Исследование и разработка диагностики состояния радиотехнической системы в рабочем режиме

• Автор: Сидько, Иван Владимирович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Таганрог
• Количество страниц: 172 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ

1. АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ ДИАГНОСТИКИ СОСТОЯНИЯ

РАДИОТЕХНИЧЕЧСКОЙ СИСТЕМЫ БЕЗ ОТКЛЮЧЕНИЯ ИЗ

РАБОЧЕГО РЕЖИМА.

1.1. Изпсстнмс методы диагностики состояния, параметрическое

оценивание

1.2. Модели сигналов используемых при диагностических исследованиях

для предварительного обучения системы диагностики

1.3. Анализ методов теории распознавания образов, применяемых для

решения задач диагностики

1.4. Методы распознавания, основанные на теории статистических решений
Выводы но материалам первой главы
2. ПОСТАНОВКА ЗАДАЧИ ДИАГНОСТИКИ И АНАЛИЗ СТРУКТУРЫ РАДИОТЕХНИЧЕСКОЙ СИСТЕМЫ.
2.1. Постановка задачи диагностики
2.2. Анализ структуры радиотехнической системы с учтом системы
диагностики ее состояния
2.3. Рассмотрение методики оценивания параметров системы
диагностики
2.4. Вопросы оптимизации прсмсниых и пространственных параметров
диагностической системы
Выводы по материалам второй главы
3. РАЗРАБОТКА АЛГОРИТМОВ ПАРАМЕТРИЧЕСКОГО
РАСПОЗНАВАНИЯ СОСТОЯНИЯ РАДИОТЕХНИЧЕСКОЙ СИСТЕМЫ.
3.1. Формирование моделей сигналов различных классов для оценки
значении признаков каждого класса
3.2. Выбор вектора признаков для распознавания состояния системы
3.3. Выбор и обоснование разделяющих поверхностей и решающих
правил
3.4. Исследование влияния размерности вектора признаков на
эффективность классификации
Выводы по материалам третьей главы
1. ИССЛЕДОВАНИЕ АЛГОРИТМОВ ПАРАМЕТРИЧЕСКОЙ
КЛАССИФИКАЦИИ С ЦЕЛЬЮ ДИАГНОСТИКИ СОСТОЯНИЯ
СИСТЕМЫ.
4.1. Методы моделирования устройств обработки сигналов
4.2. Моделирование работы системы диагностики
4.3. Моделирование алгоритмов параметрического распознавания
4.4. Сравнительный анализ показателей качества алгоритмов
параметрической классификации
4.5. Оценка статистической погрешности результатов моделирования
4.6. Определение вероятности ошибок по классам
Выводы по материалам четвертой главы 1
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


В связи с этим усложняются естественные и искусственные сигналы как переносчики информации о процессах и системах. Особенно резко возрастает сложность человеко-машинных информационных и управляющих систем, играющих все более важную роль в производстве, разработках и исследованиях. Следует отметить, что усложнение функций информационных и управляющих систем, улучшение их качественных характеристик должно производиться наиболее экономным образом, в соответствии с общим направлением развития общества (страны) [I]. В связи с этим все более актуальной становится задача оптимизации систем управления и информационных систем и, следовательно, задача оптимального построения моделей управляющих сигналов в системах. В частности, возникает необходимость в разработке простых, эффективных и достаточно надежных методов диагностики (распознавания) объектов и систем по текущей информации о выходных сигналах. Обзор имеющихся публикаций показывает, что к настоящему времени предложено довольно большое число методов диагностики сигналов и образов. Определение текущих значений параметров объектов требует в большинстве случаев множества косвенных измерений и последующей, их обработки. При достаточно большом числе параметров объем вычислений велик, а сам процесс • обработки настолько громоздок, что даже применение средств вычислительной техники не позволяет существенно уменьшить неизбежные потери времени на обработку исходной информации, исключая тем самым возможность получения результатов контроля в реальном масштабе времени. При разработке диагностических систем указанное затруднение стараются обойти путем упрощения вычислительных операций, либо ограничением числа контролируемых параметров, либо использованием для вычислений приближенных зависимостей вместо точных формальных выражений, связывающих величины косвенных измерений с параметрами объекта. И в том и в другом случаях вносится элемент неопределенности в процесс диагностирования, что снижает достоверность диагностики и приводит к существенным экономическим потерям. Из сказанного следует, что при решении задач диагностирования выходных сигналов функциональных систем основной задачей является выбор такого метода диагностики, который позволил бы получать достоверные результаты при достаточно простой технической реализации. Несмотря на несомненную актуальность проблемы диагностирования (распознавания) сигналов, имеется относительно небольшое (по сравнению с распознаванием геометрических фигур) число работ, посвященных этому вопросу. В основу большинства известных исследований положены методы теории статистических решении при изучении многомерных- векторов преобразованных сигналов. Из анализа литературных источников можно заключить, что рассмотренные непараметрические методы (гистограммаый, К-ближайших соседей, полигональный, Парзеновского ядра и др. Прн произвольных (в том числе и малых) размерах выборок эта точность (достоверность диагностирования) становится недопустимо низкой. Учитывая, что оценки вероятностей ошибок диагностирования для непараметрических методов, как правило, отсутствуют, следует заключить, что непараметрическое диагностирование (распознавание) находится еще в начале своего развития [2, 3, 4,5]. Значительно дальше продвинулось параметрическое диагностирование, где разработаны процедуры обучения, принятия решения и понижения размерности признакового пространства. Однако оценки вероятностей ошибок, получающихся при параметрическом диагностировании, являются асимптотическими, то есть справедливыми в редко встречающихся случаях неограниченного возрастания объема обучающих выборок. Подавляющее большинство результатов получено только для двухальтернативного диагностирования, тогда как многие практические задачи принципиально являются многоальтернативными. Из-за отсутствия оценок вероятностей ошибок или их асимптотического характера в существующих работах мало внимания уделено важной проблеме построения систем статистического диагностирования, а именно, проблеме оптимизации временных и пространственных параметров систем при заданном уровне достоверности диагностирования.