RU2090928C1 - Способ анализа сигналов о состоянии объекта - Google Patents
Способ анализа сигналов о состоянии объекта Download PDFInfo
- Publication number
- RU2090928C1 RU2090928C1 SU5045669A RU2090928C1 RU 2090928 C1 RU2090928 C1 RU 2090928C1 SU 5045669 A SU5045669 A SU 5045669A RU 2090928 C1 RU2090928 C1 RU 2090928C1
- Authority
- RU
- Russia
- Prior art keywords
- recognition
- standards
- standard
- state
- level
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
Использование: для повышения точности распознавания состояния объекта в системах технической кибернетики. Сущность: формирование и коррекция распознающих эталонов (обучение), сравнение распознающих эталонов с анализируемым сигналом, формирование оценок состояний объекта, сравнение оценок с заданным порогом распознавания. Технический результат достигается благодаря тему, что все сигналы о состоянии объекта нормируют, затем на этапе обучения формируют распознающие эталоны с учетом достоверности на основе нормированных сигналов, формируют оптимизирующий эталон первого уровня, на основе которого из распознающих эталонов первого уровня формируют оптимизированные распознающие эталоны второго уровня, а на этапе распознавания оптимизируют сигнал о состоянии объекта и сравнивают его с каждым из оптимизированных распознающих эталонов соответствующего уровня. В результате получают оценки состояния объекта, на основании которых путем их сравнения с заданным порогом распознавания выделяют подмножество распознающих эталонов, на основе которого повторяют процесс оптимизации распознающих эталонов и анализируемого сигнала с последующим распознаванием состояния объекта до тех пор, пока результат распознавания не удовлетворит заданному критерию достоверности или неудачи. Нормирование, формирование и коррекцию распознающих эталонов, оптимизацию и сравнение сигналов и эталонов осуществляют в Евклидовом векторном пространстве сигналов и эталонов. 5 з.п. ф-лы, 6 ил, 5 табл.
Description
Изобретение относится к области технической кибернетики и может быть использовано для определения состояний объектов.
Известны способы анализа сигналов на основе ортогональных преобразований и корреляционного сравнения сигналов, использующие обучение для выработки критериев распознавания, реализованные в моделях нейронных сетей (Ersoy O.K. Signal/Image Processing and Understanding with Neural Networks. Neural networks: concepts, appl. and impl./ P. Antoghetti and V. Milutinovic, editors, (Prentice Hall adv. ref. ser. Engineering), vol. 1, 1991, p. 77 - 109). Недостатком этих способов является низкая точность анализа сигналов, обусловленная трудностью оптимизации критериев распознавания.
Наиболее близким к заявленному является способ анализа сигнала о состоянии объекта (Киселев Н.В. Сечкин В.А. Техническая диагностика методами нелинейного преобразования. -Л. Энергия, 1980, 109 с. ), включающий формирование c последующей коррекцией распознающих эталонов на основе обучающих сигналов, сравнения распознающих эталонов с анализируемым сигналом с получением набора оценок о принадлежности реального состояния объекта каждому из множества возможных состояний объекта, сравнения полученных оценок между собой и с заданным порогом распознавания, в результате которого формируется решение о предполагаемом состоянии объекта.
Однако известный способ не позволяет оценить достоверность процесса обучения и распознавания, что является критичным в условиях шумов, приводящих к слабой различимости сигналов, относящихся к разным соcтояниям объекта. Каждая система анализа сигналов может в этой ситуации дать ошибочный результат распознавания. В таком случае отсутствие механизма оценки достоверности приводит к тому, что грубая ошибка распознавания состояния объекта не будет замечена.
Изобретение направлено на повышение точности распознавания состояния объекта путем введения механизма измерения достоверности сигналов и эталонов через сравнение сигналов с эталонами по нормированной шкале измерений. Благодаря этому появляется возможность адаптивной оптимизации процесса анализа сигнала относительно заданного набора распознающих эталонов.
