CC BY
31
7. ITU-T і Recommendation No. E.5GG (11/98) і Traffic intensity Measurement Principles. - Geneva, 1998. - 1б p.
8. Берлин, А. Н. Цифровые сотовые системы связи / Берлин А. Н. -М. і Эко-Трендз, 2GG7. - 29б с.
9. Лившиц, Б. С. Теория телетрафикаі Учебник для институтов связи / Б. С. Лившиц, А. П. Пшеничников, А. Д. Харке-вич. - 2-е изд., перераб. и доп. - М. і Связь, 1979. - 224 c.
1G. Системы измерения длительности соединений СИДС подсистем коммутации MSC и IN-платформ сотовой подвижной связи стандарта GSM 9GG/18GG. Методика поверки і МИ 2994-2GG6 ГСИ - Офиц. изд. - М. і ФГУП «ВНИ-ИФТРИ», 2GG6. - 18 с. - (Нормативный документ Комитета Российской Федерации по стандартизации, метрологии и сертификации).
11. Гмурман, В. Е. Теория вероятностей и математическая статистика і учеб. пособие для вузов / Гмурман В. Е. -9-е изд., стер. - М. і Высш. шк., 2GG3. - 479 с.
12. Максимов, Г. З. Телефонная нагрузка местных сетей связи. учеб. пособие / Г. З. Максимов, А. П. Пшеничников. -М. і Связь, 19б9. - 152 c.
Стаття надійшла до редакції 2G.G5.2G11.
Сметанін І. М., Ложковський А. Г., Піза Д. М., Вербанов О. В.
ДОСЛІДЖЕННЯ ПАРАМЕТРІВ ТРАФІКУ ДІЛЯНКИ
МЕРЕЖІ GSM ПІД ВПЛИВОМ ЛОКАЛЬНИХ ПЕРЕВАНТАЖЕНЬ
У даній статті обґрунтовується необхідність проведення досліджень параметрів навантаження для ділянок стільникової мережі зв’язку стандарту GSM, які піддаються локальним перевантаженням, наводяться результати проведених статистичних вимірів, і, на основі аналізу отриманих даних, зроблені висновки про відмінність характеру потоку навантаження, який створюється різними видами з’єднань.
Ключові слова: стільникова мережа, година найбільшого навантаження, потік викликів, тривалість розмови, інтенсивність навантаження, число занять, відмова в обслуговуванні, локальне перевантаження.
Smetanin I. N., Lozhkovsky A. G., Pisa D. M., Verbanov O. V.
RESEARCH OF PARAMETERS OF THE TRAFFIC OF A SECTION OF NETWORK GSM AT INFLUENCE OF LOCAL OVERLOADS
In given article necessity of carrying out of researches of parameters of loading for sections of a cellular network of communication of standard GSM which are exposed to local overloads is justified, results of the led statistical measurements, and, on the basis of the analysis of data retrieveds are resulted, outputs are drawn on difference of character of a flow of the loading created by various types of connections.
Keywords: a cellular network, busy hour, a flow of calls, a conversation time, intensity of loading, number of occupations, a failure in service, a local overload.
УДК 528.88.042.4
Морщавка С. В.1, Шама Є. О.2, Піза Д. М.3
1Канд. техн. наук, доцент Запорізького національного технічного університету 2Аспірант Запорізького національного технічного університету 3 Д-р техн. наук, професор Запорізького національного технічного університету
ВПЛИВ ВИДІВ НОРМУВАННЯ НА ЯКІСТЬ РОЗПІЗНАННЯ РОСЛИННИХ ОБ’ЄКТІВ
Розглянуто вплив різних видів нормування на якість розпізнання за результатами дистанційного зондування.
Ключові слова: розпізнавання, хемометрика, нормування, спектральні коефіцієнти яскравості.
ВСТУП
При розпізнанні рослинних об’єктів, необхідно проводити аналіз багатоспектральних потоків даних сукупності спектральних коефіцієнтів яскравості, які описуються деяким масивом чисел [1]. На практиці під час експериментів зручно складати матрицю, в якій стовпці відповідають довжинам хвиль, а рядки вибіркам - значенням спектральних коефіцієнтів яскравості (СКЯ), що отримані з виходу аналогово-цифрового перетворювача (АЦП) спектрометра [2]. Такий підхід є загальновизнаним в хемометриці. Зазвичай значення х в межах однієї строки змінюються від деякого мінімального значення х до деякого максимального значення х . При пере-
min max А А
ході від однієї вибірки до іншої значення СКЯ можуть значно відрізнятися. Їх абсолютні значення не повинні
впливати на подальшу статистичну обробку цих даних. Оскільки інформація про СКЯ міститься не в абсолютних значеннях відбивних характеристик на певних довжинах хвиль, а в його зміні щодо довжини хвилі, то можна провести нормування одержаних в результаті експериментів характеристик, які в подальшому будуть використовуватись для розпізнання об’єктів [3]. Слід зазначити, що значна кількість методів розпізнавання, в особливості параметричних, є самонормуючими, тобто нечутливими до масштабу, оскільки для обчислень використовується обернена ковариаційна матриця та виконується центрування. Однак, і у цьому випадку, при практичній реалізації, нормування також може позитивно вплинути на якість розпізнавання за рахунок усунення помилок при обчисленнях у процесорах з фіксованою розрядністю.
