RU2355028C2 - Method of analysing signals on state of object - Google Patents
Method of analysing signals on state of object Download PDFInfo
- Publication number
- RU2355028C2 RU2355028C2 RU2007123832/09A RU2007123832A RU2355028C2 RU 2355028 C2 RU2355028 C2 RU 2355028C2 RU 2007123832/09 A RU2007123832/09 A RU 2007123832/09A RU 2007123832 A RU2007123832 A RU 2007123832A RU 2355028 C2 RU2355028 C2 RU 2355028C2
- Authority
- RU
- Russia
- Prior art keywords
- signals
- state
- classes
- recognition
- plane
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
Изобретение относится к технической кибернетике и может быть использовано для определения состояний объектов при их диагностировании.The invention relates to technical cybernetics and can be used to determine the states of objects in their diagnosis.
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.A known method of analyzing the signal about the state of the object (Kiselev N.V., Sechkin V.A. Technical diagnostics by nonlinear conversion methods. - L .: Energy, 1980, 109 pp.), Which includes the formation with subsequent correction of recognition standards based on training signals, comparing recognition standards with the analyzed signal to obtain a set of estimates about the belonging of the real state of the object to each of the many possible states of the object, comparing the obtained estimates with each other and with a given recognition threshold, as a result of which formed on a decision on the alleged state of the object. The disadvantage of this method is the inability to assess the reliability of the learning process and recognition, which is critical in the conditions of noise, leading to poor distinguishability of signals related to different conditions of the object.
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 выбран в качестве прототипа.The identified drawback eliminates the method of analyzing signals about the state of the object (RF Patent No. 2090928. CL G06K 9/00,
Недостатком этого способа является ограниченность его применения, выражающаяся в возможности анализировать только оцифрованные сигналы о состоянии объекта и невозможности анализировать сигналы о состоянии объекта, представленные не только в оцифрованном виде, но и (или) в виде двухградационного изображения на неквантованной плоскости. Применение способа-прототипа предполагает, что количество классов состояний объекта известно заранее, что ограничивает сферу его применения в случаях, когда это количество неизвестно. Отсутствие механизма предварительного объективного разделения сигналов по классам состояний, учитывающего 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.The disadvantage of this method is the limited application, expressed in the ability to analyze only digitized signals about the state of the object and the inability to analyze signals about the state of the object, presented not only in digitalized form, but also (or) in the form of a two-gradation image on an unquantified plane. The application of the prototype method assumes that the number of classes of state of an object is known in advance, which limits the scope of its application in cases where this number is unknown. The absence of a mechanism for preliminary objective separation of signals into classes of states that takes into account the change in the waveform of the signals over time, in turn, allows the possibility of determining a false class or biased combining multiple signals into false classes of object states, which reduces the reliability of further determining the state of an object.
Техническим результатом реализации предлагаемого способа являются расширение функциональных возможностей в применении способа анализа сигналов, представленных как в цифровом виде, так и (или) в виде двухградационного изображения на неквантованной плоскости, с неизвестным заранее количеством классов состояний объекта, а также повышение достоверности распознавания состояния объекта в системах технической кибернетики.The technical result of the implementation of the proposed method is the expansion of functionality in the application of the method of analysis of signals presented both in digital form and (or) in the form of a two-gradation image on a non-quantized plane, with an unknown number of classes of object states in advance, as well as increasing the reliability of recognizing the state of an object in systems of technical cybernetics.
Этот результат достигается тем, что в способ-прототип, включающий нормировку, формирование и коррекцию распознающих эталонов, 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, введено до этапа нормировки цепное кодирование сигналов, представленных как в цифровом виде, так и (или) в виде двухградационного изображения на неквантованной плоскости и описывающих состояние объекта, а также определение минимального количества классов для этих состояний по всем цепям.This result is achieved by the fact that in the prototype method, which includes the normalization, formation and correction of recognition standards, optimization and comparison of signals and standards in a Euclidean vector space, followed by recognition of the state of the object until the recognition result satisfies the specified criterion of reliability or failure, a chain coding of signals introduced both in digital form and (or) in the form of a two-gradation image on a non-quantized plane and describing x state of the object, as well as determining the minimum number of classes for these states along all chains.
