RU2688253C2 - Устройство различения гипотез - Google Patents

Устройство различения гипотез Download PDF

Info

Publication number
RU2688253C2
RU2688253C2 RU2017137038A RU2017137038A RU2688253C2 RU 2688253 C2 RU2688253 C2 RU 2688253C2 RU 2017137038 A RU2017137038 A RU 2017137038A RU 2017137038 A RU2017137038 A RU 2017137038A RU 2688253 C2 RU2688253 C2 RU 2688253C2
Authority
RU
Russia
Prior art keywords
hypothesis
input
converters
nonlinear discrete
outputs
Prior art date
Application number
RU2017137038A
Other languages
English (en)
Other versions
RU2017137038A3 (ru
RU2017137038A (ru
Inventor
Вячеслав Михайлович Агеев
Original Assignee
Вячеслав Михайлович Агеев
Чудновский Леонид Семенович
Чудновская Ирина Николаевна
Крылов Виктор Юрьевич
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Вячеслав Михайлович Агеев, Чудновский Леонид Семенович, Чудновская Ирина Николаевна, Крылов Виктор Юрьевич filed Critical Вячеслав Михайлович Агеев
Priority to RU2017137038A priority Critical patent/RU2688253C2/ru
Publication of RU2017137038A3 publication Critical patent/RU2017137038A3/ru
Publication of RU2017137038A publication Critical patent/RU2017137038A/ru
Application granted granted Critical
Publication of RU2688253C2 publication Critical patent/RU2688253C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Error Detection And Correction (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Изобретение относится к устройству различения гипотез. Технический результат заключается в автоматизации различения гипотез. Устройство содержит нелинейные дискретные преобразователи входного потока сигналов, перестановщики символов, генератор гипотез, перемножитель столбца перестановленных символов, устройство выбора гипотезы по максимуму правдоподобия, высокоразрядные аналого-цифровые преобразователи, блок хранения информации, устройство формирования границ нелинейных дискретных преобразователей в процессе обучения. 2 ил.

