2006(â1)
2006(â1)
2006(â1)
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
И<br />
<br />
СЕРИЯ «Радиоэлектроника и телекоммуникации<br />
1’<strong>2006</strong><br />
СОДЕРЖАНИЕ<br />
Никитин Р. В. Оценка качества изображения в системах телевизионного<br />
наблюдения ............................................................................................ 3<br />
Богачёв М. И. Применение методов фрактальной геометрии<br />
для многофакторного анализа данных в нелинейных системах<br />
с нерегулярной динамикой .................................................................... 6<br />
Смирнов В. Н., Та Вьет Хунг. Двухэтапный алгоритм<br />
декодирования турбо-кода ................................................................... 16<br />
Жилинский В. М., Напольская Ю. В. К оценке уменьшения<br />
времени поиска сигналов спутниковых радионавигационных<br />
систем при использовании многоканальных<br />
корреляционных обнаружителей ......................................................... 19<br />
Ахмедханов Ю. А., Лисенков А. В., Катушкин А. В.<br />
Помехи энергосетей в диапазоне частот передачи данных .................. 25<br />
Немов А. В., Хоанг Т. К. Метод автокоррекции многоканального<br />
цифрового режекторного фильтра помех............................................ 28<br />
До Дык Лыу, Буй Нгок Ми. Измерительно-информационный<br />
комплекс для автоматического контроля<br />
и диагностики судовых дизелей............................................................ 35<br />
Кутузов В. М., Нгуен Ван Нам. Пространственная<br />
авторегрессионная обработка сигналов при обнаружении<br />
маловысотных целей над морской поверхностью................................ 41<br />
Ле Дай Фонг, Веремьев В. И. Распознавание радиолокационных<br />
целей по дальностному портрету с использованием программы<br />
"Backscattering simulation"................................................................... 47<br />
Чинь Суан Шинь, Веремьев В. И. Методы определения<br />
характеристик вторичного излучения воздушных целей<br />
в задачах радиолокационного распознавания ...................................... 56<br />
Редакционная коллегия:<br />
Н. В. Лысенко (председатель<br />
редакционной коллегии)<br />
А. М. Мончак (ответственный<br />
секретарь)<br />
В. В. Леонтьев, И. С. Минченко,<br />
К. П. Наумов,<br />
В. Ю. Суходольский,<br />
Ю. С. Юрченко<br />
Редактор Э. К. Долгатов<br />
Комп. верстка Е. Н. Паздникова<br />
Подписано в печать 16.05.06 г.<br />
Формат 60х84 1/8.<br />
Бумага офсетная.<br />
Гарнитура «Таймс».<br />
Печать: ризограф.<br />
Печ. л. 7,5.<br />
Тираж 100 экз. Заказ .<br />
Издательство<br />
СПбГЭТУ «ЛЭТИ»<br />
197376, Санкт-Петербург,<br />
ул. Проф. Попова, 5<br />
© СПбГЭТУ «ЛЭТИ», <strong>2006</strong>
УДК 621.397<br />
ОЦЕНКА КАЧЕСТВА ИЗОБРАЖЕНИЯ<br />
В СИСТЕМАХ ТЕЛЕВИЗИОННОГО НАБЛЮДЕНИЯ<br />
Р. В. Никитин<br />
Рассматриваются системы телевизионного наблюдения (СТН), предназначенные для<br />
решения задач персональной идентификации, идентификации движения и сцен. Хaрактерной<br />
особеностью СТН является то, что качество изображения, предоставляемого оператору,<br />
должно быть достаточным для решения поставленной задачи. Стилизация изменяет<br />
качество изображения. При этом внимание оператора концентрируется на наиболее<br />
существенных, информативных подробностях, что повышает эффективность работы.<br />
На основании методики стилизации можно выделить те параметры изображений,<br />
которые указывают на их пригодность для решения задач того или иного класса.<br />
Система телевизионного наблюдения, качество изображения, стилизация изображения<br />
Система телевизионного наблюдения (СТН) – закрытая телевизионная система,<br />
предназначенная для ограниченного числа пользователей, элементы которой соединены<br />
непосредственно между собой [1]. Данное обстоятельство отличает СТН от систем вещательного<br />
телевидения, где любой настроенный должным образом приемник может принимать<br />
сигнал из эфира. Непосредственное соединение элементов СТН между собой не<br />
исключает, однако, наличия сверхвысокочастотных, инфракрасных и т. п. связей.<br />
Характерной чертой СТН является их специализация, ориентированность на решение<br />
определенной задачи. Любая СТН – это средство для осуществления двух операций: визуального<br />
оценивания и визуального документирования 1 . Визуальное оценивание подразумевает<br />
наличие видеоданных опознавательного и/или описательного свойства во время какого-либо<br />
события в текущий момент времени. Визуальное документирование означает сохранение информации<br />
в формате, позволяющем изучать и/или просматривать изображение в будущем.<br />
Операции оценивания и документирования могут выполняться для решения следующих задач:<br />
1. Персональная идентификация, т. е. однозначное определение наблюдателем субъекта<br />
или объекта на имеющемся изображении.<br />
2. Идентификация движения – фиксация наблюдателем движения, совершаемого<br />
объектом или субъектом. При этом необходимо отметить сам факт движения, а не определить<br />
осуществляющий его объект.<br />
3. Идентификация сцен. Ключевым обстоятельством является то, что каждая наблюдаемая<br />
сцена должна иметь свои уникальные отличительные особенности. Данное направление<br />
определяется как антитеррорное и противокражное (практически это означает облегчение поиска<br />
взрывных и т. п. устройств, замаскированных в оставленных свертках, сумках и т. д.). Однако<br />
область этого направления намного шире, а именно безопасность на скоростных автострадах<br />
(особенно в тоннелях) и взлетных полосах – поиск опасных предметов; обнаружение пожаров;<br />
борьба с вандализмом; охрана оборудования на больших открытых пространствах.<br />
В связи с указанными специфическими для СТН задачами подход к анализу качества<br />
изображения в них отличается от вещательного телевидения. Для последнего существен-<br />
1 Charlie Pierce CCTV Basics // URL: http://www.ltctrainingcntr.com<br />
© Р. В. Никитин, <strong>2006</strong><br />
3
ным является доведение до зрителей изображения как можно лучшего качества при минимальных<br />
технических и материальных затратах.<br />
СТН, в свою очередь, предназначены для узкого круга пользователей, при этом качество<br />
изображения должно быть не максимально возможным, а достаточным для решаемой<br />
задачи. С этой точки зрения необходимо рассматривать полезность некоторого представления<br />
телевизионного изображения, зависящую от того, насколько хорошо изображение соответствует<br />
цели, для достижения которой его используют. Например, для того чтобы оператор<br />
правильно воспринял сцену, ее следует когнитивно проанализировать или "описать", а<br />
это требует внимания. Если сцена достаточно сложна, а внимание направлено на схватывание<br />
общей формы, а не ее нюансов, то последние не будут восприняты. Следовательно, для<br />
решения поставленной задачи достаточным является упрощенное, а не полное изображение.<br />
Существующие в настоящее время методики объективного оценивания качества телевизионного<br />
изображения [2]–[4] находят применение при анализе качества в цифровом телевидении,<br />
но их использование в СТН является, в общем случае, некорректным, так как<br />
они анализируют степень отличия обработанного изображения от исходного и качество<br />
принимается тем худшим, чем больше ошибка 2 . Однако даже сильно отличающегося от<br />
оригинала изображения может оказаться достаточно для решения задачи СТН.<br />
Таким образом, разработка методов, предназначенных непосредственно для СТН,<br />
является актуальной.<br />
Согласно статистическим исследованиям [5] именно из-за отсутствия соответствующего<br />
инструмента анализа качества изображения проектируются и поставляются потребителю<br />
СТН, до 80 % изображений которых не могут быть использованы по назначению. Например,<br />
для систем охранного телевидения такие изображения оказываются непригодными<br />
в качестве доказательства в суде или в качестве свидетельства совершения преступления.<br />
Один из критических аспектов состоит в ожидании ощутимых результатов сразу после<br />
установки телекамер. Руководители компаний считают, что техника решит все проблемы<br />
сама по себе. Кроме того, в данный момент развитие СТН идет в направлении увеличения<br />
разрешения и размеров конечного изображения, предоставляемого оператору. Однако любые<br />
дорогостоящие СТН по-прежнему основываются на способности операторов обнаруживать<br />
и идентифицировать происшествия, а их физические возможности не безграничны.<br />
Анализируя современные СТН, можно отметить, что телевизионные изображения,<br />
предоставляемые системами пользователю, содержат большое количество слишком выразительных<br />
(избыточных) деталей. Следовательно, достаточно перспективной представляется<br />
идея о том, что некое стилизованное тем или иным образом изображение сконцентрирует<br />
внимание оператора на самых существенных, самых информативных подробностях.<br />
Под стилизацией изображения будем понимать преобразование, с помощью которого<br />
некое реальное изображение переводится в новое представление, не перегруженное несущественными<br />
данными и полезное для оператора СТН. Такая обработка изображения<br />
должна привести к снижению времени реакции оператора на нештатную ситуацию и<br />
обеспечить принятие наиболее целесообразных мер защиты и противодействия возникающим<br />
обстоятельствам.<br />
2 http://www.snellwilcox.com, http://www.its.bldrdoc.gov/vqeg/<br />
4
Оригинальное<br />
изображение<br />
Стилизованное<br />
изображение<br />
Прямое<br />
вейвлетпреобразование<br />
Выделение<br />
контуров<br />
Подчеркивание<br />
контуров<br />
Обратное<br />
вейвлетпреобразование<br />
Сегментация<br />
изображения<br />
Повышение<br />
различимости<br />
текстур<br />
Представление изображения<br />
совокупностью сегментов<br />
Сформулированное утверждение указывает на то, что для решения задач определенного<br />
класса можно выдвинуть ряд требований к качеству изображения СТН:<br />
• Для персональной идентификации – подчеркивание контуров, поскольку именно<br />
в контуре содержатся самые существенные сведения о предмете и человек способен восстановить<br />
своим "внутренним взором" по контурам даже объемность изображения.<br />
• Для идентификации движения – упрощение изображения настолько, чтобы был<br />
отчетливо заметен только "смаз" картинки, что повышает заметность движения.<br />
• Для идентификация сцен – подчеркивание (выделение) текстур: имеется в виду такая<br />
обработка изображения, при которой содержащиеся в нем текстуры будут лучше различимы.<br />
На основании указанных требований можно разработать методику стилизации изображений<br />
для соответствующих классов задач с привлечением определенного математического<br />
аппарата. Далее на основании этой методики следует выделить те параметры изображений,<br />
которые будут указывать на их пригодность для решения задачи того или иного класса.<br />
Для решения задачи стилизации может быть использован математический аппарат<br />
теории вейвлетов и кратномасштабного анализа, так как при стилизации прослеживается<br />
тенденция рассмотрения изображения при различных масштабах.<br />
В общем случае алгоритм стилизации изображения может выглядеть как показано на<br />
рисунке. В качестве параметров изображений, применяемых для оценки их качества, следует<br />
использовать статистические параметры вейвлет-коэффициентов (например, на вейвлет-образе<br />
изображения, хорошо стилизованного под задачу идентификации сцен, по вертикальному,<br />
горизонтальному и диагональному направлениям будут отчетливо заметны<br />
области, содержащие близкие по своим значениям коэффициенты; на образе изображения,<br />
стилизованного под задачу идентификации движения, будут заметны области, значения<br />
коэффициентов на границе которых будут значительно больше, чем внутри; на вейвлетобразе<br />
изображения, стилизованного под задачу идентификации личности, будет наблюдаться<br />
тенденция к равномерной плотности распределения значений коэффициентов по<br />
всему образу вследствие повышения контрастности).<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Демьяновски В. CCTV. Библия охранного телевидения. М.: ISS-Press, 2003. 344 c.<br />
2. Lauterjung J. Picture Quality Measurement // Proc. of 1998 int. broadcasting convention, Amsterdam, 11–15<br />
September 1998. London: IEE, 1998. P. 413–417.<br />
5
3. Lubin J. A human vision system model for objective picture quality measurements // Proc. of 1997 int.<br />
broadcasting convention, Amsterdam 12–16 Sept. 1997. London: IEE, 1997. P. 498–503.<br />
4. Zhou W., Bovik A. C. A universal image quality index // IEEE signal processing lett. 2002. Vol. 9, № 3. P. 81–84.<br />
5. Крейг Д. Применение видеонаблюдения может быть как неудачным, так и успешным – выводы британского<br />
исследования // Security news. 2005. №4 (9). С. 5.<br />
R. V. Nikitin<br />
IMAGE QUALITY ASSESSMENT IN CLOSED CIRCUIT TELEVISION<br />
Closed circuit television (CCTV) is aimed at solving following tasks: action identification,<br />
personal identification and scene identification. The main feature of CCTV is that the quality of<br />
an image should be sufficient for solving a task by an operator. The process of stylization<br />
changes the quality of the image, but the attention of the operator concentrates on the most informative<br />
elements of the image. It improves the efficacy of the operator’s work. Thus, by<br />
means of stylization it is possible to point the image parameters, which are representative in<br />
the sense of the image’s adequacy to the task.<br />
CCTV, image quality, image stylization<br />
Статья поступила в редакцию 18 октября 2005 г.<br />
УДК 621.37<br />
М. И. Богачёв<br />
ПРИМЕНЕНИЕ МЕТОДОВ ФРАКТАЛЬНОЙ ГЕОМЕТРИИ<br />
ДЛЯ МНОГОФАКТОРНОГО АНАЛИЗА ДАННЫХ<br />
В НЕЛИНЕЙНЫХ СИСТЕМАХ<br />
С НЕРЕГУЛЯРНОЙ ДИНАМИКОЙ<br />
Рассмотрена обработка данных многофакторных экспериментов при исследовании<br />
сложных систем. Обоснована актуальность задачи построения адекватных моделей<br />
нелинейных систем с нерегулярной динамикой. Предложен подход к решению поставленной<br />
задачи с позиции фрактальной геометрии. Приведены сравнительные характеристики<br />
методов, основанных на использовании аффинного и полиномиального<br />
коллажей. Показаны возможности предложенного подхода применительно к обработке<br />
данных медицинских экспериментов и анализу электрофизических параметров жидких<br />
органических сред. Установлены основные ограничения, связанные с точностью<br />
представления данных фрактальными моделями. Экспериментально исследована зависимость<br />
точности от регулярности анализируемых данных.<br />
Модель сложной системы, многофакторный анализ, обратная задача фрактальных множеств,<br />