Заявленный способ поясняется чертежами, на которых показаны:The claimed method is illustrated by drawings, which show:
фиг.1 - коды описания направления произвольной кривой;figure 1 - codes for describing the direction of an arbitrary curve;
фиг.2 - коды описания однонаправленной кривой;figure 2 - description codes of a unidirectional curve;
фиг.3 - пример кодирования участка однонаправленной кривой;figure 3 is an example of encoding a section of a unidirectional curve;
фиг.4 - пример ориентации сигнала в виде двухградационного изображения на неквантованной плоскости по оси времени;4 is an example of a signal orientation in the form of a two-gradation image on a non-quantized plane along the time axis;
фиг.5 - анализируемые сигналы в виде двухградационного изображения на неквантованной плоскости;figure 5 - the analyzed signals in the form of a two-gradation image on a non-quantized plane;
фиг.6 - сигналы на квантованной по времени плоскости;6 - signals on a time-quantized plane;
фиг.7 - сигналы в форме цепей на квантованной по времени плоскости;Fig.7 - signals in the form of chains on a time-quantized plane;
фиг.8 - таблица цепей в виде одномерных массивов данных;Fig. 8 is a table of chains in the form of one-dimensional data arrays;
фиг.9 - таблица преобразованных по синусу цепей;Fig.9 is a table converted to a sine circuit;
фиг.10 - таблица евклидовых расстояний между парами цепей;figure 10 is a table of Euclidean distances between pairs of chains;
фиг.11 - таблица евклидовых расстояний между парами цепей после первого объединения в общий класс;11 is a table of Euclidean distances between pairs of chains after the first association in a common class;
фиг.12 - таблица евклидовых расстояний между парами цепей после второго объединения в общий класс;12 is a table of Euclidean distances between pairs of chains after the second association in a common class;
фиг.13 - таблица евклидовых расстояний между парами цепей после третьего объединения в общий класс;Fig is a table of Euclidean distances between pairs of chains after the third association in a common class;
фиг.14 - дерево иерархической классификации цепей со значениями порогов объединения в классы;Fig - tree hierarchical classification of circuits with the values of the thresholds of the association in classes;
фиг.15 - таблица евклидовых расстояний между средней цепью ортогонального пространства и классификационными цепями;15 is a table of Euclidean distances between the middle chain of orthogonal space and the classification chains;
фиг.16 - таблица оценок состояний объекта на основе тестовых электроэнцефалограмм (ЭЭГ) для класса А с оптимизацией;Fig is a table of assessments of the state of the object based on test electroencephalograms (EEG) for class A with optimization;
фиг.17 - таблица оценок состояний объекта на основе тестовых ЭЭГ для класса В с оптимизацией.17 is a table of assessments of the state of an object based on test EEGs for class B with optimization.
Множество параметров, характеризующих состояние той или иной системы, изменяющихся во времени представляет собой некую кривую. Для различного класса состояний той или иной системы формы кривых для их описания должны быть различными. В технических системах наиболее распространен периодический характер кривых. Известен метод представления произвольной кривой под названием цепного кодирования [3]. Данный метод позволяет представить в цифровой форме любую кривую, заданную в виде двухградационного изображения на неквантованной плоскости. В результате применения цепного кодирования сигнал произвольной формы представляется в виде кода, описывающего направление сигнала в равные временные интервалы кодами, показанными на фигуре 1.The set of parameters characterizing the state of a particular system, changing in time, is a certain curve. For a different class of states of a particular system, the shapes of the curves for their description should be different. In technical systems, the periodic nature of the curves is most common. A known method of representing an arbitrary curve called chain coding [3]. This method allows you to digitally represent any curve specified as a two-gradation image on a non-quantized plane. As a result of applying chain coding, an arbitrary waveform is represented as a code describing the direction of the signal at equal time intervals with the codes shown in Figure 1.
Так как сигналы, характеризующие состояние системы, изменяются во времени и не имеют обратного хода, то нет необходимости использовать коды обратного направления. Однако увеличение градаций для кодов положительного направления кривой позволит более детально описывать изменяющуюся во времени форму однонаправленной кривой. Таким образом, от фигуры 1 можно перейти к фигуре 2. В соответствии с кодировкой однонаправленная кривая преобразовывается к последовательности, состоящей из n кодов. Данную последовательность называют цепью [3]. Графическая интерпретация данного преобразования для участка однонаправленной кривой представлена на фигуре 3.Since the signals characterizing the state of the system change in time and do not have a return stroke, there is no need to use reverse direction codes. However, an increase in gradations for codes with a positive curve direction will allow a more detailed description of the time-varying shape of a unidirectional curve. Thus, from figure 1 you can go to figure 2. In accordance with the encoding, the unidirectional curve is converted to a sequence consisting of n codes. This sequence is called a chain [3]. A graphical interpretation of this transformation for the plot of the unidirectional curve is presented in figure 3.
