Методы обработки нестационарных сигналов, основанные на скрытых марковских моделях тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Королёв, Алексей Викторович

  • Королёв, Алексей Викторович
  • кандидат технических науккандидат технических наук
  • 2008, Нижний Новгород
  • Специальность ВАК РФ05.12.04
  • Количество страниц 185
Королёв, Алексей Викторович. Методы обработки нестационарных сигналов, основанные на скрытых марковских моделях: дис. кандидат технических наук: 05.12.04 - Радиотехника, в том числе системы и устройства телевидения. Нижний Новгород. 2008. 185 с.

Оглавление диссертации кандидат технических наук Королёв, Алексей Викторович

Введение

1. Обзор методов обработки скрытых марковских моделей

1.1. Определение скрытых марковских моделей

1.2. Постановка и методы решения основных задач СММ

1.3. Практическое использование СММ на примерах систем распознавания речи

2. Оценивание последовательности состояний для скрытых марковских моделей с неизвестным моментом появления скачка параметров

2.1. Обобщенный алгоритм Витерби для скачкообразно изменяющихся скрытых марковских моделей с дискретными наблюдениями

2.2. Обобщенный алгоритм Витерби для скачкообразно изменяющихся скрытых марковских моделей с непрерывными наблюдениями

2.3. Алгоритм оценивания последовательности состояний и момента появления скачка параметров для нестационарных скрытых марковских процессов

3. Оценивание скачкообразно изменяющихся параметров модели для нестационарных скрытых марковских процессов

3.1. Алгоритм оценивания изменяющихся параметров и времени скачка для скрытых марковских моделей с дискретнозначными наблюдениями

3.2. Алгоритм оценивания изменяющихся параметров и времени скачка для скрытых марковских моделей с непрерывными наблюдениями на фоне аддитивных гауссовых шумов

4. Практическое применение скрытых марковских моделей со скачкообразно изменяющимися параметрами 152 4.1. Скрытые Марковские модели в задачах оценивания характеристик канала связи без использования тренировочных последовательностей

Рекомендованный список диссертаций по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы обработки нестационарных сигналов, основанные на скрытых марковских моделях»

Актуальность диссертации и краткий обзор литературы. В технике, связи, радиолокации, технической диагностике и в ряде других разделов науки и техники существует целый ряд практически важных задач обработки и анализа структуры случайных сигналов, со скачкообразно изменяющейся структурой в случайные моменты времени. Подобные задачи имеют место, например, в системах связи при резком изменении уровня помех или случайных замираниях сигнала, в системах распознавания изменяющихся образов, в следящих системах сопровождения при маневрах цели. При диагностике сложных технических систем часто необходимо оценивать переменные, характеризующие состояние системы, и своевременно обнаруживать скачки параметров, приводящие к нарушению нормального режима работы. При этом, наблюдение за состояниями физических объектов происходит при действии шумов, а сами сигналы, несущие полезную информацию носят случайных характер.

В настоящее время одним из наиболее распространенных подходов к обработке случайных сигналов является аппарат теории оптимального оценивания сигналов, который базируется на методах теории случайных процессов и математической статистики. С развитием вычислительной техники возрос интерес к обработке дискретнозначных сигналов и появились перспективные методы статистической обработки сигналов, основанных на использовании дискретнозначных моделей случайных процессов, описываемых стохастическими уравнениями в дискретном времени. Среди них наибольшее распространение получили методы обработки сигналов, основанные на моделях описываемых дискретнозначными марковскими случайными процессами (марковскими цепями).

Основы теории оптимальной фильтрации случайных процессов были сформулированы в работах [1,2] . В работе [3] впервые была поставлена задача статистического синтеза оптимальных приемных устройств и дано решение классической проблемы обнаружения детерминированных сигналов на фоне помех. В дальнейшем теория оптимального приема сигналов получила свое развитие на основе исследований все более сложных видов случайных сигналов и помех и в связи с совершенствованием цифровой вычислительной техники, которая позволяет непосредственно реализовать синтезированные оптимальные алгоритмы обработки сигналов.

