CC BY
9
отходов, где грунт нагревается, после чего возвращается на место.
С 2011 года по н.в. проводились работы по очистке от техногенного мусора такие участки Арктики, как: арктический остров Земля Александры архипелага Земля Франца-Иосифа, о. Котельный архипелага Новосибирские острова, о. Новая Земля, о. Греэм-Белл.
К 2022 г. в арктической зоне взводами ликвидации экологического ущерба очищено от мусора более 100 га земли, собрано около 154 тысяч тонн металлолома, при этом более 4,5 тысяч тонн собрано на островах.
План по очистке территории АЗ РФ от экологического мусора выполнен более чем на 120 %. Таким образом, поставленная президентом России задача по полной очистке земель Арктической зоны выполняется в полном объёме без срывов сроков и задержек.
Список использованной литературы:
1. Соколов Ю.И. Арктика: к проблеме накопленного экологического ущерба// Арктика: экология и экономика. - 2020. - № 2(10).- С.18-27.
2. Указ Президента Российской Федерации от 26 октября 2020 г. № 645 «Стратегия развития Арктической зоны Российской Федерации и обеспечения национальной безопасности на период до 2035 года».
3. Постановление Правительства РФ от 30 марта 2021 г. № 484 «Об утверждении государственной программы Российской Федерации «Социально-экономическое развитие Арктической зоны Российской Федерации».
4. Зенкевич М.Ю., Левченко Г.Н., Блинова Н.П. К проблеме очистки нефтезагрязнённых территорий в арктической зоне РФ//Сборник научных трудов «Научные проблемы материально-техническогообеспечения» - СПб.: Изд-во Политех. ун-та, 2020. - С. 460-467.
© Квашнин А.Б., 2023
УДК 621.391
Коротенко А.Н.
бакалавр 4 курса ВГТУ, г. Воронеж, Российская Федерация
Лютин В.И.
Кандидат технических наук, доцент ВУНЦ ВВС «ВВА», г. Воронеж, Российская Федерация
ИССЛЕДОВАНИЕ СИСТЕМЫ ПОИСКА ЗАДАННОГО СЕГМЕНТА В ПОСЛЕДОВАТЕЛЬНОСТИ ДАННЫХ БОЛЬШОГО ОБЪЁМА
Аннотация
Синтезированалгоритм функционирования системы поиска заданного сегмента в последовательности данных большого объёма с применением байесовского критерия. Проведено исследование качества системы поиска, в результате которого определено число каналов в системе поиска для обеспечения требуемого качества обнаружения заданного сегмента.
Ключевые слова
Проверка статистических гипотез, распознавание сигналов, ковариационная функция.
Korotenko A.N.
The bachelor 4 courses of VSTU, Voronezh, the Russian Federation
Ljutin V.I.
Cand.Tech.Sci., senior lecturer MECS the Air Forces «MAA»,
Voronezh, the Russian Federation
RESEARCH OF SYSTEM OF SEARCH OF THE SET SEGMENT IN SEQUENCE OF THE DATA OF GREAT VOLUME
The summary
The algorithm of functioning of system of search of the set segment in sequence of the data of great volume with application байесовского criterion is synthesised. Research of quality of system of search in which result the number of channels in system of search for maintenance of demanded quality of detection of the set segment is defined is conducted.
Keywords
Check of statistical hypotheses, recognition of signals, correlation function.
Одним из способов поиска заданного сегмента в достаточно длинной реализации случайного процесса в системах обработки аналоговых сигналов является применение метода «скользящего окна» [1]. При машинной обработке процессов как правило выполняется преобразование их в последовательности числовых данных. Это приводит к дискретному или «пошаговому» перемещению образца искомого сегмента вдоль обрабатываемой числовой последовательности. В этом случае возникает противоречие между проведением точного сравнения сегмента с анализируемой последовательностью и неизбежным несовпадением моментов времени взятия отсчётов в искомом сегменте и анализируемой последовательности данных. В связи с этим решение задачи синтеза оптимального алгоритма обработки данных при несовпадении моментов времени взятия отсчётов и проведение анализ качества синтезированного алгоритма являются актуальными.
Цель работы - повышение эффективности и качества автоматическогопоиска заданного сегмента в последовательности данных при несовпадении моментов времени взятия отсчётов.