Если имеются две кривые одинаковой ориентации и равной длительности по времени, при этом необходимо измерить сходство между ними, данные кривые преобразовываются с помощью кодов описания однонаправленной кривой в цепи а=а1,…,аn и b=b1,…,bn. Мерой сходства цепей при заданном пороге классификации является dab - евклидово расстояние между парой цепей а и b, вычисляемое по формуле [4]:If there are two curves of the same orientation and equal duration in time, it is necessary to measure the similarity between them, these curves are converted using the codes for describing a unidirectional curve in the circuit a = a 1 , ..., a n and b = b 1 , ..., b n . A measure of chain similarity at a given classification threshold is d ab - the Euclidean distance between a pair of chains a and b, calculated by the formula [4]:
где n - количество элементов цепи;where n is the number of circuit elements;
i - текущее значение элемента цепи.i is the current value of the circuit element.
Предлагаемый способ является дополнением к способу-прототипу. Он осуществляется до этапа нормировки и состоит из цепного кодирования анализируемых сигналов, представленных как в цифровом виде, так и (или) в виде двухградационного изображения на неквантованной плоскости, а также определения минимального пространства классов для множества сигналов, характеризующих состояние системы.The proposed method is in addition to the prototype method. It is carried out before the normalization stage and consists of a chain coding of the analyzed signals, presented both in digital form and / or in the form of a two-gradation image on a non-quantized plane, as well as determining the minimum class space for many signals characterizing the state of the system.
Реализация цепного кодирования сигналов, представленных в виде двухградационных изображений на неквантованной плоскости, предполагает выполнение следующих действий:The implementation of chain coding of signals presented in the form of two-gradation images on a non-quantized plane involves the following actions:
1. Ориентация каждого анализируемого сигнала, представленного кривой в виде двухградационного изображения на неквантованной плоскости, по осям времени и уровня сигнала, таким образом, чтобы достигалось максимальное количество пересечений кривой с осью времени и не более одного пересечения с осью уровня сигнала, являющейся перпендикуляром оси времени в каждый единичный момент времени.1. The orientation of each analyzed signal, represented by a curve in the form of a two-gradation image on a non-quantized plane, along the time and signal axes, so that the maximum number of intersections of the curve with the time axis and no more than one intersection with the signal level axis, which is perpendicular to the time axis, is achieved at every single point in time.
2. Определение из всего множества анализируемых сигналов сигнала с максимальным количеством пересечений временной оси.2. Determination of the total set of analyzed signal signals with the maximum number of intersections of the time axis.
3. Определение показателя дискретизации квантованной по времени плоскости.3. Determination of the sampling rate of the time-quantized plane.
4. Построение квантованной плоскости.4. Construction of a quantized plane.
5. Кодировка каждой однонаправленной кривой по квантованной плоскости в цепь.5. Encoding of each unidirectional curve along a quantized plane into a circuit.
Цепное кодирование анализируемых сигналов, представленных в виде массива оцифрованных отсчетов, предполагает выполнение следующих действий:The chain coding of the analyzed signals, presented in the form of an array of digitized samples, involves the following actions:
1. Нормировка оцифрованных отсчетов для каждого анализируемого сигнала в одномерный массив с математическим ожиданием, равным 0, и дисперсией, равной 1.1. Normalization of digitized samples for each analyzed signal in a one-dimensional array with a mathematical expectation of 0 and a dispersion of 1.
2. Разбиение каждого одномерного массива оцифрованных отсчетов на участки, определяемые показателем дискретизации квантованной по времени плоскости.2. The partition of each one-dimensional array of digitized samples into sections determined by the sampling rate of the time-quantized plane.
3. Выделение начальных и конечных отсчетов для каждого участка массива.3. The selection of initial and final samples for each section of the array.
4. Определение арксинуса разности между значениями начального и конечного отсчетов для каждого участка массива.4. Determination of the arcsine of the difference between the values of the initial and final samples for each section of the array.
Определение минимального пространства классов для множества сигналов, характеризующих состояние системы, предполагает выполнение следующих действий:Determining the minimum class space for a set of signals characterizing the state of the system involves the following actions:
1. Иерархическая классификация цепей с определением порогов объединения в классы.1. Hierarchical classification of chains with the definition of thresholds for combining into classes.
