CC BY
81
УДК 004.421
РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ КЛАССИФИКАЦИИ СИГНАЛОВ С ИСПОЛЬЗОВАНИЕМ ПРОДУКЦИОННОЙ БАЗЫ ЗНАНИЙ
В.Ф. Барабанов, Н.И. Гребенникова, Д.Н. Донских
В статье рассмотрен подход к разработке программного обеспечения для решения задачи распознавания и классификации сигналов на основе экспертной системы с продукционной базой знаний. В качестве примера рассмотрены возможные этапы построения программного обеспечения для классификации радиолокационных сигналов
Ключевые слова: классификация сигналов, радиолокационные сигналы, продукционная база знаний, искусственная нейронная сеть, CLIPS
Введение
Задача классификации сигналов является актуальной во многих областях науки и техники. Так, например, в средствах и комплексах радиотехнической разведки излучений бортовых средств радиолокации необходимо решить задачу распознавания и классификации типов излучающих радиолокационных станций (РЛС) и режимов их работы. В условиях быстро изменяющейся фоно-целевой обстановки процесс распознавания сигналов бортовых РЛС должен выполняться автоматически и при этом обеспечивать обнаружение заданных сигналов с требуемой
вероятностью.
Целью данной работы является разработка структуры программного обеспечения для решения задачи автоматического распознавания и классификации сигналов и рассмотрение возможности ее апробации на примере построения приложения для классификации радиолокационных сигналов.
Структура и этапы работы программного обеспечения
В данной работе для решения задачи распознавания и классификации сигналов предлагается использовать экспертную систему (ЭС) с продукционной базой знаний. Для этого необходимо описать классы сигналов и адекватно отразить их характерные признаки (зависящие от предметной области) в базе знаний ЭС.
В рамках продукционной модели знания представляются правилами вида:
Правило 1:
Если (условие 1)
То (действие 1)
Правило 2:
Если (условие 2)
То (действие 2)
Барабанов Владимир Федорович - ВГТУ, д-р техн. наук, профессор, e-mail: [email protected]
Гребенникова Наталия Ивановна - ВГТУ, канд. техн. наук, доцент, тел. (473) 243-77-18
Донских Дмитрий Николаевич - ВГТУ, студент, e-mail: dndonskih@gmail .com
Под «условием» понимается некоторый факт, по которому осуществляется поиск в базе знаний, а под «действием» — действия, выполняемые при успешном исходе поиска (на этом этапе могут формироваться условия для дальнейшего поиска, либо работа системы может завершаться) [11].
Каждый факт - это набор данных, сохраняемый в текущем списке фактов - рабочей памяти системы. Обычно факты используются для того, чтобы внести в систему заранее известные знания или добавить информацию, полученную в процессе диалога с пользователем или в результате вычислений. На основе фактов в рабочей памяти системы запускается машина вывода (алгоритм, управляющий перебором правил из базы знаний).
Машина вывода выполняет две основные функции:
- просмотр существующих фактов из рабочей памяти и правил из базы знаний и добавление в рабочую память новых фактов;
- определение порядка просмотра и применения правил. Данная процедура сводится к определению направления поиска (обычно вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным)) и способа его осуществления.
Действие машины вывода основано на применении правила, называемого modus ponens (если известно, что истинно утверждение А и существует правило вида «ЕСЛИ А, ТО В», тогда утверждение В также истинно). Правила срабатывают, когда в рабочей памяти находятся факты, удовлетворяющие их левой части: если истинна посылка, то должно быть истинно и заключение.
Для создания экспертной системы может быть использована программная среда для разработки экспертных систем CLIPS. В CLIPS используется прямой логический вывод (обратный вывод не поддерживается). Реализация вывода использует алгоритм Rete [10].
Для добавления новых правил в базу в системе CLIPS используется конструктор defrule, синтаксическая схема которого может быть представлена следующим образом:
(defrule <имя_правила>
<предпосылки > ; левая часть правила => ; спец. символ
<следствие> ; правая часть правила
)
В системе CLIPS новые факты помещаются в рабочую память командой assert. Например, следующая команда (assert (signal_type impulse)) добавит в рабочую память факт signal_type impulse.