Дана последовательность чисел, полученных в соответствии с теоремой Котельникова как отсчёты мгновенных значений непрерывного процесса x(t), отображающего сигнал или от видеокамеры, формирующей изображение, или от микрофона, преобразующего речь человека в электрический ток:
X = ^Xj,Х2,•• •,x 1 ^ . (1)
На рисунке 1а показана реализация непрерывного сигнала x(t) с отсчётами мгновенных значений
Xi, i = 1,1 в моменты времени ti с интервалом дискретизации At. Искомый сегмент выделен утолщённой линией в виде участка кривой с моментами времени начала tH и окончания tK.
На рисунке 1б показан выделенный сегмент y(t) с отсчётами yk(г), k = 1,K, K < I в моменты
* . времени tk, не совпадающими с моментами времени tt, но с таким же интервалом дискретизации At со
сдвигом г . Отличие отсчётов обеих последовательностей nk является помехой.
Рисунок 1 - Выделение сегмента в последовательности данных Источник: разработано авторами
Поиск сегмента ) в непрерывном процессе х(?) и определение времени его начала 1н проводятся с применением теории различения статистических гипотез по критерию максимума апостериорной вероятности, когда по каждой из гипотез Hi строится предположение, что искомый сегмент начинается в момент времени , что соответствует поочерёдному прикладыванию отсчётов
искомого сегмента к отсчётам заданного процесса и вычислению вероятностей совпадения отсчётов. Истинное положение сегмента соответствует максимальной апостериорной вероятности, которое будет найдено всегда, поэтому для выбранной гипотезы проводится сравнение функции правдоподобия с порогом по критерию Неймана-Пирсона. Отсчёты искомого сегмента равны
УкМ = Х+к-1 + П; к = ; , = й; Ь = I - К +1; И,. (2)
В векторной форме
У = {у (4У2(4-,УК(гЖ . (3)
«-» 2
Отсчёты помехи пк принимаются нормальными с нулевым средним и дисперсией а
w(nk ) = (о/2^)-1 exp{- n2k/ (2a2)}. (4)
Вероятности гипотез определяются по формуле Байеса [2]
p(hi\y )=Р(Нг) • p(Y | Иг)/ £ P(Hr) • P(Y | И r), (5)
/ r=1
где P(H) - априорные вероятности гипотез, p(Y|h) - апостериорные вероятности наблюдений
У по гипотезе И1 , = 1,Ь .
При равенстве априорных вероятностей гипотез и при переходе к плотностям распределения вероятностей для равновероятных гипотез и с учётом одинаковости знаменателя формулы Байеса для всех гипотез, получим
р(и1\у)=с ■ ^(у|и,), (6)
С-1 = ¿w(ï H ) - ,
где С 1 = У w\ï Hr ) - постоянная нормировки.
г =1
При независимости отсчётов шума пк к = 1,К плотность распределения вероятностей равна
^|H^ ) =П=К еХР^ Ё У - ^-1 )2 } . (7)
(алРл) I 2а к=1 ]
Достаточная статистика представляет собой случайное число, содержит всю информацию о поступивших данных и равна [3]
К
& М=Ё У М-)2. (8)
Правило решения примет вид
H : i = min {£ (г)} г = U. (9)
r
Вероятности гипотез равны [2,3]
p(hi\y)= лг (г)/ ¿Ar (r), (10)
/ r =1
где Л t (г) = exp{-(2^2 ) 1 (г)} - функция правдоподобия.
Раскрыв скобки в (8) при нулевых средних и равенстве дисперсий отчётов заданной и искомой последовательностей получим
p(hi\Y)= exp{r~2 • Bi(r)}/xexp{r-2 • Br(r)}, (11)
где Bi (г) = Xyk (г)х^к-1 - ковариационная функция y(t) и x(t).
к=i
Функция правдоподобия выражается через ковариационную функцию
Л* = exp{a-2 ■ Bi (г)}. (12)
Для исключения влияния задержки г функция правдоподобия усредняется по распределению задержки, считающемуся равномерным
р(г) = 1/Л, ге[-Л/2, Л/2]. (13)
Распределение (13) аппроксимируется суммой M дискретных вероятностей, равных 1/M, соответствующих фиксированным значениям задержки, равномерно размещённым на интервале от - Лt|2 до + Лt¡2 [3]. Тогда
i м
~(г)= 77 X^m -г), (14)
M m=1
где £(•) - функция Дирака, тт = АГ • (2т- М -1)/(2М). После усреднения функции правдоподобия получим
~ - MЦр" • 4 (r. )}. (15)
Алгоритм принятия решения имеет вид
H
~ >
А* = h, (16)
<
H 0
1
r
где h - порог сравнения функции правдоподобия, определяемый по заданной вероятности ложных тревог F по критерию Неймана-Пирсона [3].