Description

Изобретение относится к области статического различения гипотез. Различение гипотез осуществляется по принципу максимума отношения правдоподобия. Распознавание ведется по статистикам, уточненным в процессе обучения.
Известен простейший способ различения гипотез по значению минимума среднеквадратической ошибки уклонения от заданных эталонов каждой гипотезы (Винцюк Т.К. Анализ, распознавание и интерпретация речевых сигналов, Киев: Наук. думка, 1987). Недостаток данного метода заключается в невозможности влияния вариативности параметров на эффективность различения.
Известен способ различения гипотез по принципу максимума отношения правдоподобия (М. Де Гроут Оптимальные статистические решения, М, Мир, 1974, с. 491), когда для каждой гипотезы строится отношение правдоподобия и выбор гипотезы осуществляется по максимальному значению. Недостаток данного способа отсутствие рекомендаций по корректному построению распределений вероятностей параметров, по которым осуществляется процесс различения.
Известен оптимальный обнаружитель случайного гауссового сигнала на фоне аддитивного гауссового шума (L. Chudnovskiy, V. Ivanov Noise Signal Self-Synchronization in Optimal Detection Systems // AIS-2016 «ATMOSPHERE, IONOSPHERE, SAFETY», Kaliningrad, 2016, ISBN 978-5-9971-0412-2, P. 316-319), где приведена структурная схема устройства. Приведенная схема соответствует решению задачи канонического разложения случайного сигнала, предложенного К. Хелстромом. Входная реализация расфильтровывается системой фильтров fn(ω) с весовыми множителями [λn/(2λn+1)]1/2, соответствующими спектральному отношению сигнал/шум, а затем возводятся в квадрат квадратичными детекторами и суммируются. На выходе сумматора регистрируется статистика испытаний, по значению которой принимается решение о наличии полезного сигнала или его отсутствии. К недостатку такого способа следует отнести невозможность его функционирования для плотностей распределения вероятностей отличных от распределения Гаусса.
Наиболее близкими к предлагаемому способу являются алгоритм различения гипотез (И.Н. Чудновская, Л.С. Чудновский Индивид в информационно-коммуникативном пространстве: многоуровневая модель функционирования, Lambert Press. 2012. С. 125). Алгоритм включает нелинейные дискретные преобразователи входного потока сигналов, перестановщики символов, управляемые генератором гипотез, перемножитель столбца перестановленных символов и устройство выбора гипотезы по максимуму правдоподобия. Недостатком данного способа является отсутствие алгоритма самообучения для установки границ нелинейных дискретных преобразователей и подготовки данных для генератора гипотез.
Технический результат предлагаемого изобретения - автоматизация выбора границ нелинейных дискретных преобразователей в процессе обучения.
Технический результат достигается тем, что нелинейные дискретные преобразователи входного потока сигналов, перестановщики символов, управляемые генератором гипотез, перемножитель столбца перестановленных символов и генератор гипотез, устройство выбора гипотезы по максимуму правдоподобия настраиваются в режиме самообучения с использованием новых устройств: высокоразрядных аналого-цифровых преобразователей, блока хранения информации и устройства формирования границ нелинейных дискретных преобразователей в процессе обучения.
На фиг. 1 приведена структурная схема устройства различения гипотез.
1. Высокоразрядные аналого-цифровые преобразователи
2. Блок хранения информации
3. Устройство формирования границы нелинейных дискретных преобразователей
4. Нелинейные дискретные преобразователи входного потока сигналов
5. Перестановщики символов
6. Перемножитель столбца перестановленных символов
7. Генератор гипотез
8. Устройство выбора гипотезы по максимуму правдоподобия
Устройство имеет следующие функциональные связи (Фиг. 1).
Входной поток данных s(t) в режиме обучения поступает на входы высокоразрядных аналого-цифровых преобразователей (1), оцифрованные сигналы с выходов которого поступают на вход блока хранения информации (2), выход которого соединен с входами устройства формирования границы нелинейных дискретных преобразователей (3), выходы которых подсоединены ко второму входу нелинейных дискретных преобразователей входного потока сигналов (4) и ко второму входу генератора гипотез (7), в режиме различения гипотез входной поток данных поступает на первые входы нелинейных дискретных преобразователей входного потока сигналов (4), выходы которого соединены с входами перестановщика символов (5), выходы которого через перемножитель столбца перестановленных символов (6) соединены с входом устройства выбора гипотезы по максимуму правдоподобия (8), являющегося выходом устройства различения гипотез, вторые входы перестановщика символов (5) соединены с выходами генератора гипотез (7).
Устройство различения гипотез работает следующим образом.
Задача различения М образов (в терминах статистических решений, М гипотез) решается методу максимального отношения правдоподобия. Для решения задачи необходимо найти плотность распределения вероятностей многомерного параметра п для всех М образов, которую мы обозначим как нулевую гипотезу Р0(п). Размерность вектора параметров п (1, 2, … I). Будем считать, что выбранные составляющие вектора параметров п; статистически независимы, поэтому Р0(п)=ПРо(пi). Выборку общее число реализаций нулевой гипотезы обозначим как С0. Максимальная точность построения гистограммы P0(пi) достигается для дискретной разрядности параметра пi, равной кi=[С0/2]1/3 [4]. При этом минимальная погрешность Р0(пi) в квантилях кi достигается для таких границ, когда вероятность попадания в каждую квантиль одинакова и равна к-1. Для м-ой гипотезы вероятность Pм(кi) не будет равномерной. При любой перестановке кi распределение Р0(кi) не меняется. Для распределений Рм(кi) такое свойство не соблюдается. Перестановкой кiм для распределения Pм(кi) можно выставить свойство Pм(кiм)>Pм(кiм-1). Отношение правдоподобия для принятия решения об м-ой гипотезе достигается для sup(Λм)=[П Рм(кiм)]/[П P0(кiм)].
Для большинства практических задач можно использовать метод асимптотической оценки величины Λm(п). Для большинства практических задач распределение вероятностей Pм(кiм) можно представить следующим образом:
Figure 00000001
где: τiм некоторая постоянная компактности распределения в предположении, что I→∞.
Выражение (1) является довольно часто употребляемым, удобным и физически обоснованным распределением. Предположим, что величина τiм не зависит от i равна τм. Теперь можно найти плотности распределения вероятностей, см. Фиг. 2.

Claims (12)

  1. Устройство различения гипотез, содержащее
  2. нелинейные дискретные преобразователи входного потока сигналов,
  3. перестановщики символов,
  4. генератор гипотез,
  5. перемножитель столбца перестановленных символов,
  6. устройство выбора гипотезы по максимуму правдоподобия,
  7. при этом устройство различения гипотез дополнительно имеет:
  8. высокоразрядные аналого-цифровые преобразователи,
  9. блок хранения информации,
  10. устройство формирования границ нелинейных дискретных преобразователей в процессе обучения,
  11. причем входной поток данных в режиме обучения поступает на входы высокоразрядных аналого-цифровых преобразователей, оцифрованные сигналы с выходов которых поступают на вход блока хранения информации, выход которого соединен с входами устройства формирования границы нелинейных дискретных преобразователей, выходы которого подсоединены ко второму входу нелинейных дискретных преобразователей входного потока сигналов и ко второму входу генератора гипотез,
  12. в режиме различения гипотез входной поток данных поступает на первые входы нелинейных дискретных преобразователей входного потока сигналов, выходы которого соединены с входами перестановщика символов, выходы которого через перемножитель столбца перестановленных символов соединены с входом устройства выбора гипотезы по максимуму правдоподобия, являющегося выходом устройства различения гипотез, вторые входы перестановщика символов соединены с выходами генератора гипотез.
RU2017137038A 2017-10-21 2017-10-21 Устройство различения гипотез RU2688253C2 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2017137038A RU2688253C2 (ru) 2017-10-21 2017-10-21 Устройство различения гипотез

