Распознавание сигналов и анализ нестационарных точечных процессов с использованием вейвлет-преобразования тема диссертации и автореферата по ВАК РФ 01.04.03, кандидат физико-математических наук Тупицын, Анатолий Николаевич

  • Тупицын, Анатолий Николаевич
  • кандидат физико-математических науккандидат физико-математических наук
  • 2009, Саратов
  • Специальность ВАК РФ01.04.03
  • Количество страниц 138
Тупицын, Анатолий Николаевич. Распознавание сигналов и анализ нестационарных точечных процессов с использованием вейвлет-преобразования: дис. кандидат физико-математических наук: 01.04.03 - Радиофизика. Саратов. 2009. 138 с.

Оглавление диссертации кандидат физико-математических наук Тупицын, Анатолий Николаевич

Введение

1 Автоматическое распознавание импульсных сигналов на основе коэффициентов вейвлет-преобразования.

1.1 Проблема идентификации сигналов.

1.2 Стандартные методы идентификации

1.2.1 Амплитудное детектирование

1.2.2 Анализ главных компонент

1.2.3 Идентификация на основе вейвлет-преобразования

1.3 Влияние флуктуаций на эффективность методов идентификации

1.4 Параметрический вейвлет-анализ с адаптивной фильтрацией.

1.4.1 Теоретические основы метода

1.4.2 Практическая реализация метода

1.5 Выводы по 1-й главе.

2 Идентификация сигналов на основе совместного применения вейвлет-преобразования и метода нейронных сетей

2.1 Предварительные сведения

2.2 Архитектура и классификация нейронных сетей

2.3 Применение нейронных сетей совместно с вейвлетами для решения задачи распознавания сигналов.

2.4 Результаты решения задачи идентификации сигналов.

2.4.1 Анализ тестовых данных.

2.4.2 Анализ экспериментальных данных

2.4.3 Полученные результаты.

2.5 Выводы по 2-й главе.

3 Анализ структуры точечных процессов на основе вейвлетпреобразования

3.1 Предварительные замечания

3.2 Метод анализа стабильности отклика.

3.3 Примеры применения

3.3.1 Влияние длительности внешнего воздействия

3.3.2 Влияние частоты внешнего воздействия

3.4 Выводы по 3-й главе.

Рекомендованный список диссертаций по специальности «Радиофизика», 01.04.03 шифр ВАК

Введение диссертации (часть автореферата) на тему «Распознавание сигналов и анализ нестационарных точечных процессов с использованием вейвлет-преобразования»

К числу классических методов исследования структуры сигналов относится спектральный анализ, который находит многочисленные приложения в самых разных областях естествознания [1-5]. В отличие от вероятностных методов, описывающих свойства случайных процессов во временной области, он позволяет охарактеризовать частотный состав изучаемого сигнала. В качестве математической основы данного анализа традиционно служит преобразование Фурье, которое играет важную роль не только при вычислении спектров мощности, но и как необходимый промежуточный этап при расчете преобразования Гильберта, при проведении цифровой фильтрации экспериментальных данных, при определении передаточных и ковариационных функций и т.д.

Фурье-преобразование позволяет выявлять гармонические составляющие сигнала; с этой целью применяются бесконечно длинные осциллирующие функции sin и cos. Сначала происходит "наложение" такой функции на исследуемую реализацию л:(/) и вычисляется корреляция между ними. Затем частота гармонической функции меняется, и процесс выявления линейной зависимости между гармонической функцией и временным рядом повторяется.

Следует отметить, что в качестве базисных функций для представления сигнала могут использоваться не только sin и cos, но и другие функции, например полиномы Лежандра и Чебышева, функции Лагерра и Эрмита. Однако на практике такие функции не применялись как из-за трудностей в интерпретации результатов, так и из-за вычислительных сложностей. В течение длительного времени также не находили широкого применения функции "прямоугольной волны" Хаара, Радемахера, Уолша. Теоретические исследования ортогональных базисных систем привели к созданию в 70-х годах теории обобщенного спектрального анализа [6]. Данная теория позволила по новому оценить возможности Фурье-преобразования и его практического применения, к тому же создала основу для синтеза новых базисных систем, подходящих для конкретной практической задачи.

С начала 80-х годов активно развивается теория локализованных базисных функций — "вейвлетов" (от английского "wavelet" — маленькая волна). По аналогии с Фурье-преобразованием, вейвлет-преобразование состоит в вычислении корреляций между анализируемым временным рядом и базисной функцией преобразования, которая является "солитоноподобным" колебанием, обладающим рядом характерных свойств, в частности, локализацией и по временной оси, и в частотной области. В рамках теории вейвлетов вместо понятия частоты используется понятие масштаба, а чтобы была возможность перекрыть короткими функциями всю временную ось, рассматривается их сдвиг по времени. В отличие от классического спектрального анализа, вейвлет-преобразование дает двумерную развертку одномерного процесса, при этом масштаб (частота) и время рассматриваются как независимые переменные. Использование быстро спадающих солитоноподобных функций позволяет проводить локализованный анализ структуры сигналов, что особенно важно при изучении процессов с меняющимися во времени характеристиками.

