WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Апробация работы и публикации. Материалы диссертации были представлены на следующих научных конференциях: «Хаотические автоколебания и образование структур» (ХАОС, Саратов, 2007), «Complex Dynamics and Fluctuations in Biomedical Photonics — III, IV, V, VI» (Сан-Хосе, США, 2006, 2007, 2008, 2009), «Forum of Federation of European Neurosciences Societies» (FENS, Швейцария, Вилларс, 2008), «Нелинейные дни для молодых» (Саратов, 2005, 2006, 2007, 2008), «Методы компьютерной диагностики в биологии и медицине- 2008» (Саратов, 2008). Результаты неоднократно обсуждались на научных семинарах кафедры радиофизики и нелинейной динамики Саратовского государственного университета, научно-образовательного центра REC-006 «Нелинейная динамика и биофизика» (Саратовский государственный университет), центра динамики сложных систем Потсдамского университета (Германия, Потсдам), центра биофизики и сложных систем Датского технического университета (Люнгбю, Дания), лаборатории нейродинамики университета Комплютенсе (Испания, Мадрид). По теме диссертации опубликовано 15 работ: 5 статей в журналах (из них 3 статьи в журналах, рекомендованных ВАК РФ для опубликования результатов диссертаций), 10 статей в сборниках трудов конференций. Результаты работы использованы при выполнении грантов: СRDF и Министерства образования и науки РФ «Научно-образовательный центр ``Нелинейная динамика и биофизика'' (НОЦ REC-006)» (2005-2007), Министерства образования и науки РФ «Развитие научного потенциала высшей школы» (2006-2008), госконтракта с ФЦНТП № 02.442.11.7181.

Личный вклад автора. Основные результаты диссертации получены лично автором. В совместных работах автором проводились численные исследования и подготовка пакетов прикладных программ, реализующих разрабатываемые методы анализа структуры сигналов. Результаты второй главы полностью получены автором (включая идею предложенного метода, его практическую реализацию и численные исследования). Формулировка задач, решаемых в первой и третьей главах, а также объяснение и интерпретация полученных результатов проведены совместно с научным руководителем и соавторами.

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения и списка цитированной литературы. В ней содержится 106 страниц текста, 32 страницы рисунков, библиография из 120 наименований на 13 страницах. Общий объем диссертации 138 страниц.

Содержание работы

Во введении обосновывается актуальность работы, формулируется цель исследования, ставятся основные задачи, раскрывается научная новизна полученных результатов и формулируются основные положения и результаты, выносимые на защиту.

В первой главе рассматривается проблема автоматического распознавания сигналов типа последовательностей одиночных импульсов при наличии помех на основе коэффициентов вейвлет-преобразования. Необходимость идентификации зашумленных сигналов возникает при решении многих радиофизических задач. Примером может служить задача выделения слабого голосового сообщения, принятого в условиях сильных шумов и искажений (распознавание отдельных звуков и слов). Похожая проблема с точки зрения методики анализа состоит в выделении сигнала отдельного элемента из коллективной динамики малого ансамбля (исследование процессов кодирования информации в нейронных сетях при регистрации внеклеточных сигналов).

Применительно к импульсным сигналам, задача распознавания состоит в том, чтобы из зарегистрированных данных выделить последовательности импульсов, которые генерируются лишь одним элементом малого ансамбля. Если таких последовательностей будет несколько, то появляется возможность изучать динамику нескольких элементов. В этом случае в пространстве характеристик, которые описывают форму сигналов, появятся кластеры точек, соответствующие разным типам импульсов. После отделения кластеров друг от друга задача считается решенной.

На практике такая задача представляется крайне сложной в присутствии сильных помех. В диссертации проводится сопоставление различных методов распознавания зашумленных сигналов в целях выявления их эффективности в различных условиях. Исследуется влияние статистики фонового шума на качество автоматического распознавания сигналов с помощью анализа главных компонент и стандартного метода идентификации сигналов на основе коэффициентов дискретного вейвлет-преобразования. Показано, что подбором характеристик фильтра на этапе предварительной обработки экспериментальных данных можно существенно улучшить результаты распознавания сигналов с помощью вейвлетного метода.

