CC BY
34Решетневские чтения
A. V. Krivtsov, A. A. Gorshkalev, S. A. Zhuravlev, E. A. Sajgakov Samara State Aerospace University патев after academician S. P. Korolev, Russia, Samara
FEATURES OF PHYSICAL PROCESSES MODELLING IN THE VORTEX TUBE BY MEANS OF SOFTWARE PACKAGE ANSYS
Features of this work consist in application of software package Fluent for modeling ofphysical processes in three-dimensional model of a vortex tube. By the results of researches it is possible to tell safely that usage of methods of mathematical modelling considerably simplifies process of creation of a vortex tube at comprehensible accuracy.
© Кривцов А. В., Горшкалев А. А., Журавлев С. А., Сайгаков Е. А., 2009
УДК 621.39:621.391.82
А. В. Кузовников, А. Л. Дерябин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
НЕЙРОСЕТЕВАЯ КЛАССИФИКАЦИЯ ВХОДНЫХ СИГНАЛОВ
Проведен анализ существующих методов классификации входных сигналов. Построена модель нейронной сети встречного распространения для классификации входных сигналов. Показаны преимущества использования нейронных сетей и граничные условия их применимости.
В последнее время в связи с интенсивным развитием методов цифровой обработки появляются публикации, в которых для решения задачи определения типа модуляции предлагается использовать следующее:
- спектральный анализ нелинейных преобразований сигнала;
- спектрально-корреляционный анализ (метод спектрокоррелограмм);
- вейвлет-анализ сигнала;
- вероятностный и статистические методы;
- нейронные сети;
- фрактальный анализ.
В общем случае при ведении радиомониторинга вид принимаемого сигнала заранее неизвестен. Для обработки параметрически неопределенных сигналов для которых априорно неизвестны математические ожидания невозможно применить традиционные методы решений. Для решения задачи классификации параметрически неопределенных сигналов предлагается осуществить переход в признаковое пространство, в котором выборочная реализация отображается вектором, а ансамбль реализаций - областью. Для решения задачи выделения информативных признаков и классификации ансамблей реализаций наиболее оптимально подходит обработка в нейронных сетях.
В работе рассмотрен способ определения вида модуляции входного сигнала, с использованием
нейронной сети. Анализ различного вида нейронных сетей позволил выявить наиболее оптимальную структуру с точки зрения наибольшей вероятности правильного обнаружения и сложности реализации. Такими качествами обладает нейронная сеть встречного распространения (ЬУ^-сеть).
Нейррнн Менена ЫртыГррссёерга Рис. 1. Нейронная сеть встречного распространения
Алгоритм встречного распространения объединил в себе два алгоритма - самоорганизующуюся карту Кохонена и звезду Гроссберга. Данный тип нейронных сетей способен к обобщению, что и обусловливает области применения данной сети для распознавания и восстановления обра-
Математические методы моделирования, управления и анализа данных
зов. LVQ-сеть имеет 2 слоя, конкурирующий слой, который выполняет кластеризацию входных векторов, и линейный слой, который решает задачу определения связи между кластерами и целевыми классами.
Схема нейронной сети встречного распространения показана на рис. 1. Нейроны нулевого слоя показаны кружками и не выполняют никаких вычислений, они служат лишь точками разветвления. Далее под номером 1 расположен слой Ко-хонена, на каждый нейрон которого поступают все входные сигналы с весами wmn. Совокупность весовых коэффициентов образует матрицу весов W. Такой же принцип соединения слоев Кохонена и Гроссберга (слой 2), только с весовыми коэффициентами vnp, которые образуют матрицу весов V.
В работе была проведена оценка зависимости вероятности обнаружения сигнала от отношения «сигнал/шум». Полученный результат (рис. 2) показывает высокую вероятность обнаружения сигналов с низким отношением «сигнал/шум». Для оценки граничных условий применимости нейронной сети проведен эксперимент по обнаружению слабоэнергетического сигнала с отношением «сигнал/шум» -50 дБ. График зависимости вероятности обнаружения данного сигнала от числа нейронов в конкурирующем слое представлен на рис. 3. Анализ полученной зависимости демонстрирует увеличение вероятности правильного обнаружения до 70 % при увеличении числа нейронов в 20 раз. Дальнейшее увеличение числа нейронов нецелесообразно в силу резкого увеличения требуемых вычислительных ресурсов.
Рис. 2. Зависимость вероятности обнаружения сигнала Рис. 3. Зависимость вероятности обнаружения сигнала ФМ2 от отношения сигнал/шум ФМ2 от числа нейронов в конкурирующем слое
при отношении «сигнал/шум» -50 дБ
A. V. Kuzovnikov, A. L. Deraybin Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
NEURON NETWORK CLASSIFICATION OF INPUT SIGNALS
The analysis of existing methods of classification of input signals is carried out in the work. The model of a neuron network of counter propagation (learning vector quantization) for classification of input signals is constructed. Advantages of usage of neuron networks and terminal conditions of their applicability are shown.
© А. В. Кузовников, А. Л. Дерябин, 2009