2. Расчет евклидова расстояния между классами цепей и средней цепью ортогонального пространства, совпадающей с временной осью.2. Calculation of the Euclidean distance between the classes of chains and the middle chain of the orthogonal space, which coincides with the time axis.
3. Объединение классов цепей со значением порога объединения в общий класс, не превышающим минимального значения евклидова расстояния между классами цепей и средней цепью ортогонального пространства.3. The union of the classes of chains with the threshold value of combining into a common class, not exceeding the minimum value of the Euclidean distance between the classes of chains and the middle chain of orthogonal space.
Реализация предлагаемого способа анализа сигналов о состоянии объекта осуществляется следующим образом.Implementation of the proposed method for analyzing signals about the state of an object is as follows.
Ориентация каждого анализируемого сигнала, представленного кривой в виде двухградационного изображения на неквантованной плоскости, по осям времени и уровня сигнала, осуществляется таким образом, чтобы достигалось максимальное количество пересечений сигналом оси времени и не более одного пересечения с осью уровня сигнала, являющейся перпендикулярной прямой оси времени в каждый единичный момент времени. На фигуре 4 графически представлены примеры реализации предлагаемого правила ориентации по временной оси сигнала, представленного в виде двухградационного изображения на неквантованной плоскости.The orientation of each analyzed signal, represented by a curve in the form of a two-gradation image on a non-quantized plane, along the time and level axes of the signal, is carried out in such a way that the maximum number of intersections by the signal of the time axis and not more than one intersection with the signal level axis, which is perpendicular to the straight time axis in every single point in time. The figure 4 graphically presents examples of the implementation of the proposed orientation rules on the time axis of the signal, presented in the form of a two-gradation image on a non-quantized plane.
Цепное кодирование ориентированных по оси времени сигналов, представленных в виде двухградационных изображений на неквантованной плоскости, осуществим на примере сигналов, предложенных в способе-прототипе пятью классами сигналов. Графически пять классов сигналов, ориентированных по оси времени в виде двухградационных изображений на неквантованной плоскости, представлены на фигуре 5.The coding of time-oriented signals presented in the form of two-gradation images on a non-quantized plane is possible using the example of signals proposed in the prototype method by five classes of signals. Graphically, five classes of signals oriented along the time axis in the form of bi-gradation images on a non-quantized plane are presented in Figure 5.
Выявление сигнала с максимальным количеством пересечений стандартизованного нулевого уровня всей группы сигналов осуществляется тем, что для каждого сигнала подсчитывают количество пересечений оси времени ki и определяют максимальное значение kmax среди всех сигналов. Так как любой период сигнала имеет по крайней мере два значения пересечения нулевого уровня для этого периода, то показатель дискретизации квантованной плоскости относительно общей для всех сигналов оси времени определяется какIdentification of the signal with the maximum number of intersections of the standardized zero level of the entire group of signals is carried out by the fact that for each signal the number of intersections of the time axis k i is calculated and the maximum value k max among all signals is determined. Since any period of the signal has at least two zero-crossing values for this period, the quantization plane sampling rate relative to the time axis common to all signals is determined as
Фактически значение n определяет количество элементов цепи.In fact, the value of n determines the number of circuit elements.
Формирование квантованной плоскости представляет собой разбиение неквантованной области каждого сигнала длительностью по времени tc, начиная с нулевого значения времени t0, на n равных по длительности временных интервалов. В результате данной процедуры имеем множество квантованных по времени сигналов. На фигуре 6 графически представлены классы сигналов на квантованной по времени плоскости. На каждом n-ом участке для каждого сигнала определяется угол между точками, пресекающими соседние квантованные временные оси. В результате чего получается количество цепей, равное общему количеству анализируемых сигналов. В рассматриваемом примере число элементов цепи для каждого сигнала равно 32. На фигуре 7 изображены сигналы в форме цепей на квантованной по времени плоскости.The formation of a quantized plane is a partition of the non-quantized region of each signal with a duration of time t c , starting from zero value of time t 0 , into n equal in duration time intervals. As a result of this procedure, we have many time-quantized signals. Figure 6 graphically shows the classes of signals on a time-quantized plane. At each nth region, for each signal, the angle between the points intersecting adjacent quantized time axes is determined. As a result, we get the number of circuits equal to the total number of analyzed signals. In this example, the number of circuit elements for each signal is 32. Figure 7 shows the signals in the form of chains on a time-quantized plane.