аффинный коллаж, полиномиальный коллаж<br />
Усложнение методов анализа и оптимизации технологических и диагностических процессов,<br />
основанных на привлечении неуклонно возрастающего числа параметров, получаемых<br />
из различных источников, делает нетривиальной задачу совместного анализа этих параметров.<br />
Процесс адекватного комплексирования сведений в рамках подобного многофакторного<br />
анализа осложняется необходимостью взвешенной компиляции всей совокупности<br />
имеющихся данных с учетом их информативности, ценности в терминах решаемых задач,<br />
достоверности проведенного оценивания и ряда других факторов. Решение указанных задач<br />
требует привлечения инструментов математической статистики, широко применяемых при<br />
проведении научно-исследовательских работ. Основными назначениями таких инструментов<br />
6<br />
© М. И. Богачёв, <strong>2006</strong>
являются выявление минимальной совокупности значимых факторов и последующая разработка<br />
формальных критериев принятия решений, диктуемых поставленной задачей.<br />
При необходимости проведения математического анализа экспериментальных данных<br />
возникает задача построения адекватных моделей изучаемых физических процессов<br />
на основании совокупности их характеристик.<br />
Полное формализованное детерминистическое описание изменений в динамической<br />
системе в ответ на заданное внешнее воздействие требует знания совокупности дифференциальных<br />
уравнений с переменными параметрами, описывающих поведение исследуемой<br />
системы. При анализе сложных физических систем в большинстве случаев не удается<br />
адекватно описать их поведение на уровне детерминистических моделей как в силу<br />
сложности происходящих процессов, так и ввиду недостаточности объективной информации.<br />
Указанные обстоятельства часто вынуждают применять для описания подобных систем<br />
нелинейные модели с нерегулярной динамикой.<br />
Эффективным инструментом для описания нелинейных динамических систем, в том<br />
числе проявляющих нерегулярное поведение, является подход, используемый во фрактальной<br />
геометрии. При исследовании процессов в нерегулярных системах совокупности, соответствующие<br />
результатам ряда последовательных измерений параметров системы, представляют<br />
собой внутренне самоподобные множества, отражающие траекторию движения системы в<br />
пространстве состояний. По мере увеличения числа факторов топология подобных множеств<br />
неуклонно усложняется, что делает актуальной задачу их формализованного описания.<br />
В терминах фрактальной геометрии построение адекватной модели поведения сложной<br />
системы в пространстве состояний сводится к решению обратной задачи фрактальных<br />
множеств (ОЗФМ). В результате ее решения находится нелинейная рекуррентная зависимость,<br />
порождающая при ее применении к некоторому произвольному множеству из области<br />
сходимости алгоритма решения ОЗФМ внутренне самоподобное множество, по основным<br />
статистическим свойствам отражающее экспериментальное множество.<br />
Традиционный подход к решению ОЗФМ основывается на использовании в качестве<br />
базисных функций сжимающих аффинных отображений. Решение обратной задачи методом<br />
аффинного коллажа [1], [2] основано на аппроксимации итерационной системы функций<br />
(ИСФ) F ( z ) , соответствующей исходному фракталу M ∈ H ( C)<br />
( H – метрическое<br />
пространство над полем C , элементами которого являются векторы размера T ), совокупностью<br />
W ( z ) L аффинных отображений w l исходного множества самого в себя<br />
где ( ) ( ∗) ( ∗)<br />
w z z z z z<br />
F ( z) W ( z) w ( z)<br />
L<br />
≈ =∪ ,<br />
l=<br />
1<br />
l = α l + + βl − + γ l – элементарное аффинное преобразование с коэффициентами<br />
αl , βl , γ l ; знак " ∗"<br />
означает операцию комплексного сопряжения.<br />
L<br />
При аппроксимации исходное множество покрывается коллажем ( ) W M из уменьшенных<br />
копий самого себя. При этом множество покрытий должно быть оптимальным относи-<br />
⎡ ⎤<br />
тельно невязки вида h ⎢ M , ∪ wl<br />
( M ) ⎥ < δ , M ∈ H ( C ) , где δ – заранее заданное положитель-<br />
⎢⎣<br />
l ⎥⎦<br />
l<br />
7
ное число. В качестве невязки h в классической теории обычно выбирается расстояние Хаусдорфа<br />
h( A,<br />
B ) , являющееся метрикой пространства компактных множеств H ( C ) [1]:<br />
8<br />
( )<br />
{ x∈A y∈B<br />
}<br />
( )<br />
( y∈B ) ( x∈A<br />
)<br />
h A, B = max sup inf x − y ; sup inf x − y , A,<br />
B ∈ H C . (1)<br />
Поиск параметров элементарных отображений<br />
w l осуществляется через минимизацию<br />
расстояния h( A,<br />
B ) . Алгоритм минимизации (т. е. конструирования оптимального<br />
коллажа из покрытий w ( M )) в общем случае не определен.<br />
l<br />
Результирующий коллаж ( ) W M должен состоять из уменьшенных копий исходного<br />
фрактала. Поэтому каждое элементарное отображение w l должно быть сжимающим, т. е.<br />
для всех элементарных отображений должно выполняться условие<br />
( ) ( ) , 0 1<br />
w x − w y ≤ s x − y ≤ s < .<br />
l l l l<br />
Величина s l представляет собой параметр сжатия для каждого<br />
w l . Важным достоинством<br />
аффинных отображений является постоянство параметра сжатия s l для любой<br />
точки рассматриваемого пространства ( ) H C .<br />
В работе [3] предложено применение подобного подхода к формализации моделей<br />
биологических систем. Наряду с решением задачи синтеза формализованной модели показана<br />
эффективность указанного подхода для сжатия экспериментальных данных [4]. Данные<br />
работы [3] указывают на достигнутые значения невязки между исходным нерегулярным<br />
самоподобным множеством и моделью, определяемой в соответствии с выражением<br />
(1), свыше 10 %, что является критическим во многих задачах анализа и оптимизации технологических<br />
и диагностических процессов.<br />
Альтернативный подход к решению ОЗФМ, именуемый методом полиномиального<br />
коллажа, заключается в аппроксимации фракталов множествами Жюлиа инверсных полиномов<br />
[5]. Подобный подход наиболее актуален при решении задач идентификации и<br />
функционального анализа в системах, аттракторы которых являются инвариантами нелинейных,<br />
а не квазилинейных преобразований, в частности, в системах с глубоко нелинейной<br />
обратной связью, модель которой хорошо описывается степенными многочленами.<br />
Нелинейностями этого типа часто описываются процессы, происходящие в реальных физических<br />
системах, при этом соответствующие фракталы носят название множеств Жюлиа.<br />
В качестве целевой при решении ОЗФМ в данном случае выступает аппроксимирующая<br />
исходный фрактал рекурсивная функция P ( z ) . Тогда F ( z) P ( z) p ( z)<br />
,<br />
−1<br />
L<br />
≈ =∪ ( )<br />
Определим обратную функцию P ( z)<br />
в виде полиномиального разложения порядка L<br />
L<br />
l=<br />
1<br />
l<br />
z ∈ H C .<br />
− 1 ( ) l<br />
P z = ∑ C z . (2)<br />
l<br />
l=<br />
0<br />
Подобную аппроксимацию можно трактовать как разложение в ряд по степенному базису.<br />
Задача заключается в нахождении оптимальных параметров l C разложения (2), обеспечивающих<br />
наилучшую аппроксимацию исходного фрактала аттрактором отображения ( ) P z .
Преимущество такого подхода заключается в возможности описания функции F частичной<br />
суммой рядов Лорана или Тейлора, что, в свою очередь, позволяет провести сравнительный<br />
анализ влияния различных компонентов ряда на те или иные особенности поведения<br />
рассматриваемой физической системы.<br />
Другим существенным преимуществом этого подхода является простота проведения над<br />
F различных математических операций: дифференцирования, интегрирования и т. п. Это часто<br />
бывает необходимо для нахождения особых точек модельной функции, выявления внутренних<br />
областей притяжения (отталкивания) и прочих видов анализа свойств физических систем.<br />
Простейшие модели, используемые при проведении классического статистического<br />
анализа, часто неадекватно отражают топологию сложных множеств, описывающих анализируемые<br />
физические процессы в пространстве измеряемых параметров, что является<br />
основной причиной снижения точности подобного анализа. Можно показать, что если<br />
множества, задаваемые совокупностью измеряемых параметров, не являются ортогональными,<br />
с ростом числа параметров растет зависимость оценки расстояния между подмножествами<br />
от способа задания метрики в анализируемом пространстве состояний системы.<br />
В целях уменьшения указанного эффекта представляется целесообразным определять<br />
невязку ( A, B) A,<br />
B H ( C)<br />
ε ∀ ∈ следующим образом [6]. Каждое из компактных подмножеств<br />
A и B покрывают одинаковым количеством N T-мерных шаров равного радиуса<br />
A n и<br />
B n , где значение T определяется размерностью пространства представления. Через<br />
( , )<br />
d An<br />
B n обозначают евклидово расстояние между центрами T-мерных шаров. n<br />
A и<br />
ставят в соответствие друг другу так, чтобы суммарное среднеквадратичное отклонение d<br />
было минимальным. Тогда невязка ε есть функция вида<br />
Очевидно, что функция ( A,<br />
B)<br />
N<br />
1<br />
N<br />
n=<br />
1<br />
2<br />
( A, B) lim d ( A , B )<br />
ε = ∑ . (3)<br />
N →∞<br />
ε может принимать различные значения в зависимости<br />
от того, каким образом выбраны пары<br />
B n . Невязке ε соответствует такой порядок<br />
соответствия покрытий<br />
n<br />
n<br />
A n и<br />
n<br />
A n и<br />
B n<br />
B , при котором функция ( A,<br />
B)<br />
минимум. Показано [6], что ε является метрикой для пространства ( ) H C .<br />
ε имеет глобальный<br />
s<br />
Если J ⊂ H ( C)<br />
– заданное компактное множество, то и J ⊂ H ( C)<br />
есть предельное<br />
множество для итераций z P ( z )<br />
k + 1<br />
= , где k – номер итерации. Для решения задачи<br />
k<br />
необходимо найти коэффициенты разложения (2), минимизирующие невязку ( Js,<br />
J p )<br />
Непосредственное определение ( Js,<br />
J p )<br />
p<br />
ε .<br />
ε является весьма сложной задачей из-за<br />
необходимости большого объема вычислительных затрат при расчете топологии<br />
каждом промежуточном шаге процедуры минимизации. Можно показать, что, если<br />
J p на<br />
является аттрактором сжимающего отображения в H ( C,<br />
ε ) , нахождение минимального<br />
ε J , J эквивалентно поиску минимума функционала ε ⎡ ⎣ J , P ( J ) ⎤ ⎦ .<br />
значения ( s p )<br />
s<br />
s<br />
J p<br />
9
Можно показать, что любая ветвь<br />
p l функции P ( z ) является сжимающим отображением<br />
с переменным параметром сжатия q в области<br />
Zc<br />
⊂ C<br />
, определенной неравенством<br />
dp ( z) dz < 1, z ∈ Z . Условие сжимаемости одновременно для каждой ветви<br />
l<br />
c<br />
функции P ( z) : С → С может быть записано как<br />
dP( z) dz < 1. (4)<br />
Доказано [6], что при выполнении условия (4) отображение P ( B) : ( , )<br />
( , ), ( , )<br />
Алгоритм поиска минимума ⎡J<br />
, P ( J ) ⎤<br />
→ H С ε ∀B ∈ H С ε также является сжимающим.<br />
ε ⎣<br />
s<br />
s<br />
H С ε →<br />
⎦ и вычисления неизвестных параметров<br />
итерационной функции P ( z ) достаточно прост в реализации и основан на том, что P ( z)<br />
есть линейная функция относительно входящих в разложение (2) коэффициентов C l , а ε<br />
представляет собой обычную меру среднеквадратичного отклонения, легко минимизируемую<br />
методом наименьших квадратов [6]. Этот алгоритм состоит в следующем.<br />
Для заданного компактного множества J ⊂ H ( C)<br />
вводится начальное приближение<br />
аппроксимирующего полинома P порядка L, определяемое начальными значениями коэффициентов<br />
l<br />
C . Далее находят P ( J )<br />
P J N T-мерными шарами<br />
с соответствующими центрами x n и<br />
s<br />
s<br />
, после чего покрывают s<br />
n<br />
J и ( )<br />
y . Вычисляют ⎡J<br />
, P ( J )<br />
ε ⎣<br />
s<br />
s<br />
−1<br />
s<br />
⎤ ⎦ сопоставив x n и<br />
−1<br />
y n друг другу требуемым образом. Затем вычисляют значения P ( z)<br />
1<br />
. Поскольку P − является<br />
конформным отображением, оно трансформирует бесконечно малые T-мерные шары<br />
y n в бесконечно малые T-мерные шары xm<br />
Для каждого T-мерного шара y n вводят локальное биективное отображение P n , обратное<br />
−1<br />
∈ . Таким образом, ( )<br />
Js<br />
P y = x .<br />
1<br />
P − . Это можно сделать, выбирая соответствующие ветви отображения P для каждого<br />
конкретного значения n. Тогда уравнения, минимизирующие ⎡J<br />
, P ( J )<br />
⎤ ⎦ , запишутся<br />
как ( ) ⎡ −1<br />
( )<br />
Pn xm, Cl′ = Pn P yn, Cl , C ⎤<br />
⎣ l′<br />
⎦ = xn<br />
или<br />
ε ⎣<br />
n<br />
s<br />
m<br />
s<br />
L<br />
l<br />
∑ Cl′ xn<br />
= xm<br />
, (5)<br />
l = 0<br />
где через C′ l обозначен новый набор коэффициентов разложения (2). Для найденных коэффициентов<br />
описанная процедура рекурсивно повторяется до тех пор, пока при решении<br />
системы уравнений (5) параметр ε (3) уменьшается. В заключение проверяется состоятельность<br />
полученного решения относительно условия (4).<br />
В связи с высокой вычислительной сложностью рассмотренного математического аппарата<br />
возникает необходимость разработки алгоритмов быстрого решения ОЗФМ. Модель<br />
программы, реализующей итерационный алгоритм последовательного уточнения описания<br />
исходного фрактального множества множествами Жюлиа инверсных полиномов, была реализована<br />
в среде системного моделирования MLDesigner (рис. 1) 1 .<br />
1 URL: http//www.mldesigner.com<br />
10
В состав модели входят элементы, отвечающие<br />
за приведение размерностей аппроксимируемых<br />
множеств на каждой итерации<br />
1, общее решение избыточной системы<br />
линейных уравнений 2, вычисления текущего<br />
значения ошибки представления 8,<br />
выводы коэффициентов модели 4 и ошибки<br />
9, задание начального приближения 5, расчет обратной функции от полинома 6, рандомизированное<br />
перемешивание элементов множества 7, решение полиномиальных уравнений методом<br />
секущих с применением приема Гаврика для поиска наиболее точного решения 3.<br />
Хэширование элементов кодируемого множества, состоящее в рандомизированном<br />
перемешивании его элементов, введено с целью автоматизации и универсализации алгоритма<br />
и позволяет во многих случаях находить наилучшее решение при полимодальном характере<br />
функции ошибки. Проведенные тесты показали, что снижение скорости сходимости<br />
за счет введения хэширования является приемлемым, в особенности при его применении<br />
только на начальных итерациях с последующим отключением на основании многопорогового<br />
алгоритма. Необходимость приведения размерностей векторов корней полиномиальных<br />
уравнений и элементов исходного множества обусловлена различным количеством решений<br />
указанных уравнений для разных элементов аппроксимируемого множества. Ядром<br />