Первое упоминание о вейвлетах появилось в работах Хаара [7] (правда тогда еще не существовало такого термина, он появился значительно позднее). Вейвлет Хаара - это короткое прямоугольное колебание на интервале [0,1]. Недостатком этой функции является негладкость. Тем не менее, еще в 30-х годах XX века, исследуя некоторые детали броуновского движения, Пол Левий отмечал преимущества использования разложения по базису Хаара по сравнению со стандартным Фурье-преобразованием. Само понятие "вейвлет" солитоноподобные функции обрели в работах Дж.Морле и А.Гроссмана в начале 80-х годов [8,9]. С тех пор началось активное развитие теории вейвлетов в работах Добеши, Малла, Мейера и многих других [10-13].

Первоначально вейвлет-анализ воспринимался как метод исследования структуры нестационарных процессов, которые встречаются в динамике самых разных систем. Не случайно он был предложен в работе [14] для анализа геофизических данных. Но с течением времени стало ясно, что этот новый инструмент имеет значительно более широкую область применения. Особенно отчетливо возможности вейвлетов стали осознаваться после появления теории многомасштабного (или, используя терминологию некоторых авторов, кратномасштабного) анализа, которая была разработана Мейером [13] и Малла [10] и использовала идеологию последовательного "огрубления" информации, содержащейся в исследуемом сигнале. После появления этой теории за вейвлет-анализом прочно закрепилось название метода "математического микроскопа", который позволяет проводить детальное исследования структуры сигналов на разных масштабах наблюдения. Стало понятно, что вейвлет-анализ представляет собой нечто гораздо большее чем просто альтернативный вариант спектрального анализа [15-25]. В качестве примера перечислим лишь несколько направлений, где привлечение теории вейвлетов позволило добиться значительного прогресса:

1) Исследование npoijeccoe с меняющимися во времени характеристиками. Вейвлеты позволяют идентифицировать мгновенные частоты, мгновенные амплитуды и мгновенные фазы колебательных процессов даже в условиях сильной нестационарности.

2) Сжатие данных. Вейвлеты широко используются для сжатия как графической информации (формат JPEG), так и цифрового видео (формат MPEG4).

3) Распознавание образов. На основе вейвлет-преобразования могут успешно решаться задачи автоматического распознавания различных образов при наличии помех, например, сигналов сложной формы.

4) Компьютерная графика. Вейвлеты обеспечивают возможность редактирования изображений с переменным разрешением (в частности, в случае ЗБ-графики), позволяют осуществлять поклеточное представление поверхностей по контуру и т.д.

5) Цифровая фильтрация. Если экспериментальные данные содержат локализованные особенности (например, случайные выбросы), то фильтрация с применением преобразования Фурье становится не слишком эффективной — информация о сбойных точках будет содержаться во всех коэффициентах. Вейвлеты позволяют локализовать окрестности сбойных точек и провести более гибкую процедуру очистки экспериментальных данных. На самом деле приведенный список можно продолжить, упомянув, например, что вейвлеты помогают решать некоторые дифференциальные уравнения в физике [26], определять временные задержки при распространении сигналов, исследовать корреляционные свойства случайных процессов по сигналам малой длительности [27] и т.д. Практические применения теории вейвлетов стали настолько многочисленными, что их сложно даже просто перечислить. В качестве примера отметим, что поисковые системы в Интернет (такие как Google) при формировании запроса слова "wavelet" выдают порядка 3 миллиона ссылок. За последние десятилетия появились специализированные научные журналы, целиком посвященные вейвлетам и многомасштабному анализу

Одним из приложений теории вейвлетов является очень обширный круг задач, связанных с исследованием процессов кодирования информации в нейронных сетях. Соответствующая проблематика носит междисциплинарный характер и требует привлечения, в том числе, радиофизических подходов и методов. В частности, при изучении динамики нейронных ансамблей возникает необходимость решать задачи автоматического распознавания сигналов при наличии помех — регистрируемый в эксперименте процесс представляет собой последовательность электрических импульсов, включающих сигналы разных нейронов. Для того, чтобы проводить изучение генерируемого нейронами информационного кода, требуется вначале идентифицировать импульсы, которые генерируются каждым отдельным элементом рассматриваемого ансамбля. Наличие индивидуальных особенностей формы сигнала различных нейронов делает возможным решение этой задачи, однако присутствие сильных помех (связанных, например, с сигналами удаленных нейронов) приводит к значительным сложностям на практике и к необходимости разработки новых эффективных методов автоматического распознавания сигналов. Отмеченная проблема представляет собой необходимый предварительный этап исследования динамики нейронных ансамблей. После ее решения возникает следующая проблема — изучение структуры точечного процесса, представляющего собой последовательность времен, соответствующих моментам генерации импульсов каждым нейроном. Эта последовательность представляет собой генерируемый код, несущий информацию об особенностях воздействующего сигнала — именно с помощью точечных процессов нейронные сети кодируют информацию об окружающем мире. Сложность решения данной проблемы определяется тем обстоятельством, что регистрируемые на практике сигналы нейронной активности являются нестационарными — при неизменном воздействии отклик с течением времени сильно меняется (что связано с процессами адаптации нейронной сети). Именно это обстоятельство чрезвычайно усложняет изучение процессов кодирования информации: как соотнести отклик сети с воздействующим сигналом, если последний будет неизменным, а первый меняется? Таким образом, чтобы изучать динамику нейронных сетей, необходимо:

1) решать задачи автоматического распознавания близких по форме сигналов при наличии помех;

2) анализировать структуру нестационарных точечных процессов.

