CC BY
149
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №12-2/2016 ISSN 2410-700Х_
УДК 621.396
Глазков Виталий Владимирович
канд. тех. наук, доцент МГТУ им. Н.Э. Баумана, г. Москва, РФ
Email: [email protected] Муратов Игорь Валентинович канд. тех. наук, доцент МГТУ им. Н.Э. Баумана, г. Москва, РФ
Email: [email protected] Пизаев Артем Олегович канд. тех. наук, зам. начальника отделения ФКП «НИИ «Геодезия»,
г. Красноармейск, РФ Email: [email protected]
РАЗРАБОТКА АЛГОРИТМА РАСПОЗНАВАНИЯ ОБЪЕКТОВ ПО АКУСТИЧЕСКОМУ СИГНАЛУ
Аннотация
В данной работе рассматриваются вопросы построения устройства распознавания объектов по их акустическим сигналам. Предлагается алгоритм, использующий в качестве информативного параметра распределение интервалов между нулями. Для повышения вероятности правильной классификации объектов с газотурбинным двигателем вводится дополнительный информативный признак - нормированная мощность сигнала в частотных полосах.
Ключевые слова
Распознавание акустических сигналов, нейросеть, обучение нейросети.
Задача распознавания объектов встречается во многих технических областях: системы мониторинга движения транспорта, системы контроля доступа и охраны периметра, системы специального назначения и т.д. [1, 2]. Такие системы могут быть как активными, так и пассивными. Преимущество пассивных систем заключается в их скрытности. Рассмотрению построения подобных систем на основе акустических сигналов посвящен ряд работ [3 - 6]. Поэтому данная тематика является актуальной. В современных условиях подобные системы обычно имеют автономное питание, поэтому алгоритм их работы должен иметь возможность быть реализованным на малопотребляющей аппаратуре.
Для решения задачи распознавания необходимо выбрать информативный признак из набора реализаций, полученных в результате экспериментальных исследований. В экспериментальных исследованиях были получены реализации акустических сигналов от наземной техники (грузовой и легковой автомобили) и воздушной техники (самолет и вертолет)
При дискриминантном анализе для формирования критериев разделимости классов использованы
Srj/ Sn
матрицы рассеяния внутри классов W и между классами B .
Матрица рассеяния внутри классов показывает разброс объектов относительно векторов математических ожиданий классов:
SW = S1 + S2
Sj = £(x-mj)(x-mj)\ j =1,2
Ш .
где ' - вектор средних значений /-мерной выборки, принадлежащейу-му классу. §
Матрица ^ пропорциональна ковариационной выборочной матрице для совокупности /-мерных данных. Она симметричная, положительно определенная и, как правило, невырожденная.
Матрица рассеяния между классами может быть определена несколькими способами. Наиболее распространенный из них описывается выражением:
i=1
SB =(mi - m2 )(mi - m2
Эта матрица также симметричная положительно определенная, но ее ранг будет самое большее равен единице, т.к. она является внешним произведением двух векторов.
Наиболее распространены 4 критерия, использующих эти матрицы:
J2 = ln
Ji = tr ( Sw -1 -SB)
?
ln {| S bB\/\Sw 1} J = trSB -д(trSW - c)
SW ' SB
где ц - множитель Лагранжа, с - константа,
J4 =
?
где - след матрицы ^ .
Критерий 3является наиболее распространенным. Критерии З и З инвариантны относительно любого невырожденного линейного преобразования, тогда как критерии Зз и 34 зависят от системы координат.
В рассматриваемой задаче для анализа разделимости классов наземной и воздушной техники использованы критерии З и
Экспериментальные реализации акустических сигналов наземной и воздушной техники для подавления шума ветра были получены на выходе фильтра высоких частот с частотой среза 200 Гц. Выбор длины реализации осуществлялся из соображений сохранения свойств стационарности и эргодичности случайного процесса на длине вводимой реализации. В результате для получения оценок энергетического спектра случайных процессов были выбраны длины реализаций, равные N=16384 отсчетам при частоте дискретизации F = 25600 Гц.
