Метод, алгоритм и специализированное устройство для выделения периодических последовательностей цифровых сигналов тема диссертации и автореферата по ВАК РФ 05.13.05, кандидат наук Полторацкий Сергей Николаевич

• Полторацкий Сергей Николаевич
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Полторацкий Сергей Николаевич

ВВЕДЕНИЕ

1. АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ, СРЕДСТВ ДЛЯ ОБРАБОТКИ И ВЫДЕЛЕНИЯ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ЦИФРОВЫХ СИГНАЛОВ

1.1 Методы обработки и выделения цифровых сигналов

1.2 Специализированные вычислительные устройства для обработки параметров последовательностей цифровых сигналов

1.3 Постановка задачи

Выводы по первому разделу

2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ВЫЧИСЛЕНИЯ ПАРАМЕТРОВ И МЕТОД ВЫДЕЛЕНИЯ ПЕРИОДИЧЕСКИХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ЦИФРОВЫХ СИГНАЛОВ

2.1 Математическая модель вычисления параметров цифровых сигналов

2.2 Метод выделения периодических последовательностей цифровых сигналов

2.3 Оценка возможностей метода выделения периодических последовательностей цифровых сигналов

2.4 Моделирование работы метода выделения периодических

последовательностей цифровых сигналов

Выводы по второму разделу

3. АЛГОРИТМЫ ВЫЧИСЛЕНИЯ ПАРАМЕТРОВ И ВЫДЕЛЕНИЯ ПЕРИОДИЧЕСКИХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ЦИФРОВЫХ СИГНАЛОВ

3.1 Алгоритм вычисления параметров цифровых сигналов

3.2 Алгоритм выделения периодических последовательностей цифровых сигналов на основе гистограммы разностей

3.3 Аппаратно-ориентированный алгоритм выделения периодических последовательностей цифровых сигналов с взвешенным критерием

3.4 Особенности применения алгоритма выделения периодических последовательностей цифровых сигналов с взвешенным критерием по сигналам систем управления воздушным движением

3.5 Использование алгоритма выделения периодических последовательностей

цифровых сигналов с взвешенным критерием по сигналам изображений

Выводы по третьему разделу

4. РАЗРАБОТКА УСТРОЙСТВА ДЛЯ ВЫДЕЛЕНИЯ ПЕРИОДИЧЕСКИХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ЦИФРОВЫХ СИГНАЛОВ

4.1 Одноканальные устройства вычисления параметров сигналов

4.2 Двухканальное устройство вычисления параметров сигналов

4.3 Специализированное устройство для выделения периодических последовательностей цифровых сигналов

4.4 Экспериментальные исследования разработанного устройства

Выводы по четвертому разделу

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Копии актов внедрения результатов диссертационных

исследований

ПРИЛОЖЕНИЕ Б Копии патентов на изобретения и свидетельств о

государственной регистрации программ для ЭВМ

ПРИЛОЖЕНИЕ В Программная реализация алгоритма выделения периодических

последовательностей цифровых сигналов

ПРИЛОЖЕНИЕ Г Примеры использования алгоритма выделения периодических последовательностей цифровых сигналов

Введение диссертации (часть автореферата) на тему «Метод, алгоритм и специализированное устройство для выделения периодических последовательностей цифровых сигналов»

ВВЕДЕНИЕ

Актуальность работы. В настоящее время актуальным научным и практическим направлением развития средств вычислительной техники и систем управления является разработка алгоритмов и специализированных устройств для аппаратно-программных систем обработки и выделения цифровых сигналов.

В существующих устройствах вычислительной техники и системах управления, применяемых в геофизике, медицине, обработке изображений, радиолокации и т.п., такие сигналы являются сложными для наблюдения объектами, поскольку параметры сигналов определяются применяемыми датчиками, в связи с чем, обратная связь, в части влияния на процесс получения информации, ограничена.

Традиционный путь выделения сигналов в условиях неопределенности их структуры и количества, в условиях их перемеживания основан на пороговых схемах, автокорреляционном методе, а также обработке распределений сигналов, что связано с существенной временной сложностью известных алгоритмов в динамично меняющихся условиях поступления данных (с учетом необходимости аппаратной реализации на существующей элементной базе). Сложности, возникающие при решении данной задачи в рамках обработки цифровых сигналов, рассмотрены в трудах таких ученых, как: Браммера Ю.А., Журавлева Ю.И., Иванова М.Т., Сергиенко А.Б., Сойфера В.А., Тимахова О.Н., Фурмана Я.А., Gonzalez R., Ifeachor E., Jervis B., Manolakis D., Pratt W., Proakis J., Widrow B., Woods R. и многих других российских и зарубежных ученых.

Однако, в известных работах, посвященных исследованиям обработки цифровых сигналов, недостаточно внимания уделено вопросу создания элементов и устройств вычислительной техники для выделения периодических последовательностей из смеси сигналов с априорно неизвестной структурой.

Сложность решения задачи выделения цифровых сигналов определяется существенным увеличением количества и усложнением структуры сигналов, наличием множества их источников, в том числе однородных по своей временной

структуре.

Как правило, такие задачи возникают в устройствах вычислительной техники и системах управления для обработки и распознавания изображений при использовании помехоустойчивых методов на одном из этапов решения задачи анализа и распознавания изображений: текстурной сегментации, заключающейся в разбиении изображения на области с однородной текстурой. Кроме того, задача выделения цифровых стандартизованных сигналов возникает в системах мониторинга и обработки данных от средств управления воздушным движением на предварительном этапе обработки сигналов объектов. При этом эффективность решения задачи зависит от достоверности выделения цифровых последовательностей. Данная область характеризуется высокоинтенсивным потоком сигналов в единицу времени, а также смешением сигналов, однородных по своей временной структуре, в точке приема, вследствие чего обработка потока сигналов от множества объектов является сложной задачей.

Решение задачи выделения периодических последовательностей цифровых сигналов при значительном многообразии типов сигналов предполагает создание специализированных вычислительных устройств и аппаратно-ориентированных алгоритмов для них. Как правило, признаки для согласованного выделения последовательностей формируют специалисты предметной области, вручную отыскивая формализуемые закономерности, характеризующие сигналы разных классов, или применяют пороговые схемы, селектирующие сигнал по одному или двум параметрам. Необходимость априорных знаний о структуре сигнала в известных системах и низкая достоверность выделения последовательностей с помощью пороговых схем ограничивают область эффективного применения аппаратно-программных систем выделения периодических последовательностей, динамически изменяющихся в процессе эксплуатации систем.

Анализ существующих устройств вычислительной техники для обработки и выделения последовательностей цифровых сигналов показал, что большинство из них ориентированы на обработку известных ограниченных групп цифровых сигналов без возможности предварительного анализа и взвешенного поиска. Это

обстоятельство не позволяет использовать такие устройства для выделения последовательностей постоянно расширяющегося класса цифровых сигналов с высокой достоверностью. Указанные ограничения определили основное противоречие между объективной необходимостью обработки в одном устройстве представительного многообразия структур цифровых сигналов в реальном масштабе времени и недостаточной разработанностью методов и технических средств обработки этих сигналов.

Таким образом, актуальной является научно-техническая задача разработки метода, алгоритма и специализированного устройства для вычисления параметров и выделения периодических последовательностей цифровых сигналов, позволяющих повысить достоверность правильного выделения указанных выше последовательностей.

Результаты диссертационной работы использовались при выполнении Госзадания по теме 2.3440.2017/4.6 «Разработка методов обеспечения живучести интеллектуальных бортовых систем управления беспилотных транспортных средств».

Целью диссертационной работы является повышение достоверности выделения периодических последовательностей цифровых сигналов.

В соответствии с поставленной целью в работе решаются следующие задачи:

1. Анализ существующих методов и алгоритмов обработки последовательностей цифровых сигналов в устройствах вычислительной техники и системах управления. Определение основных направлений исследования.

2. Разработка метода и аппаратно-ориентированного алгоритма выделения периодических последовательностей цифровых сигналов.

3. Проектирование структурно-функциональной организации специализированного устройства для вычисления параметров и выделения периодических последовательностей цифровых сигналов. Моделирование разработанных метода и алгоритма выделения периодических последовательностей цифровых сигналов.

Объект исследования - модели и методы выделения периодических последовательностей цифровых сигналов в вычислительной технике и системах управления.

Предмет исследования - алгоритмы и специализированные устройства выделения периодических последовательностей цифровых сигналов.

