автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Базовые средства идентификации источников инфранизкочастотных сигналов в системах анализа фоно-целевой обстановки

ОДЕССКИЙ ГОСУДАРСТВЕННЫЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

На правах рукописи

ДРАНКОВА Алла Олеговна

УДК 621. 383: 396. 9: 534. 87

БАЗОВЫЕ СРЕДСТВА ИДЕНТИФИКАЦИИ ИСТОЧНИКОВ ИНФРАНИЗКОЧАСТОТНЫХ СИГНАЛОВ В СИСТЕМАХ АНАЛИЗА ФОНО-ЦЕЛЕВОЙ ОБСТАНОВКИ

/

Специальность 05.13.О^г - " Автоматизированные системы управления и системы обработки информации", 05.12.21. - "Радиотехнические системы специального назначения, включая технику СВЧ, и технология их производства"

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Одесса - 1997

Диссертация является рукописью.

Работа выполнена в Одесском государственном политехническом университете на кафедре "Антенно-фидерные и СВЧ устройства" и в научно-исследовательском центре информационных технологий HAH Украины при ОГПУ.

Научный руководитель:

Научный консультант:

Официальные оппоненты:

академик, доктор технических наук профессор Власенко В.А.

кандидат технических наук Шабля А.Н.

доктор технических наук Тихончук С.Т.

кандидат технических наук Крисилов А.Д.

Ведущая организация: Институт кибернетики им. академика В.М. Глушкова HAH Украини, г. Киев.

Защита состоится "J?3 " Я_1997 года в /.? час. 30 мин.

на заседании специализированного совета Д 05.06.04 по присуждению ученых степеней Одесского государственного политехнического университета по адресу: 270044, г. Одесса, проспект Шевченка, 1, ауд. 206а.

С диссертацией можно ознакомится в библиотеке Одесского государственного политехнического университета по адресу: 270044, г. Одесса, проспект Шевченка, 1.

Автореферат разослан "/5"" 1997 года.

Ученый секретарь специализированного /1 J / А/ ученого совета, кл\н., профессор \J Ю.С. Ямпольский

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Современные системы анализа фоно-целевой обстановки (АФЦО), используемые для дистанционного зондирования, технической и медицинской диагностики, неразрушающего контроля, автоматизации научных исследований и т.д., реализуют, в основном, функции обнаружения и локализации малоразмерных обьектов (целей) на фоне интенсивных коррелированных помех (например, текстур) в широком спектральном диапазоне (от радио- до рентгеновских частот) приемо-преобразующей аппаратуры. Однако разработанные в настоящее время системы АФЦО не позволяют проводить идентификацию источников сигналов с достаточной достоверностью, что не удовлетворяет требованиям предъявляемым к современным системам.

Особый интерес во многих прикладных областях представляют инфранизкочастотные сигналы и их источники. В связи с этим дальнейшее развитие систем АФЦО, во-первых, требует реализации возможности исследования сигналов в области инфранизких частот, например, при создании систем анализа сейсмо-акустических сигналов (САС) и звуко-импульсных сигналов в звукометрических системах пассивной локации. Во-вторых, необходимо наделение систем АФЦО эффективной и помехоустойчивой способностью идентификации источников-определения их типа, технического состояния, принадлежности и т.д. Это требует дальнейшей разработки методов, алгоритмов и аппаратно-программных средств анализа и распознавания инфранизкочастотных САС.

Необходимость проведения исследований определяется следующими принципиальными факторами:

1. Анализируемые сигналы являются структурно сложными и подверженными случайным искажениям. Построение систем обработки с учетом статистических, структурных свойств таких сигналов, может значительно повысить качество и сократить расходы на проектирование, создание и эксплуатацию указанных средств;

2. Сигналы являются нестационарными, что ограничивает применение .. для их анализа классических спектрально-корреляционных методов. Для решения поставленных задач следует

располагать совокупностью гибридных алгоритмов, реализующих методы анализа статистических и структурных динамических характеристик нестационарных сигналов;

3. Сигналы, порождаемые одними и теми же обьектами, часто образуют недостаточно большую выборку, образующую один класс, что затрудняет получение устойчивых оценок статистических характеристик и требует создания робастных алгоритмов классификации и идентификации источников.