Фактически, мы имеем дело с радиофизическими задачами, которые требуют применения (и развития) специальных методов анализа структуры сигналов. Заметим, что аналогичные задачи возникают не только при изучении нейронных сетей. Первая из них встречается в радиолокации (распознавание движущейся группы объектов), при приеме слабых голосовых сообщений в условиях сильных помех (распознавание отдельных звуков и слов) и т.д. Необходимость анализировать точечные процессы возникает в статистической радиофизике (например, при изучении пуассоновских процессов), при рассмотрении сигма-дельта модуляции и т.п.

Побудительный мотив исследований, проводившихся в рамках данной диссертационной работы, был связан с изучением процессов кодирования информации нейронными сетями, однако необходимо подчеркнуть, что методы анализа структуры сигналов, предлагаемые в диссертационной работе, имеют значительно более широкую область потенциального применения. Именно по этой причине в работе в основном будет использоваться достаточно общая терминология сигналов типа одиночного импульса (вместо привычной для нейронных сетей терминологии спайков).

Отметим, что существующий в настоящее время арсенал средств численного анализа далеко не всегда позволяет эффективно решать многие практические задачи, и порой возникает необходимость модификации методов для более успешного решения возникающих проблем, с учетом специфики той или иной задачи и особенностей анализируемых сигналов. Задача автоматического распознавания является весьма показательным примером. Несмотря на обилие методик (в основном простых, основанных на расчете таких характеристик, как амплитуда сигнала, его длительность, анализ локальных экстремумов и т.п.) [28-30], выясняется, что к числу эффективных подходов можно отнести лишь крайне небольшое их число. Так, в диссертации [31] отмечается, что в настоящее время хорошо зарекомендовали себя лишь 2 метода — анализ главных компонент (АГК) и метод распознавания на основе коэффициентов вейвлет-преобразования, так называемый "вейвлетный классификатор импульсов" (ВКИ). Более того, и у этих методов существует ряд принципиальных недостатков, для устранения которых можно применять комбинированные подходы к решению задач идентификации сигналов [106].

При этом стоит отметить, что если недостатки метода АГК устранить крайне сложно (для идентификации всегда используются масштабные коэффициенты первых главных компонент [28]), то недостатки вейвлетных методов распознавания образов наоборот связаны с тем, что характеристик для идентификации существует очень много, и непонятно, по каким критериям их следует выбирать. По сути это означает, что вейвлетные методы идентификации нужно еще "доработать", сохранив их достоинства и, по возможности, устранив явные недостатки. В таком случае мы получим более эффективные инструменты решения задач распознавания образов.

Важность развития специальных методов, позволяющих эффективно решать задачи идентификации близких по форме зашумленных сигналов, а также исследовать особенности нестационарных точечных процессов определяет актуальность работы.

В настоящее время многие исследователи рассматривают вейвлет-анализ в качестве замены классических методов обработки экспериментальных данных. Однако, это не вполне справедливо, и более предпочтительным и перспективным представляется воспринимать теорию вейвлетов как дополнение и развитие имеющегося арсенала средств обработки временных рядов. Так, в работах [106, 116] было показано, что совместное применение методов АГК и ВКИ в рамках комбинированного алгоритма автоматического распознавания сигналов импульсного типа обеспечивает снижение ошибки автоматического распознавания близких по форме сигналов при наличии помех, причем, комбинированный алгоритм оказывается эффективнее, чем использование этих методов по отдельности.

Другим вариантом успешного решения задач идентификации сигналов может служить совместное применение вейвлетов и искусственных нейронных сетей. Такой вариант сочетания двух разных подходов также позволяет продвинуться по пути уменьшения их недостатков и расширения возможностей (в рамках комбинированного способа распознавания сигналов).

Целью диссертационной работы является развитие методов автоматического распознавания сигналов при наличии помех и анализ структуры нестационарных точечных процессов с использованием вейвлет-преобразования.

Для достижения указанной цели необходимо решить следующие основные задачи:

1. Провести сравнительный анализ методов автоматического распознавания импульсных сигналов, предложить новую методику идентификации одиночных импульсов на основе вейвлет-преобразования, учитывающую зависимость ошибки от частотного диапазона присутствующих флуктуаций.

2. Изучить возможность решения задачи автоматической идентификации сигналов импульсного типа на основе комбинированного алгоритма, предусматривающего совместное применение техники искусственных нейронных сетей как известного метода распознавания образов и вейвлет-анализа, позволяющего эффективно решать проблему "обучения" нейронной сети.

3. Исследовать возможности применения непрерывного вейвлет-преобразования при решении задач анализа нестационарных точечных процессов на примере генерируемого нейронами информационного кода, представляющего собой отклик на периодическое внешнее воздействие.

Научная новизна работы состоит в следующем:

1. Предложен новый параметрический метод автоматического распознавания сигналов типа последовательности одиночных импульсов (параметрический вейвлет-анализ с адаптивной фильтрацией). Показано, что предлагаемый подход способен существенно уменьшить ошибку идентификации сигналов по сравнению со стандартными алгоритмами, такими как анализ главных компонент и обычный вейвлет-анализ.

2. Предложен новый метод решения задачи автоматического распознавания формы сигналов, основанный на совместном применении вейвлет-преобразования и техники искусственных нейронных сетей. На тестовых примерах и в ходе анализа экспериментальных данных показана эффективность данного метода при наличии помех.

3. Впервые рассмотрена задача исследования фильтрационных свойств элементов нейронных ансамблей в условиях нестационарного отклика на периодическое внешнее воздействие, основанного на непрерывном вейвлет-преобразовании. Показано, что нейроны могут выполнять функции полосно-пропуекающих фильтров, демонстрируя наиболее стабильный отклик на определенной частоте воздействующего сигнала.

