CC BY
71
Наука й Образование
МГТУ им. Н.Э. Баумана
Сетевое научное издание
1ЭЗМ
Наука и Образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2017. № 05. С. 140-159.
Б01: 10.7463/0517.0001165
Представлена в редакцию: 11.04.2017 Исправлена: 25.04.2017
© МГТУ им. Н.Э. Баумана
УДК 621.396.96
Выбор информативных признаков акустических сигналов вертолета и самолета в адаптивных автономных информационных системах распознавания
Хохлов В. К1'", Молчанов С.А.1, *кЬокЫоу2010@уа1ц1езци
Константинов Н.А.1
:МГТУ им. Н.Э. Баумана, Москва, Россия
В статье рассмотрены вопросы обоснования информативных признаков и алгоритма работы цифровой системы распознавания акустических сигналов вертолета от самолета. Используются нецентрированные информативные признаки - отсчеты оценок спектров реализаций входных сигналов, соответствующие локальным экстремумам их энергетического спектра. Для формирования информативных признаков предложены цифровые рециркуляторы с положительной и отрицательной обратными связями, имеющие гребенчатые частотные характеристики. Обоснован принцип адаптации и структура блока адаптации. Для формирования дискриминационной характеристики дискриминатора используются взаимокорреляционные статистические характеристики квадратурных составляющих реализаций акустических сигналов, полученные при помощи дискретного преобразователя Гильберта.
Ключевые слова: информативные признаки, вертолет и самолет, спектральная плотность мощности, рециркулятор, регрессионный алгоритм, регрессионные статистические характеристики, преобразование Гильберта, квадратуры сигнала
Введение
В последние годы возрос интерес к использованию пассивных акустических автономных информационных систем (АИС) ближней локации (БЛ), осуществляющих обнаружение, распознавание и пеленгацию аэродинамических и наземных объектов по их акустическим излучениям для применения в системах защиты. Отличительная особенность данных АИС БЛ - автономность, высокое быстродействие, работа в условиях интенсивных искусственных и естественных помех при большом динамическом диапазоне параметров и нестационарности входных воздействий, работа в условиях реверберационных явлений, инвариантность к неинформативным параметрам условий встречи объектов и условий применения, робастность и возможность адаптации.
В АИС БЛ случайные сигналы на входе и помехи [1] имеют большой динамический диапазон амплитудных, частотных и временных характеристик. Информативные параметры сигналов часто являются нецентрированными случайными величинами или процессами на ограниченном интервале наблюдения, для которых априорно не известны математические ожидания, оценить которые по нестационарной реализации также часто не представляется возможным.
В этих условиях невозможно применить традиционные методы статистических решений, требующие вычисления и обработки центрированных параметров сигналов, которые при неизвестных математических ожиданиях получить принципиально невозможно. Актуальной является задача обоснования информативных признаков акустических сигналов и алгоритмов обработки сигналов пассивных акустических АИС.
В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоростной идентификации целей [2], решения основанные на применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [3,4]. В [5,6] предлагаются методы, основанные на вейвлет-преобразованиях и робастном обучении. В работе [7] предлагается совместно анализировать отражательные характеристики объектов в радиодиапазоне и резонансные частоты акустических сигналов. В работах [8,9,10,11] предлагаются решения распознавания вертолета на основе методов шумоподавления и распознавания акустических сигналов совместно в частотной и временных областях. Во всех перечисленных работах рассматриваются центрированные случайные сигналы. В известных отечественных работах рассмотрены регрессионные и нейросетевые алгоритмы классификации аэродинамических и наземных объектов [12] и вопросы их адаптации к скоростям движения объектов [13], при этом использовались информативными признаки, сформированные на основе гистограмм распределения длительностей интервалов между нулями входных реализаций. В [1] показано, что наиболее информативными признаками при распознавании вертолета от самолета являются спектральные.
Актуальность
Актуальными являются вопросы разработки алгоритмов, учитывающих специфику АИС, основанных на обработке нецентрированных параметров сигналов и помех и использовании в качестве априорной информации начальных моментов случайных процессов и применения регрессионных и нейросетевых технологий [1] .
Цель работы состоит в обосновании информативных признаков акустических сигналов вертолета и самолета для решения задач распознавания, алгоритма и структурной схемы регрессионного тракта адаптивного к скорости полета вертолета, использующего спектральную обработку информации для применения в системах защиты.
Научная новизна
Научная новизна работы заключается в обосновании информативных признаков акустических сигналов и алгоритма работы адаптивной регрессионной системы распознавания вертолета от самолета по их акустическим излучениям с нецентрированными спектральными информативными признаками, на основе применения цифровых рециркулято-ров и дискриминатора, использующего автокорреляционные статистистические характеристики входных квадратурных широкополосных реализаций сигналов, полученных при помощи дискретного преобразования Гильберта.
Постановка задачи
Важными вопросами при разработке АИС БЛ являются вопросы выбора информативных признаков и вопросы сокращения размерности векторов признаков.
Цель выбора информативных признаков сигналов состоит в выборе таких признаков, которые являются наиболее эффективными с точки зрения разделимости классов.