Указанный технический результат достигается тем, что в способе анализа сигналов о состоянии объекта, включающем формирование с последующей коррекцией распознающих эталонов на основе обучающих сигналов, сравнение распознающих эталонов о анализируемым сигналом о состоянии объекта, формирование набора оценок принадлежности реального состояния объекта каждому возможному состоянию, представленному распознающим эталоном, сравнение полученных оценок между собой и с заданным порогом распознавания, все сигналы о состоянии объекта нормируют, затем с учетом достоверности на этапе обучения распознающие эталоны первого уровня формируют на основе нормированных сигналов о состоянии объекта, формируют оптимизирующий эталон первого (текущего) уровня, на основе которого из распознающих эталонов первого (текущего) уровня формируют оптимизированные распознающие эталоны второго (следующего) уровня, и на этапе распознавания формируют оптимизированный сигнал о состоянии объекта аналогично оптимизации распознающих эталонов. После сравнения оптимизированного сигнала с каждым из оптимизированных распознающих эталонов соответствующего уровня, получения оценок состояния объекта, сравнения этих величин между собой и с заданным порогом распознавания выделяют соответствующее им подмножество распознающих эталонов, на основе которого повторяют процесс оптимизации распознающих эталонов и анализируемого сигнала с последующим распознаванием состояния объекта до тех пор, пока результат распознавания не удовлетворит заданному критерию достоверности или неудачи.
Нормирование, формирование и коррекцию распознающих эталонов, а также оптимизацию и сравнение сигналов и эталонов осуществляют в Евклидовом векторном пространстве сигналов и эталонов.
Операция нормирования в Евклидовом пространстве осуществляется по следующему известному правилу:
где: X сигнал или эталон, подлежащий нормированию;
Xn нормированный сигнал или эталон;
(X, X) операция скалярного произведения, определяющая квадрат нормы сигнала или эталона.
где: X сигнал или эталон, подлежащий нормированию;
Xn нормированный сигнал или эталон;
(X, X) операция скалярного произведения, определяющая квадрат нормы сигнала или эталона.
Формирование и последующую коррекцию распознающих эталонов (обучение) производят путем последовательного усреднения нормированных сигналов о состоянии объекта в соответствии со следующим правилом:
R0 0
где: k порядковый номер сигнала или эталона;
Rk, корректируемый распознающий эталон;
Rnk нормированный корректируемый распознающий эталон;
Snk+1 нормированный обучающий (известный) сигнал;
k+1 корректированный распознающий эталон;
α коэффициент коррекции распознающего эталона;
b коэффициент сохранения распознающего эталона;
(Snk+1, Rnk операция скалярного произведения, определяющая достоверность обучающего сигнала Sk+1Е по отношению к ранее построенному эталону Rn.
R0 0
где: k порядковый номер сигнала или эталона;
Rk, корректируемый распознающий эталон;
Rnk нормированный корректируемый распознающий эталон;
Snk+1 нормированный обучающий (известный) сигнал;
k+1 корректированный распознающий эталон;
α коэффициент коррекции распознающего эталона;
b коэффициент сохранения распознающего эталона;
(Snk+1, Rnk операция скалярного произведения, определяющая достоверность обучающего сигнала Sk+1Е по отношению к ранее построенному эталону Rn.
Формирование оптимизирующего эталона производят путем усреднения распознающих эталонов, подлежащих оптимизации.
Распознающие эталоны и анализируемые сигналы оптимизируют с целью выделения существенных компонент. Оптимизация производится в три этапа.
На первом этапе выделенные распознающие эталоны или анализируемый сигнал преобразуют согласно правилу подавления несущественной компоненты: X(L+1) Xn(L) (Xn(L),Cn(L))•C(L),
где Xn оптимизируемый нормированный эталон или нормированный сигнал;
C оптимизирующий эталон, представляющий собой усреднение нормированных распознающих эталонов;
Cn нормированный оптимизирующий эталон;
(L)- верхний индекс, обозначающий уровень оптимизации;
(Xn(L), Cn(L)) операция скалярного произведения, определяющая часть оптимизирующего эталона, которую вычитают из сигнала или эталона.
где Xn оптимизируемый нормированный эталон или нормированный сигнал;
C оптимизирующий эталон, представляющий собой усреднение нормированных распознающих эталонов;
Cn нормированный оптимизирующий эталон;
(L)- верхний индекс, обозначающий уровень оптимизации;
(Xn(L), Cn(L)) операция скалярного произведения, определяющая часть оптимизирующего эталона, которую вычитают из сигнала или эталона.