Научно-практическое значение результатов работы:

1. Предложенный метод, заключающийся в совместной использовании дискретного вейвлет-анализа и техники искусственных нейронных сетей может быть распространен для применения в решении задач распознавания сигналов различной формы при наличии сильных помех.

2. Разработанные методики уменьшения ошибки автоматического распознавания сигналов создают основу для создания прикладных программ предварительной обработки экспериментальных данных для специалистов, занимающихся проблемами исследования процессов кодирования информации нейронными ансамблями. 3. Результаты диссертации могут применяться в учебном процессе. Часть результатов уже используется в рамках лабораторной работы специализированного практикума "Методы анализа сложных сигналов" для студентов физического факультета Саратовского государственного университета.

Достоверность научных выводов работы базируется на согласованности с существующими теоретическими представлениями, на соответствии результатов численных экспериментов и теоретических исследований и на устойчивости применяемых методов исследования структуры сигналов к малым изменениям параметров численной схемы.

Основные положения и результаты, выносимые на защиту: Положение 1

Совместное применение дискретного вейвлет-преобразования и метода искусственных нейронных сетей позволяет решать задачи автоматической идентификации сигналов типа последовательности одиночных импульсов при наличии помех. Использование коэффициентов вейвлет-преобразования в качестве обучающей выборки для нейронной сети и дальнейшее проведение сетью распознавания сигналов снижает зависимость ошибки идентификации от статистики фонового шума по сравнению со стандартным методом решения данной задачи на основе вейвлет-анализа. Положение 2

Анализ флуктуаций мгновенной частоты отклика на внешнее воздействие в виде периодической последовательности импульсов при изучении фильтрационных свойств пороговых систем позволяет диагностировать наличие эффектов полосовой и низкочастотной фильтрации воздействующих сигналов в условиях коротких, нестационарных откликов. Результат 1

Предложен метод автоматического распознавания сигналов типа последовательности одиночных импульсов, предусматривающий подстройку характеристик фильтра под индивидуальные особенности формы исследуемых сигналов в качестве составной части процедуры выбора характеристик для идентификации близких по форме импульсов. Результат 2

Предложен метод исследования стабильности отклика пороговой системы на внешнее воздействие, основанный на непрерывном вейвлет-преобразовании и предусматривающий расчет мгновенной частоты отклика по точечному процессу.

Апробация работы и публикации. Материалы диссертации были представлены на следующих научных конференциях: «Хаотические автоколебания и образование структур» (ХАОС, Саратов, 2007), «Complex Dynamics and Fluctuations in Biomedical Photonics — III, IV, V, VI» (Сан-Хосе, США, 2006, 2007, 2008, 2009), «Forum of Federation of European Neurosciences Societies» (FENS, Швейцария, Вилларс, 2008), «Нелинейные дни для молодых» (Саратов, 2005, 2006, 2007, 2008), «Методы компьютерной диагностики в биологии и медицине- 2008» (Саратов, 2008).

Результаты неоднократно обсуждались на научных семинарах кафедры радиофизики и нелинейной динамики Саратовского государственного университета, научно-образовательного центра REC-006 «Нелинейная динамика и биофизика» (Саратовский государственный университет), центра динамики сложных систем Потсдамского университета (Германия, Потсдам), центра биофизики и сложных систем Датского технического университета (Люнгбю, Дания), лаборатории нейродинамики университета Комплютенсе (Испания, Мадрид).

По теме диссертации опубликовано 15 работ: 5 статей в журналах (из них 3 статьи в журналах, рекомендованных ВАК РФ для опубликования результатов диссертаций), 10 статей в сборниках трудов конференций.

Результаты работы использованы при выполнении грантов: CRDF и Министерства образования и науки РФ «Научно-образовательный центр "Нелинейная динамика и биофизика" (НОЦ REC-006)» (2005-2007), Министерства образования и науки РФ «Развитие научного потенциала высшей школы» (2006-2008), госконтракта с ФЦНТП № 02.442.11.7181.

Личный вклад автора. Основные результаты диссертации получены лично автором. В совместных работах автором проводились численные исследования и подготовка пакетов прикладных программ, реализующих разрабатываемые методы анализа структуры сигналов. Результаты второй главы полностью получены автором (включая идею предложенного метода, его практическую реализацию и численные исследования). Формулировка задач, решаемых в первой и третьей главах, а также объяснение и интерпретация полученных результатов проведены совместно с научным руководителем и соавторами.

Структура и объем диссертации.

Диссертация состоит из введения, трех глав, заключения и списка цитированной литературы. В ней содержится 106 страниц текста, 32 страницы рисунков, библиография из 120 наименований на 13 страницах. Общий объем диссертации 138 страниц.

Похожие диссертационные работы по специальности «Радиофизика», 01.04.03 шифр ВАК

Заключение диссертации по теме «Радиофизика», Тупицын, Анатолий Николаевич

Основные результаты диссертационной работы заключаются в следующем:

1. Показано, что уменьшение ошибки идентификации в рамках вейвлетного метода автоматического распознавания сигналов достигается путем включения процедуры предварительной фильтрации с индивидуальной подстройкой характеристик фильтра в качестве составной части методики выбора характеристик для идентификации близких по форме импульсов.

2. Предложен параметрический метод автоматического распознавания сигналов типа одиночного импульса (параметрический вейвлет-анализ с адаптивной фильтрацией), предполагающий подстройку характеристик фильтра под индивидуальные особенности формы исследуемых сигналов.

