CC BY
187
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ПРИ ОБРАБОТКЕ ИНФОРМАЦИИ В СИГНАЛИЗАЦИОННЫХ СРЕДСТВАХ ОБНАРУЖЕНИЯ
Воеводин Сергей Валерьевич,
старший преподаватель Уральского федерального университета, г. Екатеринбург, Россия, [email protected]
Духан Андрей Евгеньевич,
аспирант Уральского федерального университета,
г. Екатеринбург, Россия, [email protected]
Духан Евгений Изович,
доцент Уральского федерального университета, к.т.н., доцент, г. Екатеринбург, Россия, [email protected]
Звежинский Станислав Сигизмундович,
профессор кафедры ИБиА МТУСИ,
д.т.н., профессор, Москва, Россия, [email protected]
Ключевые слова: алгоритм обработки информации, искусственная нейронная сеть, средство обнаружения, сигнализационная надежность, линия вытекающей волны.
Сигнализационное средство обнаружения предназначено для выработки сигнала тревоги в ответ на вторжение нарушителя в защищаемую область пространства, называемую зоной обнаружения, и представляет собой изделие, состоящее из блока обработки и чувствительного элемента. Активные средства обнаружения "накачивают" энергию в окружающее пространство, пассивные используют уже существующие физические поля (например, сейсмическое), которые искажаются нарушителем при вторжении. При разработке средств обнаружения, как правило, используется математическое моделирование полезных сигналов (от нарушителя) и помех, что позволяет создавать эффективные алгоритмы обработки сигналов. Математическое моделирование активных средств, например, на эффекте линии вытекающей волны, возможно с большей степенью адекватности, чем для пассивных. Новые тенденции в разработке средств обнаружения связаны с повышением их информативности, например, определением места вторжения на рубеже охраны. Рассматривается применимость искусственных нейронных сетей для построения эффективных алгоритмов обработки сигналов в типовых и новых активных сигнализационных средствах обнаружения с потенциальной повышенной информативностью. Для первых не выявлено решающих преимуществ нейронных сетей по обеспечению сигнализационной надежности, однако для новых средств обнаружения искусственные нейронные сети обеспечивают построение более эффективных алгоритмов обработки информации. Показано, что искусственная нейронная сеть типа "двунаправленная ассоциативная память" обеспечивает определение продольной координаты места вторжения с точностью до двух метров для средства обнаружения на основе линии вытекающей волны с модуляцией частоты зондирующего излучения.
Для цитирования:
Воеводин С.В., Духан А.Е., Духан Е.И., Звежинский С.С. Применение нейронных сетей при обработке информации в сигнализационных средствах обнаружения // T-Comm: Телекоммуникации и транспорт. - 2015. - Том 9. - №9. - С. 11-15.
For citation:
Voevodin S.V., Dukhan A.E., Dukhan E.I., Zwierzynski S.S.. Neural networks application for information processing in signaling intrusion detection systems. T-Comm. 2015. Vol 9. No.9, рр. 11-15. (in Russian).
Сигнализационное средство обнаружения (СО) предназначено для выработки сигнала тревоги в ответ на вторжение нарушителя в защищаемую область пространства, называемую зоной обнаружения (ЗО), и представляет собой изделие, состоящее из блока обработки (БО) и чувствительного элемента. Активные средства обнаружения «накачивают» энергию в окружающее пространство, пассивные используют уже существующие физические поля, которые искажаются нарушителем при вторжении.
Приоритетным направлением развития СО является повышение их сигнализационной надежности (вероятности обнаружения и средней наработки на ложную тревогу), а также увеличение информативности выходного сигнала, например, указание места нарушения на рубеже охраны. При разработке алгоритма обработки информации в любом СО, обеспечивающем высокую сигнализационную надежность, должны учитываться все характерные «разделительные» признаки полезных сигналов и помех в различных условиях эксплуатации изделий. Сложность нестационарных процессов сигнало- и помехообразования, существенное влияние на них внешней среды (физико-географических и природно-климатических условий, антропогенного фактора и пр.) приводят к тому, что полезные сигналы (шумы) обладают существенным разнообразием сигнатур даже, казалось бы, в одинаковых условиях, и соответственно крайне трудно поддаются адекватному математическому моделированию [0].