По имеющимся в распоряжении исходным последовательностям отсчетов реализаций акустических сигналов, были получены оценки спектральной плотности мощности реализаций.
Анализировались следующие признаки сигнала:
- отсчеты огибающей Е;
- распределение длительностей интервалов между нулями Gт (гистограммная оценка);
- отсчеты оценок СПМ.
Результаты вычисления критериев дискриминантного анализа для выборок из 100 реализаций каждого класса представлены в таблице 1.
Таблица 1
Признак ( N=16 ) Критерий
J1 J4 Д
Гистограмма распределения Gx 159,83 5,46 22,79
Отсчеты огибающей E 0,91 0,02 0,97
Отсчеты СПМ 78,97 7,00 34,04
Признак ( N=32 ) Критерий
J1 J4 Д
Гистограмма распределения Gx 327,12 1,42 49,48
Отсчеты огибающей E 1,22 0,01 2,89
Отсчеты СПМ 136,42 5,64 67,46
На основании данных таблицы 1 наилучшая разделимость классов достигается при использовании в качестве информативного признака отсчетов спектра сигналов, однако подобная обработка требует существенных вычислительных ресурсов. При этом обработка распределений длительностей интервалов между нулями (РДИН) входных реализаций так же позволяет решать эту задачу.
Вектор Х РДИН формируется в соответствии с алгоритмом:
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №12-2/2016 ISSN 2410-700Х Vi, j = 1,...,M: j > i
sign(si) ф sign(st+i) sign(Sj) ф sign(sj+1) Vk : i < k < j,sign(Sk) = sign(sk+i)
^x. . := x. . +1/x
j- jm
где М - количество отсчетов принимаемого сигнала на интервале времени наблюдения; Хтах -константа нормирования РДИН, выбирается на этапе обучения нейросети (НС).
Суть вектора РДИН - гистограмма распределения количества отсчетов тактовой частоты в течение одной полуволны сигнала. Точное количество N компонент вектора РДИН определяется по результатам обучения нейронной сети. В качестве начального значения выбрано N=32. На этапе синтеза для каждой реализации формируется вектор РДИН. На рис. 1 приведена реализация вектора РДИН воздушного объекта.
Рисунок 1 - Вектор РДИН воздушного объекта
Устройство распознавания будем строить на основе нейросети. В качестве исходной для исследований выбрана НС с количеством слоев, равным 3. В третьем, выходном слое НС, осуществляется выбор максимального отклика с выходов нейронов второго слоя, выдающего решения о распознаваемых объектах.
На каждом ^ом выходе второго слоя НС отклик на входной вектор X, размерностью N может быть представлен в виде
N
Ук = f2
i N,
Zwikf Zw--x+wl
j' j
j=i
+ w,
0k
где Ni - количество нейронов в первом слое, fi и /2 .1
функции активации нейронов соответственно
wn. wn,
слоя, 01 и 0 k
W ^ w'
первого и второго слоев, 11 - весовые коэффициенты первого слоя, lk - весовые коэффициенты второго
1 ,..2
нулевые веса соответственно нейронов первого и второго слоев.
Выходной слой НС должен состоять из нейронов по количеству распознаваемых классов объектов.
Обучение нейронной сети производилось на обучающем множестве из 150 реализаций (по 50 для каждого из классов), полученных на основании модельных сигналов. Тестирование НС производилось на тестовом множествах, включающих по 25 реализаций для каждого класса объектов, полученных экспериментально в натурных условиях. В соответствии с выбранным функционалом оптимизации -минимум среднего значения квадрата ошибки между реальным и требуемым значениями выходного сигнала, в качестве алгоритма обучения выбран алгоритм back-propagation.
В результате обучения и частичной оптимизации была получена НС с числом нейронов промежуточного слоя N=4. Число нейронов во входном слое сведено к Nx=32. Проводились экспериментальные исследования на 150 имеющихся в распоряжении реализациях и вычисление относительных частот правильной классификации объектов. Относительные частоты правильной классификации объектов составили 80 %, что является средним показателем.