3. Предложен метод решения задачи автоматического распознавания формы импульсных сигналов, основанный на совместном применении вейвлет-преобразования и искусственных нейронных сетей. Показано, что коэффициенты вейвлет-преобразования, содержащие основную информацию об исследуемом сигнале, целесообразно применять в качестве обучающей выборки для нейронной сети с целью дальнейшего проведения сетью идентификации данных.

4. Подход, основанный на совместном применении вейвлет-анализа и нейронных сетей, может быть распространен для применения в решении задач распознавания сигналов различной формы при наличии сильных помех.

5. Метод исследования стабильности отклика пороговой системы на внешнее воздействие в виде периодической последовательности импульсов позволяет осуществлять классификацию нейронов с точки зрения их фильтрационных свойств, диагностируя наличие эффектов полосовой и низкочастотной фильтрации воздействующих сигналов в условиях коротких, нестационарных откликов на подаваемое воздействие.

Заключение

Список литературы диссертационного исследования кандидат физико-математических наук Тупицын, Анатолий Николаевич, 2009 год

1. Дженкинс, Г. Спектральный анализ и его приложения / Г. Дженкинс, Д. Ватте. - М: Мир, 1971.

2. Оппенгейм, А. Цифровая обработка сигналов / А. Оппенгейм, Р. Шафер. Изд. 2-е, испр. -М.: Техносфера, 2007.

3. Рабинер, JI. Теория и применение цифровой обработки сигналов / JI. Рабинер, Б. Гоулд. М.: Мир, 1978.

4. Марпл-мл, C.JI. Цифровой спектральный анализ и его приложения / C.JT. Марпл-мл. -М.: Мир, 1990.

5. Отнес, Р. Прикладной анализ временных рядов / Р. Отнес, JL Эноксон. — М.: Мир, 1982.

6. Трахтман, A.M. Введение в обощенную спектральную теорию сигналов / A.M. Трахтман. -М.: Сов. радио, 1972.

7. Haar, A. Zur theorie der orthogonalen funktionen-systeme / A.Haar // Mathematische Annalen. 1910. - Vol. 69. - P. 331-371.

8. Grossman, A. Decomposition of Hardy into square integrable wavelets of constant shape / A. Grossman, J. Morlet // SIAM J. Math. Anal. 1984. -Vol. 15.-P. 723-736.

9. Morlet, J. Wave propagation and sampling theory / J. Morlet, G. Arens, I. Fourgeau, D. Giard // Geophysics. 1982. - Vol. 47. - P. 203-236.

10. Mallat, S.G. Multiresolution Approximations and Wavelet of orthonormal Bases of L2(R) / S.G. Mallat // Transactions of the American Mathematical Society. 1989. - Vol. 315, № l.-P. 69-87.

11. Cohen, A. Biorthogonal Bases of Compactly Supported Wavelets / A. Cohen, I. Daubechies, J.-C. Feanveau // Communications on Pure and Applied Mathematics. 1992. - Vol. XLV. - P. 485-560.

12. Daubechies, I. Ten lectures on wavelets / I. Daubechies. — Philadelphia: S.I.A.M., 1992.

13. Meyer, Y. Wavelets: Algorithms and applications / Y. Meyer. Philadelphia: S.I.A.M., 1993.

14. Foufoula-Georgiou, E. Wavelets in geophysics / E. Foufoula-Georgiou, P. Kumar. — New York: Academic Press, 1994.

15. Addison, P. S. The illustrated wavelet transform handbook: applications in science, engineering, medicine and finance / P.S. Addison. Bristol; Philadelphia: IOP Publishing, 2002.

16. Torrence, C. A practical guide to wavelet analysis / C. Torrence, G.P. Compo // Bull. Amer. Meteor. Soc. 1998. - Vol. 79. - P. 61-78.

17. Короновский, А. А. Непрерывный вейвлетный анализ и его приложения / А.А. Короновский, А.Е. Храмов. -М.: Физматлит, 2003.

18. Короновский, А. А. Непрерывный вейвлетный анализ в приложениях к задачам нелинейной динамики / А.А. Короновский, А.Е. Храмов. — Саратов: ГосУНЦ "Колледж", 2002.

19. Короновский, А. А. Анализ фазовой хаотической синхронизации с помощью непрерывного вейвлетного преобразования /

20. А.А.Короновский, А.Е. Храмов // Письма в ЖТФ. 2004. - Т. 30, вып. 14. - С. 29-36.

21. Burrus, С. S. Introduction to wavelets and wavelet transforms: a primer / C.S. Burrus, R.A. Gopinath, H. Guo. -NJ: Prentice Hall, 1998.

22. Combes, J. M. Wavelets / J.M. Combes, A. Grossman, P. Tchamitchian (Eds.). -Berlin: Springer-Verlag, 1989.

23. Hubbard, В. B. The world according to wavelets: the story of a mathematical technique in the making (2-nd ed.) / B.B. Hubbard. — New York: A. K. Peters, 1998.

24. Hernandez, E. First course on wavelets / E. Hernandez, G.A. Weiss. Boca Raton: CRC Press, 1996.

25. Massopust, P. R. Fractal functions, fractal surfaces, and wavelets / P.R. Massopust. San Diego: Academic Press, 1994.

26. Resnikoff, H. L. Wavelet analysis: the scalable structure of information / H.L. Resnikoff, R.O. Wells Jr. New York: Springer-Verlag, 1998.

