CC BY
80
Графическое представление полученного результата имеет вид, приведенный на рис.8.
Рис.8. Гиперплоскость, соответствующая функции х1х2 V х1 х3 V х2х3
Для логических операций большей размерности рассмотренная задача реша-.
, -
ность естественного преобразования логической функции в пороговую форму.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Чернов НМ. Линейное пространство как математический аппарат порогового представления логических функций. Материалы международной конференции «Континуальные алгебраические логики, исчисления и нейроинформатика в науке, технике и экономике» «ОИН-2003», Ульяновск, 2003, т.3. - С. 153-155.
2. . .
чисел. Монография. - Таганрог: Изд-во ТРТУ, 2000. - 146 с.
3. Чернов НИ Линейный синтез цифровых структур АСОиУ. - Таганрог: Изд-во ТРТУ, 2004. - 118 с.
4. Вавилов ЕМ. и др. Синтез схем на пороговых элементах. - М.: Сов. Радио, 1970. - 368 с.
5. . ., . . . - .: ,
1970. - 528 .
АЛ. Долгий, СМ. Ковалев, А.Е. Хатламаджиян
МОДЕЛЬ ЛОКАЛИЗАЦИИ НЕОДНОРОДНОСТЕЙ В ГЕОРАДИОЛОКАЦИОННЫХ ДАННЫХ НА ОСНОВЕ НЕЙРОСЕТЕЙ
КОХОНЕНА*
Введение. Современная георадиолокация - это сложный комплекс программно-аппаратных средств. В настоящее время методы неразрушающего диагностирования зондируемой среды, которые использует этот комплекс, применяются во многих отраслях науки и техники. В том числе и на железнодорожном транс.
Аппаратура для проведения георадиолокационных работ носит одноименное
- .
. -
нитные импульсы длительностью в единицы и доли наносекунд. Излучаемый импульс в среде отражается от границ объектов или неоднородностей, на которых
*
Работа выполнена при поддержке РФФИ (грант № 04-01-00277)
меняются электрические свойства - электропроводность и диэлектрическая проницаемость. Отраженный сигнал принимается приемной антенной, усиливается, преобразуется в цифровой вид и запоминается [2]. Объектами исследования могут быть границы разделы сред с различным литологическим составом, пустоты и разуплотнения, участки различной влажности и трещинноватости, предметы техногенного и естественного происхождения, т.е. любая область, отличающаяся по электрофизическим характеристикам от окружающей её среды.
. , типа объектов исследования: протяженные объекты (трубы, кабели), локальные объекты (любые объекты изометрической формы) и горизонтально-слоистая или ( , ). , при георадиолокационном обследовании антенный блок георадара перемещается вдоль по требуемому профилю, излучая и принимая отражённые сигналы через
, . -рядоченного набора отражённых сигналов складывается изображение непрерывного вертикального разреза исследуемой среды, именуемое радарограммой или гео-радиолокационным профилем (рис.1).
iü_______________________L_______________________£_______________________й_______________________________________________£
Рис.1. Георадиолокационный профиль
Представленная в таком виде информация, подвергается обработке и интерпретации оператором, с использованием экспертной оценки. Грамотное использование такого подхода дает возможность адекватно оценить сложившуюся ситуацию и сделать адекватные выводы о состоянии анализируемой среды. Однако в , , программным средствам. В частности, возникает проблема автоматизации обра-, ,
, -.
Касаясь специфики железнодорожного транспорта особое внимание необходимо уделять «просадкам» и «вздутиям» некоторых слоев балластной призмы и основной площадки земляного полотна. Их возникновение во многом связано с избыточным увлажнением зондируемых участков. Такие процессы могут сопровождаться значительными искривлениями рельсового пути и вести к необратимым последствиям. Отсюда следует, что одной из важнейших задач георадиолокации на
, -ков. В связи с этим и предлагается метод автоматического детектирования ано-
мальных зон в балластной призме и основной площадке земляного полотна на основе нейросетевых .
. -
дачи предлагается построить на том простом предположении, что участки зондируемой среды, под-
« », -чаются достаточно редко. Тогда задачу локализации аномалий можно разбить на два этапа:
1. Разделение трассы имеющейся радаро-граммы на два класса.
