RU2159956C2 - Способ анализа нестационарного процесса - Google Patents

Abstract

Изобретение относится к обработке информации и может быть использовано в измерительных системах. Техническим результатом является повышение достоверности измерений при сокращении времени обработки информации. Способ основан на том, что выделяют трендовые аддитивные составляющие нестационарного процесса - низкочастотный и высокочастотный тренды, получают фильтрационную часть нестационарного процесса и распределение ее значений, устанавливают интервалы ковариации и выделяют регулярную аддитивную составляющую нестационарного процесса, композируют полученные аддитивные составляющие нестационарного процесса. 5 ил.

Description

Изобретение относится к информационно-измерительной технике и может быть использовано для восстановления состояния объекта путем устранения намеренных или случайных помех в условиях как полной, так и ограниченной выборки входной информации исследуемого процесса.

Способ предполагает найти широкое применение в управляющих отказоустойчивых многофакторных вычислительных машинах при реализации задач радиоэлектроники и гидрометеорологии на основе анализа нестационарных процессов; при диагностике и распознавании живых объектов, их поведения и деятельности в интересах принятия решений, в том числе и финансовых, при обработке изображений, звука и телеметрической информации; для автоматизации испытаний изделий электронной техники, радио- и телеаппаратуры, механических конструкций и т.п. на надежность, прочность и устойчивую работоспособность при случайных и детерминированных воздействиях различных факторов в реальном масштабе времени.

Широко известны методы статистической обработки информации в реальном масштабе времени (см., например, книгу Ф. Миллса "Статистические методы", М. , 1958), где исследуемые процессы носят случайный характер и рассматривается совокупность данных о каком-либо явлении или процессе, для установления их основных закономерностей и существенных особенностей. В этих условиях существенная роль отводится математической статистике, обеспечивающей систематизацию, обработку и использование статистических данных (см., например, книгу Г. Крамера "Математические методы статистики", М., 1948) при проведении многомерного статистического анализа, позволяющего изучать процессы, подчиняющиеся нормальному распределению (см. , например, книгу Т. Андерсона "Введение в многомерный статистический анализ", М., 1963). Этот метод эффективно приложим к изучению стационарных случайных процессов (см., например, книгу Ю.А.Розанова "Стационарные случайные процессы", М., 1963), т.е. таких процессов, у которых вероятностные характеристики не меняются с течением времени (см., например, книгу Р.Ш.Линцера и А.Н. Ширяева "Статистика случайных процессов (нелинейная фильтрация и смежные вопросы)", М., 1974). При использовании упомянутого метода, в частности, решается задача обнаружения сигнала на фоне шума. Однако повсеместно в реальных условиях эксплуатации различных систем такую задачу приходится решать для нестационарных случайных процессов (НП), которые существенно сложнее стационарных, где, говоря словами Р.Тагора, шумы мгновений издеваются над музыкой вечного. Применительно к нестационарным случайным процессам особо следует отметить метод стохастической апроксимации (см., например, книгу М.Вазана "Стохастическая апроксимация", М. , 1972). Широко представлены устройства для статической обработки информации в книгах Мирского Г.Я. ("Аппаратурное определение характеристик случайных процессов", М., 1972), Яковлева В.В. и Федорова Р.Ф. "Стохастические вычислительные машины", М., 1974). Поступающую в виде сигналов информацию часто оцифровывают (см., например, книгу Л.Рабинера и др. "Теория и применение цифровой обработки сигналов", М., Мир, 1978), а в устройстве анализа используют цифровые фильтры (И.А.Мизин и др. "Цифровые фильтры", М., Связь, 1979).

