CC BY
40
Рис. 3. Переходный процесс в системе с ПИ-регулятором
Переходный процесс устойчивый, а статическая ошибка системы равна нулю. Однако в начале движения системы наблюдается значительный отрицательный выброс (около 79,5 %), что связано с наличием нуля у объекта.
Список литературы:
1. Бесекерский В.А., Попов Е.П. Теория систем автоматического управления. - изд. 4-е, перераб. и доп. - СПб.: Изд-во «Профессия», 2003.
2. Востриков А.С., Французова Г.А. Теория автоматического регулирования. - М.: Высш. шк., 2004.
3. Воевода А.А., Вороной В.В. Об обобщении диаграммы Вышнеград-ского // Сб. науч. тр. НГТУ - 2010. - № 3 (61). - С. 155-158.
4. Вороной В.В. Обобщенная диаграмма Вышнеградского для системы четвертого порядка // Сб. науч. тр. НГТУ - 2010. - № 4 (62). - С. 161-166.
5. Воевода А.А., Вороной В.В. Новая интерпретация диаграммы Вышнеградского // Сб. науч. тр. НГТУ - 2010. - № 1 (63). - С. 137-142.
6. Мелешкин А.И. Модальный синтез регуляторов пониженного порядка: дисс. ... канд. техн. наук. - Новосибирск: НГТУ, 1999. - 166 с.
РАЗРАБОТКА БЫСТРОГО АЛГОРИТМА АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ЦИФРОВОЙ МОДУЛЯЦИИ С ПОМОЩЬЮ ВЕЙВЛЕ Т-ПРЕ ОБРАЗОВАНИЯ
© Глуховской В.В.*
Ярославский государственный университет им. П.Г. Демидова,
г. Ярославль
В данной статье представлен перспективный алгоритм и возможность разработки классификатора автоматических процедур распознавания на основе вейвлет-преобразования.
* Аспирант кафедры Динамики электронных систем.
Определение вида и параметров модуляции принимаемого сигнала является важнейшим этапом в процессе извлечения информации, передаваемой сигналом. В условиях неполных априорных сведений о принимаемом сигнале, использование различных способов определения вида и параметров модуляции дает более полное представление об информации, заложенной в сигнале, который поступает на приемопередающее устройство. Решение задачи вскрытия модуляционной структуры сигнала предполагает определение совокупности признаков, характеризующих требуемые виды модуляции и их параметры, выделение, данной совокупности признаков из принимаемой смеси сигнала и помех и обработку признаков с целью принятия решения о модуляционных параметрах анализируемого сигнала [3].
Общая схема работы подсистемы анализа представлена на рис. 1.
Одним из способов решения задачи определения модуляционной структуры сигнала является использование методов статистической теории распознавания образов. Постановка задачи распознавания предполагает выбор признаков распознавания, определение их статистических характеристик, формирование эталонных описаний распознаваемых классов, выбор решающего правила отнесения контрольной выборки и способов оценивания ошибок распознавания. В настоящее время хорошо изучена задача распознавания полностью описанных классов, когда они однозначно определяются функциями распределения, либо функциями плотности вероятности и априорными вероятностями их появления. Метод статистической теории образования образов основан на сравнении отношения правдоподобия с некоторым заранее выбранным порогом. Если порог равен 1, то используется критерий максимума правдоподобия. Если вид функции распределения не известен, применяется методы распознавания, включающие вычисление статистических оценок функции распределения или функции плотности вероятности по обучающим выборкам, которые впоследствии используются в процедурах распознавания [4].
Быстрый рост в сфере мобильной связи, в общем, в Software Defined Radio (SDR), в частности, имеет мотивацию к исследованиям разработки различных алгоритмов распознавания цифровой модуляции. Процесс распознавания сигнала является промежуточным шагом между перехватом сигнала и демодуляцией [1].
За последние два десятилетия в мире возникло и оформилось новое научное направление, связанное с так называемым вейвлет-преобразованием. В узком смысле вейвлеты - это семейство функций, получающихся путем масштабирования и сдвигов одной материнской функции. В широком смысле вейвлеты - это функции, обладающие хорошей частотной локализацией, чье среднее значение равно нулю [2].
Вейвлет-преобразование одномерного сигнала - это его представление в виде обобщенного ряда или интеграла Фурье по системе базисных функций (в настоящей работе ортогональных)
¥ab(t) =|a|2 ) (1)
сконструированных из материнского (порождающего) вейвлета y(t), обладающего определенными свойствами, за счет операций сдвига во времени -b и изменения временного масштаба - о. Множитель |о|-1/2 обеспечивает независимость нормы этих функций от масштабирующего числа а. Таким образом, для заданных значений параметров а и b функция yab(t) и есть вейв-лет, порождаемый материнским вейвлетом y(t) [5].
Пусть дан сигнал r(t), в пределах 0 < t < T, который можно представить в виде:
r(t) = s(t) + n(t) (2)
где s(t) - представленный сигнал;
n(t) - аддитивный белый Гауссовский шум.