2. Определение класса аномалий по признаку меньшей размерности.
Предлагаемая модель локализации аномалий в георадиолокационных данных показана на рис.2. При внимательном рассмотрении становится
,
слабо формализованный временной процесс. Объединение такого рода данных в группы (кластеры) успешно решает специальный класс самоорганизующихся нейронных сетей Кохонена (НСК) [1]. Нейросеть Кохонена может быть обучена выявлению кластеров входных данных, обладающих некоторыми общими свойствами.
Перед поступлением на вход НСК георадио-локационные данные проходят процедуру препро-, -ратных помех и гауссовского сглаживания.
Алгоритм учета аппаратных помех опирается
- , присутствует в каждой трассе радарограммы и является сигналом прямого прохождения из передающей антенны в приемную (рис.3).
В процессе мониторинга этот сигнал складывается с сигналом отраженным от зондируемой .
,
. -
ся в дальнейших вычислениях.
Для удаления шумов и группировки линий синфазности, возникновение которых обусловлено существованием границ раздела грунтов в зондируемой среде, , , « ».
Г аусса позволяет при скачкообразном изменении частоты, характерном для необработанных георадиолокационных данных, получить «гладкие переходы» в оги-. -
Рис.2. Модель локализации аномалии на основе неиросет и Кох он ена
'----г-
где параметр а задает степень размытия, а параметр А обеспечивает нормировку.
Не -1 0 1 Отн.ед.
20
Рис.3. Сигнал прямого прохождения
Фактически, это то же усреднение, только пиксель смешивается с окружающими по определенному закону, заданному функцией Гаусса [3]. На рис. 4 приведен фрагмент волновой картины до и после применения гауссовского сглаживания.
Рис.4. Фрагмент волновой картины: а) до сглаживания; б) после сглаживания
После прохождения описанной процедуры препроцессинга, трассы радаро-граммы подаются на входы НСК. При первой итерации, формируется НСК, имеющая один внутренний слой, состоящий из десяти нейронов (рис.5). Количество нейронов в сети подбирается эвристически и, в частности, обусловлено необходимостью более точной детализации аномальных интервалов георадарограммы, чем при непосредственной кластеризации георадиолокационных данных на два класса.
Такая НСК позволяет получить некую кривую, характеризующую степень принадлежности трасс зондируемой среды к аномальным участкам. В связи с тем, что аппаратные средства, используемые в этом методе имеют ряд недостатков, в том числе восприимчивость к электромагнитным помехам, на полученной кривой наблюдаются некоторые высокочастотные всплески, т.е. скачкообразные переходы, например, из 1-го кластера сразу в 8-ой. По этим всплескам, можно сделать вывод, о присутствии в зондируемой среде «точечных» аномалий, чего на самом . , кривой принадлежности применяется экспоненциальное сглаживание [3], которое определяется по формуле:
zt = W X yt + (1 - W) X zt_i, (2)
где y - вектор кривой принадлежности; z - сглаженный вектор; W - весовой коэффициент в диапазоне [0,1].
После применения экспоненциального сглаживания, на кривой принадлежности визуализируются плавные переходы между группами данных, принадлежащих . , -, , кластеры георадиолакационных данных - трассы, характерные для зондируемой
( ).
, , принимается кластер меньшей размерности.
Заключение. Предлагаемую модель автоматизации нахождения аномалий в зондируемой среде планируется использовать как один из модулей гибридной системы, которая будет способна решать более обширные задачи. На основе разрабатываемых моделей планируется создание целого комплекса программных средств, отвечающих за сравнения показаний модулей по локализации аномалий, сверки текущей ситуации с уже известными ситуациями базы данных, принятие оптимального решения на основе экспертной базы знаний.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Kohonen, T. Self-Organizing Maps, Second Edition. Berlin: Springer-Verlag. 1997.
2. Помозов, В.В, Семейкин, НМ. Георадар как универсальный поисковый прибор // Специальная техника. 2001. № 2. - С. 2-6.
3. Кулаичев, AM. Методы и средства комплексного анализа данных. - М.: ФОРУМ: ИНФРА-М, 2006. - 512 с.
