Классификация объектов в сейсмической системе обнаружения с учетом параметров их движения тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Алямкин, Сергей Анатольевич

• Алямкин, Сергей Анатольевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Алямкин, Сергей Анатольевич

Содержание

Введение

1. Обзор методов классификации и сопровождения движущихся объектов в Сейсмических Системах Охраны

1.1. Сейсмические волны

1.1.1. Общее описание

1.1.2. Скорость распространения сейсмических волн. Дисперсия

1.1.3. Интенсивность сейсмических волн

1.1.4. Сейсмические приемники

1.2. Спектральные и временные характеристики движущихся объектов

1.3. Периметровые маскируемые сейсмические средства обнаружения

1.4. Алгоритмы обнаружения движущихся объектов в ССО

1.4.1. Обнаружение пешехода

1.4.2. Обнаружения автомобильной техники

1.5. Определение траектории движения объекта в ССО

1.5.1. Поляризационный метод

1.5.2. Метод на основе измерения временной задержки сигнала между сейсмоприемниками

1.5.3. Энергетический метод

1.5.4. Сравнение методов

1.6. Постановка задачи исследования

2. Исследование методов обнаружения объектов на основе анализа скалярного сейсмического сигнала

2.1. Обнаружение пешехода

2.1.1. Описание метода

2.1.2. Клиппированная автокорреляционная функция

2.2. Обнаружение автомобильной техники

2.2.1. Карты самоорганизации Кохонена

2.2.2. Вероятностная нейронная сеть

2.3. Эксперимент

2.3.1. БД одноканальных сейсмических записей

2.3.2. Обнаружение пешехода

2.3.3. Обнаружение авто

2.4. Результаты

2.4.1. Обнаружение пешехода

2.4.2. Обнаружение авто

2.5. Выводы

3. Исследование алгоритмов сопровождения движущихся объектов в ССО на основе многомерных сейсмических сигналов

3.1. Пеленгование одного объекта

3.1.1. Алгоритмы вычисления временной задержки

3.1.2. Описание методики эксперимента

3.1.3. Анализ полученных результатов

3.2. Пеленгование нескольких объектов

3.2.1. Теория

3.3. Эксперимент

3.3.1. Компьютерное моделирование

3.3.2. Эксперимент на реальных данных

3.4. Выводы

4. Уточнение траектории движущегося объекта

4.1. Теория

4.1.1. Характеристики вектора наблюдения и вектора состояния системы

4.1.2. Фильтр Калмана

4.1.3. Расширенный фильтр Калмана и фильтр частиц

4.1.4.Фильтр частиц

4.2. Эксперимент. Сравнение алгоритмов восстановления траектории

4.2.1. Методика эксперимента

4.3. Результаты

4.4. Выводы

5. Классификация движущихся объектов в ССО с использованием информации о траектории их движения

5.1. Теория

5.1.1. Анализ признаков классификации

5.1.2. Классификация объектов. Метод опорных векторов

5.2. Эксперимент

5.2.1. Интенсивность источника сейсмического сигнала

5.2.2. Частота следования импульсов в сейсмическом сигнале

5.2.3. Классификация

5.3. Результаты

Заключение

Список литературы

Введение диссертации (часть автореферата) на тему «Классификация объектов в сейсмической системе обнаружения с учетом параметров их движения»

Введение

Актуальность работы

В настоящее время при охране особо важных объектов получили широкое применение сейсмические системы обнаружения (ССО), в которых регистрируются и затем обрабатываются сейсмические сигналы, генерируемые при движении объекта по поверхности земли. Сейсмические датчики являются основой для ССО, их работа обусловлена алгоритмической селективностью, основанной на различиях характеристик шумовых и целевых сигналов. Основными преимуществами сейсмических датчиков являются пассивный принцип функционирования (отсутствие собственного излучения), возможность скрытной установки (в грунт). За счет пассивности функционирования сейсмические средства обнаружения не выявляются электронными средствами разведки, а также обладают большей длительностью автономной работы по сравнению с датчиками, основанными на других физических принципах. Основными тактико-техническими характеристиками (ТТХ) ССО являются вероятность распознавания Р объектов классов «Пешеход», «Автомобиль» и время наработки на ложную тревогу Т. Улучшение ТТХ достигается за счет разработки новых подходов к обработке сейсмических сигналов. Несмотря на то, что такие алгоритмы разрабатываются в мире с начала 70-х годов, их эффективность остается недостаточно высокой.

Среди задач, решаемых в ССО, стоит отдельно выделить задачу определения местоположения нарушителя и траектории его движения. Решение данной задачи основано на синхронной обработке сигналов с нескольких сейсмоприемников, разнесенных в пространстве. Применительно к задаче распознавания, траектория и скорость объекта могут позволить получить дополнительные признаки для классификации движущихся объектов.