Методы исследования. В работе использованы методы теории сигналов, проектирования цифровых устройств, цифровой обработки сигналов, математической статистики.

Новыми научными результатами и положениями, выносимыми на защиту, являются:

1. Метод выделения периодических последовательностей цифровых сигналов, отличительной особенностью которого является применение гистограммы в качестве инструмента оценки периодичности и обнаружение периодичности в сигнале с использованием взвешенного критерия, позволяющий повысить достоверность правильного выделения последовательностей за счет управляемой разности отсчетов импульсов в последовательности.

2. Аппаратно-ориентированный алгоритм выделения периодических последовательностей цифровых сигналов, основанный на итерационном вычислении гистограмм разностей, отличающийся применением управляемого уровня разности и взвешенным принятием решения о наличии периодичности в сигнале, позволяющий использовать ретроспективные элементы цифровых сигналов во времени, увеличить быстродействие обработки и повысить достоверность правильного выделения цифровых последовательностей.

3. Структурно-функциональная организация устройства для выделения периодических последовательностей на основе вычисления параметров цифровых сигналов, отличающаяся введением блока сортировки и обнаружения, и позволяющая выделять периодические последовательности с априорно неизвестными временными детерминированными структурами.

Практическая значимость. Полученные метод и алгоритм составляют математическую, алгоритмическую и реализационную основу для решения задач

по разработке устройств для вычисления параметров и выделения цифровых сигналов, а также позволяют повысить достоверность обнаружения периодических последовательностей в 1,3-1,4 раза для зашумленных и смешанных выборок. Результаты исследования могут быть использованы в специализированных аппаратных средствах для систем обработки и распознавания изображений, мониторинга, анализа, контроля и диагностики сложных технических объектов и человеко-машинных систем, таких как: медицинская диагностика, системы дистанционного мониторинга, интеллектуальные системы видеонаблюдения и робототехники.

Реализация результатов работы. Результаты, полученные в диссертационной работе, внедрены в ООО «Специальный технологический центр» (г. Санкт-Петербург), в ООО «Термо-Решения» (г. Москва), в Санкт-Петербургском филиале АО «Концерн радиостроения «Вега», а также используются в учебном процессе по направлению подготовки 09.03.01 «Информатика и вычислительная техника» в курсе лекций по дисциплине «Основы построения систем цифровой обработки сигналов», при проведении занятий по дисциплине «Микропроцессорные системы в системах передачи и обработки данных» (Приложение А).

Соответствие паспорту специальности. Согласно паспорту специальности 05.13.05 - Элементы и устройства вычислительной техники и систем управления, проблематика, рассмотренная в диссертации, соответствует пунктам 1 и 2 паспорта специальности (1. Разработка научных основ создания и исследования общих свойств и принципов функционирования элементов, схем и устройств вычислительной техники и систем управления, в части разработки метода выделения периодических последовательностей цифровых сигналов, алгоритмов вычисления параметров и выделения периодических последовательностей цифровых сигналов, и структурно-функциональной организации специализированного устройства для вычисления параметров и выделения периодических последовательностей цифровых сигналов и принципов его функционирования. 2. Теоретический анализ и экспериментальное

исследование функционирования элементов и устройств вычислительной техники и систем управления в нормальных и специальных условиях с целью улучшения технико-экономических и эксплуатационных характеристик, в части анализа работоспособности специализированного устройства для вычисления параметров и выделения периодических последовательностей цифровых сигналов).

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XII Международной научно-технической конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (г. Курск, 2015 г.); IV региональной научно-технической конференции «Информационно-измерительные диагностирующие и управляющие системы» (г. Курск, 2016 г.); XIX международной научно-технической конференции «Медико-экологические информационные технологии» (г. Курск, 2016 г.); IV международной научно-практической заочной конференции «Наука и образование: отечественный и зарубежный опыт» (г. Белгород, 2017 г.); VIII международной научно-практической конференции

«Высокопроизводительные вычислительные системы и технологии в научных исследованиях, автоматизации управления и производства» (г. Барнаул, 2018 г.); на научно-технических семинарах кафедры ВТ ЮЗГУ в течение 2015-2018 гг.

Публикации. Результаты проведенных исследований и разработок опубликованы в 15 научных трудах [1-15], в том числе в 7 статьях (3 из них -в центральных рецензируемых научных журналах и изданиях ВАК при Минобрнауки России). Получено 3 патента РФ на изобретение и 3 свидетельства о государственной регистрации программы для ЭВМ (Приложение Б).

Личный вклад автора. Все выносимые на защиту научные результаты получены соискателем лично. В работах, опубликованных в соавторстве, лично соискателем предложены: в [1, 14, 15] - метод выделения периодических последовательностей на основе вычисления параметров цифровых сигналов, в [2, 3] - алгоритм выделения периодических последовательностей на основе вычисления параметров цифровых сигналов, в [4-6] - структурная организация и

принципы функционирования устройств вычисления параметров цифровых сигналов, в [10-13] - принципы построения устройств вычисления параметров цифровых сигналов, в [7-9] - алгоритм и программный код расчета параметров цифровых сигналов.

Структура и объем работ. Диссертация состоит из введения, четырех разделов, заключения, списка литературы, включающего 93 наименования, приложений. Основная часть диссертации изложена на 126 страницах машинописного текста и содержит 51 рисунок и 7 таблиц.

1. АНАЛИТИЧЕСКИЙ ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ, СРЕДСТВ ДЛЯ ОБРАБОТКИ И ВЫДЕЛЕНИЯ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ЦИФРОВЫХ СИГНАЛОВ

1.1 Методы обработки и выделения цифровых сигналов

В настоящее время в существующих устройствах вычислительной техники и системах управления, применяемых в геофизике, медицине, обработке изображений, радиолокации и т.п., предъявляются высокие требования в части оперативности обработки и достоверности выделения цифровых сигналов.

Вследствие чего, разработка алгоритмов и специализированных устройств для аппаратно-программных систем обработки и выделения цифровых сигналов является востребованным научным и практическим направлением развития средств вычислительной техники и систем управления.

С целью определения направлений исследований в части разработки усовершенствованных устройств обработки цифровых сигналов с применением современных методов и алгоритмов выделения импульсных последовательностей необходимо провести анализ существующих методов, средств обработки и выделения цифровых сигналов.

В настоящее время известен ряд методов обработки, выделения последовательностей цифровых сигналов в системах управления и обработки, телекоммуникации, вычислительной технике, радиолокации. Рассмотрим наиболее близкие по задачам и методу решения.

Метод обработки данных [16] для получения данных с указанием импульсного периода (блок-схема представлена на рисунке 1.1) основан на принципе адаптивной обработки периодических данных датчиков поворота/вращения и применяется в спидометрах/тахометрах грузовых автомобилей. Адаптивная обработка обеспечивается за счет хранения последнего измеренного значения периода поступления импульсов, последующее значение сравнивается с предыдущим для избегания шумовых выбросов.

Данный метод имеет узкую направленность, т.к. применим только для сигналов датчиков вращения и рассчитан для систем с плавным изменением периода поступления импульсов.

Рисунок 1.1 - Блок-схема, реализующая метод обработки данных

Наряду с [16] известен метод [17], направленный на обнаружение истинных/ложных источников импульсного излучения, а также определение местоположения истинного источника излучения на основе определенных направлений на ложные (переотражения) источники. Метод применяется в системах поддержки устройств измерения, блок-схема метода представлена на рисунке 1.2.

Данный метод использует источники излучения с заранее известными параметрами, что минимизирует сложность задачи селекции импульсов, критерием распознавания истинного и ложного источника является минимум отклонения измеренных импульсных параметров.

Рисунок 1.2 - Блок-схема метода обнаружения источников излучения

Также известен метод определения индивидуальных сигналов на основе информации с выхода детекторов радиационного излучения [18], который применяется в системах безопасности, научной аппаратуре, системах обработки медицинских изображений, спектроскопии, индустрии обработки минералов. При этом детекторы радиационного излучения на выходе формируют электрические импульсные сигналы, характерные для различных видов излучения.

На рисунке 1.3 представлена структурная схема аппаратной части, реализующей определение индивидуальных сигналов.

Рисунок 1.3 - Структурная схема аппаратной части, реализующей определение

индивидуальных сигналов

Для применения метода требуется предварительная калибровка системы по известным видам излучения с целью изучения импульсного отклика детектора и обучения системы.

