Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам

Изобретение относится к технике связи и может быть использовано в системах радиомониторинга для автоматизированной классификации радиосигналов по структурно-временным параметрам. Техническим результатом изобретения является автоматизация и повышение робастности процесса классификации радиосигналов по структурно-временным параметрам. Способ включает этапы, на которых учебные данные подвергаются кластеризации, основанной на принципе конкуренции, которая обеспечивает построение набора эталонных векторов структурно-временных параметров известных классов радиосигналов с автоматической оценкой для каждого эталонного вектора значения σ, по этим данным производится построение вероятностной нейронной сети, с использованием построенной вероятностной нейронной сети производится оценка плотности распределения вероятности известных классов радиосигналов в области неизвестного (классифицируемого) сигнала и неизвестный сигнал отождествляется с классом, имеющим наиболее плотное распределение вероятности в области неизвестного сигнала.

 

Изобретение относится к технике связи и может быть использовано в системах радиомониторинга для автоматизированной классификации радиосигналов по структурно-временным параметрам.

Наиболее близким способом того же назначения к заявляемому изобретению по максимальному количеству сходных признаков является способ классификации радиосигналов по структурно-временным параметрам с использованием устройства типа вероятностной нейронной сети [Каллан Р. Основные концепции нейронных сетей.: Пер. с англ. - М.: Вильямс, 2003. - 288 с.], представляющего собой параллельную реализацию метода Байеса. Суть данного способа заключается в том, что для каждого образца (вектора структурно-временных параметров) радиосигнала можно принять решение на основе выбора наиболее вероятного класса из тех, которым мог бы принадлежать образец. Такое решение требует оценки функции плотности вероятности для каждого класса радиосигналов, которая рассчитывается в соответствии с выражением:

где х - классифицируемый образец;

nj - число образцов класса j в обучающей выборке;

хi - i-тый образец класса j;

σ - параметр, задающий ширину функций потенциала (допустимую дисперсию) и определяющий их влияние. Зарегистрированный радиосигнал идентифицируется с классом, который имеет в данной области признакового пространства наиболее плотное распределение вероятности.

Последовательность действий при известном способе классификации радиосигналов по структурно-временным параметрам заключается в следующем.

1. Производится построение (обучение) классификатора на основе вероятностной нейронной сети в результате выполнения следующих действий:

- измерение структурно-временных параметров радиосигналов различных классов, формирование учебных данных;

- построение по учебным данным вероятностной нейронной сети с выбранным экспертным путем значением ширины функции потенциала σ.

2. Производится классификация неизвестных сигналов с использованием построенного классификатора на основе вероятностной нейронной сети в результате выполнения следующих действий:

- измерение структурно-временных параметров неизвестного радиосигнала х;

- расчет функции плотности вероятности для каждого известного класса радиосигналов в области радиосигнала х в соответствии с выражением (1);

- определение класса неизвестного сигнала х по принципу: х∈j, если gj(x)=max.

Рассмотренный способ классификации радиосигналов по структурно-временным параметрам с использованием вероятностной нейронной сети принят за прототип.

К причинам, препятствующим достижению указанного ниже технического результата при использовании прототипа, относятся следующие недостатки. В известном способе необходимо проводить выбор значения σ экспертным путем. Трудность выбора заключается в том, что различные классы радиосигналов имеют различные значения внутриклассовой дисперсии. Второй причиной является низкая робастность известного способа.

В основу изобретения положена задача автоматизации выбора ширины функции потенциала для каждого класса радиосигналов и повышения робастности классификации за счет построения эталонных векторов структурно-временных параметров различных классов радиосигналов.

