Модель и алгоритмы обработки и анализа одномерных сигналов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Поляков Игорь Владимирович

• Поляков Игорь Владимирович
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Поляков Игорь Владимирович

Введение

Глава 1. Основные методы распознавания одномерных сигналов. Постановка задачи

1.1 Современные тенденции к построению систем распознавания

1.2 Структура системы распознавания образов

1.3 Предварительная обработка сигнала

1.3.1 Цифровая фильтрация сигнала

1.3.2 Обработка сигнала в окне

1.3.3 Выбор оконной функции

1.4 Формирование признакового описания сигнала

1.4.1 Мэл-частотные кепстральные коэффициенты

1.4.2 Спектрограмма

1.4.3 Вейвлет-преобразование

1.5 Методы принятия решения

1.5.1 Классификаторы

1.5.1.1 Метод опорных векторов

1.5.1.2 Метод К-ближайших соседей

1.5.1.3 Искусственные нейронные сети

1.5.2 Машинное обучение. Ансамблевые методы

1.5.3 Гиперпараметры

1.6 Выбор способа реализации системы распознавания образов и постановка задачи

1.7 Выводы по главе

Глава 2. Модель обработки одномерного сигнала

2.1 Формирование спектрального представления одномерного сигнала с позиций ТАВ

2.2 Алгебра групп

2.3 Полные группы

2.4 Замкнутые группы

2.5 Выбор размерности признакового описания

2.6 Выводы по главе

Глава 3. Алгоритмы обработки и анализа одномерного сигнала

3.1 Алгоритм оценки длины сегмента одномерного сигнала

3.2 Алгоритмы формирования признакового описания сигнала

3.2.1 Алгоритм формирования признакового описания одномерного сигнала в виде гистограмм операторов, полных и замкнутых групп

3.2.2 Алгоритм формирования признакового описания одномерного сигнала в виде вектора после применения [/-преобразования

3.2.3 Алгоритм формирования признакового описания одномерного сигнала в виде матриц вероятностей переходов

3.3 Выбор систем признаков для описания сигналов

3.4 Выводы по главе

Глава 4. Вычислительный эксперимент

4.1 Распознавание изолированных речевых команд с применением гистограмм замкнутых групп

4.2 Оценка психоэмоционального состояния человека по голосу с применением гистограмм групп

4.3 Идентификация диктора по голосу с применением гистограмм групп

4.4 Вибрационная диагностика подшипника качения с применением матриц вероятностей переходов и гистограмм групп

4.5 Вибрационная диагностика подшипника качения с двойным применением фильтров и ансамблем классификаторов

4.6 Тестирование алгоритма оценки времени жизни подшипника качения

4.7 Устройство программно-аппаратного комплекса вибрационно-акустической диагностики

4.7.1 Аппаратная модель диагностики

4.7.2 Сборка и запуск виброанализатора

4.7.3 Запись экспериментальных данных и тестирование программно-аппаратного комплекса

4.8 Выводы по главе

Заключение

Введение

Введение диссертации (часть автореферата) на тему «Модель и алгоритмы обработки и анализа одномерных сигналов»

Актуальность работы

В настоящее время, с развитием науки и техники, возрастает сложность решаемых задач, что требует обработки и анализа различных видов информации, в частности одномерных сигналов [1]. Анализ таких сигналов производится в различных сферах деятельности человека. В качестве примера можно привести системы диагностики заболеваний по электрокардиограммам в медицине, диагностику состояния технических средств по вибрационному сигналу в промышленности, распознавание речи в системах голосовых команд и т. д. Такие системы можно рассматривать как системы распознавания одномерных сигналов.

На сегодняшний день количество алгоритмов обработки одномерных сигналов велико, однако задача разработки новых алгоритмов остается актуальной, ввиду разнообразия условий, в которых должно обеспечиваться применение.

С точки зрения системного анализа система распознавания (в широком смысле) является совокупностью трёх этапов: предварительная обработка, вычисление признаков и принятие решения [2].

Рассмотрим этапы системы распознавания образов и отметим недостатки существующих реализаций.

Этап предварительной обработки обычно заключается в фильтрации сигнала. Учитывая, что задача распознавания решается в условиях априорной неопределённости, т. е. неизвестно никакой информации о помехе, выбрать подходящий фильтр сложно.

Также одной из задач предварительной обработки является сегментация сигнала, т. е. деление временного интервала сигнала на подынтервалы. Многие работы не рассматривают длину сегмента как настраиваемый параметр, а задают его до эксперимента, без изучения свойств сигнала.

На этапе формирования признакового описания сигнала используются временные, частотные и частотно-временные признаки. Временные признаки, вычисляемые по сигналу, обычно характеризуются низкой помехозащищённостью.

Частотные признаки обладают рядом недостатков, главными из которых являются: зависимость результата анализа от объема и длительности анализируемой выборки.

Основной недостаток частотно-временных признаков, обычно состоит в высокой вычислительной сложности, а также в сложности интерпретации полученных результатов.

