CC BY
162
УДК 621.3
Мурашкина Е.Н., Михеев М.Ю.
ФГБОУ ВПО «Пензенский государственный технологический университет», Пенза, Россия
ИММИТАЦИОННОЕ МОДЕЛИРОВАНИЕ НЕЙРОСЕТЕВОЙ ИДЕНТИФИКАЦИИ СИГНАЛОВ СЛОЖНОЙ ФОРМЫ
Для передачи информации, кодирования, описания состояния сложных территориально распределенных объектов используются сигналы сложной формы. Однако, важной проблемой является их быстрая и точная идентификация. Среди множества методов распознавания метод нейросетевой идентификации эффективно используется в условиях недостаточности априорной информации. В процессе идентификации искусственные нейронные сети выступают в роли подстраивающихся моделей [1] . Следовательно, для идентификации сигналов сложной формы целесообразнее использовать нейронные сети.
Целью данного исследования является разработка имитационных моделей нейросетевой идентификации сигналов сложной формы, которые имеют высокую точность и быстродействие в условиях недостаточной априорной информации.
Задачами данного исследования являются: разработка алгоритмического обеспечения нейросетевой
идентификации сигналов сложной формы в виде диаграммы последовательности UML 2.0 и на основании построенной диаграммы с помощью пакета Simulink (Matlab R2011b) разработать имитационные модели источника сигналов и имитационные модели нейросетевой идентификации сигналов сложной формы.
Для решения проблемы управления структурной динамикой процессов, протекающих в информационной системе при нейросетевой идентификации сигналов сложной формы, а так же для определения основных этапов и требований разработки имитационных моделей, была разработана диаграмма последовательности нейросетевой идентификации сигнала сложной формы с помощью унифицированного языка моделирования UML 2.0 (Рисунок 1).
Рисунок 1 - диаграмма последовательности нейросетевой идентификации сигналов сложной формы
Для нейросетевой идентификации сигналов сложной формы необходимо получить информацию от исходного, эталонного сигнала, с помощью которого и будет происходить обучение нейронной сети. В систему идентификации сигнал поступает от датчиков. Система идентификации накапливает информацию, для более точно анализа данных. Полученный сигнал сравнивается с хранящимися в базе данных сигналами. На основании полученных результатов происходит создание нейронной сети, затем нейронная сеть обучается, с помощью обученной нейронной сети происходит процесс идентификации параметров сигнала сложной формы. Искусственная нейронная сеть выступает в роли адаптивно, структурнопараметрически подстраиваемых моделей, причем структура искусственная нейронная сеть меняется экспертом, а параметры определяются автоматически в процессе обучения.
Следовательно, процедуру построения имитационных моделей нейросетевой идентификации сигналов сложной формы можно разбить на несколько этапов:
1) разработка имитационной модели источника сигнала сложной формы;
2) разработка имитационных моделей нейросетевой идентификации;
3) обучение нейронной сети;
4) анализ полученных данных.
Рассмотрим каждый этап более подробно.
Сложные непрерывные сигналы представляются в виде суммы бесконечно большого числа гармонических составляющих с различными амплитудами, частотами и начальными фазами:
U (t) = Ё Ukm costwt -yk )
k =0
Сложные непрерывные сигналы называют также многотональными. Совокупность гармонических колебаний, на которые можно разложить сложный сигнал, называют спектром этого сигнала. На рисунке 2 представлен пример сигнала сложной формы.
Рисунок 2 - пример сигнала сложной формы
Данные сигналы можно получить и при помощи модели представленной на рисунке 3.
Рисунок 3 - имитационная модель источника сигналов сложной формы
Описание блоков, необходимых для построения имитационной модели, приведено в таблице 1. Таблица 1 - Описание блоков имитационной модели_________________________________________
Наименование блока Тип блока Назначение
Ramp Генератор линейного тренда Генерация аргумента функции
Frequency Hz Математическая функция В данном блоке задается частота сигнала
Phase Математическая функция В данном блоке задается фаза сигнала
Product Математическая функция Выполняет умножение входных переменных
MATLAB Fcn Математическая функция В данном блоке задается необходимая математическая функция. Входное значение является одновременно и значением переменной данной функции
Function Математическая функция В данном блоке задается функция Sin
В рамках исследования решается задача сравнения исходного сигнала сложной формы с образцами, хранящимися в базе данных. Для решения поставленной задачи идентификации сигнала сложной формы была выбрана обобщенная регрессионная сеть GRNN.
Для реализации нейросетевой идентификации было решено использовать среду Matlab Simulink. В ней была создана модель нейросетевой идентификации сигналов сложной формы, показанная на рисунке 4 .