Важными требованиями, предъявляемыми к ССО, являются использование минимального количества сейсмоприемников на 1 километр рубежа, а также ограничение использования вычислительных ресурсов микропроцессора для достижения времени автономной работы не менее 2х лет.

Таким образом, актуальность работы обусловлена недостаточной эффективностью имеющихся методов распознавания объектов в ССО.

Цели диссертационной работы повышение ТТХ работы ССО за счет использования информации о траектории движения объекта в условиях ограничения числа сейсмоприемников и вычислительных ресурсов.

Для достижения поставленных целей должны были быть решены следующие задачи:

1. Создание базы данных сейсмических записей целевых и шумовых объектов в различных условиях для разработки методов сопровождения и классификации.

2. Разработка метода пеленгования движущихся объектов в условиях ограниченного числа сейсмоприемников и вычислительных ресурсов.

3. Разработка метода уточнения траектории движущегося объекта на основе данных о пеленгах объекта с разнесенных в пространстве пеленгующих датчиков в условиях ограниченного числа сейсмоприемников.

4. Разработка метода классификации движущихся объектов на основе анализа сейсмического сигнала и параметров движения объекта в условиях ограничения вычислительных ресурсов.

Научная новизна

1. Предложен метод пеленгования нескольких объектов в ССО путем сужения диаграммы направленности, полученным при помощи синтеза апертуры в условиях ограниченного количества приемников сейсмического сигнала.

2. Показано существенное снижение ошибки сопровождения объекта в ССО при использовании расширенного фильтра Калмана и фильтра частиц по сравнению с использованием стандартного фильтра Калмана в условиях ограниченного числа сейсмических пеленгующих датчиков.

3. Предложен метод классификации движущихся объектов для ССО, в котором в дополнение к признакам, полученным на основе анализа сейсмического сигнала, добавлены признаки, полученные на основе информации о траектории движения объекта. Предложенный метод в дополнение к объектам «Пешеход» и «Автомобиль» позволяет классифицировать объекты классов «Группа» и «Животное».

Практическая значимость

Научные и практические результаты были применены в исследовательских и опытно-конструкторских работах, проводившихся в ООО «Унискан» в 2010-2013 годах.

Актом внедрения подтверждается, что результаты работы использованы при разработке сейсмических датчиков комплекса «Радиобарьер» - изделия, серийно выпускаемого ООО «Унискан» (г. Новосибирск). Разработанный метод уточнения траектории движения позволил существенно снизить ошибку сопровождения объекта. Разработанный метод классификации объектов позволяет классифицировать новые классы объектов: «группа», «животное» и увеличивает статистическую вероятность правильной классификации объектов.

На защиту выносятся следующие положения:

1. Метод широкополосной обработки сейсмического сигнала позволяет решить задачу пеленгования нескольких объектов в ССО без увеличения числа сейсмоприемников путем сужения диаграммы направленности за счет синтеза апертуры.

2. Метод уточнения траектории на основе расширенного фильтра

Калмана позволяет снизить ошибку сопровождения объекта в ССО с 51 до 5

б

метров, а величину среднеквадратичного отклонения с 10 до 1 метра в условиях ограниченного числа сейсмических пеленгующих датчиков.

3. Метод классификации движущихся объектов в ССО на основе анализа сейсмического сигнала и информации о параметрах движения объекта позволяет классифицировать 4 класса объектов «Пешеход», «Группа», «Автомобиль», «Животное» со средней относительной частотой правильной классификации 94% для различных грунтов и погодных условий.

Апробация работы. Основные результаты диссертации докладывались на следующих конференциях:

ХЬУ111 Международной научной студенческой конференции "Студент и научно-технический прогресс" 2010г. Новосибирск; на 3-й Российской конференции с международным участием «Технические и программные средства систем управления, контроля и измерения» (УКИ-12) (г. Москва, Россия, 16-19 апреля 2012); 15-я Международная Конференция «Цифровая обработка сигналов и ее применение» (08РА-2013) (г. Москва, Россия, 27-29 марта 2013 г.)

Публикации. По теме исследования имеется 7 публикаций, из них 4 -статьи в изданиях, внесенных в перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата и доктора наук; 2 - статьи в сборнике научных трудов; 1 - тезисы докладов в материалах трудов всероссийских и международных конференций.

Личный вклад автора. Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Все представленные в диссертации результаты, связанные с разработкой алгоритмов, проведением экспериментальных исследований и анализом их результатов, получены лично автором.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы. Объем работы

составляет 124 страницы текста, включая 65 рисунков, 15 таблиц, а также список литературы из 60 наименований.

1. Обзор методов классификации и сопровождения движущихся объектов в Сейсмических Системах Охраны

1.1. Сейсмические волны

1.1.1. Общее описание

В основе работы Сейсмических Средств Обнаружения (ССО) используется явление распространения волн в грунте, от характеристик которых напрямую зависит обнаружительная способность и помехоустойчивость этих устройств.