© Морщавка С. В., Шама Є. О., Піза Д. М., 2G11
3G
Приведення до єдиного масштабу забезпечується нормуванням кожної змінної на діапазон розкиду її значень. Для цього функція перетворення у=Дх) повинна мати наступні властивості:
y(X )=K ; y(X )=K ; dy/dX>G. mm' min’ max' max’
(і)
Будь-яка функція з такими властивостями може бути використана для нормування. Наприклад, якщо хтах , то можна обрати функцію:
y(X) = і - exp(1----------)
(2)
Тобто, за рахунок вибору відповідної функції можна врахувати різноманітні ефекти спотворення оцінок. Наприклад, схильність набору даних до крайніх оцінок. При цьому, можливо, слід застосовувати для різних наборів даних і різні функції перетворення, що враховують особливості їх поведінки, статусу і тому подібне. Зразкові графіки таких функцій наведені на рис. 1.
Приведення до єдиного масштабу забезпечується нормуванням кожної змінної на діапазон розкиду її значень. У простому варіанті це - лінійне перетворення:
(З)
де ~ , Хї - нормований та виміряний спектральні коефі-цієнти яскравості на довжині хвилі , відповідно; Х;',тах, хг,тіп - максимальний та мінімальний виміряні спектральні коефіцієнти яскравості, відповідно.
Слід зауважити, що лінійне нормування оптимальне, коли значення змінної щільно заповнюють певний інтервал. Але подібний «прямолінійний» підхід можна застосовувати далеко не завжди. Так, якщо при розпізнанні рослинних об’єктів в даних є відносно рідкісні викиди, що перевищують типовий розкид, то саме ці викиди визначать, згідно з попередньою формулою (3), масштаб нормування. Це приведе до того, що основна маса значень нормованої змінної зосередиться поблизу нуля
*ігші ^так
Рис. 1. Графіки функцій нормування
<< 1, або, навпаки, поблизу одиниці (крива «ранжо-
вана» на рис. 2 має мало значень в середині діапазону). На рис. 2 під назвою «вибірка» наведена для прикладу одна вибірка реальних даних - СКЯ амброзії у логарифмічному масштабі, у відносних одиницях виходу 12 розрядного АЦП спектрометру, в залежності від умовної довжини хвилі - і, що відповідає Хі. Для рангової статистики цієї вибірки (крива «ранжована») на рис. 2 позначені пунктиром межі Р0, ^ Р№ ^ ^ ^ РЮ Р90,
Р100, що є процентилями відповідного рівня.
Ще одним фактором є обмеження, що виникають при цифруванні СКЯ за рахунок обмеження розрядної сітки АЦП, що ілюструє крива «вибірка» на рис. 2 в діапазоні від 7 до 16 умовної довжини хвилі.
Для усунення впливу обмежень можна використовувати не діапазон від мінімального значення до максимального, а від Ж-ї до 1-Ы процентилі. При цьому N може мати значення від 0 до 0,5 (0,5 відповідає 50-й процентилі, або медіані). Узагальнення формули (3) матиме вигляд:
~ = (і - 2 • N )-
Xi - XPn
+N
xp
(1-N)
-XPn
(4)
де хрж - значення Ж-процентилі.
Іноді при нормуванні набагато надійніше орієнтуватися не на екстремальні значення, а на статистичні характеристики даних, такі як середнє значення Х і дисперсія а і:
(5)
Рис. 2. Використання рангових статистик для нормування
Зі
X
X- — X-лі лі,шіп
х ■ — х ■
•^,,max лі,шіп
X, — X
В цьому випадку основна маса даних матиме одиничний масштаб, тобто типові значення усіх змінних будуть порівняними. Перетворення (5) в хемометриці має назву автошкалування.
Іноді для обмеження діапазону можливих значень вхідних даних використовуються нелінійні гладкі функції, наприклад, - логістичну
/ (~) = (1 + )-1. (6)
Однак до »такого кроку слід вдаватися з обережністю оскільки таке перетворення змінює структуру даних. А у випадку розпізнавання за СКЯ у цьому не має потреби, оскільки максимальні значення вхідних даних і так обмежені розрядністю АЦП спектрометра.
