CC BY
13
УДК 527.624
СОРОКИН В.Е., старший преподаватель (ДОНИЖТ)
Разработка нейросетевой модели когнитрона для режима поиска GPS сигналов
Sorokin V.E. Senior lecturer (DIRT)
Development of neural network models cognitron the search mode for GPS signals
Введение
Цель статьи
С позиции теории статистического оценивания задача поиска сигнала является
задачей
оценки
его
параметров
I
■■ = " , которые принимаются
постоянными за время наблюдения [0, Т] и выбираются из конечной области '■. ... '■....... Обычно возможные значения
X полагаются равновероятностными. В этих условиях в качестве оптимальных оценок А
чаще всего рассматривают оценки максимального правдоподобия
(1)
где W(Yq\?C) - условная плотность вероятности наблюдаемой на интервале [О, 7] реализации Yq = {y(t), t Е [О, Г]} при заданных значениях X [1].
Актуальность статьи
Для обеспечения эффективного функционирования в приемоиндикаторах процедуры поиска сигнала, необходимо создать модель, способную решать поставленные задачи, при наличии преднамеренных или непреднамеренных искажений GPS сигналов.
Целью данной статьи является разработка нейросетевой модели для режима поиска GPS сигналов.
Основная часть
Нахождение (поиск) решения (1) предполагает перебор всех возможных значений из области определения
[Ят1П Ятлд:]. Для этого при практической
реализации алгоритма поиска область возможных значений задержек
[тт1к, ^тпад;] и доплеровских смещений
/ит. :■■■. ¡иг. дискретизируется, то
есть считается, что параметры т и /доп могут принимать дискретные значения
Т- £ = 1,Л/Т И /доп>; / = В целях
получения оценки (1) для каждой из пар /цоп } } вычисляется Х(Т, Т0 /доп^), а
в качестве оптимальной оценки {т, /доП ] выбирается та пара, которой соответствует значение максимальное Х(Т, Т, ). При одновременном определении Х(Т
Лиг ) для всех возможных сочетаний
Ьи /дсп;3; 1 = ; /доп / =
говорят о параллельном поиске, что требует А^ идентичных каналов
обработки. Реализация приемоиндикаторов
с такой обработкой проблематична. Поэтому используют иные алгоритмы поиска, основанные на параллельно-последовательном или последовательном просмотре области возможных значений т и
/ш- . Другим фактором, используемым в
целях упрощения аппаратуры потребителя, является замена процедуры вычисления и запоминания всех возможных значений ХП\ Т^ /цоп;) с последующим выбором
максимального из них на алгоритм обнаружения сигнала в анализируемой ячейке. При этом в простейшем случае некогерентный обнаружитель,
вычисляющий статистику Х(Т, Т1, /д0П ^), последовательно анализирует ячейки из зоны неопределенности по
задержке и доплеровскому смещению частоты. Найденное значение
Х(Т, /цоп сравнивается с пороговым и
принимается решение о наличии или отсутствии сигнала. При принятии решения об отсутствии сигнала осуществляется переход к следующей ячейке анализа, а при положительном решении вырабатывается команда на переход непрерывного
сопровождения т и /доп . Если следящие
системы по задержке и доплеровской частоте успешно захватывают сигнал на сопровождение, то принимается решение о прекращении поиска, в противном случае процедура поиска возобновляется [1].
На основе аппарата нейронных сетей для режима поиска сигнала предлагается использовать метод распознавания образов. В качестве распознания образов предлагается использовать модель когнитрона.
Когнитрон (рис. 1) состоит из иерархически связанных слоев нейронов
двух типов - тормозящих и возбуждающих. Состояние возбуждения каждого нейрона определяется суммой его тормозящих и возбуждающих входов. Синаптические связи идут от нейронов одного слоя (далее слоя 1) к следующему (слою 2). Относительно данной синаптической связи соответствующий нейрон слоя 1 является пресинаптическим, а нейрон второго слоя -постсинаптическим. Постсинаптические нейроны связаны не со всеми нейронами 1 -го слоя, а лишь с теми, которые принадлежат их локальной области связей. Области связей близких друг к другу постсинаптических нейронов
перекрываются, поэтому активность данного пресинаптического нейрона будет сказываться на все более расширяющейся области постсинаптических нейронов следующих слоев иерархии [2].