На втором этапе измеряют и сохраняют величину нормы каждого скорректированного распознающего эталона или анализируемого сигнала о состоянии объекта в соответствии с правилом:
N(о) 1
где N(L) величина нормы эталона или сигнала на L-том уровне оптимизации.
N(о) 1
где N(L) величина нормы эталона или сигнала на L-том уровне оптимизации.
На третьем этапе скорректированный сигнал или каждый из скорректированных эталонов нормируют.
Полученные на втором этапе величины норм распознающих эталонов или сигналов используют в дальнейших операциях при получении величин оценок состояния объекта.
Сравнение анализируемого сигнала с каждым из распознающих эталонов, а также получение величин оценок состояния объекта производят в соответствии со следующим правилом:
где N величина нормы для распознающего эталона на L-том уровне оптимизации;
N величина нормы для анализируемого сигнала на L-том уровне оптимизации;
ε(L) величина оценки состояния объекта, соответствующего анализируемому сигналу, на L-том уровне оптимизации.
где N
N
ε(L) величина оценки состояния объекта, соответствующего анализируемому сигналу, на L-том уровне оптимизации.
Основной элементарной операцией во всей совокупности действий способа является операция скалярного произведения в Евклидовом векторном пространстве сигналов и эталонов, которая выполняет роль сравнения распознаваемых сигналов с эталонами, хранящимися в памяти устройства распознавания. Эта операция присутствует во всех основных действиях способа, т.е. при обучении (формировании и коррекции эталонов), оптимизации эталонов и сигналов, и при распознавании оптимизированных сигналов. Эта же операция является основой механизма нормирования, т. е. приведения всех сигналов и эталонов к единой шкале измерения (сравнения в диапазоне действительных значений от -1 до +1).
Наиболее существенной новой операцией в заявленном способе является оптимизация нормированных эталонов и сигналов. По своей сути процесс оптимизации преобразует пространство эталонов и сигналов таким образом, что несущественные компоненты, которые присутствуют в обучающих и анализируемых сигналах, но не связаны с анализируемыми состояниями объекта, исключаются из рассмотрения.
При формировании и коррекции распознающих эталонов в соответствии c заявленным способом усреднение нормированных обучающих сигналов о состоянии объекта позволяет получить распознающие эталоны, нормированные на свою достоверность. Суть трактовки нормы эталона как его достоверности заключается в том, что норма усредненных нормированных сигналов всегда дает положительную величину, меньшую единицы, которая характеризует степень разброса обучающих сигналов (чем меньше величина достоверности, тем больше разброс). Иначе говоря, величину нормы усредненных нормированных сигналов можно характеризовать как оценку достоверности процесса обучения или как оценку достоверности сформированного таким способом распознающего эталона. Распознающий эталон, нормированный на свою достоверность, автоматически входит в формулы, описывающие процессы обучения, оптимизации и распознавания.
В заявленном способе понятие оценки достоверности как величины нормы применимо не только к распознающим эталонам, но и к оптимизирующим эталонам, поскольку оптимизирующий эталон строится путем усреднения нормированных распознающих эталонов, так же как и каждый распознающий эталон строится через усреднение нормированных обучающих сигналов. Таким образом оптимизирующий эталон также нормирован на свою достоверность.
Однако роль распознающего и оптимизирующего эталонов, как и интерпретация их достоверности, в системе анализа сигналов различна.
Распознающий эталон получают в процессе обучения в результате усреднения нормированных обучающих сигналов, т.е. сигналов, относящихся к объекту, состояние которого известно. Поэтому распознающий эталон это представитель конкретного состояния объекта в памяти системы анализа сигналов. Достоверность распознающего эталона, представленная его нормой, это оценка точности, или степени размытости представления соответствующего состояния в виде усреднения нормированных обучающих сигналов.