Рисунок 4 - модель подсистемы идентификации сигналов сложной формы
В данной модели (Рисунок 4) сначала задается номер сигнала в блоке Constant. После запуска модели в блоке Source выбирается сигнал, заданный в блоке Constant. Сигнал преобразуется в блоке Transform для нормального восприятия его нейронной сетью. Затем сигнал сравнивается с образцами, записанными в предварительно обученной нейронной сети Neural Network. Блок Display показывает результат идентификации - степень отклонения сейсмического сигнала от допустимого значения.
Для модели подсистемы идентификации была сгенерирована и обучена нейронная сеть. Сеть обучалась на основе сигналов, генерируемых моделью, представленной ниже (Рисунок 5).
Рисунок 5 - модель генерации сигналов
Модель состоит из блоков:
- Constant - блок подачи единичного постоянного сигнала;
- Source - подсистема источников сигнала;
- Transform - блок преобразования сигналов;
- To Workspace - блок, сохраняющий результаты моделирования.
На основе собранных данных создается вероятностная сеть. Сеть была обучена с помощью сигналов блока Source (Рисунок б). В нем задано 11 сигналов с разной вероятностью отклонения сигнала сложной формы от допустимого значения. Данные сигналы являлись обучающей выборкой для вероятностной нейронной сети.
Данная подсистема состоит из блоков:
- Signal - блок источника сигнала (Рисунок 2).
- Multiport Switch - многовходовый переключатель.
- Scope - блок графического отображения сигналов.
Рисунок 6 - подсистема источников сигнала Source
Сигналы из блока Source соответствуют степени отклонения сигнала сложной формы от допустимого значения. Ниже приведена таблица соответствия показаний дисплея и величин отклонения (Таблица 2). Таблица 2 - Таблица соответствия показаний дисплея и отклонения
№ сигнала Показание дисплея Величина отклонения
1 0 сигнал не соответствует эталону
2 0,1 9 %
3 0,2 8 %
4 0,3 7 %
5 0,4 6 %
6 0,5 5 %
7 0,6 4 %
8 0,7 3 %
9 0,8 2 %
10 0,9 1 %
11 1 полное сходство сигнала
Показания дисплея находятся в промежутке от нуля до единицы и соответствуют вероятности отклонения сигнала сложной формы от допустимого значения. Данные из таблицы являются эталонными значениями. При значении реального сигнала, находящимся между указанными значениями, будет показан результат наиболее близкого к реальному сигналу эталонного значения, выбранного из библиотеки сигналов. При задании значения, выходящего за пределы эталонных значений сигналов, будет показан результат, равный нулю.
Разработанная обобщенная процедура структурно-параметрического синтеза моделей нейросетевой идентификации сигнала сложной формы позволила разработать адаптивные структурные и параметрические алгоритмы нейросетевой идентификации сигналов сложной формы. Так же была разработана имитационная модель источника сигналов сложной формы, позволяющая обучать нейронную сеть под необходимые пользователю параметры. Так как задачами выбираемой нейронной сети являются сравнение сигнала с образцами, хранящимися в базе данных, и вывод наиболее близкого результата по отношению к образцам, для нейросетевой идентификации была выбрана обобщенная регрессионная сеть GRNN.
ЛИТЕРАТУРА
1. Галушкин А.И. Нейронные сети - М: Горячая Линия - Телеком, 2012г. - 496 с.
2. Гради Буч, Джеймс Рамбо, Ивар Якобсон Введение в UML от создателей языка. Пер: Н. Мухин -М: ДМК Пресс, 2011г, - 496с.
3. Enterprise Architect - Products. Режим доступа:
http://www.sparxsystems.com/products/index.html, свободный.
4. MathWorks - MATLAB and Simulink for Technical Computing. Режим доступа:
http://www.mathworks.com/, свободный.
5. Simulink Documention Режим доступа:
http://www.mathworks.com/help/simulink/index.html?s_cid=BB, свободный.
6. Михеев М.Ю., Мурашкина Е.Н. Графическое представление структурных взаимосвязей логических и
физических моделей информационной системы сейсмомониторинга. Современные информационные технологии: Сборник статей международной научно-технической конференции. Вып. 18. - Пенза: ПензГТУ,
2013.-С. 78-84.
7. Гудков К.В., Гудкова Е.А. Моделирование обобщенной структуры информационной системы контроля мониторинговых датчиков охранно-пожарной сигнализации. Современные информационные технологии: Сборник статей международной научно-технической конференции. Вып. 18. - Пенза: ПензГТУ, 2013.-С. 74-77.
8. Тюрин М.В., Щербань А.Б., Соловьев В.В., Мурашкина Е.Н. Структурный подход к анализу состояний сложных систем. Современные информационные технологии: Сборник статей международной научно-технической конференции. Вып. 14. - Пенза: ПензГТУ, 2011.-С. 72-76.