На основе этих теоретических исследований, и базируясь на известной уже аппаратуре, разработаны, особенно на территории СССР, многочисленные устройства. К их числу можно отнести вероятностный спектрокоррелометр по авт. св. N 636618, функциональные возможности которого расширены за счет обеспечения вычисления спектральной плотности в реальном масштабе времени. В свою очередь, функциональные возможности вероятностного спектрокоррелятора по выданному в США патенту N 4115867 расширены иттерационным вычислением безусловной энтропии из двух случайных процессов и умножения корреляционной функции на "корреляционное окно" (окно Бартлета, Парзена, Тьюки) в блоке постоянной памяти. Для контроля работы машины предназначен статистический анализатор по выданному в США патенту N 4145744, в котором аналоговую величину одновременно сравнивают с эталонным значением в соответствии с ее функцией распределения. По выданным в Германии патентам N 2729401 и N 2758505 к тому же классу машин следует отнести вероятностный спектрокоррелятор с весьма обширными функциональными возможностями. Вероятностное вычислительное устройство, согласно выданного в СССР авт.св. N 631928, может быть использовано в стохастических вычислительных машинах для воспроизведения эмпирических многочленов с линейными комбинациями целых и дробных степеней аргументов. По выданным в США патенту N 4206505 разработан вычислитель безразмерных (к - го порядка) начальных моментов случайных процессов, а также патенту N 4219877 - устройство для преобразования данных с воздействием на порядок их расположения. В этом направлении известны также преобразователи "время - вероятность" по выданным в СССР авт.св. N 647693 и N 690493, где решение задачи осуществляется в зависимости от разрядности двухступенчатой схемы элементов. По выданному в СССР авт.св. N 690494 известен спектрокоррелометр, со сравнительно небольшим числом интегральных схем, осуществляющий вероятностную оценку спектра мощности в реальном масштабе времени по 64 ординатам измерений корреляционной функции, тогда как в анализаторе случайных процессов по выданному в СССР авт.св. N 809204, являющимся усовершенствованием коррелометра по авт.св. N 636618, дополнительно введен учет статистических характеристик выбросов случайных процессов. Путем настройки на статистические свойства процесса расширен класс решаемых задач по авт.св. N 1283796 - устройство параметрической оценки закона распределения, по авт.св. N 1317453 - устройство определения функции распределения вероятности стационарных случайных процессов, по авт.св. N 1418752 - адаптивные устройства сглаживания случайных процессов и прогнозирующий фильтр по авт.св. N 1628068. Аналогично по авт.св. N 1325513 функциональные возможности статистического экспресс-анализатора расширены определением интегрального закона распределения случайного процесса; в устройстве для определения статистических характеристик случайного процесса по авт.cв. N 1341652 - центральных моментов высшего порядка; в устройстве скользящего усреднения по авт.св. N 1589290 - вычислением двухмерного скользящего среднего; в устройстве определения стационарности случайного процесса по авт.св. N 1601615 - разделением процесса на стационарные участки; в устройстве формирования и обработки гистограмм по авт. св. N 1755296 - формированием производной гистограммы и вычислением интегральной функции распределения; в устройстве вычисления порядковых статистик по авт.св. N 1704148 - формированием операции двумерной ранговой фильтрации, а в устройстве гистограммной обработки изображений объектов по авт. св. N 1667106 - реализацией операции медианной фильтрации. В многофункциональных анализаторах случайных процессов по авт.св. NN 1399766, 1621045 - устройство цифровой фильтрации, 1569820 - устройство экстремальной фильтрации, 1656554 - устройство ранговой фильтрации, 1412753 - устройство определения функции распределения случайных процессов, 1608892 - устройство скользящей модификации гистограмм, 1695324 - устройства интегрального преобразования релаксационных сигналов для повышения быстродействия акцентируется внимание на сокращении времени анализа. А в устройствах распознавания сигналов случайных процессов по авт.св. NN 1488840 и 1621046 - на повышении точности и достоверности процесса распознавания. В авт.св. N 1648368, выданным в СССР, заявлено устройство для оценки показателей психологических исследований, где осуществляется учет числа физиологических параметров испытуемого, вышедших за рамки допустимых пределов. Тогда как в японской заявке N 2-60580 описан только статистический процессор, совершенствующий устройство по выданному в США патенту N 4115867. По швейцарской заявке N 411/87 известен также статистический способ и устройство для анализа частиц в пробе соответственно подготовленной жидкости, где проблемный порог определяют по гистограмме, имеющей в части максимумов и минимумов по меньшей мере две популяции. Для медицинских и биологических целей предназначен и статистический способ коррекции ошибок по выданному в Великобритании патенту 230-3720. В способе и устройстве в выданном в США патенте N 4402054 для автоматического диагностирования нештатного срабатывания предложены мониторинг и статистическая поразрядная цифровая обработка (ЕПВ - заявка N 238300 - G 06 F 5/06, 7/48) последовательности цифровых сигналов способом, изложенным в патенте N 4774681, выданном в США, где обрабатывающая система использует регистры и схемы - защелки для синхронизации выборок и подтверждения знаковых разрядов сигналами CLOCKN или CLOCKP. Оценку вероятности, основанную на предыстории принятия решения, обеспечивают на установке по выданному в США патенту N 4935882 - способе адаптации рассчитанной вероятности в ответ на перенормировку корреляционного отсчета слагаемого. Способ интегрального преобразования релаксационных сигналов по выданному в СССР авторскому свидетельству N 1695324 включает преобразование входного и опорного сигналов, через распределенные по геометрической прогрессии интервалы времени, в дискретные последовательности отсчетов. Из заявки N 93019090, опубликованной в РФ, известен способ моделирования объектов в нестационарных режимах, а из заявки N 96111926 - автоматизированной обработки информационных материалов для персонализированного использования. Из европейской заявки N 0542261 известен способ построения гистограмм генераций данных изображения. Еще более специфичный способ оценки протяженности рекламы по частоте контактов на транспортных средствах известен из международной заявки N 93/01554. В этой области из немецкой заявки 4.317.746 интересен способ пространственной фильтрации по специальной функции стохастической разностной обработки точечных изображений в двухмерном пространстве.