Классическая теория распознавания образов оперирует критериями разделимости классов, задаваемыми в явном виде, и центральными (ковариационными) моментами параметров векторов информативных признаков. В работе [1] обоснованы регрессионные алгоритмы обнаружения и распознавания сигналов, использующие оценки нецентриро-ванных информативных параметров реализаций входных сигналов с учетом специфики автономных информационных систем.
При обнаружении и распознавании сигнала от помехи [1], регрессионные алгоритмы могут быть представлены соответственно в виде неравенств (1) и (2)
/ л2
1
2/в $0 1=1
п Л п
£х2 -1 £ 1
1=1
х —
£ Д
'¡кХк
к=1 к &
>у
(1)
1=1
/—2 ^Ос,
Х
, — £ Дк
Хк
к=1 к &
+
1=1
'—2
х*—£ ДДк
хк
к=1 к &
> 0.
(2)
где $0- спектральная плотность белого шума в полосе 0.... /; Х[ и Хк - оценки случай-2 -2
ных параметров; п - размерность вектора признаков; и ¥ о™ - остаточные средние множественных регрессионных начальных оценок случайных параметров соответственно для сигнала и помехи; ДС и ДЛ - коэффициенты множественной начальной регрессии (КМНР) соответственно сигнала и помехи; у - пороговый уровень принятия решения.
Как следует из (1) и (2) в регрессионных алгоритмах необходимо вычислять квадраты ошибок множественных начальных регрессионных представлений вида
2
2
п
п
N
в(х )=-£4
'=1
X
'-I 0
''кХк
к=1 к ф'
(3)
где X и Хк - оценки нецентрированных параметров сигналов; 01к =
Л,.
ik
Л,-,.
- КМНР; Л
' 'к
и Лг -элементы матрицы, обратной матрице корреляционных (начальных) моментов; Л = К-1; К - матрица корреляционных моментов; = СЛ + ММ к; п - размерность вектора информативных признаков.
КМНР рассчитываются исходя из условия минимума среднего значения квадрата ошибки множественных начальных регрессионных представлений
¥2 = 1 М
х,
-10,* хк
к=1 к Ф'
I
' =1
п п п
? + 10к + 2 10 $цКк1 -21 АкК'к
к=1 к=1 к=1
к ф' кф',1 фк к ф' у
(4)
2
'=1
где М[ ] - оператор математического ожидания; ¥2 - среднее значение квадрата оценки / - го параметра; К{к = М [хгхк ]- корреляционный (начальный) момент оценок случайных параметров Х[ и Хк.
Если из остаточной суммы квадратов ошибок множественных начальных регрессионных представлений исключить оценку Хт и вычислить полученное при этом остаточное
-2 -2 -2 -2
среднее значение ¥ о-т и разницу А¥ от = ¥ о-т - ¥0, то получим
А¥ 0т = I
1=1 1Фт
-0 ¥т - 21 Кк1 0Л0Ш + 2КтД
к=1 к Ф1 к Фт
(5)
При обнаружении сигналов для учета вклада каждой т-ой компоненты входного
вектора в регрессионной модели необходимо учитывать среднее значение квадрата ошиб-
-2
ки регрессионного представления А¥от. С этой целью для всех т необходимо упорядочить по убыванию величины А¥ 2т и отбрасыванием (п - д) последних значений сформировать вектор информативных признаков размерностью q, который в дальнейшем может быть использован при исследовании регрессионного или нейросетевого алгоритма обработки сигнала.
При распознавании сигнала от помехи, на основании [1] регрессионные алгоритмы могут быть представлены в виде неравенств (1) или (2).
Из выражения (2) для вектора оценок параметров сигнала Х при усреднении (2) по области существования сигнала Х ,х£,.......,хсп) получим
М
— ^Д^
к—1 к &
= ^2 — 1 оп
и М
-Едп* ск
к—1 к &
= ^
— А оп
остаточные средние квадратов множественных начальных регрессионных представлении сигнальной и помеховоИ составляющих регрессионного алгоритма (2).
Как следует из (2), при распознавании сигнала от помехи при сокращении размерностей векторов входных реализаций необходимо отбирать те информативные параметры, для которых отношения оценок средних значений квадратов ошибок множественных начальных регрессионных представлений помеховой и сигнальной составляющих при наличии на входе сигнала, в наибольшей степени превосходят единицу
Ш 2
'"им; ^ |
(6)
у = ■
2
оша
> 1
что соответствует максимальному разносу в пространстве областей существования сигналов и помех, оцененному относительно линий начальных регрессий сигнала и помехи для 1-го информативного параметра. В (6) используются оценки соответствующих статистических характеристик ЩШ.. и Шо2ша..
Критерий (6) также позволяет сократить размерность вектора информативных признаков при распознавании сигналов от помех. При этом для всех i необходимо упорядочить по убыванию величины ^ и отбрасыванием (п — г) последних значений сформировать вектор информативных признаков размерностью г.
Для п информативных параметров
Ш 2
у — щ™ > п .
/ п -0
Ш 2
ошс.