2
=i
Проведенные исследования показали, что указанный недостаток вызван тем, что при построении исходного алгоритма распознавания все объекты с газотурбинными двигателями (ГТД) относились к воздушной технике. Однако в настоящее время в РФ и США имеются образцы наземной техники с ГТД.
При этом возникают следующие трудности. При движении наземной техники акустический сигнал складывается из шума двигателя и шума подвески шасси. В случае техники с бензиновым или дизельным двигателем шум двигателя преобладает над шумом подвески и находится в том же частотном диапазоне до 1.. .2 кГц. В случае техники с ГТД шум ГТД имеет максимум на более высоких частотах, т.е. итоговый сигнал складывается из среднечастотной составляющей шума подвески шасси и высокочастотной составляющей шума ГТД, причем преобладает высокочастотная составляющая.
При полете вертолета акустический сигнал складывается из шума двигателя и шума несущего винта. Современные вертолеты России и США в подавляющем большинстве имеют ГТД. В составе излучаемого несущим винтом шума различают вихревой (или широкополосный) шум, шум вращения лопастей и хлопки лопастей.
Наиболее сильный шум несущего винта создают хлопки лопастей (если они есть). За ними следует вихревой шум, а затем шум вращения. Максимум интенсивности шума вращения попадает на весьма низкие частоты, так что несколько низких гармоник могут вообще не попадать в слышимый диапазон. Таким образом, если шум вращения превалирует, то это не самый неприятный для восприятия случай. С учетом восприятия преобладающим часто оказывается вихревой шум. Однако шум вращения может стать существенным, когда амплитуды входящих в него высших гармоник возрастают, т. е. по мере перехода этого шума в хлопки лопастей, например при малом числе лопастей винта и больших концевых скоростях. Шум вращения может вызвать вибрации конструкций вертолета и усталостные повреждения. Кроме того, низкочастотный шум хорошо распространяется в атмосфере, тогда как высокие гармоники быстрее затухают по удалении от вертолета. Поэтому на больших расстояниях от вертолета хлопки лопастей и шум вращения несущего винта имеют наибольшее значение. Вертолет обычно обнаруживается акустически по шуму вращения несущего винта.
Рассмотрим механизм формирования шума от ГТД. Лопаточные машины ГТД генерируют излучение с дискретным и непрерывным по частоте спектрами, по шумности доминирует излучение с дискретным спектром на гармониках частоты следования лопаток рабочих колес (частоты 1000-4000 Гц) и на гармониках роторной частоты (сверхзвуковые вентиляторы, область частот 500-2000 Гц).
Таким образом, для улучшения рабочих характеристик системы распознавания объектов по их акустическому сигналу необходимо увеличить число информативных признаков.
На рис. 2 и 3 для сравнения представлены оценки спектральной плотности мощности (СПМ) сигнала с выхода микрофона при проезде наземной гусеничной техники и пролете реактивного самолета, полученные по методу Уэлча.
Frequency (kHz)
Рисунок 2 - СПМ сигнала с выхода микрофона при проезде гусеничной техники (с газотурбинным двигателем)
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №12-2/2016 ISSN 2410-700Х_
Качественно анализируя эти графики можно сделать вывод о возможности разделения объектов данных классов по энергетическому спектру. Для этого необходимо проводить оценку энергии входного сигнала в различных частотных полосах.
Анализ показал, что характерный пик энергии акустического сигнала от газотурбинного двигателя гусеничной техники находится в полосе от 6 до 8 кГц, а от реактивного самолета - в полосе от 2 до 4 кГц.
Таким образом, дополнительно к частотному диапазону от 250 до 1000 Гц, по которому получают распределение интервалов между нулями (РДИН), необходимо выделить частотные диапазоны от 2 до 4 кГц и от 6 до 8 кГц. Функциональная схема устройства распознавания в этом случае будет иметь вид, показанный на рис. 4.