Оптимизирующий эталон получают путем усреднения дополнительно нормированных распознающих эталонов. Поэтому в нем стерты как различия между состояниями объекта, так и информация о достоверности каждого из распознающих эталонов. Оптимизирующий эталон представляет собой несущественную компоненту, которая всегда заведомо присутствует в сигнале, но не различает требуемые состояния. Поскольку эта компонента несет определенную энергию сигнала, то ее присутствие во всех первоначальных неоптимизированных распознающих эталонах и анализируемых сигналах снижает достоверность распознавания. Снижение достоверности распознавания без оптимизации заключается в том, что если различие между распознающими эталонами невелико, то оценки принадлежности состояниям объектов для разных классов анализируемых сигналов всегда будут близки к единице. Случайные шумы способны исказить эти оценки, что может привести к ложному результату распознавания. Сами величины оценок при распознавании без оптимизации ничего не говорят о достоверности результата распознавания они заведомо завышены, хотя максимальная оценка более вероятно представляет истинное состояние объекта.
В процессе оптимизации из каждого распознающего эталона и анализируемого сигнала исключается несущественная компонента, представленная оптимизирующим эталоном. После оптимизации в процессе распознавания сравниваются между собой энергии компонент анализируемых сигналов и распознающих эталонов, непосредственно имеющих отношение к определенным ранее состояниям объекта. При этом автоматически учитывается энергия шума: процесс оптимизации не снижает уровня шума в анализируемом сигнале, но приводит к тому, что энергия шума, сравнимая с энергией существенной компоненты анализируемого сигнала, снижает оценку сравнения оптимизированных эталонов и сигналов. Такое снижение оценки пропорционально соотношению S/(S+N), где S энергия существенной компоненты, представляющей состояние объекта, а N энергия случайного шума. Иначе говоря, оптимизация позволяет сделать реальным вклад шума в оценку распознавания состояния объекта: шум способствует снижению этой оценки.
Достоверность оптимизирующего эталона это интегральная оценка степени подобия состояний объекта, представленных распознающими эталонами. Чем выше достоверность оптимизирующего эталона, тем более оправдана оптимизация как процесс, повышающий различимость состояний объекта, представленных распознающими эталонами.
Все основные операции в заявленном способе представляют собой линейные преобразования распознающих эталонов и анализируемых сигналов, "вытягивающие" из них полезную информацию с точки зрения различения состояний объекта. Такое "вытягивание" имеет мягкий характер, т.к. осуществляется с помощью неполного подавления несущественной компоненты эталона или сигнала в процессе оптимизации. Степень подавления этой компоненты определяется нормой или достоверностью оптимизирующего эталона. При перенормировке энергия существенных компонент сигнала увеличивается пропорционально степени подавления несущественной компоненты.
Критерий достоверности распознавания состояния объекта или принятие решения о неудаче распознавания формулируется на основе сравнения между собой и с пороговым уровнем оценок состояний объекта. В двусмысленных ситуациях, т. е. когда некоторые полученные оценки трудно различимы, требуется дополнительная оптимизация анализируемого сигнала относительно выделенных распознающих эталонов, соответствующих состояниям, получившим оценки выше порога распознавания.
На графических материалах представлены характерные фрагменты сигналов ЭЭГ (электроэнцефалограммы) длительностью две секунды, снятые с электрода 02, относящиеся к разным состояниям мозга у человека, больного эпилепсией. Анализируемые состояния обозначены символами "A", "B", "C", "D", "E".
На фигурах 1 5 слева представлены обучающие фрагменты ЭЭГ, подаваемые на вход системы анализа в режиме обучения. В правой части каждой фигуры изображен распознающий эталон, полученный путем усреднения нормированных обучающих фрагментов ЭЭГ соответствующего класса.
На фигуре 6 слева изображены неоптимизированные распознающие эталоны, обозначенные как классы "A", "B", "C", "D", "E". Справа сверху представлен оптимизирующий эталон, полученный путем усреднения нормированных распознающих эталонов, а также оптимизированные распознающие эталоны соответствующих классов.