Распространение волн зависит от упругих свойств горных пород, что следует из теории упругости. Если к грани элемента объема приложить внешнюю силу, то в данном объеме начнут распространяться возмущения, распространение этих возмущений будет описываться волновым уравнением вида:

V2 де , (1.1)

где ц/ - возмущение, V - скорость волны.

Уравнение (1.1) допускает решение в виде гармонических плоских у/ = /(х - Кг) и сферических волн у/ = (^/)/(х - У().

Различают возмущения (деформации) формы и объема [1], с каждым из которых связан особый тип упругой волны. В безграничной однородной изотропной среде могут существовать два различных типа волн: продольная Р-волна и поперечная Б-волна. Продольная Р-волна несет с собой только деформацию объема, в этой области среды возникают перемежающиеся зоны растяжения и сжатия, а частицы совершают колебания вокруг своего первоначального положения в направлении, совпадающем с направлением распространения волны. Поперечная 8-волна связана с деформацией формы. Частицы совершают колебания в направлении, перпендикулярном направлению распространения волны. При наличии границ, разделяющих

объем среды с различными свойствами, вблизи этих границ могут возникать поверхностные волны. Их характерной особенностью является быстрое ослабление создаваемых ими колебаний при удалении от границы. На поверхности земли наблюдается поверхностная волна Рэлея (Я- волна) [2], которая несет взаимно связанные деформации объема и сдвига. Частицы движутся вдоль эллиптических орбит. В романах Фенимора Купера индейцы и в русском фольклоре богатыри загодя узнают о приближении всадников, прикладывая ухо к земле: они слышат именно рэлеевскую волну.

Упругие Р- и Б-волны успешно используются при анализе землетрясений, для геофизических исследований, поиска полезных ископаемых (в первую очередь нефти и газа), в физике твердого тела. В задачах обнаружения и распознавания движущегося источника сейсмических волн используются в основном рэлеевские волны.

Наиболее важными характеристиками сейсмических волн являются скорость распространения, дисперсия скорости и частотная зависимость затухания волны.

1.1.2. Скорость распространения сейсмических волн. Дисперсия.

Групповая скорость распространения продольной волны Ур может быть определена [3] как скорость распространения данной зоны сжатия или растяжения и может быть вычислена из соотношения:

где Е - модуль продольного растяжения; а - модуль поперечного сжатия; р -плотность среды.

Скорость У5 распространения поперечной волны определяется соотношением:

(1.2)

(1.3)

Скорость Ук волны Релея определяется отношением ^уу и составляет 0.87 - 0.96 У5, справедливо неравенство У^ < У^ < Ур.

Для сейсмических волн, распространяющихся в грунте, характерна зависимость скорости распространения от частоты вследствие слоистой структуры грунта, в котором распространяется волна (рис. 1.1.) Частотная дисперсия приводит к изменению формы сейсмического импульса при распространении в земной толще [4] .

Профиль грунта

Короткие волны Длинные волны

Воздух

Рис. 1.1. Зависимость скорости распространения от длины волны в

слоистом грунте.

1.1.3. Интенсивность сейсмических волн.

Интенсивностью сейсмических волн называется количество энергии, протекающей через единичную площадку, нормальную к направлению распространения. Интенсивность сейсмических волн, распространяющихся в грунте, зависит от расстояния до источника, геометрического расхождения энергии волны, присущего данному типу волн, и величины затухания волны:

/

/ =

-2г]г

(1.4)

V

где /0- интенсивность волны вблизи источника, I - интенсивность волны в точке измерения; г - расстояние до источника; т - геометрический фактор расхождения волны, 77 - декремент затухания волны.

Наличие геометрического расхождения волны обусловлено законом сохранения энергии. Для сферических объемных волн геометрическое расхождение энергии приводит к тому, что интенсивность уменьшается обратно пропорционально квадрату расстояния до источника. Для поверхностной волны интенсивность уменьшается обратно пропорционально расстоянию до источника.

В общем случае декремент затухания поверхностной сейсмической волны зависит от частоты: /7 = 77О) , что обуславливает частотную селективность грунта. Экспериментальные данные указывают на то, что коэффициент поглощения г/ приблизительно пропорционален частоте [2].

Таким образом, свойства среды существенно влияют на энергетические и спектральные характеристики сейсмических волн. Помимо этого, поверхностные волны характеризуются сильной зависимостью амплитуды и спектра не только от вида, но и от состояния грунта (влажный, сухой, спекшийся, рыхлый), состояния подстилающей поверхности (трава, снег,

гладкая/неровная и т.д.), анизотропии (наличие неоднородностей, например, канав) на пути распространения сигнала.

