WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 ||

Для определения устойчивости в шуму и эффекту Доплера проводятся исследования вероятности ошибки детектирования предлагаемым методом в зависимости от отношения сигнал/шум при различных смешениях несущей частоты относительно известного значения. Полученные значения вероятностей ошибки детектирования сравниваются со значениями, полученными при детектировании стандартным методом по выходным сигналам схемы Костаса (рис. 3). Исследуется поведение вероятности ошибки предлагаемого метода детектирования при расширении обучающей выборки сигналами с различными несущими частотами. Исследуется влияние ширины частотной полосы приёмника на эффективность детектирования.

В дополнение к схеме детектирования фазоманипулированных сигналов в главе предлагается подобная схема для детектирования частотно-манипулированных (ЧМ) сигналов. Проводятся исследования Рис. 3. Зависимости вероятности ошибки детектирования ФМ4 сигналов от отношения сигнал/шум. 1 – f0=0; 2 – f0=0,5 кГц; 3 – f0=1 кГц; 4 – схема Костаса. ОСШ – отношение сигнал/шум, Pe – вероятность символьной ошибки устойчивости предложенной схемы к аддитивным шумам и сдвигу несущей частоты относительно известного значения. Приведены результаты сравнения эффективностей детектирования ЧМ сигналов предлагаемым и стандартным методами.

В главе предлагается основанный на ИНС метод одновременного обнаружения и детектирования модулированных сигналов. Схема предлагаемого метода представлена на рис. 2. Метод рассматривается на примере обнаружения и детектирования четырехпозиционного фазоманипулированного сигнала (ФМ4). Исследуется влияние шума в канале передачи и зашумлённости обучающей выборки на вероятность ошибки обнаружения при помощи предлагаемого метода.

В заключении главы приведены основные результаты, относящиеся к применению предлагаемых нейросетевых методов к задачам обнаружения и детектирования сигналов с угловыми видами модуляции.

Четвёртая глава посвящена программной реализации и экспериментальной проверке на реальных сигналах предлагаемых нейросетевых методов обработки. Описана эффективная реализация нейросетевых алгоритмов для последовательной вычислительной машины.

Предложен метод быстрого обучения, неявно минимизирующий энтропию ошибки. Приведены результаты статистических экспериментов по определению времени обучения предлагаемым способом при различных Рис. 4. Зависимости вероятности ошибки детектирования сигналов ЧМ2 от отношения сигнал/шум. 1 – по результатам моделирования, 2 – по результатам эксперимента условиях. Приведены результаты экспериментов по обнаружению и детектированию узкополосных модулированных сигналов действующей системы связи. Вероятности ошибок, полученные в результате экспериментов, близки к вероятностям, полученным при моделировании (рис. 4). Данный результат подтверждает справедливость выводов моделирования и практическую применимость разработанных методов.

В заключении сведены основные результаты диссертационного исследования и выводы по работе в целом.

В приложении приведена процедура Дурбина для рекурсивного вычисления коэффициентов линейного предсказания.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ Основные результаты диссертационного исследования заключены в следующем:

• Разработан и реализован универсальный алгоритм обучения ИНС.

Основу алгоритма составляет информационный критерий энтропии ошибки. Использование информационного критерия позволяет повысить вероятность правильного детектирования, повысить устойчивость методов к изменению параметров, повысить скорость обучения.

• Разработан метод детектирования фонем на основе нейросетевого классификатора. Фонемы распознаются в составе слов, при этом предложенный метод обучения ИНС позволяет избежать сегментирования речевых сигналов и тем самым освобождает систему распознавания от ошибок, связанных с неточной ручной или автоматической сегментацией. Проведён анализ пространств признаков, образуемых различными способами параметризации.

Исследовано влияния размеров ИНС и способа параметризации на эффективность детектирования фонем.

• Разработаны нейросетевые методы обнаружения и некогерентного детектирования сигналов с угловыми видами модуляции. В основе предлагаемых методов лежит общая схема обработки сигналов, что делает возможным постороение обобщённой аппаратной системы, настраиваемой на конкретную задачу обнаружения или детектирования ФМ или ЧМ сигналов путём загрузки весовых коэффициентов нейронной сети.

• Предложенные методы детектирования исследованы в условиях узкой спектральной полосы, аддитивных шумов и отклонения несущей частоты от известного значения. Результаты компьютерного моделирования показывают, что предлагаемые методы обладают не худшей (для ЧМ сигналов) или лучшей (для ФМ сигналов) устойчивостью к шуму по сравнению со стандартными методами. Полученные при моделировании показатели подтверждены экспериментально путём обнаружения и детектирования реальных ФМ и ЧМ сигналов.