Frequency (kHz)
Рисунок 3 - СПМ сигнала с выхода микрофона при пролете реактивного самолета
В данной схеме входной сигнал подается на полосовые фильтры 1, 2 и 3, которые выделяют соответственно частотные диапазоны от 250 до 1000 Гц, от 2 до 4 кГц и от 6 до 8 кГц. Выход первого полосового фильтра подается на блок выделения РДИН, который остается неизменным. Амплитудные детекторы 5, 6 и 7 позволяют получить огибающую сигнала соответственно во всей полосе, в полосе от 2 до 4 кГц и в полосе от 6 до 8 кГц. Выход амплитудных детекторов поступает на интеграторы 8, 9 и 10, которые проводят оценку энергии сигналов за время принятия решения. Каждый раз в начале принятия решения интеграторы сбрасываются.
/ 4
öxog
5
И
6
/х^ м
J 7
8
I
9
S
10
гъу г <
/ХУ J •
13
11
12
класс
цели
Рисунок 4 - Функциональная схема доработанного устройства распознавания
В зависимости от расстояния между целью и микрофоном макета акустического средства обнаружения, распознавания и сопровождения интенсивность сигнала на входе микрофона будет меняться. Также будет меняться интенсивность сигнала и на его выходе. Для получения инвариантных информативных признаков проводят нормировку выходов интеграторов 9 и 10 по выходу интегратора 8 при помощи делителей 11 и 12. Таким образом, дополнительным информативным признаком является нормированные по общей мощности сигнала значение мощности в полосах от 2 до 4 кГц и от 6 до 8 кГц.
Выход блока выделения РДИН 4 и делителей 11 и 12 поступают на вход нейросетевого классификатора 13, который совместно обрабатывает данные информативные признаки.
Таким образом, за счет введения двух дополнительных информативных признаков удалось повысить вероятность правильной классификации целей до уровня не менее 90%. Список использованной литературы:
1. Глазков В.В., Лихоеденко К.П. Алгоритм обнаружения подвижных объектов автотранспортной техники в миллиметровом диапазоне длин волн // Вестник МГТУ им. Н.Э. Баумана. Серия: Приборостроение. 2010. №
2. С. 80-91.
2. Глазков В.В. Построение устройства идентификации моторизованных объектов колесной и гусеничной техники в миллиметровом диапазоне длин волн // Электромагнитные волны и электронные системы. 2012. № 12, Т. 17. С. 17-28.
3. Хохлов В.К., Гулин Ю.Ю., Муратов И.В. Адаптация нейросетевой системы распознавания вертолета по его акустическому излучению к скорости полета // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2015. № 5. С. 137-153.
4. Хохлов В.К., Лихоеденко К.П. Получение статистических характеристик информативных признаков сигналов в автономных информационных системах с использованием нейросетей // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2014. № 3. С. 200-218.
5. Павлов Г.Л., Хохлов В.К. Адаптация нейросетевого алгоритма к скоростям движения классифицируемых по акустическим излучениям объектов // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2012. № 10. С. 18.
6. Павлов Г.Л., Хохлов В.К. Нейросетевые алгоритмы в задаче классификации объектов по их акустическим излучениям // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2012. № 5. С. 15.
© Глазков В В., Муратов И.В., Пизаев А.О., 2016
УДК 681.3.053
Грибова Василина Вячеславовна
Студент, факультет информатики и математики, Амурский государственный университет г. Благовещенск, РФ E-mail: [email protected]
ЗАЩИТА ПЕРСОНАЛЬНЫХ ДАННЫХ В СИСТЕМЕ КОНТРОЛЯ И УПРАВЛЕНИЯ ДОСТУПОМ (СКУД)
Аннотация
В настоящее время системы контроля и управления доступом (СКУД) являются неотъемлемым элементом комплексной системы безопасности предприятий и организаций. Сведения, обрабатываемые СКУД, в подавляющем большинстве случаев содержат персональные данные. В работе рассматриваться