На рис. 2 изображена структурная схема устройства принятия решений по результатам вычисления
усреднённого отношения правдоподобия, содержащая M каналов вычисления величины d 2 • Ri (rm )
блоки нелинейного преобразования exp(^), и схему сложения ^ , и пороговое устройство ПУ, в котором
сравнивается с M -кратным порогом П, определяемом в соответствии с критерием Неймана-Пирсона.
Рисунок 2- Устройство принятия решений Источник: разработано авторами
Время начала искомого сегмента равно
ь
m.
¡=1
Среднеквадратическое отклонениевремени начала сегмента равно
= M^P^fi} i (17)
dT =
1 n
¿P(tfi|?)• (i • M - m^ )2 (18)
i=i
Расчёт характеристик обнаружения проводится при задержках т0 = ±Т0/2, являющихся самыми неблагоприятными, так как им соответствует наименьшее значение усреднённой функции правдоподобия.
Вероятность правильного обнаружения D при заданной вероятности ложной тревоги F определяется выражением [3]
, , ад
Б = (р2л )-1 \ ехр{- 7 2/2^у (19)
Уо
Г— I--1 и 0 + , ч, 2
где у0 = и0 —Я^д — ];и0 = V—21п F ; ] =-= — —,-; д = д1 = В1 (0)/ а - отношение
сигн
ал/шум; Я = 1 — 1/2М - нормированная автокорреляционная функция последовательности отсчётов
к _
искомого сегмента данных; В{(0) = ^)2 = Ка^, ■ = 0,I - ковариационная функция искомого
сегмента и последовательности данных в отсутствие помех и при точном совпадении отсчётов.
На рисунке 3 приведены характеристики обнаружения искомого сегмента в длинной последовательности данных, рассчитанные по формуле (19) для двух значений вероятности ложной тревоги F = 10—4, F = 10—2 и при различном числе каналов обнаружителя.
Характеристики рассчитаны для наихудшего случая, когда |т| = Л//2. Существенное улучшение обнаружения наблюдается при переходе от одноканального обнаружителя к двухканальному. При числе
каналов более 2-х улучшение незначительно.
D 1
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
" = 1
м= =1
2
3
4
D 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
F = 10^
1
\ 2
3
ц
О 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Рисунок 3 - Характеристики обнаружения Источник: разработано авторами
Таким образом, в настоящей работе синтезированы алгоритм обнаружения заданного сегмента в длинной последовательности данных и структурная схема многоканального устройства обнаружения, работающая по принципу «скользящего окна».
Получены аналитические соотношения для анализа качества обнаружения, которые учитывают автокорреляционные свойства последовательностей, и рассчитаны характеристики обнаружения, с помощью которых определяется достаточное число каналов обнаружителя для обеспечения требуемого качества обнаружения при заданных условиях наблюдения. Список использованной литературы:
1. Вентцель Е. С. Теория вероятностей: учеб.для вузов. 11-е изд. стер. М.: КНОРУС, 2010. 664 с.
2. Ван Трис Г. Теория обнаружения, оценок и модуляции. М.: «Советское радио», т.1, 1972, 742 с.
3. Вайнштейн, Л. А. Выделение сигналов на фоне случайных помех: / Л. А. Вайнштейн, В. Д. Зубаков. - М.: Сов.радио, 1960. - 449 с.
© Коротенко А.Н., Лютин В.И., 2023
УДК 001.89; 65.01; 002.4
Кузнецов М.В.,
доктор химических наук, главный научный сотрудник,
Лукина С.М., старший научный сотрудник ФГБУ ВНИИ ГОЧС (ФЦ), г. Москва
УВЕЛИЧЕНИЕ ПУБЛИКАЦИОННОЙ АКТИВНОСТИ УЧЁНЫХ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ, ВХОДЯЩИХ В БАЗУ ДАННЫХ SCOPUS, КАК СПОСОБ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ДЕЯТЕЛЬНОСТИ
НАУЧНЫХ ОРГАНИЗАЦИЙ МЧС РОССИИ
Аннотация
Предложены рекомендации по повышению эффективности деятельности научных и образовательных организаций МЧС России за счёт увеличения уровня публикационной активности научных сотрудников в англоязычных журналах, входящих базу данных SCOPUS. Анализ проведен на