Из выданного в Великобритании патента N 2303720 известен способ анализа нестационарного процесса, включающий обработку шаговой последовательности значений входного сигнала с их регистрацией, он предназначен прежде всего для медицинских и биологических целей с коррекцией ошибок исследования при выходе за пределы имеющихся значений, т.е. способ функционально ограничен и весьма недостоверен из-за малой соотносительности этих значений в рамках собственных допущений. Также не в полной мере учтены и весомости поразрядного разложения значений нестационарного процесса. Тем самым предопределяется возникновение значительных погрешностей и получение некорректного конечного результата, особенно при широком использовании способа, то есть когда требуемая точность получаемых результатов может быть достигнута лишь значительным сужением области практического применения.

Таким образом, тогда как способы и устройства анализа стационарных процессов весьма разнообразны, то анализу нестационарных процессов уделено весьма незначительное внимание не смотря на то, что последние как раз доминирующе проявляются в реалиях повседневности. В то же время проведенный анализ состояния в целом вопроса фильтрации и восстановления действительных значений нестационарного процесса по реализации конечной длины показывает, что известные методы работают в рамках существенных допущений, которые накладывают значительные ограничения на точность решения задачи восстановления и тем самым на область их практического применения. При этом рассмотренные способы и устройства решения стоящей задачи так или иначе реализуют один из трех принципиальных подходов по Калману, Колмогорову или Тихонову. Однако использование фильтра Калмана осуществляется в рамках допущений о стационарности исследуемого процесса и тем самым отнесения его к "Марковскому". Но тогда с ростом числа пошаговых измерений начинает прогрессировать ошибка фильтрации (по решению "Начальной задачи Коши") - восстановления действительных значений входного сигнала. Использование же "Колмогоровского" подхода приводит к необозримости получаемых результатов на каждом шаге решения системы дифференциальных уравнений соответствующего порядка (определяемого числом значений независимой переменной исследуемого процесса), а линейное представление этих уравнений вскрывает вопрос необходимости обоснования правомерности такого допущения. Анализ третьей группы методов (оптимальной фильтрации, регрессионного подхода, решения некорректных задач по А. Н. Тихонову, группового учета аргументов) в общем случае показывает также их практическую несостоятельность в силу "жестких" допущений, особенно в режиме анализа исследуемого явления.