Предлагается специальный подход к решению задачи автоматической идентификации сигналов — параметрический вейвлет-анализ с адаптивной фильтрацией. Представлены теоретические основы данного метода. В предположении нормального распределения флуктуаций выведена формула для минимальной величины ошибки идентификации двух типов импульсов и показано, что для обеспечения минимальной ошибки требуется осуществить поиск максимального значения параметра разделения кластеров в пространстве характеристик, описывающих форму сигнала.

Фактически, предлагаемый подход подразумевает включение частоты среза фильтра нижних частот в качестве одного из параметров (наряду с параметрами масштаба и смещения вейвлет-преобразования), путем вариации которых достигается поиск максимального значения параметра разделения кластеров, что, согласно теоретическим результатам, должно обеспечить минимизацию ошибки идентификации последовательностей одиночных импульсов. Следует отметить, что предлагаемый алгоритм решения данной задачи предусматривает автоматическую подстройку под конкретный анализируемый сигнал в отличие от методов, основанных на произвольном выборе вейвлет-коэффициентов из некоторых общих соображений.

Метод был протестирован на ряде примеров и продемонстрировал свою эффективность. В частности, рис. 1 иллюстрирует, что предложенный подход позволяет в несколько раз уменьшить ошибку автоматического распознавания импульсных сигналов по сравнению со стандартными алгоритмами. Более того, в данном примере ошибка параметрического вейвлет-анализа с адаптивной фильтрацией приближается к теоретическому минимуму (составляющему примерно 0.3% при рассматриваемом уровне шума в предположении нормального закона распределения флуктуаций). Наряду с тестовыми данными были проанализированы реальные электрофизиологические записи внеклеточного потенциала, исследование которых также позволило убедиться в эффективности предложенного подхода.

Рис.1: Тестовый пример классификации нейронных спайков различными методами: (а) гистограмма вычисленных характеристик спайков для метода анализа главных компонент, (б) гистограмма для стандартного метода классификации на основе вейвлет-анализа; (в) гистограмма для предложенного параметрического метода.

Несмотря на то, что в работе рассматриваются сигналы типа одиночного импульса (что обусловлено проблематикой изучения динамики нейронных сетей и процессов кодирования информации малыми ансамблями нейронов), сама идеология решения задачи распознавания не изменится, если выбрать сигналы другой формы. Все теоретические рассуждения и выкладки применительно к рекомендациям для решения проблемы автоматической идентификации останутся аналогичными. В связи с этим предлагаемый метод распознавания сигналов при наличии помех имеет более широкую область возможного применения.

Во второй главе обсуждается возможность решения задачи автоматической идентификации сигналов импульсного типа на основе комбинированного алгоритма, предусматривающего совместное применение техники нейронных сетей как известного метода распознавания образов и вейвлет-анализа, позволяющего эффективно решать проблему «обучения» нейронной сети.

Предложенный в первой главе диссертационной работы метод параметрического вейвлет-анализа с адаптивной фильтрацией позволяет эффективно решать задачи автоматического распознавания сигналов и обеспечивает малую ошибку их идентификации по сравнению с широко используемыми подходами, например, анализом главных компонент. Однако этот метод также не лишен недостатков — он предполагает длительную процедуру поиска оптимальных характеристик для распознавания форм сигналов. Такой подход действительно способен значительно улучшить качество решения проблемы распознавания близких по форме сигналов при наличии сильных помех, но за это приходится «расплачиваться» временем вычисления.

Альтернативный метод решения задач автоматического распознавания сигналов может быть основан на использовании искусственных нейронных сетей, которые наряду с вейвлетами находят многочисленные применения в самых разных областях естествознания. В диссертации представлены общие сведения об искусственных нейронных сетях и о задачах, которые решаются с их помощью. Отмечается, что отличительной особенностью нейронных сетей как математического метода обработки информации является наличие алгоритма обучения. Далее обсуждается архитектура и классификация искусственных нейронных сетей, кратко отмечаются особенности однослойных, многослойных сетей, а также сетей с обратными связями.

