CC BY
53
Раздел VI. Цифровая обработка сигналов
А.С. Сигов, Е.С. Анцыферов, Б.И. Голубь, С.С. Анцыферов
СИСТЕМНЫЕ ПРИНЦИПЫ УПРАВЛЕНИЯ КАЧЕСТВОМ ПРОЕКТИРОВАНИЯ АДАПТИВНЫХ ИНФОРМАЦИОННО-РАСПОЗНАЮЩИХ СИСТЕМ
Сущность процесса проектирования адаптивных информационно -распознающих систем (АИРС) составляет функциональная декомпозиция, когда для системы в целом и ее отдельных блоков используется концепция «черного ящика». Для «черного ящика» разрабатывается функциональная спецификация, включающая описание блока: внешнее - входы и выходы; внутреннее - функция или алгоритм работы. При декомпозиции общая функция разбивается на более простые функции. Между простыми функциями должны быть установлены необходимые связи, адекватные алгоритму реализации общей функции. Результатом такого разбиения является структура. Переход от функции к структуре представляет собой процесс синтеза. Этот процесс не является однозначным, т.е. в значительной мере случаен, и от того, насколько удачным окажется выбор того или иного варианта, зависит качество АИРС.
Для обеспечения требуемого качества в общем случае рекомендуется использовать многошаговые, итерационные процедуры проектирования, включающие такие операции как концептуальное проектирование, ввод в систему автоматического проектирования (САПР), компиляцию, функциональное и временное моделирование, конфигурирование, физическое моделирование, запуск системы в работу.
Проектирование на концептуальном уровне осуществляют разработчики, определяющие общий алгоритм функционирования системы, множество входных и выходных сигналов, их характер и взаимосвязь, разбиение всего проекта на отдельные части и др. Результаты концептуального проектирования вводятся в САПР, где производится компиляция проекта, а по существу, синтез системы в базисе библиотеки множества моделей.
Концептуальное проектирование алгоритмической части связано с решением таких задач как поиск эффективных способов сжатия информации; определение характера взаимодействия образов полей; поиск метода распознавания наиболее адекватного решения конкретной задачи; определение способа адаптации; выбор и селекция информативных параметров; определение характера предварительной обработки реализаций полей.
Эффективным способом сжатия информации может служить применение методов распознавания образов и автоматической классификации. Так, в работе [1] был предложен байесовский алгоритм классификации и набор соответствующих признаков, как статистических, так и детерминированных. В работах [2-4] производилась оценка эффективности байесовского метода классификации и рассматривались методы обработки и анализа, адекватные по отношению к тепловым полям биологических объектов. Ряд работ [5-7] посвящён обоснованию и разработке структурно-стохастического метода распознавания диагностических образов тепловых изображений.
При построении автоматического классификатора следует исходить из того, что мы имеем дело не только с пересекающимися классами, но и с распределением плотностей вероятностей этих классов, имеющем в большом числе случаев случайный, априори неизвестный характер за счёт воздействия большого количества
внешних помех. К настоящему времени известно большое число публикаций, посвящённых методам (алгоритмам) автоматической классификации. Кроме того, накоплен некоторый опыт по их применению, который показывает, что не существует модели, адекватной всем задачам распознавания, и нет метода, пригодного для всех задач классификации. Обилие всевозможных методов выдвигает проблему поиска метода классификации, наиболее адекватного к решению конкретной задачи. Так, в случае, когда плотности вероятностей распределения классов и их параметры известны, т.е. исследователь располагает полной априорной информацией, применяются методы без обучения, а задача сводится к проверке простой гипотезы в статистике. Для данного случая широко используются методы дискриминантного анализа. Математическое содержание задачи распознавания при этом интерпретируется как отыскание дискриминантных функций, разделяющих классы. Наиболее распространённым и изученным классификационным (решающим) правилом служит линейная дискриминантная функция (ЛДФ). ЛДФ удобны с точки зрения аналитического исследования и простоты вычислительных процессов. Иногда, даже если ЛДФ не оптимальны, пренебрегают некоторой потерей точности классификации ради выигрыша в простоте. Во всех остальных случаях, когда не хватает какого-либо вида априорных данных, как это чаще всего и бывает, прибегают к методам классификации с обучением.