алгоритма является общее решение избыточной системы линейных уравнений, реализованное<br />
методом наименьших квадратов с применением алгоритма матричного псевдообращения<br />
Мура–Пенроуза. С целью уменьшения эффекта накопления ошибки в ходе итерационного<br />
процесса использован прием выделения главного элемента [7].<br />
Для рассматриваемой алгоритмической реализации ошибка оценивалась в соответствии<br />
с ранее приведенными рекомендациями как средний квадрат отклонения аппроксимирующей<br />
функции. Был установлен характерный вид тренда ошибки (рис. 2), связанный<br />
со спецификой применяемых алгоритмических подходов. Тренд может быть условно разделен<br />
на 4 фрагмента, для каждого из которых предлагается индивидуально исследовать возможности<br />
дальнейшего повышения эффективности с целью адаптации универсальной модели<br />
к требованиям той или иной практической задачи. На первом этапе (рис. 2, 1) в условиях<br />
высокой скорости сходимости алгоритма невозможно выделить осцилляции функции<br />
ошибки, связанные с применением хэширования элементов кодируемого множества. На<br />
втором этапе (рис. 2, 2) с учетом снижения скорости сходимости осцилляции выделяются,<br />
однако процедура хэширования продолжает<br />
применяться, что актуально в условиях полимодального<br />
характера функции ошибки. 1 2 3 4<br />
На третьем этапе (рис. 2, 3) хэширование<br />
отключается с использованием многопорогового<br />
алгоритма, учитывающего значения<br />
абсолютной ошибки на данной итерации,<br />
скорости изменения ошибки и относительных<br />
межитерационных флуктуаций целевых<br />
Рис. 2<br />
1<br />
2<br />
5 6 7 8 9<br />
Рис. 1<br />
3<br />
4<br />
11
K<br />
1.8<br />
1.2<br />
0.6<br />
0<br />
– 15<br />
Ортостатическая<br />
гипотензия<br />
0 15 ДИсад<br />
Рис. 3<br />
Нейрогенные<br />
обмороки<br />
Норма<br />
коэффициентов полинома. На последнем этапе (рис. 2, 4) средний уровень ошибки стабилизируется,<br />
однако сохраняются осцилляции относительно некоторого значения, что свидетельствует<br />
о достижении практического порога эффективности описываемого алгоритма в<br />
поставленных условиях. Формально наилучшее решение соответствует минимальному достигнутому<br />
уровню абсолютной ошибки представления, однако при обработке массивов<br />
данных малого объема из-за высокой статистической погрешности при оценке ошибки в<br />
соответствии с требованиями поставленной задачи целесообразно усреднить параметры целевой<br />
модели по нескольким итерациям в течение одного этапа кодирования.<br />
Реализовать обратную задачу восстановления исходного множества по параметрам<br />
найденного коллажа значительно проще, что отвечает требованиям быстрого декодирования<br />
моделей, так как в ряде случаев его необходимо выполнять в реальном масштабе времени.<br />
Полученные модели в полной мере реализуют преимущества метода полиномиального<br />
коллажа относительно традиционно применяемого преимущественно в задачах обработки<br />
изображений (а в последние годы и в других областях) метода, основанного на использовании<br />
совокупностей аффинных преобразований в качестве базисных функций. К<br />
ним относятся корректное представление систем с глубокой нелинейной обратной связью,<br />
возможность описания систем в переходных состояниях, возможность описания ограниченным<br />
числом членов ряда Тейлора или Лорана 2 , удобство базиса для анализа модельной<br />
функции с помощью таких классических методов математического анализа, как дифференцирование,<br />
позволяющее легко находить экстремальные точки, нахождение интегральных<br />
характеристик и ряд других. С другой стороны, такие недостатки метода полиномиального<br />
коллажа, как ограничения области сходимости, непостоянство скоростей<br />
сходимости алгоритмов и затрудненность управления ими, а также установленная в ходе<br />
работы высокая чувствительность модели к изменению параметров и склонность к бифуркациям,<br />
ограничивают практическое применение описанного класса моделей.<br />
Практическая проверка рассмотренного подхода к построению фрактальных моделей<br />
нелинейной динамики с применением метода полиномиального коллажа была проведена<br />
при решении задачи аппроксимации выборочных множеств, соответствующих реакции пациентов<br />
на ортостатическую нагрузку при тилт-тесте, по результатам совместного анализа<br />
нижней границы энтропии Колмогорова (K) и диурнального индекса систолического артериального<br />
давления (ДИсад) (рис. 3). Для<br />
этих параметров были получены модели,<br />
основанные на использовании полиномов<br />
второго порядка [8].<br />
Поскольку рассматриваемый тип модели<br />
самостоятельно не обеспечивает однозначную<br />
привязку к абсолютным значениям,<br />
к параметрам модели наряду с коэффициентами<br />
управляющих полиномов были<br />
2 Указанный способ описания способствует универсализации модели и снижению объемов вычислений при<br />
оперативной вариации требований к точности декодирования на этапе его выполнения.<br />
12
отнесены границы областей распространения того или иного аппроксимирующего множества.<br />
Повышать порядок полиномов модели для улучшения точности представления целесообразно<br />
до тех пор, пока не будет достигнут требуемый уровень ошибки или ее практическая<br />
стабилизация. Косвенным признаком этого факта могут служить и относительно<br />
малые значения старших коэффициентов представленных полиномов.<br />
Использование моделей рассмотренного типа позволяет более адекватно передать топологию<br />
описываемых множеств, что способствует частичной автоматизации обработки данных<br />
в рамках решения диагностической задачи. Кроме того, структура рассмотренного алгоритма<br />
сохраняется при увеличении количества разбиений и параметров, возрастает лишь его вычислительная<br />
сложность. В связи с этим алгоритм целесообразно применять при накоплении информации<br />
в результате дальнейших экспериментальных исследований. Формально представленный<br />
алгоритм пригоден для описания множеств в конечномерном пространстве произвольной<br />
размерности, его возможности ограничены только вычислительной сложностью.<br />
Вместе с тем, в результате эксперимента были получены достаточно высокие уровни<br />
относительных ошибок, превышающие 10 %, а в отдельных случаях приближающиеся к<br />
20 %. Это свидетельствует об имеющейся неточности передачи топологии моделируемых<br />
множеств, что может явиться ограничивающим фактором применения данного подхода и<br />
нивелирует его преимущества по сравнению с аффинным коллажем. В значительной мере<br />
это можно объяснить существенно нерегулярным характером исследованных профилей<br />
групповых реакций по сравнению с геометрическими фракталами. С учетом литературных<br />
данных [3] в первом приближении можно считать точности представления сопоставимыми<br />
при использовании как аффинного, так и полиномиального базисов.<br />
Актуальность применения представленного подхода рассматривалась также применительно<br />
к ряду исследовательских и технологических задач, связанных с обработкой больших<br />
массивов разнородных данных. Далее конспективно рассмотрены некоторые из них.<br />
Достаточно перспективным направлением в настоящее время является анализ жидких<br />
веществ и смесей на основании измерения их электрофизических параметров. В этом<br />
случае предложенный полиномиальный базис позволяет не только решать задачи идентификации,<br />
но и находить с помощью классического аппарата математического анализа решения<br />
оптимизационных задач, возникающих при управлении технологическими процессами<br />
в нефтеперерабатывающей, пищевой и некоторых других отраслях промышленности,<br />
при медико-биологических исследованиях и т. п. [8].<br />
При идентификации субстанций универсальным и наиболее информативным методом<br />
неразрушающего контроля состава жидких веществ и смесей является традиционный анализ<br />
оптического спектра, однако в ряде случаев он недостаточно оперативен и мобилен.<br />
Так, традиционные методы анализа оказываются неэффективными, если в технологическом<br />
процессе требуется мобильность измерительной аппаратуры или оперативный контроль и<br />
быстрая реакция на изменения составов смесей. В таких случаях предпочтительным оказывается<br />
измерение электрофизических параметров жидких сред радиотехническими методами,<br />
известное как метод состояний. Суть метода заключается в воздействии на жидкие среды<br />
электромагнитным полем различной частоты и наблюдении откликов, на основании которых<br />
вычисляются электрофизические показатели [9].<br />
13
Ряд работ [9]–[13] указывает на индивидуальность совокупностей откликов от различных<br />
субстанций в широком диапазоне частот, что свидетельствует о возможности<br />
идентификации. К основным используемым параметрам относят удельную активную проводимость,<br />
относительную диэлектрическую проницаемость и производные от них величины<br />
(в частности, критерий тождественности), измеренные на различных частотах, а<br />
идентификация сводится к различению отклика данного вещества в многомерном пространстве,<br />
заданном используемыми параметрами. При мультимодальности функции отклика<br />
возможности поиска классического оптимума ограничены, в первую очередь, вычислительной<br />
сложностью. Разработка адекватных моделей реальных откликов направлена на<br />
создание квазиоптимальных методов идентификации, потребность в которых обусловлена<br />
необходимостью повышения оперативности обработки, а также снижением требуемой вычислительной<br />
мощности для создания носимых устройств контроля.<br />
Экспериментальное исследование проводилось с использованием результатов измерения<br />
электрофизических параметров различных органических жидкостей, полученных<br />
измерителем иммитанса, построенного на базе квадратурного приемника, работающего в<br />
диапазоне 1 кГц…2 МГц. В рамках исследования была предпринята попытка построения<br />
адекватных трехмерных моделей откликов. В число параметров модели вошли частота<br />
измерения, активная проводимость<br />
G а и реактивная проводимость<br />
G р . Результаты измерений<br />
приведены на рис. 4 3 . Для некоторых органических жидкостей получена близкая к<br />
фрактальной структура откликов в пространстве анализируемых параметров, что позволяет<br />
надеяться на возможность достижения достаточной при решении поставленных практических<br />
задач точности аппроксимации.<br />
При решении этой задачи относительная ошибка модели, оцененная с применением<br />
ε -метрики, нормированной к максимальному размаху аппроксимируемого множества,<br />
оказалась в пределах 3 %, т. е. почти на порядок ниже, чем при анализе биологических<br />
сигналов, что можно объяснять более регулярным характером зависимостей.<br />
Весьма важным является также решение задач оптимизации в технологических процессах,<br />
в рамках которых данный метод может быть использован для оперативного контроля<br />
на различных этапах. При этом часто ставится задача поиска экстремумов модельной<br />
функции или производных от нее функций. Здесь полиномиальный базис привлекает<br />
легкостью проведения математических операций (дифференцирования, интегрирования,<br />
G 1<br />
р , ТОм −<br />
0.10<br />
0.04<br />
– 0.02<br />
0.72<br />
0.81 0.90<br />
Рис. 4<br />
G 1<br />
а , ТОм −<br />
представления ансамбля данных ограниченным<br />
числом членов ряда Тейлора), что<br />
позволяет на отдельных этапах решения<br />
задачи снизить требования к точности аппроксимации<br />
или сложности анализируемой<br />
функции, резко сократив объем требуемых<br />
вычислений и не прибегая к повторному<br />
построению модели. Область<br />
применения подобных аналитических тех-<br />
3 Маркерами отмечены различные испытуемые органические жидкости.<br />
14
нологий достаточно широка и включает решение идентификационных и оптимизационных<br />
задач в рамках анализа и управления технологическими процессами в нефтеперерабатывающей<br />
[10]–[12] и пищевой [13] промышленности, сельском хозяйстве [13], топливноэнергетическом<br />
комплексе [10], [11] и ряде других отраслей, где актуален анализ жидких<br />
сред на основании измерения их электрофизических параметров.<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Barnsley M. F. Fractal Everywhere. New York: Academic Press, 1988. 394 p.<br />
2. Hutchinson J. E. Fractals and self-similarity // Indiana University Journal of Mathematics. 1981. Vol. 30. P. 713–747.<br />
3. Пыко С. А., Ульяницкий Ю. Д. Некоторые аспекты проблемы идентификации модели ритмической<br />
деятельности сердца на основе теории детерминированного хаоса // Биотехнические системы в медицине и<br />
биологии / Под ред. проф. Е. П. Попечителева. СПб.: Политехника, 2002. С. 71–78.<br />
4. Богачев М. И., Пыко С. А. Об использовании методов фрактальной геометрии для сжатия биологических<br />
сигналов // Мат-лы 57-й НТК НТОРЭС им. А. С. Попова, апрель 2002 г. СПб.: Изд-во СПбГЭТУ<br />
"ЛЭТИ", 2002. С. 21–22.<br />
5. Мельников А. В. Идентификация объектов на основе фрактальных моделей нелинейной динамики:<br />
Автореф. дис. … канд. техн. наук / СПбГТУ. СПб., 1998.<br />
6. Melnikov A. V. The fractal sets approximation by Julia set attractors of polynomial Iterated Function Systems<br />
(IFS) // Fractals. 1999. Vol. 7, № 1. P. 41–49.<br />
7. Буслов В. А., Яковлев С. Л. Численные методы: курс лекций. СПб.: Изд-во СПбГУ, 2001. 59 с.<br />
8. Богачев М. И. Исследование возможности быстрого решения обратной задачи фрактальных множеств<br />
методом полиномиального коллажа в задачах построения моделей нелинейных динамических систем высоких<br />
порядков // Сб. мат-лов науч. сем. стипендиатов пр. "Михаил Ломоносов". Бонн: DAAD, 2005. С. 20–30.<br />
9. Усиков С. В. Определение электропроводности и диэлектрической проницаемости растворов. СПб.:<br />
Теза, 1997. 173 с.<br />
10. Пат. РФ № 2117280 МПК6 G01 N 27/02 / С. В. Усиков, О. М. Варшавский, В. Е. Сомов. Способ определения<br />
высшей удельной теплоты сгорания нефтей. Опубл. 10.08.98. Бюл. № 22.<br />
11. Пат. РФ № 2192001 МПК7 G01 N 27/02 / С. В. Усиков, Л. К. Васильева, З. Д. Иванова. Способ определения<br />
массовой доли воды в нефтях и продуктах остаточной дистилляции по измерению диэлектрической<br />
проницаемости на различных частотах. Опубл. 27.10.02. Бюл. № 30.<br />
12. Пат. РФ № 22209422 МПК7 G01 N 27/04, G01 N 27/22 / В. В. Вылегжанин, С. В. Усиков, Л. И. Чернова.<br />
Устройство диагностики состояния нефтей и продуктов нефтепереработки по их активной электропроводности<br />
и диэлектрической проницаемости. Опубл. 27.07.03. Бюл. № 21.<br />
13. Пат. РФ № 2203485 МПК7 G01 N 27/48 / С. В. Усиков, Л. К. Васильева, З. Д. Иванова. Способ оперативного<br />
определения крепости водно-спиртовых растворов. Опубл. 27.04.03. Бюл. №12.<br />
M. I. Bogachev<br />