Следующий метод [19] является логическим продолжением предыдущего и основывается на аналогичной аппаратной схеме, но направлен на решение проблемы так называемых «нагроможденных» (pile-up) импульсов. При данных условиях метод позволяет выделять индивидуальные сигналы с помощью преобразования Фурье. Обучение системы происходит на основе моделирования откликов детекторов на одиночные воздействия. Алгоритм выделения индивидуальных сигналов представлен на рисунке 1.4.

Область применения метода существенно расширена: детекторы радиации, миноискатели, системы обработки изображений, системы поиска минералов, поиск неразорвавшихся боеприпасов, досмотр грузов, системы обработки рентгеновского излучения, звуковые и сейсмические детекторы, детекторы вибрации, системы анализа полупроводников, радиолокационные станции (РЛС).

Для применения метода требуется предварительная калибровка системы по известным видам одиночных воздействий с целью изучения импульсного отклика детектора и обучения системы, что ограничивает область применения.

Рисунок 1.4 - Алгоритм выделения индивидуальных сигналов

Не менее широко применяется обработка последовательностей сигналов в биомедицинских системах [20-22]: кардиологических, магнитно-резонансной терапии и др. Например, метод [23] предназначен для определения сердечного ритма, оценки состояния здоровья на основе вычисления физиологических сигналов пациента, которые поступают с различных датчиков, в том числе в виде

импульсных сигналов. Принцип обработки сигналов основан на оценке частотных и энергетических параметров сигналов. На рисунке 1.5 в качестве примера применения метода представлена структурная схема системы дефибрилляции легких.

Рисунок 1.5 - Структурная схема системы дефибрилляции легких с

применением метода определения сердечного ритма

Метод ориентирован только на медицинские системы и в обработке использует только частотные и энергетические параметры сигналов (не использует временные).

Наряду с системами медицинского назначения, обработка цифровых сигналов применяется в системах обработки сигналов импульсных источников, РЛС, где, в частности, известен метод детектирования и классификации импульсных сигналов [24], который сводится к следующему (на примере обработки отраженных импульсов РЛС). Все принятые импульсы группируются

по направлению и частоте, затем делятся на диапазоны в зависимости от периода поступления импульсов (блок-схема метода приведена на рисунке 1.6). Далее поток импульсов разделяется на временные окна, в пределах которых выполняется автокорреляция для поиска доминирующего периода по принципу порогового обнаружителя. Принятие решения об обнаружении последовательности осуществляется на основе временного интегратора для всех доминирующих периодов. Обнаруженные импульсы с определенным периодом удаляются из потока и процесс повторяется.

Рисунок 1.6 - Блок-схема метода детектирования и классификации импульсных

сигналов

К недостаткам метода можно отнести сложность правильного подбора временных окон для автокорреляции и корректного выбора порога обнаружения, мягкость критериев обнаружения, отсутствие весовой обработки в случае зашумленности выборки, а также применимость только в системах обработки данных РЛС.

Оригинальный подход к решению задачи выделения сигналов применили авторы при построении алгоритмов обработки информации сетевых пространственно-распределенных систем радиомониторинга [25]. Основная цель функционирования алгоритма селекции с отождествлением данных в указанных системах состоит в проведении сортировки и распределения данных по областям значений параметров, в результате которых данные, полученные от различных датчиков и принадлежащие одному источнику, группируются в одной области, а данные, принадлежащие разным источникам, по возможности разделяются. Авторами разработан алгоритм селекции сигналов по одному и по двум параметрам (последовательно, рисунок 1.7).

— -г— 5}

9 •

...1! Цз /

7/ \ */(*'/)

✓ ✓ \

* ✓ ✓ ✓ ✓ у \ \ \

✓ ✓ ✓ У 2(ГТ) 3 \ \

✓ ✓ ✓ ч £ \ \

✓ ж \ 1

гт Хт(1т)

Рисунок 1.7 - Алгоритм селекции с ветвлением по двум параметрам

Алгоритм выделения сигналов по одному параметру состоит из следующих шагов:

1. Формируется ненормированная гистограмма значений параметра, по максимуму которой формируется строб с учетом точности измерения параметра.

2. Из исходной совокупности выбираются данные, принадлежащие данному стробу.

3. По выбранной совокупности повторяются шаги 1 и 2 для второго параметра.

4. Производится уплотнение исходной совокупности за счет изъятия выделенной совокупности.

Очевидно, что увеличение количества параметров выделения также повышает эффективность решения задачи селекции. Качество селекции с отождествлением данных зависит от величины интервалов дискретизации значений параметров, одинаковым образом соотносимых к величине доверительного интервала принадлежности двух дескрипторов одному и тому же источнику.

При этом в алгоритме выделения сигналов по одному параметру не учитывается взаимосвязь различных параметров, а также потенциальная периодичность структур данных. Описанные принципы работы метода могут быть также реализованы при построении алгоритма селекции с отождествлением данных, получаемых от некоторой комбинации датчиков.

В свою очередь метод [26] предназначен для обнаружения периодических и квази-периодических паттернов в зашумленных сигналах.

В ходе работы метода (рисунок 1.8) сигнал дискретизируется и впоследствии обрабатывается в дискретных, равномерно распределенных отрезках времени. Вектор характеристик извлекается для каждого такого временного интервала, и векторы группируются в наборы, каждый из которых имеет начальное время и период. Различные статистические данные для каждого набора, такие как среднее значение, дисперсия или энтропия, соответствуют различным периодам. При выходе из периодической структуры статистические

данные, оцениваемые в соответствующем интервале, становятся более выраженными, что указывает на существование соответствующей периодической структуры.

Рисунок 1.8 - Метод обнаружения периодических и квазипериодических паттернов в зашумленных сигналах

Данный способ поиска периодичности позволяет оценивать периодические структуры в сложном сигнале, при этом результат работы напрямую зависит от правильного выбора величины интервала оценивания и набора вычисляемых статистических характеристик. Очевидно, что повышение эффективности работы метода по различным сигналам осуществимо только путем подбора указанных параметров работы.

Не менее актуальны алгоритмы обработки последовательностей цифровых сигналов при обработке сигналов изображений. Например, известен алгоритм цифровой обработки телевизионных (ТВ) измерительных сигналов [27], используемых для оценки качественных показателей телевизионных систем формирования и передачи ТВ изображения в процессе его разработки. Основная идея алгоритмов обработки измерительных сигналов, состоящих из последовательностей прямоугольных импульсов, серий синусоидальных колебаний (рисунок 1.9), импульсных сигналов специальной формы и др., заключается в анализе искажений этих сигналов, зависящих от линейных и нелинейных характеристик ТВ каналов, наличия в них флуктуационных, синусоидальных и импульсных помех.

Рисунок 1.9 - Блок-схема формирования «пакета» синусоидальных колебаний

На основе алгоритма разработана система измерений параметров ТВ каналов, обеспечивающая минимизацию методических, инструментальных, внешних погрешностей оценки параметров измерительных сигналов, контроль и измерение телевизионного оборудования в процессе его разработки, производства и эксплуатации. Данный алгоритм требует высокоточных, прецизионных измерителей параметров сигналов.

Адаптивный алгоритм выделения и обнаружения воздушных объектов для систем видеосопровождения [28] основан на оценке параметров авторегрессионной модели фона с помощью процедуры адаптивной пространственной фильтрации. Алгоритм, структурная схема которого представлена на рисунке 1.10, используется в комплексах обработки изображений реального времени вместе с современными телевизионными и тепловизионными датчиками.

В результате моделирования и сравнительных исследований установлена возможность использования рассмотренного алгоритма при работе с реальными видеопоследовательностями, содержащими облачный фон.

Рисунок 1.10 - Структурная схема алгоритма

Задача выделения цифровых сигналов также возникает в автоматизированных системах обработки и распознавания изображений [29]. В частности в автоматизированных системах обработки и распознавания изображений выделение цифровых сигналов требуется на одном из этапов решения задачи анализа и распознавания изображений - текстурной сегментации, заключающейся в разбиении изображения на области с однородной текстурой [30-36].

Список литературы диссертационного исследования кандидат наук Полторацкий Сергей Николаевич, 2019 год

СПИСОК ЛИТЕРАТУРЫ

1. Полторацкий С.Н. Метод временной селекции импульсных последовательностей в устройствах обработки импульсных сигналов / Панищев В.С., Полторацкий С.Н. // Известия Юго-Западного государственного университета. Серия управление, вычислительная техника, информатика, медицинское приборостроение. - 2017. - № 4. - С.41-48.