Поставленная задача достигается тем, что в отличие от известного способа классификации радиосигналов по структурно-временным параметрам с использованием устройства типа вероятностной нейронной сети, заключающегося в том, что по учебным данным, состоящим из векторов структурно-временных параметров сигналов различных классов, производится построение вероятностной нейронной сети с выбранным экспертным путем значением ширины функции потенциала σ, с использованием построенной вероятностной нейронной сети производится оценка плотности распределения вероятности известных классов радиосигналов в области неизвестного (классифицируемого) сигнала и неизвестный сигнал отождествляется с классом, имеющим наиболее плотное распределение вероятности в области неизвестного сигнала, в заявленном способе перед построением вероятностной нейронной сети учебные данные подвергаются процедуре кластеризации, основанной на принципе конкуренции, которая обеспечивает построение набора эталонных векторов структурно-временных параметров известных классов радиосигналов с автоматической оценкой для каждого эталонного вектора значения σ.

Благодаря введению в известный способ совокупности существенных отличительных признаков заявляемый способ позволяет автоматизировать и повысить робастность процесса классификации радиосигналов по структурно-временным параметрам.

Процедура предварительной кластеризации позволяет автоматически формировать набор эталонных векторов структурно-временных параметров известных классов радиосигналов, являющихся усредненным значением векторов параметров известных классов радиосигналов. Построенная по эталонным векторам вероятностная нейронная сеть обладает робастностью при решении задачи классификации за счет того, что сформированные эталонные векторы являются оптимальной оценкой истинных структурно-временных параметров радиосигналов различных классов.

Кроме того, рассчитанные по результатам кластеризации значения дисперсии сформированных кластеров используются в качестве значений ширины функции потенциала при построении вероятностной нейронной сети, что позволяет автоматизировать процесс классификации, так как не требуется выбирать значения ширины функции потенциала экспертным путем.

Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам заключается в последовательном выполнении следующих действий.

1. Производится построение (обучение) классификатора на основе вероятностной нейронной сети, заключающееся в последовательности выполнения следующих действий:

1.1 Измеряются структурно-временные параметры радиосигналов для формирования учебных данных {Х}i, i=1…N, где N - количество учебных образцов.

1.2 Проводится кластеризация набора учебных векторов структурно-временных параметров радиосигналов {X}. Кластеризация производится следующим образом:

1.2.1 Формируется набор эталонных векторов {Y}i, i=1…N, проинициализированных случайными значениями.

1.2.2 Случайным образом выбирается один из векторов обучающей выборки {X}i.

1.2.3 Определяется вектор-победитель {Y}c, который наиболее похож на вектор входов. Под похожестью понимается расстояние между векторами в евклидовом пространстве.

1.2.4 Производится корректировка набора эталонных векторов {Y}i по формуле:

Yi(t+1)=Yi(t)+hci(t)·(X(t)-Yi(t)),

где t - номер эпохи. Функция h(t) называется функцией соседства, которая делится на функцию расстояния и функцию скорости обучения и определяется как:

h(t)=h(||rc-ri||,t)·α(t),

где r определяет положение вектора в выборке, - функция расстояния, θ{t} - радиус обучения, d=||rc-ri|| - расстояние между вектором-победителем и i-тым вектором, - функция скорости обучения, А и В - константы скорости. На первоначальном этапе выбираются достаточно большие значения скорости обучения А, В и радиуса обучения θ{t), что позволяет расположить векторы {Y} в соответствии с распределением примеров в учебных данных, а затем производится точная подстройка векторов {Y}, когда значения параметров скорости обучения много меньше начальных.

1.2.5 Осуществляется возврат к этапу 1.2.2, пока t не достигнет заданной величины Т. Для успешной реализации способа T>1000.

По результатам кластеризации формируется набор эталонных векторов структурно-временных параметров радиосигналов {Y}, j=1…M, где М - количество полученных эталонных образцов, причем M<N, и соответствующие им дисперсии σj.

1.3 Проводится построение по эталонным данным {Y} вероятностной нейронной сети с соответствующей каждому вектору (образцу) σj.

2. Проводится классификация неизвестных сигналов с использованием построенного классификатора на основе вероятностной нейронной сети, заключающаяся в последовательности выполнения следующих действий:

2.1 Производится измерение структурно-временных параметров неизвестного радиосигнала х.

