Способ идентификации сигналов



Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов
Способ идентификации сигналов

 


Владельцы патента RU 2485586:

Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) (RU)

Изобретение относится к способам идентификации сигналов. Техническим результатом является снижение временной длительности процедуры идентификации анализируемого сигнала с эталонами и сокращение памяти, необходимой для хранения эталонных образцов сигналов. Технический результат заявленного способа идентификации сигналов достигается применением различных по сущности преобразований цифровых последовательностей в виде цепей, для получения уникальных сокращенных характеристик данных последовательностей, использование которых в качестве адресов позволит сократить число последовательных сравнений с эталонами. Сокращение операций сравнения идентифицируемого сегмента сигнала с эталонным снизится в крайнем случае с j операций сравнения по количеству эталонных сигналов до двух операций: расчета бинарного адреса Bi и определения идентификатора Cj значения принадлежности к эталонному классу. 6 ил., 7 табл.

 

Изобретение относится к технической кибернетике, представляет собой способ, который может быть использован для идентификации сигналов при решении задач определения состояний наблюдаемых объектов при их диагностировании или мониторинге динамических процессов. Функционально способ предназначен для сокращения вычислительных операций при процедуре сравнения анализируемого сигнала с эталонными сигналами каждого класса состояний, а также снижения объемов памяти для хранения эталонных сигналов.

Известен способ анализа сигнала о состоянии объекта (Киселев Н.В., Сечкин В.А. Техническая диагностика методами нелинейного преобразования. - Л., Энергия, 1980, 109 с.), включающий формирование с последующей коррекцией распознающих эталонов на основе обучающих сигналов, сравнение распознающих эталонов с анализируемым сигналом с получением набора оценок о принадлежности реального состояния объекта каждому из множества возможных состояний объекта, сравнение полученных оценок между собой и с заданным порогом распознавания, в результате которого формируется решение о предполагаемом состоянии объекта. Недостатком данного способа является невозможность оценить достоверность процесса обучения и распознавания, что является критическим в условиях шумов, приводящих к слабой различимости сигналов, относящихся к разным состояниям объекта.

Выявленный недостаток устраняет способ анализа сигналов о состоянии объекта (Патент РФ №2090928, кл. G06K 9/00, G06K 9/62, G06K 9/66. Способ анализа сигналов о состоянии объекта), позволяющий распознавать состояние объекта путем введения механизма измерения достоверности сигналов и эталонов через сравнение сигналов с эталонами по нормированной шкале. Данный способ имеет ограничения в его применении по двум существенным аспектам. Первый аспект ограничения выражается в возможности анализировать только оцифрованные сигналы и невозможности анализировать сигналы, представленные не только в оцифрованном виде, но и (или) в виде двухградационного изображения на неквантованной плоскости. Второй аспект ограничения заключается в необходимости априорного знания конечного количества классов состояний объекта, что ограничивает сферу его применения в случаях, когда это количество неизвестно или множество сигнальных последовательностей изначально не полно. Дополнительный недостаток способа выражается в отсутствии механизма предварительного объективного разделения сигналов по классам состояний, учитывающих изменение формы сигналов во времени, в свою очередь, допускает возможность определения ложного класса или необъективного объединения множества сигналов в ложные классы состояний объекта, что снижает достоверность дальнейшего определения состояния объекта.

Данные недостатки устраняет способ анализа сигналов о состоянии объекта (Патент РФ №2355028, кл. G06K 9/00, опубликованный 10.05.2009, Бюл. №13). Он позволяет анализировать сигналы, представленные как в цифровом виде, так и (или) в виде двухградационного изображения на неквантованной плоскости, с неизвестным заранее количеством классов состояний объекта, что, в свою очередь, повышает достоверность распознавания состояния объекта в системах технической кибернетики. Данный способ заключается в том, что последовательно осуществляют цепное кодирование сигналов, представленных как в цифровом виде, так и (или) в виде двухградационного изображения на неквантованной плоскости, определяют минимальное количество классов состояний применением иерархической классификацией цепей с определением порогов объединения в классы, рассчитывая евклидовы расстояния между классами всех цепей и средней цепью ортогонального пространства, объединяют различные классы цепей в один класс при значении порога объединения, не превышающем значения минимального евклидова расстояния между классами цепей и средней цепи ортогонального пространства, при процедуре распознавания сигналы нормируют, формируют и корректируют распознающие эталоны сигналов по количеству классов состояний, осуществляют оптимизацию и сравнение сигналов и эталонов в евклидовом векторном пространстве с последующим распознаванием состояния объекта до тех пор, пока результат распознавания не удовлетворит заданному критерию достоверности или неудачи. Данный способ является наиболее близким по технической сущности и выбран в качестве прототипа.