В работе [1] были рассмотрены вопросы выбора информативных признаков в автономных информационных системах обнаружения и распознавания акустических сигналов вертолета и самолета с регрессионными и нейросетевыми трактами обработки сигналов на базе реализаций, полученных в натурных условиях.
Анализировались следующие признаки сигнала:
длительности интервалов между нулями; — отсчеты огибающей;
2
2
с
х
х
- распределение длительностей интервалов между нулями (гистограммная оценка);
- отсчеты экстремумов оценки спектральной плотности мощности (СПМ).
Выбор информативных признаков сигналов вертолета и самолета производился на основе двух методов: метода КМНР и дискриминантного анализа. Оба метода выбора информативных признаков дали идентичные результаты [1]. При использовании метода КМНР показана хорошая разделимость классов акустических сигналов вертолета и самолета в пространстве нецентрированных параметров. Исследования показали, что с точки зрения разделимости классов лучшими следует признать отсчеты оценок спектров сигналов, соответствующие локальным экстремумам спектра [1]. На рисунке 1 приведены расчеты относительных ошибок множественных начальных регрессионных представлений
Ш 2
У = Ш
Ш
2
ошсг
при распознавании акустических сигналов вертолета от самолета для размерно-
стей признаков 16 (а) и 32 (б), определенных на основе КМНР усредненных по 100 реализациям акустических сигналов вертолета и самолета. В качестве помехи принят сигнал самолета.
чту,
Г""
|Т|
Ш а
4 6 В 10 12 14 16 18 20 22 24 26
30 32
у.
Рис.1. Значения 1 (см. (6)) для гистограммы распредения длительностей интервалов между нулями (кривая 1), отсчетов огибающей (кривая 2), отсчетов локальных экстремумов СПМ (кривая 3), размерность
признаков п=16 (а) и п=32 (б)
б
а
Для обеспечения работы регрессионных и нейросетевых алгоритмов в широком диапазоне скоростей полета вертолета необходимо применение адаптивных методов [1]. В [12] рассмотрены алгоритмы с временным способом обработки сигналов, а в [13] вопросы адаптации таких систем. В [14] исследованы вопросы адаптации нейросетевых алгоритмов с перестраиваемыми избирательными фильтрами на входе.
Обоснование информативных признаков акустических сигналов
вертолета и самолета
В качестве примера на рисунке 2 приведены нормированные спектральные плотности мощности (СПМ) реализаций акустических сигналов самолета и вертолета на интервале наблюдения 0,5 с.
р(Л
1*4*
Ф
\ 00
Об
ЙД О
У 1 -1-Г- 1 1 1 1 -1-1- 1 1 1 1 11 1 -
¥ Л 1 м р 1 \ ■ 1 1 г. 1 ■ /| 1 1 1 1 1 1 4 1
■ 1 1 А ) Г (! _ л 4_ . 4 1 * 4 1 1 1 г 1 1 I 1 1 _ J. I _ А. I1 1 1 1 1 1 1 I 1 _____
Г4 Д ¥ ' 1 1 1 1 * 1 1 * ч * 1 1 1 1 ? 1 1 1 ? 1 ' / \ 1 I 1 1 1 1 А| 1 1 1 1 1 ! 1
Ь г 11 1 «V V/ 1 * 1 II / л / 1 \ /Л_ V Л/ \/ • \ / \ 1 IV 1 А / 1 / \ / 1 \ ' К V/ 1 -
300
100
ко
000
1000 />Гц
1300
1100
1500
1000
2000
б
Рис. 2. Сглаженные по 20-ти отсчетам нормированные оценки СПМ реализаций сигнала самолета (а) и
вертолета(б)
Для вертолета характерна «гребенчатая» структура СПМ, т.е. наличие ярко выраженных чередующихся локальных максимумов и минимумов, причем положение максимумов по оси частот кратно основной гармонике акустического шума вертолета /), а по/
ложение минимумов соответствует частотам + п/(\), п = 0,1,2.. .[14].
В работе [14] показано, что отсчеты СПМ могут быть сформированы на выходах соответствующих резонансных фильтров. С учетом адаптации трактов обработки к скоростям полета вертолета реализация рассмотренного в [14] алгоритма обработки сигналов является достаточно трудоемкой из-за необходимости перестройки избирательных фильтров.
В данной статье предлагается в качестве блока выделения информативных параметров (БВИП) использовать два фильтра, один из которых должен быть настроен на частоты
а
—
кратные —(^ для выделения локальных максимумов СПМ, а второй - на частоты —^ + п—
2
(1)
п = 0,1,2.., для выделения локальных минимумов.
В качестве фильтра для выделения отсчетов СПМ, которые соответствовали бы локальным экстремумам, может быть использован гребенчатый фильтр (рециркулятор).
На рисунке 3 представлена структурная схема рециркулятора с положительной обратной связью (ОС).
Рис. 3. Структурная схема рециркулятора с положительной ОС. Здесь X - элемент задержки на величину X ;
т - коэффициент передачи (т < 1).