В ранних работах, посвященных оптимальному приему сигналов, сигналы и помехи предполагались стационарными и стационарно связанными случайными процессами. Однако условие стационарности не выполняется в большинстве практических задач. Провести оптимальное оценивание линейных нестационарных процессов позволил подход, предложенный в [4, 5]. При этом для математического описания случайных сигналов использовались переменные в пространстве состояний, удовлетворяющие некоторой априори известной системе линейных дифференциальных или разностных стохастических уравнений, правые части которых содержат возмущения типа белого шума. Модель наблюдаемого процесса в виде полезного сигнала на фоне аддитивного шума также предполагается известной. С применением данного подхода в [4,5] были найдены удобные для реализации на ЭВМ рекуррентные процедуры (фильтры Калмана-Бьюси) для оптимального оценивания линейных процессов с априорно известными законами изменения во времени их статистических характеристик. В работах [6-8] была разработана общая теория оптимальной нелинейной фильтрации марковских случайных процессов, которая в предположении гауссовости шумовых воздействий как частный случай включает в себя линейную теорию [4, 5]. Математическое рассмотрение проблем оптимальной нелинейной фильтрации дано в [9]. Более подробно вопросы применения марковской теории фильтрации к обработке радиосигналов исследованы в [10, 11]. Аппарат марковской теории нелинейной фильтрации позволяет эффективно решать задачи синтеза оптимальных систем обработки сложных нестационарных сигналов при действии разнообразных помех [12-25].

Наряду с методами теории оптимальной фильтрации, с начала 60-х годов XX века стали развиваться методы обработки марковских процессов с конечным числом состояний. В настоящее время в практических приложениях привлекают наибольшее внимание методы обработки скрытых марковских процессов. Скрытая марковская модель представляет собой конечный автомат (марковскую цепь), изменяющий свое состояние в дискретные моменты времени. Переход из состояния в состояние осуществляется случайным образом с определенной вероятностью. В каждый дискретный момент времени модель в соответствии с текущим состоянием и с определенной условной вероятностью наблюдений порождает вектор наблюдений. В первых работах по скрытым марковским процессам [26, 27] были сформулированы основы оценивания последовательностей состояний и анализа структуры наблюдений. В последующих работах были разработаны методы обработки скрытых марковских процессов для конкретных практических задач [28 - 29]. В настоящее время теория скрытых марковских процессов активно развивается, обширная литература посвящена рассмотрению более сложных моделей и разработке новых методов [32 - 38]. Скрытые марковские процессы являются основой для большинства современных систем распознавания речи и символов [28, 29, 39 - 42], они активно используются для распознавания образов в задачах компьютерного видения [43, 44], в задачах анализа микробиологических структур [45 - 47], в эконометрических задачах [48, 49]. Скрытые марковские процессы нашли широкое применение в сфере телекоммуникаций, они используются для декодирования данных и оценивания сигналов с учетом неизвестных характеристик каналов связи [50- 59]. Рассматривается возможность использования скрытых марковских процессов в задачах стохастического управления потоками передачи данных [60-61]

При этом, как при решении задач обработки скрытых марковских процессов, так и при решении задач оптимальной фильтрации сигналов обычно предполагается, что статистические характеристики информационных сигналов и структура наблюдений известны и постоянны во времени (стационарны) или же изменяются во времени (нестационарны), однако закон этого изменения заранее известен.

Вместе с тем в большинстве практических задач различные измерительные системы работают в условиях существенно нестационарной обстановки со скачкообразными изменениями параметров или импульсными возмущениями, возникающими в случайные заранее неизвестные моменты времени. Учет скачкообразных изменений параметров или импульсных возмущений сигналов, например, необходим в системах связи при резком изменении уровня помех или случайных замираниях сигнала, в системах распознавания изменяющихся образов, в следящих системах сопровождения при маневрах цели. При диагностике сложных технических систем часто необходимо оценивать переменные, характеризующие состояние системы, и своевременно обнаруживать скачки параметров, приводящие к нарушению нормального режима ее работы (отказу). Таким образом, можно сделать вывод об актуальности, рассматриваемых в диссертации методов обработки и анализа структуры случайных нестационарных сигналов в дискретном времени со скачкообразно изменяющимися параметрами.