Недостатками данного способа являются два существенных аспекта. Первый аспект заключается в большой временной длительности процедуры идентификации, так как последовательное сравнение анализируемого сигнала с каждым эталонным сигналом отдельного класса в худшем случае сравним с числом эталонных классов. Второй аспект заключается в требовании значительного объема памяти для хранения эталонных сигналов, представленных для каждого сигнала N дискретными отсчетами или (N-1) кодированными значениями при представлении сигналов в виде цепей.

Задачей изобретения является создание способа идентификации сигналов, при котором достигается два положительных эффекта: снижение временной длительности процедуры идентификации анализируемого сигнала с эталонами и сокращение памяти, необходимой для хранения эталонных образцов сигналов.

Эта задача решается тем, что из способа-прототипа на этапе распознавания анализируемого сигнала исключают три последовательные процедуры:

1. Корректирование распознающих эталоны сигналов по количеству классов состояний;

2. Оптимизация сигналов и эталонов в евклидовом векторном пространстве;

3. Сравнение сигналов и эталонов в евклидовом векторном пространстве.

Вместо данных процедур на этапе обучения, когда формируются эталонные сигналы и осуществляется их запись в память для идентификации текущих анализируемых сигналов, дополнительно к действиям способа-прототипа:

1) осуществляют сегментацию сигналов, преобразованных ранее к виду цепей в соответствии с выбранной формой созвездия Т, на равные m сегменты кратные значению восьми кодов в интервале;

2) в вычислительном устройстве (ВУ) каждый сегмент из n элементов цепи кодируют двоичной последовательностью Bi, состоящей из двух бинарных последовательностей кратных 1-му байту, вида:

где - 1-я двоичная последовательность кратная 1-му байту, - 2-я двоичная последовательность кратная 1-му байту.

Первую двоичную последовательность получают для каждого от 1-го до n-го элемента сегмента цепи кодированием значений созвездий: для возрастающих направлений и нулевого направления - значений созвездий (1, 2, 3, 4) единицами, а для убывающих направлений - значений созвездий (5, 6, 7) нулями. Фактически двоичная последовательность описывает качественный характер возрастания или убывания сегмента цепи без указания количественных значений. Так для сегмента цепи со значениями созвездий равными 12344567, двоичная последовательность =11111000, что в десятичном исчислении представляет собой число 248; для сегмента цепи со значениями созвездий равными 76544321, двоичная последовательность =00011111, что в десятичном исчислении представляет собой число 31.

Вторую двоичную последовательность получают объединением в десятичное число Di количественных значений созвездия от 1-го до n-го элемента выделенного сегмента цепи, и вычислением хеш-функции следующим выражением:

где bin - функция бинарного представления значения числа десятичной системы исчисления;

Di - десятичное число объединения значений созвездия от 1-го до n-го элемента сегмента цепи;

mod - функция модуля по основанию;

Gk - наибольшее десятичное простое число, не превышающее десятичное число кратное 2n (для n=8, Gk=251, так как 2n=256; для n=16, Gk=65521, так как 2n=65536, для n=24, Gk=16777213, так как 2n=16777216, и т.д.).

3) по адресу памяти Bi осуществляют запись числа принадлежности данного адреса к Cj классу эталонных сигналов. Так для двух эталонных классов достаточно двух бинарных значений 0 и 1; для эталонных классов превышающих число 3, необходимо использовать бинарную запись десятичных чисел, от 0 до (j-1). Адрес памяти Bi обладает свойством уникальности для каждого mi сегмента участка цепи и является тем самым идентификатором принадлежности данного интервала цепи к эталонному классу поименованному в данном адресе памяти.

При распознавании сигнала:

1) идентифицируемый сигнал преобразовывают к виду цепи в соответствии с созвездием, выбранным на этапе обучения формы Т, на равные m сегменты кратные значению восьми кодов в сегменте;

2) каждый mi сегмент преобразовывают к двоичной последовательности Bi и определяют значение Cj класса принадлежности данного сегмента по записи в памяти идентификатора класса для этого сегмента;

3) оценочное решение о принадлежности сигнала к Cj эталонному классу принимается по мажоритарному правилу с указанием отношения числа совпавших идентификаторов к числу не совпавших идентификаторов, что фактически покажет процентную степень соответствия распознанного сигнала эталонному Q.