Данный фильтр имеет передаточную функцию
И(ш ) = 1
1 -1ЮТ
1 - те
Амплитудно-частотная характеристика (АЧХ) рециркулятора с положительной ОС (рисунок 3) будет
И(а) = 1
л/1 - 2т
св8юх + т
2
Рис. 4. АЧХ рециркулятора с положительной ОС
Максимумы АЧХ данного рециркулятора соответствуют частотам: 2т
Q+max =-, n = 0,1,2,... т -величина задержки (рисунок4).
т
АЧХ рециркулятора c отрицательной ОС имеет вид:
И(а)= 1
л/1 + 2mc
i cos от + m
Макимумы АЧХ рециркулятора с отрицательной ОС будут на частотах: 2rn + ж / 2
U. max = -, П = 0,1,2,...
Рис. 5. АЧХ рециркулятора с отрицательной ОС
Для формирования информативных признаков сигналы с выходов рециркуляторов необходимо продетектировать и накопить, например, при помощи инерционных (апериодических) цепей.
При цифровой обработке и дискретизации входных сигналов с шагом Т , выбираемым в соответствии с теоремой Котельникова, системная функция инерционной цепи будет иметь вид
1
H (z ) = ■
(
1 + exp
T
\
V го у
где г - комплексная переменная дискретного г -преобразования; Т - интервал дискретизации по времени, тс - постоянная времени инерционной цепи, определяемая заданным
интервалом времени на обработку сигнала.
Разностное уравнение инерционной цепи будет
т
z
( T Л
X(nT) = s(nT) + exp - — s(nT - T).
I T0 )
При реализации тракта обработки на микропроцессоре вместо отсчетов сигналов s(nT) в реальном времени будем рассматривать числовые последовательности s(n). На основании изложенного выше цифровой двухканальный блок выделения информативных признаков (БВИП), будет представлять из себя последовательно соединенные рециркуля-торы, детекторы и цифровые накопители. Структурная схема цифрового БВИП (рисунок 6) состоит из рециркуляторов 1 и 2, вычислителей абсолютных значений последовательностей с выходов рециркуляторов 3 и 4, накопителей 5 и 6. s(n) - входная числовая последовательность, X i(n) и X 2 (n) - компоненты сформированного вектора информативных признаков, p0 - параметр изменения величины задержки, поступающего с выхода блока адаптации (БА).
Рис. 6. Структурная схема БВИП
Рециркулятор 1 настраивается на локальные максимумы СПМ, а 2 на локальные минимумы СПМ. Положение локальных экстремумов СПМ меняется с изменением скорости вертолета, причем характер изменения зависит и от направления полета по отношению к наблюдателю и от эффекта Доплера. В связи с этим рециркуляторы необходимо настраивать на частоту спектра входного сигнала с помощью параметра изменения величины
задержки (параметр ), поступающего с выхода блока адаптации (БА).
Обоснование принципа построения блока адаптации системы
аспознавания
Блок адаптации после обнаружения сигнала вертолета и его пеленгации должен решать задачи следящего измерителя, то есть оценивать кажущуюся частоту вращения лопастей при захвате цели, осуществлять слежение за частотой при сопровождении
цели и формировать сигнал управления параметрами рециркуляторов блока информативных признаков БВИП.
Показано [1], что существует связь между основной частотой , периодом следования лопастей Т^ и видом автокорреляционной функции (АКФ) реализации сигнала.
Нормированная АКФ может быть оценена по отсчетам исходной реализации случайного процесса в виде оценки
^ N-m-1
r(m) =-£s(n + m)s(n), 0 < m < N -1.
N-m n=o
N-m
N-m
(7)
r(m) = £ s(n + m)s(n) £ s2 (n,p0 )l , 1 < m < N -1
n=0
n=1
где N - объем выборки; s(n) - отсчет реализации сигнала; m - сдвиг между отсчетами.
Рис. 7. Оценка нормированной АКФ реализации реального акустического сигнала вертолета
Оценка АКФ (рисунок 7) дает представление о характере статистической связи отсчетов акустических сигналов вертолета. Присутствие в АКФ выраженного локального максимума отражает периодический характер акустического шума вертолета, причем абсцисса этой характерной точки АКФ соответствует величине обратной , т.е. соответствует периоду следования лопастей Т^ = 1/.
Обозначим через э(п,р0) дискретизированную с интервалом Т и представленную ограниченной выборкой длиной N реализацию сигнала, где р0 = Т(1)/Т - число отсчетов, соответствующее периоду Т^). Исследуем оценку нормированной автоковариационной функции исходного сигнала, задержанного на р отсчетов ^ (п - р,р0)
n -m / N —m \
(p,Po) = £s(n,Po)s(n—p,PoI £s2(n,Po)l > 1 < m < N—1.
(8)
n=1
. n=1
r
s
Зависимость г {р>Ро) будет иметь выраженный глобальный максимум (для сигнала вертолета) в точке р0. Данное обстоятельство можно использовать для измерения параметра при захвате цели.
В качестве примера на рисунке 8 приведена нормированная зависимость г (р,Ро) в рабочем диапазоне возможных значений величины р для одной из реализаций акустического сигнала вертолета с р0 = 72, Т = 10-4 с, = = 138,9 Гц.