Выделение классов состояния и отнесение каждого из фрагментов ЭЭГ к соответствующему классу в процессе обучения производились субъективно, на основе визуального графического анализа фрагментов ЭЭГ. Так, например, класс "A" отличается от класса "B" несколько большей относительной амплитудой медленной затухающей волны, следующей за крутым положительным импульсом острой b волны длительностью около 0,15 секунды (в стандарте ЭЭГ положительные импульсы обозначаются направлением вниз). Класс "C" имеет большую ширину положительного импульса (около 0,2 секунды) по сравнению с классами "A" и "B", а классы "B" и "E" представляют собой повторяющиеся сложные комплексы b и d волн разной формы. Классы "A" и "B" выбраны малоразличимыми для демонстрации возможности заявленного способа выявлять слабо заметные состояния на уровне шумов, сравнимых о существенными изменениями сигналов.
Оценки состояний объекта на основе тестовых фрагментов ЭЭГ для классов "A" и "B" приведены на таблицах 1 и 2 (оценки даны в шкале от 0 до 100, прочерком обозначены оценки ниже нуля).
Из табл. 1 и 2, относящихся к этапу распознавания состояния объекта, а также из графических материалов (фиг. 1-6) видно, что оптимизация позволяет более остро различить состояния объекта при том, что случайный шум при оптимизации снижает среднюю оценку достоверности распознавания. Это означает, что ошибки распознавания состояний объекта будут появляться на фоне низких оценок достоверности распознавания. Так, например, фрагмент "B9", имеющий оценку 1 для собственного класса "B" при распознавании с оптимизацией, скорее принадлежит к классу "C" (оценка 15), чем к своему классу, несмотря на то, что он входил в обучающую последовательность класса "B". Однако утверждать его при таких низких оценках достоверности сложно. Поэтому, например, если в качестве порога распознавания взять величину 20 и судить о состоянии объекта по максимальной полученной оценке, то можно вполне надежно избежать ложного распознавания, принимая, что все оценки ниже 20 будут расценены как неудача распознавания состояния объекта.
Для сравнения в таблицах 3 5, также относящихся к этапу распознавания состояния объекта, даны величины оценок достоверности распознавания остальных классов: "C", "D" и "E".
Claims (6)
1. Способ анализа сигналов о состоянии объекта, включающий в себя формирование распознающих эталонов с последующей коррекцией на основе обучающих сигналов о состоянии объекта, сравнение распознающих эталонов с анализируемым сигналом о состоянии объекта, формирование набора величин оценок принадлежности состояния объекта каждому из множества возможных состояний объекта, сравнение полученных величин оценок с заданным порогом распознавания состояния объекта, отличающийся тем, что все сигналы о состоянии объекта предварительно нормируют, затем на этапе обучения распознающие эталоны первого уровня формируют с учетом достоверности на основе нормированных известных сигналов, формируют оптимизирующий эталон первого уровня, на основе которого из распознающих эталонов первого уровня формируют оптимизированные распознающие эталоны второго уровня, а на этапе распознавания формируют оптимизированный сигнал о состоянии объекта аналогично оптимизации распознающих эталонов, сравнивают оптимизированный сигнал с каждым из оптимизированных распознающих эталонов соответствующего уровня, в результате чего и формируют величины оценок состояния объекта, сравнивают их с заданным порогом распознавания и выделяют подмножество величин оценок, превышающих порог распознавания, выделяют соответствующее выделенному подмножеству величин оценок подмножество распознающих эталонов, на основе которого повторяют процесс оптимизации распознающих эталонов и анализируемого сигнала с последующим распознаванием состояния объекта до тех пор, пока результат распознавания не удовлетворит заданному критерию достоверности или неудачи.
2. Способ по п.1, отличающийся тем, что операции нормирования, формирования и коррекции распознающих эталонов, оптимизации и сравнения сигналов и эталонов осуществляются в Евклидовом векторном пространстве сигналов и эталонов.
3. Способ по п. 1 или 2, отличающийся тем, что формирование и коррекцию распознающих эталонов производят путем последовательного усреднения нормированных сигналов о состоянии объекта в соответствии со следующим правилом:
R0 0,
β = 1-α,
k порядковый номер сигнала или эталона,
Rk корректируемый распознающий эталон;
нормированный корректируемый распознающий эталон;
нормированный обучающий сигнал;
Rk+1 корректированный распознающий эталон;
α - коэффициент коррекции распознающего эталона;
β - коэффициент сохранения распознающего эталона;
операция скалярного умножения.
