CC BY
34
Формирование диагностических признаков для охранных систем
А.А. Приймак, М.Ю. Рубанов Пензенский государственный университет, Пенза
Аннотация: Рассмотрено применение параметров мод, выделяемых с помощью алгоритма экстремальной фильтрации. Описано использование и недостатки амплитудных детекторов. Рассмотрено применение затухания и показан способ снижения эффекта «проскоков». Предложено использовать комбинированный признак, для более контрастного выделения областей обнаружения. Представлен способ снижения трудоёмкости, заключающийся в применении фильтрации непосредственно к ряду экстремумов, без вычисления сглаженной составляющей. Выбран метод, позволяющий адаптировать алгоритм анализа сигнала к работе в режиме реального времени. Ключевые слова: охранная система, диагностические признаки, экстремальная фильтрация, моды, реальное время.
Введение
В настоящее время разрабатывается множество охранных систем, в которых требуется своевременное обнаружение и классификация нарушителя. Это приводит к необходимости создания специальных алгоритмов и методов, способных обнаруживать и правильно классифицировать нарушителя в режиме реального времени. Их разработке посвящено множество работ, таких как [1-5, 9].
Ранее, при построении систем охраны периметра, предлагалось использовать амплитудные детекторы. Однако амплитудный обнаружитель способен действовать только на коротких расстояниях. Добиться лучшей контрастности можно использованием затуханий, но в этом случае необходимо решение проблемы «проскоков».
Для ещё более контрастного выделения области обнаружения требуется другое решение, которым является использование комбинированного признака - отношения частоты к модулю затухания.
Существует необходимость разработки, исследования и адаптации к режиму реального времени алгоритмов, построенных с использованием комбинированного признака.
Выделение параметров составляющих
В работах [1-6] было рассмотрено применение экстремальной фильтрации (ЭФ) в сейсмических и вибрационных системах наблюдения для обнаружения «нарушителя». В основе подхода лежит разложение сигнала сложной формы на знакопеременные составляющие (моды) по его экстремумам x3i с помощью пары фильтров, выделяющих знакопеременную
и сглаженные составляющие:
х*=-25х^-1 + 0.5x3i - 0.25хя+i (1) xa= 0.25х я.-1 + 0.5хэ; + 0.25х я.+1 (2)
Количество выделяемых мод определяется типом задачи -идентификация или обнаружение. Для идентификации необходимо выделение всех составляющих, а для обнаружения часто достаточно выделить только одну - высокочастотную составляющую.
Для каждой из мод рассчитываются параметры, характеризующие состояние объекта. При переходе, например, от сейсмо- или вибро-шума к сигналу от «нарушителя» параметры составляющих изменяются. В качестве параметров могут использоваться параметры мод
yi = A. • exp(-агг) • cos(2nfit + (рг)- амплитуды, частоты и затухания Ai, fi,ai на i-ом участке.
fil , fi2 V.^ fip Si = Ai1 , Ai2 ,..., Aip ai1 ,ai2 ,..., aip
Таким образом, для задачи обнаружения необходимо получить параметры разложения первой составляющей, а для задачи идентификации требуется получение параметров разложения всех составляющих.
Анализ параметров составляющих
Первоначально в охранных системах использовались амплитудные детекторы. Это естественно, так как амплитуды при приближении объекта существенно возрастают. В тех же работах было показано, что частоты составляющих разложения более контрастно выделяют переход от шума к сигналу, регистрируемого от объекта - частота существенно падает. В работе [1] в приложении затрагивается вопрос использования затухания, которое тоже четко выделяет области обнаружения - оно, наоборот, возрастает.
Препятствием его использования был факт, что вычисление затухания связано с логарифмированием в точках экстремумов сигналов или его составляющих (1п(хэ1) = 1п(|хэ11)-аэ1) и зашумление данных приводило к тому,
что область обнаружения выделялась четко, но «внутри» имелись «проскоки». Предварительная обработка и применение метода наименьших квадратов позволили уменьшить это влияние.