роТ
Рис. 8. - Оценка нормированной автоковариационной функции акустического сигнала вертолета на
входе блока адаптации
На практике широко применяют модифицированные дискриминаторы, которые проще оптимальных в реализации, но лишь незначительно уступают им по своим параметрам. Независимо от характера операций над входными сигналами, выходные сигналы этих дискриминаторов должны удовлетворять условиям: нормировки (независимости от амплитуды входного сигнала); фазирования (обеспечения вещественного характера сигнала рассогласования); нечетной симметрии.
В случае широкополосных сигналов на входе следящего измерителя описанный способ определения знака рассогласования возможен при применении дискретного преобразователя Гильберта (Д111), обеспечивающего фазовый сдвиг спектральных составляющих реализаций сигналов на 90 град. в широкой полосе частот [14].
Обозначим через ^(п,р0), £2 (п,р0), п = 1,Ы квадратурные сигналы на выходе Д111
при сдвиге максимума ковариационной функции на р отсчетов, дискретизированные по
времени с шагом Т и представленные ограниченной выборкой объемом N. Приняв первый сигнал зависящим от параметра подстройки р, а второй сигнал опорным, аналогично (8) можно записать следующее выражение для оценки коэффициента ковариации квадратурных сигналов:
Ы-ш
(р,ро) = 2^(п-р^оК(п,ро$\ 2(п,ро)| ' 1 -ш-Ы-1.
п=1
N-ш
(9)
п=1
На рисунке 9 приведена нормированная зависимость тк {р,р0), выраженная через рассогласование (р - р0) для реализации, которая использовалась в качестве примера, рассмотренного выше.
Рис. 9. Оценка нормированной взаимоковариационной функции квадратурных сигналов
Расчет рассогласования и подстройка параметра р0 осуществляется по алгоритму
РоО) Ш = роО' - 1) + ^р = роО' - 0 + Я • Г (ро{])), (10)
где S - крутизна дискриминационной характеристики при малых рассогласованиях; j -индекс цикла слежения.
Полученная нормированная взаимоковариационная функция удовлетворяет всем условиям выходных сигналов дискриминаторов и может быть использована для организации слежения за параметром р .
Построение блока распознавания вертолета от самолета
В качестве алгоритма обнаружения предлагается использовать регрессионный алгоритм (1) с линейными границами формирования области принятия решения относительно линии начальной регрессии (рисунок 12). При N = 2 регрессионный алгоритм работы такой системы будет иметь вид:
X1 (п)+X2 (и) - К\Х2 (п)-021 X1 (и) > иП, (11)
где XI (и) и X 2 (п) - компоненты сформированного вектора информативных признаков, К - весовой коэффициент, определяющий ширину области принятия решения, Д21 - коэффициент начальной регрессии нецентрированных информативных параметров X о(п) и X2 (и) .
В [1,14] показано, что такой регрессионный алгоритм распознавания типа цели может быть реализован в виде двухслойной нейросети (НС). Структурная схема предлагаемого блока распознавания типа цели (БРТЦ) представлена на рисунке 10.
Рис.10. Структурная схема тракта распознавания вертолета На рисунке 10: БВИП - блок выбора информативных параметров, БРТЦ - блок распознавания типа цели; БА - блок адаптации; у -решение.
Вычислительный эксперимент
Для определения коэффициента регрессии Р21 была промоделирована работа БВИП для различных входных реализаций вертолета и самолета. Настройка на основную частоту осуществлялась с помощью блока адаптации. Моделирование было произведено при
длине реализаций равной 0,5 секунды с частотой дискретизации 8820 Гц. Входные реализации были обработаны с помощью полосового фильтра Баттерворта 5 порядка с полосой от 20 до 500 Гц.
Коэффициент начальной регрессии Р21 определяется по следующей формуле [1]:
С12 ^
Ръ =
(12)
С2+м2 '
где С - ковариационный момент информативных параметров X 1(п) и X 2 (п); ^ - математическое ожидание.
В ходе работы коэффициент начальной регрессии Р21 оценок информативных параметров на выходе БВИП определялся как среднее значение данного параметра на множестве, состоящем из 100 реализаций акустических сигналов вертолета и самолета, полученных в натурных условиях.
Моделирование проведено в среде Ма^аЬ Simulink. Получены следующие результаты:
оценка среднего арифметического значения коэффициента регрессии для реализаций вертолета Мв (Р21) = 0,235 ;
оценка дисперсии коэффициента регрессии для реализаций сигнала вертолета 4 (Р21) = 0,0013;
оценка среднего арифметического значения коэффициента регрессии для реализаций самолета Мс (Р21) = 0,67 ;
оценка дисперсии коэффициента регрессии для реализаций самолета 4с (Р21) = 0,025.
Аналогично [15], для нормального распределения информативных признаков сигналов самолета и вертолета Х1 и Х2 на рисунке 11 приведены эллипсы равных вероятностей и область принятия решения при распознавании на входе акустического сигнала вертолета от самолета с вероятностью ошибки Рош = 0,025.