2.2 Рассчитывается функция плотности вероятности для каждого известного класса радиосигналов в области радиосигнала х в соответствии с выражением (1).

2.3 Определяется класс неизвестного сигнала х по принципу: x∈j, если gj(x)=max.

Преимущество изобретения состоит в том, что по сравнению с прототипом заявленный способ позволяет решать задачу классификации радиосигналов по структурно-временным параметрам полностью в автоматическом режиме и снижает вероятность принятия ложного решения (классификации), обусловленного случайными флуктуациями радиосигналов, на 10-20%, то есть повышения робастности классификации.

Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам, заключающийся в том, что по учебным данным, состоящим из векторов структурно-временных параметров сигналов различных классов, производится построение вероятностной нейронной сети с выбранным экспертным путем значением ширины функции потенциала σ, с использованием построенной вероятностной нейронной сети производится оценка плотности распределения вероятности известных классов радиосигналов в области неизвестного (классифицируемого) сигнала и неизвестный сигнал отождествляется с классом, имеющим наиболее плотное распределение вероятности в области неизвестного сигнала, отличающийся тем, что перед построением вероятностной нейронной сети учебные данные подвергаются кластеризации, основанной на принципе конкуренции, которая обеспечивает построение набора эталонных векторов структурно-временных параметров известных классов радиосигналов с автоматической оценкой для каждого эталонного вектора значения σ.



 

Похожие патенты:

Изобретение относится к вычислительной технике. .

Изобретение относится к области компьютерных сетей. .

Изобретение относится к бионике, моделированию функциональных аспектов человека. .

Изобретение относится к вычислительным модулярным нейрокомпьютерным системам и предназначено для выполнения основной операции деления модулярных чисел. .

Изобретение относится к вычислительной технике и может быть использовано при построении систем обработки дискретной информации. .

Изобретение относится к вычислительной технике и, в частности, к модулярным нейрокомпьютерным средствам и предназначено для определения ошибок в кодовых конструкциях непозиционного кода полиномиальной системы классов вычетов (ПСКВ), представленных в расширенных полях Галуа GF(2v).

Изобретение относится к радиотехнике и может быть использовано для целей радиоконтроля, согласованной фильтрации преднамеренных помех, скрытого определения характеристик источников радиоизлучения и для демодуляции сигнала с неизвестной структурой.

Изобретение относится к автоматике и вычислительной технике, в частности к устройствам для определения интервала разбиения аргумента при проектировании частотно-импульсных функциональных преобразователей, и может быть использовано в измерительной технике в качестве устройства выбора диапазона при измерении частоты.

Изобретение относится к контрольно-измерительной технике и может быть использовано в телекоммуникационных системах. .

Изобретение относится к технике защиты данных при реализации механизмов биометрической идентификации и аутентификации, оно может быть использовано при заключении электронных сделок, при электронной торговле, в Интернетбанкинге.

Изобретение относится к области компьютерных сетей

Изобретение относится к области компьютерных сетей

Изобретение относится к области гидрометеорологии и может быть использовано для прогнозирования паводков и других гидрометеорологических явлений

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем. Техническим результатом является повышение интеллектуальности обработки информации, улучшение избирательности по запоминанию, распознаванию сигналов и извлечению их из памяти сети. Сущность способа в том, что при интеллектуальной обработке информации в двухслойной рекуррентной нейронной сети с управляемыми синапсами при передаче совокупностей единичных образов от слоя к слою единичные образы поворачивают вокруг направлений их передачи с учетом текущих состояний слоев. 5 ил.

