CC BY
30
УДК 621.396
КОРРЕЛЯЦИОННЫЙ АНАЛИЗ В СИСТЕМАХ КЛАССИФИКАЦИИ СИГНАЛОВ
А. М. Середкин, А. П. Николаева, Я. Н. Савелькина Научный руководитель - Т. Н. Бодикова
Красноярский филиал Санкт-Петербургского университета гражданской авиации Российская Федерация, 660022, г. Красноярск, ул. Аэровокзальная, 12
E-mail: k.caf3@yandex.ru
Рассматриваются вопросы классификации сигналов в двухканальных системах обработки по корреляционному признаку. Предложено устройство классификации и оценена эффективность его работы путем моделирования на ПЭВМ.
Ключевые слова: классификация сигналов, корреляционный признак классификации, структура устройства классификации, результаты классификации.
CORRELATION ANALYSIS IN SIGNAL CLASSIFICATION SYSTEMS
A. M. Seredkin, A. P. Nikolaeva, Y. N. Savelkina Scientific Supervisor - T. N. Bodikova
Krasnoyarsk branch of St. Peterburg University of Civil Aviation 12, Aerovokzalnaya Str., Krasnoyarsk, 660022, Russian Federation E-mail: k.caf3@yandex.ru
The issues of signal classification in two channel processing systems by correlation feature are considered in this article. We suggest the classification device. The efficiency of its operation has been evaluated by means of modulation in PCs.
Keywords: signal classification, correlation feature of classification, structure of classification device, classification results.
Одно из важнейших направлений совершенствования радиотехнических систем - создание методов получения наиболее полной информации, содержащейся в сигналах и помехах. Составной частью данного направления является классификация сигналов.
Классификация сигналов (объектов) - это принятие решения о принадлежности сигнала (объекта) к тому или иному классу на основе полученных его характеристик. Различные классы (типы) составляют определенный алфавит. Выбор алфавита классов предопределяет как эффективность использования алгоритмов классификации, так и трудности, возникающие при их реализации.
Задача классификации состоит в указании принадлежности объекта, представленного набором векторов, к одному из классов. При двухальтернативной классификации разделение объектов реализуется путем построения линейного решающего правила, в процессе которого входной вектор сравнивается с порогом. Превышение порога относит сигнал к объектам первого класса, в противном случае - к объектам второго класса.
При наличии двух каналов обработки оптимальной является раздельная обработка по каналам с последующим когерентным объединением их информации. В этом случае появляется новый признак, характеризующий статистическую связь сигналов двух каналов обработки. Коэффициент межканальной корреляции сигнала является информативным параметром, позволяющим классифицировать сигналы [1].
На рис. 1 изображена схема с корреляционной обратной связью, имеющая два входа, на которые поступают сигналы одной и той же частоты с комплексными амплитудами U0 (t) и U1 (t) от основной и дополнительной антенн [2].
Секция «Электронная техника и технологии»
и (()
и (()
К
Нейронная сеть
X
Решение
Рис. 1. Устройство классификации по корреляционному признаку
На сумматоре формируется напряжении
их( г ) = ио (г)- К их (г).
В цепь корреляционной обратной связи включено устройство, обеспечивающее вычисление оценки корреляционного момента
иА< )-и;(г).
Последний с точностью до постоянного множителя у используется в качестве комплексного коэффициента передачи К, подаваемого на управляемый элемент:
К = уи^(г )• и;(г). Учитывая соотношение для (г), получим
К =
уи¿г ) 2 .
1 + У и (г)]
С другой стороны, М (ц2) = о2, М (с/1С/2) = га1а2, где г - коэффициент корреляции комплексных амплитуд ио (г) и 111 (г); ст1,ст2 - дисперсии сиг-
налов.
В этом случае
К =
У Г010 2
2
1 + уог
При сильной обратной связи, когда уо2 >> 1, величина К принимает вид
К = г
о1
Таким образом, комплексный коэффициент передачи в цепи обратной связи корреляционного автокомпенсатора содержит информацию о степени корреляции двух сигналов ио (г) и
111 (г). Такими сигналами могут быть выходные сигналы двух частотных или поляризационных
каналов обработки. Возможен и череспериодный корреляционный анализ в одном канале обработки.
Для подтверждения того, что комплексный коэффициент передачи К содержит информацию о коэффициенте корреляции сигналов г, проведено моделирование работы автокомпенсатора на ПЭВМ. На входах автокомпенсатора задавались сигналы, характеризующие различные объекты (с различной степенью флюктуации) в смеси с шумами, распределенными по нормальному закону. Результаты моделирования представлены на рис. 2.
Рис. 2. Зависимость коэффициента корреляции Рис. 3. Разделительная функция
сигналов от степени их флюктуаций
При решении задачи классификации сигналов эффективным является применение нейронных сетей, позволяющих переработать исходные данные в результат (линейное разделение классов сигналов). Нейронные сети позволяют указать принадлежность входного образа, представленного вектором признаков, к одному или другому предварительно определенным классам [3]. Для построения разделительной функции, определяющей принадлежность сигналов к различным классам, выбрана разомкнутая нейронная сеть с фиксированной структурой и последовательными связями.
Нейронные сети являются программами, работающими по самообучающимся алгоритмам. Для обучения сети была использована специальная компьютерная программа.
Для реализации процесса классификации сигналов с различными коэффициентами корреляции, на вход сети подан файл, включающий 32 значения коэффициентов корреляции, изменяющихся в пределах от 0,7 до 0,99. При этом задавался порог с коэффициентом межпериодной корреляции 0,95. В результате работы сети получен результат классификации - разделительная функция А, изображенная на рис. 3. Полученный результат свидетельствует о высокой эффективности работы нейронной сети при классификации сигналов по корреляционному признаку.
Была проведена оценка эффективности работы предложенного устройства с точки зрения вероятностных характеристик, в частности вероятности правильной классификации. Далее приводится только полученный результат. Так при классификации сигналов, межканальный коэффициент корреляции которых г > 0,9, достигается вероятность правильной классификации 0,78. Этот результат получен для случая, когда классификация проводится за время однократного обращения к анализируемому сигналу. С увеличением числа обращений, вероятность правильной классификации возрастает (при трех обращениях она достигает величины 0,92).
Выводы.
1. Предложен алгоритм и устройство классификации сигналов по корреляционному признаку.
2. Проведенное моделирование на ПЭВМ показало достаточно высокую эффективность предложенного алгоритма и целесообразность применения нейронных сетей для классификации сигналов.
Библиографические ссылки
1. Радиоэлектронные системы: основы построения и теория : справ. 2-е изд., перераб. и доп. / под ред. Я. Д. Ширмана. М. : Радиотехника, 2007. 512 с.: ил.
2. Теоретические основы радиолокации : учеб. пособие для вузов / Я. Д. Ширман, В. Н. Голиков, И. Н. Бусыгин и др. / под ред. Я. Д. Ширмана. М. : Сов. радио, 1970. 560 с.
3. Головко В. А. Нейрокомпьютерные сети: обучение, организация и применение. М. : Радиотехника, 2001. 225 с.
© Середкин А. М., Николаева А. П., Савелькина Я. Н., 2017
