CC BY
52
Заключение прогресса по данной задаче. Взаимное расположе-
Распознавание объектов является одной из са- ние пространственных объектов будет вычисляться мых сложных и интересных задач при работе с кар- топологическими отношениями. Важной стадией яв-тами. Используется большое число всевозможных ляется разработка математического описания [11, методов для освоения данного направления, неко- 12], правил и алгоритмов топологических связей торые из которых приведены в [6,7,8]. Первооче- между объектами и их преобразований. Это дает редными вопросами, стоящими перед проблемами возможность прогрессировать при интеграции геораспознавания, являются идентификация и класси- метрических типов информации в базу картографи-фикация пространственных объектов различных ви- ческих данных и повышает скорость работы с раст-дов [4,9,10]. ровыми и векторными картами и с базами данных,
Заслуживает внимания вопрос распознавания которые на сегодня содержат данные с координат-
пространственных объектов с использованием то- ной привязкой, что занимает ощутимый объем ре-
пологических признаков. Эта группа методов сурсов памяти и снижает скорость выдачи резуль-
имеет особые перспективы. Исчезновение привязки татов запроса. Применение геометрических типов
к координатам и ввод геометрических типов ин- информации позволит повысить скорость работы и
формации в базы данных, которые содержат в себе уменьшит объем занимаемых ресурсов в памяти. пространственные объекты, станут новой стадией
ЛИТЕРАТУРА
1. Купцов К.В., Буланова Ю.А. Исследование алгоритмов выделения объектов на изображении // Научный потенциал молодежи - будущее России. VI Всероссийские научные Зворыкинские чтения: сб. тез. докл. Всероссийской межвузовской научной конференции. Муром, 25 апр. 2014 г.- Муром: Изд.- полиграфический центр МИ ВлГУ, 2014. - С. 635 - 636
2. Ященко А.А., Мирошниченко С.Ю. Метод распознавания объектов дорожной сети на космических снимках // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2012. № 2-1. С. 158-163.
3. Bashkirov O.A., Vasin Yu.G., Khoroshenkov N.V. DETECTING BUILDINGS ON TOPOGRAPHIC MAPS OF CITIES // Pattern Recognition and Image Analysis (Advances in Mathematical Theory and Applications). 2001. Т. 11. № 2. С. 284.
4. Купцов К.В. Алгоритм поиска транспортных средств на высокоточных снимках в задачах анализа чрезвычайных ситуаций // Алгоритмы, методы и системы обработки данных. 2 (2015) 50-58.
5. Кумисбек Г.М., Касымов У.Т., Ергалиев Д.С., Мадиярова З.С. Квадрокоптеры как доступные устройства для подготовки операторов беспилотников для дистанционного зондирования земли // Труды международного симпозиума «Надежность и качество». 2015. Т.2. С. 22-24
6. Andrianov D.E., Eremeev S.V., Kuptsov K.V. The review of spatial objects recognition models and algorithms // International Conference on Industrial Engineering, Procedia Engineering 129 ( 2015 ) 374 - 379
7. Купцов К.В., Буланова Ю.А. Исследование алгоритмов выделения объектов на изображении // Научный потенциал молодежи - будущее России. VI Всероссийские научные Зворыкинские чтения: сб. тез. докл. Всероссийской межвузовской научной конференции. Муром, 25 апр. 2014 г.- Муром: Изд.- полиграфический центр МИ ВлГУ, 2014. - С. 635 - 636
8. D.E. Andrianov, S.V. Eremeev, K.V. Kuptsov Models of Complex Spatially Distributed Objects and their Features Calculation // 2015 International Conference on Mechanical Engineering, Automation and Control Systems (MEACS) 1-5
9. Чернов А. В., Титова О. А., Чупшев Н. В Автоматическое распознавание контуров зданий на картографических изображениях // Математические методы распознавания образов, 13-я всероссийская конференция, 30 сентября -6 октября 2007 г., г. Зеленогорск, Ленинградская область, сборник докладов, 424-427
10. Андрианов Д.Е., Еремеев С.В., Баринов А.Е., Титов Д.В. Алгоритмы поиска объектов по пространственным характеристикам в задачах муниципальных ГИС // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение, номер 2-3, 2012
11. Дедков В.К. Компьютерное моделирование характеристик надежности нестареющих восстанавливаемых объектов / В.К. Дедков, Н.А. Северцев // Труды международного симпозиума Надежность и качество. 2010. Т. I. С. 368-370.
12. Андрианов Д.Е. Математическое описание топологических отношений в ГИС для целей повышения качества обработки картографической информации // Труды международного симпозиума «Надежность и качество». 2008. Т.1. С. 400-401
УДК: 681.31
Мясникова Н.В., Мясникова М.Г.
