CC BY
15
УДК 621.396.96
DOI: 10.24412/2071-6168-2022-5-139-144
КЛАССИФИКАЦИЯ ДОППЛЕРОВСКИХ СПЕКТРОГРАММ ДЛЯ ОБНАРУЖЕНИЯ СИГНАЛА ЗА ПРЕДЕЛАМИ ОДНОЗНАЧНО ИЗМЕРЯЕМОЙ
ДАЛЬНОСТИ
А.В. Калмыков
Для улучшения качества обработки эхо-сигнала в условиях невозможности изменения аппаратных характеристик соответствующей аппаратуры поставлена задача классификации спектрограммы эхо-сигнала. Для ее решения рассмотрены методы бинарной классификации из задач компьютерного зрения, связанных с распознаванием образов на изображениях. Приведена методика классификации спектрограммы для обнаружения основного эхо-сигнала и сигнала, отраженного за пределами однозначно измеряемой дальности. Представлены результаты работы алгоритма для восстановления ветрового профиля. Обсуждаются альтернативные алгоритмы классификации спектрограмм эхо-сигналов, относящиеся к области машинного обучения.
Ключевые слова: доплеровский радиолокатор, фильтрация сигнала, распознавание образов, классификация спектрограмм.
Радиолокатор проводит цикл измерений профиля ветра под постоянным углом места в 45 градусов путем азимутального конического разреза с дискретным углом азимута через каждые n градусов [1].
Диапазон высот, в котором производится зондирование, может изменяться от 4 до 8 километров, а разрешение по высоте составляет 41 м. Воздействие помех и шумов вносит неопределенность в результаты работы радиолокатора, что затрудняет интерпретацию полученных результатов и приводит к ошибкам в измерениях.
Многочисленные работы (см., например, [2, 3]) сосредоточены в первую очередь на внесении изменения в техническую часть датчиков и улучшении первичной обработки сигнала. В настоящее время в силу выросшего уровня вычислительной мощности компьютерной техники появилась возможность повышать точность подобных измерений не только за счет совершенствования технической части датчиков (первичная обработка), но и благодаря использованию новых методов обработки измеренного сигнала (вторичная обработка). Методы вторичной обработки также приобретают актуальность в условиях невозможности усложнения или модификации аппаратуры обработки сигналов.
Для интерпретации сигналов используются их спектрограммы. Спектрограмма представляет собой матрицу (изображение) спектральной плотности Mjj, в которой i соответствует высоте измерения, а j частоте (см. пример на рис. 1). Визуально анализируя спектрограммы можно заметить помехи и шумы. Эти помехи могут быть обусловленным как наличием в радиусе измерения средств, вызывающих помехи, так и являться результатом несовершенного считывания сигала, например, при наличии мощного сигнала, он будет отражаться по горизонтали («отражения»); либо может фиксироваться на спектрограммах, полученных при измерении на другом угле сканирования («тени»). Отдельным классом помех являются сигналы, отраженные за пределами однозначно измеряемой дальности и называемые помехами на N-м ходе развертки [4]. Они неотличимы от сигналов, находящихся в пределах однозначно измеряемой дальности, поэтому могут значительно искажать результат работы радиолокатора (см. пример на рис. 1). Кроме того, все вышеописанные типы помех могут накладываться друг на друга, тем самым дополнительно затрудняя интерпретацию спектрограммы.
Предыдущие решения обрабатывали сигнал Mjj построчно для каждой высоты i (см. [1]). Из сказанного выше следует, что при наличии шумов в этом подходе не получается правильно отделить полезный сигнал (см. рис. 1). Для решения этой проблемы
139
предлагается выделять полезный сигнал на спектрограмме по всем высотам. Таким образом, задача сводится к классификации изображения спектрограммы, а именно в разделении объектов на следующие классы целей:
сигнал, отраженный в пределах однозначного измерения дальности (первый ход развертки);
сигнал, находящийся за пределами этой дальности (второй, третий, ..., Ы-й ход развертки);
помехи и фоновый шум.
тевздгед »а и 53^3 г
Рис. 1. Пример доплеровского спектра на определенном направлении и высоте и его аппроксимация гауссианой. Из-за наличия помехи получен некорректный
результат
Перед применением какого-либо алгоритма для разделения изображения на сегменты следует провести предобработку изображений. После первичной обработки сигнала из матрицы спектрограммы удаляются все значения выше определенного порога (значения будут равны нулю). Такие нулевые значения предлагается заполнить средним ближайшим ненулевым значением в строке рекурсивно. Таким образом, имея нулевое значения по индексу [¿,у] итеративно двигаемся по строке в обе стороны пока не найдем ближайший ненулевой элемент слева или справа. В случае наличия такого элемента с обеих сторон, заменяем нулевой значение средним.