APPLICATION OF FRACTAL GEOMETRY TOOLS TO MULTI-FACTOR DATA ANALYSIS<br />
IN NONLINEAR IRREGULAR DYNAMIC SYSTEMS<br />
Multi-factor data processing in experimental analysis of complex systems is discussed. A<br />
fractal geometry approach to adequate modeling of nonlinear irregular dynamic systems is reviewed.<br />
Comparison of methods based on affine and polynomial collage is given. A possibility<br />
of the given tools application to medical experimental data processing and electrical parameters<br />
of liquid substances analysis is demonstrated. The main limitations of fractal models concerning<br />
the accuracy of experimental data replication are settled. The dependence of model<br />
accuracy on data regularity is demonstrated in the experiment.<br />
Complex system model, multifactor analysis, fractal sets inverse problem, affine collage, polynomial collage<br />
Статья поступила в редакцию 22 ноября 2005 г.<br />
15
УДК 621.391.23<br />
В. Н. Смирнов, Та Вьет Хунг<br />
ДВУХЭТАПНЫЙ АЛГОРИТМ ДЕКОДИРОВАНИЯ<br />
ТУРБО-КОДА<br />
Приводятся результаты оценки эффективности итерационного алгоритма декодирования<br />
турбо-кода, в котором на первых итерациях выполняется алгоритм Витерби<br />
с мягким выходом, а на последних – алгоритм максимума апостериорной вероятности<br />
Турбо-код, алгоритм итерационного декодирования, логарифм отношения правдоподобия<br />
Алгоритмы декодирования турбо-кодов являются развитием алгоритмов Витерби с<br />
мягким выходом (Soft output Viterbi algorithm – SOVA) и максимума апостериорной вероятности<br />
(Maximum a posteriori probability – МАР) [1]–[3]. Декодирование заключается в<br />
выполнении нескольких ( ρ ) итераций, направленных на уточнение оценки информационной<br />
последовательности. Так как вклад каждой новой итерации в улучшение оценки<br />
уменьшается, а увеличение числа итераций приводит к росту задержки декодирования, то<br />
декодирование завершается после выполнения 8 − 18 итераций [2], [3].<br />
Достоинствами алгоритма SOVA являются простота технической реализации, малая<br />
задержка декодирования, а недостатком – относительно низкое качество декодирования.<br />
Алгоритм МАР обеспечивает более высокую помехоустойчивость, но требует большего<br />
объема вычислений и весьма чувствителен к ошибкам округления, поэтому он не получил<br />
широкого применения в современных цифровых системах связи. Для исключения отмеченных<br />
недостатков разработаны алгоритмы Мax-Log-MAP и Log-MAP, последний из которых<br />
обладает более высоким качеством декодирования, поскольку при вычислениях используется<br />
функция коррекции ошибок в виде таблицы преобразований. Однако задержка<br />
декодирования по-прежнему остается большой.<br />
На основе этих алгоритмов авторами разработан модифицированный алгоритм итерационного<br />
декодирования турбо-кода, обладающий умеренной простотой технической<br />
реализации, малой задержкой декодирования, и приемлемой эффективностью в области<br />
больших отношений сигнал/шум.<br />
Декодирование по предложенному алгоритму состоит в следующем. В первых ρ ′ итерациях<br />
из общего числа итераций ρ логарифм отношения правдоподобия (log-likelihood ratio<br />
– LLR) вычисляется по алгоритму SOVA. В последующих итерациях реализуется алгоритм<br />
Log-MAP. Таким образом, процесс декодирования разделен на 2 этапа – грубый и точный.<br />
На первом этапе рассматриваются только 2 пути по кодовой решетке: путь максимального<br />
правдоподобия (аналогично алгоритму Витерби) и лучший путь, соответствующий<br />
информационной последовательности, инверсной по отношению к последовательности<br />
максимального правдоподобия в момент t . Для этих путей вычисляются логарифмы<br />
отношения правдоподобия и их разность только по прямому направлению. На втором этапе<br />
в ′ ρ − ρ последующих итерациях алгоритм анализирует на каждом шаге решетки (от<br />
узла к узлу) лучшие пути для бит 1 и 0 в момент t , вычисляет апостериорную вероятность<br />
16<br />
© В. Н. Смирнов, Та Вьет Хунг, <strong>2006</strong>
информационных бит и логарифм отношения правдоподобия в конце каждого шага. Этот<br />
процесс выполняется по обоим (прямому и обратному) направлениям. Наконец, в последней<br />
итерации декодер выдает оценку информационных бит ĉ .<br />
Порядок вычислений по предложенному алгоритму следующий. В первой итерации<br />
на выходе первого декодера по алгоритму SOVA вычисляется LLR [2], [3]:<br />
( c ) ⎡ p( c 1 ) p( c 0 )<br />
Λ 1 t = ln<br />
⎣ t = y t = y ⎤<br />
⎦<br />
, (1)<br />
где c t – входной информационный бит на позиции t = 1, 2, 3, …,<br />
N ( N – длина информационного<br />
кадра); y – последовательность принятых сигналов при наличии шума;<br />
p( ct<br />
y ) – апостериорная вероятность (a posteriori probability – АРР) информационного бита.<br />
Λ 1 ct = ln ⎡⎣ pt,1 1 pt<br />
,1 0 ⎤ ⎦ +<br />
+ + Λ , где p ( ) и p ( ) – априорные вероятности бит 1 и 0 соответственно<br />
Известно [1], что LLR можно представить тремя слагаемыми: оценкой априорного LLR,<br />
LLR канала, вычисленным по принятому информационному биту, и LLR декодера, называемым<br />
внешним LLR и связанным с проверочными битами. Внешний LLR можно использовать<br />
в качестве априорной информации для другого декодера. Тогда на первой итерации для гауссовского<br />
канала выражение (1) преобразуется к виду ( ) ( ) ( )<br />
( c )<br />
4y<br />
t ,0 1, e t<br />
t,1 1<br />
t,1 0<br />
на входе первого декодера в момент t ; t,0<br />
y – принятый информационный бит; ( c )<br />
Λ 1,e t –<br />
внешний LLR первого декодера. Для первой итерации предполагается, что p t,1<br />
( 1 ) =<br />
= p t,1<br />
( 0 ) = 0.5 , т. е. априорные LLR = 0 .<br />
Из полученной оценки Λ ( c ) выделяется ( ) ( )<br />
1 t<br />
Λ = Λ − . Далее второй декодер<br />
после перемежения использует ( c )<br />
1,e t<br />
1, e ct 1 ct 4yt,0<br />
Λ в качестве априорной информации для получения<br />
своей оценки информационных бит. Таким образом, логарифм отношения правдоподобия<br />
выражается как Λ ( c ) = ln ⎡ p ( 1) p ( 0) ⎤ + 4yɶ + Λ ( c ) или ( c )<br />
2 t ⎣ t,2 t,2 ⎦ t,0 2, e t Λ 2 t =<br />
= Λ ɶ c + 4y ɶ + Λ c , где p ( ) и p ( ) – оценки априорных вероятностей бит 1 и<br />
( ) ( )<br />
1, e t t,0 2, e t<br />
t,2 1<br />
t,2 0<br />
0 соответственно на входе второго декодера в момент t ; ( c )<br />
Λ ɶ – внешний LLR первого<br />
1,e t<br />
декодера после перемежения; yɶ t,0<br />
– принятый информационный бит после перемежения.<br />
Оценки p t,2<br />
( 1 ) и p t,2<br />
( 0 ) определяются по формулам [2], [3]<br />
pt,2<br />
( c )<br />
t<br />
ɶ ( ) 1 ɶ<br />
1, 1, ( )<br />
⎪1 + exp Λ ɶ ⎩ ⎣ 1, e ( ct ) ⎦<br />
при ct<br />
= 0<br />
⎧<br />
⎪<br />
exp Λ e ct ⎣<br />
⎡ + exp Λ e ct ⎦<br />
⎤ при ct<br />
= 1;<br />
= ⎨ ⎡ 1 ⎤<br />
.<br />
1 t ɶ 2, e t t,0 1, e t ,<br />
Тогда для первого декодера на следующей итерации Λ ( c ) = Λ ( c ) + 4y + Λ ( c )<br />
где ( c )<br />
Λ ɶ – внешний LLR второго декодера после перемежения.<br />
2,e t<br />
На второй итерации первый декодер вновь обрабатывает принятую из канала последовательность,<br />
но уже с учетом априорной информации, сформированной из оценки второго<br />
декодера на первой итерации. Эта дополнительная информация позволяет первому декодеру<br />
получить более точную оценку внешнего LLR, используемую вторым декодером в качестве<br />
17
априорных данных. В первых ′<br />
ρ итерациях логарифм отношения правдоподобия ( c )<br />
Λ вычисляется<br />
без учета статистики канала (грубо), а потому быстрее.<br />
′ 1 -й Λ c на выходе первого декодера вычисляет-<br />
На втором этапе в ( ρ + ) итерации 1 ( t )<br />
ся с учетом априорной информации Λ ɶ ( c )<br />
2,e t<br />
1 t<br />
, сформированной из оценки второго декодера<br />
на последней итерации первого этапа: ( ) ( ) ( ) 2<br />
Λ c = ln ⎡ p 1 p 0 ⎤ + 2y σ + Λ ( c )<br />
2<br />
или Λ ( c ) = Λ ɶ ( c ) + 2y σ + Λ ( c )<br />
1 t 2, e t t,0 1, e t<br />
1 t ⎣ t,1 t,1 ⎦ t,0 1, e t ,<br />
, где<br />
2<br />
σ – дисперсия шума в гауссовском канале.<br />
Заметим, что в отличие от первого этапа логарифм отношения правдоподобия Λ ( c t )<br />
вычисляется с учетом надежности канала (точнее), а следовательно, медленнее.<br />
Λ 2 ct = ln ⎡⎣ pt,2 1 pt<br />
,2 0 ⎤ ⎦ +<br />
Аналогично предыдущему LLR второго декодера ( ) ( ) ( )<br />
2<br />
2<br />
+ y σ + Λ ( c ) , или Λ ( c ) = Λ ( c ) + 2y σ + Λ ( c )<br />
2 t ,0 2, e t<br />
ɶ .<br />
2 t 1, e t t,0 2, e t<br />
После ρ итераций второй декодер выдает оценки информационных бит по правилу<br />
( ct<br />
)<br />
( c )<br />
⎧1 при Λɶ<br />
⎪ 2 ≥ 0;<br />
cˆ<br />
t = ⎨<br />
0 при Λ ɶ<br />
⎪⎩ 2 t < 0.<br />
Эффективность предложенного алгоритма оценивалась с помощью машинного моделирования<br />
для турбо-кода со скоростью R = 1 3, включающего составные рекурсивные сверточные<br />
коды с порождающими многочленами, заданными в восьмеричной форме: g 1 = 58<br />
(в цепи<br />
обратной связи) и g 2 = 78<br />
, а также псевдослучайный перемежитель-деперемежитель.<br />
Максимальное количество итераций равнялось 8, длина информационного кадра составляла<br />
320, 640 и 1024 бит. В гауссовском канале применялась двоичная фазовая модуляция.<br />
Алгоритмы SOVA, Log-МАР и двухэтапный сравнивались по значению вероятности<br />
ошибки на бит Р b и времени декодирования на бит T б . На рис. 1 показана зависимость<br />
вероятности Р b от отношения сигнал/шум q при различных значениях ρ ′ . Видно, что по<br />
P<br />
0 0.5 1.0 1.5 q<br />
10 − b<br />
10 − 1<br />
10 − 2<br />
10 − 3<br />
10 − 4<br />
5<br />
6<br />
10 −<br />
18<br />
Log-MAP<br />
SOVA<br />
3<br />
5<br />
2<br />
4<br />
ρ ′ = 1<br />
T б , мс<br />
N = 1024<br />
9<br />
5<br />
0 2 4 6 ρ ′<br />
Рис. 1 Рис. 2<br />
7<br />
640<br />
320
помехоустойчивости двухэтапный алгоритм занимает промежуточное положение относительно<br />
алгоритмов SOVA и Log-МАР.<br />
На рис. 2 представлена зависимость затрат времени декодирования T б в расчете на<br />
бит кода от числа итераций ρ ′ для нескольких N . Заметим, случай ρ ′ = 0 соответствует<br />
алгоритму Log-MAP, а ρ ′ = 8 – алгоритму SOVA. При увеличении ρ ′ задержка декодирования<br />
и помехоустойчивость уменьшаются. Совместное использование графиков на рис. 1<br />
и 2 позволяет установить, за счет каких потерь в помехоустойчивости может быть снижена<br />
задержка декодирования. Например, при ρ ′ = ρ 2 = 4 задержка декодирования двухэтапного<br />
алгоритма уменьшается примерно в 1.5 раза, что сопровождается потерями в помехоустойчивости<br />
0.3 дБ при<br />
P b<br />
−4<br />
= 10 .<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Скляр Б. Цифровая связь. Теоретические основы и практическое применение / Пер. с англ. М.: Вильямс,<br />
2003. 1104 с.<br />
2. Vucetic B., Jinhong Y. Turbo codes. Principles and applications. Boston–Dordrecht–London: Kluwer Academic<br />
Publishers, 2000. 312 с.<br />
3. Heegard C., Wicker S. B. Turbo coding. Boston–Dordrecht–London: Kluwer Academic Publishers. 1999. 206 с.<br />
V. N. Smirnov, Ta Viet Hung<br />
TWICE-STEP ITERATIVE DECODING ALGORITHM FOR TURBO CODES<br />
The results of efficiency estimation for the iteration decoding algorithm for turbo-codes<br />
are given. For the first iterations Viterbi algorithm with the soft output is used, for the latter<br />
ones algorithm based on maximum of a posteriori probability is applied.<br />
Turbo code, algorithm iterative decoding, log-likelihood ratio<br />
Статья поступила в редакцию 11 октября 2005 г.<br />
УДК 621.396.98<br />
В. М. Жилинский, Ю. В. Напольская<br />
К ОЦЕНКЕ УМЕНЬШЕНИЯ ВРЕМЕНИ ПОИСКА<br />
СИГНАЛОВ СПУТНИКОВЫХ РАДИОНАВИГАЦИОННЫХ<br />
СИСТЕМ ПРИ ИСПОЛЬЗОВАНИИ МНОГОКАНАЛЬНЫХ<br />
КОРРЕЛЯЦИОННЫХ ОБНАРУЖИТЕЛЕЙ<br />
Оценен выигрыш по времени при использовании многоканальной последовательной<br />
процедуры поиска сигналов спутниковых радионавигационных систем GPS и ГЛОНАСС<br />
в двух режимах работы. Определена эффективность увеличения числа анализаторов в<br />
канале с точки зрения уменьшения времени поиска.<br />
GPS, ГЛОНАСС, многоканальный корреляционный обнаружитель, последовательная процедура<br />
обнаружения, связанные ресурсы, время анализа частотно-временной ячейки, время отвержения<br />
Для получения навигационных параметров потребителя – координат, вектора скорости<br />
движения – необходимо измерить значения радионавигационных параметров (РНП).<br />
Априорная неопределенность РНП возникает из-за неопределенности задержки дальномерного<br />
кода и из-за неизвестного сдвига несущей частоты за счет эффекта Доплера. В<br />
© В. М. Жилинский, Ю. В. Напольская, <strong>2006</strong><br />
19
целях анализа двухмерная область неопределенности РНП, опирающаяся на эти параметры<br />
(область поиска), разбивается на элементарные ячейки. Размер области поиска по частоте<br />
определяется не только динамикой конкретного потребителя, но и динамикой навигационного<br />
космического аппарата и нестабильностью местного генератора. В зависимости<br />
от указанных величин область поиска может составлять до нескольких сотен тысяч<br />
элементарных ячеек. Поиск сигнала состоит в последовательной проверке каждой ячейки<br />
на предмет наличия или отсутствия в ней сигнала [1].<br />
Для уменьшения времени поиска в настоящей статье использована усеченная последовательная<br />
процедура с одним "шумовым" порогом. Целесообразность использования подобной<br />
процедуры можно объяснить следующим образом. Поскольку в области поиска, состоящей<br />
из большого числа ячеек, только одна ячейка имеет отвечающие сигналу параметры, а<br />
все остальные являются "шумовыми", то более действенной является оптимизация анализа<br />
именно "шумовых" ячеек, так как на их анализ уходит практически все время поиска. Принятие<br />
решения об отсутствии сигнала реализуется сравнением с "шумовым" порогом.<br />
Рассматриваемая модифицированная процедура описывается следующим образом:<br />
• если значение решающей статистики ниже "шумового" порога, принимается решение<br />
об отсутствии сигнала и переходе на анализ следующей элементарной ячейки;<br />
• если значение решающей статистики выше "шумового" порога, то анализ текущей элементарной<br />
ячейки продолжается.<br />
Наблюдение ведется до тех пор, пока накопленное значение статистики не окажется<br />
ниже порога. Однако, если ячейка является "сигнальной" или возникает ложная тревога,<br />
результат накопления в ней в течение ряда шагов будет выше "шумового" порога. В этом<br />
случае вводится ограничение на время анализа, называемое временем усечения, по истечении<br />
которого при превышении решающей статистикой порога принимается решение о<br />
наличии сигнала и анализ ячейки заканчивается. Последовательная процедура с таким<br />
правилом решения является усеченной.<br />
Таким образом, при реализации последовательной процедуры обнаружения время<br />