ФГОУ ВПО «Пензенский государственный университет», Пенза, Россия
МОДАЛЬНЫЙ АНАЛИЗ: ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА СИГНАЛОВ
Усовершенствована процедура разделения на эмпирические моды для выделения близких частотных составляющих на основе предварительной обработки — дифференцирования или интегрирования, выполняемых для акцентирования высокочастотных или подавления низкочастотных компонент. Ключевые слова:
эмпирические моды, модальный анализ, дифференцирование, интегрирование
Введение
В последнее время возрастает интерес к разложению на эмпирические моды. Авторы уже давно используют такое разложение как предварительную обработку сигналов, позволяющую увеличить отношение сигнал/помеха, упростить алгоритм параметрического анализа (за счет сведения сложной задачи оценивания параметров модели порядка р к простым задачам оценивания параметров составляющих первого и второго порядков) и при этом существенно сократить время анализа. Предварительное разложение использовалось авторами для спектрального анализа, для оценивания параметров
сигналов сложной формы, формирования диагностических признаков, а также для сжатия и восстановления сигналов в распределенных ИИС[1-6].
Однако очевидно, что моды не всегда разделяются четко. Это происходит, если, например, есть быстро затухающие колебания. В этом случае происходит выталкивание более низкочастотных составляющих на более высокочастотные моды. Также не происходит разделения и близких по частоте составляющих с соизмеримыми амплитудами.
Первый пример иллюстрирует рисунок 1, а второй - рисунок 2. На всех графиках в статье по
по оси у его
оси х отложены отсчеты сигнала, а значения в размерных единицах.
Основная часть
Покажем пути преодоления перечисленных «недостатков» разложения.
В первом случае задача решается достаточно просто. Применим численное дифференцирование, возможно многократное. При этом составляющие не
(2 л/С )п раз ам-
меняют свою форму: изменяется в
плитуда, а фаза изменяется на величину
л п— . 2
Ри-
сунок 3 показывает, что теперь, в отличие от разложения, представленного на рисунке 1, не происходит выталкивания более низкочастотной составляющей «вверх».
Рисунок 4 показывает, что за счет того, что амплитуды составляющих при дифференцировании (в данном случае - четырехкратном) усиливаются по-разному, становится возможным разделение близких по частоте мод.
Мы использовали факт - при дифференцировании амплитуды возрастают, но можно для этой же цели воспользоваться и интегрированием (возможно -многократным).
При этом амплитуды частотных составляющих уменьшаются неодинаково: они умножаются на
( , \п
1
2ЛС
л
- п— . 2
, а фазы изменяются на величину
С У
Соответственно близкие составляющие, как и при применении дифференцирования, могут быть разделены. Это иллюстрирует рисунок 5, где применено многократное (в данном случае - четырехкратное) интегрирование.
0 50 100 150 200 250 300
0 50 100 150 200 250 300
0 50 100 150 200 250 300
Рисунок 1 - Разложение на эмпирические моды с быстро затухающей высокочастотной составляющей
50 100 150 200 250 300
50 100 150 200 250 300
Рисунок 2 - Разложение на эмпирические моды с близкими частотами
10 0
-10 -0
V 0 -
-А 0
20 Г
0 -
-20 -0
5 0 -5
Рисунок 3 - Разложение на эмпирические моды с быстро затухающей высокочастотной составляющей с предварительным дифференцированием
Рисунок 4 - Разложение на эмпирические моды сигнала с близкими частотными составляющими с предварительным дифференцированием
Рисунок 5 - Разложение на эмпирические моды сигнала с близкими частотными составляющими с предварительным интегрированием
Отметим, что на рисунках 3 уже восстановлены:
5 составляющие
п
амплитудные значения умножены на
V
2Лс
с У
составляющей при применении предварительного дифференцирования;
амплитудные значения умножены на (2ЛС)п при применении предварительного интегрирования.
50
150
200
250
300
50
150
200
250
300
50
100
150
200
250
300
10
0
-10
10
0
-10
2
0
0
50
100
150
200
250
300
10
0
10
0
50
100
150
200
250
300
10
-10
0
0
50
100
150
200
250
300
10
-10
0
0
50
100
150
200
250
300
Здесь /с - оценка частоты составляющей по экс-
тремальным значениям составляющей, а п- количество дифференцирований или интегрирований для восстановления сигнала. Фазы на рисунках 3-5 не скорректированы: в первом случае ее нужно из-
менить на величину n-
ж 2
а во втором
на - n
ж 2
Заключение
Несложные преобразования позволяют более корректно выделить моды. Показание к предварительной обработке - значительно отличающаяся от «нуля» дисперсия периода и (или) модулей экстремальных значений выделенных мод или нарушение тенденции поведения экстремумов.
ЛИТЕРАТУРА
1. Мясникова, Н.В. Применение разложения по эмпирическим модам в задачах цифровой обработки сигналов / Н.В. Мясникова, Л.А. Долгих, М.Г. Мясникова // Датчики и системы. - 2011. - № 5. - С. 8-10.
2. Ломтев, Е.А. Совершенствование алгоритмов сжатия-восстановления сигналов для систем телеизмерений/ Е.А. Ломтев, М.Г. Мясникова, Н.В. Мясников, Б.В. Цыпин// Измерительная техника. - 2015. -
№ 3. - С. 11-15.