250,-1-1-1--,-,--7-1-
диТГ -к-J-1-1-1-1-л-
0 100 200 300 400 500 600 700 800
Х1.МВ
Рис. 11. Эллипсы равных вероятностей для нормальных законов распределения информативных признаков сигналов вертолета и самолета: цВ = 430,9 мВ, цВ = 101,4 мВ, цС = 228,9 мВ, цС = 149,5 мВ, стВ = 142
х1 х2 х1 х2 х1
мВ, стВ = 37 мВ, стС = 83 мВ, стС = 47,5 мВ, гВ = 0,82, гС = 0,68, К = 9,6, ипор = 30 мВ. Индексами В
х2 х1 х2 12 12 р
и С обозначены оценки статистических характеристик вертолета и самолета соответственно, О - среднее квадратическое значение, К - весовой коэффициент, и - порог принятия решения регрессионного
алгоритма (11).
Заключение
В статье обоснован выбор информативных признаков акустических сигналов вертолета и самолета с целью решения задачи их распознавания. Показано, что наиболее информативными являются отсчеты экстремумов энергетических спектров входных сигналов, которые представляют собой нецентрированные случайные величины. В качестве математического аппарата исследования выбран аппарат МНКР. Проблема выделения информативных признаков решена применением цифровых рециркуляторов с положительной и отрицательной обратными связями, обладающих гребенчатыми частотными характеристиками. Обеспечение инвариантности используемого информативного признака (отсчетов локальных экстремумов СПМ) к скорости полета вертолета достигается допол-
нением БВИП блоком БА. Применение ДП1 на входе блока адаптации и вычисление взаимных ковариационных характеристик квадратурных составляющих сигналов позволяет получить дискриминационную характеристику контура слежения. Моделирование в среде Matlab Simulink показало хорошую разделимость выделенных информативных признаков сигналов при регрессионной обработке реализаций сигналов длительностью 0,5 секунды и обеспечение вероятности ошибки распознавания вертолета от самолета не более 0,025 на множестве 100 реализаций акустических сигналов каждого класса, полученных в натурных условиях. Рассмотренные принципы выделения информативных признаков и адаптации могут быть применены в системах охраны стратегически важных объектов.
Список литературы
1. Автономные информационные и управляющие системы: Труды кафедры «Автономные информационные и управляющие системы» МГТУ им. Н.Э. Баумана: В 4 т. Т. 1 / Ю.М. Астапов и др.; под ред. А.Б. Борзова. М.: Инженер; Онико-М, 2011. 466 с.
2. Tang Haifeng, Sun Degang. Real time multisensor target recognition based on DSP // 8th Intern. Conf. on Electronic Measurement and Instruments: ICEMI '07 (Xian, China, 16-18 August 2007): Conf. papers. Piscataway: IEEE, 2007. Pp. 4-24 - 4-28.
DOI: 10.1109/ICEMI.2007.4351127
3. Elshafei M., Akhtar S., Ahmed M.S. Parametric models for helicopter identification using ANN // IEEE Trans. on Aerospace and Electronic Systems. 2000. Vol. 36. No. 4.
Pp. 1242-1252. DOI: 10.1109/7.892672
4. Sanwei Yang, Jiuwen Cao, Jianzhong Wang, Ruirong Wang. Linear prediction of one-sided autocorrelation sequence for noisy acoustics recognition of excavation equipments // 12th World Congress on Intelligent Control and Automation: WCICA 2016 (Guilin, China, 12-15 June 2016): Proc. Piscataway: IEEE, 2016. Pp. 924 - 928.
DOI: 10.1109/WCICA.2016.7578544
5. Du Yinggang, Lu Jinhui, Shi Xiangquan, GuYalin. Target identification based on the optimal base number // 4th Intern. Conf. on Signal Processing: ICSP '98 (Beijing, China, 12-16 October 1998): Proc. Vol. 1. Piscataway: IEEE, 1998. Pp. 271-275.
DOI: 10.1109/ICQSP.1998.770204
6. Moukas P., Simson J., Norton-Wayne L. Automatic identification of noise pollution sources // IEEE Trans. on Systems, Man and Cybernetics. 1982. Vol. 12. No. 5. Pp. 622-634.
DOI: 10.1109/TSMC.1982.4308881
7. Lutsenko V.I., Lutsenko I.V., Popov I.V., Sobolyak A.V. Signatures of acousto-electromagnetic portraits of aerodynamic and terrestrial mechanical objects // 9th Intern. Kharkiv Symp. on Physics and Engineering of Microwaves, Millimeter and Submillimeter Waves: MSMW'2016 (Kharkiv, Ukraine, 21-24 June 2016): Conf. papers. Piscataway:_IEEE, 2016. Pp. 1 - 4. DOI: 10.1109/MSMW.2016.7538146
8. Ishiki Takahiro, Kumon Makoto. Design model of microphone arrays for multirotor helicopters // 2015 IEEE/RSJ Intern. Conf. on Intelligent Robots and Systems (Hamburg, Germany, Sept.28 - October 03, 2015): Proc. Piscataway: IEEE, 2015.
