1.3.2. Методы классификации с предварительной обработкой сигнала
Следующей группой методов, используемых для классификации сигналов, является группа методов, использующих для классификации промежуточные вычисления. Эти методы основаны на оценке близости формы эталонных и классифицируемых сигналов, т.е.
корреляционные методы.Такие методы можно классифицировать по количеству этапов, на которые разбивается обработка исходной информации перед тем, как будет принято решение о соответствии анализируемого сигнала искомому. На рис. 1.14 показана подобная классификация методов идентификации сигналов.
Одноуровневые методы
Многоуровневые методы
Методы классификации с предварительной обработкой сигнала
Рис. 1.14. Классификация методов
К одноуровневым методам классификации относится согласованная фильтрация [1, 15, 20].Смысл согласованной фильтрации заключается в вычислении свертки Ct-(jc,^) исследуемого сигнала Р(х,у) с искомым сигналом
Рт(хуу)ь при условии, что объем выборки эталонного сигнала Рт(х,у) составляет двумерную матрицу Х(Т)хУ(Т) отсчетов: Ст(х,у) = Р(хуу)*Рт(х,у) =
X(T)Y(T) (13)
^=0 у'=0
Эталонный сигнал Рт(х,у) считается обнаруженным в координатах л\у, когда значение С7 (*»>') будет больше, чем заранее заданное пороговое значение С0.
В общем случае для обнаружения сигналов могут применяться схемы, построенные по принципу персептрона [6, 27, 38]. Такая схема является структурой, состоящих из нескольких фильтров (рис. 1.15).
Мч)
Рис. 1.15. Структура персептрона
Наблюдаемые переменные проходят через массив согласованных фильтров, каждый из которых настроен на некоторый эталонный сигнал, соответст-вующий одному из состояний наблюдаемого объекта. При наличии такого сигнала реакция соответствующего фильтра оказывается больше остальных. В простейшем случае алгоритм принятия решения сводится к поиску фильтра с наибольшей реакцией.
Развитием структуры персептрона, представленной на рис.
1.15, являются нейронные сети [1, 20]. Существует значительное количество вариантов различных структур нейронных сетей, однако наиболее часто используется трёхслойная полносвязная сеть (рис. 1.16), состоящая, соответственно, из входного, внутреннего и выходного слоёв.
-а Ч
О X Л
CQ
слой 1
слой 2
слой 3
Рис. 1.16. Общая архитектура нейронной сети
Узлы в первом слое являются пассивными, т.е. не изменяют сигналов. Их назначением является передача единственного отсчёта, поступающего на вход, на несколько выходов, соединённых с узлами второго слоя. Узлы внутреннего слоя - активные. Фактически, они представляют собой корреляторы, выполняющие нормализацию и взвешивающее суммирование входных величин и нормирование результата. Структура отдельного узла показана на рис. 1.17.
Линейка умножителей выполняет умножение входных отсчётов анализи-руемого сигнала на заданный набор весовых коэффициентов {wj, определяющих эталонную форму сигнала, соответствующего одному из состояний 5, наблюдаемого объекта, или некоторому подмножеству состояний. Далее с помощью сумматора Z выполняется сложение результатов поэлементных умножений с последующей их нормировка нелинейным элементом S (сигмоид). В классической нейронной сети этот элемент реализует функцию вида:
1
(1.4)
1 + ехр(-я)
Выходы узлов внутреннего слоя можно рассматривать как некоторые оценки вероятностей присутствия во входном массиве распределённых измерений сигналов, соответствующих состояниям . При этом узлы выходного слоя 3S 5
СО 0 О CL Б 2 Wi л ?2
и л с. X ~ к
:CJ f- С W2 5 5
5 ё о С5 О. т
Wn
Рис. 1.17. Структура активного узла нейронной сети
Нейронные сети представляют собой системы распознавания с обучением. Процедура обучения заключается в предъявлении распознающей системе последовательности обучающей выборки - совокупности эталонов, подлежащих распознаванию. Недостатком нейронных сетей является сложность проце-
формируют результат классификации, получающийся взвешиванием и суммированием промежуточных результатов внутреннего слоя (двойное коррелирование).
дуры начального обучения, требующей значительного объёма экспериментальных данных.