На рисунке 1 представлены результаты моделирования работы в среде МайаЬ [7-9]. Для результатов сейсмических наблюдений (проезд автомобиля, бег группы, проезд автомобиля с другой стороны) показаны регистрируемый сигнал на верхнем графике, изменение частот и амплитуд (для первых трех мод) на следующих двух графиках, а также модуль затухания высокочастотной моды на нижнем графике. Более низкочастотные составляющие имеют большие затухания. Переход от сейсмошума к сигналу характеризуется уменьшением частот составляющих, увеличением их амплитуд и затухания.
На рисунке 2 показано изменение частоты, амплитуды и относительный коэффициент затухания высокочастотной моды: частота практически не меняется в области обнаружения; амплитуда линейно возрастает при приближении к обнаружителю, затухание сначала увеличивается, а затем монотонно меняется в узком диапазоне.
0.5 0
-0.5
400 200 0
0.2 0.1 0
—™4н|||
0 2 4 6 8 10 12 14
х 10
16
4
0 2 4 6 8 10 12 14 16
х 104
0 2 4 6 8 10 12
20 10 0
14 16 х 104
0 2 4 6 8 10 12
14 16 х 104
Рис. 1 - Результат сейсмических наблюдений ЭФ
300-1-
200 100-
[ [
0 10 20 30
■К л щМ
_|_I_I_
40 50 60
70 80
• /
_I_
90 100
0.1
0.05
, • л» • •
0 10 20 30 40 50 60 70 80 90 100
л п
-10Л'" • ••• •
-15'-1--х- 1639 —1-1-1-1-1-1-1-
0 10 у'°3з6 30 40 50 60 70 80 90 100
0
0
0
Рис. 2 - Изменения частоты, амплитуды и относительного коэффициента затухания высокочастотной моды от отношения сигнал/шум
Отношение убывающей частоты к возрастающему декременту затухания еще четче выделяет область обнаружения (нижний график на рисунке 1). Из графика 3, представленного на рисунке 1, видно, что амплитудный обнаружитель срабатывает лишь при небольшом расстоянии, а вот уменьшение частоты в 2 раза и (или) увеличение декремента затухания вдвое четко определяет момент вторжения в зону ответственности. Еще более контрастно обнаружение происходит при использовании комбинированного признака - отношение убывающей частоты к возрастающему по модулю затуханию.
Есть еще один путь снижения трудоемкости, также связанный с применением аппарата экстремальной фильтрации. Моды извлекаются из исходного ряда экстремумов хэ1, а уравнение (1) это нормированное
уравнение осциллятора с частотой, определяемой расстоянием между экстремумами. Поэтому, если применить фильтрацию непосредственно к ряду экстремумов, не вычисляя сглаженной составляющей хкр1 =-0.25хк-1 + 0.5хЭ1к - 0.25хЭ1к+1 ,где к=1,2,.. I -коэффициент прореживания
экстремумов, то становится возможным получение амплитудных оценок на 1
частотах -, где А - среднее расстояние между экстремумами исходного
2кА
временного ряда.
На рисунке 3 представлен результат работы модифицированного метода, реализующего идею применения фильтрации непосредственно к ряду экстремумов.
Для анализа сигнала в режиме реального времени алгоритм экстремаль ной фильтрации, и вычисление параметров мод, необходимо адаптировать к режиму реального времени. Для этого возможно применить метод покадровой обработка сигнала [10]. Он хорошо подходит для адаптации к
режиму реального времени алгоритмов экстремальной фильтрации и расчёта параметров.
0.5 0
-0.5
200 100
0_I_[_I_I_I_I_I_I_
0 0.5 1 15 2 2.5 3 3 5 4 4.5
Рисунок 3 - Результат сейсмических наблюдений, модифицированный метод
Заключение
Описанные особенности каждого из подходов к формированию диагностических признаков позволяют сделать вывод о превосходстве использования комбинированного признака - отношения частоты к затуханию.
Использование комбинированного признака позволяет чётко выделять области обнаружения, давая возможность правильно классифицировать объект - нарушитель.
Метод покадровой обработки, который предложено использовать, позволяет адаптировать алгоритм экстремальной фильтрации и алгоритм анализа параметров к работе в режиме реального времени.
