CC BY
23Математические методы моделирования, управления и анализа данных.
УДК 621.39:621.391.82
А. В. Кузовников, А. Л. Дерябин, В. А. Шатров, В. Ю. Баженов
ОАО «Информационные спутниковые системы» имени академика М. Ф. Решетнева», Россия, Железногорск
ОЦЕНКА ЭФФЕКТИВНОСТИ РАСШИРЕНИЯ ШИРИНЫ ПОЛОСЫ СИГНАЛОВ, МОДУЛИРОВАННЫХ РАЗЛИЧНЫМИ ТИПАМИ ВЕЙВЛЕТ-ФУНКЦИЙ
Проведен анализ способов расширения спектра сигнала с использованием различного типа модулирующих функций. Показано, что при модуляции сигнала негармонической несущей происходит существенное расширение спектра формируемого сигнала.
Известны различные методы повышения помехозащищенности систем радиосвязи (СРС) (см. рисунок). Все методы можно классифицировать на энергетические, пространственные, временные, частотные и структурные. В свою очередь, в каждой из перечисленных групп имеются несколько вариантов повышения помехозащищенности каналов связи. Выбор конкретного метода в каждом конкретном случае определяется с учетом технической сложности реализации поставленных задач и возможностей разрабатываемой системы связи. Наибольшей эффективностью обладают системы, использующие комбинацию различных методов повышения помехозащищенности. Одним из наиболее перспективных направлений являет-
ся исследование сигнальных методов увеличения помехоустойчивости.
В работе В. Н. Болотова показано, что помехоустойчивость систем связи можно повысить, изменив вид модулирующей функции [1]. Проведен анализ помехоустойчивости сигнала, формируемого различными типами вейвлет-функций. Отличительной особенностью модуляции негармонической несущей является возможность существенного расширения спектра полезного сигнала и, как следствие, повышение его помехозащищенности.
В таблице приведены результаты оценки ширины полосы при модуляции сигнала различными типами вейвлет-функций.
Методы повышения помехозащищенности каналов связи в СРС
Основные методы повышения помехоустойчивости СРС
Решетневские чтения
Результаты исследования расширения спектра сигналов, модулированных различными типами вейвлет-функций
Тип вейвлета Ширина полосы
Хаара 310 МГц
Симлета 320 МГц
Мейера 320 МГц
Гаусса 80 МГц
Морлета 300 МГц
Шеннона 650 МГц
Комплексный Морлета 71 МГц
Койфлета 520 МГц
Дискретная аппроксимация вейвлета Мейера 363 МГц
Мексиканская шляпа 360 МГц
Комплексный Гаусса 80 МГц
Частотный В-сплайновый 230 МГц
Фрактальный 530 МГц
Проведенный анализ показал, что использование вейв-лет-функций в качестве модулирующих существенно расширяет спектр формируемого сигнала и повышает его потенциальную помехоустойчивость. Наиболее эффективными являются фрактальный вейвлет и вейвлет Шеннона.
Библиографическая ссылка
1. Болотов Н. В., Ткач Ю. В. Генерирование сигналов с фрактальными спектрами // Журнал технической физики. Т. 76. 2006. Вып. 4. С. 91-98.
A. V. Kuzovnikov, A. L. Deryabin, V. A. Shatrov, V. Y. Bazhenov JSC «Academician M. F. Reshetnev «Information Satellite Systems», Russia, Zheleznogorsk
THE ESTIMATION OF EFFICIENCY OF EXPANSION OF THE BANDWIDTH OF THE SIGNALS MODULATED BY VARIOUS TYPES OF WAVELET-FUNCTIONS
The analysis of expansion methods of a signal spectrum with use of various type of modulating functions is carried out. It is shown that at modulation of nonharmonic catenarian signal there is an essential expansion of the formed signal spectrum.
© Кузовников А. В., Дерябин А. Л., Шатров В. А., Баженов В. Ю., 2010
УДК 519.68
Р. И. Кузьмич
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ОПРЕДЕЛЕНИЕ ВАЖНОСТИ ПРИЗНАКОВ ПРИ ФОРМИРОВАНИИ ПАТТЕРНОВ
В ЗАДАЧЕ КЛАССИФИКАЦИИ
Рассматривается важность каждого признака при формировании позитивных и негативных паттернов в задаче прогнозирования осложнения инфаркта миокарда - фибрилляции желудочков.
Рассмотрим задачу следующего вида. Имеется выборка данных, которая состоит из двух непересекающихся множеств и п-мерных векторов. Каждый вектор соответствует некоторому наблюдению. Компоненты векторов (называемые признаками, переменными, характеристиками или атрибутами) представляют собой результаты определенных измерений, тестов.
Задача состоит в том, чтобы для некоторого нового наблюдения, являющегося также вектором п переменных, определить, к какому классу он принадлежит.
В основе предлагаемого подхода к классификации данных лежит метод, происходящий из теории комбинаторной оптимизации и называемый логическим анализом данных.
В основе рассматриваемого метода лежит понятие паттерна. Позитивным паттерном называется подкуб пространства булевых переменных Б'2, который пересекается со множеством и не имеет общих элементов со множеством Негативный паттерн задается аналогично [1].