Часто, при реализации этапа вычисления признаков используются искусственные нейронные сети (ИНС). ИНС обладает способностью к эффективной фильтрации шумов, адаптации к изменениям входных данных и высокой скоростью работы. Однако ИНС присущи некоторые проблемы: отсутствие возможности получения статистики процессов внутри модели, необходимость в большом количестве обучающих примеров, необходимость выполнения многоцикловой настройки внутренних элементов и связей между ними. Высокие вычислительные затраты на выполнение процедуры обучения требуют либо достаточно производительных ЭВМ, либо доступа к сетевым сервисам, к которым, из-за некоторых факторов, может не оказаться доступа, особенно при построении автономных систем. Существуют специализированные платы, предназначенные для аппаратного ускорения работы таких алгоритмов - ускорители нейронный сетей, однако они не имеют широкой доступности. Сложность алгоритмов вывода ИНС не всегда позволяет их реализовать в универсальных микроконтроллерах и программируемых логических интегральных схемах (ПЛИС), вследствие особенностей программирования, а при квантизации моделей ИНС, для более компактного хранения, снижается их точность.

Для решения указанных проблем реализации систем распознавания, на первых двух этапах предлагается использовать модель обработки одномерного сигнала, основанную на теории активного восприятия (ТАВ) профессора

6

В. А. Утробина, позволяющую решить задачу выбора длины сигнала и сформировать системы признаков, алгоритмы вычисления которых имеют низкую вычислительную сложность и не требуют обучения [3].

Вклад в развитие внесли теории распознавания образов внесли Ю. И. Журавлёв, Н. Г. Загоруйко, В. Б. Кудрявцев, А. Л. Ронжин, А. А. Карпов, В. М. Хачумов, А. А. Харламов, В. В. Моттль, В. А. Утробин, В. А. Антонец, В. Г. Яхно и др.

Объект исследования

Одномерный сигнал

Предмет исследования

Модель и алгоритмы обработки и анализа одномерных сигналов, использующиеся при решении прикладных задач распознавания одномерных сигналов.

Цель работы

Разработка и исследование алгоритмов предварительной обработки и формирования признакового описания одномерных сигналов для повышения точности работы систем распознавания одномерных сигналов

Для достижения поставленной цели были решены следующие задачи:

1. Обзор и анализ известных подходов к решению задач предварительной обработки сигнала, формированию признакового описания одномерного сигнала.

2. Обзор и анализ прикладных задач распознавания одномерных сигналов.

3. Разработка модели обработки одномерного сигнала с позиций теории активного восприятия.

4. Разработка алгоритма выбора длины сегмента сигнала.

5. Разработка алгоритмов формирования признакового описания одномерного сигнала.

6. Разработка программного обеспечения для решения прикладных задач распознавания одномерных сигналов, включающего программные

7

реализации алгоритмов выбора длины сегмента одномерного сигнала и формирования признакового описания одномерного сигнала.

7. Экспериментальные исследования разработанного программного обеспечения.

Задачи

1. Обзор и анализ известных подходов к решению задач предварительной обработки сигнала и формирования признакового описания одномерного сигнала;

2. Обзор и анализ прикладных задач распознавания одномерных сигналов;

3. Разработка модели обработки одномерного сигнала с позиций теории активного восприятия;

4. Разработка алгоритма выбора длины сегмента сигнала;

5. Разработка алгоритмов формирования признакового описания одномерного сигнала;

6. Разработка программного обеспечения для решения прикладных задач распознавания одномерных сигналов, включающего программные реализации алгоритмов выбора длины сегмента одномерного сигнала и формирования признакового описания одномерного сигнала;

7. Экспериментальные исследования разработанного программного обеспечения.

В процессе решения задач были использованы труды Аркадьева А. Г., Бравермана Э. М., Бонгарда М. М., Горелика А. Л., Скрипкина В. А., Утро-бина В. А., Фомина Я. А., Журавлева Ю. И., Рязанова В. В., Сенько О. В.

Методы, используемые при написании работы

В работе использованы методы цифровой обработки сигналов, теории вероятностей и математической статистики, машинного обучения.

Соответствие диссертации паспорту специальности

Область исследования диссертационной работы соответствует указанным в паспорте специальности 05.13.01 «Системный анализ, управление и

8

обработка информации (в науке и промышленности)» (технические науки) пунктам:

- п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации»;

- п. 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации»;

Научная новизна

1. Модель обработки одномерного сигнала с позиций теории активного восприятия, позволяющая вычислять признаки одномерного сигнала без реализации этапа обучения.

В рамках предложенной модели разработаны алгоритмы:

2. Алгоритм оценки длины сегмента сигнала, применяющийся на этапе предварительной обработки набора данных системы распознавания образов, позволяющий выбирать длину сегмента сигнала автоматически, отличающийся использованием вычисления отношений между структурными элементами сигнала.

3. Алгоритмы:

- алгоритм формирования признакового описания сигнала в виде гистограмм операторов, полных и замкнутых групп, позволяющий сократить размерность признакового описания сигнала, повысить показатели точности работы системы, отличающийся возможностью использования нескольких уровней описания.

- алгоритм формирования признакового описания сигнала в виде матриц вероятностей переходов между операторами, полными и замкнутыми группами, использующий в своей основе теорию активного восприятия, позволяющий повысить показатели точности работы системы распознавания, отличающийся учетом связей между соседними сегментами сигнала.