• Важным свойством разработанных методов обработки является отсутствие необходимости синхронизации, присущей схемам автоподстройки. Предложенные в работе методы цифровой обработки сигналов обучаются на реализациях обрабатываемых сигналов, поэтому не требуют априорного определения моделей и введения предположений о линейности, стационарности и гауссовости.

СПИСОК РАБОТ ПО ДИССЕРТАЦИИ Основное содержание диссертационной работы отражено в следующих публикациях:

1. Овчинников, П.Е. Разработка классификатора звуков на базе нейронной сети. / П.Е. Овчинников // Научная студенческая конференция физического факультета ННГУ: Тез. докл. – Н.

Новгород: Нижегородский университет им. Н.И. Лобачевского, 2004. – С. 13.

2. Овчинников, П.Е. Ускорение обучения многослойного персептрона в задаче классификации фонем / П.Е. Овчинников, Ю.А. Сёмин // Проблемы нейрокибернетики (материалы 14-ой Международной конференции по нейрокибернетике). – Ростовна-Дону, 2005. – Т. 2. – С. 128-132.

3. Морозов, О.А. Детектирование фазоманипулированного сигнала с применением искусственной нейронной сети / О.А. Морозов, П.Е. Овчинников, Ю.А. Сёмин // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия «Радиофизика».

Выпуск 1(3). – ННГУ, 2005. – С. 143-147.

4. Ovchinnikov, P.E. Multilayer Perceptron Training without Word Segmentation for Phoneme Recognition / P.E. Ovchinnikov, Yu.A Semin // Optical Memory & Neural Networks (Information Optics).

– 2005. – V. 14, № 4. – P. 245-248.

5. Морозов, О.А. Применение искусственной нейронной сети для декодирования ФМ-сигналов / О.А. Морозов, П.Е. Овчинников // Электроника и информатика–2005. Тезисы доклада V Межд.

Науч.-техн. конф. – Зеленоград, МИЭТ, 2005. – Ч.2. – С. 19.

6. Овчинников, П.Е. Влияние предварительной обработки данных на качество распознавания звуков нейронной сетью / П.Е.

Овчинников, Ю.А. Сёмин // Информационные системы и технологии ИСТ-2005. Тезисы докладов всероссийской научнотехнической конференции. – Нижегородский государственный технический университет, 2005. – С. 129.

7. Овчинников, П.Е. Обучение персептрона без сегментации слов из обучающей выборки в задаче распознавания звуков / П.Е.

Овчинников, Ю.А. Сёмин // Научная сессия МИФИ-2006. VIII Всероссийская научно-техническая конференция «Нейроинформатика-2006» Сборник научных трудов. В 3-ч частях. Ч.3. – М.: МИФИ, 2006. – С. 212-216.

8. Овчинников, П.Е. Обучение персептрона по транскрипции в задаче распознавания звуков / П.Е. Овчинников, Ю.А. Сёмин // Информационные системы и технологии ИСТ-2006. Тезисы докладов международной научно-технической конференции. – Нижегородский государственный технический университет, 2006. – С. 167.

9. Овчинников, П.Е. Сравнение методов параметризации речевых сигналов для задачи распознавания фонем / П.Е. Овчинников // (Десятая) Научная конференция по радиофизике, посвященная 90–летию ННГУ и 100-летию со дня рождения Г.С. Горелика.

Труды конференции. – ННГУ, 2006.

10. Овчинников, П.Е. Влияние способа параметризации звукового сигнала на эффективность распознавания фонем персептроном / П.Е. Овчинников, Ю.А. Сёмин // Известия ВУЗов. Радиофизика.

– 2007. Т. 50, № 4. – С. 350-356.

11. Морозов, О.А. Метод декодирования фазоманипулированных сигналов по комплексной огибающей на основе искусственной нейронной сети / О.А. Морозов, П.Е. Овчинников // Радиотехника и электроника. – 2007. Т. 52, № 11. – С. 13711375.

12. Морозов, О.А. Нейросетевое детектирование фазоманипулированного сигнала по фазовой линии / О.А.

Морозов, П.Е. Овчинников, Ю.А. Сёмин // Вестник Нижегородского университета им. Н.И. Лобачевского. – ННГУ, 2007, № 3. – С. 67-70.

13. Овчинников, П.Е. Сравнение методов параметризации речевых сигналов для задачи нейросетевого распознавания фонем / П.Е. Овчинников, Ю.А. Сёмин // Искусственный интеллект.