Кодировка каждой однонаправленной кривой по квантованной плоскости в цепь заключается в представлении каждой анализируемой кривой в виде одномерного массива данных, где элементами этого массива являются значения углов для каждого n квантованного участка. На фигуре 8 представлена таблица, где цепи для каждого класса определены массивом значений углов для каждого n участка, при этом интервал измерения углов был определен как 
При представлении анализируемых сигналов в виде одномерных массивов оцифрованных отсчетов, совпадающих по длительности во времени с сигналами в виде двухградационных изображений на неквантованной плоскости, цепное кодирование осуществляется следующим образом. Так как при оцифровке анализируемых сигналов могут использоваться аналогово-цифровые преобразователи различной разрядности, то для предотвращения превосходства признаков с большими числовыми значениями при вычислении расстояний осуществляется нормировка цифровых последовательностей. Все анализируемые цифровые сигналы преобразуются 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 анализируемого сигнала 
где µk - математическое ожидание одномерного массива отсчетов k-го анализируемого сигнала;where µ k is the mathematical expectation of a one-dimensional array of samples of the kth analyzed signal;
σk - стандартное отклонение одномерного массива отсчетов k-го анализируемого сигнала.σ k is the standard deviation of the one-dimensional array of samples of the kth analyzed signal.
Данное преобразование позволит нормировать цифровые сигналы с различными значениями квантования по уровню к цифровым последовательностям единой размерности. Далее каждую k-ю преобразованную цифровую последовательность разбивают на n участков, определяемых показателем дискретизации по временной плоскости. Для каждого m из n участков k-й преобразованной цифровой последовательности определяют начальные значения и формируют новую цифровую последовательность объемом n. Таким образом получают k цифровых последовательностей, включающих в себя по n элементов. Преобразование k-й преобразованной цифровой последовательности в цепь xk осуществляется вычислением арксинуса разности между n соседними нормированными отсчетами 
В результате данного преобразования формируется цепь xk, элементами которой являются значения углов для n участков с интервалом измерения углов
Определение минимального пространства классов для множества цепей предполагает проведение следующих действий. Осуществляется процедура иерархической классификации в метрике евклидового расстояния по правилу связывания «ближайшего соседа» [3], что позволяет построить дерево иерархической классификации [4] и определить пороги объединения анализируемых сигналов в объединенные классы. Далее, осуществляется расчет евклидова расстояния между классами цепей и средней цепью ортогонального пространства, совпадающей с временной осью. Сравниваются пороги объединения цепей в классы с минимальным евклидовым расстоянием между классами и средней цепью ортогонального пространства. Классы цепей с порогом объединения в один класс по дереву иерархической классификации, меньшим минимального евклидова расстояния между классами и средней цепью ортогонального пространства, объединяются в один класс.Determining the minimum class space for multiple circuits involves the following steps. A hierarchical classification procedure is being carried out in the Euclidean distance metric according to the “nearest neighbor” binding rule [3], which allows one to construct a hierarchical classification tree [4] and determine the thresholds for combining the analyzed signals into combined classes. Next, the Euclidean distance between the classes of chains and the middle chain of the orthogonal space, which coincides with the time axis, is calculated. The thresholds for combining chains into classes with a minimum Euclidean distance between classes and the middle chain of orthogonal space are compared. Classes of chains with the threshold of combining into one class according to the hierarchical classification tree smaller than the minimum Euclidean distance between classes and the middle chain of orthogonal space are combined into one class.
Поясним выполнение описанных действий на примере.Let us explain the implementation of the described actions using an example.
Для сокращения размерности значений евклидова расстояния между полученными в результате цепного кодирования цепями возьмем синус каждого значения угла, представленного на фигуре 8. В результате данного преобразования таблица фигуры 8 примет вид таблицы, представленной на фигуре 9. По формуле (1) рассчитаем евклидовы расстояния между парами одномерных массивов данных, принадлежащих каждому классу. Результат вычислений отобразим на фигуре 10 в виде таблицы евклидовых расстояний между классами А, В, С, D, Е.To reduce the dimension of the values of the Euclidean distance between the chains obtained as a result of chain coding, we take the sine of each angle value shown in Figure 8. As a result of this transformation, the table of Figure 8 will take the form of the table shown in Figure 9. Using formula (1), we calculate the Euclidean distances between pairs one-dimensional data arrays belonging to each class. The calculation result is displayed in figure 10 in the form of a table of Euclidean distances between classes A, B, C, D, E.