Новая совокупность существенных признаков заявленного способа достигается применением различных по сущности преобразований цифровых последовательностей в виде цепей, для получения уникальных сокращенных характеристик данных последовательностей, использование которых в качестве адресов позволит сократить число последовательных сравнений с эталонами. Сокращение операций сравнения идентифицируемого интервала сигнала с эталонным снизится в крайнем случае с j операций сравнения по количеству эталонных сигналов до двух операций: расчета бинарного адреса Bi и определения Cj значения принадлежности к эталонному классу.

Проведенный анализ уровня техники позволил установить, что аналоги, характеризующиеся совокупностью признаков, тождественным всем признакам технического решения, отсутствуют, что указывает на соответствие изобретения условию патентоспособности «новизна».

Результаты поиска известных решений в данной и смежных областях техники с целью выявления признаков, совпадающих с отличительными от прототипа признаками заявленного способа, показали, что они не следуют явным образом из уровня техники. Из уровня техники также не выявлена известность влияния предусматриваемых существенными признаками заявленного изобретения преобразований на достижение указанного технического результата. Следовательно, заявляемый способ соответствует критерию «изобретательский уровень».

Заявленный способ поясняется чертежами, на которых показаны:

на фиг.1 - алгоритм, поясняющий способ идентификации сигналов;

на фиг.2 созвездие кодирования разности соседних нормированных отсчетов цифровой последовательности сигнала;

на фиг.3 - двумерная плоскость адресов для каждого сегмента из 32 классов сигналов;

на фиг.4 - увеличенная двумерная плоскость адресов для сегментов со значениями превышающими в десятичной форме записи значение 235;

на фиг.5 - увеличенная двумерная плоскость адресов для классов 13 и 15;

на фиг.6 - увеличенная двумерная плоскость адресов для классов 6 и 15.

Для лучшего понимания сущности заявляемого способа на фигуре 1 представлен алгоритм реализации предлагаемого способа идентификации сигналов. Между терминаторами начала и конца (Моделирование систем: Учебник для вызов / Б.Я.Советов, С.А.Яковлев - 4-е изд., стер. - М.: Высшая школа., 2005. - С.93) алгоритм разбит на отдельные процедуры. Процедуры 3-7 соответствуют этапу обучения, процедуры 9-15 соответствуют этапу распознавания при идентификации сигнала. Блоки 2, 8 и 14 являются блоками выполнения условий. Блок 1 является блоком ввода данных, а блок 16 - блоком вывода данных. Ниже приведен перечень номеров, блоков ввода и вывода, процедур и блоков выполнения условий алгоритма:

1 - Блок ввода данных, учитывающий следующие переменные и константы:

Cj - классы эталонных сигналов, определенные по способу-прототипу;

Gk - наибольшее десятичное простое число, не превышающее десятичное число кратное 2n для выбранной переменной n;

m - количество сегментов, кратных значению восьми кодов в сегменте цепи;

Т - выбранная форма созвездия для кодирования сигнала в цепь.

2 - Блок выполнения условия, определяющий этап обучения при положительном исходе, или этап распознавания и переход к блоку 3, а при отрицательном исходе или сформированной на раннем этапе обучения структуры адресов Bi и идентификаторов принадлежности к Cj классу эталонных сигналов, записанных по данным адресам памяти, переход к блоку 9.

3 - Блок процедуры кодирования сигнала в цепь Si (КСЦ Si), осуществляет представление сигнала любой формы в виде последовательности, состоящую из n кодов, полученных преобразованием сигнала по выбранному правилу в значения ее изменений относительно точки отсчета.

4 - Блок выделения сегментов m (ВС m) в цепи Si, осуществляет последовательную сегментацию цепи на m равных сегментов, кратных значению восьми кодов в сегменте.

5 - Блок кодирования mi сегмента в двоичную последовательность (KC к ).

6 - Блок расчета двоичной последовательности (Расчет ) по формуле 2.

7 - Блок записи идентификатора принадлежности к классу Cj по адресу Bi осуществляет запись числа, соответствующего значению эталонного класса в память по адресу Bi.

8 - Блок выполнения условия, определяющий окончание этапа обучения при положительном исходе и переход к блоку 2, или продолжение этапа обучения при отрицательном исходе и переход к блоку 3.

9 - Блок процедуры кодирования сигнала в цепь Si (КСЦ Si), осуществляет действия аналогичные действиям блока 3.

10 - Блок выделения сегментов m (ВС m) в цепи Si, осуществляет действия аналогичные действиям блока 4.

11 - Блок кодирования mi сегмента в двоичную последовательность (KC к ).