Продольные волны, проникая в толщу земной коры на десятки метров, претерпевают преломление и отражение на границах геологических слоев, обладающих различными волновыми сопротивлениями, в результате чего возникают вторичные продольные и поперечные волны. Вследствие этого колебание частицы поверхности, регистрируемое сейсмическим приемником, является результатом интерференции волн различных типов, а также

отраженных и преломленных волн, поэтому трудно экспериментально измерить величину затухания волны.

1.1.4. Сейсмические приемники.

В полевых условиях сейсмические волны регистрируют с помощью геофонов, который представляет собой электромеханический преобразователь с неподвижным магнитом 1 (рис. 1.2) и подвижной катушкой 2, закрепленной на эластичном подвесе 3. Сейсмическая волна заставляет катушку колебаться вдоль оси чувствительности относительно более массивного корпуса-магнита, по закону электромагнитной индукции в ней наводится ЭДС, пропорциональная скорости движения катушки и, соответственно, частоте сигнала индукции. В силу этого, геофоны являются более чувствительными к высоким частотам. Демпфирование магнита не уменьшает чувствительность, но делает ее более равномерной в области резонансной частоты, составляющей обычно 10... 15 Гц.

Рис. 1.2 Конструкция геофона

1.2. Спектральные и временные характеристики движущихся объектов

Применительно к задачам охраны объектов различают полезные волны и помехи [5]. Полезными называются волны, которые могут быть использованы для распознавания и классификации нарушителя. Большое значение имеет интенсивность полезных волн, которая зависит от условия возбуждения колебаний и условия их распространения. Сейсмические колебания в грунте возникают в результате перемещения частиц грунта, вызванных ударным воздействием на него движущихся объектов. Например, движение человека представляет собой процесс повторяющегося импульсного воздействия на поверхность почвы (рис 1.З.). На процесс генерации сейсмических волн оказывают влияние антропометрические характеристики человека (масса и рост), сила удара, скорость движения, свойства грунта, метеоусловия. При среднем росте человека 160-180 см, массе 80-100 кг и скорости движения 0,5-4 м/с сила воздействия изменяется от 1 до ЮкН.

Рис 1.3. а - положение ОЦМТ, б - циклограмма, в - опорная реакция при ходьбе, г - опорная реакция при беге.

Величина полезного сигнала зависит не только от веса человека, но и биометрических особенностей его ходьбы (бега), скорости и способа движения.

На рис. 1.4. приведен пример сейсмограммы, записанной при движении человека по прямой на расстоянии 10 метров от сейсмоприемника.

| j i ij

" i * j I I 5

й I | • j {! |

1940 J-...............................|...................................................................j................................|..................................|.................-...........j-

i f |

1900- .................................................j; .................................1..................4..........................f-« -...........H-

1860 -............................ .............................. ..............................; H..........................i......I.......................I........f..................

M j I

1820 _ J IJ...........................i |'........................!.....................j

\ \ \ \ \ i

1800:_i ..... i i...........i.....................i................................j-

29.5 30 30.5 31 31.5 32

Т(сек)

Puc.1.4. Запись сигнала с геофона, соответствующая движению пешехода по прямой на расстоянии 10 метров от сейсмоприемника.

Сейсмические колебания, регистрируемые при движении группы людей можно рассматривать как суперпозицию колебаний, соответствующих движению каждого объекта группы. На рис. 1.5. представлен сигнал, записанный при движении группы из Зх человек.

i i * ' ....... j —1* i ft ■■.—...--------—., 1 >3

. I .........,..,.,......„ : .V... &Я,...V... £......?& I i....... ,,|„! 4

;

IAA^MJ Lj } ........ К yWvV jj............. »i

i i :......t

1 ; i! j

...............1 ; | j,

2200 2100 2000 < 1900 1800 1700 1600

29 30 31 32

Т(сек)

Рис. 1.5. Запись сигнала с геофона, соответствующая проходу группы из Зх человек по траверзе на расстоянии 10 метров от

сейсмоприемника.

Сейсмические колебания при движении транспорта [5] вызываются совокупностью факторов и, прежде всего, упругими свойствами колебательной системы "автомобиль-грунт". Вибрация техники вызвана взаимодействием шин с покрытием дороги, особенно при изменении скорости движения, неуравновешенностью подвижных частей двигателя, крутильными колебаниями в системе "двигатель-трансмиссия".

Неровности грунта могут иметь различный характер: макро профиль (размеры неровностей > 10 м), микропрофиль (0.1-10м) и шероховатости (<0.1м). На рис. 1.6. приведен пример сейсмограммы, записанной при движении легкового автомобиля по гравийной дороге (сейсмический датчик установлен в тридцати метрах от дороги).

.............. . ..