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2017137038A RU2688253C2 (ru) 2017-10-21 2017-10-21 Устройство различения гипотез

Publications (3)

Publication Number Publication Date
RU2017137038A3 RU2017137038A3 (ru) 2019-04-23
RU2017137038A RU2017137038A (ru) 2019-04-23
RU2688253C2 true RU2688253C2 (ru) 2019-05-21

Family

ID=66321707

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017137038A RU2688253C2 (ru) 2017-10-21 2017-10-21 Устройство различения гипотез

Country Status (1)

Country Link
RU (1) RU2688253C2 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2711472C1 (ru) * 2019-08-07 2020-01-17 Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Томский политехнический университет" Способ обработки информации сигналов многовходовой системы

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6314204B1 (en) * 1998-11-03 2001-11-06 Compaq Computer Corporation Multiple mode probability density estimation with application to multiple hypothesis tracking
US20030033127A1 (en) * 2001-03-13 2003-02-13 Lett Gregory Scott Automated hypothesis testing
US20090103779A1 (en) * 2006-03-22 2009-04-23 Daimler Ag Multi-sensorial hypothesis based object detector and object pursuer
US20090312985A1 (en) * 2008-06-12 2009-12-17 Eliazar Austin I D Multiple hypothesis tracking
RU2452101C2 (ru) * 2008-01-04 2012-05-27 Квэлкомм Инкорпорейтед Схема декодирования с использованием нескольких гипотез о передаваемых сообщениях

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6314204B1 (en) * 1998-11-03 2001-11-06 Compaq Computer Corporation Multiple mode probability density estimation with application to multiple hypothesis tracking
US20030033127A1 (en) * 2001-03-13 2003-02-13 Lett Gregory Scott Automated hypothesis testing
US20090103779A1 (en) * 2006-03-22 2009-04-23 Daimler Ag Multi-sensorial hypothesis based object detector and object pursuer
RU2452101C2 (ru) * 2008-01-04 2012-05-27 Квэлкомм Инкорпорейтед Схема декодирования с использованием нескольких гипотез о передаваемых сообщениях
US20090312985A1 (en) * 2008-06-12 2009-12-17 Eliazar Austin I D Multiple hypothesis tracking

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2711472C1 (ru) * 2019-08-07 2020-01-17 Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Томский политехнический университет" Способ обработки информации сигналов многовходовой системы

Also Published As

Publication number Publication date
RU2017137038A3 (ru) 2019-04-23
RU2017137038A (ru) 2019-04-23

Similar Documents

Publication Publication Date Title
Kennel et al. Method to distinguish possible chaos from colored noise and to determine embedding parameters
Tremblay et al. Compressive spectral clustering
CN107784276B (zh) 微震事件识别方法和装置
US3133266A (en) Automatic recognition of handwriting
Baddeley et al. Spatial logistic regression and change-of-support in Poisson point processes
Vasko et al. Estimating the number of segments in time series data using permutation tests
CN112761628B (zh) 基于长短期记忆神经网络的页岩气产量确定方法、装置
CN108549078A (zh) 一种雷达脉冲信号跨信道合并及检测方法
EP3637279A1 (en) Accessible machine learning backends
RU2688253C2 (ru) Устройство различения гипотез
GB1098895A (en) Pattern recognition system
CN108387757B (zh) 用于检测可移动设备的移动状态的方法和装置
De la Jara et al. Ionospheric echo detection in digital ionograms using convolutional neural networks
Mao et al. Physics-informed neural networks with residual/gradient-based adaptive sampling methods for solving PDEs with sharp solutions
CN117471922A (zh) 一种油套管电动打孔设备的智能控制方法及系统
Woinsky Nonparametric detection using spectral data
RU2622846C1 (ru) Способ автоматического распознавания типа манипуляции радиосигналов
Zhang et al. Convexity dependent morphological transformations for mode detection in cluster analysis
WO2014041338A1 (en) Discriminating pulse types
CN113673683A (zh) 一种基于cgan判别器和生成器的电子鼻识别模型优化方法
Ding et al. Detecting Domain Generation Algorithms with Bi-LSTM.
RU2582865C1 (ru) Способ обнаружения заданного механического воздействия для идентификации пользователя и устройство для его осуществления
Volovach et al. Detection of signals with a random moment of occurrence using the cumulative sum algorithm
CN111008356A (zh) 一种基于WTSVD算法扣除背景的γ能谱集分析方法
RU2133501C1 (ru) Способ и устройство распознавания классов сигналов

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20191022