Цель работы: Разработать и исследовать алгоритмы обработки сигналов для скрытых марковские моделей со случайным скачком параметров, которые бы позволяли, выбирая априорную статистку момента появления скачка, находить момент скачкообразного изменения параметров сигналов, оценивать последовательность скрытых состояний и вычислять параметры как для модели с дискретными наблюдениями, так и для модели с непрерывными наблюдениями на фоне аддитивных шумов. Задачи работы:

Получить уравнения алгоритма декодирования сигналов для скрытых марковских моделей, обобщающих алгоритм Витерби на случай скачкообразного изменения параметров в случайный момент времени для модели с дискретнозначными наблюдениями. С целью проверки работоспособности провести моделирование синтезированного алгоритма.

Получить уравнения обобщенного алгоритма Витерби для скрытых марковских моделей со случайным скачком параметров, который позволяет оценивать последовательность состояний по данным непрерывных наблюдений принимаемых на фоне аддитивных гауссовых шумов. Провести моделирование синтезированного алгоритма.

Разработать алгоритм интерполяции сигналов и оценивания момента появления скачка параметров для скрытых марковских моделей, со скачкообразным изменением параметра в случайный момент времени. Получить уравнения для оценки параметров скрытых марковских моделей, обобщающих алгоритм Баума-Уелша на случай скачкообразного изменения параметров модели в случайных момент времени с дискренозначными наблюдениями. Получить уравнения для оценки апостериорной вероятности момента появления скачка. Исследовать зависимость точности оценивания параметров модели от числа их последовательных корректировок. Исследовать зависимость точности оценивания параметров от момента появления скачка параметров. Исследовать работу алгоритма при условии малой вероятности скачка параметров.

Синтезировать алгоритм для оценки скачкообразно изменяющихся параметров скрытых марковских моделей для случая приема смеси наблюдаемой величины и аддитивного гауссовского шума. С целью проверки работоспособности провести моделирование алгоритма.

Научная новизна работы заключается в следующем:

1. Исследованы модели скрытых марковских процессов со скачкообразным изменением параметров модели в случайный момент времени и получены уравнения обобщенного алгоритма Витерби для оценивания последовательности скрытых состояний.

2. Для оценивания скрытых марковских процессов в обобщенной модели со скачкообразным изменением параметров был применен аппарат теории оптимальной нелинейной фильтрации сигналов, что позволило:

Разработать алгоритмы оптимального оценивания последовательности скрытых состояний и момента появления скачка параметров путем интерполяции, т.е. анализа данных всей последовательности наблюдений;

- Разработать алгоритмы оценивания параметров обобщенной марковской цепи до момента и после момента их случайного скачкообразного изменения как для случая приема дискретнозначных наблюдений, так и для случая приема смеси наблюдаемой величины и аддитивного гауссова шума. Практическая ценность.

Полученные алгоритмы могут существенно улучшить качество и расширить область применения скрытых марковских моделей в радиотехнических системах с существенно нестационарной обстановкой со случайными скачкообразными изменениями параметров. Например:

1. В системах связи при резком изменении уровня помех или случайных замираниях сигнала.

2. При случайном возникновении помех в системах распознавания речи и образов.

3. При диагностике сложных технических систем, где часто необходимо оценивать переменные, характеризующие состояние системы, и своевременно обнаруживать скачки параметров, приводящие к нарушению нормального режима ее работы.

Положения, выносимые на защиту

1. Алгоритм оценки состояний процесса позволяет по данным реализации наблюдений {ук,к = \,Т} и при известных параметрах модели отыскать оценку удовлетворяющую критерию максимума апостериорной вероятности хо = шах Р{%1 \ у[) для сигналов, описываемых скрытой марковской моделью, со скачкообразным изменением параметров в случайный момент времени.

2. Алгоритм интерполяции позволяет по данным реализации наблюдений {ук,к = \,Т} и при известных параметрах модели вычислять апостериорные вероятности Р(хк I у[ ) 5 Р(к = т | у1) состояний скачкообразно изменяющихся скрытых марковских моделей и момента их скачка.

3. Алгоритм оценки параметров позволяет по реализации наблюдений путем коррекции априорных значений параметров найти оценки условных вероятностей переходов и параметры распределения наблюдаемых величин, удовлетворяющих критерию локального максимума функции правдоподобия момента дискретного времени г, при котором происходит скачок параметров. шах а также вычислить оценку

Методы решения. При решении поставленных задач использовались методы теории оптимальной обработки сигналов, методы марковской теории нелинейной фильтрации случайных процессов [6-11], методы обработки скрытых марковских процессов [28-31], а также общие методы теории вероятностей и теории статистической радиотехники [62 - 71].