Тем не менее, для активных СО (например, на основе радиоволнового эффекта линии вытекающей волны, ЛВВ) ситуация является более прогнозируемой, чем для пассивных (например, сейсмических или вибрационных), что позволяет в первом приближении использовать методы математического моделирования сигналов и помех. При этом формирование корректной базы данных моделируемых сигналов и помех приобретает ключевое значение для построения эффективного алгоритма обработки информации, а значит и для СО в целом.
СО ЛВВ представляет собой специальное техническое средство, состоящее из блока обработки (БО) и чувствительного элемента, в качестве которого выступают два кабеля с перфорированным экраном, размещенные на некотором расстоянии друг от друга в грунте [I, 2], Первый кабель нагружен на передатчик БО и излучает в пространство гармонический (или импульсный) сигнал частотой порядка 50 МГц; второй кабель является приемной антенной, подключенной на вход синхронного приемника. «Нарушитель» (примитивной моделью которого может служить проводящий четвертьволновой вибратор), попадая в зону обнаружения вблизи кабелей, вносит искажение в сформированное ближнее квазистационарное радиоволновое поле, что и детектируется. В БО выделяется низкочастотный сигнал амплитудной и фазовой модуляции приемного излучения, далее этот сигнал оцифровывается и обрабатывается в соответствии с алгоритмом, записанным в энергонезависимую память СО, чтобы выработать выходной сигнал тревоги в ответ на перемещение нарушителя в ЗО, и не вырабатывать сигнал при воздействии многочисленных помеховых факторов. Основные тактические
характеристики СО - вероятность обнаружения Р„ и средняя наработка на ложную тревогу Тл связаны соответственно с понятиями ошибки второго рода и первого рода.
В последнее время все больше исследователей приходят к выводу о том, что построение улучшенного алгоритма обработки информации на принципах «железной» программируемой микропроцессорной логики не является рациональным, - более продуктивным считается направление, когда изделие «интеллектуально самообучается» на рубеже охраны в течение первого этапа эксплуатации (типично продолжающегося 1-2 месяца). Такие методы искусственного интеллекта суть: нейронные сети, нечеткая логика, машины опорных векторов, многоальтернативные алгоритмы и пр. [3-5],
Известно, что искусственные нейронные сети (ИНС) успешно применяются в различных информационных системах для решения задач классификации и управления, позволяют создавать адаптивные системы, работающие в реальном масштабе времени, в том числе при нелинейной адаптивной обработке слабосвязанных сигналов (векторов) в условиях воздействия шума [3]. Эти же качества позволяют использовать ИНС для реализации «сложного» алгоритма обработки информации в активных радиоволновых СО с повышенной информативностью, где модуляция частоты зондирующего излучения дает принципиальную возможность определения места нарушения на рубеже [6]. Неясным остается вопрос, а что же дает применение ИНС в типовых СО с обычной («пониженной») информативностью.
В работе исследовались различные ИНС для определения структуры, в наилучшей степени подходящей для построения алгоритма обработки информации в СО ЛВВ для типового и высокоинформативного варианта, для наилучшей конфигурации чувствительного элемента. При этом использовалась база данных смоделированных полезных сигналов от «нарушителя», описанная в [7, 8]. Формировалась представительная обучающая выборка, охватывающая характерные типы входных воздействий; на реализации аддитивно накладывался сгенерированный «стационарный» шум, а основным возмущающим фактором среды была влажность грунта.
Проведенные исследования показали, что из распространенных типов ИНС наилучшие результаты по сигнализационной надежности обеспечивает трехслойная рекуррентная сеть реального времени (Real Time Recurrent Network, RTRN), являющаяся развитием обычного пер-цептрона, которая при наличии обратной связи дает хорошую сходимость и высокую скорость обучения [I, 3], Нейронная сеть (с сигмоидальной функцией активации) обучалась по принципу минимизации целевой функции Е -среднеквадратической ошибки принятия решения («нарушитель» / «шум») по множеству реализаций обучающей выборки для различных отношений сигнал/шум. Обучение проводилось в широком диапазоне изменения параметров «нарушителя» {0,2,. .5 м/с) для максимальной (6 м) ширины зоны обнаружения (ЗО), хотя последующий анализ показал, что можно ограничиться величиной вдвое меньшей. В качестве обучающей выборки использовались одиноч-
ные векторы отсчетов полезного сигнала с шумом и без него, скорость движения «нарушителя» и место пересечения ЗО считались распределенными равномерно.