Для порівняння впливу видів нормування на якість розпізнання рослинних об’єктів, порівняємо ті види нормування, де масив даних нормується за допомогою лінійного перетворення (4) і за допомогою автошкалування (5).
УМОВИ І ПРОВЕДЕННЯ ЕКСПЕРИМЕНТУ
Експериментальні дослідження проводилися в два етапи:
- польові дослідження спектрів відбиття від рослин;
- обробка результатів досліджень спектрів.
Польові дослідження проводилися на тестовому полігоні Інституту олійних культур Національної академії аграрних наук, який розташований біля м. Запоріжжя. З отриманих експериментальних даних було відібрано 1000 наборів з 2048 спектральними точками. Критерієм відбору була можливість візуального визначення виду рослин по зображеннях і формі спектральної кривої (відсутність обмежень і надмірної зашумленості). Кількість вибірок різних видів рослин, що були відібрані для подальшого дослідження, та їх назви наведені в табл. 1.
За допомогою пристрою для дослідження спектрів рослин вимірювалися відносні спектральні характеристики в автоматичному режимі з періодом 1 с зі збереженням як поточної спектрограми, так і додаткової інформації (місце розташування і зовнішній вигляд рослини). Характеристики рослин в рядку знімалися послідовно, об’єктив приймача (спектрометричного блоку) переміщався уздовж рядка плавно, без ривків і зупи-
Таблиця 1. Видовий склад досліджуваних рослин
Вид рослини Латинська назва Клас Кількість вибірок
соняшник Helianthus annuus 1 587
амброзія Ambrosia artemisiifolia 2 224
мишій Setaria viridis З 189
всього 1GGG
нок. Пристрій для дослідження спектрів складався зі спектрометру Red Tide 65G з волоконно-оптичним кабелем P2GG-2-UV-VIS і лінзою 74-VIS (фірма Ocean Optics); програмні компоненти, що входять в базовий комплект програмного забезпечення спектрометра! SpectraSuite і OOI_base32; Web-камера Genius VideoCamEye для реєстрації зображення рослин; датчик місцеположення BT-Q92G фирмы QSatarz.
ОБРОБКА РЕЗУЛЬТАТІВ ЕКСПЕРИМЕНТУ
Після усереднення 2G48 СКЯ, що забезпечуються спектрометром за один замір, до б4, були здобуті З масиви чиселі 587 x 64 - матриця коефіцієнтів відбиття для соняшника, 189 x б4 - матриця коефіцієнтів відбиття для мишію і 224 x б4 - матриця коефіцієнтів відбиття для амброзії. Наступним кроком було нормування - кожна з трьох матриць піддавалася нормуванню по лінійному закону нормування згідно формули (4) з різними значеннями N і автошкалування згідно (5).
Для перевірки якості розпізнання рослинних об’ єктів за експериментальними даними був використаний блок дискримінаційного аналізу General Discriminant Analysis (GDA) програми Statistica 8.G компанії StatSoft Inc. Він дозволяє ефективно здійснювати статистичний аналіз і обробку експериментальних даних, зокрема визначити статистичні характеристики вибіркових сукупностей, підгонку розподілів, здійснювати варіаційний, регресійний і дискримінантний аналіз, будувати гістограми і графіки різної складності. Проведення дискримінаційного аналізу потрібне для того, щоб визначити можливість класифікації рослинних об’ єктів за спектральними характеристикам, а також оцінити якість розпізнавання [4]. На даному етапі, для цього аналізу, вибір кількості ознак не брався до уваги, тому, що головною метою було порівняти вплив різних видів нормування на якість розпізнання при однакових умовах, а не як збільшити якість розпізнання за рахунок відбору найбільш інформативних ознак.
Були отримані наступні результати. Табл. 2 демонструє показники розпізнавання без проведення нормування взагалі. Табл. З дозволяє виявити залежність якості розпізнавання від номеру використаної для нормування процентилі.
Залежність вірогідності вірної класифікації від рівнів (процентилів), що використовуються для нормування, проілюстровано на рис. З. Для порівняння на рис. З наведені вірогідності для випадків використання автошкалу-вання та розпізнавання без попереднього нормування у вигляді горизонтальних ліній. Згідно з цим рисунком нормування може як покращити якість подальшого розпізнавання, так і погіршити її, але в незначних межах.
Однією з умов застосування методів дискримінант-ного аналізу є нормальність розподілу вибірок. Методика перевірки на нормальність розподілу описана в міжнародному стандарті ІСО 5479-97 [5]. Дозволяється деяке відхилення від нормального розподілу, при якому досить успішно класифікуються вибірки. В цілому вибірки відповідали нормальному розподілу.