Краткий обзор содержания работы. Диссертация состоит из введения, четырех глав, заключения, библиографического списка и приложения.

Похожие диссертационные работы по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Королёв, Алексей Викторович

Основные результаты диссертации заключаются в следующем:

1. Получены уравнения обобщенного алгоритма Витерби для скачкообразно изменяющихся скрытых марковских моделей с дискретными наблюдениями. Проведено моделирование и исследование полученного алгоритма. Проведено сравнение точности оценивания полученного обобщенного алгоритма Витерби и необобщенного алгоритма Витерби в предположении, что момент скачка известен.

2. Получены уравнения обобщенного алгоритма Витерби для скачкообразно изменяющихся скрытых марковских моделей с непрерывными наблюдениями. Проведено численное моделирования полученного алгоритма.

3. Разработан алгоритм для нахождения оптимальных оценок последовательности скрытых состояний дискретнозначных марковских процессов со скачкообразно изменяющимися параметрами в неизвестный момент времени. Оптимальные оценки состояний марковских процессов и момента появления скачка параметров получены в результате интерполяции путем обработки всей последовательности наблюдений. Проведено моделирование полученного алгоритма для частного случая скачкообразного изменения матрицы переходов в случайный момент времени.

4. Получены уравнения алгоритма Баума-Уелша, для оценивания изменяющихся параметров и времени скачка для скрытых марковских моделей с дискретнозначными наблюдениями. Методами марковской теории оптимальной нелинейной фильтрации получены рекуррентные уравнения для нахождения условных вероятностей наблюдений и условных вероятностей переходов между состояниями до и после скачка параметров. Получены уравнения для вычисления апостериорных вероятностей моментов появления скачка параметров. Проведено моделирование и исследована точность формируемых оценок в зависимости от количества последовательных корректировок параметров. Исследована зависимость точности оценивания параметров от момента появления скачка параметров. Рассмотрен случай оценивания параметров при малой вероятности появления скачка.

5. Выведены уравнения алгоритма оценивания изменяющихся параметров и времени скачка для скрытых марковских моделей с непрерывными наблюдениями на фоне аддитивных гауссовых пгумов. Алгоритм позволяет по реализации наблюдений путем коррекции априорных значений параметров найти оценки условных вероятностей переходов и параметры распределения наблюдаемых величин, удовлетворяющих критерию локального максимума функции правдоподобия, а также вычислить оценку момента дискретного времени

6. Рассмотрен вопрос практического применения методов обрабоки скрытых марковских моделей в задачах оценивания характеристик канала связи без использования тренировочных последовательностей на примере GSM системы. Рассмотрены результаты влияния характера местности и соотношения сигнал шум на уровень битовых ошибок при приеме сигнала.

7. Проведено исследование точности оценивания параметров в зависимости от длины сегмента данных. Показано что, чем больше длительность наблюдаемой последовательности, тем точнее будет сформирована оценка параметров, тем ниже будет уровень битовых ошибок. При этом, увелечение размера сегмента приводит к ухудшению относительно временных изменений характеристик GSM канала.

Разработана схема оценивания характеристик канала связи и приема данных на базе скрытых марковских моделей со случайным скачкообразным изменением параметров, которая позволяет задействовать больший объем данных и при этом сохранить устойчивости относительно изменений временных характеристик канала передачи данных.

Таким образом, решены основные задачи обработки обобщенных нестационарных скрытых марковских моделей со случайным скачком параметров. Полученные алгоритмы позволяют выбирать априорную статистку момента появления скачка и находить момент скачкообразного изменения параметров, оценивать последовательность скрытых состояний и вычислять параметры как для модели с дискретными наблюдениями, так и для модели с непрерывными наблюдениями на фоне аддитивных гауссовых шумов. Результаты исследования алгоритма и компьютерное моделирование подтвердило работоспособность и высокую точность оценивания полученных алгоритмов, что позволяет применять их на практике. Изучена возможность применения полученных алгоритмов в практических задачах. Показано, что использование алгортимов обработки скрытых марковских моделей со случайными скачкообразными изменениями параметров в системах связи без использования тренировочных последовательностей позволяет улучшить качество приема и при этом обеспечить устойчивость относительно временных изменений характеристик канала связи.