Й

319 319.5 320 320.5 321 321.5 322

Т(сек)

Рис. 1.6. Сейсмический сигнал автомобиля

Анализ сейсмических сигналов, записанных при движении человека либо техники, затрудняется тем фактом, что мы всегда имеем дело с набором волн разных типов: Б - и Р-волнами, поверхностной релеевской, отраженными 8- и Р- волнами. Интересен тот факт, что соотношения между мощностями, излучаемыми в продольные, поперечные и релеевские волны различно, а для каждого типа волны зависит от направления воздействия источника и его размеров. Например, для точечного вертикального диполя большая часть мощности идет в рэлеевскую волну [5] - 68.1%, а в продольную и поперечную 7.1 и 24.8% соответственно.

Волнами-помехами (микросейсмами) называют беспорядочные движения грунта, вызываемые различными внешними причинами: воздействие фронта звуковой волны на поверхность грунта, ветром, дождем, работой машин, движением железнодорожного транспорта и автомобилей по автомагистралям.

< 2042

Рис.1.7. Фоновый сейсмический сигнал

946.5 Т(сек)

Рис. 1.8. Сейсмический сигнал вблизи железной дороги

Сигнал на выходе геофона является нестационарным и представляет собой результат наложения нескольких процессов (аддитивная модель) -воздействие "полезного" источника (человек, автомобиль и др.), влияние волн помех и шума АЦП.

1.3. Периметровые маскируемые сейсмические средства обнаружения

Периметровые сейсмические средства обнаружения ССО предназначены для сигнализационного блокирования рубежей объектов от вторжения нарушителей - людей, транспортных средств и боевой техники и основаны на явлении распространения волн в грунте [7].

По сути, любое ССО является автоматизированной бинарной (да - нет) системой распознавания образов. Как и любой системе распознавания, ССО свойственны ошибки первого и второго рода, когда:

• в ответ на действие нарушителей сигнал тревоги не выдается; такие ошибки оцениваются величиной 1- Ро, где Ро - вероятность обнаружения СО;

• в ответ на действие помехи выдается сигнал тревоги; такие ошибки оцениваются величиной среднего времени Тл наработки на ложную тревогу.

Величины Р0 и Тл являются основными тактико-техническими характеристиками (ТТХ) средства обнаружения, характеризуя его сигнализационную надежность - соответственно обнаружительную способность и помехоустойчивость.

Если система не только обнаруживает нарушителя, но и классифицирует его («Пешеход», «Авто» и другие), тогда вместо величины Р0 в качестве характеристик работы системы используется величина вероятности правильной классификации объекта Р^асс.

ССО являются маскируемыми средствами обнаружения, которые

скрытно устанавливаются в грунте. Задача надежного, скрытного сигнализационного блокирования рубежей важных объектов и государственной границы от вторжения одиночных и групп нарушителей, транспортных средств и военной техники с момента возникновения (конец 60-х годов) и по настоящее время является достаточно актуальной. Это обусловлено следующими причинами:

•маскируемые средства обнаружения обладают существенно большей тактической эффективностью, чем видимые заградительные, особенно для обнаружения подготовленных нарушителей;

• в случае саботажа или дистанционного выведения из строя (например, выстрел) они предпочтительнее;

•процессы демократизации в обществе обусловливают постепенный отход от доминирующих ранее заборов и «колючек»;

•существуют природно-климатические условия, при которых применение заградительных средств неэффективно (например, склоны гор, высокая трава и т.д.);

• использование заградительных СО на границе зачастую не представляется возможным по политическим (хорошие государственные отношения) и экологическим соображениям (например, сильный миграционный поток животных);

Первые, достойные упоминания о периметровых маскируемых средствах обнаружения, предназначенные для обнаружения, прежде всего, вооруженных нарушителей и диверсантов, были разработаны в США в начале 70-х годов в рамках военной программы В188. С некоторым опозданием аналогичные разработки начались в Израиле, Великобритании и в СССР (ВНИИФП, с 1990 г. - ФГУП «СНПО «Элерон»).

1.4. Алгоритмы обнаружения движущихся объектов в ССО

Основной задачей, решаемой ССО, является обнаружение

пересечения границы объекта пешим нарушителем. Это связано с тактикой применения сейсмических датчиков: они устанавливаются на наиболее трудных участках границы объекта (например, государственной границы) преодолимых только пешеходом.

Большинство детекторов полезного сигнала функционирует следующим образом: анализируемый сигнал разбивается на кадры (окна анализа), для каждого кадра рассчитывается вектор параметров, определяющий значение классификационного параметра. В зависимости от алгоритма определяется разница между значениями классификационного параметра для текущего и предыдущего кадров, или разница между значениями классификационного параметра и порога [8]. Сигнал на интервале текущего окна анализа считается полезным, если значение классификационного параметра больше заданного порогового значения. В качестве классификационного параметра чаще всего используются энергия сигнала, кратковременный спектр. Для сглаживания классификационного параметра используется медианная фильтрация, а также сглаживание полученной последовательности значений классификационного параметра

[9].