Обучение ИНС осуществлялось в пять этапов. В результате оценка сигнализационной надежности СО ЛВВ с алгоритмом на основе трехслойной RTRN показала, что величина средней наработки на ложную тревогу Тл (по «стационарному» шуму) не превышает 250 час (соответствуя приблизительно вероятности ложной тревоги порядка 0,001) при вероятности правильного обнаружения Р0 = 0,98. Эти параметры не вполне соответствуют требованиям к СО нового поколения, и в принципе могут быть обеспечены традиционными методами обработки информации, реализованными на базе микропроцессора, использующими программируемую частотно- амплитудно-временную селекцию.
Однако, как показали исследования, применение ИНС дает существенное повышение информативности СО ЛВВ с модуляцией частоты зондирующего излучения, позволяя реализовать «тонкие» (не заметные разработчику) различия в полезных сигналах и шумах [0]. Для такой модуляции излучения форма и характеристики (например, средний период осцилляции) ЛВВ-полезных сигналов на некотором интервале зависят от продольной координаты места вторжения вдоль линии распространения излучающего (приемного) кабеля с перфорированным экраном.
Соответствующий «тонкий» алгоритм обработки информации был реализован на основе двунаправленной ассоциативной памяти {Bidirectorial Associative Memory, ВАМ). Эта нейронная сеть обладает двумя важными особенностями: I) позволяет классифицировать входные воздействия по какому-либо существенному параметру; 2) обучается не в привычном для смысле, т.е. путем многочисленных итераций, а путем однократного расчета матрицы весов W. Сеть способна (после обучения) выбирать из своей «памяти» необходимый, максимально близкий к входному воздействию образец даже при условии, что вся необходимая информация для начала поиска отсутствует [1.2].
Множество расчетных реализаций полезного сигнала разделялось на 100 классов, в каждый объединялись реализации по 4-м соседним продольным координатам рубежа охраны протяженностью 100 м для различных влажно-стей грунта. При оптимальной работе ИНС такое разбиение теоретически должно обеспечивать разрешение места вторжения с точностью не хуже ±1 м. В обучающую выборку добавлялся класс реализаций (номер 101), соответствующий шумовому воздействию, в качестве ассоциируемых (выходных) векторов были взяты строки длиной 101 бит.
Структура исследованной обучаемой нейронной сети ВАМ представлена на рис.). При подаче на вход сети ВАМ анализируемых воздействий, на ее выходе формировались векторы W с размерностью 101.
На рис.2а приведен пример такого вектора для случая движения «нарушителя» на удалении 6 м от начала рубежа, по оси абсцисс отложены номера классов - выходов ВАМ, соответствует продольной координате вторжения; видно, что глобальный максимум выходного вектора наблюдается для класса с номером 6, однако абсолютные значения отсчетов векторов УУ оказываются достаточно близкими друг к Другу. Потребовалось ввести простые промежуточные операции, - в каждом выходном векторе находились минимальное и максимальное значения, минимальный отсчет вычитался из каждого текущего (рис. 26) и нормировался к максимальному значению исходного вектора. Полученные при этом векторы уже имели более контрастный вид {рис. 2в).
1,75E»12 I
1Л+12
1.6SE+12 J
l.bt 112 I Г
/ 1.55ЕП2
1.5EII2
M5E4H
а)
б)
COMMUNICATIONS
Таким образом, проведенные исследования показали, что применение ИНС для реализации алгоритма обработки информации значимо не увеличивает сигнализационную надежность малоинформативных средств обнаружения, В особенности по такому параметру, как среднее время наработки на ложную тревогу. Их типовой алгоритм обработки сигналов может стоиться на основе традиционного анализа сигнатур (амплитуда, длительность, задержка и пр.).
В то же время искусственная нейронная сеть на основе двунаправленной ассоциативной памяти позволяет достаточно точно определять продольную координату вторжения нарушителя в высокоинформативном радиоволновом СО ЛВВ с частотно модулированным зондирующим излучением. При этом алгоритм весьма прост в аппаратно-программной реализации, не требует значительной вычислительной мощности.
Литература
I, Груба И.И. Системы охранной сигнализации. Технические средства обнаружения. - М.: Солон-Пресс, 2012. - 220 с.
2. Введенский B.C. Оборудование для охраны периметров. -М.; Мир безопасности, 2002. - I 12 с.
3. Калан Р. Основные концепции нейронных сетей. —■ М.: Вильяме, 2001. - 291 с.