Полученные алгоритмы могут значительно улучшить качество и расширить область применения скрытых марковских моделей в системах с существенно нестационарной обстановкой. В системах связи при резком изменении уровня помех или случайных замираниях сигнала. При случайном возникновении помех в системах распознавания речи и образов. При диагностике сложных технических систем, где часто необходимо оценивать переменные, характеризующие состояние системы, и своевременно обнаруживать скачки параметров, приводящие к нарушению нормального режима ее работы.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Королёв, Алексей Викторович, 2008 год

1. Колмогоров А.Н. Интерполирование и экстраполирование стационарных последовательностей. Изв. АН СССР. Сер. математ., 1941, № 5, 314 с.

2. Wiener N. Extrapolation, interpolation and smoothing of stationary time series with engineering applications. -N.Y.: Wiley, 1949 -162p.

3. Котельников В.А. Теория потенциальной помехоустойчивости. М.: Госэнергоиздат, 1956. - 152 с.

4. Kalman R.E, A new approach to linear filtering and prediction problem. // J. Basic Eng. ASME, ser. D, 1960, v.82, №1, p. 35-45.

5. Kalman R.E.,Busy R.S. New results in linear filtering and prediction theory. //J. Basic Eng. ASME, ser. D, 1961, v.8, №1, p.95-108

6. Стратонович P.Jl. К теории оптимальной нелинейной фильтрации случайных функций. //Теория вероятностей и ее применения, 1959, т. 4, вып. 2, с. 239-242.

7. Стратонович Р.Л. Применение теории марковских процессов для оптимальной фильтрации сигналов. //Радиотехника и электроника, 1960, т. 5, № 11, с. 1751-1763.

8. Стратонович Р.Л. Условные марковские процессы и их применение к теории оптимального управления. М. : МГУ, 1966. - 319 с.

9. Липцер Р.Ш. , Ширяев А.Н. Статистика случайных процессов (нелинейная фильтрация и смежные вопросы). М.: Наука, 1974. - 696 с.

10. Ю.Тихонов В.И., Харисов В.Н. Статистический анализ и синтез радиотехнических устройств и систем. М.: Радио и связь, 2004. - 436 с.

11. Ярлыков М.С. Применение марковской теории нелинейной фильтрации в радиотехнике. М. : Сов. радио, 1980. -360 с.

12. Ван Трис Г. Теория обнаружения, оценок и модуляции. В 3 -х т. / Пер. с англ. под ред. В.И.Тихонова. М.: Сов. радио, 1972. Т. I - 744 с.

13. Левин Б.Р. Теоретические основы статистической радиотехники. В 3-х кн. М.: Сов, радио, 1975. Кн. 2 - 392 е.; 1976. Кн. 3. - 288 с.

14. И.Куликов Е.И., Трифонов А.П. Оценка параметров сигналов на фоне помех. М.: Сов. радио, 1978. - 296 с.

15. Сосулин Ю.Г. Теория обнаружения и оценивания стохастических сигналов. М.: Сов. радио, 1978. - 320 с.

16. Бакут П.А., Жулина Ю.В., Иванчук H.A. Обнаружение движущихся объектов / Под ред. П.А-Бакута. М.: Сов. радио, 1980. - 288 с.

17. Тихонов В.И. Оптимальный прием сигналов. М.: Радио и связь, 1983. - 320с.

18. Теория обнаружения сигналов / П.С.Акимов, П.А.Бакут, В.А.Богданович и др. Под ред. П.А.Бакута. М.: Радио и связь, 1984. -440 с.

19. Фильтрация и стохастическое управление в динамических системах / Под ред. К. Т. Леондеса. Пер. с англ. М.: Мир, 1980. - 408 с.

20. Тихонов В.И., Степанов A.C. Совместная фильтрация непрерывных: и дискретных марковских процессов. // Радиотехника и электроника, 1973, т. 18, №7, с. 1376-1383.

21. Миронов М.А., Смирнов В.А., Харисов В.Н. Оптимальная фильтрация квантованных по времени непрерывных сигналов. //Радиотехника и электроника, 1980, т. 25, № И, с. 2349-2365.

22. Силаев A.M. Алгоритм оптимального оценивания состояния динамической системы при пуассоновском потоке импульсных возмущений. // Радиотехника и электроника, 1996, т 41, №3, с. 322-327.