12 - Блок расчета двоичной последовательности (Расчет ) по формуле 2.

13 - Блок вывода из памяти по адресу Bi идентификатора принадлежности к Cj эталонному классу для mi сегмента цепи.

14 - Блок выполнения условия, определяющий последний сегмент цепи при положительном исходе и переход к блоку 15, или при отрицательном исходе переход к блоку 11.

15 - Блок вычисления показателя качества идентификации Q равного отношению суммарного числа совпавших идентификаторов к числу сегментов цепи.

16 - Блок вывода пары значений Cj эталонного класса принадлежности и показателя качества идентификации Q.

В способе-прототипе (Патент РФ №2355028. кл. G06K 9/00, опубликованный 10.05.2009, Бюл. №13) достаточно подробно описана процедура преобразования как произвольной кривой, так и цифровой последовательности в цепь. Последовательность, состоящую из n кодов, полученных преобразованием кривой по выбранному правилу в значения ее изменений относительно точки отсчета, называют цепью (Теория распознавания и анализ сцен: Пер. с англ. / Р.О.Дуда, П.Е.Харт.; Под. ред. В.Л.Стефанюка. М.: Мир, 1976. - 511 с.). Так как значения уровня сигналов могут принимать различные значения, то для предотвращения превосходства признаков с большими числовыми значениями осуществляется нормировка сигналов. Все значения сигналов преобразуют в одномерные массивы с математическим ожиданием, равным 0, и значением дисперсии, равной 1. Данное преобразование для каждого i-го значения отсчета одномерного массива k-го сечения карты аттрактора к значению осуществляется в соответствии с выражением (Статистический анализ в MS ExeL: - М.: Издательский дом «Вильяме», 2004. С.142):

где µk - математическое ожидание одномерного массива отсчетов k-го сечения карты аттракторов;

σk - стандартное отклонение одномерного массива отсчетов k-го сечения карты аттракторов.

Данное преобразование позволит нормировать любые сигналы к последовательностям единой размерности. Преобразование k-й преобразованной цифровой последовательности в цепь xk осуществляется вычислением арксинуса разности между n соседними нормированными отсчетами и , при и i∈[1;n], в соответствии с выражением

В результате данного преобразования формируется цепь xk, элементами которой являются значения углов для n участков с интервалом измерения углов (-90÷90°). В рамках данного интервала используем созвездие в градусной мере для кодирования разности соседних нормированных значений сигналов, представленное на фигуре 2. С учетом нулевого интервала для созвездия кодирования получим семь интервалов разностей нормированных соседних значений сигнала, которые сведены в таблицу 1. Порядковые номера таблицы 1 показывают, что первые четыре порядковых номера соответствуют положительной динамике изменения цепи или участка сигнала, а 5, 6 и 7 порядковые номера определяют отрицательную динамику изменения. Характер положительной динамики цепей (интервалов цепей) обозначим значением 1, а убывающей динамики - значением 0. Это условие позволит описать качественное изменение сигнала во времени.

Таблица 1
Значения интервалов созвездия кодирования для семи интервалов разностей нормированных соседних значений карты аттракторов
№ п/п Значение интервала в градусах Разность нормированных соседних значений карты аттракторов
1 [60÷90°) [0,433÷0,5)
2 [30÷60°) [0,25÷0,433)
3 (0÷30°) (0÷0,25)
4 [0°] [0]
5 (0÷-30°) (0÷-0,25)
6 [-30÷-60°) [-0,25÷-0,433)
7 [-60÷-90°) [-0,433÷-0,5)

Рассмотрение заявленного способа целесообразно провести на следующем примере. Для j=32 различных по форме сигналов из N=33 нормированных отсчетов осуществили преобразование по созвездию T=7 (см. фигуру 2), и получили 32 значения цепи для каждого из 32 сигналов. В таблицу 2 сведены значения цепей Si для первых девятнадцати цепей, принадлежащих тридцати двум эталонным сигналам, а в таблицу 3 сведены остальные тринадцать цепей. Порядковые номера в таблицах 2 и 3 указывают на порядковый номер кода в цепи и соответствуют по значениям порядковому номеру таблицы 1. Сегментация каждой цепи по 8 ее элементов позволит получить по 4 сегмента на каждую цепь. Значения данных сегментов для 32 классов сигналов сведены в таблицу 4. Порядковые номера таблицы 4 соответствуют номерам классов эталонных сигналов. Определение двоичных последовательностей для каждого от 1-го до n-го элемента сегмента цепи осуществляют кодированием значений созвездий: для возрастающих направлений и нулевого направления - значений созвездий (1, 2, 3, 4) единицами, а для убывающих направлений - значений созвездий (5, 6, 7) нулями. Результат соответствующего кодирования сегментов цепей таблицы 4 сведены в таблицу 5. Двоичные последовательности таблицы 5 описывают качественный характер возрастания или убывания сегмента цепи без указания количественных значений. Для получения двоичных последовательностей для каждого сегмента таблицы 4 осуществили вычисление по формуле 2, при Gk=251. Совместные значения и в десятичной форме исчисления для удобства отображения по всем 32 эталонным классам сведены в таблицы 6 и 7 по шестнадцать классов в каждой таблице.