Минимальное значение в таблице на фигуре 10, равное 1,96, соответствует расстояниям между классами А и В, т.е. dA,B=dB,A=1,96, что означает их наибольшую близость среди всех других возможных пар. После объединения данных объектов в один класс получим четыре класса: АВ, С, D, Е.The minimum value in the table in figure 10, equal to 1.96, corresponds to the distances between classes A and B, i.e. d A, B = d B, A = 1.96, which means their greatest proximity among all other possible pairs. After combining these objects into one class, we get four classes: AB, C, D, E.
Пересчитаем матрицу расстояний для нового множества объектов классификации, применяя правило «ближайшего соседа» для расчета расстояния между классом АВ и остальными классами. Так, расстояние между классами С и АВ будет равноWe recalculate the distance matrix for the new set of classification objects, using the “nearest neighbor” rule to calculate the distance between class AB and other classes. So, the distance between classes C and AB will be equal
dC,(A,B)=min(dC,A;dC,B)=min(2,61;2,18)=2,18.d C, (A, B) = min (d C, A ; d C, B ) = min (2.61; 2.18) = 2.18.
Матрица расстояний для первого шага объединения представлена таблицей на фигуре 11.The distance matrix for the first merge step is represented by the table in figure 11.
Минимальное значение в таблице на фигуре 11, равное 2,18, соответствует расстояниям между классами С и АВ, т.е. dAB,C=dC,AB=2,18, что означает их наибольшую близость среди всех других возможных пар. После объединения данных объектов в один класс получим три класса: ABC, D, Е с порогом объединения в метрике евклидова расстояния 2,18.The minimum value in the table in figure 11, equal to 2.18, corresponds to the distances between classes C and AB, i.e. d AB, C = d C, AB = 2.18, which means their closest proximity among all other possible pairs. After combining these objects into one class, we get three classes: ABC, D, E with a union threshold in the Euclidean distance metric of 2.18.
Матрица расстояний для второго шага объединения представлена таблицей на фигуре 12.The distance matrix for the second step of the union is represented by the table in figure 12.
Минимальное значение в таблице на фигуре 12, равное 3,30, соответствует расстояниям между классами ABC и Е, т.е. dABC,E=dE,ABC=3,30, что означает их наибольшую близость среди всех других возможных пар. После объединения данных объектов в один класс получим два класса: АВСЕ, D с порогом объединения в метрике евклидова расстояния 3,30.The minimum value in the table in figure 12, equal to 3.30, corresponds to the distances between classes ABC and E, i.e. d ABC, E = d E, ABC = 3.30, which means their closest proximity among all other possible pairs. After combining these objects into one class, we get two classes: ABCE, D with the union threshold in the Euclidean distance metric of 3.30.
Матрица расстояний для третьего шага объединения представлена таблицей на фигуре 13. Из таблицы видно, что порог объединения всех классов в один класс в метрике евклидова пространства равен 4,25.The distance matrix for the third step of the union is represented by the table in figure 13. The table shows that the threshold for combining all classes into one class in the Euclidean space metric is 4.25.
Дерево иерархической классификации для рассматриваемых цепей представлено на фигуре 14. Дерево иерархической классификации или дендограмма графически изображает иерархическую структуру, порожденную матрицей сходства и правилом объединения в классы [4].The hierarchical classification tree for the circuits under consideration is shown in Figure 14. The hierarchical classification tree or dendogram graphically depicts the hierarchical structure generated by the similarity matrix and the rule of grouping [4].
В пределах плоскости, ограниченной временным интервалом наблюдения, можно представить бесконечное множество пар ортогональных сигналов, которые в евклидовой метрике обеспечивают максимальные значения и образуют между собой не подлежащие парному объединению классы. Средним сигналом для каждой пары ортогональных сигналов в этой плоскости выступает нулевой по уровню сигнал, совпадающий с временной осью. Таким образом, средняя цепь ортогонального пространства представляет собой одномерный массив, состоящий из n нулевых значений. Обозначим среднюю цепь ортогонального пространства классом О.Within a plane limited by the observation time interval, one can imagine an infinite number of pairs of orthogonal signals, which in the Euclidean metric provide maximum values and form classes that cannot be paired together. The average signal for each pair of orthogonal signals in this plane is the level-zero signal, which coincides with the time axis. Thus, the middle chain of the orthogonal space is a one-dimensional array consisting of n zero values. We denote the middle chain of the orthogonal space by class O.
