CC BY
81
Секция «Математическое моделирование управления и оптимизации»
слиянии которой достигается максимальный выигрыш информативности.
Библиографические ссылки
1. Масич И. С. Комбинаторная оптимизация в задаче классификации // Системы управления и информационные технологии. 2009. № 1.2(35). С. 283-288.
2. Журавлев Ю. И., Рязанов В. В., Сенько О. В. «Распознавание». Математические методы. Программная система. Практические применения. М. : ФАЗИС, 2006.
© Кузьмич Р. И., Гулакова Т. К., Масич И. С., 2010
УДК 621,314,2
И. С. Лыткин Научный руководитель - Е. С. Семенкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ОБ ЭВОЛЮЦИОННОМ ФОРМИРОВАНИИ НЕЙРОСЕТЕВЫХ СИСТЕМ
ПОДАВЛЕНИЯ ШУМА
Для проектирования систем подавления шума предлагается использовать нейросетевые модели. При автоматизации проектирования таких систем предлагается использовать алгоритм генетического программирования для генерирования нейросетей произвольной структуры и генетический алгоритм для настройки весовых коэффициентов. Показано, что с помощью такого подхода можно получить более простую нейросетевую систему, обладающую лучшими характеристиками подавления шума, чем полученные «вручную» нейронные сети.
Современные системы распознавания, передачи и обработки сигналов, функционирующие в неблагоприятных условиях, таких как, например, движущийся автомобиль, большое число сторонних источников сигнала и т. д., оперируют с большим числом окружающих шумов, что приводит к существенному понижению эффективности подобного рода систем и требует разработки современных методов подавления помех [1].
Теоретической основой фильтрации шумов служит спектральный анализ, алгоритмической основой которого являются быстрые преобразования Фурье. Применение спектрального анализа и классических фильтров требует аккуратной настройки множества параметров, что делает очень трудным осуществление автоматизации проектирования систем шумоподавления. Все это приводит к необходимости поиска новых подходов. Одним из таких подходов могло бы стать использование интеллектуальных информационных технологий, интенсивно развиваемых последние три десятилетия [2].
Ключевым преимуществом интеллектуальных информационных технологий является их способность автоматически настраиваться на конкретную задачу и адаптироваться к изменяющимся условиям, а также возможность автоматизации их проектирования эволюционными алгоритмами. Это позволяет сделать вывод об актуальности выбранной темы и о перспективности исследуемого в ней подхода.
На сегодняшний момент существует несколько методов подавления шумов. Каждый из этих методов, а также их комбинации, можно применять для эффективного решения задачи подавления шумов. Однако, при этом все они имеют определенные ограничения и некоторые недостатки.
Для смягчения этих ограничений и устранения недостатков необходимо создавать системы подавления шумов, которые:
1. Не требуют изменения внешних параметров приема сигнала.
2. Не требуют априорной информации о сигнале или шуме.
3. Могут проектироваться в автоматизированном режиме.
Для решения поставленной таким образом задачи целесообразно применять интеллектуальные информационные технологии.
Для адаптации интеллектуальной технологии к задаче подавления шумов использовалась программная среда Matlab Neural Network Toolbox.
В результате анализа множества структур нейронных сетей и их настройки выявлено, что наиболее простой и эффективно решающей задачу подавления шума является сеть прямого распространения с обратным распространением ошибки. Полученная сеть имеет следующие характеристики: 1 скрытый слой, 5 нейронов на слое, функция активации - дву-полярная сигмоида, среднее время обучения - 1 с, ошибка обучения - 0,01, среднее отношение сигнал/шум - -9,2 dB до обучения и 16,3 dB после обучения, средняя дисперсия обработанного сигнала -0,0179, количество ложных срабатываний - 55.
Для автоматизации подбора структуры сети и настройки коэффициентов была использована программа, основанная на методе генетического программирования [3]. Многократный прогон алгоритма показал, что при каждом прогоне удается получать эффективную нейронную сеть, успешно решающую задачу подавления шума. Типичная получаемая структура представлена на рис. 1.
Актуальные проблемы авиации и космонавтики. Информационные технологии
рованной алгоритмом генетического программирования (Л(5) - пороговая активационная функция;
Е2(Б) - однополярная сигмоида) Рис 2 Исходньш модулированньш сигаал
в 6
Рис. 3. Зашумленный модулированный сигнал Рис. 4. Обработанный сигнал
Характеристики сети: среднее отношение сигнал/шум —9,2 Ж (до обработки), 19,8 Ж (после обработки), средняя дисперсия обработанного сигнала относительно эталонного - 0,0163, количество ложных срабатываний (отношение сигнал/шум меньше 10 дБ) - 20.
Полученные характеристики немного превышают или остаются на уровне характеристик «вручную» полученной и настроенной сети, а структура автоматически сгенерированной сети гораздо проще. Можно сделать вывод, что автоматически сгенерированная сеть является наиболее эффективной среди рассмотренных.
На рис. 2-4 представлены смоделированные результаты работы предложенной нейросетевой системы подавления шумов в цифровой системе связи с РР8К модуляцией.
В данной работе предложен подход к решению задачи подавления шумов на основе искусственных нейронных сетей, выполнено автоматическое генерирование структуры нейронной сети с помощью алгоритма генетического программирования, проведен статистический анализ полученных результатов и обоснована возможность практического примене-
ния нейросетевого метода подавления шумов в системах цифровой связи.
Таким образом, в рамках работы выполнено обоснование эволюционного подхода к автоматизации проектирования нейросетевых систем подавления шумов и проведены численные эксперименты, подтверждающие обоснованность предложенного подхода и перспективность его применения
Библиографические ссылки
1. Скляр, Б. Цифровая связь. Теоретические основы и практическое применение. М. : Диалектика ; Вильямс, 2004.
2. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы : пер. с польск. М. : Горячая линия-Телеком, 2004.
3. Липинский Л. В., Семенкин Е. С. Система эволюционного формирования нейросетевых моделей сложных систем // Компьютерные учебные программы и инновации. № 7. 2007. С. 15.
© Лыткин И. С., Семенкин Е. С., 2010