1.4.1. Обнаружение пешехода

Основой большинства алгоритмов обнаружения пешехода является поиск последовательности периодических импульсов сейсмического сигнала, соответствующих волнам, генерируемым при движении пешехода. Методы основаны на анализе статистики распределения импульсов сигнала превысивших адаптивный энергетический порог [10,11,12]. Для выделения импульсов сигнал подвергается полосовой фильтрации. Дальнейшая логика работы алгоритмов основана на поиске импульсов сигнала с длительностью и частотой следования, удовлетворяющими определенным условиям.

Вторая группа методов обнаружения объектов класса «Пешеход»

основана на анализе спектра сейсмического сигнала [5,13], где в качестве параметров для распознавания выбраны коэффициенты Фурье-преобразования сейсмического сигнала. Для распознавания используется нейросетевой подход [5,13], либо метод к - ближайших соседей [12].

Основными недостатками представленных работ по обнаружению пешехода на основе анализа сейсмического сигнала является то, что экспериментальные данные собраны на одном либо двух полигонах, это существенно ограничивает область применения разработанных подходов. Использование предложенных алгоритмов на грунтах, имеющих другие характеристики, приведет к существенному снижению ТТХ вследствие:

1) зависимости спектрального состава сейсмического сигнала от состояния и характеристик грунта, что существенно уменьшит эффективность алгоритмов, основанных на анализе коэффициентов Фурье -преобразования.

2) различной длительности импульсов, которая зависит от полигона, что приводит к неоптимальному детектированию импульсов в сигнале и к уменьшению вероятности детектирования импульса. При поиске последовательности импульсов пропуск даже одиночного импульса критичен и приводит к значительному уменьшению вероятности обнаружения объекта

Третья группа методов основана на использовании в качестве информативных признаков коэффициентов вейвлет - преобразования сейсмического сигнала [13,14,15,]. Данная группа методов характеризуется высокой устойчивостью к различным шумам [13], к изменениям спектрального состава и к изменению длительности импульсов сейсмического сигнала за счет кратномасштабного вейвлет анализа.

Основным недостатком данной группы методов является их высокая ресурсоемкость, которая приводит к повышенному энергопотреблению микропроцессора, что уменьшает время автономной работы сейсмического датчика.

1.4.2. Обнаружения автомобильной техники

Задаче обнаружения автомобильной техники в рамках ССО также уделяется повышенное внимание вследствие возможности проникновения нарушителем на охраняемую территорию с использованием автомобильной техники. Сейсмический сигнал является нестационарным во времени и зависит от характеристик грунта, подстилающей поверхности (грунтовая дорога, асфальт и др.) [5], скорости движения объекта, и от марки автомобиля [16].

Все методы обнаружения автомобиля можно разделить на 3 группы в зависимости от того, в каком представлении сейсмического сигнала выбираются признаки: во временной области, в спектральной области или спектрально-временной области (вейвлет анализ). Далее, полученные признаки подвергаются обработке на основе методов классического статистического анализа или нейросетевого подхода.

Список литературы диссертационного исследования кандидат наук Алямкин, Сергей Анатольевич, 2014 год

Список литературы

[1] Р. Шерифф , Л. Гелдарт. Сейсморазведка. Том 1. М.: «Мир»,1987

[2] Р.В. Гольдштейи. Поверхностные волны и резонансные явления в упругих телах // Соросовский образовательный журнал №11, 1996.

[3] S. Yoon, J. Rix. Active and Passive Surface Wave Measurements at the William Street Park Site, Using F-K Methods // KSCE Journal of Civil Engineering Volume 15, Issue 5, pp 823-830

[4] Brown, L. Т., Boore, D. M.. Comparison of shear-wave slowness profiles at 10 strong-motion sites from noninvasive SASW measurements and measurements made in boreholes //Bull.Seismological Soc. America, 92, 3116-3133

[5] Чистова Г.К. Модели и методы обработки сейсмических сигналов в системах распознавания. Пенза : Изд-во Г1ГУ, 2003. 196 с.

[6] Mazur J. Efficient DOA estimation using tri-axial geophone // Signals and Electronic Systems (ICSES), 2012, pp. 1-5.

[7] Звежинский С.С.. Технические особенности построения периметровых вибрационных средств обнаружения //БДИ, 2004. № 4. С. 64 68.

[8] Алямкин С.А., Еременко С.И. Алгоритм распознавания пешехода на основе анализа автокорреляционной функции сейсмического сигнала. //Автометрия,- 2011,- №2(47). С.26-32.

[9] Козлов Э.В., Левковская Т.В. Двухступенчатый алгоритм обнаружения движущихся объектов по сигналам сенсорных модулей // Сборник трудов VI конференции молодых ученых. Вып. 6. Информационные технологии. - СПб: СПбГУ ИТМО, 2009. - С. 3-8.

[10] Richman, D.S. Deadrick. Personnel tracking using seismic sensors // Proc.SPIE, 4393, 14-21, 2001.