- алгоритм формирования признакового описания сигнала в виде вектора, формируемого после применения [/-преобразования к гистограммам

9

полных (замкнутых) групп, позволяющий сократить размерность признакового описания.

Практическая значимость

На основе предложенной модели обработки одномерного сигнала разработано алгоритмическое обеспечение, позволяющее решать задачи выбора длины сегмента сигнала для обработки, а также формирования признакового описания одномерного сигнала. Предложенная модель и алгоритмы обработки сигналов являются универсальным инструментом, допускающим применение к одномерным сигналам любой физической природы. Применение предложенных алгоритмов позволяет повысить точность систем распознавания, использующих одномерный сигнал в качестве входной информации. В работе на основе предложенных алгоритмов показаны примеры решения прикладных задач распознавания речевых команд, идентификации диктора по голосу, оценки эмоционального состояния диктора, вибрационной диагностики подшипников качения. Также описывается разработанный аппаратно-программный комплекс, позволяющий решать задачу вибродиагностики подшипников качения.

Реализация результатов исследований

Теоретические и практические решения, предложенные в диссертационной работе, нашли применение в следующих проектах

Грант. Тема: "Создание коллективного универсального спасательного средства нового типа с функцией беспилотного управления для эвакуации персонала в чрезвычайных ситуациях природного и техногенного характера на Арктическом шельфе". Заказчик: Министерство образования и науки Российской Федерации, соглашение 14.577.21.0105 от 16.09.2014. Идентификационный номер проекта: RFMEFI57714X0105. Срок выполнения: 2014-2016. ФЦП.

Грант. Тема: "Создание экспериментального образца амфибийного автономного транспортно технологического комплекса с интеллектуальной системой управления и навигации для круглогодичного проведения разведочно-бу-ровых работ на Арктическом шельфе". Заказчик: Министерство образования

и науки Российской Федерации, соглашение 14.577.21.0222 от 03.10.2016.

10

Идентификационный номер проекта: RFMEFI57716X0222. Срок выполнения: 2016-2018. Роль: исполнитель (НГТУ им. Р. Е. Алексеева). ФЦП.

ХД НИР. Тема: "Изучение спектра кардиографических отклонений у больных с нарушением регуляции глюкозы". Заказчик: ООО "КардиоКВАРК" (Российская Федерация, г. Москва). Роль: исполнитель (НГТУ им. Р. Е. Алексеева). Срок выполнения: 2016-2017. Регистрационный номер: АААА-А17-117092860072-5.

Разработанный программно-аппаратный комплекс зарегистрирован в Роспатент в виде «Устройство вибродиагностики подшипника качения», заявка N° 2016136434 от 09.09.2016, патент на полезную модель №2 174466 опубл. 16.10.2017, Бюл. № 29.

Основные положения, выносимые на защиту:

1. Модель обработки одномерного сигнала;

2. Алгоритм оценки длины сегмента одномерного сигнала;

3. Алгоритмы:

- алгоритм формирования признакового описания одномерного сигнала в виде матриц вероятностей переходов между операторами, полными и замкнутыми группами.

- алгоритм формирования признакового описания одномерного сигнала в виде гистограмм операторов, полных и замкнутых групп.

- алгоритм формирования признакового описания одномерного сигнала в виде вектора, формируемого после применения [/-преобразования к гистограммам полных (замкнутых) групп.

4. Результаты экспериментальных исследований.

Апробация работы

Представленная работа и отдельные её части докладывались и обсуждались на конференциях:

- 18-я Международная конференция «Цифровая обработка сигналов и её применение» (DSPA2016. Москва, Россия);

- «International Conference on Mechanical Engineering, Automation and Control Systems» (2016, Tomsk, Russian Federation);

- 19-я международная конференция «Цифровая обработка сигналов и её применение» (DSPA2017. Москва, Россия);

- 23-я международная научно-техническая конференция «Информационные системы и технологии» (ИСТ 2017, Нижний Новгород, Россия);

- XV Всероссийская научная конференция «Нейрокомпьютеры и их применение» (2017 г. Москва, Россия);

- XVI Всероссийская научная конференция «Нейрокомпьютеры и их применение» (2018г. Москва, Россия);

- XXIV Международная научно-техническая конференции «Информационные системы и технологии» (ИСТ-2018, Нижний Новгород, Россия);

- XXV Международная научно-техническая конференция «Информационные системы и технологии» (ИСТ-2019, Нижний Новгород, Россия);

- XX Всероссийская научная конференция «Нейрокомпьютеры и их применение» (2022 г. Москва, Россия).

Личный вклад автора

Провёден анализ известных подходов к решению задач предварительной обработки и формирования признакового описания одномерного сигнала. Модель обработки сигнала с позиций теории активного восприятия получена соискателем под научным руководством В. Е. Гая. Лично соискателю принадлежит алгоритм выбора длины сигнала, алгоритм формирования признакового описания сигнала в виде гистограмм операторов, полных и замкнутых групп, в виде вектора, формируемого после применения [/-преобразования к гистограммам полных (замкнутых) групп, алгоритм формирования признакового описания одномерного сигнала в виде матриц вероятностей переходов между операторами, полными и замкнутыми группами. Автором лично разработан аппаратно-программный комплекс вибрационной диагностики подшипников качения. Оформлен патент на полезную модель.