27. Muniandy, S.V. Galerkin modeling of the Burgers equation using harmonic wavelets / S.V. Muniandy, I.M. Moroz // Physics letters. 1997. - A 235. - P. 352-356.

28. Павлов, A. H. Анализ корреляционных свойств случайных процессов по сигналам малой длительности / А.Н. Павлов, О.Н. Павлова // Письма в ЖТФ. 2008. - Т. 34, № 7. - С. 71-78.

29. Lewicki, М. A review of methods for spike sorting: the detection and classification of neural potencials / M. Lewicki // Net. Com. Neu. Sys. -1998. Vol. 9. - P. R53-R78.

30. Glaser, E. Separation of neuronal activity by waveforms analysis / E.Glaser I I Advances in Biomedical Engineering. 1971. - Vol. 1. - P. 77-136.

31. Dinning, G. Real-time classification of multiunit neural signals using reduced feature sets / G. Dinning // IEEE Trans. Biomed. Eng. 1981. - Vol. 28. - P. 804-812.

32. Думский, Д.В. Применение вейвлет-анализа в задачах исследования структуры сигналов / Д.В. Думский. Диссертация на соискание ученой степени кандидата физ.-мат. наук; Саратов, 2005.

33. Letelier, J. Spike sorting based on discrete wavelet transform coefficients / J.Letelier, P.Weber // J. Neurosci. Methods. 2000. - Vol. 101. - P. 93-106.

34. Harris, K. Accuracy of tetrode spike separation as determined by simultaneous intracellular and extracellular measurements / K. Harris, D. Henze, J. Csicsvari, H. Hirase, G. Buzsaki // J. Neurophysiol. 2000. - Vol. 84.-P. 401-414.

35. Schmidt, E. M. Computer separations of multi-unit neuroelectric data: a review / E. M. Schmidt // J. Neurosci. Methods. 1984. - Vol. 12. - P. 95111.

36. Gray, С. Tetrodes markedly improve the reliability and yield of multiple single-unit isolation from multi-unit recordings in cat striate cortex / C. Gray, P. Maldonado, M. Wilson, B. McNaughton // J. Neurosci. Methods. 1995. -Vol. 63.-P. 43-54.

37. Eggermont, J. Stimulus dependent neural correlations in the auditory midbrain of the grassfrog (Rana temporaria L.) / J. Eggermont, W. Epping, A. Aertsen // Biol. Cybern. 1983. - Vol. 47. - P. 103-117.

38. Zouridakis, G. Multi-unit spike discrimination using wavelet transforms / G. Zouridakis, D. Tam // Comput. biol. med. 1997. - Vol. 27. - P. 9-18.

39. Kim, K. A wavelet-based method for action potential detection from extracellular neural signal recording with low signal-to-noise ratio / K. Kim, S. Kim // IEEE Trans, on Biomed. Eng. 2003. - Vol. 50, № 8. - P. 9991011.

40. Glaser, E. On-line separation of interleaved neuronal pulse sequences / E. Glaser, W. Marks // Biol. Med. 1968. - Vol. 5. - P. 137-156.

41. Simon, W. The real-time sorting of neuro-electric action potentials in multiple unit studies electroenceph / W.Simon // Clin. Neurophysiol. 1965. - Vol. 18.-P. 192-195.

42. Feldman, J. Computer detection and analysis of neuronal spike sequences / J. Feldman, F. Roberge//Inform. 1971.-Vol. 9.-P. 185-197.

43. Muresan, D. D. Adaptive principal components and image denoising / D.D. Muresan, T.W. Parks // IEEE International Conference on Image Processing (ICIP).-2003.-Vol. l.-P. 101-104.

44. Jolliffe, I. T. Principal component analysis / I.T. Jolliffe. New York: Springer, 2002.

45. Kaiser, H. F. The application of electronic computers to factor analysis / H.F. Kaiser // Educational and Psychological Measurement. 1960. - Vol. 20. - P. 141-151.

46. Cattell, R. B. The scree test for the number of factors / R.B. Cattell // Multivariate Behavioral Research. 1966. - Vol. 1. - P. 245-276.

47. Зиновьев, А. Ю. Визуализация многомерных данных / А. Ю. Зиновьев. -Красноярск: Изд. КГТУ, 2000.

48. Scholz, М. Nonlinear Principal Component Analysis: Neural Network Models and Applications, In: Gorban A. N. et al (Eds.) / M. Scholz, M. Fraunholz, J. Selbig. LNCSE 58: Springer, 2007.

49. Rao, K. The Transform and Data Compression Handbook / K. Rao, P. Yip (eds.). CRC Press: Baton Rouge, 2001.

50. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ: пер. с англ. / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка. М.: Финансы и статистика, 1989.

51. Hulata, Е. A metod for spike sorting and detection based on wavelet packets and Shannon's mutual information / E. Hulata, R. Segev, E. Ben-Jacob // J. Neurosci. Methods. 2002. - Vol. 117. - P. 1-12.

52. Quian Quiroga, R. Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering / R. Quian Quiroga, Z. Nadasdy, Y. Ben-Shaul // Neural Computation. 2004. - Vol. 16. - P. 1661-1687.

53. Астафьева, H. M. Вейвлет-анализ: основы теории и примеры применения / Н.М. Астафьева // Успехи физических наук. 1996. - Т. 166, № 11.-С. 1145-1170.