Этапы работы программного обеспечения для классификации сигналов в рамках предлагаемого подхода можно представить следующим образом:
1. Предварительная обработка сигнала.
На данном этапе применяются алгоритмы, позволяющие повысить информативность сигнала на основании априорно известной информации о его природе;
2. Формирование фактов.
На этом этапе производится выделение характерных признаков сигнала. Предполагается, что пользователь задает ряд алгоритмов (выбор конкретных алгоритмов зависит от специфики предметной области), формирующих факты, описывающие характерные признаки сигнала.
3. Логический вывод.
На данном этапе на основе полученных фактов, ранее сформированных правил вывода и заданной стратегии поиска производится классификация сигнала.
Структурная схема программного обеспечения для классификации сигналов представлена на рис. 1.
Рис. 1. Структурная схема программного обеспечения для классификации сигналов
Возможный вариант построения приложения для классификации РЛС сигналов
Предлагаемый подход может быть использован для классификации временных рядов различной природы. В качестве примера рассмотрим его использование для построения классификатора радиолокационных сигналов. В данной работе рассматривается случай, когда соотношение сигнал/шум велико.
Рассмотрим основные виды сигналов, используемых в радиолокационных станциях, и
выделим информативные признаки, на основании которых можно произвести их классификацию.
Все радиолокационные зондирующие сигналы, используемые в РЛС, можно разделить на непрерывные и импульсные [6]. Непрерывные зондирующие сигналы делятся на сигналы без модуляции, сигналы с частотной модуляцией и сигналы с фазово-кодовой модуляцией (ФКМ).
Импульсные зондирующие сигналы могут быть одиночными или в виде последовательности радиоимпульсов. Например, в современных импульсно-доплеровских радиолокационных
системах используются когерентные
последовательности радиоимпульсов с различными частотами повторения. Скважность
последовательности импульсов меняется от 2 (для сигналов с высокой частотой повторения импульсов (ВЧПИ)) до 15...20 (для сигналов со средней частотой повторения импульсов (СЧПИ)) и более нескольких сотен (для сигналов с низкой частотой повторения импульсов (НЧПИ)). Также широко используется периодическое изменение частоты повторения импульсов (вобуляция частоты повторения) [7].
В качестве импульсных зондирующих сигналов могут быть использованы простые радиоимпульсы без внутриимпульсной модуляции (колебания, модулированные только по амплитуде) и радиоимпульсы с внутриимпульсной модуляцией.
Основными сигналами с внутриимпульсной модуляцией, применяемыми в РЛС, являются линейно частотно модулированные (ЛЧМ) и ФКМ-радиоимпульсы (наибольшее распространение получили ФКМ-сигналы, составленные на основе двоичных кодов Баркера и М-последовательности).
Конкретный вид используемого сигнала определяется требованиями к качеству решения задач радиолокации и соответственно требованиями к характеристикам РЛС.
Таким образом, в качестве информативных признаков для классификации сигналов РЛС выделим следующие:
- тип зондирующего сигнала (импульсный или непрерывный);
- частота повторения импульсов;
- наличие/отсутствие вобуляции частоты повторения импульсов;
- наличие/отсутствие внутриимпульсной модуляции и ее вид.
Возможная последовательность действий при классификации РЛС-сигналов с использованием предложенного подхода:
1) Предварительная обработка сигнала.
На этом этапе может осуществляться перенос частоты, фильтрация сигнала от шумов расчет дискретного преобразования Фурье, для получения частотного представления сигнала и прочее.
2) Формирование фактов, представляющих характерные признаки сигнала.
На данном этапе необходимо сформировать ряд фактов, описывающих сигнал РЛС для их
дальнейшего использования машиной вывода экспертной системы.