По формуле (1) рассчитаем евклидовы расстояния между средней цепью ортогонального пространства и остальными классификационными цепями. Результат расчета представлен на фигуре 15 в виде таблицы евклидовых расстояний между средней цепью - классом О и классами А, В, С, D, Е. Минимальное значение евклидова расстояния в данной таблице равно 2,08, что в свою очередь превышает значение порога объединения классов А и B в один класс АВ, следовательно, классы А и В необходимо объединить в один совместный класс АВ. Пороги объединения остальных классов превышают порог, равный 2,08, следовательно, объединение остальных классов производить не следует.Using formula (1), we calculate the Euclidean distances between the middle chain of the orthogonal space and the rest of the classification chains. The calculation result is presented in figure 15 in the form of a table of Euclidean distances between the middle chain - class O and classes A, B, C, D, E. The minimum value of the Euclidean distance in this table is 2.08, which in turn exceeds the value of the threshold for combining classes A and B in one class AB, therefore, classes A and B must be combined into one joint class AB. The thresholds for combining the remaining classes exceed the threshold of 2.08; therefore, the combination of the remaining classes should not be performed.
Таким образом, введение в способ-прототип предварительного цепного кодирования сигналов, описывающих состояние объекта, а также определения минимального количества классов для этих состояний по всем цепям, позволило устранить субъективность предварительного разбиения пространства классификации на отдельные классы.Thus, the introduction into the prototype method of preliminary chain coding of signals describing the state of the object, as well as determining the minimum number of classes for these states across all chains, eliminated the subjectivity of the preliminary division of the classification space into separate classes.
Получение четырех классов анализируемых сигналов о состоянии объекта вместо пяти, как в способе-прототипе, позволяет избежать неудовлетворительных оценок состояний объекта на основе тестовых фрагментов электроэнцефалограмм (ЭЭГ) для класса А и класса В. Неудовлетворительные оценки состояний объекта на основе тестовых фрагментов ЭЭГ в способе-прототипе с оптимизацией для класса А и класса В отображены на фигурах 16, 17 соответственно и выделены полужирным шрифтом. В результате объективного объединения классов А и B в единый класс негативные оценки исчезнут, что повысит достоверность распознавания состояния объекта.Obtaining four classes of analyzed signals about the state of the object instead of five, as in the prototype method, allows to avoid unsatisfactory assessments of the state of the object based on test fragments of electroencephalograms (EEG) for class A and class B. Poor assessments of the state of the object based on test fragments of EEG in the method prototype with optimization for class A and class B are shown in figures 16, 17, respectively, and are shown in bold. As a result of the objective integration of classes A and B into a single class, negative assessments will disappear, which will increase the reliability of recognizing the state of an object.
Проведенный анализ существующих способов позволил установить, что аналоги, тождественные признакам заявленного технического решения, отсутствуют, что указывает на соответствие заявленного способа условию патентоспособности «новизна». Введенные отличительные признаки: применение механизма объективного разделения сигналов, описывающих состояние объекта по классам состояний, учитывающим изменение формы сигналов во времени на основе цепного кодирования, в аналогах не встречаются. Следовательно, заявляемый способ соответствует критерию «изобретательский уровень».The analysis of existing methods has made it possible to establish that there are no analogues that are identical to the features of the claimed technical solution, which indicates the compliance of the claimed method with the condition of patentability “novelty”. Introduced distinguishing features: the use of a mechanism for the objective separation of signals describing the state of an object according to classes of states that take into account the change in the shape of signals in time based on chain coding does not occur in analogues. Therefore, the claimed method meets the criterion of "inventive step".
Промышленная применимость способа заключается в возможности его использования для диагностирования объектов в отрасли технической кибернетики и реализации этапов способа на существующей в настоящее время элементной базе.Industrial applicability of the method lies in the possibility of its use for diagnosing objects in the industry of technical cybernetics and implementing the steps of the method on the currently existing elemental base.
Источники информацииInformation sources
1. Киселев Н.В., Сечкин В.А. Техническая диагностика методами нелинейного преобразования. - Л.: Энергия, 1980, 109 с.1. Kiselev N.V., Sechkin V.A. Technical diagnostics by nonlinear conversion methods. - L .: Energy, 1980, 109 p.
2. Патент РФ № 2090928. кл. G06K 9/00, G06K 9/62, G06K 9/66, 1997. Способ анализа сигналов о состоянии объекта.2. RF patent No. 2090928. cl.