З2
Таблиця 2. Класифікаційна матриця без нормування
Результати класифікації для кожного класу
і(соняшник) 2 (амброзія) 3 (мишій) Всього
Апріорні дані нро клас і(соняшник) 557 26 4 587
2(амброзія) 53 155 16 224
З(мишій) Зб 9 144 189
Всього 646 19G 164 1GGG
Вірогідність вірної класифікації 94,89 % 69,2G % 76,19 % 85,6 %
Таблиця 3. Класифікаційна матриця при використанні різних видів лінійного нормування
Рівні для нормування N G(min) G,G3 G,G5 G,G7 G,1 G,2 G,3 авто- шкал. без норм.
1-N 1(max) G,97 G,95 G,93 G,9 G,8 G,7
Кількість вірно класифікованих вибірок різних класів 2 (сон.) 156 156 156 156 154 152 155 154 155
3 кл. 136 135 147 143 142 143 142 135 144
1 кл. 556 555 558 56G 558 556 554 559 557
Вірогідність вірної класифікації для всіх класів, % 84,8 84,б 86,1 85,9 85,4 85,1 85,1 84,8 85,6
■ірм.
РОЭП.,?
86
8S,6
85,2
84,8 84,4
0 5 10 15 20 25 30N.*
Рис. З. Залежність вірогідності вірного розпізнавання від рівнів для нормування
ВИСНОВКИ
Перевірка впливу різних видів нормування на якість розпізнання рослинних об’єктів за результатами дистанційного зондування виявила, що види нормування не значно, але впливають на кінцеву якість розпізнання. Обробка експериментальних результатів за допомогою дискримінаційного аналізу показала, що для розпізнавання рослин найкраще використовувати лінійне нормування зі значеннями 5 та 95 процентилі замість мінімальних та максимальних, відповідно. При цьому виграш відносно розпізнавання без нормування склав G,5 %, а відносно автошкалування 1,3 %. Виграш - незначний, але при вирогідностях вірного розпізнавання близько 9G % кожен додатковий відсоток має значення та досягається значним ускладненням процедури розпізнавання. Крім того, як вже зауважувалося вище, використання розпізнавання без нормування не завжди можливе на практиці. Отримані результати слід віднести до випадків, практичне значення яких не слід узагальнювати без перевірки. На користь цього говорить те, що найбільший вплив нормування створює на розпізнавання лише одного класу - третього, що відповідає мишію - бур’яну з невеликою площею листя, і тому меншим інтегральним коефіцієнтом відбиття. Але результати цієї статті показують, що при вирішенні задач розпізнання образів
при необхідності нормування початкових даних, слід враховувати їх вплив та обирати їх оптимальні види для досягнення якісного розпізнання.
СПИСОК ЛІТЕРАТУРИ
1. Пиза, Д. М. Выбор эффективного метода распознавания растений по коэффициентам спектральной яркости / Д. М. Пиза, С. В. Морщавка, Ю. В. Скоробогатов// Радиоэлектроника, информатика, управление. - 1999. -№ 1. - С.85-88.
2. Дистанционное зондированиеі количественный поход / [Ш. М. Дейвис, Д. А. Ландгребе, Т. Л. Филлипс и др.]; под ред. Ф. Свейна и Ш. Дейвис. Пер. с англ. М. і Недра. -1983. - С. 415. (Пер. изд. США, 1978, 396 с.).
3. Морщавка, С. В. Информационные технология обработки пропашных культур. Радиометрические аспекты / С. В. Морщавка, Д. М. Пиза, Е. А. Белоусов // Радіоелектроніка, інформатика, управління. - 2GG8. - №2. - С. 45-52.
4. Боровиков, В. П. Популярное введение в программу STATISTICA/ В. П. Боровиков. - М. і Компьютер Пресс, 1998. - 238 c.
5. Статистическое представление данных. Проверка отклонения распределения вероятностей от нормального рас-нределения (ISO 5479-97) ГОСТ Р ИСО 5479-2GG2. - [Действителен с 2GG2-G1-22] - М. і Госстандарт России, 2GG2. -27 с. - (Технический комитет по стандартизации ТК125)
Стаття надійшла до редакції 11.G5.2G11.
Морщавка С. В., Шама Е. А., Пиза Д. М.
ВЛИЯНИЕ ВИДОВ НОРМИРОВАНИЯ НА КАЧЕСТВО РАСПОЗНАВАНИЯ РАСТИТЕЛЬНЫХ ОБЪЕКТОВ
Рассмотрено влияние разных видов нормирования выборок на качество распознавания по результатам дистанционного зондирования.
Ключевые слова: распознавание, хемометрика, нормирование, спектральные коэффициенты яркости.
Morshchavka S. V, Shama E. О., Piza D. М.
EFFECT OF NORMALIZATION ON THE QUALITY OF RECOGNITION OF PLANT OBJECTS
Influence of different types of samples norm is considered on quality of recognition on results of the remote sensing.
Key words: recognition, xemometrics, normalization, the spectral brightness coefficients.