[11] Dan Li, Kerry D.Wong, Yu H.Hu. Detection, Classification and Tracking of Targets in Distributed Sensor Networks // Department of Electrical and Computer Engineering, University of Wisconsin - Madison, USA.

[12] Vincent W. Porto, Lawrence J. Fogel. Using Evolutionary Computation for Seismic Signal Detection: A Homeland Security Application. // CIHSPS2004 -IEEE International Conference on Computational Intelligence for Homeland Security and Personal Safety Venice, Italy, 21-22 July 2004.

[13] Tian Y. Target detection and classification using seismic signal processing in unattended ground sensor systems. // M.S. thesis, University of Tennessee, Knoxville, TN, July 2001.

[14] Xin Jin. Symbolic Dynamic Filtering of Seismic Sensors // American Control Conference (ACC), 2011, pp. 5151 - 5156

[15] Xin Jin. Wavelet-based feature extraction using probabilistic finite state automata // Pattern Recognition, Volume 44, Issue 7, July 2011, pp. 1343-1356

[16] Georgios P. Mazarakis, John N. Avaritsiotis. Vehicle classification in Sensor Networks using time-domain signal processing and Neural Networks // Microprocessors and Microsystems. Volume 31, Issue 6, 1 September 2007, pp. 381-392

[17] Howard C. Choe. Wavelet-based ground vehicle recognition using acoustic signals // Proc. SPIE 2762, Wavelet Applications III, pp. 124-131.

[18] Marco F. Duarte, Yu Hen Hu. Vehicle classification in distributed sensor networks // Journal of Parallel and distributed computing. Volume 64. Issue 7. 2004. pp 826-838.

[19] Richard A. Gramann, Mary Beth Bennett, Thomas D. Obrien. Vehicle and personnel detection using seismic sensors // Proc. SPIE 3577, Sensors, C3I, Information, and Training Technologies for Law Enforcement, 1999, pp. 74-76.

[20] Maciejewski H., Mazurkiewicz J. Neural Networks for Vehicle Recognition // Advances in Intelligent and Soft Computing. Volume 169. 2012, pp. 1-8

[21] R. Kirlin, J. Nabelek, G. Lin. Triaxial Array Separation of Rayleigh and Love Waves // IEEE Proc. of AS1LOMAR-29. 1996. pp. 722-725.

[22] S. Stotts, R. Gramann, M. Bennett. Source Bearing Determination from a TriAxial Seismometer using Rayleigh Wave Propagation // Journal Acoustical Society of America, 2004. pp. 2003-2012.

[23] Luke, В. and Calderon-Macias, Inversion of Seismic Surface Wave Data to Resolve Complex Profiles //Geotech. Geoenviron. 2007. pp. 155-165.

[24] Succi, D. Clapp. Footstep Detection and tracking. // Unattended Ground Sensor Technologies and Applications, April 2001,Orlando, FL, SPIE, vol.4393,pp 169-175.

[25] Pakhomov A. Single and three axis geophone: Footstep detection with bearing estimation, Localization and tracking // Proc. SPIE 5090, Unattended Ground Sensor Technologies and Applications V. 2003. pp. 23-30.

[26] Mazur J., Zbigniew S. On Some DOA Algorithms for Tri-axial Geophone // International Journal of Electronics and Telecommunications. Volume 59. Issue 1. 2013. pp. 67-73

[27] Wang Q., Chen W.P. Tracking Targets of Interest Via Acoustics //Information Processing in Sensor Networks Lecture Notes in Computer Science. Volume 2634. 2003. pp 642-657.

[28] Chellappa, R.Vehicle detection and tracking using acoustic and video sensors // Acoustics, Speech, and Signal Processing Proceedings.Volume 3. 2004. p.793.

[29] B. Manjunath, D. Chakraborty. Perimeter security using an acoustic sensor network. // Research in Interdisciplinary Science and Engineering Symposium -FGSA Annual Student Symposium, ASU, Tempe,AZ, 2007.

[30] Lin Chen, Yongchun Liu. Acoustic Source Localization Based on Generalized Cross-correlation Time-delay Estimation // Procedia Engineering. Volume 15. 2011. pp. 4912-4919

[31] Chen, J.C. ; Yip, L. Coherent acoustic array processing and localization on wireless sensor networks // Proceedings of the IEEE. Volume 91. Issue 8. 2003. pp. 1154 - 1162

[32] Kaplan, L.M. Maximum likelihood methods for bearings-only target localization // Proceedings (ICASSP 01). Volume 5. pp. 3001 - 3004

[33] Чистова Г.К., Первунинских В.А., Вольсков А.А. Методы измерения временных задержек сей-смических сигналов территориально

распределенной радиотехнической системы охраны. // Территориально распределенные системы охраны, 2008, №6(119).

[34] Ширман Я.Д. Теоретические основы радиолокации: Учеб. пособие для вузов - М.: Сов. радио, 1970 - 560 с.