Если соотношение сигнал/шум велико, то из временного представления сигнала с помощью применения достаточно простых алгоритмов можно получить следующие факты:
- факт, описывающий является ли сигнал импульсным или непрерывным;
- факт, описывающий оценку частоты повторения импульсов;
- факт, описывающий наличие/отсутствие вобуляции частоты повторения импульсов.
Для формирования факта, описывающего тип внутриимпульсной модуляции, можно
использовать предварительно обученную искусственную нейронную сеть.
В ряде работ описано использование различных видов искусственных нейронных сетей (таких как многослойный персептрон [2, 8, 9], самоорганизующаяся нейронная сеть Кохонена [1, 4], нейронная сеть Хопфилда [3]) для распознавания и классификации сигналов.
В работе [1] рассматриваются методы предварительной обработки сигнала для выделения его уникальных признаков (спектральный анализ, растрирование спектра, кепстральные
коэффициенты). Для распознавания сигналов предложено подавать выделенные признаки на вход самоорганизующейся нейронной сети Кохонена. Также рассматривается возможность использования полученного классификатора в схеме нечеткого блока принятия решений.
В работах [2, 5] в качестве признаков для классификации видов модуляции радиосигналов (Б8К-2 , РАМ, Р8К-2, Р8К-4, Р8К-8, ОАМ-16) используются кумулянты 2-го и 4-го порядков, вычисляемые по значениям отсчетов сигнала. В качестве устройства классификации в [2] используется многослойный персептрон.
В работе [3] для распознавания акустических сигналов информативные признаки формируются следующим образом: частотное представление сигнала разбивается на полосы частот, и затем рассчитывается средняя энергия сигнала в каждой из полос частот. Для распознавания сигнала используется комбинация сети Хопфилда и многослойного персептрона.
Практическим путем было установлено, что для решения задачи классификации типа внутриимпульсной модуляции можно использовать искусственную нейронную сеть прямого распространения, а в качестве входных данных -нормированные оценки отсчетов частотного спектра сигналов, которые соответствуют его локальным максимумам. Для их получения полоса частот, на которой находится сигнал, разделяется на равные отрезки, и по каждому отрезку находится максимум частотного спектра сигнала. Затем, значения полученных отсчетов нормируются (диапазон их изменения ограничивается
интервалом от 0 до 1) и подаются на вход искусственной нейронной сети.
Примеры полученных оценок отсчетов спектра для различных видов РЛС-сигналов представлены на рис. 2-5.
Отсчеты
Рис. 2. Оценки отсчетов спектра РЛС сигнала (простые радиоимпульсы с ВЧПИ)
200 300
Отсчеты
Рис. 3. Оценки отсчетов спектра РЛС сигнала (простые радиоимпульсы с НЧПИ)
200 300
Отсчеты
Рис. 4. Оценки отсчетов спектра РЛС сигнала (ЛЧМ модуляция с СЧПИ)
200 300
Отсчеты
Рис. 5. Оценки отсчетов спектра РЛС сигнала (ФКМ модуляция, M-последовательность (длина последовательности N = 63), НЧПИ) 3) Логический вывод.
На этом этапе, на основе заранее сформированных правил вывода, полученных фактов и заданной стратегии поиска, машина вывода экспертной системы относит сигнал к тому или иному классу. Результат классификации (и его промежуточные этапы, если это необходимо) выводится пользователю с помощью блока отображения результата.
Заключение
Таким образом, в данной работе рассмотрен возможный подход к построению программного обеспечения для классификации сигналов с использованием продукционной базы знаний на основе CLIPS. Основным его преимуществом можно назвать то, что пользователь имеет возможность задавать различные алгоритмы обработки сигналов (формирующие факты, описывающие сигнал) и правила вывода, а также наглядность процесса логического вывода. Данный подход может быть использован для построения классификаторов временных рядов различной природы. Недостатком данного подхода можно назвать невозможность его использования в условиях жестких требований к работе в реальном времени [10].