R0 0,
β = 1-α,
k порядковый номер сигнала или эталона,
Rk корректируемый распознающий эталон;
Rk+1 корректированный распознающий эталон;
α - коэффициент коррекции распознающего эталона;
β - коэффициент сохранения распознающего эталона;
4. Способ по любому из пп. 1 3, отличающийся тем, что формирование оптимизирующего эталона производят путем усреднения распознающих эталонов, подлежащих оптимизации.
5. Способ по любому из пп. 1 4, отличающийся тем, что оптимизацию распознающих эталонов и анализируемых сигналов производят в три этапа, в соответствии с которыми каждый из выделенных распознающих эталонов или анализируемый сигнал корректируют в соответствии с правилом
X(L+1) Xn (L) (Xn (L), Cn (L))•C(L),
где Xn оптимизируемый нормированный распознающий эталон или анализируемый сигнал;
C оптимизирующий эталон;
Cn нормированный оптимизирующий эталон;
(L) верхний индекс, обозначающий уровень оптимизации;
(X(L), C(L)) операция скалярного умножения,
затем измеряют и сохраняют величину нормы каждого скорректированного эталона или анализируемого сигнала о состоянии объекта в соответствии с правилом
N(0) 1,
где N(L) норма эталона или сигнала на L-ом уровне оптимизации,
после чего скорректированный анализируемый сигнал или каждый из скорректированных распознающих эталонов нормируют, используя сохраненную величину его нормы.
X(L+1) Xn (L) (Xn (L), Cn (L))•C(L),
где Xn оптимизируемый нормированный распознающий эталон или анализируемый сигнал;
C оптимизирующий эталон;
Cn нормированный оптимизирующий эталон;
(L) верхний индекс, обозначающий уровень оптимизации;
(X(L), C(L)) операция скалярного умножения,
затем измеряют и сохраняют величину нормы каждого скорректированного эталона или анализируемого сигнала о состоянии объекта в соответствии с правилом
N(0) 1,
где N(L) норма эталона или сигнала на L-ом уровне оптимизации,
после чего скорректированный анализируемый сигнал или каждый из скорректированных распознающих эталонов нормируют, используя сохраненную величину его нормы.
6. Способ по любому из пп. 1 5, отличающийся тем, что сравнение анализируемого сигнала с каждым из распознающих эталонов, а также получение величин оценок состояния объекта производят в соответствии со следующим правилом:
где N - величина нормы для распознающего эталона на L-ом уровне оптимизации,
N - величина нормы для анализируемого сигнала на L-м уровне оптимизации;
ε(L) - величина оценки состояния объекта, соответствующего анализируемому сигналу, на L-м уровне оптимизации;
(Sn (L), Rn (L)) операция скалярного умножения.
где N
N
ε(L) - величина оценки состояния объекта, соответствующего анализируемому сигналу, на L-м уровне оптимизации;
(Sn (L), Rn (L)) операция скалярного умножения.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SU5045669 RU2090928C1 (ru) | 1992-04-07 | 1992-04-07 | Способ анализа сигналов о состоянии объекта |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SU5045669 RU2090928C1 (ru) | 1992-04-07 | 1992-04-07 | Способ анализа сигналов о состоянии объекта |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2090928C1 true RU2090928C1 (ru) | 1997-09-20 |
Family
ID=21605961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| SU5045669 RU2090928C1 (ru) | 1992-04-07 | 1992-04-07 | Способ анализа сигналов о состоянии объекта |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2090928C1 (ru) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001004829A1 (fr) * | 1999-07-08 | 2001-01-18 | Vladimir Grigorievich Yakhno | Procede de reconnaissance adaptative de motifs d'informations et systeme de mise en oeuvre correspondant |
| WO2003001319A2 (fr) * | 2001-06-26 | 2003-01-03 | Vladimir Grigorievich Yakhno | Procede de reconnaissance d'objets informationnels a adaptation controlee automatiquement et systeme de mise en oeuvre correspondant |