анализа каждой ячейки из области поиска является случайной величиной.<br />
Для получения вероятностно-временных характеристик усеченной последовательной<br />
процедуры использовалась методика пошагового расчета [2], позволяющая получить<br />
распределение вероятности времени окончания анализа "шумовых" позиций, называемого<br />
также временем отвержения шумовой ячейки, или просто временем анализа t а .<br />
Дискретное распределение вероятности времени отвержения шумовой ячейки можно<br />
определить через вероятность продолжения анализа на i-м шаге, обозначенную как<br />
20<br />
aa i :<br />
i−1<br />
Pотв<br />
( i) = ( 1 − aai<br />
) ∏ aak<br />
; i = 2, 3, …,<br />
n , (1)<br />
k = 1<br />
поскольку вероятность закончить анализ на i-м шаге есть вероятность того, что накопления на<br />
i-м шаге окажутся ниже порога, хотя на всех предыдущих ( i − 1)<br />
шагах они превышали порог.<br />
На основании описанного метода расчета вероятностно-временных характеристик последовательной<br />
процедуры обнаружения было произведено моделирование в среде MatLab.<br />
На рис. 1 представлено расчетное распределение вероятности времени окончания анализа
шумовой ячейки и аналогичное распределение<br />
вероятности, полученное в результате<br />
эксперимента, проведенного с использованием<br />
приемовычислительного модуля 1К-161<br />
(разработка Российского института радионавигации<br />
и времени). В ходе эксперимента<br />
оценивалось время, затрачиваемое на анализ<br />
каждой элементарной ячейки из области поиска,<br />
объем выборки составлял ( ) 5<br />
2… 5 10 .<br />
Следует отметить, что как расчетное, так и экспериментальное распределение плотности<br />
вероятности являются дискретными, но на рис. 1 для удобства восприятия представлена<br />
аппроксимация соответствующих распределений непрерывными функциями. Из<br />
представленных данных можно сделать вывод о хорошем согласовании расчетного и экспериментального<br />
распределений и о возможности использования полученного аналитическим<br />
путем распределения в дальнейших расчетах.<br />
В настоящее время представляет интерес процедура поиска сигнала с помощью многоканального<br />
корреляционного обнаружителя, когда одновременно просматривается не<br />
одна, а несколько элементарных ячеек. В этом случае в каждом канале обнаружителя используется<br />
несколько корреляторов (анализаторов), каждый из которых анализирует свою<br />
частотно-временную ячейку поиска. Эти анализаторы могут быть независимыми или зависимыми<br />
(связанными). Независимые анализаторы имеют индивидуальные генераторы<br />
опорных сигналов: дальномерного кода и несущей частоты. Для снижения стоимости и количества<br />
оборудования многоканальные корреляционные обнаружители реализуются в<br />
связанном виде. В них имеется только один общий механизм изменения задержки и частоты<br />
опорного сигнала, и поэтому такая связанная группа анализаторов может перейти на<br />
анализ следующих ячеек поиска только вместе и одновременно. Необходимо отметить, что<br />
для многоканального последовательного обнаружителя изменяется правило принятия решения.<br />
Решение об отсутствии сигнала в анализируемых ячейках принимается только тогда,<br />
когда накопления во всех каналах окажутся ниже шумового порога.<br />
Следует отметить, что при работе со связанными ресурсами возможны 2 варианта<br />
организации их совместной работы.<br />
При первом варианте работы те корреляторы, накопления в которых на некотором,<br />
например j-м, шаге анализа стали ниже порога, отключаются и в дальнейшем анализе текущих<br />
ячеек не участвуют. Как только накопления в последнем анализаторе из оставшихся<br />
также становятся ниже порога, анализ этих ячеек заканчивается и вся группа корреляторов<br />
перестраивается на анализ следующих ячеек. Назовем этот вариант вариантом работы<br />
многоканального обнаружителя в режиме отключаемых ресурсов.<br />
При втором варианте все корреляторы продолжают анализ, пока накопления во всех<br />
корреляторах на некотором, например j-м, шаге не станут ниже порога, в этом случае анализ<br />
заканчивается. Этот вариант назовем вариантом работы многоканального обнаружителя<br />
в режиме неотключаемых ресурсов.<br />
P отв<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
Расчет<br />
Эксперимент<br />
0<br />
1 5 9 13 t а , мс<br />
Рис. 1<br />
21
В литературе [1] встречается мнение о том, что увеличение количества анализаторов в<br />
N раз ведет к росту скорости просмотра области поиска также в N раз. Однако из-за связанности<br />
ресурсов увеличение скорости поиска оказывается несколько меньше ожидаемого.<br />
Рассмотрим систему из N корреляторов, осуществляющих параллельный анализ в N<br />
элементарных ячейках области поиска при исключении из дальнейшего анализа тех корреляторов,<br />
накопления в которых становятся ниже порога. Допустим, что на i-м шаге анализа накопления<br />
в M корреляторах стали ниже порога, хотя на всех предыдущих ( i − 1)<br />
шагах они<br />
были выше порога. Тогда согласно режиму работы обнаружителя эти M корреляторов отключаются<br />
и в дальнейшем анализе не участвуют. На следующем ( i + 1)<br />
-м шаге накопления в K<br />
из оставшихся корреляторов ( K = N − M ) стали ниже порога и они тоже отключаются, и т. д.<br />
Предположим, что на некотором ( n − 1)<br />
-м шаге анализа остался всего один работающий коррелятор<br />
и на следующем, n-м шаге анализа, он также закончил работу. Следовательно, после<br />
выполнения n шагов последовательного анализа принимается решение об отсутствии сигнала<br />
в просмотренных N ячейках и все N корреляторов перестраиваются для продолжения поиска<br />
в следующих N ячейках. Таким образом, время анализа всей группы ячеек T N равняется времени<br />
работы последнего коррелятора, т. е. максимальному значению времени работы среди<br />
всех корреляторов, так как окончания работы именно этого последнего коррелятора "ожидали"<br />
все остальные. Это можно записать как T max [ T ]<br />
22<br />
N<br />
= i ( i<br />
T – время окончания анализа для<br />
i-го коррелятора, являющееся случайной величиной и имеющее закон распределения вероятности,<br />
полученный ранее для одного коррелятора).<br />
Задача нахождения распределения максимальной из нескольких случайных величин<br />
известна и описана в [3]. Функция распределения максимальной из N независимых случайных<br />
величин, функции распределения которых известны, равна их произведению:<br />
F ( x) = F ( x) F ( x) F ( x) ⋅…<br />
⋅ F ( x)<br />
или, в данном случае:<br />
N<br />
N<br />
1 2 3<br />
N<br />
( ) ( )<br />
F iT F iT<br />
N<br />
и = 1 и , (2)<br />
где T и – время интегрирования, т. е. время, затрачиваемое на один шаг последовательной<br />
процедуры.<br />
Функцию распределения времени отвержения для одного коррелятора F1 ( iT и ) можно<br />
получить интегрированием полученного ранее распределения времени отвержения (1):<br />
i<br />
1( и ) = ∑ отв ( и ) .<br />
k = 1<br />
F iT P kT<br />
Продифференцировав интегральное распределение времени отвержения ( )<br />
F iT (2),<br />
получим распределение вероятности времени отвержения для N корреляторов.<br />
На основании описанной методики были рассчитаны зависимости распределений<br />
вероятности времени отвержения и его среднего значения от числа корреляторов в канале.<br />
В табл. 1 приведены значения среднего времени отвержения для нескольких значений<br />
числа корреляторов, полученные расчетным и экспериментальным путями (эксперимент<br />
проводился способом, аналогичным изложенному ранее).<br />
N<br />
и
Таблица 1<br />
N 1 2 3 4 5 10 20 40 100 200 300<br />
t Эксперимент 3.45 4.59 5.12 5.73 5.98 7.71 9.87 12.39 16.06 19.02 20.8<br />
а , мс Расчет 3.51 4.60 5.45 6.13 6.70 8.71 11.01 13.58 17.29 20.29 22.10<br />
Ранее отмечалось, что связанность ресурсов ведет к выигрышу во времени, несколько<br />
меньшему, чем выигрыш, прямо пропорциональный числу связанных корреляторов.<br />
Поясним это на основе полученных результатов. Среднее время анализа шумовой ячейки<br />
одним коррелятором составляет 3.51 мс (табл. 1). Тогда среднее время анализа двух ячеек<br />
одним коррелятором последовательно равно 7.02 мс, а анализ двух ячеек двумя связанными<br />
корреляторами занимает 4.6 мс, т. е. выигрыш по сравнению с первым вариантом составит<br />
1.53 раза вместо ожидаемых двух раз. Таким образом, для двух связанных анализаторов<br />
имеем снижение эффективности в 2 1.53 = 1.31 раза, или, что то же самое, увеличение<br />
среднего времени отвержения в 1.31 раза.<br />
Рассмотрим вариант принятия решения группой связанных ресурсов из N корреляторов<br />
с неотключаемыми ресурсами. Такой вариант работы приводит к некоторому увеличению<br />
среднего времени анализа за счет эффекта так называемого многократного пересечения порога.<br />
Имеется в виду следующее: в этом случае возможна ситуация, когда статистика в j-м корреляторе<br />
стабильно оказывалась ниже порога, однако он не отключался, поскольку в других<br />
корреляторах еще продолжался анализ. Предположим, что на i-м шаге результат накопления<br />
в j-м корреляторе превысил порог, тогда как во всех остальных ( N − 1)<br />
корреляторах он оказался<br />
ниже порога. Однако из-за превышения порога в j-м корреляторе все остальные продолжат<br />
анализ, увеличивая его продолжительность как минимум на один шаг. На ( i + 1)<br />
-м<br />
шаге результат накопления в указанном j-м корреляторе может вновь оказаться ниже порога,<br />
однако в каком-либо из других каналов может оказаться выше и анализ продолжится. Необходимо<br />
оценить увеличение среднего времени анализа области поиска из-за эффекта многократного<br />
пересечения порога по сравнению с режимом отключаемых ресурсов.<br />
Методика расчетов основывалась на подходе, приведенном в [4], и так же, как и при<br />
расчете времени отвержения для одного коррелятора, базировалась на рекуррентной процедуре<br />
получения условных распределений вероятности перехода на следующий шаг анализа<br />
с учетом особенностей данного варианта работы. Расчет проводился только для случая<br />
анализа шумовых позиций. Применение такой процедуры позволило получить следующее<br />
аналитическое выражение для распределения вероятности времени отвержения N<br />
связанных корреляторов, работающих в режиме неотключаемых ресурсов:<br />
i−1<br />
N<br />
N<br />
Pотв<br />
( iTи<br />
) = ( 1− aa )<br />
⎡<br />
i 1 ( 1 aak<br />
)<br />
⎤<br />
∏ ⎣ − − ⎦; i = 2, 3, …,<br />
n .<br />
k = 1<br />
При N = 1 это выражение сводится к (1), полученному для одного канала последовательного<br />
обнаружения.<br />
На основании описанной методики рассчитаны зависимости распределений вероятности<br />
времени отвержения и его среднего значения от числа корреляторов в канале для рассмотренного<br />
случая. В табл. 2 приведены значения среднего времени отвержения для нескольких значений<br />
числа корреляторов, полученные расчетным и экспериментальным путями.<br />
23
Таблица 2<br />
N 1 2 3 4 5 10 20 40 100 200 300<br />
t Эксперимент 3.48 4.66 5.36 6.16 6.49 8.77 11.80 15.26 20.09 23.95 26.21<br />
а , мс Расчет 3.51 4.55 5.45 6.22 6.90 9.39 12.36 15.65 20.21 24.15 26.52<br />
Сравнение двух режимов работы. Сравним зависимость среднего времени отвержения<br />
от количества связанных корреляторов N, работающих в режимах отключаемых<br />
(рис. 2, 1) и неотключаемых ресурсов (рис. 2, 2). Из рисунка видно, что для малого количества<br />
связанных ресурсов в использовании того или иного режима нет большой разницы.<br />
Однако при увеличении их числа разница становится все более существенной и выигрыш в<br />
среднем времени анализа ячейки при использовании режима отключаемых ресурсов становится<br />
очевиден. Так, например, если для 10 корреляторов разница в среднем времени отвержения<br />
для двух режимов составляет 7.8 %, то для 100 связанных корреляторов работа в<br />
режиме отключаемых ресурсов приводит к уменьшению среднего времени уже на 18.3 %.<br />
Коэффициент увеличения скорости анализа N элементарных ячеек области поиска<br />
группой из N корреляторов по сравнению с последовательным просмотром этих же ячеек<br />
одним коррелятором определяется как ( NT )<br />
T и<br />
η N = 1 TN<br />
, где 1<br />
T N – средние времена<br />
анализа одной элементарной ячейки одним коррелятором и N элементарных ячеек N корреляторами<br />
соответственно.<br />
На рис. 3 представлены зависимости коэффициента η N = f ( N ) для анализа с отключаемыми<br />
(1) и неотключаемыми (2) ресурсами. Некоторые конкретные значения представлены<br />
в табл. 3. Из рис. 3 следует, что скорость анализа ячеек растет медленнее, чем<br />
количество корреляторов.<br />
Как видно из табл. 3, влияние связанности ресурсов приведет к тому, что при использовании<br />
2000 корреляторов увеличение скорости анализа составит всего лишь 235.81 раза для режима<br />
отключаемых ресурсов и 188.20 раза для режима неотключаемых ресурсов. Очевидна и<br />
разница в значениях скорости анализа для режимов отключаемых и неотключаемых ресурсов.<br />
По результатам проведенных исследований можно сделать вывод, что с точки зрения<br />
сокращения среднего времени анализа целесообразнее организовывать работу связанных<br />
корреляторов в режиме отключаемых ресурсов, причем выигрыш во времени будет тем заметнее,<br />
чем большее количество корреляторов планируется использовать как связанные.<br />
а , мс<br />
η N<br />
30<br />
200<br />
t<br />
500 1000 1500 N<br />
20<br />
10<br />
1<br />
2<br />
150<br />
100<br />
50<br />
2<br />
1<br />
24<br />
0<br />
0 500 1000 1500 N<br />
Рис. 2 Рис. 3<br />
Таблица 3<br />
N 2 3 4 5 10 20 100 600 1000 1600 2000<br />
η<br />
Отключаемые ресурсы 1.53 1.94 2.29 2.62 4.04 6.39 20.45 85.02 130.24 194.46 235.81<br />
N Неотключаемые ресурсы 1.54 1.93 2.26 2.54 3.74 5.68 17.37 69.41 105.34 155.96 188.20
В целом использование многоканальных корреляционных обнаружителей позволяет<br />
увеличить скорость анализа частотно-временных ячеек, а следовательно, уменьшить время,<br />
затрачиваемое на поиск сигналов, и время первого обнаружения. Значение коэффициента увеличения<br />
скорости анализа зависит от количества каналов и от количества корреляторов в канале:<br />
чем больше число привлекаемых дополнительных ресурсов, тем выше коэффициент.<br />
Однако эффект связанности ресурсов приводит к несколько меньшим, чем ожидаемые, значениям<br />
коэффициента увеличения скорости анализа. Показано, что для повышения значения коэффициента<br />
целесообразнее организовать работу связанных ресурсов в режиме отключаемых.<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Глобальная спутниковая навигационная система ГЛОНАСС. М: ИПРЖР, 1998. 360 с.<br />
2. Бакут П. А. Теория обнаружения сигналов. М: Радио и связь, 1984. 460 с.<br />
3. Тихонов В. И. Статистическая радиотехника. М: Радио и связь, 1982. 624 с.<br />