В работах, опубликованных в соавторстве с В. Е. Гаем, В. А. Утробиным, М. О. Дербасовым автору принадлежит анализ известных [4, 5] и разработка новой модели обработки одномерных сигналов [6, 7] и алгоритмов формирования признакового описания одномерного сигнала, а также их применение [6, 16] к задачам классификации речевых и музыкальных сигналов.

В работах, опубликованных в соавторстве с А. А. Кошуриной, Д. А. Лях-мановым, М. С. Крашенинниковым автору принадлежит [8, 9, 10] анализ применения предложенной модели и алгоритмов в решении задачи вибрационной диагностики технических объектов.

Патент на полезную модель № 174466 опубл. 16.10.2017, Бюл. № 29 оформлен совместно с В. Е. Гаем и В. А. Утробиным (представлен на Рисунке А.3 приложения А), личный вклад автора состоял в разработке алгоритмов и программного обеспечения системы вибрационной диагностики.

Публикации

По теме диссертации опубликовано 23 печатных работы, в том числе 7 статей, 3 из которых в журналах из перечня ВАК, 6 работ находятся в изданиях, индексируемых в WoS и SCOPUS, 1 учебное пособие, 1 полезная модель.

Структура и объем работы

Диссертация состоит из введения, четырех глав, заключения и списка литературы. Общий объем работы 127 страниц текста, содержащего 38 рисунков и 25 таблиц. Список литературы содержит 54 наименований.

Краткое содержание работы

Во введении обоснована актуальность темы, сформулированы цель и основные задачи исследования показаны научная новизна и практическая ценность работы, приведены основные положения, приводимые на защиту.

В первой главе производится аналитический обзор существующих методов обработки одномерного сигнала.

Во второй главе выполняется рассмотрение системы распознавания образов с точки зрения теории активного восприятия, выбираются необходимые

элементы для дальнейшего использования на одномерном сигнале,

13

предлагается способ оценки длины сегмента, обрабатываемого одномерного сигнала, а также производится выбор методов принятия решения, необходимых для третьего этапа системы распознавания.

В третьей главе исследуются известные системы признаков, на основе предложенных моделей разрабатывается модель системы распознавания образов.

В четвертой главе предоставлены практические эксперименты, сравнение получившихся результатов с результатами известных работ и представлена структура аппаратно-программного комплекса вибрационной диагностики.

В заключении сформулированы основные результаты, полученные в ходе выполнения представленной работы.

Глава 1. Основные методы распознавания одномерных сигналов. Постановка задачи

1.1 Современные тенденции к построению систем распознавания

Распознавание является способностью обнаруживать определенные объекты, явления и закономерности в потоке поступающей информации. Так, к примеру, люди и животные узнают знакомые вещи с помощью информации, приходящей через органы чувств - по визуальному изображению, по характерному звуку, по запаху, тактильно и т.д. Сама возможность распознавать объекты кроется в их схожих особенностях. При всем многообразии различных ситуаций, можно найти определенные сходства. Появляется понятие классификации, когда все объекты разделяются на определенные классы, в соответствии с определенными свойствами.

Из этого исходит задача распознавания - описание и классификация (узнавание, диагностика) объектов той или иной природы [4, 12], это задача выработки понятия о классе объектов. Другими словами, одной из задач распознавания является целесообразное разбиение заданной совокупности объектов на однородные классы. Объекты, принадлежащие одному классу, должны быть близки по некоторому критерию близости, в свою очередь достаточно отличаясь от объектов другого класса.

Таким образом, образ - это множество объектов класса, имеющих схожесть в определенном отношении. Распознавание образа объекта - определение, к какому образу (классу похожих объектов) он относится.

Примеры систем распознавания образов:

- Узнавание объектов. Узнавание объектов человеком по зрительным, звуковым сигналам и отнесение их к классу сходных объектов: «столы», «птицы», «буквы».

- Медицинская диагностика. В задаче медицинской диагностики образом является множество всех людей, страдающих определенным

15

заболеванием. На материале обследованных с верифицированным диагнозом требуется выработать решающее правило, позволяющее отнести очередного пациента к тому или иному образу.

- Техническая диагностика. Установление типа неисправности сложной технической системы является сложной задачей. Требуется найти решающее правило, позволяющее по набору тестов и косвенных признаков найти вид неисправности.

- Классификация в биологии. Систематика является самостоятельным разделом биологии, она непрерывно развивается. Иерархическое разбиение живых объектов на классы позволяет структурировать многообразие живого и дает возможность определять место и роль новых фактов.

- Классификация в социологии. Одна из задач социологического исследования той или иной группы населения: разделение её на однородные в каком-либо отношении подгруппы и выделение представителей в каждой из них.

- Классификация и диагностика ситуаций. Человек учится распознавать тип ситуации, в которой он находится и принимает соответствующее решение, предварительно заготовленное. Пример - распознавание диспетчером, управляющим некоторым технологическим процессом, производственных ситуаций. И т.д.