Модификацией описанного метода является многомодельный метод, сводящийся к совокупности моделей, описанных с единой позиции, и задающих различные преобразования регистрируемых результатов распределённых изме-рений. Модели обеспечивают обнаружение соответствующих изменений в процессе функционирования наблюдаемого объекта. Для каждой модели изменения сигнала в общем случае применяется свое решающее правило. Таким образом, многомодельный метод обнаруживает переход от одного характерного сигнала к другому в случае, когда изменяется номер фильтра, на выходе которого имеется минимальная величина отклика на входной сигнал.
Использование одноуровневых методов для выполнения процедуры обнаружения «цели» на тепловизионном изображении предполагает оперирование сигналами в пространственной области, т.е. использование двумерных сигналов. В этом случае возникает необходимость введения слишком большого множества эталонных сигналов, потому что форма «цели» на тепловизионном изображении может носить различный характер. Каждый эталон в данном случае будет представлять собой изображение «цели», повернутое под строго определенным углом относительно линии визирования регистрирующего прибора и линии горизонта. Отсюда возникает необходимость исследования возможности анализа сигналов тепловизионного наблюдения, обладающей инвариантностью по отношению к форме «цели» на тепловизионном изображении и учитывающей совокупность пикселей, окружающих анализируемый участок изображения.
Многоуровневые методы предполагают использование нескольких этапов для выполнения классификации сигналов. Сюда могут входить процедуры вычисления совокупности определенных параметров сигнала, которые содержат информацию о характере процесса, которые он описывает. К таким параметрам может относиться оцененная плотность распределения значений сигнала на некотором участке или его частотные характеристики.
В частности, известен широким спектр методов обнаружения сигналов с известными параметрами, основанный на частотном анализе сигналов.
В основном, это методы, используемые для распознавания речи [6, 16, 28J. Это вызвано характерной структурой речевого сигнала, которая представляет собой совокупность квазистационарных участков, соответствующих голосовым и ши-пящим фонемам, перемежаемых участками со сравнительно быстрыми изменениями спектральных характеристик сигнала (межфонемные переходы, взрывные и смычные фонемы, внутрисловные переходы речь-пауза). В пределах стационарных участков значительную роль для анализа речевого сигнала играют спектральные особенности сигнала, определяемые передаточной характеристикой речевого тракта, изменяющейся в процессе артикуляции.В [6] описана сегментация речевых сигналов с распознаванием. При ее использовании предполагается, что речевой сигнал задастся с помощью моделей или фрагментов фонетического описания сигнала. На основе предварительной обработки извлекается последовательность векторных параметров или групп данных (фреймов), характеризующих сигнал; в речи ими могут быть: спектр, оцененный за короткий временной период, спектральные пики, пересечение нуля.
В [16] описано применение частотно-временной обработки для формант- ного анализа речевых сигналов. Под формантами понимаются диапазоны передаточной функции речевого тракта, характеризующиеся своей частотой, амплитудой и полосой пропускания. Обычно анализируются первые три-четыре наиболее информативные форманты и два их наиболее информативные параметра: частота и амплитуда. На амплитудно-частотной характеристике форманты проявляются в виде заметных максимумов. Процесс спектрального анализа состоит из нескольких этапов. На стадии предобработки из усредненного в окне спектральных данных, взятых с некоторым интервалом, формируется массив чисел для оценки параметра речь/пауза (межфразовая). В паузе, оцениваемой по пороговому значению интенсивности сигнала, измеряется уровень помех в совокупности спектральных диапазонов. Далее формируется совокупность от- счетов, позволяющих усилить контраст формантных максимумов спектра.
В блоке выделения локальных максимумов спектр разбивается на четыре перекрывающихся формантные зоны, в каждой из которых выделяются по три наибольших локальных максимума. Найденные таким образом пары величин частот и их амплитуд являются претендентами на значения, характеризующие форманты. После окончательного анализа полученных претендентов вырабатываются окончательные значения частот и амплитуд формант. На следующей стадии алгоритма выполняется устранение одиночных сбоев в выделении формантных частот и амплитуд с использованием медианного сглаживания, а также линейная интерполяция траекторий формантных частот на неозвученных интервалах. Заключительным шагом формантного анализа является нормиро-вание формантных амплитуд.Итак, общая классификация обнаружения участка сигнала по известным параметрам можно можно представить в следующем виде (рис. 1.18).
Методы обнаружения сигнала с известными параметрами
Методы прямой классификации Методы с предварительной
обработкой сигнала Пороговое разделение на основе различных критер
критерии Байеса;
минимаксный критерий;
критерий Неймана-Пирсона.
Одноуровневые методы обнаружения
Согласованная фильтрация, нейронные сети Многоуровневые методы обнаружения
Частотные и частотно временные методы