Диссертация (Оценка времени задержки циклостационарных радиосигналов для локализации источников излучений), страница 4

Линейные:(a) Линейный метод наименьших квадратов (LSS)(b) Взвешенный линейный метод наименьших квадратов (WLSS)(c) Метод подпространств (Subspace)Книга [25] является наиболее полным руководством по практическимаспектам задачи оценивания местоположения источников радиоизлучения ивключает в себя рассмотрение как систем наземного базирования, так и спутниковых систем. В книге рассмотрено большинство техник, теоретических моделей и алгоритмов, применяемых в задачах оценивания местоположения; приведено описание особенностей и сложностей, связанных с реализацией системоценивания местоположения.

Отдельное внимание уделено конкретным приложениям приведенной в книге теории в области беспроводных сетей (WiFi,ZigBee, UMTS, DVB), когнитивного радио, беспроводных сенсорных сетей исетей с ретрансляторами.Задаче оценки времени задержки прихода сигналов посвящены две последовательные статьи [26, 27], в которых внимание сконцентрировано на выделении отдельного циклостационарного сигнала на фоне помех и иных сигналов,как стационарных так и циклостационарных. Первая часть включают в себякраткое теоретическое описание феномена циклостационарности и изменения,которые необходимо внести в классические методы оценивания времени задержки прихода сигнала для учета его циклостационарных свойств.

В результате вработе предлагается ряд новых методик. Вторая часть описывает особенностиреализации предложенных алгоритмов, а также содержит сравнение по рядупараметров предложенных алгоритмов аналитически и при помощи численного моделирования.Работа [28] посвящена задаче обнаружения и определения местоположения источников электромагнитного излучения для случаев слабых циклостационарных сигналов по методу максимального правдоподобия. В теоретическойчасти работы приведено описание использования циклостационарных свойств17сигналов, а именно, наличия корреляций спектральных компонент в частотнойобласти, для синтеза различного рода оценивателей.

Предложен метод синтезаоптимального по методу максимального правдоподобия оценивателя для одновременного обнаружения циклостационарных сигналов и оценки времени задержки прихода их в несколько пространственно разнесенных точек приёма.1.3Искусственные нейронные сетиТрадиционно искусственные нейронные сети (ИНС) прямого распространения используются в качестве универсальных оптимизационных моделей, позволяющих решать задачи аппроксимации многомерных функций, в том числе двумерных изображений, и задачи классификации, оказываясь особенноэффективными в тех случаях, когда классы объектов не являются линейноразделимыми в пространстве признаков.

При этом, как правило, сама сеть рассматривается как частично скрытая от исследователя модель, так называемый«серый ящик». Это значит, что использующий её исследователь может задавать некоторые параметры, описывающие сеть в целом, а также количественнооценивать её текущую пригодность в качестве замещающей модели. При этомвнутренние процессы функционирования и адаптации сети, как правило, остаются скрытыми от потребителя её результатов. В настоящей работе применяется иной подход, основанный на использовании нейронной сети, синтезируемойс использованием априорных знаний о предметной области и анализируемой вконтексте решаемой задачи.Монография [29] С.

Хайкина представляет собой большую работу (объёмболее 1000 страниц в российском издании), в качестве основной цели написания которой её автор, известный учёный в области обработки сигналов, ставилобобщение и систематизацию накопленных знаний по нейросетевой обработке.В русском переводе она была издана только в 2006 г., в то время как оригинальная монография на английском языке [6] вышла в 1998 г., включив в себя всеосновные результаты и достижения, полученные на тот момент.

В частности,в книге рассмотрены: история развития нейронных сетей как самостоятельной области знаний, модели обучения, модели персептрона, сети радиальныхбазисных функций, динамические сети и их использование в обработке цифровых сигналов и т.д. Фактически каждая глава посвящена одной теме, в рамкахкоторой подробно раскрывается способы использования адаптивных или само18организующихся сетей для успешного решения связанных с темой главы задач.Работа снабжена общим списком источников, включающим в себя почти 1200ссылок. Это открывает дополнительную возможность по использованию книги в качестве отправной точки при исследовательском поиске информации поконкретным типам нейронных сетей, разделам, связанным с математическими основами (в т.ч. и доказательства) принципов их работы, а также способамих применения в решении прикладных задач.

Каждая глава книги посвященаотдельному вопросу, связанному с построением нейронных сетей определеннойструктуры или предназначенных для решения задач определенного типа. В работе над настоящей исследовательской работой были использованы следующиедостижения и принципы из данной монографии:– терминология для обозначения нейронных сетей, их отдельных элементов сети — нейронов, а также сигналов, распространяющихся в них иформируемых внутри элементов;– диаграмматическое описание процесса обучения статических сетей прямого распространения;– принципы построения сетей радиально-базисных функций.В работе проведён обзор некоторых публикаций по тематике нейросетевойобработки сигналов.

В качестве первой публикации, автор хотел бы отметитькнигу [30], которая по своему содержанию является кратким обзорным курсом. Одновременно с этим, книга написана методически и поэтому являетсяхорошим учебным пособием для начального знакомства с предметом тех областей знаний, которые лежат в основе современных технологий обработки информации, получивших название интеллектуальных: нейронных сетей (NN —neural networks), нечётких систем (fuzzy logic systems) и генетических алгоритмов (GA — genetic algorithms).

Книга знакомит своего читателя с основами каждой из перечисленных технологий, иллюстрируя их наглядными примерами, атакже сопровождает кратким перечнем классов задач, которые могут быть решены с использованием каждой из научных областей. Особое внимание в книгеД. Рутковской уделяется совместному использованию трёх вышеназванных направлений, как для улучшения функционирования существующих алгоритмов,так и для получения качественно новых результатов.Особого внимания заслуживает работа [31], в которой изложены основыдиаграммного представления (diagrammatic representation) процесса обучениянейронной сети. Данное представление предполагает описание нейронной сети19в виде графа, на рёбрах и в узлах которого выполняются некоторые операциинад сигналами. Для данного графа прямого прохождения отыскивается т.н.граф чувствительности, который используется при обратном распространенииошибки для вычисления градиентов.

Основной целью разработки диаграммного представления для авторов работы являлся переход от статических ИНС кдинамическим, предназначенным для обработки сигналов дискретного времени. Однако данное представление обладает большой научной ценностью и длястатических сетей, предоставляя инструмент моделирования нейронных сетей,визуализации сигналов внутри них, а также контроля и оптимизации процессов обучения. Также оно может быть развито в рамках системного подхода дляпоиска оптимальной структуры сети и количества элементов в ней. В настоящей работе соискателем данное представление было использовано в качествеотправной точки при разработке концепции адаптивных элементов.В работе [32] представлено развитие подхода диаграммного описания какисключительно удобного средства для описания процессов прямого распространения сигналов и реализации процедуры обратного распространения ошибки.

Вработе представлен алгоритм поэлементного синтеза присоединенного потокового графа (adjoint flow graph) нейронной сети, представляющего собой фактический аналог графа чувствительности из работы [31]. Авторы останавливаются на процедуре получения графа более подробно, рассматривая необходимыезамены для простых конструктивных элементов сетей: сумматоров, точек разветвления, мгновенных функциональных преобразователей, в т.ч. и адаптивныхумножителей. Также рассмотрены многомерные адаптивные преобразователи,в их числе нейронные слои и умножители, и элементы дискретной временной задержки на один отсчёт, применяемые в анализе динамических нейронных сетей.Большая часть рассматриваемой работы посвящена анализу существующих алгоритмов обучения сетей такого типа, а также синтезу новых более эффективных алгоритмов.