Визуальное отображение представлено в виде двумерной плоскости адресов для каждого сегмента из 32 классов сигналов фигурой 3. На данной фигуре по оси абсцисс отложены десятичные значения а по оси ординат десятичные значения Расположение координат-адресов Bi на квантованной двумерной плоскости указывает на их признаковую обособленность в пространстве адресов для различных классов. Увеличенные изображения двумерной плоскости адресов для сегментов со значениями превышающими в десятичной форме записи значение 235 фигуры 4, а также увеличенные двумерные плоскости адресов для классов 13 и 15 фигуры 5 и для классов 6 и 15 фигуры 6 указывают на разделение уникальных адресов для каждого сегмента цепи эталонного сигнала. По адресу Bi осуществляется запись идентификатора принадлежности сегмента цепи Cj эталонному классу. Так для 3-го сегмента 15-го класса по десятичному адресу B15=[255, 8] (см. фигуру 5) на этапе обучения будет записано десятичное значение 15 или значение 001111 в двоичной записи. Для 1-го сегмента 15-го класса по десятичному адресу В15=[252, 169] (см. фигуру 6) на этапе обучения также будет записано десятичное значение 15 или значение 001111 в двоичной записи.

Хранение в памяти идентификаторов для обозначений эталонного класса целесообразно осуществлять в бинарном виде. Размерность идентификаторов для финитного множества сигналов будет определяться числом эталонных классов j. В рассматриваемом примере это число составляет значение 32 классов, следовательно, в качестве идентификатора эталонного класса достаточно использовать 6 бит. Значение 000000 в поле адреса Bi укажет на то, что идентифицируемый сегмент цепи не соответствует ни одному из j эталонных классов.

Для хранения в памяти одного эталонного сигнала в виде цепи из М=(N-1) элементов потребуется М единиц памяти. При T=7 потребуется общий объем памяти для хранения всех j=32 эталонных сигналов, равный значению V1=(3×32×М) бит.Так как в нашем случае М=32, следовательно, эффективный объем памяти составит значение V1=384 байт. По предлагаемому способу каждая j-ая цепь из М=32 (каждый j-й эталонный сигнал) потребует 8 байт адресного поля и 6 бит для записи идентификатора, что обобщая на 32 класса, составит объем эффективной памяти V2=280 байт, что на 104 байта меньше чем V1.

В способе-прототипе для отнесения анализируемого сигнала к одному из j=32 эталонных сигналов в наихудшем случае потребовалось бы 32 процедуры расчета мер евклидовых расстояний между цепями для определения минимального порога классификации, в наилучшем случае потребуется 1 процедура расчета евклидова расстояния, при равновероятной стратегии средняя расчетная потребность составит 16 процедур. В заявленном способе для каждого идентифицируемого сигнала в виде цепи осуществляют процедуру сегментации, рассчитывают адрес для каждого сегмента и фиксируют по данному адресу идентификатор эталонного класса, а далее вычисляют показатель качества идентификации Q - отношение числа совпавших идентификаторов к числу сегментов цепи. Таким образом, имеем по две вычислительные операции на сегмент и одну дополнительную операцию на вычисление принадлежности к эталонному классу. Характерно, что эта величина не критична к количеству эталонных классов и в отличие от способа-прототипа является величиной постоянной, не зависящей от стратегий. Сокращение вычислительных процедур прямым образом влияет на снижение временной длительности процедуры идентификации анализируемого сигнала. Рассмотренные оба аспекта подтверждают положительный эффект технического решения предлагаемого способа.

Дополнительные расчеты способа не требуют значительных вычислительных затрат, их можно реализовать на существующей в настоящее время элементной базе, например, на любых серийно выпускаемых программируемых логических интегральных схемах (ПЛИС).

Из рассмотренной сущности заявляемого способа следует, что он обеспечивает снижение временной длительности процедуры идентификации анализируемого сигнала с эталонами до двух процедур на каждый сегмент цепи и сокращение памяти, необходимой для хранения эталонных образцов сигналов.