Сигнал s(t) может быть представлен в комплексном виде:
s(t) = ~ (t)e-jf (w+в-) (3)
где wc - несущая частота; вс - несущая фазы.
В целом, комплексная огибающая s(t) в выражении (2) может быть представлена для всех типов модуляции в виде:
s(t) = ~ (t)exp(jy(t; а)) (4)
где qit; а) является нестационарной (динамической) несущей фазы, которая представляет информацию о всевозможных значениях последовательности {о*}, в случае бинарных символов О = +1 [5].
Технический анализ необходим для нестационарного сигнала, для того чтобы анализировать частоту сигнала с происходящими моментами времени. Преобразование Фурье дает либо частотные, либо временные компоненты. Вейвлет-преобразование имеет особенность кратно масштабного анализа (MRA), который обеспечивает необходимые параметры, для извлечения особенности модулированных сигналов [5].
Предложенная схема распознавания модуляции показана на рис. 2. Распознавание цифровой модуляции было сделано с помощью общей особенности. Особенность извлечения коэффициентов из модуляции сигнала была реализована с использованием вейвлет-преобразования. Вейвлеты должны выбираться таким образом, чтобы они находились в ограниченном интервале сигнала. Вычисление вейвлет-преобразования и извлечение коэффициентов используется для формирования гистограммы пиков. На основании числа пиков образуется классификатор распознавания сигналов либо подсистемы 1, либо подсистемы 2.
Рис. 2. Схема распознавания модуляции
Дальнейшая классификация подсистемы 1 и 2 осуществляется с помощью правила выбора, которая показана на рис. 3 и 4.
Было проведено моделирование системы распознавания, включая генерацию сигнала, шумы, прием, особенность извлечения и схему модуляции.
Данный алгоритм используется для определения БР8К, рР8К, 8Р8К, 16Р8К, 20АМ, 40АМ, 80АМ, 160АМ, вМ8К и МБ8К модуляции. Указанные выше схемы модуляции моделировались в программном обеспечении МАТЬАБ с использованием аддитивного белого нормального шума. Вейв-лет-преобразование было применено для извлечения переходных характеристик принимаемого сигнала. Оно выбирается из расчета длины оконной функций, в зависимости от отношения «сигнал / шум» и значения коэффициента масштабирования.
Рис. 3. Классификация подсистемы 1
Рис. 4. Классификация подсистемы 2
Разработанный алгоритм распознавания цифровой модуляции сигнала на основе вейвлет-преобразования и статистических моментов используется для многих схем цифровой модуляции. Система была реализована на большом количестве схем модуляции с различными значениями отношения «сигнал / шум». Вейвлет-преобразование и статистические моменты использовались для вычисления результатов, которые показали, что вероятность верного распознавания схемы модуляции возможна даже для низкого отношения «сигнал / шум».
По сравнению с существующими классическими алгоритмами, такими как алгоритм сигнальных созвездий, алгоритм нейронных сетей, алгоритм
правдоподобия и многие другие, алгоритм на основе вейвлет-преобразова-ния и статистических параметров показывает, что предложенная схема способна распознавать схемы цифровой модуляции с низким отношением «сигнал / шум».
Предлагаемый алгоритм автоматического распознавания цифровой модуляции использует различные вейвлет-преобразования, основанные на интеграле Фурье, статистические моменты и медиану, выбор вейвлетов и оконных функций, для формирования различных деревьев классификации.
В данное время ведется разработка классификатора автоматических процедур распознавания параметров и видов модуляции в реальном масштабе времени. В этом классификаторе также может быть использован предложенный алгоритм распознавания на основе вейвлет-преобразования и статических параметров.
Список литературы:
1. Аззоуз Е., Нанди А. Автоматическое распознавание сигналов связи. -Бостон, Массачусетс, США, 1996.
2. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования. - СПб., 1999.
3. Рембовский А.М. Радиомониторинг: задачи, методы, средства. - М., 2006.
4. Степанов А.В. Методы компьютерной обработки сигналов систем радиосвязи. - М., 2003.
5. Яковлев А.Н. Введение в вейвлет-преобразования. - Новосибирск, 2003.
МЕТОД ОЦЕНКИ ПРОИЗВОДИТЕЛЬНОСТИ ЩЕКОВЫХ ДРОБИЛОК СО СЛОЖНЫМ ДВИЖЕНИЕМ ЩЕКИ С УЧЕТОМ КИНЕМАТИЧЕСКИХ ПАРАМЕТРОВ ИХ РАБОЧЕГО МЕХАНИЗМА
© Голиков Н.С.*, Тимофеев И.П.*
Национальный минерально-сырьевой университет «Горный», г. Санкт-Петербург
Произведен краткий анализ эмпирических и теоретических методов оценки производительности щековых дробилок со сложным движением щеки. Описан аналитический метод установления функциональных связей между параметрами кинематики рабочего механизма и производительностью дробилки.
* Ассистент кафедры Машиностроения, кандидат технических наук.
* Профессор кафедры Машиностроения, доктор технических наук, профессор.