Модифицированный метод дает аналогичные результаты, не требует разложения, проводит частотный анализ непосредственно по экстремумам.
^^
_[_I_I_I_I_I_I_
0.5 1 11.5 2 2.5 3 3.5 4 4 5
X 104
Литература
1. Мясникова Н.В., Берестень М.П., Дудкин В.А. Экспресс-анализ сейсмических сигналов // Известия Вузов. Поволжский регион. Техничекие науки, 2007, №4, - с. 144 - 151.
2. Зенов А. Ю., Мясникова Н.В. Применение нейросетевых алгоритмов в системах охраны периметра // Известия высших учебных заведений. Поволжский регион. Технические науки, 2012, №3 (23). - с 3-7.
3. Зенов А. Ю. Комплексный подход к обнаружению и классификации нарушителя на охраняемой территории // Известия высших учебных заведений. Поволжский регион. Технические науки. 2012, №2. - с. 23-32.
4. Мясникова Н.В., Берестень М.П., Цыпин Б.В. Экспресс-анализ сигналов в инженерных задачах. М.: ФИЗМАТЛИТ, 2016. -184 с.
5. Берестень М.П., Зенов А.Ю. Концепция организации обработки информации в системах диагностики и распознавания // Инженерный вестник Дона, 2013, №1. URL:ivdon.ru/magazine/archive/n1y2013/1568
6. Мясникова Н.В., Берестень М.П. Разложение на эмпирические моды на основе экстремальной фильтрации // Цифровая обработка сигналов. 2014, №4, С. 13-17.
7. Vinay K I., John G.P. Digital Signal Processing Using MATLAB, 3nd Edition // Cengage Learning, Inc, Mason, OH, United States - 2011. - 652 p.
8. John W. Leis. Digital Signal Processing Using MATLAB for Students and Researchers // Wiley - 2011. - 396 p.
9. Хант Б.Р., Липсмен Р.Л., Розенберг Дж.М. Matlab: официальный учебный курс Кембриджского университета [пер. с англ. Д.Н. Проценко, А.А. Мизонова]; Кембридж. ун-т Москва.: Триумф, 2008. - 352 с.
10. Приймак А. А., Адаптация метода экстремальной фильтрации для систем реального времени с помощью покадровой обработки сигнала //
Инженерный вестник Дона», 2017, №2.
URL:ivdon.ru/ru/magazine/archive/n2y2017/4175
References
1. Myasnikova N.V., Beresten MP, Dudkin V.A. Izvestia vuzov. Povolzjskyi region. Technicheskie nauki, 2007, №4, pp. 144 - 151.
2. Zenov A. Yu., Myasnikova N.V. Izvestia vuzov. Povolzjskyi region. Technicheskie nauki, 2012, №3 (23), pp. 3-7.
3. Zenov A. Yu. Izvestia vuzov. Povolzjskyi region. Technicheskie nauki, 2012, №2, pp. 23-32.
4. Myasnikova N.V., Beresten' M.P. Tsypin B.V. Ekspress-analiz signalov v inzhenernykh zadachakh [Express analysis of signals in engineering tasks]. M.: FIZMATLIT, 2016. 184 p.
5. Beresten M.P., Zenov A.Y. Inzenernyj vestnik Dona (Rus), 2013, №1. URL: ivdon.ru/magazine/archive/n1y2013/1568/.
6. Myasnikova N.V., Beresten M.P. Tsifrovaya obrabotka signalov, 2014, №4. pp. 13-17.
7. Vinay K I., John G.P. Digital Signal Processing Using MATLAB, 3nd Edition. Cengage Learning, Inc, Mason, OH, United States - 2011. - 652 p.
8. John W. Leis. Digital Signal Processing Using MATLAB for Students and Researchers. Wiley. 2011. 396 p.
9. Hunt B.R, Lipsman R.L., Rosenberg J.M. Matlab: oficialniy uchebniy kurs Kembridjskogo universiteta [Matlab: the official course of the University of Cambridge]. M.: Triumph, 2008. 352 p.
10. Pryimak A. A. Inzenernyj vestnik Dona (Rus), 2017, №2. URL:ivdon.ru/ru/magazine/archive/n2y2017/4175.