Способ идентификации сигналов, включающий в себя предварительный этап, этап обучения и этап распознавания, при этом на подготовительном этапе осуществляют цепное кодирование сигналов ориентацией каждого анализируемого сигнала, представленного в виде двухградационного изображения на неквантованной плоскости, по осям времени и уровню сигнала, из всего множества анализируемых сигналов выявляют сигнал с максимальным количеством пересечений временной оси, определяют показатель дискретизации квантованной по времени плоскости, осуществляют построение квантованной плоскости, далее каждую однонаправленную кривую кодируют с использованием квантованной по времени плоскости в цепь, для сигналов, представленных как в цифровом виде, так и в виде двухградационного изображения на неквантованной плоскости, после их кодирования в цепи определяют минимальное количество классов иерархической классификацией цепей с определением порогов объединения в классы по евклидовым расстояниям между классами цепей и средней цепью ортогонального пространства, при этом различные классы цепей объединяют в один класс при значении порога объединения, не превышающем значения минимального евклидова расстояния между классами цепей и средней цепи ортогонального пространства состояний для распознающих эталонов обучения, отличающийся тем, что на этапе обучения для каждого класса цепей осуществляют сегментацию каждой цепи в соответствии с выбранной формой созвездия Т, на равные m сегменты, кратные значению восьми кодов цепи в сегменте, в вычислительном устройстве (ВУ) каждый сегмент из n элементов цепи кодируют двоичной последовательностью Bi, состоящей из двух бинарных последовательностей кратных одному байту, вида где - первую двоичную последовательность, кратную одному байту получают для каждого от 1-го до n-го элемента сегмента цепи кодированием значений созвездий: для возрастающих направлений и нулевого направления - значений созвездий единицами, а для убывающих направлений - значений созвездий нулями, вторую двоичную последовательность, кратную одному байту получают выполнением процедур объединения в десятичное число Di количественных значений созвездия от 1-го до n-го элемента выделенного сегмента цепи и вычисления хеш-функции вида , где функция bin является функцией бинарного представления значения числа десятичной системы исчисления, Di представляет десятичное число объединения значений созвездия от 1-го до n-го элемента сегмента цепи, mod является функцией модуля по основанию, Gk является наибольшим десятичным простым числом, не превышающим десятичное число, кратное 2n, по адресу памяти Bi осуществляют запись числа-идентификатора принадлежности данного адреса к Gj классу эталонных сигналов, на этапе распознавания идентифицируемый сигнал преобразовывают к виду цепи в соответствии с выбранной формой созвездия T на m сегменты, кратные значению восьми кодов цепи в сегменте, каждый mi сегмент преобразовывают к двоичной последовательности Bi и по этому адресу памяти определяют значение идентификатора Cj эталонного класса для каждого сегмента идентифицируемого сигнала, оценочное решение о принадлежности сигнала к Cj эталонному классу принимается по мажоритарному правилу принадлежности всех сегментов идентифицируемого сигнала с указанием значения Q - отношения числа совпавших идентификаторов к числу сегментов цепи.



 

Похожие патенты:

Изобретение относится к области вычислительной техники, а именно к способам защиты информации от несанкционированного проникновения, и может быть использовано для защиты как мобильных, так и стационарных устройств с сенсорными дисплеями посредством идентификации пользователя, основанной на анализе его уникальной подписи.

Изобретение относится к электронным финансовым операциям. .

Изобретение относится к электронным финансовым операциям. .

Изобретение относится к области биометрической аутентификации личности, построенной на сохранении в тайне применяемого при аутентификации биометрического образа в виде рисунка отпечатка пальца.

Изобретение относится к смысловому анализу содержания цифровых изображений: статических изображений, например фотографий, видеоизображений, наборов кадров в интернет-ресурсах, а также в файлах изображений на устройствах хранения данных или в приложениях к электронным письмам.

Изобретение относится к измерительной технике. .

Изобретение относится к средствам считывания и идентификации информации, которые могут использоваться для контроля подлинности информации и могут использоваться в области безопасности, государственных учреждениях и банках.

Изобретение относится к способу и аппарату для определения характера дефектов кожи. .