В течение достаточно продолжительного времени проблема распознавания образов привлекает внимание специалистов в области прикладной математики, а затем и информатики. В частности, можно отметить работы Р. Фишера [13], выполненные в 20-х годах и приведшие к формированию дискри-минантного анализа, как одного из разделов теории и практики распознавания образов. В 40-х годах А. Н. Колмогоровым и А. Я. Хинчиным поставлена задача о разделении смеси двух распределений. Наиболее плодотворными явились 50-60-е годы XX века. В это время на основе массы работ появилась теория статистических решений. В результате этого появления найдены алгоритмы, обеспечивающие отнесение нового объекта к одному из заданных

классов, что явилось началом планомерного научного поиска и практических

16

разработок. В рамках кибернетики начало формироваться новое научное направление, связанное с разработкой теоретических основ и практической реализации устройств, а затем и систем, предназначенных для распознавания объектов, явлений, процессов. Иными словами, появилась новая научная дисциплина, которая получила название «Распознавание образов». Несмотря на многолетние усилия исследователей задача распознавания изображений и одномерных сигналов остается не решенной до сих пор.

В рамках данной работы предлагается исследование и построение системы, решающей задачи распознавания, в условиях, когда входящий поток информации представляет из себя одномерный сигнал.

1.2 Структура системы распознавания образов

С позиций системного анализа структуру системы распознавания можно представить в виде трёх этапов (рисунок 1.1).

Результат

2-

преобразование

-^-преобразование-

Распознавание в узком смысле

-Распознавание в широком смысле

Рисунок 1.1 - Структура системы распознавания

Этап предварительной обработки обычно состоит в выполнении фильтрации сигнала, а также, в ряде случаев, в делении исходного сигнала на сегменты, по которым в дальнейшем вычисляются признаки.

Учитывая, что задача распознавания решается в условиях априорной неопределённости, т. е. неизвестно никакой информации о помехе, выбрать подходящий фильтр сложно. Также в известных работах, при делении сигнала на сегменты, а этот шаг необходим при анализе нестационарных сигналов, не решается задача выбора длины сегмента сигнала.

Этап формирования системы признаков. Проблема формирования системы признаков, связанная с выбором конечного множества признаков, обеспечивающих однозначность решения задачи классификации на этапе распознавания и отвечающая требованиям необходимости и достаточности. Этап выбора системы признаков необходим для сокращения размерности входного описания. Учитывая, что задача сокращения размерности - оптимизационная задача, то для её решения необходимо использование критерия информативности. Отсутствие модели априорной неопределённости и модели её раскрытия породило большое количество методов в выборе критерия информативности, что, в свою очередь, порождает большое число возможных вариантов признаков.

На этапе формирования исходного описания по сигналу определяются признаки:

1. Вычисляемые по временному представлению сигнала: фазовый портрет сигнала, параметры сигнала во временной области (пиковое значение, размах, среднеквадратическое значение, различные производные значения от данных параметров);

2. Вычисляемые по частотному представлению сигнала: спектр Фурье сигнала; спектр Фурье, огибающей сигнала; кепстр сигнала;

3. Вычисляемые по частотно-временному представлению сигнала: вейвлет спектр сигнала;

Временные признаки, вычисляемые по сигналу, обычно характеризуются низкой помехозащищённостью и отсутствием чётких границ для значений признаков. Недостатком фазового портрета сигнала является сложность

интерпретации полученных результатов.

18

Частотные признаки обладают рядом недостатков, главными из которых являются: зависимость результата анализа от объема и длительности анализируемой выборки, необходимость априорной информации о поведении сигнала до и после исследуемого отрезка; снижение достоверности результатов анализа при малых амплитудах полезного сигнала по сравнению с шумовой составляющей сигнала; значительные временные затраты на реализацию алгоритмов спектрального контроля. Известно применение для решения задач анализа сигналов преобразования Фурье. Однако, несмотря на популярность использования преобразования Фурье для частотного представления сигнала, известны его ограничения при формировании представления нестационарных сигналов.

Частотно-временные признаки. Основной недостаток частотно-временных признаков, обычно состоит в высокой вычислительной сложности, а также в сложности интерпретации полученных результатов.

Этап принятия решения. Этап принятия решения заключается в сравнении с имеющимся эталоном признакового описания анализируемого сигнала. Предполагается, что эталону соответствует компактное множество точек в системе признаков. Однако помехи, структурные изменения одного и того же представителя класса приводят к перекрытию классов. Поэтому проблема принятия решения замыкается на проблемы формирования системы признаков, позволяющей сформировать эталон, имеющий компактное представление.

На этапе принятия решения используются нейронные сети, метод опорных векторов, решающие деревья, метод ^-ближайших соседей [7].

При решении задачи распознавания, имеющиеся данные обычно делятся на обучающую, тестовую и контрольную выборки. Обучающая выборка используется для оценки параметров классификатора, тестовая и контрольная -для оценки обобщающих возможностей классификатора.

В жизненном цикле системы распознавания можно выделить два этапа: создание и эксплуатация.

На первом этапе формулируются цели системы распознавания, осуществляется постановка задачи распознавания для некоторой предметной области, выбираются способы реализации элементов системы распознавания, выполняется сбор данных для исследований.

Список литературы диссертационного исследования кандидат наук Поляков Игорь Владимирович, 2022 год

Список литературы

1 Журавлев Ю. И. Распознавание. Классификация. Прогноз. Математические методы и их применение. Вып.2. М.: Наука, 1989.