4. Розанов Б. А., Соловьев Г. Н. К оценке эффективности многоканального последовательного анализа с<br />
одновременным принятием решений в каналах // Радиотехника и электроника. 1976. № 6. С. 1235–1241.<br />
5. Поиск, обнаружение и измерение параметров сигналов в радионавигационных системах / В. П. Ипатов,<br />
Ю. М. Казаринов, Ю. А. Коломенский, Ю. Д. Ульяницкий. М.: Сов. радио, 1975. 296 с.<br />
V. M. Zhilinsky, J. V. Napolskaya<br />
USING A MULTI-CHANNEL CORRELATION DETECTOR FOR SATELLITE RADIO NAVIGATION SYSTEM<br />
SIGNAL SEARCH TIME REDUCTION<br />
This paper presents a study of multi-channel correlation detector and its application to<br />
satellite radio navigation system (such as GPS and GLONASS) signal acquisition. The signal<br />
search time reduction is estimated when using sequential detection procedure. The effectiveness<br />
of correlator quantity increase per channel is investigated in respect to signal search time<br />
reduction.<br />
GPS, ГЛОНАСС, multi-channel correlation detector, sequential detection procedure, consolidated resources,<br />
time-frequency cell analysis time, rejection time<br />
Статья поступила в редакцию 10 января <strong>2006</strong> г.<br />
УДК 621.317.385.008.6<br />
Ю. А. Ахмедханов, А. В. Лисенков, А. В. Катушкин<br />
ПОМЕХИ ЭНЕРГОСЕТЕЙ<br />
В ДИАПАЗОНЕ ЧАСТОТ ПЕРЕДАЧИ ДАННЫХ<br />
Рассматриваются помехи энерголиний в широком диапазоне частот применительно<br />
к передаче данных по линиям энергосетей. Приводятся результаты измерений в<br />
виде временных реализаций и спектральных характеристик. Показано, что в результате<br />
режектирования сосредоточенных помех плотность распределения вероятности<br />
помех становится нормальной. Делается вывод о целесообразности использования для<br />
передачи данных сигналов с большой базой.<br />
Энергосети, передача данных по линиям энергосетей, помехи в энергосетях, статистика помех<br />
в энергосетях<br />
В последнее время проблема передачи данных по линиям электропередач приобрела<br />
большую актуальность в связи с интенсивным развитием разнообразных систем связи и передачи<br />
данных [1]. Использование повсеместно распространенных линий электропередач<br />
существенно сокращает затраты на построение телекоммуникационных систем.<br />
© Ю. А. Ахметдинов, А. В. Лисенков, А. В. Катушкин, <strong>2006</strong><br />
25
Энерголиния<br />
При передаче сообщений по энерголиниям<br />
возникает необходимость измерения<br />
характеристик помех в используемом<br />
диапазоне частот. Кроме того, представляет<br />
научный и практический интерес исследование статистических свойств помех во всем<br />
диапазоне частот, доступном для проведения измерений.<br />
Для отечественных линий электропередач характерен высокий уровень шумов [1]. В связи<br />
с этим особую значимость приобретает проблема обеспечения требуемой помехоустойчивости<br />
передачи данных по линиям электропередач, а следовательно, знание помех энерголиний.<br />
Поскольку источники помех весьма разнообразны, то и типы помех в линиях различны<br />
[2]. В сложной помеховой обстановке, при малых значениях отношения сигнал/шум<br />
традиционные методы передачи на основе фазовой и частотной модуляций не в<br />
состоянии обеспечить необходимую помехоустойчивость. Хорошо зарекомендовали себя<br />
в этом отношении широкополосные сигналы с большой базой 1 [3]. В связи с этим был<br />
проведен ряд измерений для оценки характеристик помех в линиях электропередач напряжением<br />
0.4 кВ с целью выяснения возможности применения таких сигналов для передачи<br />
данных. Далее приводятся результаты измерений и их обработки.<br />
Основным элементом измерительной установки (рис. 1), определяющим результаты измерений,<br />
является устройство подключения (согласования с энерголинией). Для того чтобы<br />
экспериментально полученные данные были по возможности более адекватны шумовым процессам,<br />
происходящим в линиях электропередач, коэффициент передачи устройства подключения<br />
выбирался исходя из диапазона частот, необходимого для передачи данных. Амплитудно-частотная<br />
характеристика устройства подключения приведена на рис. 2. В качестве цифрового<br />
осциллографа использовался цифровой запоминающий осциллограф фирмы Velleman<br />
PCS 500, на базе которого была реализована обработка данных на ПК в среде MATHLAB.<br />
В результате проведенных измерений были получены выборки шума в линии электропередач<br />
напряжением 0.4 кВ, 4 из которых показаны на рис. 3.<br />
На основе полученных данных был построен нормированный амплитудно-частотный<br />
спектр помех (рис. 4, а) и проведен анализ плотности распределения помех в линии.<br />
На рис. 5, а показаны полученная экспериментально гистограмма плотности распределения<br />
1 и ее аппроксимация нормальным законом 2. Результаты измерений и анализа плотности<br />
K<br />
0.20<br />
0.15<br />
0.10<br />
0.05<br />
0<br />
Устройство<br />
подключения<br />
Рис. 1<br />
Рис. 2<br />
Цифровой<br />
осциллограф<br />
8 16 24 f , МГц<br />
распределений помех подтверждают, что с<br />
вероятностью 90 % статистическая гипотеза о<br />
нормальном распределении достоверна.<br />
В частотной области видно, что спектр<br />
шума в линии электропередач содержит множество<br />
узкополосных помех (рис. 4, а). С целью<br />
минимизации их влияния они были подвергнуты<br />
режектированию. Вид полученного в<br />
результате этого спектра приведен на рис. 4, б.<br />
1 http://entels.ru/libdoc/1/36_1.shtml<br />
26
U , В<br />
U , В<br />
2<br />
2<br />
0<br />
0<br />
– 2<br />
– 4<br />
U , В<br />
0 2 4 6 8 t , мкс<br />
– 2<br />
– 4<br />
U , В<br />
0 2 4 6 8 t , мкс<br />
2<br />
2<br />
0<br />
0<br />
– 2<br />
– 2<br />
– 4<br />
0 2 4 6 8 t , мкс<br />
Рис. 3<br />
После удаления сосредоточенных помех плотность их распределения стала более соответствовать<br />
гауссовскому закону (рис. 5, б) в смысле критерия Колмогорова–Смирнова.<br />
Таким образом, анализируя результаты обработки экспериментальных данных, полученных<br />
в линиях электропередач напряжением 0.4 кВ, можно отметить большой уровень негауссовских<br />
помех и, следовательно, целесообразность применения методов передачи сообщений<br />
на основе сигналов с большой базой, позволяющих более успешно их исключать.<br />
– 4<br />
0 2 4 6 8 t , мкс<br />
S<br />
S<br />
0.6<br />
0.02<br />
0.3<br />
0.01<br />
0 5 10 15 20 f , МГц<br />
p<br />
а<br />
Рис. 4<br />
0 5 10 15 20 f , МГц<br />
p<br />
б<br />
0.3<br />
2<br />
0.3<br />
1<br />
0.2<br />
0.2<br />
0.1<br />
1<br />
0.1<br />
2<br />
0<br />
– 6 – 4 – 2 0 2 U , В<br />
а<br />
Рис. 5<br />
0<br />
– 4 – 2 0 2 U , В<br />
б<br />
27
СПИСОК ЛИТЕРАТУРЫ<br />
1. Ефремов В. Е. Передача сообщений по распределительным сетям 6–35 кВ. М.: Энергия, 1971. 256 с.<br />
2. К вопросу о помехах в линиях энергетических сетей / А. В. Катушкин, В. В. Копылов, А. В. Лисенков,<br />
А. К. Шашкин // Изв. СПбГЭТУ "ЛЭТИ". Сер. "Радиоэлектроника и телекоммуникации". 2003. Вып. 1. С. 45–48.<br />
Yu. A. Ahmedhanov, A. V. Lisenkov, A. V. Katushkin<br />
POWERLINES INTERFERENCE IN A DATA TRANSMISSION RANGE<br />
Powerlines interference to a data transmission by the power grid over a spread frequency<br />
range are considered. Results of measurements such as signal diagrams in time domain, statistical<br />
distributions, spectral characteristics, a narrow-band interference rejection are described.<br />
A transformation of the powerlines interference probability density function into the<br />
normal distribution as a result of the rejection is shown. Conclusion of an expediency of a<br />
spread spectrum signals usage for the data transmission is made.<br />
Power lines, data transmission over power lines, power grid lines interference, power line interference<br />
distributions<br />
Статья поступила в редакцию 27 сентября 2005 г.<br />
УДК 621.396.09<br />
А. В. Немов, Т. К. Хоанг<br />
МЕТОД АВТОКОРРЕКЦИИ МНОГОКАНАЛЬНОГО<br />
ЦИФРОВОГО РЕЖЕКТОРНОГО ФИЛЬТРА ПОМЕХ<br />
Представлен метод автоматической коррекции фильтра пространственной обработки<br />
сигналов на основе КИХ-фильтров, не требующий перерывов в работе обслуживаемой<br />
радиотехнической системы на время коррекции.<br />
Адаптивная фазированная антенная решетка, подавление помех<br />
Несмотря на значительный объем исследований, направленных на разработку методов<br />
подавления мешающих колебаний [1]–[5], целый ряд проблем в области пространственно-временной<br />
(частотной, поляризационной) многоканальной помехоустойчивой обработки<br />
сигналов остается практически не освещенным. К этим проблемам, в частности,<br />
относится адекватный учет реальных условий приема сигналов. Так, потенциальный ко-<br />
P<br />
−1 −1<br />
эффициент подавления мощности помех Kп<br />
= ∑ K определяется суммарным действием<br />
всех P декоррелирующих помеху по каналам приема факторов [2],<br />
пi<br />
i=<br />
1<br />
характеризуемых<br />
частными коэффициентами подавления<br />
K п i<br />
. К наименьшим частным коэффициентам,<br />
существенно снижающим общую эффективность режекции помех, помимо взаимовлияния<br />
антенн приводит рассогласование приемных каналов адаптивной фазированной антенной<br />
решетки (АФАР) по АЧХ и ФЧХ в полосе принимаемых частот [2], [3].<br />
Анализу особенностей практической реализации подавителей помех посвящено незначительное<br />
количество доступных публикаций [1]–[5]. Следует выделить работы [2]–<br />
[4], в которых обсуждаются методы уменьшения влияния неидентичности приемных антенных<br />
каналов АФАР на поведение радиотехнической системы с функцией пространст-<br />
28<br />
© А. В. Немов, Т. К. Хоанг, <strong>2006</strong>
венной избирательности. Общим для этих работ является цифровая реализация подавителей<br />
помех, включая управление характеристикой направленности (ХН) АФАР.<br />
В [2] предложено в качестве корректирующих цепей использовать фильтры с конечной<br />
импульсной характеристикой (КИХ-фильтры), в [3] предложена схема малопараметрической<br />
коррекции на фильтрах с бесконечной импульсной характеристикой (БИХ-фильтрах),<br />
а в [4] описана модель автокомпенсатора с коррекцией частотных характеристик каналов.<br />
Недостаток упомянутых работ заключается в том, что в [2] отсутствует цельное описание<br />
методики выравнивания каналов АФАР, а предложенные в [3], [4] методы коррекции не<br />
являются оперативными, требуют попарного сравнения каналов приемного устройства между<br />
собой и поэтому не обеспечивают функциональность корректируемой системы. Схема<br />
[3] в силу реализации на БИХ-фильтрах не обеспечивает линейности ФЧХ трактов, поэтому<br />
непригодна для устройств, где нормируется задержка прохождения сигналов.<br />
В настоящей статье изложен метод автоматической коррекции фильтра пространственной<br />
обработки сигналов (ПОС) на основе КИХ-фильтров, не требующий перерывов в<br />
работе обслуживаемой радиотехнической системы на время коррекции.<br />
Многоканальный фильтр и приведенная далее формализованная математическая запись<br />
алгоритма его функционирования могут быть использованы в различных приложениях.<br />
Пояснения будут даны на примере пространственно-временной обработки сигналов<br />
(ПВОС) спутниковой радионавигационной системы (СРНС).<br />
Описание алгоритма работы многоканального фильтра режекции помех. На<br />
рис. 1 изображена структурная схема многоканального пространственно-временного<br />
фильтра с корректирующими цепями, коэффициенты которого настраиваются особым образом.<br />
Здесь обозначено: ПФ – пространственный фильтр, ВФ – временной фильтр, M –<br />
количество каналов обработки данных, N – количество отводов (порядок) корректирующих<br />
КИХ-фильтров в каналах обработки; T – интервал дискретизации.<br />
Режекция помех заключается в формировании нулей ХН АФАР в направлениях помех<br />
с помощью пространственного вектора весовых коэффициентов (ВВК)<br />
т<br />
K = k1… ki… kM<br />
; i =∈ [ 1, M ] ( "т" – знак транспонирования). Коррекция неидентичностей<br />
и нестабильностей приемных каналов осуществляется с помощью ВВК временной<br />
обработки<br />
т<br />
i = vi1<br />
vij viN<br />
V … … ; i =∈ [ 1, M ]; j ∈ [ 1, N ]<br />
. Фильтр функционирует в двух режимах:<br />
автокоррекции и работы.<br />
Метод автоматической коррекции. Коррекция осуществляется с периодом, определяемым<br />
временем стабильности приемных трактов АФАР, по тест-сигналу с равномерным<br />
в полосе обработки спектром. В качестве тест-сигнала может быть использован "белый"<br />
шум, прошедший через полосовой фильтр с высокой степенью прямоугольности<br />
частотной характеристики и линейной фазовой характеристикой. Мощность тест-сигнала<br />
в полосе обработки должна существенно превышать ( > 5 дБ)<br />
мощность собственных шумов<br />
каналов. Тест-сигнал на входы корректируемых приемных каналов подается в фазах,<br />
имитирующих его прием с некоторого направления, не совпадающего с направлением по-<br />
29
ВФ<br />
x1 ( n ) x1 ( n − 1)<br />
x1 ( n − K + 1)<br />
T T T<br />
T<br />
v 11 v 12<br />
v 1i<br />
v 1( N − 1)<br />
v 1N<br />
Σ<br />
z 1<br />
ПФ<br />
k 1<br />
x2 ( n ) x2 ( n − 1)<br />
x2 ( n − K + 1)<br />
T T T T<br />
v 21 v 22<br />
v 2i<br />
v 2( N − 1)<br />
v 2N<br />
Σ<br />
z 2<br />
k 2<br />
Σ<br />
( ) y n<br />
xM ( n ) xM<br />
( n − 1)<br />
xM<br />
( n − K + 1)<br />
T T T T<br />
v M1 v M 2<br />
v Mi<br />
v M ( N − 1)<br />
v MN<br />
Σ<br />
z M<br />
k M<br />
лезных сигналов. По окончании коррекции для экономии вычислительных ресурсов и потребляемой<br />
мощности аппаратной части фильтра производится только ПОС.<br />
Существенная особенность предлагаемого метода заключается в том, что в момент коррекции<br />
проходит не только выравнивание АЧХ и ФЧХ приемных каналов между собой, но и<br />
подавление тест-сигнала, а полезный сигнал пропускается на выход. Таким образом, автокорректирующийся<br />
фильтр пригоден для передачи полезного сигнала в непрерывной моде.<br />
Выход фильтра в соответствии со схемой на рис. 1 описывается выражением<br />
M N<br />
y ( n) = ∑ ki<br />
( n) ∑ vij<br />
x( n − j + 1)<br />
, (1)<br />
i= 1 j=<br />
1<br />
где n – дискретное время.<br />
30<br />
Будем рассматривать стадию ПОС как частный случай ПВОС при vij<br />
( n ) = const . То-<br />
n<br />
гда выражение (1) целесообразно переписать в векторном виде ( ) т<br />
y n = X W , где<br />
т т т т<br />
X = X1 X j XN<br />
… … ; j [ 1, N ]<br />
– вектор-строка входной смеси сигналов и помех;<br />
т т т т<br />
W = W1 Wj WN<br />
∈ (2)<br />
т<br />
j = x j1<br />
x ji x jM<br />
… … ; j [ 1, N ]<br />
– универсальный вектор-строка весовых коэффициентов;<br />
wij<br />
kivij<br />
Рис. 1<br />
X … … ; i [ 1, M ]<br />
∈ ;<br />
∈ (3)<br />
т<br />
j = wj1<br />
w ji wjM<br />
W … … ; i [ 1, M ]<br />
∈ ;<br />
= . В результате W = V ⊗ K , где ⊗ – операция кронекерова умножения векторов.