В диссертации решается комплекс задач, связанных с анализом и распознаванием широкополосных инфранизкочастотных звуко-импульсных САС и идентификацией источников САС по результатам распознавания, с учетом указанных в п. 1, 2, 3 особенностей.

Автор защищает комплекс алгоритмов, структур и информационную технологию обработки, классификации широкополосных инфранизкочастотных звуко-импульсных САС и идентификации источников этих сигналов, построенные на основе архитектуры нейронных сетей и корреляционно-экстремальных систем, реализующих концепцию "интеллектуальной фильтрации" в спектральных пространствах ортогональных преобразований.

Цель работы и задачи исследования. Цель диссертационной работы состоит в синтезе динамических, структурных, локальных статистических и спектрально-корреляционных моделей широкополосных инфранизкочастотных звуко-импульсных САС и создании на их основе базовых средств - алгоритмов, структур и информационной технологии классификации сигналов и идентификации (распознавания) типов их источников в автоматизированных системах анализа фоно-целевой обстановки.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести сравнительный анализ базовых методов идентификации САС и разработать методику обработки, анализа, идентификации (классификации) сигналов и обьектов (источников), порождающих эти сигналы;

2. Провести анализ статистических и структурных динамических характеристик САС и построить статистические модели, эффективно идентифицирующие эти сигналы;

3. Синтезировать алгоритмы и структуры классификаторов САС в рамках архитектуры нейронных сетей и корреляционно-экстремальных систем, реализующие концепцию "интеллектуаль-ной фильтрации" в спектральных пространствах ортогональных преобразований, и исследовать эффективность идентификации с их помощью источников САС;

4. Разработать информационную технологию обработки, классификации САС и идентификации источников, для чего создать комплекс програмно-алгоритмического обеспечения согласно синтезированным процедурам обработки и классификации САС для проведения широкомасштабных исследований и оценки качества идентификации источников в различных помеховых ситуациях.

Обьект исследования. Широкополосные инфранизкочастотные САС, генерируемые импульсными источниками различной мощности и конструкций, в различных метео- и географических (геологических) условиях.

Методы исследований. В работе использованы методы цифровой фильтрации сигналов и изображений, методы распознавания образов, элементы статистического анализа и идентификации.

Научная новизна работы заключается в следующем:

1. Проведено широкомасштабное экспериментальное исследование и анализ свойств широкополосных САС типа "выстрел-взрыв", получаемых в системах анализа фоно-целевой обстановки, при использовании обобщенных статистических и структурных амплитудно-фазовых и корреляционно-спектральных динамических характеристик в спектральных пространствах Прони, Гильберта-Фуко, Фурье-Вигнера;

2. Исследованы и построены статистические модели САС на основе двумерных и (или) совместных распределений плотности вероятности (ДРПВ, СРПВ) параметров обобщенных спектральных разложений (по Прони), динамических амплитудно-фазовых характеристик (по Гильберту-Фуко) и структурных параметров спектрограмм и обобщенных (спектральных и частотно-временных) распределений (по Фурье-Вигнеру);

3. Разработаны алгоритмы распознавания САС в архитектурах нейронных сетей и корреляционно-экстремальных систем, учитывающие структурные свойства сигналов и реализующие

концепцию "интеллектуальной фильтрации", что обеспечивает существенный рост качества, помехоустойчивости и скорости идентификации источников.