2. Полторацкий С.Н. Алгоритм взвешенного поиска импульсных последовательностей в устройствах обработки потока событий. / Панищев В.С., Полторацкий С.Н., Титов В.С. // Телекоммуникации. - 2018. - № 11. - С.2-7.

3. Полторацкий С.Н. Применение метода выделения цифровых последовательностей в устройствах предварительной обработки сигналов / Полторацкий С.Н., Панищев В.С., Титов В.С., Локтионов А.П. // Известия Юго-Западного государственного университета. Серия управление, вычислительная техника, информатика, медицинское приборостроение. - 2018. - Т.8, № 3(28). -С.16-23.

4. Патент 2592730 Российская Федерация, МПК G01R29/00. Устройство измерения амплитудно-временных и частотных параметров сигналов / Дурнев С.Л., Полторацкий С.Н., заявл. 20.04.2015г., опубл. 27.07.2016г., бюл. № 21.

5. Патент 2620881 Российская Федерация, МПК G01R29/02. Одноканальное устройство измерения амплитудно-временных и частотных параметров сигналов с цифровым детектированием / Дурнев С.Л., Полторацкий С.Н., заявл. 11.04.2016г., опубл. 30.05.2017г., бюл. № 16.

6. Патент 2622232 Российская Федерация, МПК G01R29/02. Двухканальное устройство измерения амплитудно-временных и частотных параметров сигналов / Дурнев С.Л., Полторацкий С.Н., Шельдешов С.И., заявл. 30.08.2016г., опубл. 13.06.2017г., бюл. № 17.

7. Свидетельство о государственной регистрации программы для ЭВМ № 2014617809. Программа расчета параметров серий импульсов / Жихарев Д.С., Полторацкий С.Н., Шельдешов С.И., заявл. 11.06.2014г., опубл. 04.08.2014г.

8. Свидетельство о государственной регистрации программы для ЭВМ № 2017661906. Программа графического отображения статистических распределений параметров импульсных сигналов в виде частотограмм и гистограмм / Бартенев А.А., Глазунов А.А., Полторацкий С.Н., заявл. 01.09.2017г., опубл. 25.10.2017г.

9. Свидетельство о государственной регистрации программы для ЭВМ № 2017661910. Программа многоканального сетевого осциллографа и спектроанализатора / Глазунов А.А., Котенко С.В., Полторацкий С.Н., заявл. 01.09.2017г., опубл. 25.10.2017г.

10. Полторацкий С.Н. Построение устройств измерения параметров импульсов / Полторацкий С.Н. // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации: Сборник материалов XII Международной научно-технической конференции. - Курск, 2015. - с.287-289.

11. Полторацкий С.Н. Построение устройств измерения параметров импульсов с цифровым детектированием / Панищев В.С., Полторацкий С.Н. // Информационно-измерительные диагностирующие и управляющие системы: Сборник материалов IV региональной научно-технической конференции. - Курск, 2016. - с.105-107.

12. Полторацкий С.Н. Разработка двухканального устройства измерения параметров импульсов с цифровым детектированием / Панищев В.С., Полторацкий С.Н. // Медико-экологические информационные технологии: сборник научных статей по материалам XIX Международной научно-технической конференции. - Курск, 2016. - с.197-199.

13. Полторацкий С.Н. Особенности многоканальных устройств обработки параметров импульсов / Панищев В.С., Полторацкий С.Н. // Наука и образование:

отечественный и зарубежный опыт: сборник научных статей по материалам IV Международной научно-практической заочной конференции. - Белгород, 2017. -с.15-16.

14. Полторацкий С.Н. Применение селекторов в устройствах обработки параметров импульсов / Панищев В.С., Полторацкий С.Н. // Высокопроизводительные вычислительные системы и технологии: сборник научных статей по материалам VIII Международной научно-практической конференции № 1(8). - Барнаул, 2018. - с.29-30.

15. Полторацкий С.Н. Применение методов и устройств обработки импульсных сигналов в многодатчиковых системах / Панищев В.С., Полторацкий С.Н. // Вестник современных исследований. - 2018. - Выпуск № 7-3 (22) (июль, 2018) - С.273-274.

16. Kazumasa Kurihara, Tsutomu Takahashi. Data processing method for obtaining data indicating pulse period / United States Patent № 5388053 МПК G01R 29/02 1995.

17. Per Atle Valand. Method, use of said method and arrangements in an electronic support measures system / United States Patent № 8013782 МПК G01S 7/02 2011.

18. Paul Andrew Basil Scoullar, Robin John Evans. Method and apparatus for resolving individual signals in detector output data / United States Patent № 7383142 МПК G01R 13/00 2008.

19. Paul Andrew Basil Scoullar, Christopher Charles McLean. Method and apparatus for resolving piled-up pulses by using a mathematical transform / United States Patent № 8812268 МПК G06F 15/00, G01V 1/28 2014.

20. Glenn N. Levine. Cardiology secrets. 5th edition [Текст] / Glenn N. Levine., 2018 - 652 с.

21. Lowe M.J., Beall E.B. Selection of Optimal Pulse Sequences for fMRI // Filippi M. (eds) fMRI Techniques and Protocols. Neuromethods, vol 119. Humana Press, New York, NY, 2016 - с.69-111.

22. Franks M., Chung-Bin A. (1985) Interactive Computer Program for the Selection of Optimum Pulse Sequences in NMR Imaging. In: Lemke H., Rhodes M.L., Jaffee C.C., Felix R. (eds) Computer Assisted Radiology // Computergestutzte Radiologie. Springer, Berlin, Heidelberg, 1985 - с.36-36.

23. Tae H. Joo, Ronald E. Stickney, Cynthia P. Jayne, Paula Lank, Patricia O'Hearn, David R. Hampton, James W. Taylor, William E. Crone, Daniel Yerkovich. Pulse detection apparatus, software, and methods using patient physiological signals / United States Patent № 8744577 МПК A61N 1/365 2014.

24. David P. Andersen, Steven A. Murphy. Radar pulse detection and classification system / United States Patent № 5583505 МПК G01S 7/40 1996.

25. Кирсанов Э.А., Сирота А.А. Обработка информации в пространственно-распределенных системах радиомониторинга: статистические и нейросетевые подходы. [Текст] / Э.А. Кирсанов, А.А. Сирота. - М: ФИЗМАТЛИТ, - 2012 -344 с.

26. Lidror Troyansky, Arnon Breuer. System for detection and estimation of periodic patterns in a noisy signal / United States Patent № 7610324 МПК G06F 17/15 2009.

27. Макаров Д.Г. Цифровая обработка телевизионных измерительных сигналов // Цифровая обработка сигналов. - 2007 - № 3. - с.30-36.

28. Муравьев В.С., Муравьев С.И. Адаптивный алгоритм выделения и обнаружения воздушных объектов для систем видеосопровождения // Механика, управление и информатика: Сборник материалов 3-й научно-технической конференции «Техническое зрение в системах управления -2012», Москва, 14-16 марта 2012 г. / под ред. Р.Р. Назирова. - Москва, 2012.

29. Gonzalez and Woods. Digital Image Processing 4th Edition / Pearson. ISBN -9780133356724. 1168 P. - 2018.

30. Шапиро, Л. Компьютерное зрение [Текст] / Л. Шапиро, Дж. Стокман; пер. с англ. А.А. Богуславского под ред. С.М. Соколова. - М. БИНОМ. Лаборатория знаний, 2006. - 752 с.

31. Макаренко Н.Г., Уртьев Ф.А., Князева И.С., Малкова Д.Б., Пак И.Т., Каримова Л.М. Распознавание текстур на цифровых изображениях методами вычислительной топологии // Современные проблемы дистанционного зондирования Земли из космоса. - 2015 - Т.12. № 1 - с.131-144.

32. Tiwari D., Tyagi V. Improved Weber's law based local binary pattern for dynamic texture recognition // Multimedia Tools and Applications. - 2017 - V.76 -с.6623-6640 (https://doi.org/10.1007/s11042-016-3362-x)

33. Tiwari D., Tyagi V. Dynamic texture recognition based on completed volume local binary pattern // Multidimensional Systems and Signal Processing. - 2016 - V.27 I.2 - с.563-575 (https://doi.org/10.1007/s11045-015-0319-6)

34. Yue Wang, Teck Wee Chua, Richard Chang, Nam Trung Pham. Real-time smoke detection using texture and color features // 21st International conference: Pattern Recognition (ICPR), 2012.