Известен способ анализа нестационарного случайного процесса (НСП), включающий преобразование входного сигнала и опорного сигнала в дискретную последовательность значений, счет импульсов сигналов, их распределение и регистрацию, а также установление среднего значения, интервала и времени ковариации (см. выданное в СССР авт.св. N 1295417).

Согласно этому способу НСП представляется в виде суперпозиции сигнальной (детерминированной) и шумовой (случайной) составляющих:
Y(t) = m_y(t)+ξ(t), (1)
где Y(t) - исходная функция НСП; t - независимая переменная; ξ(t) - шумовая (случайная) составляющая НСП; m_y(t) - регулярная составляющая значений НСП.

Далее для восстановления искомой функции m_y(t) входного процесса (1) осуществляется оценка (2) каждого ожидаемого "к"-го значения НСП путем разложения N значений Y(t) по параллельному позиционному коду d_i в каждом "i"-м из v разрядов:
m $\genfrac{}{}{0ex}{}{\text{*}}{\text{y}}$ (t_k) = Σa $\genfrac{}{}{0ex}{}{\text{*}}{\text{i}}$ (t_k)•d_i, (2)
где: t_k+1-t_k= Δt>1/2^*f - интервал квантования и f - наивысшая частота в спектре НСП;
a_i ^*(t_k) - оценка математического ожидания к символа в i - м разряде разложения;
i=1,..., ν, k = 0,...,N;
v - число разрядов разложения значений Y(t) в параллельный позиционный код.

Тем самым за счет введения второй переменной i достигается существенное увеличение объема информативности исходной информации. При этом с целью углубленного учета взаимосвязей между символами каждого разряда рассматривается такая модель (1) сигнала и шума, где априорные сведения о них заложены в различной частоте появления группы символов A_i(M) в сигнальной и шумовой составляющих по разрядам в ограниченной области изменения НСП. Причем избыточность по детерминированной составляющей (сигналу) стремится к единице, а по шумовой - к нулю.

Распределение взаимосвязей по массиву символов для НСП определяются на интервале ковариации по коэффициентам и функциям ковариации, имеющие различный вид в зависимости от "точности" - числа одновременно учитываемых взаимных связей в соответствующей области изменения, а интервалы ковариации определяются в виде суммы полученных ковариационных функций. Рассмотренная модель позволяет восстанавливать значения детерминированного сообщения НСП практически по нескольким десяткам (50...100) отсчетов процесса при избыточности информации до 0.5 и выше. Тем самым авторы этого способа стремились улучшить обработку экспериментальных данных, повысить помехоустойчивость и точность функционирования устройства. При этом они ориентировались на более глубокий учет взаимосвязей, а именно взаимосвязи среднего значения в пределах его ковариации с определением функции ковариации без операции центрирования. Кроме того, в тех случаях, когда интервал ковариации получался меньше интервала ковариации его среднего значения, то взаимосвязи среднего значения определяли по интервалу ковариации.

Этот способ анализа весьма эффективен и обладает прогнозными свойствами, но вместе с тем его практическая значимость может быть существенно повышена за счет
- расширения функциональных возможностей способа путем снятия противоречивого допущения об аддитивности и случайности нестационарного процесса (НП) в целом, поскольку, по классическому определению, именно одной из основных характеристик его нестационарности является различие распределений вероятностей на сдвиге системы координат по времени и характеризуется переменными значениями математического ожидания и дисперсии, отражающих существенное влияние трендовых и регулярной составляющих компонентов нестационарного процесса;
- достижения наибольшей достоверности в любом из применений способа за счет корректного определения числа и значений соотношения (2) коэффициентов значимости d_i поразрядного разложения значений нестационарного процесса, исходя из присущих ему закономерностей и отвечающих требованиям линейной независимости, а не путем подбора (как в прототипе - исходя из априорных знаний о характере нестационарного процесса).