Интеллектуальные системы: Материалы Восьмой Международной научно-технической конференции. – Донецк, 2007. – С. 131-134.

14. Овчинников, П.Е. Нейросетевое сравнение методов параметризации речевых сигналов для задачи распознавания фонем / П.Е. Овчинников, Ю.А. Сёмин // Научная сессия МИФИ-2007. VIII Всероссийская научно-техническая конференция «Нейроинформатика-2007» Сборник научных трудов. В 3-ч частях. Ч.1. – М.: МИФИ, 2007. – С. 110-114.

15. Овчинников, П.Е. Влияние размера сети на эффективность нейросетевого детектирования фазоманипулированных сигналов / П.Е. Овчинников // Труды Российского научнотехнического общества радиотехники, электроники и связи имени А.С. Попова. Серия: Цифровая обработка сигналов и её применение. Выпуск: IX-2. – Москва, 2007. – С. 563-566.

16. Морозов, О.А. Зависимость эффективности нейросетевого детектирования фазоманипулированных сигналов от размера сети / О.А. Морозов, П.Е. Овчинников // “Радиоэлектроника, электротехника и энергетика”. Тринадцатая Международная научно-техническая конференция студентов и аспирантов. 1-марта 2007 г.: Тезисы докладов в 3-х томах. – М.: Издательский дом МЭИ, 2007. – Т.1. – С. 133-134.

17. Morozov, O. Detecting of PSK Signals by Complex Envelope based on Neural Network Approach / O. Morozov, P. Ovchinnikov // Proceedings of the Fourth IASTED International Conference on Signal Processing Pattern Recognition and Applications. – Calgary:

ACTA Press, 2007. – P. 136-139.

18. Морозов, О.А. Влияние способа параметризации на эффективность нейросетевого детектирования фазоманипулированных сигналов / О.А. Морозов, П.Е.

Овчинников, Ю.А. Сёмин // Труды XI научной конференции по радиофизике, посвящённой 105-летию со дня рождения М.Т.

Греховой /Под ред. А.В. Кудрина, А.В. Якимова. – Н. Новгород:

Изд-во Нижегородского госуниверситета, 2007. – С. 220-221.

19. Овчинников, П.Е., Нейросетевое детектирование сигналов с частотной манипуляцией / П.Е. Овчинников, М.Ю. Семёнова // Научная сессия МИФИ – 2008. X Всероссийская научнотехническая конференция «Нейроинформатика-2008» Сборник научных трудов. В 2-ч частях. Ч.1. – М.: МИФИ, 2008. – С. 1825.

20. Морозов, О.А. Обнаружение фазоманипулированных сигналов при помощи искусственных нейронных сетей / О.А. Морозов, П.Е. Овчинников // Труды Российского научно-технического общества радиотехники, электроники и связи имени А.С.

Попова. Серия: Цифровая обработка сигналов и её применение.

Выпуск: X-2. – Москва, 2008. – С. 677-679.

21. Morozov, O. Neural Network Detection and Decoding of PSK Signals / O. Morozov, P. Ovchinnikov // Proceedings of the 3rd International Symposium on Communications, Control and Signal Processing (ISCCSP 2008). – 2008. – P. 292-294.

ОГЛАВЛЕНИЕ ДИССЕРТАЦИИ Введение Глава 1. Применение ИНС в задачах обработки сигналов (литературный обзор) 1.1. ИНС, основные понятия 1.2. Классификация образов при помощи ИНС 1.3. Приложения ИНС в задачах обработки сигналов 1.4. Выводы Глава 2. Применение ИНС в задаче детектирования фонем без сегментирования речевого сигнала 2.1. Определение размеров нейросетевого классификатора 2.2. Формирование набора параметров сигнала для распознавания фонем 2.3. Влияние способа параметризации на эффективность распознавания 2.4. Анализ пространств признаков речевого сигнала 2.5. Распознавание фонем без сегментирования речевого сигнала 2.6. Выводы Глава 3. Применение ИНС в задачах обнаружения и детектирования модулированных сигналов в условиях непостоянства параметров 3.1. Детектирование фазоманипулированных сигналов 3.2. Детектирование частотно-манипулированных сигналов 3.3. Обнаружение фазоманипулированных сигналов 3.4. Выводы Глава 4. Реализация нейросетевых алгоритмов и эксперимент на реальных сигналах 4.1. Реализация нейросетевых алгоритмов обработки сигналов 4.2.

Pages:     | 1 ||






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