23. Ванжа A.B., Мальцев A.A., Силаев A.M. Оптимальное оценивание в дискретном времени момента появления импульсного возмущения в случайном сигнале. // Изв. вузов Радиофизика, 1993, т. 36, № 6, с. 498-510.

24. Польдин О.В., Силаев A.M. Исследование алгоритмов оценивания сигналов при потоке импульсных возмущений. // Известия вузов -Радиофизика. 2001. Т. 44. № 12. С. 1070 1076.

25. Мальцев А.А., Силаев A.M. Оптимальное обнаружение сигналов со случайными скачкообразными изменениями параметров. //Радиотехника и электроника. 1987. Т. 32. № 6. С. 1241 1250.

26. Baum, L.E. and Petrie, Т. Statistical inference for probabilistic functions of finite state Markov chains. //Ann. Math. Statist., 1966, V.37, pp. 1554 -1563.

27. Baum L.E., Petrie Т., Soules G., Weiss N., A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chains, //Ann. Math. Statist. 1970, V.41, pp. 164 171.

28. MacDonald I.L., Zucchini W., Hidden Markov and Other Models for Discrete-valued Time Series. CRC Press, 1997 p. 369.

29. Rabiner L. A tutorial on hidden Markov models and selected applications in speech recognition. // IEEE. Proc. 1989. V. 77. pp. 257 298.

30. Juang B.H., Rabiner L.R., A probabilistic distance measure for hidden Markov models. // AT&T Tech. Journal, V.64(2), pp. 391- 408, Feb. 1985

31. Juang B.H., Katagiri S., Discriminative learning for minimum error classification. // IEEE Trans. Signal Process. 1992, V. 12, pp. 3043 3054.

32. Robert, C. P., Rydhen, T. and Titterington, D. M. Bayesian inference in hidden Markov models through the reversible jump Markov chain Monte Carlo method. // J. R. Stat. Soc, Series B, 2000, V. 62, pp. 57-75.

33. Meeden G., Vardeman S. A Simple Hidden Markov Model for Bayesian Modeling with Time Dependent Data. // Communications in statistics, 2000, V. 29(8), pp. 1801 1826.

34. Kim N.S., Kim D.K., Filtering on Hidden Markov Models. //IEEE Trans. Signal Processing letters, V. 7(9), p. 253, Sep. 2000.

35. Giudici P., Ryden, T. Vandekerkhove P. Likelihood-Ratio Tests for Hidden Markov Models. // Biometrics, 56(3), p. 742, Sep. 2000.

36. Anderson B.D.O. From Wiener to Hidden Markov Models, // IEEE Control systems magazine., V. 19(3), p. 41, Jun. 1999.

37. Leroux B.,Maximum-likelihood estimation for hidden Markov models. // Stochastic processes and their applications, V. 40(1), Feb. 1992.

38. Dempster A. P., Laird N. M. and Rubin D. B. Maximum likelihood from incomplete data via the EM algorithm. // J. R. Stat. Soc. Series B., 1977, V. 39, pp 1 38.

39. Digalakis V., Rohlicek J. R. and Ostendorf M., ML estimation of a stochastic linear system with the EM algorithm and its application to speech recognition. // IEEE Trans. Speech Audio Process., V. 4, 1993, pp. 431-442.

40. Hu J., Brown M., Turin W., HMM Based On-Line Handwriting Recognition. // IEEE Tran. on Pattern Analysis and Machine Intelligence, V. 18(10), 1996, pp. 1039-1045

41. Mohamed M., Gader P., Handwritten Word Recognition Using Segmentation-Free Hidden Markov Modeling and Segmentation-Based Dynamic Programming Techniques. // IEEE Trans, on Pattern Analysis and Machine Intelligence, V. 18(5), pp. 548 554, May 1996.

42. Veltman S., Prasad R., Hidden Markov Models Applied to On-Line Handwritten Isolated Character Recognition. //IEEE Trans, on Image Processing, V. 3(3), pp. 314-318., May 1994.

43. Li J., Najmi A., Gray R.M., Image Classification by a Two-Dimensional Hidden Markov Model. // IEEE Trans, on Signal Processing, V. 48(2), p. 517, Feb. 2000.