Задача изобретения - расширение функциональных возможностей способа и достижение наибольшей достоверности в любом из его применений при сокращении времени обработки информации.

Расширение функциональных возможностей способа и достижение наибольшей достоверности в любом из его применений при сокращении времени обработки информации получено путем приведения нестационарного процесса к аддитивным составляющим в соответствии с присущими ему закономерностями и восстановления до действительных значений в области его определения.

Для этого в способе анализа нестационарного процесса, включающего преобразование аналогового сигнала в дискретную последовательность значений, отличающегося тем, что из упомянутой последовательности выделяют аддитивные низкочастотную и высокочастотную составляющие, путем вычитания значений аддитивных трендовых составляющих из значений упомянутой дискретной последовательности получают фильтрационную часть значений нестационарного процесса, производят распределение этой части значений, после чего устанавливают интервалы ковариации значений упомянутого распределения, затем в соответствии с полученными значениями интервалов ковариации выделяют аддитивную регулярную составляющую и путем алгебраического сложения значений аддитивных трендовых и регулярной составляющих восстанавливают действительные значения нестационарного процесса.

Раскрытие способа анализа нестационарного процесса
1. Получение дискретной последовательности значений НП
Осуществляют преобразование аналогового сигнала в дискретную последовательность значений нестационарного процесса, регистрируют полученные значения нестационарного процесса (см. фиг. 4, кривая 7) в области его определения.

II. Выделение трендовых аддитивных составляющих НП
2.1. Выделение аддитивной низкочастотной составляющей
2.1.1. Определение постоянной составляющей НП
В области значений нестационарного процесса выделяют аддитивную постоянную составляющую m_c путем определения минимума его значений, т.е.

m_c=Min{Y_k}. (3)
2.1.2. Получение области значений низкочастотной составляющей
Путем вычитания из каждого значения Y_k нестационарного процесса значение аддитивной постоянной составляющей m_c получают область значений низкочастотного тренда {Y_k}^н (см. фиг. 1, кривая 1) нестационарного процесса.

2.1.3. Определение низкочастотной составляющей
В полученной области значений низкочастотного тренда {Y_k}^н путем их аппроксимации по методу наименьших квадратов выделяют аддитивную низкочастотную компоненту m_н ^*(t) (см. фиг. 1, кривая 2) нестационарного процесса.

Путем алгебраического сложения значений низкочастотной компоненты с значением аддитивной постоянной составляющей (3) определяют низкочастотную составляющую m_н(t):
m_н(t)=m_н ^*(t)+m_c (4)
2.2. Выделение аддитивной высокочастотной трендовой составляющей
2.2.1. Получение области значений высокочастотной составляющей
Путем вычитания из каждого значения области значений низкочастотного тренда {Y_k}^н соответствующих значений аддитивной низкочастотной составляющей m_н(t) получают область значений высокочастотного тренда {Y_k}^в (см. фиг. 2, кривая 3) нестационарного процесса.

2.2.2. Определение высокочастотной составляющей
В полученной области значений {Y_k}^в высокочастотного тренда путем оптимальной аппроксимации обобщенными полиномами Чебышева с коэффициентами Фурье {A_r} выделяют аддитивную высокочастотную составляющую m_в(t) (см. фиг. 2, кривая 4) нестационарного процесса.