54. Bachman, G. Fourier and wavelet analysis / G. Bachman, L. Narici, E. Beckenstein. New York: Springer-Verlag, 2000.

55. Boggess, A. First course in wavelets with Fourier analysis / A. Boggess, F.J. Narcowich. NJ: Prentice Hall, 2001.

56. Chui, С. K. Wavelets: a mathematical tool for signal analysis / C.K. Chui. -Philadelphia: S.I.A.M., 1997.

57. Дьяконов, В.П. Вейвлеты. От теории к практике. / В.П. Дьяконов. М.: СОЛОН-Пресс, 2004.

58. Mallat, S. G. A wavelet tour of signal processing / S.G. Mallat. New York: Academic Press, 1998.

59. Gardiner, C.W. Handbook of Stochastic Methods for Physics, Chemistry and the Natural Sciences. (2 ed.) / C.W. Gardiner. Springer-Verlag, Berlin, Heidelberg, 1990.

60. Хайкин, С. Нейронные сети: полный курс, 2-е издание: Пер с англ. / С. Хайкин. М.: Вильяме, 2006.

61. Каллан, Р. Основные концепции нейронных сетей: Пер с англ. / Р. Каллан. М.: Вильяме, 2001.

62. Галушкин, А.И. Теория нейронных сетей. Кн. 1: учебное пособие для ВУЗов. / А.И. Галушкин. М.: ИПРЖР, 2000.

63. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В. В. Борисов. М.: Горячая линия - Телеком, 2001.

64. Терехов, В.А. Нейросетевые системы управления / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин. — М.: Высшая школа, 2002.

65. Ясницкий, JI.H. Введение в искусственный интеллект / Л.Н. Ясницкий. -М.: Издательский центр "Академия", 2005.

66. Уидроу, Б. Адаптивная обработка сигналов / Б. Уидроу, С. Стирнс. М.: Радио и связь, 1989.

67. Горбань, А.Н. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н. Кир дин. Новосибирск: Наука. Сибирское предприятие РАН, 1998.

68. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. Харьков: Основа, 1997.

69. Гальберштам, Н. М. Нейронные сети как метод поиска зависимостей структура свойство органических соединений / Н. М. Гальберштам, И.И. Баскин, В. А. Палюлин, Н. С. Зефиров // Успехи химии. - 2003. — Т. 72. №7.-С. 706-727.

70. Aleksander, I. An introduction to neural computing. / I. Aleksander, H. Morton. London: Chapman and Hall, 1999.

71. Горбань, A. H. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. / А.Н. Горбань // Сибирский журнал вычислительной математики. 1998. - Т.1, № 1. - С. 12-24.

72. Зиновьев, А. Ю. Визуализация многомерных данных. / А.Ю. Зиновьев. — Красноярск: Изд. Красноярского государственного технического университета, 2000.

73. McCulloch, W.S. A logical calculus of the ideas immanent in nervous activity / W.S. McCulloch, W. Pitts // Bulletin of Mathematical biophysics. 1943. -vol. 5.-P. 115-133.

74. Rosenblatt, F. The Perceptron: a probabilistic model for information storage and organization in the brain / F. Rosenblatt // Psyhological review. 1958. -vol.65. -P.386-408.

75. Grossberg, S. Adaptive pattern classification and universal recoding / S. Grossberg//Biol. Cybern. 1976.-vol.23. - P.l21-134.

76. Hopfield, J. Neural computation of decision in optimixation problems / J. Hopfield, D. Tank // Biol Cybern. 1985. - vol. 52. - P. 141-152.

77. Hopfield, J. Neural networks physical systems with emergent collective computational abilities / J. Hopfield // in proc. National academy of scienies, USA 79. 1982. - P. 2554-2558.

78. Kohonen, T. Self organization and associative memory, third edition / T. Kohonen. Springer-Verlag, New-York, 1989.

79. Muller, B. Neural Networks. An introduction. / B. Muller, J. Reinhardt — Berlin: Springer-Verlag, 1991.

80. Уоссерман, Ф. Нейрокомпьютерная техника: Теория и практика. / Ф. Уоссерман-М.:Мир, 1990.

81. Anderson, J.A. Neurocomputing: foundation of research. / J.A. Anderson, E. Rosenfeld MIT Press, Cambridge, Mass., 1988.

82. Fukushima, K. Cognitron: A Self-Organizing Multilayered Neural Network / K. Fukushima // Biological Cybernetics. 1975. - vol.20. - P. 121-136.

83. Gardner, EJ. Optimal storage properties of neural network models / E.J. Gardner, В Derrida // Journal of Physics. 1988. - vol. 21. - P.271-284.

84. Reilly, D.L. A Neural Model for Category Learning / D.L. Reilly, L.N. Cooper, C. Elbaum // Biological Cybernetics. 1982. - vol. 45. - P.35-41.

85. Muller, P. Issues in Bayesian Analysis of Neural Network Models / P. Muller, D.R. Insua //Neural Computation. 1995. - vol. 10. - P. 571-592.

86. Hopfield, J. Learning alrorithms and probability distributios in feed-forward and feed-back networks / J. Hopfield // Proc. Natl. Acad. Sci., USA 79. -1982.-P. 2554-2558.

87. Grossberg, S. Neural networks and natural intelligence / S. Grossberg. -MA:MIT press, Cambridge, 1988.

88. Sauer, T. Reconstruction of dynamical system from interspike intervals / T. Sauer // Phys. Rev. Lett. 1994. - Vol. 72. - P. 3911-3914.

89. Малла, С. Вейвлеты в обработке сигналов: Пер. с англ. / С. Малла. — М.: Мир, 2005.