Pp. 6143 - 6148. DOI: 10.1109/IR0S.2015.7354252
9. Tushar Sandhan, Sukanya Sonowal, Jin Young Choi. Audio Bank: A highlevel acoustic signal representation for audio event recognition // 14th Intern. Conf. on Control, Automation and Systems: ICCAS 2014 (KINTEX, Gyeonggi-do, Korea, October 22-25, 2014): Conf. papers. Piscataway: IEEE, 2014. Pp. 82 - 87.
DOI: 10.1109/ICCAS.2014.6987963
10. Shi Huan, Xiong Jinyu, Zhou Chenyang, Yang Su. A new recognition and classification algorithm of underwater acoustic signals based on multi-domain features combination // IEEE/OES China Ocean Acoustics: COA 2016 (Harbin, China, January 9-11 2016): Conf. papers. Piscataway: IEEE, 2016. Pp. 1 - 7. DOI: 10.1109/CQA.2016.7535712
11. Fu Ruo-Ran. Compound jamming signal recognition based on neural networks // 6th Intern. Conf. on Instrumentation & Measurement, Computer, Communication and Control: IMCCC 2016 (Harbin, China, 21-23 July 2016): Conf. papers. Piscataway: IEEE, 2016. Pp. 737 - 740. DOI: 10.1109/IMCCC.2016.163
12. Павлов Г.Л., Хохлов В.К. Нейросетевые алгоритмы в задаче классификации объектов по их акустическим излучениям // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. № 5. С. 246-258. DOI: 10.7463/0512.0367620
13. Павлов Г.Л., Хохлов В.К. Адаптация нейросетевого алгоритма к скоростям движения классифицируемых по акустическим излучениям объектов // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. № 10. С. 241-250.
DOI: 10.7463/1012.0462849
14. Хохлов В.К., Гулин Ю.Ю., Муратов И.В. Адаптация нейросетевой системы распознавания вертолета по его акустическому излучению к скорости полета // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2015. № 5. С.137-153.
DOI: 10.7463/0515.0776347
15. Хохлов В.К., Лихоеденко А.К., Молчанов С.А. Регрессионные алгоритмы обнаружения и распознавания нецентрированных нестационарных случайных процессов в автономных информационных системах ближней локации // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2017. № 3. С. 150-169. DOI: 10.7463/0317.0000976
Science ¿Education
of the Baumail MSTU
Science and Education of the Bauman MSTU, 2017, no. 05, pp. 140-159.
DOI: 10.7463/0517.0001165
Received: 11.04.2017
Revised: 25.04.2017
© Bauman Moscow State Technical Unversity
Selecting Informative Features of the Helicopter and Aircraft Acoustic Signals in the Adaptive Autonomous Information Systems for Recognition
V.K. Hohlov1'*, S.A. Molchanov1, N.A. Konstantinov1
bauman Moscow State Technical University, Moscow, Russia
khokhlovZO 1 (ygvandexju
Keywords: informative signs, helicopter and plane, power spectral density, recirculator, regression method, regression statistical characteristics, Hilbert transform, quadrature signal
The article forms the rationale for selecting the informative features of the helicopter and aircraft acoustic signals to solve a problem of their recognition and shows that the most informative ones are the counts of extrema in the energy spectra of the input signals, which represent non-centered random variables. An apparatus of the multiple initial regression coefficients was selected as a mathematical tool of research. The application of digital re-circulators with positive and negative feedbacks, which have the comb-like frequency characteristics, solves the problem of selecting informative features. A distinguishing feature of such an approach is easy agility of the comb frequency characteristics just through the agility of a delay value of digital signal in the feedback circuit. Adding an adaptation block to the selection block of the informative features enables us to ensure the invariance of used informative feature and counts of local extrema of the spectral power density to the airspeed of a helicopter. The paper gives reasons for the principle of adaptation and the structure of the adaptation block. To form the discriminator characteristics are used the cross-correlation statistical characteristics of the quadrature components of acoustic signal realizations, obtained by Hilbert transform. The paper proposes to provide signal recognition using a regression algorithm that allows handling the non-centered informative features and using a priori information about coefficients of initial regression of signal and noise.
The simulation in Matlab Simulink has shown that selected informative features of signals in regressive processing of signal realizations of 0.5 s duration have good separability, and based on a set of 100 acoustic signal realizations in each class in full-scale conditions, has proved ensuring a correct recognition probability of 0.975, at least. The considered principles of informative features selection and adaptation can be used in the security systems of the strategic objects.
References
1. Avtonomnye informatsionnye i upravliayushchie sistemy: Trudy kafedry "Avtonomnye informatsionnye i upravliayushchie sistemy " MGTU im. N.E. Baumana [Autonomous information and management systems: Proc. of the Department "Autonomous information and control systems" of the Bauman MSTU]. In 4 vols. Vol. 1 / Yu.M. Astapov a.o.; ed. by A.B. Borzov. Moscow: Inzhener Publ.; Oniko-M Publ., 2011. 466 p. (in Russian).
2. Tang Haifeng, Sun Degang. Real time multisensor target recognition based on DSP. 8th Intern. Conf. on Electronic Measurement and Instruments: ICEMI '07 (Xian, China, 16-18 August 2007): Conf. papers. Piscataway: IEEE, 2007, pp. 4-24 - 4-28.