| RU2485586C1 (ru) * | 2012-04-19 | 2013-06-20 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Способ идентификации сигналов |
| RU2510624C1 (ru) * | 2013-01-10 | 2014-04-10 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Способ маркирования и распознавания сигналов |
| RU182934U1 (ru) * | 2017-11-14 | 2018-09-06 | Открытое Акционерное Общество "Российские Железные Дороги" | Вычислительное устройство выявления неисправностей напольного технологического оборудования |
| RU2763872C1 (ru) * | 2021-03-02 | 2022-01-11 | Сергей Васильевич Стрельников | Способ обнаружения источника радиоизлучения по статистическим характеристикам радиосигнала |
-
1992
- 1992-04-07 RU SU5045669 patent/RU2090928C1/ru active
Non-Patent Citations (1)
| Title |
|---|
| Патент США N 5027420, кл. G 06 K 9/68, 1991. Киселев Н.В., Сечкин В.А. Техническая диагностика методами нелинейного преобразования. Библиотека по автоматике, вып.605. - Л.: Энергия, 1980, с.71 - 72, 86 - 88. * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001004829A1 (fr) * | 1999-07-08 | 2001-01-18 | Vladimir Grigorievich Yakhno | Procede de reconnaissance adaptative de motifs d'informations et systeme de mise en oeuvre correspondant |
| WO2003001319A2 (fr) * | 2001-06-26 | 2003-01-03 | Vladimir Grigorievich Yakhno | Procede de reconnaissance d'objets informationnels a adaptation controlee automatiquement et systeme de mise en oeuvre correspondant |
| WO2003001319A3 (fr) * | 2001-06-26 | 2003-09-18 | Vladimir Grigorievich Yakhno | Procede de reconnaissance d'objets informationnels a adaptation controlee automatiquement et systeme de mise en oeuvre correspondant |
| RU2485586C1 (ru) * | 2012-04-19 | 2013-06-20 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Способ идентификации сигналов |
| RU2510624C1 (ru) * | 2013-01-10 | 2014-04-10 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Способ маркирования и распознавания сигналов |
| RU182934U1 (ru) * | 2017-11-14 | 2018-09-06 | Открытое Акционерное Общество "Российские Железные Дороги" | Вычислительное устройство выявления неисправностей напольного технологического оборудования |
| RU2763872C1 (ru) * | 2021-03-02 | 2022-01-11 | Сергей Васильевич Стрельников | Способ обнаружения источника радиоизлучения по статистическим характеристикам радиосигнала |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113567603B (zh) | 色谱谱图的检测分析方法及电子设备 | |
| CN113567604B (zh) | 色谱谱图的检测分析方法及电子设备 | |
| Ljung et al. | The role of model validation for assessing the size of the unmodeled dynamics | |
| Ross et al. | Average magnitude difference function pitch extractor | |
| US8892478B1 (en) | Adaptive model training system and method | |
| US8712929B1 (en) | Dynamic data filtering system and method | |
| CN109188502B (zh) | 一种基于自编码器的束流位置监测器异常检测方法及装置 | |
| Brooks | Quantitative convergence assessment for Markov chain Monte Carlo via cusums | |
| JP5027859B2 (ja) | 信号識別方法および信号識別装置 | |
| RU2090928C1 (ru) | Способ анализа сигналов о состоянии объекта | |
| CN112149296A (zh) | 一种判定水文时间序列平稳性类型的方法 | |
| CN111929489B (zh) | 故障电弧电流的检测方法及系统 | |
| US6016462A (en) | Analysis of statistical attributes for parameter estimation | |
| KR20110122748A (ko) | 신호 식별 방법 및 신호 식별 장치 | |
| JP3906197B2 (ja) | パターン識別方法及びパターン識別装置及びプログラム | |
| CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
| JP3002325B2 (ja) | 表面検査装置 | |
| Stadnytska et al. | Analyzing fractal dynamics employing R | |
| Rieke et al. | Improved statistical test for nonstationarity using recurrence time statistics | |
| CN115166120A (zh) | 一种谱峰识别方法、设备、介质及产品 | |
| RU2148274C1 (ru) | Способ идентификации личности по особенностям подписи | |
| Chin et al. | A method of fault signature extraction for improved diagnosis | |
| CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
| CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
| JP2693435B2 (ja) | ソフトウェア信頼度成長曲線の適合度検定方法 |