Алгоритмический подход к совершенствованию ИИС на основе новых моделей представления сигналов

• Автор: Панов, Алексей Павлович
• Шифр специальности: 05.11.16, 05.11.01
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Пенза
• Количество страниц: 192 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1. ПРОБЛЕМЫ СОВЕРШЕНСТВОВАНИЯ ИНФОРМАЦИОННОИЗМЕРИТЕЛЬНЫХ СИСТЕМ 1О

1.1. Принципы построения систем на основе измерительного эксперимента

1.2. Роль информационных сигналов ИИС.

1.3. Применение методов дискретизации в ИИС.

1.3.1. Критерии выбора шага дискретизации

1.3.2. Адаптивная дискретизация

1.4. Развитие метода адаптивной дискретизации на основе квантового критерия

1.5. Применение статистических и корреляционноспектральных характеристик сигнала в системах диагностики и контроля .

1.6. Подходы к сжатию данных для каналов передачи ИИС.

1.7. Алгоритмический подход к совершенствованию преобразователей
1.8. Постановка задачи исследований
1.9. Выводы .
2. СОВЕРШЕНСТВОВАНИЕ ПРЕОБРАЗОВАТЕЛЕЙ ИНФОРМАЦИИ ИИС
2.1. Совершенствование каналов передачи информации на основе адаптивного сжатия
2.1.1. Алгоритм сжатиявосстановления .
2.1.2. Схемная реализация алгоритма.
2.2. Совершенствование АЦП параллельного действия .
2.2.1. Обоснование адаптивной дискретизации
2.2.2. Схемная реализация метода адаптивной дискретизации
2.2.3. Оценка распределения случайного сигнала при дискретизации по уровню квантовании по времени. ..
2.3. Измерительный преобразователь на основе алгоритмического подхода
2.4. Выводы .
з МОДЕЛИРОВАНИЕ ИИС.
3.1. Задачи моделирования ИИС
3.2. Особенности моделирования объекта исследования и датчиков.
3.2.1. Принцип моделирования сигналов с заданными свойствами.
3.2.2. Моделирование датчиков и измерительных цепей.
3.2.3. Моделирование датчиков в среде Есопсб V
3.2.4. Математические и электромеханические модели датчика
3.2.5. Универсальный подход к моделированию
3.3. Моделирование аналогоцифрового преобразователя
3.3.1. Модель квантователя.
3.3.2. Модель дискретизатора
3.3.3. Обобщенная модель АЦП .
3.4. Моделирование виртуальной ИИС
3.4.1. Особенности моделирования ИИС в среде 1Эе1рЫ .
3.4.2. Структура программного обеспечения
3.4.3. Описание программного продукта
3.4.4. Результаты исследования виртуальной ИИС
3.5. Выводы .
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


В виртуальных средствах измерения принята двухэтапная оценка погрешностей: измерительного тракта; алгоритма обработки []. Подробно рассмотрим дискретизацию сигналов, т. Сигнал - это материальный носитель информации [8,9]. Следовательно, объект измерения (физический объект) в системе отображается реально существующим входным сигналом средства измерения - процессом Д/), характеризующимся в общем случае рядом изменяющихся во времени величин, которые принято называть параметрами данного физического процесса или сигнала. В зависимости от закономерностей формирования все сигналы датчика, отражающие физические процессы или явления, можно классифицировать как детерминированные и недетерминированные или случайные. В практике измерения, как правило, большинство сигналов носит случайный характер. Однако очевидно, что во многих случаях невозможно точно отнести реальный сигнал к одному из указанных типов. В любую систему информация поступает в виде сигналов. Различные параметры физических процессов с помощью датчиков обычно преобразуются в электрические сигналы, которые, как правило, преобразуются в дискретные. С этой целью каждый непрерывный сигнал подвергается операциям квантования по времени (дискретизация) и по уровню. Эти операции, как правило, осуществляются в специальных устройствах, которые называются аналого-цифровыми преобразователями (АЦП), и являются операциями аналого-цифровых преобразований [7, 8, ]. Рассмотрим вопросы дискретизации, т. ИИС. Например, вопрос адаптивной дискретизации остается актуальным, т. При дискретизации сигналов приходится решать вопрос о том, как часто следует производить отсчеты функции, т. Д/, = - 4_1. Оптимальной является - такая дискретизация, которая обеспечивает представление исходного сигнала с заданной точностью при минимальном количестве выборок. Будем подробно рассматривать этот этап еще и потому, что мы хотим «привязать» дискретизацию к последующей обработке и найти, а точнее использовать, такую форму представления дискретных данных, которая будет оптимальной, например, для задач спектрального оценивания или статистического анализа, наиболее часто применяемых в таких системах. Сейчас довольно часто пытаются привязать дискретизацию и, соответственно, аналого-цифровое преобразование, к последующей обработке. Например, применение теоретико-числовых преобразований эффективно лишь в том случае, если в АЦП используется кодирование в системе остаточных классов []. Методы дискретизации и восстановления сигналов можно разделить на несколько групп в зависимости от различных признаков классификации Пример классификации из [6] приведен на рисунке 1. Ясно, что только адаптивная дискретизация может быть положена в основу современных ИИС. Существует много подходов адаптации шага дискретизации к исследуемому процессу [,-, ]. Однако почти всегда затем процесс восстанавливают с равномерным шагом и, фактически, возможность восстановления и является критерием для выбора шага (см. Основные критерии точности восстановления приведены в таблице 1. Задачи восстановления дискретизированных сигналов в общем случае аналогичны задачам интерполирования функций. Рисунок 1. В качестве базисной функции часто используют ортогональные системы, а именно - Фурье, Уолша, Бесселя, Хаара, Чебышева, Лежандра и др. Кроме того, для восстановления применяют интерполяционные алгебраические полиномы fix) = а0 + ах + а2х2 +. Наиболее известными являются полином Лагранжа [-] и его разновидности - интерполяционные формулы Ньютона, Гаусса, Бесселя, Стирлинга, Эферетта, сплайн-функции и др. По принципу приближения можно выделить три группы методов: интерполяционные; экстраполяционные; комбинированные. Экстраполяционные методы могут использоваться в управляющих системах, которые работают в реальном времени, но для обработки сигналов более эффективны интерполяционные методы (с задержкой сигнала на интервал интерполяции), обеспечивающие меньшую избыточность отсчетов по сравнению с эстраполяционными методами. Комбинированные методы обладают рядом положительных качеств, присущих как интерполяционным, так и экстраполяционным методам.