Для оптимальной аппроксимации значений {Y_k}^в применяются обобщенные полиномы Чебышева (5) с коэффициентами Фурье (6) в силу того, что они обладают таким замечательным свойством, как аппроксимировать функции (значения НП) с наименьшей экстремальной ошибкой, по сравнению со всеми известными аппроксимирующими функциями в классе полиномов одного и того же порядка. То есть это свойство позволяет находить аппроксимирующую функцию, имеющую характер поведения НП на отрезке приближения, наиболее близкий к реальному. При этом поскольку коэффициенты Фурье (6) обобщенного полинома Чебышева (5) линейно независимы, то тем самым удовлетворяется еще и изначальное требование избыточности к параллельному позиционному коду d_i соотношения (2).

Q_n(x) = ΣA_r•P_r,N(x), (5)
где
r∈[0,ν]; ν ≤ N - порядок обобщенного полинома Чебышева;
A_r=C_r/S_r - коэффициенты Фурье, (6)
C_r= ΣY_k•P_r,N(t_k);
S_r= ΣY^в•P $\genfrac{}{}{0ex}{}{\text{2}}{\text{r,N}}$ (t_k),
P_r,N(x) = Σ(-1)^s•C_r•C_r+s•x^[S]/N^[S],
x = (t-t₀)/Δt;
S∈[0,r]^B;
x^s=x•(x-1)•... •(x-s+1)- обобщенные степени;
система полиномов Чебышева {P_r,N(t)} - ортонормированна и линейно независима.

III. Получение фильтрационной части НП и распределение ее значений
На этом этапе осуществляется переход от детерминированного (см. выше) представления нестационарного процесса к стохастическому, где принимается допущение о случайности процесса не в целом, а только к его части - в v кратно увеличенной по объему оставшейся фильтрационной области значений НП с учетом найденных детерминированных закономерностей.

3.1. Получение фильтрационной части НП
Путем вычитания из каждого значения области {Y_k}^в высокочастотного тренда соответствующих значений аддитивной высокочастотной составляющей m_в(t) получают фильтрационную часть {Y_k}^ф (см. фиг. 3, кривая 5) нестационарного процесса.

3.2. Распределение значений фильтрационной части НП
3.2.1. Получение позиционного кода
Путем нормировки коэффициентов Фурье обобщенного полинома Чебышева по сумме их абсолютных значений получают оптимальный линейно независимый параллельный позиционный код:

где i=l,... ν;
v - оптимальный порядок аппроксимационной кривой высокочастотного тренда.

3.2.2. Нормировка значений фильтрационной части НП
Получают нормированные значения фильтрационной части НП путем деления каждого значения фильтрационной части НП на разность их максимального и минимального значений K_ф:
{Y_k}^ф={Y_k}^ф/K_ф, (8)
где K_ф=Max{Y_k}^ф-Min{Y_k}^ф.

3.2.3. Формирование матрицы значений НСП
В соответствии с полученным оптимальным числом v и значениями линейно независимого параллельного позиционного кода d_i осуществляют поразрядное преобразование каждого нормированного значения {Y_k}^ффильтрационной части (размера N) НП в код (символы) "1" или "-1" и получают матрицу {Y_i,k}^ф значений нестационарного случайного процесса (НСП) размером N•ν . Тем самым путем поразрядного разложения нормированных значений фильтрационной части НП в код "1" или "-1" осуществляется ν - кратное оптимальное расширение объема исходных значений фильтрационной части нестационарного процесса.

IV. Установление интервалов ковариации и выделение аддитивной регулярной составляющей фильтрационной части НП
4.1. Установление интервалов ковариации матрицы значений НСП
4.1.1. Определение нормированных ковариационных функций
Для каждой строки матрицы значений {Y_i,k}^ф НСП определяют взаимосвязи по нормированным функциям ковариации R(i, m+1), имеющих различный вид (9.1)... (9.3) в зависимости от "точности" - числа (глубины связей) одновременно учитываемых символов θ в каждой группе функций ковариации в соответствующей области изменения m:
R(j,m+1) = Σy_j+m/(N+m), (9.1)
где j=1,...,N; m=0; θ =1.

R(j,m+1) = Σy_j•y_j+m/(N-m-1), (9.2)
где j=1,..., N-m-1; m=0,..., N/2; θ =2.