35. Li B., Hu H. Texture-based pattern recognition algorithms for the RoboCup challenge. // Polani D., Browning B., Bonarini A., Yoshida K. (eds) RoboCup 2003: Robot Soccer World Cup VII. RoboCup 2003. Lecture Notes in Computer Science, vol 3020. Springer, Berlin, Heidelberg - 2003 - с.611-620.

36. Braunl T., Feyrer S., Rapf W., Reinhardt M. Texture Recognition. // Parallel Image Processing. Springer, Berlin, Heidelberg. - 2001 - с.121-130.

37. Полякова М.В. Определение границ сегмента упорядоченной текстуры на изображении с однородным фоном с помощью многоканального обнаружения пачки импульсов // Автоматика. Автоматизация. Электротехнические комплексы и системы. Межвузовский журнал. - Херсон, 2008. - № 1 (21). - с.72-81.

38. M.R. Gilmutdinov, A.I. Veselvo, I.N. Grokhotkov. Method of and apparatus for low-complexity detection of periodic textures orientation / United States Patent № 9183640 МПК G06K 9/36, G06T 7/20, G06T 7/00, G06T 7/40 2015.

39. David S. Cheeseman, Arthur J. Wright. Dial pulse detection / United States Patent № 4924501 МПК H04M 3/22, H04M 3/42 1990.

40. Андреев Д.В. Селектор временных интервалов / Патент на изобретение RU№ 2219653C1, МПК H03K5/26 (2000.01), G06G7/25 (2000.01), 2003г.

41. Смирнов Д.Ф., Рязанов С.Н., Крячко А.Ф., Ряховский Е.Н., Попов С.Н., Харченко А.В. Селектор импульсов / Патент на изобретение RU № 2168854C1, МПК H03K5/26 (2000.01), 2001г.

42. Смирнов Д.Ф., Минаев В.Б. Селектор импульсной последовательности / Патент на изобретение RU № 2173935C1, МПК H03K5/19 (2000.01), 2001г.

43. Смирнов Д.Ф., Карапетян С.Л., Юрков М.Г., Глухов А.А. Селектор импульсной последовательности / Патент на изобретение RU № 2235418C1, МПК H03K5/19 (2000.01), 2004г.

44. Mamoru Ohba, Mitsuru Watabe, Rika Minami, Sanshiro Obara. Digital pulse processing device / United States Patent № 5289517 МПК H03L 7/00 1994.

45. John B. Allen. Apparatus and a method for pulse detection and characterization / United States Patent № 6686997 МПК G02B 27/32, G01R 23/00, G01R 23/17, G01R 31/302, H04J 14/00 2004.

46. Wang, Guoqing. Systems and methods for short baseline, low cost determination of airborne aircraft location / International Publication Number WO 2011/113176 A1 МПК G01S 5/02 2010.

47. Motisher Lewis R., Stayton Gregory T. Surveillance system for aircraft / European Patent Publication Number 0431449A2 МПК G01S 13/93, G01S 13/78 1990.

48. Надеев А.Ф., Подкурков И.А., Рахимов Д.Р., Зульхарнеев Р.Р., Иванченко А.Я. Разработка алгоритмического обеспечения моделирующего комплекса системы управления воздушным движением ATCRBS // Проблемы техники и технологий телекоммуникаций: Сборник материалов XV международной научно-технической конференции ПТиТТ-2014, Казань, 18-21 ноября 2014 г. / Изд-во Казан. гос. техн. ун-та - Казань, 2014.

49. Надеев А.Ф., Иванченко А.Я., Рахимов Д.Р., Зульхарнеев Р.Р., Подкурков И.А. Разработка макета технологического маячкового ответчика системы опознавания MkXA и системы управления воздушным движением

ATCRBS // Поиск эффективных решений в процессе создания и реализации научных разработок в российской авиационной и ракетно-космической промышленности: Сборник материалов международной научно-технической конференции ПТиТТ-2014, Казань, 05-08 августа 2014 г. / Изд-во Казан. гос. техн. ун-та - Казань, 2014.

50. Showkat Osman, Delbert E. Brandley. Method and system for real time pulse processing in ATCRBS/Mode-S transponders / United States Patent № 7352318 МПК G01S 13/00, H04Q 5/22 2008.

51. Сергиенко А.Б. Цифровая обработка сигналов [Текст] : учебное пособие / А.Б. Сергиенко. - 2-е изд. - СПб. : БХВ-Петербург, 2011. - 768 с.

52. Иванов М.Т., Сергиенко А.Б., Ушаков В.Н. Теоретические основы радиотехники - М.: Высшая школа, 2002 - 306 с.

53. Alan V. Oppenheim, Ronald W. Schafer. Disctrete-time signal processing. Third edition. [Текст] / Alan V. Oppenheim, Ronald W. Schafer 2010 - 1137 с.

54. Thanh T. Tran High-speed DSP and analog system design [Текст] / Thanh T. Tran, 2010 - 217 с.

55. Smith Steven W. The scientist and engineer's guide to digital signal processing [Текст] / Smith S.W., 1999 - 650 с.

56. Воробьёв С.Н. Цифровая обработка сигналов: учебник для студ. учреждений высш. проф. образования / С.Н. Воробьев — М. : Издательский центр «Академия», 2013 - 320 с.

57. Proakis John G., Manolakis Dimitris G. Digital signal processing. Principles, algorithms, and applications. Third Edition. [Текст] / Proakis J.G., Manolakis D.G., 1996 - 1018 с.

58. Гусев В.Г., Электроника и микропроцессорная техника [Текст] : учебник / Ю.М. Гусев - 6-е изд., стер. - М.: КНОРУС, 2013 - 800 с.

59. Гимпилевич Ю.Б., Сигналы и процессы в радиотехнике [Текст] : учебное пособие / Ю.Б. Гимпилевич - Севастополь: Изд-во СевНТУ, 2003 - 272 с.

60. Гряник В.Н., Павликов С.Н., Убанкин Е.И. Средства радиоэлектронного наблюдения - Владивосток: ВГУЭС, 2006 - 200 с.

61. Бакулев П. A. Радиолокационные системы [Текст] : учебник для вузов -М.: Радиотехника, 2004 - 320 с.

62. Spieler H. Pulse processing and analysis [Текст] / Spieler H., 2002 - 199 с.

63. Солопченко Г.Н. Области эффективного применения статистических методов обработки результатов многократных измерений М: Измерительная техника 2016 №5 с.16-20.

64. Salih Mohammed Salih. Fourier transform: signal processing and physical sciences. [Текст] / Salih Mohammed Salih 2015 - 222 с.

65. Гетманов В.Г. Цифровая обработка сигналов: Учебное пособие. Изд. 2-е, расш. и перераб. М.: НИЯУ МИФИ, 2010 - 232 с.

66. Садовский ГА. Теоретические основы информационно-измерительной техники: Учеб. пособие / ГА. Садовский. - М.: Высш. шк., 2008 - 478 с.

6V. Kay Steven M. Fundamentals of statistical signal processing [Текст] / Kay S.M., 1998 - 560 с.

68. Кулаичев A.H Компьютерный контроль процессов и анализ сигналов -М.: Информатика и компьютеры, 1999 - 330 с.

69. Браммер ЮА., Пащук И.Н. Импульсные и цифровые устройства - М.: Высш. шк., 2003 - 351 с.

V0. Diniz Paulo S.R., da Silva Eduardo A.B., Netto Sergio L. Digital signal processing. Second edition. [Текст] / Diniz P.S.R., da Silva E.A.B., Netto S.L., 2010 -889 с.

71. Тропченко A^., Тропченко A.A. Цифровая обработка сигналов. Методы предварительной обработки. Учебное пособие по дисциплине "Теоретическая информатика". - СПб: СПбГУ ИТМО, 2009 - 100 с.

72. Тимахов О.Н. Селекторы импульсов [Текст] / О.Н. Тимахов, В.К. Любченко; под общ. ред. В.К. Любченко. - М: Сов. радио, - 1966 - 271 с.

73. Цыганов А.С., Старицин С.С. Модель формирования кадровой структуры и информативный признак для оценивания периода кадра групповых сигналов с многочастотным множественным доступом с временным разделением. Телекоммуникации. М.: Наука и технологии, 2017 - №4. - с.2-5.