Практическая ценность работы:

1. Разработаны структуры аппаратных средств предварительной обработки, анализа и распознавания широкополосных сигналов типа "выстрел-взрыв", реализующих синтезированные алгоритмы;

2. Разработаны программные средства моделирования систем обработки и распознавания широкополосных сигналов на ПЭВМ IBM РС/АТ-486;

3. Разработаны рекомендации по проектированию систем обработки, анализа и распознавания широкополосных сейсмо-акустических сигналов, а также других сигналов специального назначения, которые использованы в ходе выполнения в научно-исследовательском центре информационных технологий (НИЦИТ) HAH Украины при Одесском государственном политехническом университете госбюджетных и хоздоговорных научно-исследовательских работ(№ 99-121, 211-121, 236-146/121, 920-121, 928-121, 929-121, 997-121, 985-121).

Реализация и внедрение результатов. Разработанная методика синтеза моделей САС, алгоритмы и структуры классификации САС и идентификации их источников, реализующие информационную технологию систем АФЦО, внедрены в ходе выполнения в НИЦИТ работ по важнейшей тематике с предприятиями и организациями Министерства машиностроения, военно-промышленного комплекса и конверсии, Министерства юстиции, Министерства образования, Национального Агентства по морским исследованиям и технологиям и Государственного Комитета по науке и технике Украины в 199296гг.

Апробация работы. Основные положения и результаты работы докладывались и обсуждались на II международной конференции по радиосвязи, звуковому и телевизионному вещанию "УкрТелеКом-95" (г.Одесса, 1995г.), международной научно-технической

конференции "Ф1зичш методи та засоби контролю матер!ал1в та BiipooiB" (г. Славск, Львовская обл., 1996г.), научно-практической конференции "Актуальные проблемы организации расследования преступления" МВД Украины (г. Одесса, 1996г.), а

также на ежегодных научно-технических конференциях

профессорско-преподавательского состава ОГПУ в секции "Автоматизированные системы управления и системы обработки информации" (1992-1996гг.).

Достоверность результатов подтверждается совпадением теоретических результатов моделирования структур (процедур) распознавания САС и статистических характеристик экспериментального исследования по оценке эффективности идентификации источников реальных сигналов, проведенного на основе разработанных алгоритмов и программного комплекса.

Публикации. Основное содержание диссертации отражено в 11 печатных работах.

Структура и обьем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 115 наименований и 1 приложения. Работа содержит 190 страниц, включая 28 таблиц и 73 рисунка.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель и задачи исследований, изложены основные научные и практические результаты работы, выносимые на защиту.

В первой главе проводится краткий аналитический обзор методов и алгоритмов получения, обработки, анализа и распознавания (идентификации) САС, обосновываются задачи работы и определяются методики их решения.

Во второй главе проводится исследование статистических и структурных динамических характеристик САС как в исходном пространстве (методы, моментов, "классического" спектрального анализа, оценки параметров нестационарности, "локальных" характеристик), так и на основе методов обобщенного анализа (по Прони, Гильберту-Фуко и Фурье-Вигнеру).

В процессе исследований рассматривались одиночные сигналы, генерируемые импульсными источниками малой мощности (А), большой мощности (В) и источниками групповых сигналов (С) в условиях следующих трасс: 1) "один источник-один приемник (трасса А); 2) "один источник-множество неэквидистантных приемников (трасса В); 3) "один источник-множество эквидистантных приемников ("решетка") (трасса С).

Статистический анализ САС, генерируемых на трассах А, В, С в исходном пространстве, дает оценки их основных параметров:

эффективной длительности, коэффициента затухания и частоты осцилляций (табл. 1) и показателей нестационарности сигналов -статистических моментов (рис. 1) и локальных характеристик. Анализ САС выявил, что сигналы являются локально стационарными, а РПВ статистических моментов М1 и М2 этих сигналов имеет полимодальный вид.

Таблица 1.

Класс Эффективная длительность (сек.) Коэффициент затухания (1/сек.) Частота осцилляций (пересеч./сек.)

А 0,104 0,152 104

В 0,138 0,203 96

С 0,159 0,269 76

Используя компенсацию затухания амплитуд САС, возможно увеличить интервалы стационарности, в пределах которых применимы методы оценивания обобщенных амплитуды и фазы (частоты) САС (по Гильберту-Фуко), в спектральной области (по Фурье), в пространстве локальных "кратковременных" функций.