44. Li J., Gray R. M., Olshen R. A., Multiresolution Image Classification by Hierarchical Modeling with Two-Dimensional Hidden Markov Models. // IEEE Trans, on Information Theory, V. 46(5), p. 1826, Aug. 2000.

45. Birney E., Hidden Markov models in biological sequence analyzing //IBM J. Res. & Dev. V.45(3/4) p. 449 Jul. 2001.

46. Muri F., Modelling Bacterial genomes using hidden Markov models. // Proceedings in Computational Statistics, 1998 (eds. R. W. Payne and P. J. Green), pp. 89 100.

47. Garcia-Frias J., Crespo P. M., Hidden Markov Models for Burst Error Characterization in Indoor Radio Channels. //IEEE Trans, on vehicular technology, V. 46(4), p. 1006, Nov. 1997.

48. Gregoir S., Lenglart F., Measuring the Probability of a Business Cycle Turning Point by Using a Multivariate Qualitative Hidden Markov Model. // Journal of forecasting, V. 19(2), p. 81, Mar 2000.

49. Ryden T., Terasvirta T., Asbrink S., Stylized Facts of Daily Return Series and the Hidden Markov Model. // Journal of applied econometrics, V.13(3), p. 217, May 1998.

50. Anton-Haro C., Fonollosa J., Fonollosa J. Blind Channel Estimation and Data Detection Using Hidden Markov Models. //IEEE Trans, on Signal processing, V. 45(1), pp. 241 246, Jan. 1997.

51. Gao F. Blind Channel Estimation for OFDM Systems via a Generalized Precoding // IEEE Trans, on Signal on vehicular technology, V. 56(3) pp. 1155-1164, May 2007

52. Meurer M., Lu Y., Weber T. Blind Channel Estimation for Time-slotted Code Division Multiple Access Mobile Radio Systems // IEEE 7-th Int. Symp. on Spread-Spectrum Tech. & Appl., pp. 49 54, June 2002

53. Proakis J. G., and C. L. Nikias, Blind equalization. //Proc. SPIE Adaptive Signal Processing, vol. 1565, pp. 76-87, 1991

54. Shynk J., et al.,A comparative performance study of several blind equalization algorithm // Proc. SPIE Adaptive Signal Processing, vol. 1565, pp. 102-117., 1991

55. Mendel J. M., Tutorial on higher-order statistics (Spectra) in signal processing and system theory: Theoretical results and some applications //Proc. IEEE, vol. 79(3), pp. 277-305, Mar. 1991.

56. Ghosh M., Weber С. L., Maximum likelihood blind equalization, //Proc. SPIE Adaptive Signal Processing, vol. 1565, pp. 188-195. 1991

57. Fonollosa J. A. R., Vidal J., Application of hidden Markov models to blind channel characterization and data detection //Proc. IEEE Int. Conf. Acoust. Speech Signal Procesisng, Australia, pp. 185-188., Apr. 1994

58. Murota H., Hirade K., GMSK modulation for mobile radio telephony, // IEEE Trans. Commun, vol. COM-29(7), pp. 1044-1050, July 1981.

59. Steele R., Mobile Radio Communications. Pentech, London, U.K. 1992, pp. 677-768.

60. Миллер Б.М. Степанян K.B. Оптимизация потока передачи данных в TCP/IP методами теории стохастического управления // Информационые процессы. Электронный научный журнал, 2004, Т 4. -№2.-С. 133-140.

61. Миллер Б.М. Авраченков К.Е. Степанян К.В. Миллер Г.Б. Задача оптимального стохастического упраления потоком данных по неполной информации // Пробл. передачи информ., 2005, Т. 41. - №2. -С. 89-110

62. Малахов А.Н. Кумулянтный анализ негауссовых случайных процессов и их преобразований. М.: Сов. радио, 1978. - 376 с.

63. Ахманов С.А., Дьяков Ю.Е., Чиркин А.С. Введение в статистическую радиофизику и оптику. М.: Наука, 1981. -640 с.

64. Тихонов В.И., Миронов М.А. Марковские процессы. М.: Сов. радио, 1977. - 488 с.

65. Тихонов В. И. Статистическая радиотехника. М.: Радио и связь, 1982. - 624 с.