Методы обучения с учителем основаны на использовании заранее классифицированных обучающих последовательностей, позволяющих компенсировать недостаточную априорную информацию того или иного вида. Так, если функциональный вид условных плотностей вероятностей распределения задан, а параметры неизвестны, то применяют параметрические методы классификации. Эти методы состоят в том, что перед проверкой гипотезы производится предварительная оценка параметров. Если функциональный вид условных плотностей распределения неизвестен, то применяют непараметрические методы, когда по обучающей, заранее классифицированной выборке производится оценка апостериорных вероятностей. И, наконец, в методах с обучением возможно построение решающих правил, инвариантных по отношению к статистике исследуемых классов. Правда, такая инвариантность даётся, как правило, ценой ухудшения качества классификации. Для построения обучающих, заранее классифицированных выборок с оценкой характера их распределения и соответствующих параметров требуется приложить немало организационнотехнических усилий, временных и финансовых затрат, которые, тем не менее, в дальнейшем могут окупиться как за счёт получения дополнительной статистической информации об исследуемых объектах, так и за счёт значительного упрощения вычислительной процедуры принятия решения. Применение методов обучения без учителя соответствует предельному случаю минимальной априорной информации, когда в распоряжении исследователя имеются выборочные объекты с неизвестной заранее классификацией. Публикаций, посвящённых подходам к решению данной задачи, не так много, но именно ситуация априорной неопределенности является, как правило, типичной и поэтому представляет наибольший интерес.
Достоверность результатов обрабатывающей части в значительной степени зависит от типа выбранных диагностических параметров, т.е. от того, насколько они адекватно отражают состояние исследуемого объекта, а также от точности оценки этих параметров. Как показывает практика анализа и распознавания тепловых изображений [2-7], в качестве диагностических можно, в зависимости от решаемой задачи, использовать следующие виды параметров:
- значение уровня, пропорциональное интенсивности излучения (температуре) в каждом отдельном элементе теплового изображения, т.е. по существу в элементах, расположенных на поверхности объекта или каком-
либо его участке по определённому закону. В дальнейшем эти параметры будем называть исходными;
- преобразованные параметры, получаемые из исходных путём предварительной обработки изображения, связанной с усилением (или ослаблением) каких-либо его структурных особенностей, фильтрацией шумов, либо коррекцией искажений;
- производные параметры, получаемые из исходных или преобразованных путём математической обработки последних. Среди этих параметров в первую очередь следует выделить параметры, непосредственно связанные с интенсивностью (гистограммные), геометрические и термотекстурные;
- обобщённые параметры, получаемые из производных и отражающие некоторые общие свойства и закономерности характера распределения интенсивности в пределах фрагмента;
- интегральные параметры, являющиеся результатом логической обработки параметров первых четырех видов и служащие мерой принадлежности изображения или фрагмента к тому или иному классу;
- относительные параметры, получаемые путём сравнения одноимённых параметров различных (симметричных) зон информативности.
Решением вопроса о выборе (назначении) параметров занимается эксперт или группа экспертов, т. е. этот вопрос носит эмпирический характер. Тем не менее, разработано большое число процедур селекции параметров, позволяющих на основании тех или иных критериев оценивать их весомость. Несмотря на многообразие процедур селекции, все они сводятся к поиску преимущественно некоррелирующих между собой параметров. Обеспечить слабую коррелированность исходных параметров можно путём упорядочивания выбора элементов разложения изображения. При анализе изображений с детерминированной структурой, что чаще всего встречается при решении задач технической диагностики, эксперт имеет возможность значительно сократить число используемых для анализа элементов разложения изображения, т.е. исходных параметров, выбрав из них только те, которые несут существенную информацию о состоянии, как правило, дискретных элементов технического изделия. При анализе изображений или их фрагментов с переменной (случайной) структурой, что свойственно задачам медицинской диагностики, для упорядочивания выбора необходимо иметь априорную информацию о виде функции корреляции. Как правило, эти функции аппроксимируются набором известных функций, наиболее типичными из которых являются экспоненциальные и нормальные. Основное затруднение, возникающее при таком подходе, состоит в необходимости предварительного измерения функции корреляции каждого конкретного изображения. Однако измерения существенно упрощаются при исследовании сравнительно небольших по площади фрагментов изображений. Отметим также важность знания вида корреляционной функции изображения для выбора методов и параметров фильтров предварительной обработки изображений.