74. Довбня В.Г., Москалев А.А., Сизов А.С. Описание структурных свойств произвольных дискретных последовательностей в задачах радиомониторинга. Телекоммуникации. М.: Наука и технологии, 2016 - №10. - с.2-9.

75. Widrow B., Stearns S.D.: Adaptive signal processing. Prentice-Hall, Englewood Cliffs, N.J., 1985.

76. Новожилов О.П. Электроника и схемотехника [Текст] : учебник для академического бакалавриата : [в 2 томах] / О.П. Новожилов ; Моск. гос. индустр. ун-т (МГИУ). - Москва : Юрайт. - Т. 1. - 2015. - 381, [1] с.

77. Новожилов О.П. Электроника и схемотехника [Текст] : учебник для академического бакалавриата : [в 2 томах] / О.П. Новожилов ; Моск. гос. индустр. ун-т (МГИУ). - Москва : Юрайт. - Т. 2. - 2015. - 420, [1] с.

78. Иванов М.Т., Сергиенко А.Б., Ушаков В.Н. Радиотехнические цепи и сигналы - СПб.: Питер, 2014 - 336 с.

79. Международная организация гражданской авиации. Руководство по вторичным обзорным радиолокационным (ВОРЛ) системам / Изд. 3-е. - ИКАО -2004 - 257 с.

80. Системы обзорной радиолокации и предупреждения столкновений. Приложение 10 к Конвенции о международной гражданской авиации. Авиационная электросвязь. / Изд. 4-е. - ИКАО - 2007 - 304 с.

81. Дж.Ф. Уэйкерли Проектирование цифровых устройств, Том 1,2. М.: Постмаркет, 2002 - 544 с. (перевод с английского Е.В. Воронова, А.Л. Ларина).

82. Смит Дж. Сопряжение компьютеров с внешними устройствами: Пер. с англ. - М.: Мир, 2000.

83. М.Гук Аппаратные средства IBM PC. Энциклопедия, 2-е изд. - Питер,

2001.

84. M. Parker. Digital signal processing: everything you need to know to get started. [Текст] / M. Parker 2010 - 264 с.

85. F.P.G. Marquez, N. Zaman. Digital filters and signal processing. [Текст] / F.P.G. Marquez, N. Zaman 2013 - 307 с.

86. Новиков Ю.В. Основы цифровой схемотехники. Базовые элементы и схемы. Методы проектирования. - М.: Мир, 2001.

87. Степаненко И.П. Основы микроэлектроники. Учебное пособие для вузов. - 2-е изд., перераб. и доп. - М.: Лаборатория Базовых знаний, 2000.

88. Хорвиц П., Хилл У. Искусство схемотехники. Пер. с англ. 6-е изд. перераб. - М.: Мир, 2001.

89. Аш Ж. и др. Датчики измерительных систем. В 2-х книгах. Кн.1/Пер. с франц. - М.: Мир, 1992.

90. Афонин В.В. Моделирование систем: Учебно-практическое пособие / В.В. Афонин, С.А. Федосин. - М.: ИТУИТ, 2016. - 231 с.

91. Голубева Н.В. Математическое моделирование систем и процессов: Учебное пособие / Н.В. Голубева. - СПб.: Лань, 2013. - 192 с.

92. Абезгауз Г.Г., Тронь А.П., Копенкин Ю.Н., Коровина И.А. Справочник по вероятностным расчетам. - М.: Воениздат, 1970. - 536 с.

93. Хастингс Н., Пикок Дж. Справочник по статистическим распределениям Пер. с англ. А. К. Звонкина. — М.: Статистика, 1980. — 95 с.

ПРИЛОЖЕНИЕ А Копии актов внедрения результатов диссертационных исследований

УТВЕРЖДАЮ Директор ООО «СТЦ»

А. Г. Митянин 07_2015 г.

о внедрении результатов диссертационной работы Полторацкого Сергея Николаевича

Комиссия в составе: председателя - заместителя директора по оперативной работе - главного конструктора опытно-конструкторской работы (ОКР) «Алгоритмизация-1» - составная часть (СЧ) «Алгоритмизация» кандидата военных наук, старшего научного сотрудника А. В. Свердлова и членов комиссии - ведущего инженера кандидата технических наук, старшего научного сотрудника Ю. Н. Поздеева и ответственного исполнителя СЧ ОКР научного сотрудника кандидата технических наук, доцента, заслуженного изобретателя Российской Федерации С. Р. Малышева составила настоящий акт в том, что в ходе выполнения СЧ ОКР «Алгоритмизация» были реализованы результаты исследований С.Н. Полторацкого:

математическая модель устройства измерения амплитудно-временных и частотных параметров сигналов;

методы и алгоритмы селекции и статистической обработки амплитудно-временных и частотных параметров сигналов;

решения по аппаратно-программной реализации разработанных алгоритмов для обработки амплитудно-временных и частотных параметров сигналов.

Данные научно-технические результаты позволили повысить качество проектирования и эффективность применения комплекта технических средств обработки амплитудно-временных и частотных параметров сигналов, сократить затраты на проведение ОКР и натурных испытаний.

Данный акт не может служить основанием для финансовых расчетов между организациями.

Председатель комиссии: Члены комиссии:

А. В. Свердлов Ю. Н. Поздеев С. Р. Малышев

УТВЕРЖДАЮ

Генеральный директор

) «Термо-Решения»

Черных

АКТ

о внедрении результатов диссертационных исследований Полторацкого Сергея Николаевича

Комиссия в составе:

председателя - генерального директора H.A. Черных

члена комиссии - технического директора A.A. Черных

составила настоящий акт о том, что результаты диссертационных исследований Полторацкого Сергея Николаевича, а именно:

метод и аппаратно-ориентированный алгоритм выделения периодических последовательностей цифровых сигналов,

внедрены в систему тестирования и регулировки линий передачи цифровых сигналов связи.

При этом на базе ООО «Термо-Решения» были проведены опытно-промышленные испытания устройства, реализующего вышеуказанный алгоритм, в ходе которых установлено, что устройство позволяет выделять периодические последовательности сигналов тестового оборудования на основе вычисления амплитудно-временных и частотных параметры сигналов.

Комиссия призн&за результаты испытаний удовлетворительными и считает, что данное устройство является перспективным по сравнению с известными и рекомендует использовать устройство при настройке и производстве оборудования тестирования коммуникационных линий.

Данный акт не может служить основанием для финансовых расчетов между организациями.

Председатель комиссии: Член комиссии:

В ходе экспериментальной отработки установлено, что устройство позволяет измерять следующие амплитудно-временные и частотные параметры сигналов на промежуточной частоте 375 МГц в диапазоне от 0,1 до 1,8 В:

- амплитуды импульсов в пределах разрядности АЦП (12 разрядов);

- времени прихода импульсов с точностью до 0,1 мкс;

-длительности импульсов до 1000 мкс;

- периода следования импульсов до 100000 мкс.

Комиссия признала результаты испытаний удовлетворительными и считает, что данное устройство является перспективным по сравнению с известными и рекомендует использовать устройство в составе изделия, разрабатываемого в ОКР «Вакансия».

Председатель комиссии: Члены комиссии:

И.А. Бырков С.А. Мишин И.Н. Оков

УТВЕРЖДАЮ Проректор по учебной работе Юго-Западного государственного

Локтионова О.Г. 2018г.

об использовании результатов диссертационной работы на соискание ученой степени кандидата технических наук Полторацкого Сергея Николаевича

Мы. ниже подписавшиеся, начальник учебно-методического управления, к.х.н., доцент Протасов В.В.. профессор кафедры вычислительной техники, д.т.н., доцент Чернецкая И.Е.. доцент кафедры вычислительной техники, к.т.н. Панищев B.C. составили настоящий акт о том. что результаты диссертационной работы Полторацкого С.Н. внедрены в учебный процесс по направлению подготовки 09.03.01 «Информатика и вычислительная техника», а именно:

в курсе лекций по дисциплине «Основы построения систем цифровой

обработки сигналов» используются разделы диссертационной работы, связанные с рассмотрением методов, алгоритмов и средств обработки цифровых сигналов;

- при проведении занятий по дисциплине «Микропроцессорные системы в системах передачи и обработки данных» используются разделы диссертационной работы, связанные с разработкой алгоритма и устройства выделения последовательностей цифровых сигналов.