Класс А

Класс В М1

Класс С

Рис. 1. Графики М1 и М2 САС Анализ САС показал, что совокупность статистических характеристик сигналов в исходном пространстве не обеспечивает надёжной идентификации моделей сигналов.

В связи с этим проведены исследования динамических структурных и статистических характеристик сигналов на основе спектрального оценивания по Прони и время-частотных распределений (ВЧР) по Фурье-Вигнеру. Основные математические соотношения по которым проводились исследования, приведены в табл. 2.

Таблица 2.

Основные математические соотношения

Метод Математическое выражение

Аппроксимация САС по Прони А Р г , х[п] = I Ак ехр[(ак + ]2^к)(п - 1 )Г + ]вк\ к — 1

Время-частотное распределение по Фурье-Вигнеру X = - ш)х(7п)е~{йтг т=-х

Ак, ССк, /к, ^-параметры модели САС, 1<п<М, Т-интервал дискретизации, р-порядок модели,Со(п — ш) - функция скользящего окна.

Исследования показали, что построение статистической модели САС с использованием аппроксимации сигналов по Прони обеспечивает адекватное представление сигналов в виде двумерных распределений плотности вероятности параметров спектров -амплитуд составляющих Ак, коэффициентов затухания ак, частот составляющих и моментов (фаз) появления вк (рис. 2,а).

Класс А Класс В Класс С

Класс В амплитуда-частота

Класс А

аза-частота

* * , X

•* т -Ф '<•* - - - - - -

• *

коэффициент затухания-частота

- Щ.:"' ^

Класс В

в

то? •• < ^н^ >

Класс С

а)

б) - по ВЧР

по Прони Рис. 2. Модели САС Использование ВЧР, в частности спектрограмм, также позволяет устойчиво идентифицировать сигналы с помощью структурных моделей (рис. 2,6) и распределений формант (табл. 3).

Проведенные исследования показали особую роль фазовой (частотной) структуры сигналов при идентификации последних и, следовательно, необходимость синтеза и реализации алгоритмов классификации САС, основанных на обобщенных фазовых (частотных) характеристиках.

Таблица 3.

Параметры динамических спектров

Класс А В С

Количество формант 3 5 6

Частоты формант 45,53,62 37,43,47,56,61 17,25,33,49,55,63

В третьей главе синтезируются алгоритмы идентификации источников САС на основе корреляционно-экстремальных систем (КЭС), классификаторов нейронных сетей (КНС) и систем, реализующих концепцию "интеллектуальной фильтрации" (КИФ).

Таблица 4.

Аналитические выражения критериальных функций_

N п/п Тип критериальной функции Выражение

1 ВКФ К] j (г) - SUtJprit + Г) - ST(t + г)]}

2 Нормированная ВКФ Kj^il") Ku(r)/otSe(t)M5T(i)]

. 3 Смешанная начальная моментная функция 2-го порядка К]з(г) E[S3(t)ST(t + T)} Ku(0 = К0(г) -

4 Взвешенная моментная функция 2-го порядка К] 4(г) K,3(r)-a£[Sa(t)]E[5T(t)] 0 < a <1

5 РКФ среднего квадрата разности K2J(r) E[\S3(t)-ST(t+zf

6 РКФ среднего модуля разности К2.2(г)

7 Корреляционная функция в спектральной области К3 | (Г )

8 Функция Ротта К3 i(i") ^'{СтзМ/СгМ}

9 Квадрат функции когерентности К2зз(г)

1» Функция Henna К3 4(f) r_J GT3(a)\y(0})\2 [|сГэм(1-|7И2] •

о(]-оператор дисперсии, Е[]-оператор усреднения, Г,Г '-операторы БПФ, ОЕПФ, -комплексные спектры Фурье эталонного и тестового сигналов, Сгтэ№)-взаимный энергетический спектр, (')-символ комплексного сопряжения.