Практически почти все виды диагностических параметров формируются из преобразованных, т. е. параметров, полученных в результате предварительной обработки изображения. Отсюда ясно, какое большое значение приобретает выбор видов и параметров алгоритмов предварительной обработки. При этом очевидно, что предварительная обработка в системах диагностики должна быть направлена на усиление ранее установленных соответствий между теми или иными параметрами изображений и диагностируемыми состояниями исследуемого объекта, т. е. в конечном итоге на повышение точности оценки диагностических параметров. Чтобы уяснить, о каких видах обработки может идти речь, среди множества диагностических параметров будем выделять три характерные типа:
- интенсивностные, описывающие интегральное распределение интенсивности теплового поля по поверхности исследуемого объекта. Это распределение носит характер плавного, постепенного перехода от горячих участков к холодным;
- геометрические, описывающие размеры и формы характерных локальных участков изображения. Например, в медицинских задачах это может быть сосудистый рисунок и локальные термические очаги, в технических -дискретные детали изделия;
- термотекстурные, описывающие локальные, часто повторяющиеся изменения интенсивности.
Повышение точности оценки интенсивностных параметров может быть достигнуто путём низкочастотной фильтрации. Тип и параметры фильтра определяются видом и параметрами пространственной корреляционной функции, описывающей изображения, а также характером фильтруемой помехи. В большинстве случаев при оценке интенсивностных параметров в качестве наиболее существенной помехи выступает термотекстурная составляющая теплового изображения. Эту составляющую можно считать аддитивной по отношению к интегральному распределению. Учитывая, что нас в данном случае интересует оценка интенсивностной составляющей, будем полагать, что корреляционная функция изображения близка к функции с вращательной симметрией, т. е. является неразделимой (несепарабельной) изотропной функцией. Хорошие фильтрующие свойства при таких функциях могут быть достигнуты путём простого пространственного усреднения (сглаживания). При сглаживании, как правило, производится замена значений каждого элемента средним значением, найденным по его окрестности. В общем случае усреднение по окрестности может производиться с некоторыми весами, убывающими, как правило, по мере удаления от центра окрестности. Повышение точности оценки термотекстурных параметров связано с предварительным усилением (подчёркиванием) перепадов интенсивности по полю изображения. Эффективным способом такого усиления является пространственное дифференцирование, например, преобразование изображения с помощью операторов Лапласа. Обеспечение требуемой точности оценки геометрических параметров связано, прежде всего, с выделением границ локальных участков. Обратим внимание на некоторую противоречивость задач сглаживания, пространственного дифференцирования и выделения границ (контуров). Такая противоречивость возникает в случае необходимости совмещения операций пространственной фильтрации и выделения контуров, например, в целях сокращения времени обработки. Операция сглаживания приводит к размытию границ, что при последующей обработке выражается в появлении разрывов линий, а пространственное дифференцирование вызывает усиление шумов, что приводит к искажению (размытию) формы линий и контуров. Поэтому здесь необходим поиск компромисса.
Таким образом, рассматривая тепловые изображения как сложные, а процесс диагностики - как распознавание образов, приходим к необходимости многоуровневой обработки, завершающейся установлением принадлежности теплового изображения к одному из диагностических классов с указанием меры этой принадлежности.