3. Теория распознавания и анализ сцен: Пер. с англ./ P.O.Дуда, П.Е.Харт.; под. ред. Стефанюка В.Л. - М.: Мир, 1976. - 511 с.3. Recognition theory and scene analysis: Per. from English / P.O. Duda, P.E. Hart .; under. ed. Stefanyuk V.L. - M .: Mir, 1976 .-- 511 p.
4. Факторный, дискриминантный и кластерный анализ: Пер. с англ./ Дж. - О.Ким, Ч.У.Мьюллер, У.Р.Клекка и др.; под. ред. Енюкова И.С. - М.: Финансы и статистика, 1989. - 215 с.: ил.4. Factor, discriminant and cluster analysis: Per. with English / J. - O. Kim, C.W. Muller, W.R. Kleck and others; under. ed. Enyukova I.S. - M .: Finance and statistics, 1989. - 215 p.: Ill.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2007123832/09A RU2355028C2 (en) | 2007-06-25 | 2007-06-25 | Method of analysing signals on state of object |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2007123832/09A RU2355028C2 (en) | 2007-06-25 | 2007-06-25 | Method of analysing signals on state of object |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2007123832A RU2007123832A (en) | 2008-12-27 |
| RU2355028C2 true RU2355028C2 (en) | 2009-05-10 |
Family
ID=41020233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2007123832/09A RU2355028C2 (en) | 2007-06-25 | 2007-06-25 | Method of analysing signals on state of object |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2355028C2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2485586C1 (en) * | 2012-04-19 | 2013-06-20 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Method of identifying signals |
| RU2510624C1 (en) * | 2013-01-10 | 2014-04-10 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Method of labelling and identifying signals |
| RU2763872C1 (en) * | 2021-03-02 | 2022-01-11 | Сергей Васильевич Стрельников | Method for detecting the source of radio emission based on the statistical characteristics of the radio signal |
-
2007
- 2007-06-25 RU RU2007123832/09A patent/RU2355028C2/en not_active IP Right Cessation
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2485586C1 (en) * | 2012-04-19 | 2013-06-20 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Method of identifying signals |
| RU2510624C1 (en) * | 2013-01-10 | 2014-04-10 | Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) | Method of labelling and identifying signals |
| RU2763872C1 (en) * | 2021-03-02 | 2022-01-11 | Сергей Васильевич Стрельников | Method for detecting the source of radio emission based on the statistical characteristics of the radio signal |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2007123832A (en) | 2008-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036074B (en) | Radar signal sorting method and system in high pulse density environment | |
| US20060142956A1 (en) | System and method for identifying an object | |
| KR100795227B1 (en) | Method and apparatus for analyzing signal pattern of sensor array | |
| Nayak et al. | Study of distance metrics on k-nearest neighbor algorithm for star categorization | |
| US11630135B2 (en) | Method and apparatus for non-intrusive program tracing with bandwidth reduction for embedded computing systems | |
| RU2355028C2 (en) | Method of analysing signals on state of object | |
| Li | Analysis on the nonlinear dynamics of deep neural networks: Topological entropy and chaos | |
| Schwier et al. | Methods to window data to differentiate between Markov models | |
| CN107067034B (en) | Method and system for rapidly identifying infrared spectrum data classification | |
| CN108664848B (en) | Image target identification method and device | |
| Indrawan et al. | A Multi-Threaded Fingerprint Direct-Access Strategy Using Local-Star-Structure-based Discriminator Features | |
| CN112101468A (en) | Method for judging abnormal sequence in sequence combination | |
| Lavangnananda et al. | Effectiveness of Different Preprocessing Techniques on Classification of Various Lengths of Control Charts Patterns | |
| CN112446002B (en) | Abnormity detection method for time sequence KPI data | |
| CN116152914A (en) | Human motion trail detection method | |
| Poirier–Herbeck et al. | Unknown-length motif discovery methods in environmental monitoring time series | |
| Świder | Characterization of topological structures in different neural network architectures | |
| Luzyanin et al. | Problems of tiny changes analysis in complex time series using dynamic time warping algorithm | |
| Lamberti | Using Shape Metrics to Describe 2D Data Points | |
| RU2313828C2 (en) | Image recognition method | |
| RU2485586C1 (en) | Method of identifying signals | |
| Yilmaz | A hybrid data mining model for prediction of Alzheimer disease stages using principal component analysis (PCA) and multilayer perceptron (MLP) | |
| Liu et al. | Structure simplification of neural network for smile classification. | |
| CN117670824A (en) | Blood vessel image quality evaluation method based on multi-index fusion | |
| Mishra | Separability indices and their use in radar signal based target recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20090626 |