Представлен комбинированный алгоритм автоматического распознавания сигналов на основе совместного применения нейронных сетей и дискретного вейвлет-преобразования. Последнее может служить прекрасным инструментом для выявления особенностей в формах импульсных сигналов (на этапе предварительной обработки), после чего эта информации передается для дальнейшего анализа в нейронную сеть, которая позволяет решать задачу более качественного распознавания образов. Если на вход некоторой многослойной нейронной сети с прямым распространением подаются данные, содержащие набор характерных признаков анализируемых образов, то при наличии обучающей информации нейронная сеть будет в состоянии провести сортировку этих данных.

При этом можно выделить несколько этапов обработки временных рядов: 1) использование порогового метода для выделения импульсов, которые необходимо отсортировать; 2) проведение предварительной идентификации методом анализа главных компонент или методом дискретного вейвлет-анализа, получение картины кластеризации в пространстве характеристик; 3) нахождение областей с повышенной плотностью точек в обнаруженных кластерах, получение форм импульсов, соответствующих данным точкам (они в меньшей степени подвержены искажениям); 4) проведение вейвлет-преобразования выделенных импульсов, получение набора вейвлет-коэффициентов; 5) использование полученных коэффициентов в качестве обучающей выборки для нейронной сети; 6) проведение вейвлет-преобразования всех импульсов, анализ экспериментальных данных обученной сетью.

Таким образом, в качестве обучающей выборки для нейронной сети служат импульсные сигналы, принадлежащие центральной части разных кластеров, полученных другими методами автоматической идентификации, такими как анализ главных компонент или стандартный вейвлет-анализ. В качестве эталонных значений на выходе сети используются векторы координат пространства характеристик. Предложенный метод совместного использования вейвлет-анализа и нейронных сетей за счет индивидуального подхода к конкретной задаче позволяет уменьшить ошибку идентификации, то есть увеличить расстояние между кластерами. Индивидуальность подхода достигается благодаря тому, что обучение нейронной сети происходит на выборке, содержащей сигналы непосредственно из экспериментальных данных, представленных для анализа.

На тестовых примерах и в ходе анализа экспериментальных данных продемонстрирована эффективность предложенного метода при решении задачи автоматического распознавания импульсных сигналов (рис. 2).

а

б

Рис.2: Картина кластеризации при применении стандартного метода классификации на основе вейвлет-анализа (а) и совместного метода вейвлет-анализа и нейронных сетей (б) для реальных экспериментальных данных.

Исследована зависимость ошибки идентификации метода от центральной частоты присутствующих флуктуаций. При этом установлена слабая зависимость данного алгоритма от статистики фонового шума по сравнению с другими подходами (анализ главных компонент, стандартный вейвлет-анализ). Продемонстрировано, что метод совместного применения вейвлет-преобразования и техники искусственных нейронных сетей позволяет уменьшить ошибку идентификации отмеченных стандартных подходов. Этот метод может быть распространен для применения в решении задач распознавания сигналов различной формы при наличии сильных помех.

В третьей главе рассматривается задача исследования структуры точечных процессов с помощью непрерывного вейвлет-преобразования. На примере генерируемого нейронами информационного кода обсуждается проблема анализа нестационарного отклика на периодическое внешнее воздействие.

В первых двух главах диссертационной работы обсуждалась проблема автоматической идентификации сигналов импульсного типа, в частности, позволяющая решать задачи предварительного анализа процессов кодирования информации в малых нейронных сетях. После решения таких задач исследователи имеют возможность проводить обработку информационного кода, генерируемого отдельным нейроном, который представляет собой реализацию случайного точечного процесса.

Так как при рассмотрении точечных процессов вся необходимая информация заключается лишь в последовательности времен t1,t2,...,tN, можно существенно упростить анализируемый сигнал, перейдя к его представлению в виде последовательности -функций, соответствующих этим временам. Это обеспечивает возможность аналитического вычисления непрерывного вейвлет-преобразования. Вейвлет-анализ предоставляет возможность проведения частотно-временного исследования структуры анализируемого процесса, причем, даже в случае быстрых изменений мгновенных характеристик.

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»