На первом уровне обработки осуществляется разложение теплового изображения на структурные компоненты, формирование изображений структурных компонентов, выделение зон информативности и количественное описание изображений структурных компонентов в пределах этих зон. Разложение теплового изображения на компоненты и формирование производных изображений достигается путём применения к исходному изображению различных фильтрующих преобразований, обеспечивающих усиление одного компонента и подавление другого.
На втором уровне обработки происходит понижение размерности полученного на первом уровне количественного описания (сокращение избыточности) путём выделения из всей совокупности количественных оценок наиболее информативных (фильтрация параметров и повышение чувствительности параметров), т.е. формирование совокупности диагностических параметров.
На третьем уровне обработки решается задача дифференциальной диагностики (опознавания) состояния объекта путём интеграции обработки диагностических параметров, вычисления на основе этой обработки мер принадлежности каждой из зон информативности к одному из диагностических классов.
Эффективное функционирование алгоритмической части возможно только при выполнении ряда основных метрологических требований, предъявляемых к приемной части: высокой и постоянной чувствительности (энергетической или температурной для тепловых полей) в широком спектральном диапазоне; неизменного пространственного разрешения при различных полях обзора; воспроизводимости рабочего энергетического (температурного) интервала в пределах установленной зоны информативности; стандартизации параметров зон информативности на реализациях полей.
При построении аппаратурной части задача состоит в сохранении постоянства степени информативности при получении реализаций полей, что, в свою очередь, позволяет при различных линейных габаритах и температурных перепадах по исследуемой поверхности объекта получать объективное заключение о его состоянии и прослеживать динамику при обеспечении постоянной воспроизводимости.
Повышение точности диагностики, а, следовательно, и надёжности получаемых результатов достигается:
- сохранением постоянного числа элементов разложения при максимальном заполнении кадра установленной зоной информативности без потери качества теплового изображения;
- получением воспроизводимого рабочего температурного интервала в пределах выбранной зоны информативности.
Чувствительный элемент приемника на эффекте высокотемпературной сверхпроводимости (ВТСП), выполненный из поликристаллической пленки УВа2Си307-8 толщиной 0,1мкм, размером 0,1 х 0,1 мм на подложке из 8гТЮ3 с температурным коэффициентом сопротивления около 104 Ом/К при нулевом сопротивлении при температуре порядка 91 К, с постоянной времени порядка 5-1°с, обеспечивает широкий спектральный диапазон работы приемной части 0,7-50 мкм [8, 9]. Зеркальная оптика обеспечивает прием ИК излучения во всем спектральном диапазоне от видимого света до 50 мкм. Частота строчной развертки, равная 50 Гц, определяет длительность одного элемента разложения около 40 мкс, что соответствует инерционности данного приемника ВТСП.
Концептуальное проектирование обрабатывающей части должно проводиться на основе достижений современных технологий производства БИС и СБИС, обеспечивших появление новых, нетрадиционных архитектур вычислительных устройств, которые могут быть использованы как автономно, в виде функционально ориентированных процессоров, так и в составе уже существующих архитектур в виде сопроцессоров либо процессорных элементов. Особый интерес представляют конвейерные архитектуры, архитектуры цифровых устройств с однородными элементами и регулярной топологией межсоединений. Указанные архитектуры типичны для процессоров с распределенной аппаратной реализацией команд; систолических процессоров; нейроподобных сетей и клеточных автоматов. При проектировании обрабатывающей части использование указанных архитектур позволит не только реализовать алгоритмическую часть, но и обеспечит сравнительно простое управление процессом обработки, возможности наращивания и реконфигурации структуры, а также технического диагностирования
До настоящего времени основным принципом построения адаптивных информационно распознающих систем (АИРС) являлся принцип иерархического управления, предполагающего поэтапное решение задачи. Практическая реализация этого принципа достигается программным путем с использованием серийных компьтеров с последовательным характером действия. Однако, как показал опыт обработки информации тепловых полей , такой принцип достаточно эффективен при управлении адаптацией в режиме «обучение с учителем». Кроме того, необходимо отметить, что в этом случае не выполняется требование высокого быстродействия, т.е. получения результатов практически в реальном масштабе времени. С точки зрения структуры построения АИРС целесообразно интерпретировать как многопроцессорную систему, в которой каждый из блоков рассматривается как самостоятельно функционирующий процессор. В таком случае происходит декомпозиция общей задачи на ряд отдельных подзадач, что создает предпосылки для одновременного исполнения каждой подзадачи автономно функционирующим процессором по типу конвейерной (потоковой) обработки. Суть такой обработки состоит в том, что при распределении заданий между процессорами каждому из них дается такое задание, которое может загрузить процессор работой, не требующей его взаимодействия с другими процессорами. Главным объектом распараллеливания при этом являются циклы и вложенные системы циклов. Передача результатов по обработке циклов от процессора к процессору происходит с перекрытием, т.е. без ожиданий (линейный конвейер).