Помимо этого, в спектрограммах могут иметься длинные горизонтальные области больших значений, которые могут мешать корректно классифицировать объекты на спектрограмме. Для их устранения предлагается использовать построчную нормализацию.
Для устранения фонового шума из спектрограммы можно использовать методы пороговой бинаризации изображений, использующиеся в области распознавания образов, например методы Оцу [5], Ли [6]. Суть методов пороговой бинаризации сводится к вычислению такого порога, который позволил бы выделить объект на изображении. Смысл такого порога заключается в том, чтобы разделить изображение на светлый объект и темный фон. Т.е. объект — это совокупность тех пикселей, яркость которых превышает порог, а фон — совокупность остальных пикселей, яркость которых ниже порога.
Метод Оцу использует гистограмму изображения для расчета порога. В данном методе в гистограмма представляет собой набор бинов, каждый из которых характеризует количество попаданий в него пикселей различной яркости. Суть метода Оцу заключается в том, чтобы выставить порог между классами таким образом, чтобы каждый их них был как можно более «плотным». Это сводится к минимизации внутриклассовой дисперсии, которая определяется как взвешенная сумма дисперсий двух классов
аI, = \мха\
где и — вероятности первого и второго классов соответственно.
2000 ¿000 6000 ГЦ
Метод Ли основан на минимизации перекрестной энтропии между передним планом и средним значением переднего плана, а также фоном и средним значением фона. Примеры методов пороговой бинаризации представлены на рис. 2.
После получения очищенного от фонового шума изображения на нем нужно выделить области сигналов (сегменты). Для этого можно применить следующие методы:
кластеризация с использованием связанных компонент в неориентированном
графе;
решающие деревья (случайный лес);
нейронные сети.
Последние два метода относятся к машинному обучению с учителем и требуют наличия обучающей выборки. Метод кластеризации использует построение графа изображения и поиск в нем компонент связности (рис 3). Для каждого пикселя с координатой [1,7] будем считать связанными с ним пиксели с координатами [¿ + 1,7], [1,7 + 1], [¿ + 1,7 + 1], [¿ + 1,7 — 1]. Полученный таким образом граф рахобьем на компоненты связанности, и будем считать каждый компонент отдельным сегментом.
Получив отдельные сегменты спектрограммы можно использовать набор эвристик для классификации сегментов по классам: полезный сигнал; сигнал на втором ходе развертки; оставшийся шум. Были опробованы следующие эвристики:
Пусть 5 — полученный сегмент, а Я — множество всех нешумовых сегментов,
тогда
5 = {5: ||51| < п Л /1(5) < т], где ||5|| - размер сегмента; /(я) — функция, возвращающая модуль разности между минимальным и максимальным индексом сегмента в матрице по строкам.
Original Isodata
У
Li Mean
À. 111111
Minimum Otsu
Triangle Уеп
. .... .à. - .... /" Ж. ., /'
Рис. 2. Различные методы сегментации спектрограммы на основе пороговых
значений
141
1 — £22) (24)-—(2) 0 (46) (юЬЧф) (ву—^32)—(83) (98)— — £
Рис. 3. Пример построение графа для бинарного изображения и кластеризации
изображения путем поиска компонент связности
В случае, если
|5| = 2, и 1ут1п(з1) — утах(з2)1 < к V 1утт(з2) — утах^^ < к определим сигнал на втором ходе развертки как
52 = Б[агдт.т(хт.т(5))], где хтт — функция, возвращающая минимальный построчный индекс для каждого элемента из множества; утт/утах — функция, возвращающая минимальный/максимальный постолбцовый индекс для каждого элемента из множества; п,т,к — заданные параметры.
К преимуществам данного метода классификации на основе эвристик можно отнести простоту использования, отсутствие необходимости иметь обучающую выборку и тратить время на обучение, а так же гибкую настройку параметров.
Недостатками метода будет большая чувствительность к входным параметрам, невозможность классификации сигналов из третьей и т.д. дальностей.
Полный алгоритм классификации имеет следующий вид:
1. Заполнение пропущенных значений в матрице спектрограммы ближайшими.
2. Нормализация матрицы.
3. Устранение шума методом бинаризации изображения.
4. Классификация полученных сегментов.
5. Восстановление корректной спектрограммы в случае обнаружения двойной дальности.
Пример выполнения шагов 1-5 алгоритма для реальной спектрограммы представлен на рис. 4. На рис. 5 изображен восстановленный профиль ветра.
Направление ветра
Скорость ветра
•ih
• ib old
-40 -за
направление скорость
Рис. 5. Профиль ветра до и после применения алгоритма
Выводы. Предложенный алгоритм классификации изображения спектрограммы позволяет отделять шумовые сегменты от полезного сигнала и восстанавливать корректный профиль ветра при присутствии полезного сигнала на втором ходе развертки.