2 Ту Дж, Гонсалес Р. Принципы распознавания образов. М.: Мир, 1977

3 Утробин В. А. Физические интерпретации элементов алгебры изображения // Успехи физических наук. — Т. 174, № 10. — С. 1089-1104. (2004)

4 Гай В. Е., Утробин В. А., Лукьянчикова А. В., Поляков И. В. Распознавание изолированных речевых команд с позиций теории активного восприятия // Системы управления и информационные технологии, №3(61), 2015. - С. 7579

5 Гай В. Е., Поляков И. В. Идентификация диктора по голосу с позиций теории активного восприятия // Информация и безопасность, Т. 19, Вып. 4, 2016, С. 523-526

6 Гай В. Е., Пресняков И. А, Арабаджи М. И., Дербасов М. О., Викулова Е.Н., Поляков И. В. Анализ аудиозаписей с позиций теории активного восприятия // Труды Нижегородского государственного технического университет им. Р.Е. Алексеева, № 3 (118), 2017, С. 11-19

7 V. E. Gai, I. V. Polyakov Sound Identification Model in Terms of the Active Perception Theory // International Journal of Imaging and Robotics, Volume 16; Issue No. 3; Year 2016, pp. 51-63

8 V. E. Gai, M. S. Krasheninnikov, A. A. Koshurina, R. A. Dorofeev, I. V. Polyakov Method of monaural localization of the acoustic source direction from the standpoint of the active perception theory // Journal of Physics: Conference Series, V. 803, 2017, N. 1, P. 012043

9 V. E. Gai, V. A. Utrobin, N. V. Gai, I. V. Polyakov Computer Simulations of Association-Based Image Search Mechanisms Basing on Theory of Active Perception // Optical Memory and Neural Networks, Vol. 26, 2017, N. 1, pp. 77-86

10 Гай В. Е., Поляков И. В. Использование монаурального подхода в системах поиска направления на источник звука // Материалы Международной

научно-технической конференции INTERMATIC-2015, часть 5 (Москва, МИ-РЭА, 1-5 декабря 2015 г.), С. 183-185

11 Вл. Д. Мазуров. Математические методы распознавания образов. Уч. по-соб. 2-е изд., доп. и перераб. - Екатеринбург: Изд-во Урал, ун-та, 2010. - 101 с. УДК 004.93:51 М 139

12 Гай В. Е., Дербасов М. О., Андреева О. В., Поляков И. В. Модели и методы распознавания одномерных сигналов и изображений // Нижегород. гос. техн. ун-т. им. Р. Е. Алексеева. - Н. Новгород, 2019

13 Фишер Р. Статистические методы для исследователей // М.: Госстатиз-дат, 1958, c 267

14 А. С. Колоколов, "Предварительная обработка сигнала для распознавания речи", Автомат. и телемех., 2002, № 3, 160-168; Autom. Remote Control, 63:3 (2002), 494-501

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

16 Е. А. Первушин Обзор основных методов распознавания дикторов. Математические структуры и моделирование 2011, вып. 24, с. Омский государственный университет им. Ф.М. Достоевского.

17 [Электронный ресурс]. What is Feature Extraction. deepai.org. - URL: https://deepai.org/machine-learning-glossary-and-terms/feature-extraction (дата обращения: 26.05.2022).

18 [Электронный ресурс]. Мел-кепстральные коэффициенты и распознавание речи. URL: https://habr.com/ru/post/140828/ (дата обращения: 26.05.2022).

19 Marwala T., Vilakazi C. B. Computational intelligence for condition monitoring // arXiv preprint arXiv:0705.2604. — 2007.

20 Воронцов К. Лекции по методу опорных векторов // ВЦ РАН. — 2007

21 [Электронный ресурс]. K-nearest-neighbor / Scholarpedia. URL: http://scholarpedia.org/article/K-nearest_neighbor (дата обращения: 26.05.2021).

22 Rosenblatt, F. "The Perceptron: A Probabilistic Model For Information Storage And Organization in the Brain". Psychological Review. 65 (6): 386-408. 1958.

23 Ian Goodfellow and Yoshua Bengio and Aaron Courville (2016). Deep Learning. MIT Press.

24 Fukushima, K. "Neocognitron". 2007. Scholarpedia. 2 (1): 1717. doi: 10.4249/scholarpedia.1717

25 [Электронный ресурс]. Ансамбль методов в статистике и обучение машин. URL: https://ru.wikipe-dia.org/wiki/Ансамбль_методов_(обучение_машин) (дата обращения: 26.05.2021).

26 [Электронный ресурс]. Модель алгоритма и ее выбор. URL: http://neerc.ifmo.га/шМ/^ех^р?Ше=Модель_алгоритма_и_её_выбор (дата обращения: 26.05.2021).

