сигнала тревоги подсоединен к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки значений коэффициентов пакетного вейвлет-преобразования, а выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала, введены также для n идентичных устройств первый регистратор, выполненный из синтезатора изображений и дисплея, и блок оповещения, которые выполнены с n входами, причем n входов блока оповещения соответственно подсоединены к выходам блоков детектирования сигнала тревоги для каждого из n идентичных устройств, а n входов первого регистратора подсоединены ко вторым выходам блоков классификации типа сигнала для каждого из n идентичных устройств, соответственно.

6. Устройство по п.5, отличающееся тем, что блок кодировки выполнен с возможностью расчета вектора классификационных признаков на базе трех вспомогательных векторов, первый из которых определяется как нормированная на свой максимум сортировка суммы по выбранному набору частотных масштабных уровней модулей пакетных вейвлет-коэффициентов, соответствующих различным значениям параметра временного сдвига, с предварительной нормировкой пакетных вейвлет-коэффициентов на максимум каждого частотного масштабного уровня, второй из вспомогательных векторов в случае сигналов с сильно различающимся неустойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов с предварительной нормировкой на максимум каждого частотного масштабного уровня пакетный вейвлетный спектр (скэйлограмма), а в случае сигналов с похожим устойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов пакетный вейвлетный спектр (скэйлограмма) с представлением в логарифмическом масштабе по амплитуде спектра, третий из вспомогательных векторов определяется как нормированная на свой максимум гистограмма модулей нормированной на свой максимум суммы по выбранному набору частотных масштабных уровней пакетных вейвлетных реконструкций с предвари тельной нормировкой реконструкции каждого масштабного уровня на свой максимум.

7. Устройство сейсмоакустического обнаружения и классификации движущихся объектов, содержащее блок регистрации сейсмических или акустических сигналов, блок предобработки данных, блок преобразования, блок классификации типа сигнала, выполненный в виде нейронной сети, соединенные последовательно, отличающееся тем, что введены блок кодировки, блок детектирования сигнала тревоги, блок оповещения, блок задания параметров предобработки, блок банка вейвлетных фильтров, блок задания параметров кодировки, блок библиотеки классификационных векторов обучающих образцов сигналов, блок кодировки подсоединен между выходом блока преобразования и входом блока классификации типа сигнала, при этом блок преобразования выполнен обеспечивающим пакетное вейвлет-преобразование, а нейронная сеть блока классификации типа сигнала выполнена в виде сети с классификацией по k ближайшим соседям, блок детектирования сигнала тревоги и блок оповещения последовательно подсоединены к выходу блока классификации типа сигнала, выход блока задания параметров предобработки подсоединен ко второму входу блока предобработки данных, выход блока банка вейвлетных фильтров подсоединен ко второму входу блока преобразования, выход блока задания параметров кодировки подсоединен ко второму входу блока кодировки, а выход блока библиотеки классификационных векторов обучающих образцов сигналов подсоединен ко второму входу блока классификации типа сигнала.

8. Устройство по п.7, отличающееся тем, что блок кодировки выполнен с возможностью расчета вектора классификационных признаков на базе трех вспомогательных векторов, первый из которых определяется как нормированная на свой максимум сортировка суммы по выбранному набору частотных масштабных уровней модулей пакетных вейвлет-коэффициентов, соответствующих различным значениям параметра временного сдвига, с предварительной нормировкой пакетных вейвлет-коэффициентов на максимум каждого частотного масштабного уровня, второй из вспомогательных векторов в случае сигналов с сильно различающимся неустойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов с предварительной нормировкой на максимум каждого частотного масштабного уровня пакетный вейвлетный спектр (скэйлограмма), а в случае сигналов с похожим устойчивым спектром определяется как нормированный на свой максимум усредненный по интервалу временных сдвигов пакетный вейвлетный спектр (скэйлограмма) с представлением в логарифмическом масштабе по амплитуде спектра, третий из вспомогательных векторов определяется как нормированная на свой максимум гистограмма модулей нормированной на свой максимум суммы по выбранному набору частотных масштабных уровней пакетных вейвлетных реконструкций с предварительной нормировкой реконструкции каждого масштабного уровня на свой максимум.