Изобретение относится к распознаванию образов, в котором принятое изображение отслеживается для выявления того, появляется ли в изображении узнаваемый образ

Изобретение относится к области видеоаутентификации пользователя. Техническим результатом является предотвращение фальсификации аутентификационной фотографии, выполняемой при помощи виртуальной камеры. Заявлен способ выполнения видеоаутентификации пользователя, включающий этапы, на которых: принимают аутентификационную фотографию, предоставляемую пользователем; захватывают непрерывное видеоизображение пользователя в режиме реального времени в течение некоторого периода времени при помощи устройства видеозахвата в пользовательском клиенте; выполняют декомпозицию видеоизображения в режиме реального времени и получают ряд кадров видеоданных; из ряда кадров видеоданных выбирают определенное количество кадров видеоданных и генерируют, по меньшей мере, одно контрастное изображение для видеоаутентификации пользователя на основании определенного количества кадров видеоданных; сравнивают аутентификационную фотографию с контрастным изображением и принимают решение о результате видеоаутентификации пользователя согласно результату сравнения. 2 н. и 8 з.п. ф-лы, 2 ил.

Изобретение относится к области обработки данных для преобразования сигналов и изображений, задаваемых невзвешенными цифровыми кодами, во взвешенные коды и может быть использована для обработки и распознавания сигналов и изображений. Техническим результатом является расширение функциональных возможностей устройства, а также повышение точности распознавания при распознавании объектов с отдельными слабо и/или неполностью искаженными областями. Устройство ассоциативного распознавания содержит P блоков вычисления активационной функции и P групп блоков формирования значений функций принадлежности, при этом каждая из P групп блоков формирования значений функций принадлежности содержит K блоков формирования значений функций принадлежности, входы каждого из которых соединены с входами одноименных блоков значений функций принадлежности каждой из других групп из P групп блоков формирования значений функций принадлежности и являются входами устройства ассоциативного распознавания, причем введены P групп блоков умножителей на весовые коэффициенты, каждая из которых содержит K блоков умножителей на весовые коэффициенты, входы каждого из которых соединены с выходами соответствующих блоков формирования значений функции принадлежности из P групп блоков формирования функции принадлежности, а выходы соединены с соответствующими входами P блоков выделения максимального сигнала, а выходы каждого из P блоков выделения максимального сигнала соединены с входом соответствующего блока вычисления активационной функции из P блоков вычисления активационной функции. 1 ил.

Способ маркирования и распознавания сигналов относится к области кодирования, распознавания и идентификации сигналов. Технический результат заключается в повышении достоверности распознавания сигналов при равенстве маркеров (интегральных значений сигнала на выделенном интервале) за счет более полного использования информации, характеризующей форму изменения сигнала в окрестности маркера. Технический результат достигается за счет введения в образ сигнала на каждом его интервале дополнительного признака - градусной меры угла и использование его вместе с маркерами в качестве идентификатора в двухмерном признаковом пространстве при распознавании позволяет повысить достоверность распознавания и количественно оценить ее значение при отнесении анализируемого сигнала к эталонному. 4 ил., 3 табл.

Изобретение относится к классификации данных изображения и, более конкретно, к классификации данных изображения на основе модели для адаптирования к объекту в данных изображения. Технический результат заключается в возможности классифицировать данные изображения без какого-либо ввода данных пользователем. Система содержит блок (110) сегментации для сегментирования данных изображения путем адаптирования модели к объекту в данных изображения и блок (120) классификации для присвоения класса данным изображения на основе модели, адаптированной к объекту в данных изображения, таким образом, классифицируя данные изображения, при этом блок (120) классификации содержит блок (122) атрибутов для вычисления значения атрибута модели на основе модели, адаптированной к объекту в данных изображения, и при этом присвоенный класс основан на вычисленном значении атрибута. Таким образом, система (100) изобретения способна классифицировать данные изображения без какого-либо ввода пользователем. Все вводы, требуемые для классификации данных 10 изображения, составляют модель для адаптирования к объекту в данных изображения. Однако специалист в данной области техники поймет, что в некоторых вариантах осуществления системы (100) может быть предоставлена возможность ограниченного количества вводов пользователем, чтобы позволить пользователю оказывать влияние и управлять системой и процессом классификации. 5 н. и 8 з.п. ф-лы, 8 ил.

Изобретение относится к вычислительной технике и может быть использовано в компьютерных системах для поиска и выявления изображений, авторские права на которые нарушены. Техническим результатом является повышение точности, качества и скорости поиска идентичных или сходных до степени смешения изображений. В способе поиска нарушений авторских прав на изображения, выполняемом на компьютерной системе, производят расчет дескриптора для изображения №1, располагающегося в блоке памяти №1. Выполняют расчет дескриптора для изображения №2, располагающегося в блоке памяти №2. Сравнивают значения дескрипторов изображений №1 и №2. Если значения дескрипторов изображений №1 и №2 равны, то выполняют сравнение изображений №1 и №2. После чего отображают результаты сравнения на устройстве для отображения информации. 6 н. и 7 з.п. ф-лы, 5 ил.