Задача реализации принципа распределенного управления, согласно которому в работу вступают сразу все функциональные преобразователи системы при появлении на ее входе двумерной реализации исследуемого поля, в настоящее время может быть решена путем использования БИС и СБИС с программируемой структурой. В интегральных схемах (ИС) с программируемой структурой обработка информации происходит без разбиения на последовательно выполняемые элементарные операции. Задача решается «целиком», а ее характер и сложность определяют структуру и сложность построения системы. При использовании программируемых БИС и СБИС разработчик
- системотехник получает кристалл, содержащий множество логических блоков и определяет (программирует) структуры, адекватные решаемым функциональными преобразователями задачам. Ясно, что при решении сложных задач «ручной» способ программирования структуры вряд ли позволит обеспечить высокие требования по качеству проектирования АИРС. В связи с этим актуальна задача стандартизации (формализации) процесса проектирования АИРС с программируемой структурой
Для проверки качества полученного проекта осуществляется моделирование: функциональное - для проверки правильности логической структуры системы; временное - для анализа временных задержек сигналов в блоках системы. Моделирование позволяет выявить ошибки, требующие исправления, что собственно и придает процессу проектирования интерактивный характер с возвратами к прежним операциям и введением в проект требуемых коррекций. Затем осуществляется конфигурирование БИС, СБИС с программируемой логикой и физическое моделирование - реальная проверка функционирования системы. И если операция физического моделирования завершилась успешно, то система готова к запуску в работу. Таков общий алгоритм проектирования. Важнейшая операция этого алгоритма - синтез системы (копмиляция), связанный с выбором модели.
Для определения аналитического вида закона выбора управляющих параметров моделей Р(Ц) используем принцип максимума энтропии, согласно которому при неизвестной плотности распределения случайной величины следует выбирать плотность, обеспечивающую максимизацию энтропии при учете всех известных ограничений. Итак, энтропия плотности распределения
Н = -|Р(и)1пР(и)ёи,
и
ограничения
I Р(и = 1,
и
IЬк(и)Р(и)^и = ак к = 1, 2,к, К.
и
где Ьк (и) - известные непрерывно дифференцируемые функции;
а к - заданные действительные числа, так называемые константы ограничений.
Используя известный в математическом программировании метод множителей Лагранжа, получаем
Н =-| Р(и)
и
1п Р(и )-£1А (и)
где а0 = 1 и Ь0 (и) = 1 для всех. и.
Взяв частные производные от функции Н1 по плотности распределения Р(и), будем иметь
дН1 дР(и )
— I
и
1п Р(и) -^КК (и)
к
+ 1(и.
Приравняв правую часть данного соотношения нулю, придем к следующему соотношению:
Р(и) = ехр
2 К Ьк (и) -1
Полученное соотношение принадлежит к целому семейству плотностей распределения, интегрируемых в пространстве управлений. Так, если иш;п < и < итах, то
Р(и) = ехр(Ко - 1).