При синтезе КЭС в качестве альтернативных использованы методы корреляционно-экстремальной классификации в исходном пространстве (КЭС-КИП), в спектральном пространстве (КЭС-КСП) и со сжатием информации (КЭС-КСИ). В качестве критериальных в КЭС-классификаторе использованы функции, представленные в табл. 4.

Классификационными параметрами критериальных функций выбраны главный максимум ВКФ, интервал критериальной функции" и отношение величин главного и наибольшего бокового максимумов. На этапах обучения классификаторов формировались библиотеки "размытых" эталонов реализаций сигналов, соответствующих различным классам. На рис. 3,а приведены характеристики качества и помехоустойчивости синтезированных алгоритмов КЭС: 1 - КИП; 2 - КСП; 3 - КСИ.

Рпр('<>

Рп р№>

Рп р№)

У

А

• л у —ф—2" —4— з_

1

и I -4

Лл

А 1—1

1—1 —а—г—з| ' I—I—I—и-!-

I— —I

г-

-В-! -

а) - КЭС б) - КНС в) - КИФ

Рис. 3. Графики Рпр(ч)

Алгоритмы идентификации источников САС, построенные на основе нейронных сетей, используют в качестве моделей САС оценки ДРПВ параметров динамических спектральных характеристик сигналов, полученные с помощью методов спектрального оценивания по Прони (КНС-ПР), статистических моментов формы огибающей Фурье-спектров (КНС-СМ), преобразования Гильберта-Фуко (КНС-ГФ). На рис. 3,6 приведены характеристики качества и помехоустойчивости синтезированных алгоритмов КНС с использованием многослойной сети: 1 - СМ; 2 -ПР; 3 - ГФ.

Алгоритмы идентификации источников САС, реализующие концепцию "интеллектуальной фильтрации", построены с использованием схем чисто-фазовых фильтров (ЧФФ) и двоичных ЧФФ, а также с использованием принципов иерархической

обработки и коммутации эталонов ("класс-подкласс"). На рис. 3,1 приведены характеристики качества синтезированных алгоритме] КИФ в зависимости от нормированной дальности источника А Пр] синтезе КИФ использовались корреляционно-экстремаль ные (1 - КЭС-КИФ) и нейронные структуры классификаторов (2 КНС-КИФ).

Результаты численных экспериментов показывают, чт алгоритмы КНС в отличие от КЭС обеспечивают существенны: выигрыш по качеству (10-15 %) и помехоустойчивости (3,5-8,0 дБ При этом существенный выигрыш дает использование на этап формирования характерных признаков сигналов спектральног оценивания по Прони (15% и 8,0 дБ соответственно).

В четвертой главе представлены структуры аппаратных программных средств системы, реализующей ввод, отображени! обработку и распознавание САС, т.е. выполняющей полный цик информационной технологии.

Рис. 4. Обобщенная структура комплекса SHELL 1.0 Система аппаратных средств содержит многоканальн устройство формирования, ввода и отображения полей сигналов

ПЭВМ, реализующее функции предобработки и программируемого управления параметрами информационного тракта. Преобразуемые САС поступают на вход кадрового накопителя - основного звена устройства формирования, обеспечивающего за один рабочий цикл запись до 256 К отсчетов с частотой дискретизации от 250 Гц до 40 кГц, что эквивалентно объему 500 реализаций, а затем на входы процессоров-ускорителей, выполняющих базовые процедуры выделения характерных признаков САС. Структуры классификаторов сигналов, реализующие синтезированные алгоритмы идентификации САС, построены на основе конвейерных процесоров.

Программно-алгоритмическое обеспечение (ПАО) предварительной обработки сигналов и изображений разработано в виде программного комплекса моделирования SHELL 1.0 (рис. 4). Комплекс работает в диалоговом режиме и выполняет функции метаязыка обработки сигналов и изображений. Комплекс допускает сопряжение с другими программными пакетами, работающими под управлением MS DOS на ПЭВМ IBM PC/AT. ПАО процедур моделирования и распознавания САС реализовано в виде комплекса программ на языке С++ в рамках операционных систем MS DOS и WINDOWS 3.1, который позволяет проводить процедуры идентификации источников САС на основе синтезированных в работе алгоритмов.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен сравнительный анализ методов и алгоритмов формирования, обработки и распознавания широкополосных инфранизкочастотных САС и сформулирована методика идентификации источников этих сигналов.