Изобретение относится к классификации биомолекулярных данных. Техническим результатом является повышение надежности классификации. Предусмотрена система (100) классификации для классификации биомолекулярных данных. Вход системы принимает множество признаков (102) выборки, которая должна быть классифицирована, и множество соответствующих оценок (104) ошибок. Статистический модуль (106) ассоциирует функции (108) плотности распределения вероятностей с признаками, при этом соответствующие функции плотности распределения вероятностей зависят от оценок ошибок. Модуль (110) репликации формирует множество возмущенных реплик (112) выборки, при этом признаки являются произвольно возмущенными согласно соответствующим надлежащим функциям плотности распределения вероятностей. Классификатор (114) классифицирует возмущенные реплики на основе возмущенных признаков. Анализатор (118) классифицирует выборку, которая должна быть классифицирована, на основе статистического анализа классифицированных реплик (116), чтобы получать классификацию (120) выборок. 3 н. и 10 з.п. ф-лы, 6 ил.
Изобретение относится к способу аутентификации владельца банковского счета при дистанционном банковском обслуживании. Техническим результатом является повышение надежности результатов аутентификации владельца банковского счета. Способ аутентификации владельца банковского счета при дистанционном банковском обслуживании с использованием биометрических характеристик лица владельца банковского счета характеризуется тем, что при открытии банковского счета и/или выпуске банковской карты производится фотографическое изображение лица владельца счета, и тем, что оно вносится в электронном виде в базу данных банка и в память банковской карты, и при проведении операции по счету с помощью компьютера, мобильного телефона, банкомата, кассового терминала изображение лица человека, осуществляющего операцию посредством веб-камеры, оптического сканера, установленных на применяемом техническом средстве, передается в базу данных банка, при этом компьютер банка сверяет полученное изображение с изображением, хранящимся в базе данных банка, и в случае тождественности изображений дает разрешение на проведение операции, или в случае несоответствия изображений отказывает в проведении операции, и при наличии инструкции банка-эмитента карты карта блокируется банкоматом.
Изобретение относится к области комплексного контроля людей на пунктах пропуска. Техническим результатом является автоматизация и повышение эффективности обнаружения следовых количеств веществ, подлежащих контролю, на кистях рук, повышение чувствительности и достоверности обнаружения следов опасных веществ при совмещении с биометрической верификацией человека по геометрии кисти руки. Способ комплексного контроля людей на пунктах пропуска включает идентификацию по геометрии кисти руки и коду доступа и газоаналитическое обнаружение следовых количеств опасных веществ, при этом в начале контроля осуществляют идентификацию личности по цифровому коду, затем проводят биометрическую верификацию личности по геометрии кисти руки с одновременным контролем положения кисти руки на пробоотборной пластине, включающую считывание параметров кисти руки и сравнение полученных при сканировании руки параметров с эталонными значениями, хранящимися в базе данных системы контроля и управления доступом, а после снятия руки с пробоотборной пластины перед началом газоанализа область, где находилась рука, изолируют защитным кожухом, затем газоанализатор автоматически перемещается к пробоотборной пластине, после этого пробоотборную пластину нагревают до определенной температуры, а нагретые пары оставленных следов поступают в газоанализатор, и результат комплексного контроля передается в систему контроля и управления доступом.

Изобретение относится к технологиям анализа медицинских изображений. Техническим результатом является повышение эффективности автоматического планирования двухмерных видов в объемных медицинских изображениях. Способ включает: оценивают статистическую модель положений анатомических точек, проводят обучение детектора анатомических точек, получают объемное изображение области интереса, обнаруживают множество кандидатов анатомических точек, выполняют поиск наилучшей конфигурации анатомических точек среди кандидатов, осуществляют построение плоскостей видов на основе найденной конфигурации анатомических точек, оценивание параметров указанной статистической модели осуществляют с использованием аннотированного множества объемных изображений; обучение детектора анатомических точек производят с использованием энергии указанной статистической модели, как части функции потерь; обнаружение множества кандидатов анатомических точек осуществляют детектором анатомических точек, обученным с использованием указанного выше алгоритма; поиск наилучшей конфигурации анатомических точек производят с помощью жадного итеративного поиска конфигурации, минимизирующей указанную энергию статистической модели. Система реализует действия способа. 3 н. и 8 з.п. ф-лы, 5 ил.
Наверх