Поскольку
• тах
| ехр(К - 1)(и
= 1,
то
ехР(Ко - 1) =
и - и ■
тах тт
р (и) =
и - и ■
тах тт
о
и тт < и < и тах,
О т. > О > Пт
то есть для и , отличных от нуля в некотором конечном интервале, распределение Реи) принимает вид равномерного. К этому же семейству принадлежит бета-
к
к
и
1
а
распределение. Путем вариации параметров этого распределения можно получить целый ряд важных с практической точки зрения распределений.
Таким образом, эксперимент по определению оптимального закона изменения значений управляющих параметров состоит в выполнении следующих операций: установление определенных, в общем случае произвольных параметров бета-распределения; генерация для каждой модели псевдослучайной последовательности значений управляющих параметров с последующим переходом к операции функционального моделирования.
Предложенная методика управления качеством проектирования проходит апробацию на уровне математического моделирования, с использованием марковской аппроксимации операции синтеза.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Куртев Н. Д., Анцыферов С. С. Вопросы построения классификатора объектов по их тепловизионным сигналам. // Тепловидение. / Межвуз. сб. научн. тр. М.: МИРЭА, 1978. Вып. 2. С. 127-134.
2. Куртев Н. Д., Анцыферов С. С., Фолуменов Е. М. Алгоритмы машинной классификации объектов по их тепловизионным сигналам. // Тепловидение. / Межвуз. сб. научн. тр. М.: МИРЭА, 1978. Вып. 2. С. 146-153.
3. КуртевН. Д., Анцыферов С. С. Анализ тепловых изображений. // Медицинская техника. М.: Медицина, 1980, №4. С. 29-30.
4. Куртев Н. Д., Анцыферов С. С. Автоматизированный анализ тепловых изображений. // Электронная промышленность. М.: ЦНИИ "Электроника", 1986, №5. С. 29-30.
5. Kurtev N. D., Antsyferov S. S. Structural-stochastic method of processing and recognizing information in thermal images. // J. Opt. Technol. 1997, v. 64 (2), p. 102-104.
6. Анцыферов С. С. Формирование спектра тепловых изображений и распознавание их образов. // Оптический журнал. 1999, т. 66, № 12. С. 46-48.
7. Евтихиев Н.Н., Анцыферов С.С., Голубь Б.И. Технология адаптивной обработки информации тепловых широкоспектральных полей // Наукоёмкие технологии, N 4, 2002, Т.3. С. 45-50.
8. Евтихиев Н.Н., Куртев Н.Д., Голубь Б.И. Высокотемпературная сверхпроводимость в тепловидении. // Тепловидение. / Межвуз. сб. научн. тр. М.: МИРЭА, 1992, вып. 9, с. 44-46.
9. Евтихиев Н.Н., Куртев Н.Д., Голубь Б.И. Болометрический приемник электромагнитного излучения. Патент СССР, № 1831665, Б.И. 1993, № 28.
Е.И. Коваленко, И.И. Маркович
РЕАЛИЗАЦИЯ АЛГОРИТМОВ ОЦЕНКИ КООРДИНАТ ОБЪЕКТОВ В ГИДРОАКУСТИЧЕСКИХ НАВИГАЦИОННЫХ КОМПЛЕКСАХ
Проведение поисковых работ, геодезических исследований, картографирования дна мирового океана, инспекции подводных сооружений выполняется в большинстве случаев с применением спускаемых подводных аппаратов (СПА). При этом, как правило, требуется знать точное расположение СПА относительно его носителя (надводного судна или стационарно установленной в море платформы). Решение указанной задачи осуществляется с помощью гидроакустических комплексов подводной навигации (ПН).
Принцип функционирования комплексов ПН состоит в следующем. Носитель СПА, относительно которого необходимо определить координаты СПА, излучает в водную среду запросный акустический сигнал. Ответчик, установленный на СПА, обнаруживает этот сигнал и излучает ответный сигнал. Ответный сигнал принимается разнесенными антеннами, размещенными либо на днище судна, либо в спускаемом