Список литературы
1. Стерлядкин В.В., Куликовский К.В., Калмыков В.М., Ермилов Д.В. Радиолокационные отражения от ясного неба в миллиметровом диапазоне длин волн // Российский технологический журнал. 2018. Т. 6. No 6. С. 28-40.
2. Бакулаев П.А., Степин В.М. Методы и устройства селекции движущихся целей. М.: Радио и связь, 1986. 288 с.
3. Довиак Р., Зрнич Д. Доплеровские радиолокаторы и метеорологические наблюдения. Л.: Гидрометеоиздат, 1988. 512 с.
4. Ren Li-xiang, Mao Er-ke. Study o HPRF Pulsed Doppler Stepped Frequency Radar System // Proc. of 2006 CIE Int. Conf. on Radas, Shanghai, China. Octover 16-19, 2006. P. 272-275.
5. Otsu N. A threshold selection method from gray-level histograms // IEEE Trans. Sys. Man. Cyber. 9 (1), 1979. P. 62-66.
6. Li C.H., Lee C.K. Minimum Cross Entropy Thresholding // Pattern Recognition, 26(4). 1993. P. 617-625.
Калмыков Андрей Викторович, аспирант, voldr4396@yandex.ru, Россия, Тула, АО «Центральное Конструктрское Бюро Аппаратостроения»
CLASSIFICATION OF DOPPLER SPECTROGRAMS FOR SIGNAL DETECTION OUTSIDE
THE UNIQUELY MEASURED RANGES
A.V. Kalmykov
To improve the quality of echo signal processing in the conditions of the impossibility of changing the hardware characteristics of the corresponding equipment, the task of classifying the spectrogram of the echo signal was posed. To solve it, binary classification methods from computer vision problems related to pattern recognition in images are considered. A
technique for classifying a spectrogram for detecting the main echo signal and a signal reflected outside the unambiguously measured range is presented. The results of the algorithm for wind profile reconstruction are presented. Alternative algorithms for classifying echo spectrograms related to the field of machine learning are discussed
Key words: Doppler radar, signal filtering, pattern recognition, spectrogram classification.
Kalmykov Andrei Viktorovich, postgraduate, voldr4396@yandex.ru, Russia, Tula, JSC «Central Design Bureau of Apparatus Engineering»
УДК 629.7.08
DOI: 10.24412/2071-6168-2022-5-144-152
МЕТОДИЧЕСКИЙ ПОДХОД ДЛЯ ПРОДЛЕНИЯ СРОКОВ ЭКСПЛУАТАЦИИ СИСТЕМ АМОРТИЗАЦИИ
В.В. Козлов, А.В. Лагун, К.А. Лямин, К.В. Румянцев
В статье ставится задача разработки подхода к оцениванию технического состояния систем амортизации различных конструктивных исполнений, таких так системы амортизации пружинного, пружинно-демпферного типа, а также пневматических и упругопластических амортизаторов. Результаты расчетов, выполненные по математическим моделям в последующем подвержены расшифровкой на основе вейвлет-преобразования, позволяющей выявлять незначительные изменения в физических параметрах в системах амортизации из осциллограмм их кинематических параметров. На основании получаемых результатов появляется возможность определить техническое состояние свистам амортизации.
Ключевые слова. защищаемый объект, импульс воздействия, перегрузка, перемещение, динамика движения, параметры амортизации.
Эксплуатация амортизируемых объектов (АО) МО РФ как сложных систем является долговременным, многоплановым, и трудоемким процессом, регламентация которого постоянно совершенствуется в изменчивых военно-политических, социально-экономических и научно-технических условиях. Одним из эффективных подходов к обеспечению длительной эксплуатации АО в настоящее время является использование систем мониторинга.
Создание систем мониторинга стало уже утвердившимся направлением совершенствования систем эксплуатации и обеспечения долговечности сложных технических систем [1]. Особую актуальность имеет внедрение систем мониторинга в процессы проектирования и эксплуатации систем амортизации (СА) АО. Так, функционирования СА совместно с системой мониторинга приводит к тому, что уже на стадии проектирования необходимо обеспечить приспособленность оборудования к выполнению контроля его технического состояния переносными приборами неразрушающего контроля, а в особо ответственных случаях предусматривать в его составе стационарные диагностические системы.
Разработанные модели пригодны для оценивания технического состояния на уровне элемента, что не обеспечивает системного подхода к анализу технического состояния СА, поскольку причинами снижения работоспособности оборудования СА являются, как правило, неблагоприятные комбинации различных факторов и свойств сопряженных элементов.