Пусть мощность полезного сигнала в полосе обработки существенно ниже мощности<br />
собственных шумов каналов (что характерно для СРНС и ряда других систем). Тогда прием<br />
сигнала не влияет на качество коррекции.<br />
Очевидно, что при использовании указанного мощного широкополосного тестсигнала<br />
будет происходить автоматическое выравнивание (equalization) каналов фильтра,<br />
если произвести минимизацию мощности процесса на выходе фильтра при совместной<br />
адаптивной оптимизации всех коэффициентов<br />
w ij . При этом погрешности коррекции минимизируются.<br />
Если обеспечено поступление тест-сигнала на вход каналов в одинаковых<br />
начальных фазах и k 1; i [ 1, M ]<br />
i<br />
= ∈ , то каналы будут выравнены и по начальной фазе. Отметим,<br />
что выравнивание по начальной фазе целесообразно только при включении электропитания<br />
аппаратуры либо при отсутствии сигнала, поскольку иначе подавляется актуальное<br />
направление под прямым углом к плоскости АФАР.<br />
На рабочей стадии может быть использован любой критерий адаптации весов k i при<br />
vij<br />
( n ) = const , в частности тот же критерий минимизации мощности выходного процесса<br />
n<br />
без сопровождения полезного сигнала. Тогда синтезировать многоканальный фильтр можно<br />
с единых позиций аналогично [6].<br />
В матричном виде выражение для оптимального ВВК выглядит следующим образом:<br />
при ограничении<br />
B , где C и B – векторы ограничений, причем B – как правило, единичный;<br />
( т н<br />
) т ⎫⎪<br />
{ н ∗<br />
⎬<br />
т } { н<br />
}<br />
⎧⎪<br />
W0 = min ⎨ X W X W = min W X X W = min W RW (4)<br />
W ⎪⎩<br />
⎪⎭<br />
W W<br />
т<br />
C W =<br />
∗ т<br />
R = X X – усредненная корреляционная матрица отсчетов входного вектора данных,<br />
учитывающая L помех (тест-сигнал отнесен к помехам) и шумы:<br />
c<br />
L<br />
∑ пm<br />
ш ;<br />
R = R + R + R<br />
"н" и<br />
" ∗ " – символы эрмитового и комплексного сопряжений соответственно.<br />
Раскрыв выражение (4), алгоритм адаптации ВВК по минимуму мощности можно<br />
записать в форме [6]:<br />
где ( т<br />
−<br />
) 1<br />
P<br />
[ ] ( )<br />
m=<br />
1<br />
W ( n) = P W ( n −1) − µ RW ( n − 1)<br />
+ W 0 , (5)<br />
т<br />
= I − C C C C ( I – единичная матрица); µ – максимальное собственное число<br />
матрицы R ; W ( 0)<br />
– начальный ВВК.<br />
Для уменьшения необходимой производительности сигнального процессора и соответственно<br />
потребляемой им мощности этап автокоррекции (ПВОС) должен занимать ограниченное<br />
время, достаточное для завершения переходного процесса за р итераций. Рабочий<br />
этап – адаптация ВВК при ПОС – продолжается с ( p + 1)<br />
-й по q-ю итерацию. Затем<br />
процедура коррекции повторяется.<br />
31
Стадия автокоррекции. Шаги итерации r [ 1, q]<br />
∈ .<br />
Выходной сигнал фильтра с учетом выражений (2), (3) описывается следующим образом:<br />
( ) т<br />
y r = X ( r ) ⎡ V ( r) ⊗ K ( r) ⋯ K ( r) т ⎤<br />
⎢ ⎥<br />
, где ( )<br />
т<br />
K r = k1… kM<br />
= I (I – единичный вектор).<br />
⎢⎣<br />
N ⎥⎦<br />
т<br />
Отсюда V ( r) = W ( r)<br />
. Тогда y ( r) = W ( r ) X ( r)<br />
, где W ( r)<br />
определяется по формуле (5) в<br />
рекуррентной процедуре.<br />
* т<br />
= 1− ξ − 1 + ξX X , где<br />
R r R r r r<br />
Корреляционная матрица имеет вид: ( ) ( ) ( ) ( ) ( )<br />
R ( 0)<br />
= 0 , параметр ξ = 2 p<br />
, что эквивалентно вычислению среднего за p тактов соответствующей<br />
стадии или на интервале времени pT .<br />
Стадия ПОС (рабочая стадия). Шаги итерации r [ q 1, p]<br />
∈ + .<br />
На этой стадии временные коэффициенты ВФ не изменяются, поэтому V( r)<br />
= V q .<br />
Выход фильтра описывается матричным соотношением y ( r) = Z ( r) K ( r)<br />
, где с<br />
учетом выражений (2), (3)<br />
где<br />
т<br />
т<br />
⎡ X ( r) V ( )<br />
1 r ⎤ X ( r) = x<br />
ПОС<br />
11<br />
( r )... x ( ) ( )<br />
⎢ 1 ⎥ ПОС<br />
j1 r ... xN1<br />
r ;<br />
1<br />
⎢ ⋯ ⎥ ⋯<br />
Z( r)<br />
= ⎢ т<br />
X ( r) V ( )<br />
ПОС i r ⎥ т<br />
; X ( r) = x ( ) ( ) ( )<br />
⎢ i ⎥<br />
ПОС 1i r ... x ji r ... xNi<br />
r ; .<br />
i<br />
⎢ ⋯ ⎥<br />
⋯<br />
т<br />
⎢ ПОС<br />
( r) ( )<br />
т<br />
⎣<br />
X V<br />
M M r ⎥ X ( ) ( ) ( ) ( )<br />
⎦ ПОС r = x1<br />
... ... .<br />
M M r x jM r xNM<br />
r<br />
ВВК ПФ по аналогии с формулой (3) рассчитывается следующим образом:<br />
z<br />
K ( r) = P ⎡⎣<br />
K 1( r −1) − µ zRzz<br />
K 1( r −1)<br />
⎤ ⎦ + K 0 ,<br />
µ – собственное число матрицы ( )<br />
( ) 0<br />
Rzz<br />
q = .<br />
R r ; ( ) ( ) ( ) ( ) ( )<br />
zz<br />
т<br />
* т<br />
R r = 1− ξ R r − 1 + ξZ r Z r ;<br />
Затем следует новая стадия автокоррекции и т. д.<br />
Анализ работы автокорректируемого фильтра. Характеристики режекции помех<br />
вследствие высокой сложности теоретических расчетов при учете неидентичностей приемных<br />
каналов АФАР определены на имитационной модели, созданной в среде Matlab 6.5. Рассмотрен<br />
пример подавления широкополосных помех в системе ГЛОНАСС с помощью бортовой АФАР.<br />
Результаты приведены для случая p = 50 000 , q = 50 000 , по окончании рабочего<br />
этапа стадия коррекции повторяется. Ширина полосы пропускания тракта ГЛОНАСС составляет<br />
16 МГц, частота дискретизации Fд = 1 T = 25 МГц . Статистика усреднена по десяти<br />
испытаниям. Использована гексагональная АФАР с расстоянием между элементами<br />
антенны d ≥ λ 2 , количество отводов ВФ равно 4. Тест-сигналом является сама помеха.<br />
Сигнально-помеховая ситуация. Координаты навигационного космического аппарата<br />
(0°, 0°) (на первой позиции приведен дополнительный угол места, на второй – азимут.<br />
Относительная мощность полезного сигнала – 20 дБ 1 .<br />
zz<br />
zz<br />
1 Мощности определяются по отношению к собственным шумам в полосе обработки.<br />
32
Рассмотрены 2 случая действия источников помех.<br />
Первый случай – действует одна широкополосная шумоподобная помеха с относительной<br />
мощностью в полосе приема 40 дБ, расположенная в плоскости горизонта в дальней<br />
зоне. Помеха нестационарная, в момент n = 60 000 ширина ее спектра изменяется с 8<br />
до 16 МГц.<br />
Второй случай – действует 6 широкополосных шумоподобных помех с суммарной<br />
относительной мощностью 40 дБ. Отдельные источники имеют мощности 0 дБ (на дополнительном<br />
угле места 85°), 15 дБ (75°), 20 дБ (80°), 30 дБ (45°), 35 дБ (82°) и 37.6 дБ (60°).<br />
Помехи стационарные, по азимуту распределены равномерно.<br />
Рассмотрен случай полной идентичности приемных трактов АФАР по АЧХ и ФЧХ и<br />
случай неидентичности, описываемый следующим образом:<br />
• утроенное среднеквадратическое отклонение (СКО) отклонения начальной фазы полосовых<br />
фильтров приемных каналов составляет 5°;<br />
• утроенное СКО отклонения АЧХ полосовых фильтров приемных каналов равно 0.5 дБ;<br />
• утроенное СКО отклонения полосы пропускания полосовых фильтров приемных каналов<br />
составляет 200 кГц;<br />
• утроенное СКО отклонения группового времени запаздывания (ГВЗ) в полосе пропускания<br />
полосовых фильтров приемных каналов равно 15 нс, интервал корреляции неоднородности<br />
ГВЗ и АЧХ фильтров составляет 1 МГц.<br />
Для оценки качества подавления помех выбраны параметры [6]: обобщенное отношение<br />
сигнал/(помеха + шум) η – главная характеристика и уровень подавления мощности<br />
помех (глубина подавления) k – вспомогательная характеристика.<br />
На рис. 2–4 приведены временные зависимости уровня подавления мощности помех<br />
k (рис. 2–4, а) и выходного обобщенного отношения сигнал/(помеха + шум) η (рис. 2–4, б)<br />
для различных помеховых ситуаций при идентичных и неидентичных каналах АФАР.<br />
Рис. 2 соответствует первой помеховой ситуации и идентичным по характеристикам каналам<br />
АФАР, рис. 3 – той же помеховой ситуации, но при неидентичных каналах, рис. 4 –<br />
второй помеховой ситуации при неидентичных каналах.<br />
Анализ зависимостей. При идентичных приемных каналах АФАР (рис. 2) качество<br />
функционирования алгоритма без коррекции (ПОС) (кривая 1) сопоставимо с качеством работы<br />
алгоритма при автокоррекции (двухэтапного) (кривая 2). Проигрыш алгоритма ПОС по<br />
значению η составляет 1…2 дБ. На зависимости подавления мощности помех двухэтапного<br />
алгоритма (рис. 2, а, 2) в момент n = 50 000 виден узкий "провал" характеристики подавления,<br />
объясняемый тем, что в этот момент вводится начальное значение ВВК K 0 . Далее подавление<br />
быстро восстанавливается. Алгоритм ПОС на всем интервале времени на 10…15 дБ<br />
выигрывает по глубине подавления помехи, что объясняется разными начальными условиями<br />
алгоритмов, установленными в эксперименте. Данный нюанс не имеет существенного значения,<br />
поскольку подавление с помощью обоих методов производится с большим запасом.<br />
На рис. 2 продемонстрировано влияние нестационарности помехи на качество работы<br />
алгоритмов при идентичных каналах. В момент n = 60 000 при скачкообразном расширении<br />
спектра помехи уровень подавления для двухэтапного алгоритма (рис. 2, а, 2) падает, так<br />
33
k , дБ<br />
η , дБ<br />
2<br />
74<br />
1<br />
– 17<br />
58<br />
2<br />
– 19<br />
1<br />
42<br />
0 3 6 9<br />
k , дБ<br />
30<br />
а<br />
1<br />
−4<br />
n⋅<br />
10<br />
Рис. 2<br />
– 21<br />
0 3 6 9<br />
η , дБ<br />
– 26<br />
б<br />
1<br />
−4<br />
n⋅<br />
10<br />
24<br />
18<br />
2<br />
0 3 6 9<br />
а<br />
– 33<br />
– 40<br />
−4<br />
n⋅<br />
10 0 3 6 9<br />
б<br />
Рис. 3<br />
2<br />
−4<br />
n⋅<br />
10<br />
k , дБ<br />
η , дБ<br />
29<br />
2<br />
– 21<br />
2<br />
23<br />
1<br />
– 28<br />
1<br />
17<br />
0 3 6 9<br />
а<br />
– 35<br />
−4<br />
n⋅<br />
10 0 3 6 9<br />
б<br />
Рис. 4<br />
−4<br />
n⋅<br />
10<br />
как коррекция была произведена по сигналу с первоначальной шириной спектра, однако с<br />
началом новой коррекции при n = 100 000 этот уровень быстро восстанавливается. На значении<br />
η нестационарность помехи при идентичных каналах АФАР не сказывается (рис. 2, б).<br />
При действии нестационарной помехи автокоррекция позволяет уверенно скомпенсировать<br />
неидентичности приемных трактов (рис. 3). При расширении спектра помехи на<br />
n = 60 000 характеристики обоих алгоритмов резко падают (рис. 3, а). При возвращении в<br />
режим коррекции, начиная с n = 100 000 характеристики подавления алгоритма с коррекцией<br />
возвращаются в норму (рис. 3, а, 2), в отличие от алгоритма ПОС (рис. 3, а, 1). Выигрыш<br />
алгоритма с автокоррекцией по значению η составляет 10 дБ (рис. 3, б). Из рассмотренных<br />
зависимостей следует, что тест-сигнал целесообразно выбирать с равномерной<br />
спектральной плотностью мощности в полосе приема.<br />
ПОС-алгоритм без коррекции практически не работоспособен при неидентичных приемных<br />
каналах АФАР как при нестационарной, так и при стационарной помехах (рис. 4, 1),<br />
34
поскольку обобщенное отношение сигнал/(помеха + шум) η опускается ниже –30 дБ, что<br />
для приема сигналов СРНС неприемлемо. Алгоритм с автокоррекцией дает результаты,<br />
лучшие на 10…16 дБ (рис. 4, б).<br />
Отметим, что в ситуации подавления шести помех (рис. 4, б) значение η несколько<br />
выше (на 5 дБ), чем при действии одного источника помех (рис. 2 и 3). Это объясняется<br />
усилением мощности полезного сигнала за счет "подъема" ХН АФАР в направлении зенита,<br />
где и расположен источник полезного сигнала в данном примере.<br />
Результаты имитационного моделирования подтверждают эффективность предложенного<br />
метода коррекции неидентичностей приемных трактов.<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Айфичер Э. С, Джервис Б. У. Цифровая обработка сигналов, практический подход. 2-е изд. / Пер. с<br />
англ. М.: Вильямс, 2004. 992 с.<br />
2. Монзинго Р. А., Миллер Т. У. Адаптивные антенные решетки. Введение в теорию / Пер. с англ.; Под<br />
ред. В. А. Лексаченко. М.: Радио и связь, 1986. 448 с.<br />
3. Давыденко И. Н., Агишев А. Г., Чаган Е. В. Синтез структуры малопараметрического корректора<br />
частотных характеристик автокомпенсатора мешающих излучений // Мат-лы 3-й Междунар. конф. и выставки<br />
"Цифровая обработка сигналов и ее применение", М., 29 ноября–1 дек. 2000 г. М., 2000. С. 121–125.<br />
4. Модель компенсатора помех с коррекцией частотных характеристик каналов / В. С. Ефименко,<br />
В. Н. Харисов, И. Н. Давыденко, В. И. Папушой // Радиотехника (Журнал в журнале). 2003. № 7. С. 62–68.<br />
5. Иванов А. М., Немов А. В., Хоанг Т. К. Адаптивный пространственно-временной фильтр для подавления<br />
помех в СРНС // Мат-лы юбилейной 60-й науч.-техн. конф. НТОРЭС, посв. Дню радио, СПб., апрель<br />
2005. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2005. С. 8–10.<br />
А. V. Nemov, T. K. Hoang<br />
THE METHOD FOR AUTO-CORRECTION OF DIGITAL MULTI-CHANNEL INTERFERENCE CANCELLATION<br />
FILTER<br />
The method for auto-correction of digital multi-channel filter of interference cancellation<br />
is presented. This method based on FIR filters implementation and does not require of working<br />
brake during correction procedure.<br />
Adaptive antenna array, interference cancellation<br />
Статья поступила в редакцию 17 марта <strong>2006</strong> г.<br />
УДК [621.431.7:656.5]:681.518.5(043)<br />
До Дык Лыу, Буй Нгок Ми<br />
ИЗМЕРИТЕЛЬНО-ИНФОРМАЦИОННЫЙ КОМПЛЕКС<br />
ДЛЯ АВТОМАТИЧЕСКОГО КОНТРОЛЯ И ДИАГНОСТИКИ<br />
СУДОВЫХ ДИЗЕЛЕЙ<br />
Описана разработка измерительно-информационного комплекса для автоматического<br />
контроля и диагностики судовых дизелей. Результаты работы позволяют повысить<br />
надежность безотказной работы и обеспечить более оптимальный выбор эксплуатационных<br />
режимов судовых дизелей и подобного оборудования.<br />
Информационно-измерительный комплекс, диагностика, дизель<br />
В практике технической эксплуатации современных судовых дизелей обычно используют<br />
технические средства для контроля правильного функционирования самих дизелей и<br />
© До Дык Лыу, Буй Нгок Ми, <strong>2006</strong><br />
35
их систем. Для контроля измеряют группу теплотехнических параметров, характеризующих<br />
процессы или техническое состояние судовых узлов и агрегатов. На современных судах<br />