27 V. E. Gai, V. A. Utrobin, N. V. Gai, I. V. Polyakov Modeling the associative search engine of images from positions of the theory of active perception // Optical Memory and Neural Networks, 2016

28 Филяков А. А., Поляков И. В. Метод локализации объектов на изображении на основе теории активного восприятия // Фундаментальные проблемы радиоэлектронного приборостроения, 2017, Т. 17, С. 1330-1333

29 Гай В. Е., Поляков И. В. Роль формы звукоулавливателя в моноуральной системе локализации источника звука // Материалы XXII международной научно-технической конференции "Информационные системы и технологии" ИСТ 2016, Нижний Новгород, 22 апреля, С. 102-103

30 Gai V. E., Andreeva O. V., Polyakov I. V. Depth Mapping Method Based on Stereo Pairs // Advances in Neural Computation, Machine Learning, and Cognitive Research III. NEUROINFORMATICS 2019. Studies in Computational Intelligence, vol 856. Springer, Cham, pp 303-308

31 Filyakov A. A., Gai V. E., Koshurina A. A., Krasheninnikov M. S., Derbasov M. O., Zhurba D. I., Polyakov I. V. Object detection in images from the perspective

of the active perception theory // International Journal of Imaging and Robotics. V. 18, Issue No. 2, 2018, pp. 64-73

32 Гай В. Е., Поляков И. В. Моноуральная система локализации источника звука // Сборник трудов XII Международной научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии». Томск, 12-14 ноября 2014 г. - Томск: Изд-во ТПУ. - Т. 1. С. 244-245

33 Гай В. Е., Утробин В. А., Поляков И. В. Система оценки психоэмоционального состояния диктора по голосу // Сложность. Разум. Постнеклассика. -2016 - №2 - С. 75-80

34 V. E. Gai, M. S. Krasheninnikov, A. A. Koshurina, I. V. Polyakov and R. A. Dorofeev Evaluation of the vehicle state with vibration-based diagnostics methods // International Conference on Mechanical Engineering, Automation and Control Systems 2016 27-29 October 2016, Tomsk, Russian Federation

35 Nelwamondo F V, Marwala T and Mahola U 2006 Int. J. of Innovative Computing, Information and Control 1281

36 Boldt F, Rauber T W and Varejao F M 2013 Proc. Int. Conf on Inteligencia Artificial e Computacional (Sao Carlos, SP, Brazil) p 213

37 Al-Raheem K. F. and Abdul-Karem W. Rolling bearing fault diagnostics using artificial neural networks based on Laplace wavelet analysis // International Journal of Engineering, Science and Technology. 2010. V. 2. № 6. P. 278-290.

38 Гай В. Е., Поляков И. В. Информационная модель системы прогнозирования состояния подшипников качения на основе анализа виброакустических сигналов // Материалы XVI Всероссийской научной конференция «Нейрокомпьютеры и их применение», 13 марта 2018 г. (г. Москва, Московский государственный психолого-педагогический университет), С. 171-172

39 Гай В. Е., Поляков И. В. Прогнозирование состояния подшипников качения на основе анализа виброакустических сигналов // Материалы XXIV Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2018, 20 апреля 2018 г. (г. Нижний Новгород,

124

Нижегородский государственный технический университет им. Р. E. Алексеева), С. 1121-1126

40 Кондратьев В.В., Утробин В.А., Макаров Н.Н., Гай В£. выявление дефектов подшипника качения с использованием системы признаков на основе теории активного восприятия. Информационно-измерительные и управляющие системы. 2015. Т. 13. № 3. с. 31,-36.

41 [Электронный ресурс]. Case Western Reserve University Bearing Data Center Website / CWRU. URL: http://csegroups.case.edu/bearingdatacenter/pages/wel-come-case-western-reserve-university-bearing-data-center-website (дата обращения: 02.06.2021).

42 Гай В. E., Поляков И. В., Баринов Р. О., Кузнецов Г. Д. Определение состояния подшипников качения с использованием двойного применения фильтров ТАВ и ансамбля классификаторов // Материалы XX Всероссийской научной конференция «Нейрокомпьютеры и их применение», 22 марта 2022 г. (г. Москва, Московский государственный психолого-педагогический университет), С. 186-187.

43 D. A. Liakhmanov, V. E. Gai and I. V. Polyakov A method of predicting the time of failure of a rolling bearing // MATEC Web Conf. Volume 224, 201S International Conference on Modern Trends in Manufacturing Technologies and Equipment (ICMTMTE 201S)

44 Гай В. E., Яковлев О. А., Родионов П. А., Поляков И. В. Об одном подходе к оценке остаточного ресурса подшипника качения по вибрационному сигналу // Материалы 18 Международной конференции «Цифровая обработка сигналов и её применение» DSPA-2016. - Москва, Россия (30 марта - 1 апреля 2016 г.), С. 101 - 102

45 Утробин В. А. Информационные модели системы зрительного восприятия для задач компьютерной обработки изображений // Нижний Новгород: НГТУ им. Р. E. Алексеева, 2001. С. 234.