Рис. 1. - Модель когнитрона
Для решения задачи поиска сигнала модель когнитрона будет иметь вид (рис. 2).
Некогерентный обнаружитель
Т, fdon j)
Рис. 2. - Модель когнитрона для поиска сигнала
В модели (рис. 2) первый слой представляет собой негогерентный обнаружитель, вычисляющий статистику Х(Т, /доп>). Нейроны первого слоя
представляют собой ячейки (т^ Тщш ^ ] из
зоны неопределенности по задержке и доплеровскому смещению частоты. Нейроны второго слоя представляют собой пороговое устройство. Нейрон Х является порогом.
Вход возбуждающего
постсинаптического нейрона (на рисунке 2 - нейрон /) определяется отношением суммы Е его возбуждающих входов (а.1, а.2 и аз) к сумме I тормозящих входов (Ъ1 и вход от нейрона X):
(2)
где и - возбуждающие входы с весами а, »-тормозящие входы с весами Ъ.
Все веса имеют положительные значения. По значениям Е и I вычисляется суммарное воздействие на 1-й нейрон: пей =((1+Е)/(1+1))-1. Его выходная активность иI затем устанавливается равной neti, если neti > 0. В противном случае выход устанавливается равным нулю. Анализ формулы для суммарного
воздействия показывает, что при малом торможении I оно равно разности возбуждающего и тормозящего сигналов. В случае же когда оба эти сигнала велики, воздействие ограничивается отношением. Такие особенности реакции соответствуют реакциям биологических нейронов, способных работать в широком диапазоне воздействий [2].
Пресинаптические тормозящие
нейроны имеют ту же область связей, что и рассматриваемый возбуждающий
постсинаптический нейрон i. При этом веса таких тормозящих нейронов (с1, С2 и сз) являются заданными и не изменяются при обучении. Их сумма равна единице, таким образом, выход тормозного
пресинаптического нейрона равен средней активности возбуждающих
пресинаптических нейронов в области связей:
(3)
Обучение весов возбуждающих нейронов происходит по принципу "победитель забирает все" в области конкуренции - некоторой окрестности данного возбуждающего нейрона. На
данном шаге модифицируются только веса а нейрона с максимальным возбуждением:
= ■■;; (4)
где с - тормозящий вес связи нейрона ] в первом слое,
щ - состояние его возбуждения, q - коэффициент обучения. Веса тормозящего нейрона г второго слоя модифицируются пропорционально отношению суммы возбуждающих входов к сумме тормозящих входов:
Выводы
В данной статье разработана модель когнитрона на основе аппарата нейронных сетей для режима поиска GPS сигналов.
Список литературы:
1. Сетевые спутниковые
радионавигационные системы/ В.С.
Шебшаевич, П.П. Дмитриев, Н.В. Иванцевич и др.: Под ред. В. С. Шебшаевича. - 2-е изд., перераб. и доп. - М.: Радио и связь, 1993. -408 с.: ил.
2. http://alife. narod. ru/lectures/neural/Neu _ch10.htm
Аннотации:
Для обеспечения эффективного
функционирования в приемоиндикаторах GPS сигналов процедуры поиска сигнала, разработана нейросетевая модель на основе когнитрона, способная осуществлять поиск сигнала, при наличии преднамеренных или непреднамеренных искажений GPS сигналов.
Ключевые слова: процедура поиска GPS сигналов; метод распознавания образов; модель когнитрона.
To ensure the effective functioning of diamondvictor GPS signal search procedure of the signal developed neural network model based on cognitron able to carry out a search signal, in the presence of intentional or unintentional distortion of GPS signals
Keywords, search for GPS signals; a method of pattern recognition; model cognitron.