R(j,m+1) = Σy_j•y_j+m/(N-m-1)•Σy₁/(N-m-j), (9.3)
где j=1,..., N-m-1; 1=j+m+1,..., N; m=0,..., N/2; θ =3.

4.1.2. Определение значений интервалов ковариации
Определяют значение интервала ковариации τ_ков в виде суммы значений полученных ковариационных функций, т.е.

4.2. Выделение аддитивной регулярной составляющей части НП
4.2.1. Определение ожидаемых значений фильтрационной части НП
Определяют значение интервала наилучшей связи:
ℵ = 1+τ_ков/Δt (11)
Определяют значение длины ковариационной группы А_i(М):
M = ℵ/3. (12)
Получают оценку ожидаемого значения НСП в точке t_k:

где
μ - порядковый номер (в данном разряде) символа "1";
μ =1,..., N-M+1;
C $\genfrac{}{}{0ex}{}{\text{M}}{\text{ℵ}}$ , C $\genfrac{}{}{0ex}{}{\text{M-1}}{\text{ℵ-1}}$ - соответствующие сочетания;
Sgn( ) - берется согласно знака исходного НСП в точке t_k.

Определение (13) по ансамблю (числу разрядов разложения) реализаций означает восстановление избыточности на каждый символ каждого разряда до единицы. При восстановлении избыточного до 0.5 и выше восстанавливается детерминированное сообщение.

4.2.2. Определение аддитивной регулярной составляющей части НП
К каждому значению оценки (13) применяют операцию, обратную нормировке (8), и получают отфильтрованные действительные (не нормированные) значения фильтрационной части НП, определяющие в своей совокупности его регулярную аддитивную составляющую m_y ^*(t) (см. фиг. 3, кривая 6):
m_y ^*(t)={m_y ^*(t_k)}^*K_ф. (14)
V. Восстановление действительных значений нестационарного процесса
Композируют полученные аддитивные составляющие (4), (5) и (14) нестационарного процесса путем алгебраического взаимнооднозначного сложения их значений и тем самым восстанавливают (см. фиг. 4, кривая 8) действительные (отфильтрованные) значения НП в целом:
m_y(t)=m_н(t)+m_в(t)+m_y ^*(t). (15)
Согласно (1) определяют шумовую (случайную) составляющую НСП ξ(t) :
ξ(t) = Y(t)-m_y(t). (16)
Таким образом, выделение аддитивных низкочастотной и высокочастотной составляющих, получение фильтрационной части нестационарного процесса и распределение ее значений, установление интервалов ковариации и выделение аддитивной регулярной составляющей значений нестационарного процесса, алгебраическое сложение значений аддитивных трендовых и регулярной составляющих для восстановления действительных значений нестационарного процесса, включающего преобразование аналогового сигнала в дискретную последовательность значений упомянутого процесса, позволяет расширить функциональные возможности способа и достигнуть его наибольшей достоверности в каждом из применений.

Изобретение поясняется фиг. 1-5, на которых изображено:
фиг. 1 - выделение аддитивной низкочастотной составляющей;
фиг. 2 - выделение аддитивной высокочастотной составляющей,
фиг. 3 - выделение аддитивной регулярной составляющей,
фиг. 4 - композиция аддитивных составляющих,
фиг. 5 - блок-схема устройства.

Устройство (фигРис. 5) для осуществления предлагаемого способа содержит
- блок ввода - вывода информации 1, состоящий из аналого-цифрового 1.1 и цифроаналогового 1.3 преобразователей, работающих под управлением блока 1.2;
- блок фильтрации 2, состоящий из фильтров 2.1 - выделяющего аддитивную постоянную составляющую, 2.2 - выделяющего аддитивную низкочастотную составляющую, 2.3 - выделяющего аддитивную высокочастотную составляющую и 2.4 - выделяющего аддитивную регулярную составляющую,
- сумматор 3;
- блок микропрограммного управления 4, обеспечивающий управление фильтрами 2.1... 2.4 и сумматором 3.