DOI: 10.1109/ICEMI.2007.4351127
3. Elshafei M., Akhtar S., Ahmed M.S. Parametric models for helicopter identification using ANN. IEEE Trans. on Aerospace and Electronic Systems, 2000, vol. 36, no. 4, pp.1242-1252. DOI: 10.1109/7.892672
4. Sanwei Yang, Jiuwen Cao, Jianzhong Wang; Ruirong Wang. Linear prediction of one-sided autocorrelation sequence for noisy acoustics recognition of excavation equipments. 12th World Congress on Intelligent Control and Automation: WCICA 2016 (Guilin, China, 12-15 June 2016): Proc. Piscataway: IEEE, 2016, pp. 924 - 928.
DOI: 10.1109/WCICA.2016.7578544
5. Du Yinggang, Lu Jinhui, Shi Xiangquan, GuYalin. Target identification based on the optimal base number. 4th Intern. Conf. on Signal Processing: ICSP '98 (Beijing, China, 12-16 October 1998): Proc. Vol. 1. Piscataway: IEEE, 1998. Pp. 271-275.
DOI: 10.1109/ICQSP.1998.770204
6. Moukas P., Simson J., Norton-Wayne L. Automatic identification of noise pollution sources. IEEE Trans. on Systems, Man and Cybernetics, 1982, vol. 12, no. 5, pp. 622-634.
DOI: 10.1109/TSMC.1982.4308881
7. Lutsenko V.I., Lutsenko I.V., Popov I.V., Sobolyak A.V. Signatures of acousto-electromagnetic portraits of aerodynamic and terrestrial mechanical objects. 9th Intern. Kharkiv Symp. on Physics and Engineering of Microwaves, Millimeter and Submillimeter Waves: MSMW'2016 (Kharkiv, Ukraine, 21-24 June 2016): Conf. papers. Piscataway: IEEE, 2016. Pp. 1 - 4. DOI: 10.1109/MSMW.2016.7538146
8. Ishiki Takahiro, Kumon Makoto. Design model of microphone arrays for
multirotor helicopters. 2015IEEE/RSJIntern. Conf. on Intelligent Robots and Systems (Hamburg, Germany, Sept. 28 - October 03, 2015): Proc. Piscataway: IEEE, 2015. Pp. 6143 - 6148. DOI: 1Q.11Q9/IROS.2015.7354252
9. Tushar Sandhan, Sukanya Sonowal, Jin Young Choi. Audio Bank: A highlevel acoustic signal representation for audio event recognition. 14th Intern. Conf. on Control, Automation and Systems: ICCAS 2014 (KINTEX, Gyeonggi-do, Korea, October 22-25,
2014): Conf. papers. Piscataway: IEEE, 2014. Pp. 82 - 87. DOI: 10.1109/ICCAS.2014.6987963
10. Shi Huan, Xiong Jinyu, Zhou Chenyang, Yang Su. A new recognition and classification algorithm of underwater acoustic signals based on multi-domain features combination. IEEE/OES China Ocean Acoustics: COA 2016 (Harbin, China, January 9-11 2016): Conf. papers. Piscataway: IEEE, 2016. Pp. 1 - 7. DOI: 10.1109/TOA.2016.7535712
11. Fu Ruo-Ran. Compound jamming signal recognition based on neural networks. 6th Intern. Conf. on Instrumentation & Measurement, Computer, Communication and Control: IMCCC 2016 (Harbin, China, 21-23 July 2016): Conf. papers. Piscataway: IEEE, 2016. Pp. 737 - 740. DOI: 10.1109/IMCCC.2016.163
12. Pavlov G.L., Khokhlov V.K. Neural network algorithms for classification problem of objects according to their acoustic radiation. Nauka i obrazovanie MGTU im. N.E. Baumana [Science and Education of the Bauman MSTU], 2012, no. 5, pp. 246-258. DOI: 10.7463/0512.0367620 (in Russian)
13. Pavlov G.L., Khokhlov V.K. Adaptation of neural network algorithm to velocities classified by acoustic radiation facilities. Nauka i obrazovanie MGTU im. N.E. Baumana [Science and Education of the Bauman MSTU], 2012, no. 10, pp. 241-250. DOI: 10.7463/1012.0462849 (in Russian)
14. Khokhlov V.K, Gulin Yu.Yu., Muratov I.V. Adaptation of the neural network recognition system of the helicopter on its acoustic radiation to the flight speed. Nauka i obrazovanie MGTU im. N.E. Baumana [Science and Education of the Bauman MSTU], 2015, no. 5, pp. 137-153. DOI: 10.7463/0515.0776347 (in Russian)
15. Khokhlov V.K., Likhoedenko A.K., Molchanov S.A. Regression algorithms for detection and recognition of non-centered non-stationary random signals in the short-range autonomous information systems. Nauka i obrazovanie MGTU im. N.E. Baumana [Science and Education of the Bauman MSTU], 2017, no. 3, pp. 150-169. DOI: 10.7463/0317.0000976 (in Russian)