4. Осовский С. Нейронные сети для обработки информации. -М.: Финансы и статистика, 2002. - 344 с.
5. Колюшинский В.А., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М,: Горячая Линия
- Телеком, 2003. - 94 с.
6. Воеводин C.B., Духан Е.И. Анализ сигналов от нарушителя при частотно-модулированном зондирующем излучении в СО ЛВВ// Радиотехника. - 201 I.- № 2. - C.6I-6S.
7. Воеводин C.B., Духан Е.И. Моделирование сигналов от движущейся цели в двухкабельных СО ЛВВ / Материалы VIII Всероссийской конференции «Современные охранные технологии и средства обеспечения комплексной безопасности объектов»,- Заречный-Пенза, ПГ/, 2010. -С. 102-105,
8. Воеводин C.B., Духан Е.И., Шмалев Т.В. К выбору оптимальных параметров размещения излучающих кабелей средств обнаружения на основе линии вытекающей волны И Материалы V Всероссийской конференции «Территориально-распределенные системы охраны».
— Калининград: КПП, 2012. - С.75-78.
NEURAL NETWORKS APPLICATION FOR INFORMATION PROCESSING IN SIGNALING INTRUSION DETECTION SYSTEMS
Voevodin Sergey, senior Lecturer of the Ural Federal University, Yekaterinburg, [email protected] Dukhan Andrew, graduate student of the Ural Federal University, Yekaterinburg, [email protected] Dukhan Eugene, associate Professor of the Ural Federal University, Yekaterinburg, candidate of technical sciences, docent,
Zwierzynski Stanislaw, professor of the MTUCI, doctor of technical sciences, professor, [email protected]
Abstract
Signalling detection systems is designed to generate an alarm in response to intruder invasion to protected area of space called detection zone, and consisting of a processing unit and sensor. Active detection systems "pumped" energy into surrounding space, passive detection systems use existing physical fields (eg, seismic), which intruder distorts during invasion. In development of detection systems, typically used mathematical modeling of desired signals (from intruder) and noise, allowing to create efficient algorithms for signal processing. Mathematical modeling of active systems, for example, based on effect of leaky wave line, perhaps a greater degree of adequacy than passive. New trends in development of detection systems associated with increase of their information, such as determining the place of intrusion on protection line. The article discusses applicability of artificial neural networks neural networks for effective signal processing algorithms, construction for standard and new intruder detection systems, having potential of increased informative. For the first did not reveal decisive advantages of neural networks to ensure signaling reliability, but for new detection systems artificial neural networks provide a more effective information processing algorithms. It is shown that "bi-directional associative memory" artificial neural network provides definition up to 2 meters of longitudinal coordinates of intrusion for intruder detection systems based on the leaky wave line effect with frequency modulation of probing radiation.
Keywords: data processing algorithm, artificial neural network, intrusion detection system, signaling reliability, leaky wave line. References
1. Gruba, I.I. Alarm systems. Technical means of detection. Moscow. Solon-Press, 2012. 220 p. (in Russian)
2. Vvedenskij, B.S. Equipment for perimeter security. Moscow. Mir of safety, 2002. 112 p. (in Russian)
3. Callan, R. Basic concepts of neural networks. Williams, 2001. 291 p. (in Russian)
4. Osovskij, S. Neural networks for information processing. Moscow. Finance and Statistics, 2002. 344 p. (in Russian)
5. Komashinskij V.A., Smirnov D.A. Neural networks and their application in control and communication systems. Moscow. Hotline - Telecom, 2003. 94 p. (in Russian)
6. Voevodin S.V., Dukhan E.I. The analysis of the signals from the offender when frequency modulated probe radiation in CO BWT / Radiotechnica, 2011, no 2, pp. 61-65. (in Russian)
7. Voevodin S.V., Dukhan E.I. Simulation of signals from moving targets in dual-cable CO BWT / Proceedings of VIII All-Russian conference "Modern security technology and tools to ensure comprehensive security facilities", Zarechnyi-Penza, PSU, 2010, pp.102-105. (in Russian)
8. Voevodin S.V., Dukhan E.I., Shmalev T.V. By choosing the optimal placement options radiating cable detection equipment based on the line leaky wave / Proceedings of the V All-Russian Conference "Territorial-distributed security system", Kaliningrad, KPI, 2012, pp. 75-78.
(in Russian)
