CC BY
35
- выбор компромисса между величиной добротности и действующей высотой (эффективностью);
- определение необходимых для точной подстройки значений элементов СНС путем схемотехнического моделирования. Следует отметить, что математическая модель, основанная на схемотехническом моделировании, в низкочастотных диапазонах не дает высокую точность значений реактивных элементов настройки и согласования. Точные, конкретные значения определяются лишь на этапе корректировки опытного образца;
- проведение физического моделирования в условиях максимально приближенных к реальным и постановку трассовых испытаний.
Среди отмеченных пунктов следует пояснить компромисс между величиной добротности и действующей высотой. Добротность определяет ширину полосы пропускания сигнала в тракте и ограничение подводимой мощности на реактивных элементах, по этой причине высокая добротность может оказаться недопустимой. С другой стороны, действующая высота тем выше, чем выше добротность, значит, надо добиваться максимально допустимой добротности с учётом ширины спектра используемых сигналов.
VI. Выводы
Проведенные исследования показали, что рамочные коаксиальные антенны являются эффективными, перспективными в применении, перестраиваемыми в широком диапазоне частот и качественно согласованными антеннами. Особенность конструкции позволяет еще более повысить эффективность без увеличения габаритов. Антенны являются наиболее актуальными в относительно низкочастотных диапазонах. Выше также предложен методологический подход, который следовало бы использовать на практике.
Список литературы
1. Klimov K. N., Godin A. S., Gezha D. S. Electrically small antennas. Part 1 // Uspekhi sovremennoi radioel-ektroniki. 2016. № 6.
2. Klimov K. N., Godin A. S., Gezha D. S. Electrically small antennas. Part 2 // Uspekhi sovremennoi radioel-ektroniki. 2016. № 7.
3. John Volakis, Chi-Chih Chen, Kyohei Fujimoto. Small Antennas: Miniaturization Techniques & Applications. McGraw-Hill, 2010.
4. Loop antennas // Balanis С. А. Antenna theory. Analysis and design. 4th ed. USA: John Wiley & Sons, 2016.
5. Пат. 2583758 Российская Федерация, МПК H 01 Q 9/00. Малогабаритная резонансная рамочная коаксиальная антенна / Кисмерешкин И. П., Колесников А. В. № 2014153165/08; заявл. 25.12.14; опубл. 10.05.16 Бюл. № 13.
6. Gormakov A. N., Ulyanov I. A. Calculation and modeling of magnetic fields generated by the system «Helm-holtz rings-solenoid» // Fundamental research. 2015. № 3. URL: http://fundamental-research.ru/ru/article/view?id=37081.
7. Loop antennas // Straw R. Dean. Antenna book. 21st ed. USA: ARRL, 2007.
8. Rothammel K., Krishke A. Encyclopedia antenn: per. s nem. - M.: DKM Press, 2011. URL:
http://samlib.ru/u7ua6agw g a/ua6agw-14.shtml (дата обращения 20.05.2017).
9. Kismereshkin V. P., Kolesnikov A. V. Possibilities of efficiency rasing for electrically small coaxial loop antennas Zhurnal Radioelektroniki // Journal of Radio Electronics. 2015. № 2. URL: http ://j re. cplire. ru/j re/feb 15/9/text. html. (дата обращения 05.06.2017).
УДК 006.91
ОСНОВЫ ТЕХНОЛОГИИ ИДЕНТИФИКАЦИОННЫХ ИЗМЕРЕНИЙ
Ю. Н. Кликушин, В. Ю. Кобенко, П. П. Степанов
Омский государственный технический университет, г. Омск, Россия
DOI: 10.25206/2310-9793-2017-5-4-209-215
Аннотация - При решении задач распознавания образов в основном применяют нейронные сети и скрыт ые марковские модели. Предлагается принципиально новый подход к решению задач распознавания образов, основанный на технологии идентификационных измерений сигналов (ИИС). Суть технологии ИИС заключается в количественном оценивании формы образов с помощью специальных инструментов и алгоритмов.
Ключевые слова: алгоритм, измерительная шкала, распознавание, распределение, тестер.
I. Введение
Распознавание, как информационная процедура, присуща всем живым природным объектам, является их естественной, «встроенной» функцией и направлена на адаптацию организма к условиям внешней и внутренней среды. Однако если в живой природе функция распознавания выполняется быстро, эффективно и на интуитивном уровне, то научить техническую систему выполнять тоже самое представляет собой сложную проблему [9].
Понятие распознавания можно определить, по аналогии с понятием измерения, как процесс сравнения неизвестного образа с некоторым эталонным образом. Если принять такую точку зрения, то следующий шаг в наших рассуждениях состоит в том, чтобы распространить и всю методологию теории измерений на решение задач распознавания образов. В пользу такого подхода, кроме общих, «идейных» соображений, говорит и то обстоятельство, что результатом сравнения в обоих случаях выступает количественная оценка в виде числа [1, 8].