Согласно способу входной сигнал Y(t) через аналого- цифровой преобразователь 1.1 блока ввода - вывода информации 1 поступает на вход фильтра 2.1, где выделяют сигнал аддитивной постоянной составляющей путем определения Ymin - минимума значений входного сигнала Y(t) и получают остаток сигнала 1 (фиг. 1) путем вычитания из каждого значения входного сигнала Y(t) значений сигнала аддитивной постоянной составляющей. Далее полученный остаток сигнала 1 поступает на вход фильтра 2.2, где (фиг. 1) выделяют аддитивную низкочастотную составляющую сигнала 2 и получают следующий остаток сигнала 3 (фиг. 2) путем вычитания из каждого значения полученного остатка сигнала 1 значений сигнала аддитивной низкочастотной составляющей 2. Далее полученный остаток сигнала 3 поступает на вход фильтра 2.3, где выделяют аддитивную высокочастотную составляющую 4 (фиг. 2) и получают фильтрационный остаток сигнала 5 (фиг. 3) путем вычитания из каждого значения полученного остатка сигнала 3 значений сигнала аддитивной высокочастотной составляющей 4. Далее фильтрационный остаток сигнала 5 поступает на вход фильтра 2.4, где выделяют аддитивную регулярную составляющую 6 (фиг. 3). Тем самым входной сигнал разделяется на составляющие фильтрами 2.1. 2.4, управляемыми блоком микропрограммного управления 4. Полученные аддитивные составляющие входного сигнала Y(t) подаются на сумматор 3, который также находится под управлением блока микропрограммного управления 4. Результатом работы сумматора 3 является восстановленный сигнал 8 (фиг. 4), полученный путем взаимнооднозначного алгебраического сложения значений сигналов всех полученных аддитивных составляющих. Далее восстановленный сигнал 8 подается на цифроаналоговый преобразователь 1.3 блока ввода - вывода информации 1.

При промышленном применении данное устройство реализуемо в виде дополнительного блока в составе типового микроконтроллера общего назначения.

Способ предполагает его широкое применение в управляющих отказоустойчивых многофакторных системах, в стохастических и детерминированных вычислительных машинах для автоматизации обработки:
- информации высокого разрешения при распознавании образов, в том числе и при диагностике и распознавании живых объектов, их поведения и деятельности для принятия решений в классе альтернативных выборок;
- аэрокосмических снимков и видеоизображений в компьютерных графических и информационных системах;
- материалов при их дешифровке и восстановлении пропущенных значений путем прогнозирования и последующей фильтрации, а также при фотографометрическом сканировании;
- изображений, а также при их цветоделении и сшивке растра;
- информации с целью выявления закономерностей и случайностей при решении широкого класса задач в областях медицины и гидрометеорологии, анализа землятресений и финансовых изменений;
- результатов испытаний изделий электронной техники, радио- и телеаппаратуры, механических конструкций и т.п. на надежность, прочность и устойчивую работоспособность при случайных и детерминированных воздействиях как электрических, так и механических факторов в исследуемых процессах.

Claims (1)

1. Способ анализа нестационарного процесса, включающий преобразование аналогового сигнала в дискретную последовательность значений, отличающийся тем, что из упомянутой последовательности выделяют аддитивные низкочастотную и высокочастотную трендовые составляющие, путем вычитания полученных значений аддитивных трендовых составляющих из значений упомянутой дискретной последовательности получают фильтрационную часть значений нестационарного процесса, производят распределение этой части значений, после чего устанавливают интервалы ковариации значений упомянутого распределения, затем в соответствии с полученными значениями интервалов ковариации выделяют аддитивную регулярную составляющую и путем алгебраического сложения значений аддитивных трендовых и регулярной составляющих восстанавливают действительные значения нестационарного процесса.

Images