2. Исследованы статистические, структурные, спектральные и корреляционные характеристики САС при представлении их в исходном пространстве, показана недостаточная идентификационная значимость этих характеристик.

3. Исследованы статистические, структурные динамические характеристики САС в спектральных пространствах по Прони, по Гильберту-Фуко, по Фурье-Вигнеру и показано, что спектральное оценивание по Прони дает адекватное описание звуко-импульсных ИНЧ САС в виде статистических моделей-совместных распределений плотности вероятности параметров аппроксима-

ционных полиномов, обладающее высокой идентификационной значимостью. Также подтверждена перспективность применения с этой же целью время-частотных преобразований и обобщенных амплитудно-фазовых (частотных) динамических распределений по Гильберту-Фуко.

4. Синтезированы на основе разработанных моделей сигналов алгоритмы идентификации источников, обеспечивающие увеличение на 10-20 % качества распознавания и на 3,5-8,0 дБ помехоустойчивости по сравнению с традиционно используемыми алгоритмами. Показаны приемущества классификаторов на основе нейронных сетей в спектральном пространстве по Прони и "интеллектуальных фильтров", использующих дополнительную информацию о локализации источников с целью уточнения эталонов классов.

5. Разработаны структуры специализированных устройств формирования, обработки и ввода в ПЭВМ, решающие задачи накопления и отображения информации о САС. Разработань: структуры специализированных процессоров, реализующш синтезированные алгоритмы анализа и распознавания сигналов.

6. Разработаны программно-алгоритмические комплексь моделирования предварительной цифровой обработки сигналов i изображений на основе программной оболочки SHELL 1.0, а также проблемно-ориентированные комплексы анализа, распознавание сигналов и идентификации источников в системах анализа фоно целевой обстановки.

7. Использование синтезированных алгоритмов, моделей сигналов i созданных базовых аппаратно-программных средств показал' высокую эффективность, качество функционирования ] помехоустойчивость разработанной информационной технологии.

Основное содержание работы отражено в публикациях:

1. Власенко В. А., Дранкова А.О., Шабля А.Н. Алгоритм! идентификации инфранизкочастотных сейсмо-акустических сигнало на основе нейронных структур//Труды УНИИРТ.-1995.-Ш.-С. 20-24

2. Власенко В.А., Дранкова А.О., Шабля А.Н. и др. Информационны технологии обработки сигналов и полей данных в задача дистанционного зондирования//Управляющие системы и машины 1996.-N6.

3. Власенко В.А., Дранкова А.О., Шабля А.Н. Исследование эффективности алгоритмов классификации сейсмо-акустических сигналов//Труды Одес. политехи. ун-та.-1997.-Вып.2.

4. Власенко В.А., Дранкова А.О., Шабля А.Н. Алгоритмы идентификации и распознавания широкополосных инфранизко-частотных сигналов//Труды 2-ой Междунар. конф. УкрТелеКом-95. -Одесса, 1995.-С. 457-459.

5. Власенко В.А., Дранкова А.О., Шабля А.Н. Исследование характеристик и построение параметрических моделей сейсмсг-акустических сигналов: подход в рамках обобщенного спектрального анализа.-44с.-Деп. в ГНТБ Украины 10.09.96, Ш794-Ук 96.

6. Власенко В.А., Дранкова А.О., Шабля А.Н. Исследование характеристик и построение параметрических моделей сейсмо-акустических сигналов: сравнительное описание в исходном пространстве и пространствах время-частотных распределений.-44с.-Деп. в ГНТБ Украины 10.09.96, Ш795-Ук 96.

7. Власенко. В.А., Дранкова А.О., Шабля А.Н. Разработка и исследование эффективности алгоритмов и структур идентификации сейсмо-акустических сигналов: подход в рамках корреляционно-экстремальной классификации.-23с.-Деп. в ГНТБ Украины 23.10.96, Ш983-Ук 96.