Литература
1. Кладов, С.А Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена [Текст]: электронный журнал [Электронный ресурс] / С.А Кладов // Молодежный научно-технический вестник. - 2012 - № 5. - World Wide Web. URL : http : // www. www. sntbul. bmstu. ru / doc / 458173.html
2. Аджемов, С.С. Нейросетевой метод распознавания видов модуляции радиосигналов с использованием кумулянтов высокогоо порядка [Текст] / С.С. Аджемов, М.В. Терешонок, Д.С. Чиров // T-Comm -Телекоммуникации и Транспорт. - 2012 - № 9. - C. 9-12.
Воронежский государственный технический университет
DEVELOPMENT OF THE SOFTWARE FOR CLASSIFICATION SIGNALS WITH USE OF THE PRODUCTIONAL KNOWLEDGE BASE
V. F. Barabanov, N. I. Grebennikova, D. N. Donskih
The article describes an approach to developing software for solving the problem of recognition and classification of signals based expert system with productional rules knowledge base. As an example possible stages of creation of the software for classification of radar signals are considered
Key words: classification of signals, radar signals, productional knowledge base, artificial neural network, CLIPS
3. Деглина, Ю.Б. Нейросетевой алгоритм распознавания сигналов акустической эмиссии [Текст] / Ю.Б. Деглина // Искусственный интеллект. - 2006 - № 4. - C. 95-98.
4. Терешонок, М.В. Классификация и распознавание сигналов систем радиосвязи при помощи самоорганизующихся карт Кохонена с различными топологиями выходного слоя и алгоритмами обучения [Текст] / М.В. Терешонок // T-Comm -Телекоммуникации и Транспорт. - 2008 - № 6. - C. 2831.
5. Семкин, П.В. Методы классификации случайных сигналов в системах контроля радиочастотного спектра [Текст] / П.В. Семкин, А.В. Кузовников, В.Г. Сомов, Н.А. Тестоедов // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. - 2013 - № 6. - C. 183-187.
6. Радиолокационные системы : учебник [Текст] / В. П. Бердышев, Е. Н. Гарин, А. Н. Фомин и др.; под общ. ред. В. П. Бердышева. - Красноярск: Сиб. федер. ун-т, 2011. - 400 с.
7. Радиолокационные системы многофункциональных самолетов. Т.1. РЛС -информационная основа боевых действий многофункциональных самолетов. Системы и алгоритмы первичной обработки радиолокационных сигналов [Текст] / А.И. Канащенков, В.И. Меркулов, А.А. Герасимов и др.; под ред. А.И. Канащенкова и В.И. Меркулова. - М.: «Радиотехника», 2006. - 656 с.
8. Барабанов, В.Ф. Программно-аппаратный комплекс для автоматизации процесса классификации разногабаритных компонентов [Текст] / В.Ф. Барабанов, М.С. Резуев, Н.И. Гребенникова // Вестник Воронежского государственного технического университета. - 2013. - Т. 9, № 4. - C. 93-97.
9. Барабанов, В.Ф. Разработка структуры программно-аппаратного комплекса для процесса классификации сыпучего материала [Текст] / В.Ф. Барабанов, М.С. Резуев // Информационные технологии моделирования и управления. - 2013. - № 2. - С. 149-153.
10. CLIPS - FAQ [Электронный ресурс]: Режим доступа : World Wide Web. URL : http : // www. www. clipsrules. sourceforge. net / FAQ.html
11. Базы знаний интеллектуальных систем [Текст] / Т. А. Гаврилова, В. Ф. Хорошевский. - СПб : Питер, 2000. - 384 с.
12. Подвальный, С. Л. Модульная структура системы многоальтернативного моделирования процессов полимеризации [Текст] / С.Л. Подвальный, А.В. Барабанов // Вестник Воронежского государственного технического университета. - 2013. -Т. 9, № 5.1. - С. 41-43.
13. Barabanov, A.V. Structural modeling of continuous multi-center polymerization processes [Text] / A.V. Barabanov, S.L. Podval'nyi // Automation and Remote Control. - 2012. T. 73. - № 7. C. 1265-1268.