II. Постановка задачи
Известно, что в основе любых измерений лежат две процедуры, характеризуемые понятиями: измерительный преобразователь и измерительная шкала. Вспомним, для примера, измерение действующего значения переменного напряжения с помощью простейшего аналогового прибора, стрелка (указатель) которого отклоняется на некоторый угол под воздействием входного измеряемого сигнала.
Первая функция (преобразование сигнала в угол отклонения указателя) реализуется в измерительном преобразователе, который может быть реализован в различных вариантах, например, с помощью электромагнитного или электростатического механизма.
Вторая функция - измерение - состоит в оценке положения указателя относительно положения цифровых отметок измерительной шкалы, которая является многозначной мерой (эталоном) физической величины (напряжения или тока), представленной входным сигналом. Чем больше оцифрованных отметок шкалы, тем более точным может быть получен результат измерения. Если же указатель находится между отметками, то дополнительно применяется процедура интерполяции - округление положения указателя к ближайшей отметке.
Несмотря на очевидную простоту и удобство подобных, простейших измерений, получаемые результаты могут быть весьма точными (иметь малые погрешности). Известен афоризм, принадлежащий П.В. Новицкому, одному из корифеев измерительной техники в СССР, профессору Ленинградского политехнического института о том, что «все великие открытия в физике 20 века сделаны с помощью тестера» [1-4].
III. Теория
В теории и практике ИИС функцию измерительного преобразователя выполняет так называемый идентификационный тестер (ИТ). С программной точки зрения, ИТ отображает массив чисел в одно, особое идентификационное число, которое обладает свойством масштабной инвариантности - независимости от амплитуды и частоты входного сигнала - выборочная реализация которого в виде массива анализируется [1-4]. Примером ИТ может служить так называемый S-тестер, программный код которого представлен на рис. 1.
Рис.1. Программный код S-тестера
Принцип действия S-тестера основан на измерении крутизны ранжированной функции сигнала на центральном ее участке относительно медианы.
Рис. 2. Вид ранжированных функций (сверху вниз) реализаций сигналов с КОШИ, НОРМ, РАВН и
2МОД распределениями
IV. Результаты экспериментов Проведенными нами исследованиями установлено, что вид этих функций не зависит от параметров сдвига и масштаба. Средняя же крутизна (8) на центральном участке плавно увеличивается в направлении от КОШИ к 2МОД распределению, что и служит основанием для «оцифровки» формы (имен) распределений, что проиллюстрировано на примерах рис. 2 - 4.
Рис. 3. Примеры выборочных реализаций сигналов и их распределений (2МОД, РАВН)
Нормальное (НОРМ) распределение Распределение Коши (НОШИ)
Рис. 4. Примеры выборочных реализаций сигналов и их распределений (НОРМ, КОШИ)
V. Обсуждение результатов Анализ представленных примеров позволяет выдвинуть гипотезу в виде следующего обобщения: «Все возможные формы распределений заключены и упорядочены между 2МОД и КОШИ распределениями». Отсюда, в свою очередь, следует вывод о возможности представления распределений в виде идентификационной (катего-рийной) шкалы (ИШ). Для S-тестера ИШ изображена в виде табл. 1.
ТАБЛИЦА 1 ИДЕНТИФИКАЦИОННАЯ ШКАЛА 8-ТИПА
IdP=S N=10000,L=100 Вид распределения случайного сигнала (реперные точки ИШ)
const kosh lapl gaus simp trap even asin 2mod
Rank 0 1 2 3 4 5 6 7 8
Mean (S) 0 1 15 32 51 63 75 92 100
Sy = Id[Y(t)] 24,36
Реперные точки ИШ (табл.1) имеют числовые обозначения в виде средних значений (mean S = 0 -.100) и порядковых номеров (Rank = 0..8) отметок, а также качественные обозначения - в виде упорядоченных имен (const ...2mod) распределений. В нижней строке представлен пример измерения некоторого сигнала, показания которого для S-тестера составили Sy = 24,36. Интерполяция этих показаний позволяет утверждать, что исследуемый сигнал имеет распределение, близкое к нормальному (gaus) в соответствие с очевидным правилом:
Name Sy ~ Id*[min(ASyg; ASyl)],
где: ASyg = abs(Sy - Sg) = abs(32 -24,36) = 7,64; ASyl = abs(Sy - Sj) = abs(24,36 - 15) = 9,36. Отсюда следует,
что: Name Sy ~ Id*[min(7,64/gaus; 9,36/lapl)] = GAUS. Здесь символ Id*[] обозначает операцию обратную к операции Id[.] идентификации распределения по шкале.
ИШ является эмпирическим информационным объектом, который нельзя получить формально, исходя из какой либо теории. Однако если подобная ИШ создана, ее можно использовать для решения задач распознавания (классификации) образов не только сигналов, но и любых числовых последовательностей (распределений, массивов).