Начальник УМУ к.х.н.. доцент

В.В. Протасов

Профессор кафедры ВТ д.т.н.. доцент

И.Е. Чернецкая

Доцент кафедры ВТ к.т.н.

B.C. Панищев

ПРИЛОЖЕНИЕ Б Копии патентов на изобретения и свидетельств о государственной регистрации программ для ЭВМ

Автор(ы): Дурнее Сергеи Леонидович (1Ш), Полторацкий Сергей Николаевич (Ш!)

РОССИЙСКАЯ ФЕДЕРАЦИЯ

RU2017661906

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации

(свидетельства):

2017661906

Дата регистрации: 25.10.2017

Номер и дата поступления заявки: 2017618835 01.09.2017

Дата публикации: 25.10.2017

Авторы:

Полторацкий Сергей Николаевич (1*и), Бартенев Александр Александрович (К11), Глазунов Андреи Алексеевич (1Ш)

Правообладатель:

Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации (1Щ

Контактные реквизиты: ист

Название программы для ЭВМ:

ПРОГРАММА ГРАФИЧЕСКОГО ОТОБРАЖЕНИЯ СТАТИСТИЧЕСКИХ РАСПРЕДЕЛЕНИЙ ПАРАМЕТРОВ ИМПУЛЬСНЫХ СИГНАЛОВ В ВИДЕ ЧАСТОТОГРАММ И ГИСТОГРАММ

Реферат:

Программа применяется в радиотехнике и предназначена для вычисления параметров импульсных сигналов па основании методов статистической обработки с помощью частотограмм и гистограмм. Частотограммы позволяют проанализировать входную случайную последовательность и интерпретировать изменчивость процесса с помощью динамически настраиваемых фильтров. Еистограммы позволяют получить эмпирическую оценку плотности распределения случайной величины. Результат - интерактивная графическая модель, с помощью которой производится статистическая оценка случайной величины и выборка наиболее значимых мод.

Тип реализующей ЭВМ: IBM PC - совмест. ПК Язык программирования: С++

Вид и версия операционной системы: Windows, Linux Объем программы для ЭВМ: 40 Кб

РОССИЙСКАЯ ФЕДЕРАЦИЯ RU2017661910

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): 2017661910

Дата регистрации: 25.10.2017

Номер и дата поступления заявки: 2017618839 01.09.2017

Дата публикации: 25.10.2017

Контактные реквизиты: нет

Название программы для ЭВМ:

ПРОГРАММА МНОГОКАНАЛЬНОГО СЕТЕВОГО ОСЦИЛЛОГРАФА И СПЕКТРОАНАЛИЗАТОРА

Реферат:

Программа используется в радиотехнике и предназначена для наблюдения амплитудных, временных и частотных параметров сигналов на выходах антенно-приемного тракта.

Тип реализующей ЭВМ: IBM PC - совмест. ПК

Язык программирования: С++

Вид и версия операционной системы: Windows, Linux

Авторы:

Полторацкий Сергей Николаевич (1Ш), Котенко Сергей Владимирович (1Ш), Глазунов Андрей Алексеевич (1Ш)

Правообладатель:

Российская Федерация, от имени которой выступает Министерство обороны Российской Федерации (ЬШ)

Объем программы для ЭВМ: 84 Кб

ПРИЛОЖЕНИЕ В Программная реализация алгоритма выделения периодических последовательностей цифровых сигналов

#include <math.h> #include <stdio.h> #include <QObject> #include <QSet> #define MAX_STROB 250

typedef struct { quint32 number, volume; double minX, minY, maxX, maxY; }TStrobDouble;

qint32 comparePPI(const void *ppi1, const void *ppi2);

class Selection : public QObject { Q_OBJECT

public: Selection();

~Selection(){if (iStrob) delete [] iStrob;}

qint16 select(double* aComeTime, uchar *aMaskStrob, ulong aSizeOfPotok,

qint16 aSelCount, uchar aMarkForSelect); void strobs(TStrobDouble* aStrobs) {if (SelectionCount) memcpy(aStrobs, iStrob, sizeof(TStrobDouble)*SelectionCount);}

Selection& setMaxVobPeriod(qint32 aMaxVobPeriod) {MaxVobPeriod=aMaxVobPeriod; return *this;}

Selection& setPoroghist(qint32 aPoroghist){Poroghist=aPoroghist; return *this;} Selection& setPorogPR(qint32 aPorogPR){PorogPR=aPorogPR; return *this;} Selection& setPorogMask(qint32 aPorogMask){PorogMask=aPorogMask; return *this;} Selection& setMaxTarget(qint32 aMaxTarget){MaxTarget=aMaxTarget; return *this;} Selection& setDelta(double aDelta){Delta=aDelta; return *this;}

Selection& setMaxWorkTime(qint32 aMaxWorkTime){MaxWorkTime=aMaxWorkTime; return *this;}

Selection& setMinImpInTarget(qint32 aMinlmplnTarget) {MinImpInTarget=aMinImpInTarget; return *this;}

struct hist

{

double Value;

qint32 CountT_2T;

};

private:

qint16 select2p();

void InitParameters(uchar aMarkForSelect); void Build_PPI(); void Build_histPPI();

void Sort_histPPI(ulong Left, ulong Right); qint32 FindSequence();

qint32 MaskSequence(qint16 aSelectionCount); void CheckVobPeriodRepeat();

void AnalyseSequences(double* aComeTime, qint16 aSelCount, uchar *aMaskStrob);

struct StrobParam

{

double x1, y1, x2, y2; qint32 volumimp; uchar N, Nas; bool FirstImp, willReturn; } Strob[MAX_STROB+1];

struct hist *histPPI;

QSet<quint16> BadTarget; uchar MarkRight;

qint32 Poroghist, PorogPR, PorogMask, MaxTarget, MaxVobPeriod, MaxSelCount,

MaxWorkTime, MinImpInTarget; double delta, Delta;

qint16 SelectionCount;

qint32 *NumberOfNextVPI, *NumberOfNextComeTime; ulong SizeAfterMasking, difflevel, maxhistnumber, curhist, Phase, SizeMask; double *VPI, *PPI, VobPeriod[MAX_STROB+1]; uchar *MaskUse;

TStrobDouble *iStrob;

};

Selection:: Selection() : QObject()

{

MarkRight=0;

Poroghist=PorogPR=PorogMask=0;

MaxTarget=MaxVobPeriod=MaxSelCount=MaxWorkTime=MinImpInTarget=0; delta=Delta=0.0;

NumberOfNextVPI=NumberOfNextC omeTime=0;

SizeAfterMasking=difflevel=maxhistnumber=curhist=Phase=SizeMask=0;

VPI=PPI=0;

MaskUse=0;

iStrob=0;

histPPI=0;

SelectionCount=0;

qint16 Selection::select(double* aComeTime, uchar* aMaskStrob, ulong aSizeOfPotok, qint16 aSelCount, uchar aMarkForSelect)

{

quint32 i,k;

InitParameters(aMarkF orSelect);

for(i=0;i<aSizeOfPotok;i++) if (aMaskStrob[i]==aMarkForSelect) SizeMask++;

SizeAfterMasking=SizeMask;

if (!(VPI = new double[SizeMask])) return 0;

if (!(PPI = new double[SizeMask])) return 0;

if (!(NumberOfNextVPI= new qint32[SizeMask])) return 0;

if (!(NumberOfNextComeTime= new qint32[SizeMask])) return 0;

if (!(histPPI= new hist[SizeMask])) return 0;

if (!(MaskUse= new uchar[SizeMask+1])) return 0;

for(i=0, k=0;i<aSizeOfPotok;i++)

if (aMaskStrob[i]==aMarkForSelect)

{

MaskUse[k]=MarkRight;

VPI[k]=aComeTime[i];

NumberOfNextComeTime[k++]=i;

}

for(i=0,k=0;i<=SizeAfterMasking-difflevel;k++) if (MaskUse[k]<=SelectionCount) continue; else NumberOfNextVPI[i++]=k;

select2p();

AnalyseSequences(aComeTime, aSelCount, aMaskStrob); delete [] histPPI; delete [] PPI; delete [] VPI;

delete [] NumberOfNextComeTime; delete [] NumberOfNextVPI; delete [] MaskUse; return SelectionCount;

}

qint16 Selection::select2p()