[35] Алямкин С.А., Еременко С.И. Алгоритм распознавания пешехода на основе анализа автокорреляционной функции сейсмического сигнала. //Автометрия,- 2011,- №2(47). С.26-32.

[36] Faran J.J., Hills. Correlators for signal reception // Cambridge: Harvard Acoustical Laboratory Harvard University. 1952, pp. 58-65.

[37] Carreira M.A. A review of Dimention Reduction Techniques. // Technical Report CS-96-09. 1997

[38] Хайкин С. Нейронные сети: полный курс. A Comprehensive Foundation. — 2-е. — М.: «Вильяме», 2006. — 1 104 с.

[38] Zaknich A. Introduction to the modified probabilistic neural network for general signal processing applications. // IEEE Transactions on Signal Processing, V. 46, 1998. pp. 1980- 1990.

[39] Mao K.Z., Tan K.C. Probabilistic Neural-Network Structure Determination for Pattern Classification.IEEE // Transactions on Neural Networks. Volume. 11. 2000. pp 121 - 125.

[40] Алямкин С.А., Еременко С.И., Нежевенко Е.С. Алгоритм восстановления траектории движущегося объекта в сейсмической системе обнаружения // Труды и пленарные доклады участников 3-й Российской конференции с международным участием «Технические и программные средства систем управления, контроля и измерения» (УКИ-12) (г. Москва, Россия, 16-19 апреля 2012).

[41] С.А. Алямкин. Пеленгация источника сейсмоколебаний // Материалы XLV11 1 Международной научной студенческой конференции "Студент и научно-технический прогресс" 2010г. Новосибирск

[42] Гарбузов Б.В. Быстрое скользящее преобразование Фурье // Известия

Тульского государственного университета. Том 6. Выпуск 1. 2000. С. 64 — 70.

122

[43] Сергиенко А.Б. Цифровая обработка сигналов. // Издательство: «БХВ-Петербург». 2011. 758 с.

[44] Р.А. Монзинго, Т.У. Миллер. Адаптивные антенные решетки// М. «Радио и связь». 1986

[45] Роберт Дж. Урик. Основы гидроакустики J1. «Судостроение», 1978

[46] Постнов Г.А. Антенные решетки М. «Мир», 1960

[47] Mccartney B.S. Theoretical an Experimental Properties of Two-element, Multiplicative Multi-frequency Receiving Arrays including Superdirectivity // The Radio and Electronic Engineer, August, 1964

[48] Спектор A. A., C. F. Филатова Определение временных положений сигналов для оценки движения человека в сейсмической системе охранного наблюдения // Научный вестник НГТУ.- 2009.- No 3.- С. 57-66

[49] R.E. Kalman. A New Approach to Linear Filtering and Prediction Problems // Journal of Basic Engineering. - 1960. pp. 35-45.

[50] B. A. McElhoe. An Assessment of the Navigation and Course Corrections for a Manned Flyby of Mars or Venus // Aerospace and Electronic Systems, IEEE Transactions. - 1966. - pp. 613-623.

[51] N.J. Gordon, D.J. Salmond, A.F.M. Smith. - Novel approach to nonlinear/non-Gaussian Bayesian state estimation // IEEE Proceedings F on Radar and Signal Processing 140 (2). - 1993. - pp. 107-113.

[52] C.A. Алямкин, E.C. Нежевенко,- Сопровождение нескольких объектов в сейсмических системах обнаружения // Автометрия,- 2013,- №2(49). С.49-56.

[53] S. Coraluppi, М. Luettgen, С. Carthel. - A Hybrid-State Estimation Algorithms for Multi-Sensor // Proceedings of 3rd International Conference on Information Fusion. - 2000. - pp. 221 - 226

[54] B. A. McElhoe. An Assessment of the Navigation and Course Corrections for a Manned Flyby of Mars or Venus // Aerospace and Electronic Systems, IEEE Transactions. - 1966. - pp. 613-623.

[55] Muste M., Measurement of free-surface flow velocity using controlled surface waves // Flow Measurement and Instrumentation.Volume 16. Issue 1. 2005. pp. 47-55

[56] Jin X., Luke B. Comparison of Rayleigh wave dispersion relations from tree surface wave measurments in a complex-layered system // GeoCongress. 2006. pp. 1-6.

[57] Добровольский Г.В., Урусевская И.С. География почв. 2-е изд., перераб. и доп. — М.: Изд-во МГУ, Изд-во «КолосС», 2004. — 460 с.

[58] Буденный С.М. Книга о лошади. — Москва: Государственное издательство сельскохозяйственной литературы, 1952. — Т. 1. — 70 с.

[59] Дубровский В. И. Федорова В. Н. Биомеханика. Учебник для ВУЗов. — М.: ВЛАДОС, 2003. С. 388

[60] Vapnik, Vladimir N.. The Nature of Statistical Learning Theory // SpringerVerlag, 1995