Адаптивные методы анализа зашумленных нестационарных сигналов на основе вейвлет-преобразования и алгоритма искусственных нейронных сетей

• Автор: Назимов, Алексей Игоревич
• Шифр специальности: 01.04.03
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Саратов
• Количество страниц: 162 с. : ил.

Содержание
Введение
1 Современные методы анализа сигналов и экспериментальных измерении
1.1 Анализ главных компонент
1.2 Преобразование Ф> рье
1.3 Непрерывный вейвлет-анализ
1.4 Искусе і венные нейронные сети
1.5 Применение венвлеі-функций в технике искусственных нейронных сеіей
2 Рсзулыапл решения задачи классификации зашумленных импульсных сигналов с использованием алгоритма искуссівснньїх нейронных СС1 ей
2.1 Алгорнім іесювой классификации
2.1.1 Функция О «солитоноподобного» импульса
2.1.2 1 Іорої оная пдешификация коротких импульсных сигналов.
Схема алюритма ісстовой классификации
2.1.3 Применение анализа главных компонент в классификации коротких импульсных сигналов
2.2 Алшпшшые алі ори і мы на основе искусственных нейронных
сечей и вийвлег-фуикций
2.2.1 Адапшвпын непрерывный вейвлет-анализ
2.2.2 Мвої ослойные нейронные сети
2.2.3 Применение вейвлет-функций в алгоритме нейронных сеіей.
Алі оритм последовательных коррекций
2.3 Резулыапл анализа тесювых данных на основе нсйроссчевых алгоршмов
3 . Результаты экспериментальных исследований применения
аданшвных меюдов в анализе сигналов
3.1 Идсншфнкшшн оеиилляюрных паттернов на
элокзро л шефа.ЮІ рамме
3.2 Анализ динамики сосудов мозга в ошической когерентной томографии
3.3 Нсйросеювыс алгоршмы для передачи информации
в защищенном режиме
Заключение
Список сокращений и условных обозначений
Список лиіераіурьі

Введение
Актуальное і ь исследуемом проблемы
Одними из первых методов адаптивной обработки сигналов в радиофизике можно считать фильтрацию с автоматически подстраиваемой частотной характеристикой [1,2]. Подобные технические нововведения используются до сих пор в различных системах обработки аналоговых сигналов. Способы цифрового анализа сигналов [3-7] активно совершенствуются с середины прошлого века, и на сегодняшний день данное направление существенно потеснило технику аналоговой обработки сигналов [1]. Методы цифровой обработки сигналов прошли длительный путь совершено і новация от интегралов «королевства Фурье» [8,9] до теории вейвлетов [9,10], включая методы адаптивного спектрального анализа, технику искусственных нейронных сетей [11,12] и многое другое [13]. Появление более мощных вычислительных машин привело к тому, что область радиофизики, связанная с анализом сигналов, нашла широчайшее применение в разных сферах от экономики [14] до экологии [15], охватывая биофизику и медицинскую физику. Современные микропроцессорные устройства по своим размерам в сотни и тысячи раз более компактны по сравнению со своими аналогами полувековой давности. Миниатюризация микропроцессоров позволяет из любого технического средства, помещающегося на ладони, сделать цифровое измерительное устройство, способное проводить регистрацию нужных величин, анализировать динамику, а также, по возможности, делать прогнозы на некоторое время вперед. Безусловно, все подобные результаты рассчитываются на основе как адаптивных, так и автоматических алгоритмов цифровой обработки сигналов и регистрируемых данных [16,17].
В последнее десятилетие среди методов анализа сигналов стали все чаще появляться подходы, в которых находят свое применение адаптивные алгоритмы.

Отмечается, что к ряде случаен их эффективность существенно выше по сравнению с автоматической обработкой. Наибольшую научно-практическую ценность применения таких алгоритмов представляет направление прикладных исследований из областей биофизики и медицинской физики [18]. Рассматривается большой спектр проблем от анализа динамики клеток различных тканей живого организма до построения систем обработки диагностических данных. В рамках проведения исследований мы уделили внимание такой проблеме из области биофизики, как анализ активности нейронных клеток нервных тканей. Динамическая активность нейронов может быть зафиксирована па основе измерения разности электрических потенциалов на мембране [19]. При этом микроэлектрод, помещаемый в межклеточное пространство, будет фиксировать сигналы от других нейронов как от дополнительных источников электрического поля, которые в силу морфологии нервной ткани могут располагаться па близком расстоянии. Очевидно, для того чтобы оценить активность и динамические особенности функционирования исследуемой нейронной клетки, нужно решить задачу идентификации и классификации импульсов, генерируемых дайной клеткой, отфильтровав при этом активность фоновых источников электрического поля. Проработка как методов автоматической, так п адаптивной классификации коротких импульсных сигналов в присутствии аддитивных фоновых помех представлена в работах [20-22]. Однако до сих пор не были подробно изучены проблемы адаптивного анализа коротких зашумленных импульсов в зависимости от параметров источников фоновых помех. Детальное рассмотрение данной проблемы позволило бы обобщить ранее полученные результаты, рассчитать эффективность использования алгоритмов идентификации и классификации и проработать применение новых адаптивных подходов, которые могут быть существенно эффективнее автоматических аналогов.
Актуальность создания адаптивных методов анализа сигналов заключается в том, что их алгоритм не имеет строго направленного применения. Гибкость настройки параметров позволяет засчст проведения стадии адаптации решать самые разные задачи, связанные со спектральным анализом, фильтрацией, идентифика-

дсния обратного преобразования исследуемого сигнала по его Фурье-образу. Осуществляется данная процедура па основе выражения (1.8).
Преобразование Фурье довольно широко используется в цифровом анализе сигналов п изображении. При анализе длительных фрагментов используются алгоритмы на основе быстрого преобразования Фурье [9], так как простые численные методы [104.1051 расчета выражений (1.5) - (1.8) становятся малоэффективными и требуют больших вычислительных мощностей. При построении систем цифрового анализа данных очень часто исследователи сталкиваются с необходимостью спектрального исследования изучаемых процессов. В большинстве таких случаев, как показывает опыт, без использования преобразования Фурье обойтись крайне сложно. Рассмотрим наиболее часто встречающиеся задачи в обработке сигналов [3].
Расчет спектров. Па практике задачи по расчету спектров исследуемой временной зависимости физической величины встречаются очень часто. При этом применяется вышеописанный метод па основе (1.6) или один из методов, рассмотренных в работах [9]. Расчет соотношения «шум-сигнал». Соотношение «шум-сигнал» является очень важной характеристикой в спектральных исследованиях, особенно в области радиофизики и радиотехники [1]. По сути эго основной параметр, значение которого показывает уровень шумового искажения сигнала, подлежащего интерпретации или обработке внутри разрабатываемой системы. Соотношение «шум-сигнал» удобно рассчитывать на основе теоремы Парсеваля [40] , если при этом имеемся сигнал, который хорошо соответствует шумовому сигналу, аддитивно добавленному к информационному сигналу. В этом случае спектральная энергия может быть получена как величина, пропорциональная интегралу от квадрата модуля сигнала (1.7). В остальных случаях необходимо производить расчет в соответствии с (1.6) и последующим интегрированием тех фрагментов спектральной плотности, которые соответствуют спектру шума. Интегрирование (1.7) но соотвеютвуюшнм областям определяет спектральные энергии шума
(1.8)