Группа изобретений относится к области обработки и распознавания радиосигналов, в частности к распознаванию вида и параметров манипуляции радиосигналов, и может быть использована в радиотехнических устройствах для распознавания манипуляции радиосигналов. Техническим результатом является автоматическое распознавание типов манипуляции радиосигналов в условиях отсутствия высокоточной синхронизации по несущей частоте для более широкого класса типов манипуляции (амплитудной, амплитудно-фазовой, фазовой и частотной). Устройство содержит антенну, аналого-цифровой преобразователь, блок формирования синфазной и квадратурной составляющих сигнала, блок расчета кумулянтов, блок нейронной сети. 2 н.п. ф-лы, 3 ил.

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем. Техническим результатом является повышение глубины и интеллектуальности обработки информации. Сущность способа в том, что в многослойную рекуррентную нейронную сеть с управляемыми синапсами в качестве сигнала, предварительно разложенного на составляющие, с каждой составляющей, преобразованной в последовательность единичных образов с частотой повторения как предварительно заданной функцией от амплитуды составляющей, подают групповой сигнал, состоящий из полезного сигнала, просуммированного с первой частью предварительно сформированного маломощного шума, и из второй такой же части этого шума. Представляют групповой сигнал в виде последовательных групповых совокупностей единичных образов. При передаче от слоя к слою групповых совокупностей единичных образов копируют из сигнально-шумовых групп единичные образы, относящиеся к полезному сигналу, в соответствующие этим группам шумовые группы. Формируют из шумовых групп копии сигнально-шумовых групп единичных образов и обрабатывают эти копии с учетом изменения форм поперечных сечений расходящихся единичных образов и поворотов этих образов вокруг направлений их передачи с учетом текущих состояний слоев. 7 ил.

Изобретение относится к области управления компьютерными сетями с использованием алгоритмов искусственного интеллекта. Техническим результатом является снижение времени простоя рабочих объектов компьютерной сети за счет увеличения точности прогноза изменений основных показателей. Способ заключается в том, что формируют прогнозные нейронные сети на основании получаемых в результате опроса рабочих объектов компьютерной сети, значений показателей, определяющих их состояние; формируют прогноз изменений значений через некоторый фиксированный интервал времени. Формируют запоминающие нейронные сети, которые выполняют функции индикатора необходимости переобучения для соответствующей прогнозной нейронной сети, если полученные в результате мониторинга значения существенно отличаются от значений, использованных в обучающей выборке. После переобучения прогнозные нейронные сети способны сформировать прогноз изменений показателей с заданным уровнем точности, на основании которого выполняются управляющие воздействия на объекты вычислительной сети. 8 з.п. ф-лы, 7 ил.
Изобретение относится к средствам биометрической защиты анонимности свидетелей при судебном делопроизводстве. Техническим результатом является повышение надежности защиты анонимности свидетеля. Способ биометрической защиты анонимности свидетелей при судебном делопроизводстве заключается в том, что создают множество электронных одноразовых удостоверений личности свидетеля без указания его имени, получаемых генерированием случайного кода - К, используемого далее при обучении нейронной сети преобразовывать параметры примеров биометрического образа свидетеля в код - К, параметры обученной нейронной сети защищают самошифрованием на фрагментах кода - К, вычисляют хэш-функцию кода - К, одноразовое электронное удостоверение личности свидетеля формируют путем размещения в нем уникального номера удостоверения, шифротекста защищенных параметров обученной нейронной сети и значения хеш-функции кода - К, эти данные орган анонимной регистрации охватывает своей цифровой подписью, далее все примеры биометрических образов свидетеля и случайные коды - К уничтожают, далее при каждом К-том вызове анонимного свидетеля пересылают ему его К-тое электронное удостоверение, пользуясь которым, свидетель предъявляет свой биометрический образ и тем самым анонимно подтверждает свою личность, также, предъявив свой биометрический образ, свидетель получает выходной код - К, проверку которого осуществляют вычислением его хеш-функции и сравнением ее с эталоном, размещенным ранее в одноразовом удостоверении личности. 2 з.п. ф-лы.

Изобретение относится к технике связи и может быть использовано в системах радиомониторинга для автоматизированной классификации радиосигналов по структурно-временным параметрам

Наверх