90. Tuckwell, Н. С. Introduction to theoretical neurobiology / H. С. Tuckwell. -Cambridge: Cambridge University Press, 1988.

91. Николлс, Д. От нейрона к мозгу. Пер. с англ. / Д. Николлс, Р. Мартин, Б. Валлас, П. Фукс. М.: Едиториал УРСС, 2003.

92. Шмидт, Р. Основы сенсорной физиологии / Р. Шмидт. М.: Мир, 1984.

93. Катц, Б. Нерв, мышца и синапс, пер. с англ. / Б. Катц. М.: Мир, 1998.

94. Darian-Smith, I. The trigeminal system / I. Darian-Smith // Handbook of Sensory Physiology, ed. by Iggo A. 1973. - P. 271-314.

95. Arvidsson, J. Somatosensory organization of vibrissae afferents in the trigeminal sensory nuclei of the rat studied by transganglionic transport of hrp / J. Arvidsson // J. Сотр. Neurol. 1982. - vol. 211. - P. 84-92.

96. Hayashi, H. Distributions of vibrissae afferent fiber collaterals in the trigeminal nuclei as revealed by intra-axonal injection of horseradish peroxidase / H. Hayashi // Brain Res. 1980. - vol. 183. 7 P. 442-446.

97. Woolsey, T. A. The structural organization of layer iv in the somatosensory region (si) of mouse cerebral cortex / T.A. Woolsey, H. Van der Loos // Brain Res. 1970. - vol. 17. - P. 205-242.

98. Moreno, A. Principalis, oralis and interpolaris responses to whisker movements provoked by air jets in rats / A. Moreno, V. Garsia-Gonzalez, A. Sanches-Jimenez, F. Panetsos // NeuroReport. 2005. - vol. 16, № 14. - P. 1569-1573.

99. Carvell, G.E. Task- and subject-related differences in sensorimotor behavior during active touch / G.E. Carvell, D.J. Simons // Somat. Mot. Res. 1995. -vol. 12.-P. 1-9.

100. Harvey, M.A. Discriminative whisking in the head-fixed rat: optoelectronic monitoring during tactile detection and discrimination tasks / M.A. Harvey, R. Bermejo, H.P. Zeigler // Somat. Mot. Res. 2001. - vol. 18. - P. 211-222.

101. Garabedian, C.E. Band-pass response properties of rat SI neurons / C.E. Garabedian, S.R. Jones, M.M. Merzenich, A. Dale, C.I. Moore // J. Neurophysiology. 2003. - vol. 90. - P. 1379-1391.

102. Sosnovtseva, О. V. Interference microscopy under double-wavelet analysis: a new tool to studying cell dynamics / O.V. Sosnovtseva, A.N. Pavlov, N.A.

103. Brazhe, A.R. Brazhe, L.A. Erokhova, G.V. Maksimov, E. Mosekilde // Physical Review Letters. 2005. - Vol. 94. - P. 218103.

104. Welker, W. I. Analysis of sniffing of the albino rat / W.I. Welker // Behavior.- 1964. vol. 12. - P. 223-244.

105. Публикации по теме диссертации

106. Думский, Д. В. Классификация нейронных потенциалов действия на основе вейвлет-преобразования / Д.В. Думский, А.Н. Павлов, А.Н. Тупицын, В.А. Макаров // Изв. вузов, Прикладная нелинейная динамика.- 2005. Т. 13, № 5-6. - С. 77-98.

107. Тупицын, А.Н. Классификация нейронных потенциалов действия на основе вейвлет-анализа / А.Н. Тупицын // Материалы научной школы-конференции "Нелинейные дни для молодых-2005"; Саратов: ООО ИЦ "Наука". 2005. - С. 175-178.

108. Павлова, О. H. Эффекты влияния низкочастотного магнитного поля на характеристики физиологического тремора / О.Н. Павлова, А.Н.

109. Тупицын, А.Н. Павлов // Изв. вузов, Прикладная нелинейная динамика. 2006. - Т. 14, № 5-6. - С. 105-117.

110. Тупицын, А.Н. Анализ динамики нейронов на этапе первичной обработки информации / А.Н. Тупицын // Материалы научной школы-конференции "Нелинейные дни для молодых-2006"; Саратов: ООО ИЦ "Наука". 2006.-С. 208-211.

111. Pavlov, A. N. Using wavelet analysis to detect the influence of low frequency magnetic fields on human physiological tremor / A.N. Pavlov, A.N. Tupitsyn, A. Legros, A. Beuter, E. Mosekilde // Physiological Measurement. 2007. -Vol. 28.-P. 321-333.

112. Тупицын, А.Н. Исследование процессов первичной обработки тактильной информации / А.Н. Тупицын // Материалы научной школы-конференции "Нелинейные дни для молодых-2007"; Саратов: ООО ИЦ "Наука". 2007.-С. 162-165.

113. Макаров, В. А. Сортировка нейронных спайков на основе параметрического вейвлет-анализа с адаптивной фильтрацией / В.А. Макаров, А.Н. Павлов, А.Н. Тупицын // Цифровая обработка сигналов. — 2008.-№3.-С. 26-31.

114. Анисимов, А. А. Вейвлет-анализ чирпов / А.А. Анисимов, О.Н. Павлова, А.Н. Тупицын, А.Н. Павлов // Известия вузов. Прикладная нелинейная динамика.-2008.-Т. 16, № 5. С. 3-11.

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.