66. Рытов С.М., Кравцов Ю.А., Татарский В.И. Введение в статистическую радиофизику, ч.2. Случайные поля. М.: Наука, 1978. - 464 с.

67. Андерсон Т. Статистический анализ временных рядов / Пер. с англ. под ред. Ю.К. Беляева. М.: Мир, 1976. - 756 с.

68. Прокис Д. Цифровая связь /Пер. с англ. под ред. Д.Д. Кловского М.: Радио и связь, 2000. - 797с.

69. Forney G.D.Jr., "The Viterbi Algorithm", //Proc. of the IEEE, Vol. 61, No. 3, March 1973, pp. 268-278.

70. Forney G.D. Jr., "Maximum-Likelihood Sequence Estimation Of Digital Sequences In The Presence Of Intersymbol Interference", //IEEE Trans, on Information Technology, Vol. 18, No. 3, pp. 363-378, 1972

71. A. J. Viterbi and J. K. Omura, Principles of Digital Communication and Coding. New York: McGraw-Hill, 1979

72. Baum L. E., Petre T. , Statistical inference for probabilistic functions of finite state Markov chains. // Ann. Math. Stat, V. 37, p. 1554-1563, 1966.

73. Baum L. E., Egon J. A., An inequality with applications to statistical estimations for probabilistic functions of a Markov process and to a model ecology. //Amer. Meteorol. Soc., V73, p. 360-363, 1967

74. Baum L. E., Sell G. R., Growth functions for transformations of manifolds. // Pac.J. Math, V27(2), p. 211-225, 1968

75. Baum L. E., Petrie Т., Soules G., Weiss N., A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chains. //Ann. Math. Stat., V41(l),p. 164-171, 1970

76. Baker J. K., The dragon system an overview. // IEEE Trans. Accoust. Speech Signal Processing, V23(l), p. 24-29, 1975

77. Jelinek F., A fast sequential decoding algorithm using a stack. //IBM J. Res. Develop. VI3 p. 675-685, 1969

78. Королев A.B., Силаев A.M. Алгоритм оптимального оценивания моментов появления импульсных сигналов в дискретном времени. // Изв. вузов Радиофизика. 2002. Т. 45. № 3. С. 254 - 262.

79. Королев А.В., Силаев А.М Оценивание марковских последовательностей со скачкообразным изменением параметров методом интерполяции. // Изв. вузов Радиофизика. 2005. Т.48. № 7. С. 620-629.

80. Королев A.B., Силаев A.M. Алгоритм оценки состояний и времени скачка параметров в модели нестационарных скрытых марковских процессов. // Тезисы докладов восьмой научной конференции по радиофизике". Н.Новгород, ННГУ, 2004, С. 152-153.

81. Королев A.B., Силаев А.М Алгоритм Витерби для моделей скрытых марковских процессов с неизвестным моментом появления скачка параметров. // Изв. вузов Радиофизика. 2005. Т.48. № 4. С. 358-366.

82. Королев A.B., Силаев А.М Оценивание марковских последовательностей со скачкообразным изменением параметров методом интерполяции. //Изв. вузов Радиофизика. 2005. Т.48. № 7. С. 620-629.

83. Королев A.B., Семашко A.B. Алгоритм оценивания скачкообразно изменяющихся параметров скрытых марковских моделей. //Тезисы докладов международной научно-технической конференции «Информационные системы и технологии (ИСТ-2006)». Н.Новгород, 2006, С.39

84. Семашко A.B., Королев A.B. Оценивание скачкообразно изменяющихся параметров в модели нестационарных скрытых марковских процессов. //Труды НГТУ. 2007. Т. 65. № 14. С.21-24.

85. Семашко A.B., Королев A.B. Оценивание скачкообразно изменяющихся параметров в модели нестационарных скрытых марковских процессов. // Информация и космос. С.Петербург, - 2008, №3 - с.10-16.

86. УТВЕРЖДАЮ: ьный директор ОАО «ПКБ»1. Гурбич В.Г. 2009

87. В.Д. Ястребов А.Г. Тихонычев A.C. Волчков1. УТВЕРЖДАЮ1. AIvx

88. Использования результатов диссертационной работы Королева A.B. по теме «Методы обработки нестационарных сигналов, основанные на скрытыхмарковских моделях»

89. Палочкин Ю.П. Бармак B.C. Кириллов В.К.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.