Категории (классы) ИШ можно интерпретировать в терминах некоторой предметной области. Например, в медицинской диагностике разные классы могут соответствовать разным стадиям какого-либо заболевания.
Для уменьшения неоднозначности преобразования «массив-число» следует измерять несколько идентификационных параметров исследуемого сигнала. Для этого используется, например, S-вектор (рис. 5), измеряющий два идентификационных параметра: для самого сигнала (Яе^) и его приращений (1ш-8). В этом случае можно автоматически различать похожие образы, например, треугольные сигналы от пилообразных.
Задачу автоматической интерполяции показаний ИТ можно решать не только округлением численного значения указателя до ближайшей отметки ИШ, но и путем использования, так называемой, «лингвистической» интерполяции [5-7]. Инструмент, называемый интерполятором, ставит в соответствие входному сигналу не одно имя из табл.1, а все 9. При этом порядок следования имен распределений у разных сигналов может быть разным. Таким образом, удается сравнивать сигналы по категорийным спискам.
Рис. 5. Программные коды S-вектора (слева) и его подмодуля Х^еИа (справа)
Рис. 6. Вид панели управления интерполятора
Входной сигнал (Waveform Graph) в форме массива (рис. 7) подается на вход идентификационного тестера S-типа, на выходе которого формируется число (S = 24,36). С помощью встроенной ИШ это число сравнивается с ее реперными точками (табл.1), в результате чего выделяются соответствующие разности: Ai = abs(Sx - Si), которые сортируются по возрастанию и сопоставляются с именами ИШ. Таким образом, исходная последовательность (const-kosh-lapl-gaus-simp-trap-even-asin-2mod) имен из табл.1, переформатируется под воздействием входного сигнала в последовательность: gaus-lapl-kosh-const-simp-trap-even-asin-2mod, показанную на рис. 6 и названную лингвистическим кодом (LingvoCode).
Рис. 7. Структура программного кода интерполятора
Рис. 8. Алгоритм оценки степени хаотичности-регулярности сигналов
Идея, связанная с возможностью измерения свойств хаотичности-регулярности, проиллюстрирована на рис. 8. Два крайних списка (LingvoCode) представляют собой упорядоченные по возрастанию и убыванию идентификационного параметра (S) имена распределений ИШ. Средний - неупорядоченный - список получен в результате анализа входного сигнала интерполятором (рис. 7).
Очевидно, что:
1) крайние, упорядоченные списки задают полный диапазон существования всевозможных сигналов;
2) список сигнала с максимальной неупорядоченностью (хаотичностью) находится точно в центре - на одинаковом расстоянии от граничных списков, при этом dl = d2;
3) смещенность «сигнального» списка влево или вправо от центра указывает на наличие некоторой регулярности в анализируемом сигнале, при этом можно идентифицировать тип регулярности, например, как возрастающий или убывающий тренд.
Выводы и заключение
Возможность количественного оценивания формы характеристик сигналов, свойства хаотичности-регулярности позволяет распознавать и на самом общем уровне анализировать состояние объектов контроля.
Список литературы
1. Губарев В. В., Горшенков А. А., Кликушин Ю. Н., Кобенко В. Ю. Классификационные измерения: методы и реализация // Автометрия. 2013. Т. 49, № 2. С. 76-84.
2. Гуменюк А. С., Кликушин Ю. Н., Кобенко В. Ю., Цыганенко В. Н. Алгоритмы анализа структуры сигналов и данных : монография. Омск: Изд-во ОмГТУ, 2010. 272 с.
3. Кобенко В. Ю. Идентификационные измерения: методы, модели, технологии: моногр. Омск: Изд-во ОмГТУ, 2014. 208 с.
4. Кобенко В. Ю. Операция умножения распределения случайного сигнала на число в пространстве идентификационных чисел // Омский научный вестник. Сер. Приборы, машины и технологии. 2013. № 1 (117). С. 243-247.
5. Захаренко В. А., Кликушин Ю. Н., Кобенко В. Ю., Орлов С. А. Технология классификации объектов диагностики с помощью МТШ-90 // Контроль. Диагностика. 2012. № 7. С. 43-49.
6. Bennt J. R., MacDonald J. S. On the Measurement of Curvature in a Quantised Environment // IEEE Trans Comput. 1975. Vol. 24, № 8. P. 803-820.
7. Canny J. A. Computational approach to edge detection // IEEE Trans . PAMI. 1986 . Vol. 8, № 6. P. 201-207.
8. Yen J. C., Guo J. I. The design and relezation of a chaotic neural enecryption/decryption network // In: Proc., IEEE Asia-Pacific Conference of Circuts and System. 2000. P. 335-338.
9. Yu S. Hidden semi- Markov models // Artificial Intelligence. 2010. Vol. 174, no. 2. P. 215-243.
Упорядоченный по возрастанию список имен ИШ