8. Власенко В.А., Дранкова А.О., Шабля А.Н. Разработка и исследование алгоритмов классификации сейсмо-акустических сигналов и идентификация их источников: применение метода нейронных сетей.-22с.-Деп. в ГНТБ Украины 23.10.96, Ш984-Ук 96.

9. Дранкова А.О. Программно-алгоритмическое обеспечение базовых функций обработки и распознавания сейсмо-акустических сигналов. -12с.-Деп. в ГНТБ Украины 12.12.96, Ш354-Ук 96.

10. Власенко В.А., Дранкова А.О., Шабля А.Н. Алгоритмы анализа и идентификации источников звукоимпульсных сигналов в задачах диагностики и фоноскопической экспертизы//Тез. докл. Междунар. научно-техн. конф. "Ф1зичш методи та засоби контролю матер!ал1в та вироб1в".-Славск, Львовская обл., 1996.-С. 103-104.

11. Власенко В.А., Дранкова А.О., Макаренко Н.К, Шабля А.Н. Исследование эффективности алгоритмов и базовых программных комплексов идентификации импульсных и спектральных сигналов// Тез. докл. научно-практ. конф. "Актуальные проблемы организации расследования преступления".-Одесса, 1996.-С. 141-145.

АННОТАЦИЯ

Дранкова А.О. Базовые средства идентификации источников инфранизкочастотных сигналов в системах анализа фоно-целевой обстановки. Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.04-" Автоматизированные системы управления и системы обработки информации", 05.12.21,-"Радиотехнические системы специального назначения, включая технику СВЧ, и технология их производства". Одесса: ОГПУ, 1997. В диссертации разработаны базовые средства обработки, анализа и распознавания ИНЧ САС с целью идентификации их источников в системах анализа фоно-целевой обстановки. Показаны приемущества классификаторов САС, построенных на основе архитектуры нейронных сетей с использованием модели сигналов по Прони.

АНОТАЦШ

Дранкова А.О. Базов1 засоби щентифжацй джерел шфранизькочастотних сигнал1в у системах анал!зу фоно-щльово! обстановки. Дисертащя на здобуття вченого ступеня кандидата техшчних наук за спещальностями 05.13.04.-"Автоматизоваш системи управления та системи обробки шформацп", 05.12.21.-"Радютехшчт системи спещального призначення, включаючи техшку НВЧ, та технолопя Ix виробництва". Одеса: ОДПУ, 1997. У дисертаци розроблено базов! засоби обробки, анал1зу та розтзнавання 1НЧ САС з метою адентифжацп Ix джерел у системах анал1зу фоно-щльово! обстановки. Показано переваги класифшатор!в САС, побудованих на ocuoBi арх1тектури нейронних мереж з використанням моделей сигнал1в за Прош.

ABSTRACT

Drankova А.О. Base identifications means sourcies infra-low-frequency signals in noise-objects situation analysis systems. Dissertation for obtaining the scientific degree of Engineering Sciences Candidate on speciality 05.13.04.-Automatic control systems and information processing systems, 05.12.21.-Special radio systems including microwaves facilities and their production technology. Odessa: OSPU, 1997. In the dissertation base means processing analysis and recognition ILF seismo-acoustic signals for identification their sourcies in the noise-objects situation analysis systems are developed. SAS classificators built on the neuron's architecture with the using Prony's model advantages are shown.

Ключевые слова

Сейсмо-акустические сигналы, распознавание, идентификация, корреляционно-экстремальные системы, нейронные сети.

Сдано в набор 01.04.97р. Подп. к печ. 04.04.97р. Офсетная печать Печ. лист. 1 Бумага типогр.Ыг 1._Формат 60x84 1/16 Тираж 100_Заказ 58

Производственно-полиграфический отдел ОЦНТЭИ Украина, 270026, г. Одесса, ул. Ришельевская, 28.