3. Мясникова, Н.В. Разложение на эмпирические моды на основе экстремальной фильтрации// Н.В. Мясникова, М.П. Берестень // Цифровая обработка сигналов. - 2014. - № 4. - С. 13-17.
4. Терехина, А.В. Сравнительная оценка алгоритмов сжатия информации на основе метода Прони/ А.В Терехина // Современные проблемы науки и образования. - 2013. - № 1. - С. 166.
5. Ломтев, Е.А. Применение метода на основе экстремальной фильтрации в задачах сжатия измерительных сигналов/ Е.А. Ломтев, Б.В. Цыпин, А.В. Терехина// Измерение. Мониторинг. Управление. Контроль. - 2013. - № 1. - С. 55-59.
6. Мясникова, Н.В., Формирование диагностических признаков на основе экстремальной фильтрации/ Н.В. Мясникова, М.П. Берестень // Труды международного симпозиума Надежность и качество. 2014. Т. 2. С. 74-76.
УДК 629.7.058.42
Боков1 А.С., Важенин1 В.Г., Дядьков1 Н.А., ИофиН А.А., МухиН В.В.
1ФГАОУ ВПО «Уральский федеральный университет им. первого Президента России Б.Н. Ельцина», Екатеринбург, Россия
2АО «Уральское проектно-конструкторское бюро «Деталь», Каменск-Уральский Свердловской обл., Россия
ПРОВЕРКА И ИССЛЕДОВАНИЕ ТОЧНОСТНЫХ ХАРАКТЕРИСТИК БОРТОВЫХ РАДИОВЫСОТОМЕРОВ
Комплексы полунатурного моделирования сигналов для радиолокационных систем позволяют проводить полную проверку аппаратуры и алгоритмов в лабораторных условиях. Рассмотренный способ формирования отраженного сигнала как комбинации многих зондирующих сигналов, соответствующих отражению от множества блестящих точек цели и/или подстилающей поверхности позволяет существенно упростить аппаратуру имитатора сигнала в режиме реального времени, даже при переменных параметрах зондирующего сигнала, наличии движения целей и самого радиолокатора. Приведены примеры и результаты экспериментальных исследований полунатурного моделирования работы серийных радиовысотомеров.
Ключевые слова:
полунатурное моделирование, радиолокатор, радиовысотомер, линия задержки, цифровая обработка сигналов, спектр
Для исследования точностных характеристик радиовысотомеров (РВ), радиодальномеров, а также бортовых радиолокационных систем (РЛС) в лабораторных условиях необходима имитация частотно-временной структуры радиолокационного сигнала, отраженного от подстилающей поверхности, от одной или нескольких целей, находящихся на заданном направлении. Формирование сигналов эквивалентных отраженным от протяженных объектов и поверхностей может быть также использовано для испытаний аппаратуры с контролем параметров СВЧ и НЧ-трактов излучения и обработки сигналов, для функциональной проверки алгоритмов захвата, наведения и сопровождения целей в РЛС в условиях, близких к реальным или к критическим (вибрация, температура и др.).
Для решения этого спектра задач используются комплексы полунатурного моделирования способные выполнять имитацию радиолокационных сигналов в режиме реального времени [1, 3].
В основе программной части таких комплексов должна использоваться модель представления фо-ноцелевой обстановки с учетом характеристик отражения радиолокационных сигналов от протяжённых объектов и поверхностей. При этом часто используют методы геометрической оптики и феноменологический подход, при котором сложный механизм рассеяния и отражения электромагнитного поля поверхностью упрощают путём замены пространственно-электрических характеристик поверхности на соответствующие характеристики отражённого сигнала, известные в большинстве случаев из экспериментальных данных для конкретных диапазонов частот.
Согласно феноменологическому подходу [2] протяженный радиолокационный объект или подстилающую поверхность можно представить в виде набора
точечных отражателей или фацетов с индивидуальными геометрической площадью и ориентацией. Тогда пространство распространения прямого и отраженного сигналов между антеннами РЛС и отдельным отражателем можно трактовать как некоторый элементарный канал передачи сигнала с переменными во времени параметрами, передаточная функция которого К2(^ю, Ь) однозначно определяется в каждый текущий момент времени положением отражателя в пространстве и скоростью его относительного перемещения. Поэтому пространство распространения сигнала между антеннами РЛС и всей отражающей поверхностью можно представить в виде многоканальной системы - рис. 1, состоящей из множества элементарных каналов с передаточными функциями К(Ь), где i = 2,..., п [3].
Рисунок 1 - Многоканальная модель радиолокационного канала распространения сигнала «передающая антенна - отражающая поверхность - приемная антенна»
Передаточная функция каждого канала ^(Ь, Х2) определяет задержку ^ и затухание при распространении и отражении сигнала, а также вносит доплеровский сдвиг частоты
пропорционален относительной скорости сближения Vi с 2-ой блестящей точкой и обратно-пропорционален длине радиоволны Л: = 2 Vi /Л.