46 Поляков И. В. Оценка остаточного ресурса ответственных узлов и механизмов транспортных средств с позиций теории активного восприятия //

125

Материалы XV Всероссийской научной конференция «Нейрокомпьютеры и их применение», 14 марта 2017 г. (г. Москва, Московский государственный психолого-педагогический университет), С. 97-98

47 [Электронный ресурс]. Набор данных. URL: http://www.femto-st. fr/en/Research-departments/AS2M/Research-groups/PHM/IEEE-PHM-2012-Data-challenge.php_(дата обращения: 26.05.2021)

48 T. Benkedjouh, K. Medjaher, N. Zerhouni, S. Rechak. Fault prognostic of bearings by using support vector data description // 2012 IEEE Conference on Prognostics and Health Management (2012)

49 E. Sutrisno; H. Oh; A. Sai Sarathi Vasan; M. Pecht. Estimation of remaining useful life of ball bearings using data driven methodologies // 2012 IEEE Conference on Prognostics and Health Management (PHM) (2012)

50 Гай В. Е., Поляков И. В. Устройство программно-аппаратного комплекса вибрационно-акустической диагностики состояния узлов и механизмов автотранспортных средств // Материалы XXVI Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2020, 24, 27, 28 апреля 2020 г. (г. Нижний Новгород, Нижегородский государственный технический университет им. Р. Е. Алексеева), С. 945-951

51 [Электронный ресурс]. Техническая спецификация ЦАП AD 7606. URL: https://www.analog.com/media/en/technical-documentation/data-sheets/ad7606_7606-6_7606-4.pdf (дата обращения: 26.05.2021)

52 Дербасов М. О., Поляков И. В. Постановка задачи диагностики состояния транспортного средства на основе анализа виброакустических сигналов // Материалы 19-й международной конференции «Цифровая обработка сигналов и её применение - DSPA-2017», Москва, 21-31 марта 2017 г., С. 162-165

53 Гай В. Е., Поляков И. В. Программно-аппаратный комплекс вибродиагностики состояния ответственных узлов и механизмов автотранспортных средств // Материалы XXV Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2019, 19 апреля 2019 г.

(г. Нижний Новгород, Нижегородский государственный технический университет им. Р. Е. Алексеева), С. 871-875

54 Дербасов М. О., Поляков И. В. Вибродиагностика подшипников ответственных узлов и механизмов транспортных средств на основе теории активного восприятия // Материалы 23-ей международной научно-технической конференции "Информационные системы и технологии" ИСТ 2017, Нижний Новгород, 21 апреля, С. 822-826

ПРИЛОЖЕНИЕ А.

УТВЕРЖДАЮ Директор филиала АО «НПО «ПРЗ» уТГя.н,, профессор

'с/»- А.Г. Рынды к

2022 г.

АКТ

внедрения результатов диссертации Полякова Игоря Владимировича «Модель и алгоритмы обработки и анализа одномерных сигналов», представленной на соискание учёной степени кандидата технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации (в науке и промышленности)»

Диссертация Полякова И. В. посвящена актуальной научной проблеме - разработке новых моделей и алгоритмов обработки одномерных сигналов, позволяющих повысить точность работы систем распознавания одномерных сигналов.

Наибольший интерес представляют следующие результаты диссертации:

- модель обработки одномерного сигнала;

- алгоритм оценки длины сегмента сигнала;

- алгоритмы формирования признакового описания сигнала;

- результаты вычислительных экспериментов.

Результаты проведённых исследований использованы при создании алгоритмов обработки сигналов в НИР «Телес-Н» в 2020г. и НИР «Трос-Н» в 2021 году, выполняемой в рамках государственного контракта по заказу ФГУПНТЦ «Орион».

Перечисленные результаты использованы в СЧ НИР "Телес-Н", исполнителем которой являлся диссертант, при разработке макета аппаратно-программного комплекса, и вошли в состав научно-технических отчётов, промежуточного и итогового по вышеуказанной СЧ ОКР.

Использование результатов диссертации Полякова И. В. в разработках ЦЦТ при НГТУ - филиала АО «НПО «ПРЗ» создало научно-технический задел для перспективных разработок устройств обработки и сжатия информации.

Старший научный сотрудник филиал АО «НПО «ПРЗ», к.т.н.

лг

I (.1/ Тупиков П. А.

Рисунок А.1 - Акт о внедрении результатов диссертационной работы в филиал НПО «Правдинский радиозавод»

МИНОБГНАУКИ РОССИИ

УТВЕРЖДАЮ

федеральное государственное бюджетное образовательное учреждение высшего обраюванин «Нижегородский государственный технический , • уинверентег нм. Р.Е. Алексеева» (НГТУ)

,Первый проректор - проректор по образовательной деятельности

/Ивашкин Е. ГJ

АКТ

(Ф.ИХУуЯииА уполномоченного на утверждение)

г. Нижний Новгород

АКТ

О внедрении результатов диссертационной работы Полякова Игоря Владимировича

Результаты научных исследований соискателя Полякова Игоря Владимировича (научный руководитель - к.т.н., доцент Гай В. Е.), изложенные в диссертации, использовались при разработке и чтении курсов «Распознавание образов», «Моделирование информационных процессов и систем» для магистрантов направления 09.04.01 «Информатика и вычислительная техника» по программам: «Теоретическая информатика». «Диагностические и информационно-поисковые системы».

Заведующий кафедрой «Вычислительные системы и технологии».

Д.т.н

с

_I Жсвнерчук Д. В

Рисунок А.2 - Акт о внедрении в учебный процесс ФГБОУ ВО Нижегородского государственного технического университета им. Р. Е. Алексеева

Рисунок А.3 - Патент на полезную модель