{

quint32 i, k;

bool WasPhase=false;

do{ Build_PPI(); Build_histPPI(); if (maxhistnumber==0) break;

qsort((void*)histPPI, maxhistnumber, sizeof(hist), comparePPI);

for(curhist=0; curhist<=maxhistnumber; curhist++)

if (hi stPPI[curhist] .CountT_2T>Poroghist)

{

delta=qMin(delta, histPPI[curhist].Value/2.0-0.2);

while((Phase=FindSequence())>0)

{

CheckVobPeriodRepeat(); for(i=0,k=0;i<=SizeAfterMasking-difflevel;k++) if (MaskUse[k]<=SelectionCount) continue; else NumberOfNextVPI[i++]=k;

WasPhase=true;

if (SelectionCount>=MaxSelCount) break;

}

delta=Delta;

if (WasPhase) {Phase=1; WasPhase=false; break;}

}

if (Phase>0) { difflevel=1; Phase=0; } else difflevel++;

}while((difflevel<SizeAfterMasking/PorogPR) && (SelectionCount<MaxSelCount));

return 0;

}

void Selection::Build_PPI()

{

quint32 i, k, n, j; double PPISum, Average; for(i=0,k=0;i<=SizeAfterMasking-difflevel;k++) if (MaskUse[k]<=SelectionCount) continue; else {

for(n=1,j=k; n<=difflevel;)

if (MaskUse[++j ])>SelectionCount) n++; PPI[i]=VPI[j] - VPI[k]; i++;

}

for(n=0, i=0;i<SizeAfterMasking-difflevel;i++) if (PPI[i]>MaxVobPeriod || PPI[i]<3) PPI[i]=0; else if (PPI[i]>0) {

PPISum=PPI[i]; j=1; for(k=i+1;k<SizeAfterMasking;k++) if ((PPI[k]>(PPI[i]-delta)) && (PPI[k]<(PPI[i]+delta))) { PPISum+=PPI[k]; j++; PPI[k]=0; }

PPI[n++]=PPISum/j;

}

if (n>0) maxhistnumber=n-1; else maxhistnumber=0;

void Selection::Build_histPPI()

{

quint32 imp, i, j, n, i_1, histT, hist2T; double t;

bool EndOfVPI=false, GetT=false;

for(j=0;j <=maxhistnumber;j++) {

histPPI[j].CountT_2T=0; histPPI[j] .Value=PPI[j];

for(imp=1; imp<SizeAfterMasking; imp++) {

GetT=false; n=imp;

i=NumberOfNextVPI[imp]; i_1=NumberOfNextVPI[imp-1]; t=VPI[i_1]+PPI[j]; while(VPI[i]<t-delta) if (++n>=SizeAfterMasking-difflevel) { EndOfVPI=true; break; } else i=NumberOfNextVPI[n];

if (EndOfVPI) { EndOfVPI=false; break; } if (VPI[i]<t+delta) GetT=true;

n=imp;

i=NumberOfNextVPI[imp]; t=VPI[i_1]+2*PPI[j]; while(VPI[i]<t-delta) if (++n>=SizeAfterMasking-difflevel) { EndOfVPI=true; break; } else i=NumberOfNextVPI[n];

if (EndOfVPI) { EndOfVPI=false; break; } if (VPI[i]<t+delta) if (GetT) histPPI[j].CountT_2T++;

}

}

}

void Selection::Sort_histPPI(ulong Left, ulong Right)

{

hist Tmp;

qint32 B=histPPI[(Left+Right)/2].CountT_2T; ulong i=Left, j=Right;

while(i<=j) {

while(histPPI[i].CountT_2T>B && i<maxhistnumber) i++; while(histPPI[j].CountT_2T<B && j>0) j--; if (i<=j) {

Tmp=histPPI[i]; histPPI[i]=histPPI[j];

histPPI[j]=Tmp; if (i<maxhistnumber) i++; if (j>0) j--;

}

}

if (Left<j) Sort_histPPI(Left, j); if (i<Right) Sort_histPPI(i, Right);

}

qint32 comparePPI(const void *ppi1, const void *ppi2)

{

Selection::hist *_ppi1 = (Selection::hist*)ppi1; Selection::hist *_ppi2 = (Selection::hist*)ppi2; return (_ppi2->CountT_2T - _ppi1->CountT_2T);

}

qint32 Selection::FindSequence()

{

ulong i, imp=0, count, n=0; double t;

bool NewImp=false;

while(1)

{

count=0; n=++imp;

i=NumberOfNextVPI[imp]; t=VPI[i]+histPPI[curhist].Value; while(VPI[i]<t-delta) if (++n>SizeAfterMasking-PorogPR+1) return 0; else i=NumberOfNextVPI[n];

if (VPI[i]>t+delta) continue; count++;

while(count<PorogPR)

{

t=VPI[i]+histPPI[curhist].Value; i=*(NumberOfNextVPI+ ++n); if (n>=SizeAfterMasking-1) return 0;

while(VPI[i]<t-delta) if (++n>=SizeAfterMasking-PorogPR+count+1) return 0; else i=NumberOfNextVPI[n]; if (VPI[i]>t+delta) { NewImp=true; break; } count++;

}

if (!NewImp) return imp; else NewImp=false;

}

qint32 Selection::MaskSequence(qint16 aSelectionCount)

{

qint32 MaskSymb=1, imp, i, i_1; qint16 FallingImpCount=0; double t;

bool EndOfVPI=false;

i=NumberOfNextVPI[Phase]; MaskUse [i]=aSelecti onCount;

i_1=NumberOfNextVPI[Phase]; i=NumberOfNextVPI[Phase+1]; t=VPI[i_1]+histPPI[curhist].Value;

for(imp=Phase+1; imp<SizeAfterMasking; ) {

while(VPI[i]<t-delta) if (++imp>=SizeAfterMasking) { EndOfVPI=true; break; } else i=NumberOfNextVPI[imp];

if (EndOfVPI) { EndOfVPI=false; break; }

if (VPI[i]<t+delta)

{

MaskUse[i]=aSelectionCount; MaskSymb++;

t=VPI[i]+histPPI[curhist] .Value; FallingImpCount=0;

}

else { t+=histPPI[curhist].Value;

if (++FallingImpCount>=PorogMask) break; }

if (++imp>=SizeAfterMasking) { EndOfVPI=false; break; } else i=NumberOfNextVPI[imp];

}

FallingImpCount=0;

i=NumberOfNextVPI[Phase-1]; t=VPI[i_1]-histPPI[curhist].Value;

for(imp=Phase- 1;imp>=0;) {

while(VPI[i]>t+delta) if (--imp<0) { EndOfVPI=true; break; } else i=NumberOfNextVPI[imp];

if (EndOfVPI) { EndOfVPI=false; break; }

if (VPI[i]>t-delta)

{

MaskUse[i]=aSelectionCount; MaskSymb++;

t=VPI[i]-histPPI[curhist].Value; FallingImpCount=0;

else { t-=histPPI[curhist].Value;

if (++FallingImpCount>=PorogMask) break; }

if (--imp<0) { EndOfVPI=false; break; } else i=NumberOfNextVPI[imp];

}

SizeAfterMasking-=MaskSymb; return MaskSymb;

}

void Selection::CheckVobPeriodRepeat()

{

const qint16 MaxLevel=10; quint32 i, j;

double CurVP=histPPI[curhist].Value; bool Repeat=false, CurVPisLess=false;

if (SelectionCount!=0)

for(i=1; i<=SelectionCount; i++) {

if (Repeat) break;

CurVPisLess=(CurVP<VobPeriod[i]); for(qint32 j=1;j <=MaxLevel;j++)

if ((CurVPisLess && (CurVP>VobPeriod[i]/j-delta) && (CurVP<VobPeriod[i]/j+delta)) || (!CurVPisLess && (VobPeriod[i]>CurVP/j-delta) && (VobPeriod[i]<CurVP/j+delta)) ) { Repeat=true; Strob[i].volumimp+=MaskSequence(i); if (VobPeriod[i]>CurVP) VobPeriod[i]=histPPI[curhist] .Value; break; }

}

if (!Repeat) {

S electi onCount++;

Strob[SelectionCount].volumimp=MaskSequence(SelectionCount); VobPeriod[SelectionCount]=histPPI[curhist].Value;

}

}

void Selection::InitParameters(uchar aMarkForSelect)

{

iStrob=0;

MaxSelCount=MAX_STROB; delta=Delta;

B adTarget.cl ear();

Phase=0;

difflevel=1;

SelectionCount=0;

SizeMask=0;

MarkRight=aMarkForSelect;