для контроля и диагностирования технического состояния судовых дизелей используют<br />
временные зависимости (диаграммы) таких параметров, как средние давления в цилиндрах;<br />
средняя частота вращения коленчатого вала; расход топлива в цилиндрах и др. Как<br />
правило, параметры измеряет механик судна, перенося датчик от цилиндра к цилиндру.<br />
Структура информационно-измерительного комплекса. Авторами разработан измерительно-информационный<br />
комплекс для автоматического контроля и диагностики судовых<br />
дизелей (рис. 1), позволяющий своевременно обнаруживать отсутствие сгорания в каждом<br />
цилиндре. Сенсоры (датчики) Д1 − Д5<br />
, расположенные непосредственно на цилиндре и<br />
на подводящем топливопроводе, фиксируют положение верхней мертвой точки цилиндра<br />
( Д 1)<br />
, вибрационный сигнал общего мгновенного крутящего момента дизеля или мгновенной<br />
скорости вращения вала ( Д 2 ) , давление газа в камере сгорания ( Д 3 ) , давление топлива<br />
в трубопроводе между насосом и форсункой ( Д 4 ) (этот датчик можно заменить сенсором<br />
вибрации форсунки) и ускорение для регистрации фазы газораспределения ( Д 5 ) . Обведенный<br />
штриховой линией блок обработки включает многоканальный аналого-цифровой<br />
преобразователь АЦП, преобразующий аналоговые (непрерывные) сигналы сенсоров в<br />
цифровые, передаваемые в компьютер для обработки с целью контроля и диагностики.<br />
В компьютерной программе обработки данных имеется блок формирования эталонных<br />
характеристик БФЭХ для построения эталонов, сохраняемых в памяти компьютера. В<br />
блоке формирования диагностических признаков БФДП по образцу строится вектор диагностических<br />
признаков, необходимый для диагностики в блоке классификации БК. Он<br />
определяет техническое состояние дизеля в момент наблюдения. Этот результат характеризует<br />
конкретное состояние каждого цилиндра с разной степенью глубины (полноты)<br />
диагностики, т. е. обнаруживает и локализует дефекты в зависимости от количества датчиков<br />
и применяемых в алгоритме диагностики методов. В блоке прогноза БП строится<br />
прогноз дальнейшего технического состояния, на основании которого механик судна может<br />
предпринять необходимые профилактические действия. Блок формирования закона<br />
Д 5 Д 4<br />
ДВС<br />
Д 3<br />
Д 2<br />
Д 1<br />
А<br />
Ц<br />
П<br />
БФЭХ<br />
БФДП<br />
БФЗАУ<br />
БК<br />
БП<br />
Мониторинг.<br />
Диагностика.<br />
Прогноз<br />
и управление<br />
Программный<br />
драйвер<br />
БАУ<br />
Рис. 1<br />
36
адаптивного управления БФЗАУ техническим состоянием судового дизеля использует результаты<br />
прогноза как входной сигнал для блока адаптивного управления БАУ объектом.<br />
Основной задачей контроля и диагностики является определение неравномерности<br />
работы каждого цилиндра судового дизеля или своевременное обнаружение отсутствия<br />
сгорания в одном из его цилиндров с помощью датчиков Д 1 и Д 2 . Алгоритмы комплексного<br />
диагностирования базируются на методах многомерного дискриминантного анализа<br />
диагностических признаков, являющихся характеристиками вибрационного сигнала:<br />
мгновенного крутящего момента дизеля или мгновенной скорости вращения вала. Результаты<br />
этой диагностики формируются БК и отображаются на мониторе.<br />
Поэлементное диагностирование и контроль судовых дизелей с помощью комплекса<br />
(рис. 1) выполняют при сигнализации отказа одного из цилиндров или существенной нестационарности<br />
режимов их работы. В этом случае следующей задачей контроля и диагностирования<br />
является поиск дефектов в неисправном цилиндре. В основу алгоритмов диагностирования<br />
при решении этой задачи положен анализ основных характеристик индикаторной<br />
диаграммы, закона подачи топлива или фазы газораспределения, которые измеряются<br />
датчиками Д 1 и Д3 − Д5<br />
соответственно. В результате решения диагностической задачи<br />
должны быть указаны причины и место дефекта: в топливной аппаратуре (насос, форсунка),<br />
в камере сгорания (группа поршень – цилиндр, клапаны) или в расцентровке фазы газораспределения.<br />
Результаты этой диагностики также формируются БК и выводятся на монитор.<br />
Третья задача контроля и диагностики состоит в прогнозировании состояния судовых<br />
дизелей в общем и по основным узлам и механизмам, выполняемом автоматически на основе<br />
накопленных данных. Прогнозирование состояния судовых дизелей выполняется в БП специализированным<br />
алгоритмическим и программным обеспечениями, основанными на многомерном<br />
дискриминантном анализе. Результаты прогноза позволяют влиять на техническое<br />
состояние судовых дизелей, например проведением необходимых мероприятий для улучшения<br />
их работы и состояния: сменой или дополнением масла; регулировкой цилиндров и т. д.<br />
Следующая задача – оптимальный выбор режимов работы дизеля на основе прогнозов<br />
состояний каждого компонента судовых силовых дизельных комплексов (дизеля; гребного<br />
винта и корпуса судна) и окружающей среды (состояния моря). Эта задача решается в БДАУ.<br />
Работа информационно-измерительного комплекса обеспечивается датчиками<br />
Д1 − Д5<br />
. На мировом рынке имеется ряд датчиков, различающихся по точности, рабочему<br />
диапазону, размерности, стоимости и другим параметрам. Однако представляет интерес<br />
разработка вибрационных датчиков мгновенного общего момента на валопроводе судового<br />
силового комплекса ( Д 1, Д 2 ) .<br />
Оптимальная структура измерителей мгновенного общего момента на валопроводе<br />
судового силового комплекса. Как известно, угол относительного разворота двух сечений<br />
вала ∆ϕ = ϕ1 − ϕ 2 под действием крутящего момента M , измеренных на расстоянии<br />
(базе измерения) L одно от другого, определяется формулой M ( GJ L)<br />
= ∆ϕ , где G – модуль<br />
сдвига материала; J п – полярный момент инерции сечения вала.<br />
п<br />
37
Следовательно, определение мгновенного крутящего момента валопровода сводится<br />
к определению угла смещения (колебаний) двух сечений вала. Для преобразования угловых<br />
перемещений в электрические сигналы обычно используют бесконтактные методы<br />
[1], [2]: фотоэлектрические (оптоэлектронные), использующие эффект периодического<br />
изменения освещенности; электростатические (емкостные и пьезоэлектрические), тензометрические,<br />
электромагнитные и электроакустические, основанные на эффекте изменения<br />
энергии поверхности акустической волны.<br />
Электромагнитные преобразователи угловых перемещений имеют достаточную чувствительность<br />
и линейность характеристики. К их недостаткам следует отнести большие<br />
габариты, малую помехоустойчивость и низкую надежность в условиях сильных электромагнитных<br />
наводок, при изменении температуры и влажности. Эти преобразователи все<br />
реже используются в практике судостроения.<br />
Фотоэлектрические преобразователи угловых перемещений имеют в настоящее время<br />
наибольшую точность среди остальных преобразователей, отличаются высокой чувствительностью<br />
и быстродействием, простотой и надежностью конструкции, малыми габаритами<br />
и массой, отсутствием механической связи с контролируемым объектом, малой<br />
инерционностью. К их недостаткам следует отнести чувствительность к посторонним источникам<br />
излучения, плохую работу в условиях запыленности, тумана, особенно масляного,<br />
недостаточную стабильность и надежность [1].<br />
Тензометрические преобразователи преобразуют деформации валопровода, вызываемые<br />
механическими напряжениями (крутильным моментом), в электрический сигнал. Наибольшее<br />
распространение получили тензодатчики, выполненные на базе тензорезисторов. На мировом<br />
рынке тензодатчики широко распространены. Весьма перспективны тензодатчики с преобразователями<br />
из фольги для построения мостовой измерительной цепи. При современном уровне<br />
развития технологии передачи сигнала радиометодами эти преобразователи позволяют<br />
разрабатывать бесконтактные датчики малой стоимости и высокой точности.<br />
Структурная схема датчика мгновенного крутящего момента судового дизеля на основе<br />
тензодатчиков и радиопередачи сигналов этого датчика показана на рис. 2. Здесь 1 –<br />
валопровод; 2 – модулирующее устройство; 3 – демодулирующее устройство; ТД – блок<br />
тензодатчиков (тензорезисторов); М – модулятор; Г – генератор несущей частоты; ПУ1,<br />
ПУ2 – предварительные усилители; А1 – передающая антенна; А2 – приемная антенна;<br />
ДМ – демодулятор; ИТ – источник (стабилизатор) тока.<br />
Наиболее оптимальным является тензодатчик, состоящий из четырех однотипных<br />
тензорезисторов, наклеенных на валопровод под углом 45º к его оси и соединенных в виде<br />
уравновешенного моста. Питание тензомоста осуществляется ИТ. Генератор несущей частоты<br />
Г, модулятор М, предварительный усилитель ПУ1 и передающую антенну А1 закрепляют<br />
на валопроводе так, что они вращаются вместе с валом. Модулятор осуществляет<br />
частотную модуляцию генератора несущей частоты, сигнал которого после усиления излучается<br />
вращающейся передающей антенной. Глубина модуляции пропорциональна деформации<br />
валопровода, т. е. мгновенному крутящему моменту судового дизеля.<br />
38
А2<br />
1<br />
ИТ<br />
ε u ( t )<br />
ТД<br />
М<br />
ПУ1<br />
А1<br />
ДМ<br />
ПУ2<br />
uм ( t )<br />
Г<br />
2<br />
Г<br />
3<br />
На удобном для эксплуатации расстоянии от поверхности валопровода, т. е. от передающей<br />
антенны, неподвижно устанавливается приемная антенна А2, выход которой связан с<br />
демодулирующим устройством 3.<br />
На приемном конце с помощью демодулирующего устройства 3 формируется сигнал<br />
uм ( t ) , пропорциональный мгновенному крутящему моменту M ( t ) .<br />
Блок ТД можно реализовать в виде квазиуравновешенного моста (рис. 3) [2], где R п<br />
– сопротивления проводников; R1 − R4<br />
– тензорезисторы моста; R5 − R7<br />
– сопротивления,<br />
задающие рабочую точку усилителя; I 0 – источник стабильного тока питания моста; U 0 –<br />
напряжение питания; U вых – выходной сигнал; I вых – ток в цепи обратной связи выходного<br />
усилителя.<br />
Поскольку тензорезисторы расположены под углом 45° по отношению к оси вала, то,<br />
если пара R1 , R 4 нагружается растяжением, вторая пара R2,<br />
R 3 – сжатием и наоборот. Под<br />
действием деформации сопротивление тензорезистора изменяется на ∆ R = kR0ε , где R 0 –<br />
начальное сопротивление тензорезистора; k – коэффициент тензочувствительности, обычно<br />
равный 2…2.5 для проволочных и около 200 для полупроводниковых тензорезисторов;<br />
ε – уровень деформации валопровода. Тензорезисторы обычно работают в области упругих<br />
деформаций при<br />
ε ≤ 10 −3 .<br />
Значение ∆ R зависит не только от ε,<br />
но и от температуры упругого элемента.<br />
Для уменьшения погрешности требуется<br />
автоматическое введение поправок на<br />
температуру либо термокомпенсация. Выполним<br />
анализ термокомпенсации при использовании<br />
мостовой цепи (рис. 3). При<br />
деформации валопровода, равной ε, имеем<br />
R = R = R + ∆R ( ε ) + ∆R( T );<br />
1 4 0<br />
R = R = R − ∆R ( ε ) + ∆R ( T ),<br />
2 3 0<br />
где ∆ R ( T ) – температурное изменение<br />
сопротивления тензодатчиков.<br />
Рис. 2<br />
≫<br />
I 0<br />
R 1<br />
ε<br />
ε<br />
R п<br />
R 2<br />
R 3 R 4<br />
ε<br />
ε<br />
R п R 5<br />
R п<br />
R п<br />
R п<br />
Рис. 3<br />
R 6<br />
–<br />
У1<br />
+<br />
–<br />
У2<br />
+<br />
+ U 0<br />
R 7<br />
− U 0<br />
I вых<br />
U вых<br />
39
Если ∆R≪ R0<br />
, что обычно выполняется, то ток в диагонали моста (равный I вых )<br />
определяется выражением<br />
( , ) ( , ) ( , ) ( , ) ( , )<br />
Iвых ε T = kп ⎡R1 ε T R4 ε T − R2 ε T R3<br />
ε T ⎤<br />
где k п – коэффициент пропорциональности.<br />
Преобразуя (1), получим:<br />
⎣ ⎦ , (1)<br />
( , ) 4 ( )( 1 ) 4 2 ( 1 )<br />
I T k R R R R k k R<br />
вых ε = п 0∆ 1 ε + δ T = 0 п ε + δ T , (2)<br />
где ( ) ( )<br />
−3<br />
δ RT<br />
= ∆ R T R0 = α∆ T = 2… 7 10 ∆T<br />
– относительное изменение сопротивления<br />
тензодатчика при изменении температуры.<br />
На практике момент измеряют на валопроводе, находящемся далеко от рабочего дизеля,<br />
поэтому температура измеряется периодически самим тензодатчиком. При R5≫<br />
Rп<br />
выходное напряжение тензодатчика определяется выражением [2]:<br />
Uвых = IвыхR5<br />
. (3)<br />
Из уравнений (2) и (3) получим выражение для выходного сигнала тензомоста:<br />
вых<br />
2<br />
5 0 п<br />
( )<br />
U = 4R R k kε 1+ δ RT<br />
.<br />
Отсюда следует, что выходное напряжение, которым осуществляется модуляция радиосигнала,<br />
практически не зависит от температуры тензорезистров и пропорционально деформации<br />
валопровода ε, т. е. мгновенному крутящему моменту судового дизеля.<br />
Этим напряжением модулируется генератор несущей частоты, а затем в демодуляторе<br />
ДМ на приемном конце формируется сигнал<br />
U м (см. рис. 2), пропорциональный U вых .<br />
Реализация такого термокомпенсированного бесконтактного датчика на современном<br />
уровне развития микросхемотехники не представляет больших трудностей и может быть<br />
выполнена в интегральном виде.<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Домрачев В. Г. Матвеев В. Р., Смирнов Ю. С. Схемотехника цифровых преобразователей перемещений:<br />
Справ. пособие. М.: Энергоатомиздат, 1987. 392 с.<br />
2. Левшина Е. С., Новицкий П. В. Электрические измерения физических величин. Л.: Энергоатомиздат,<br />
1983. 320 с.<br />
Do Duc Luu, Bui Ngoc My<br />
MEASURING INFORMATION COMPLEX FOR THE AUTOMATIC CONTROL AND DIAGNOSTICS SHIP<br />
DIESEL ENGINES<br />
The development of a measuring information complex for the automatic control and diagnostics<br />
of ship diesel engines is described. Results of work allow to increase reliability of<br />
non-failure operation, more optimum choice of operational modes ship diesel engines.<br />
Information-measuring complex, diagnostics, diesel engine<br />
Статья поступила в редакцию 14 декабря 2005 г.<br />
40
УДК 621.396.62<br />
В. М. Кутузов, Нгуен Ван Нам<br />
ПРОСТРАНСТВЕННАЯ АВТОРЕГРЕССИОННАЯ<br />
ОБРАБОТКА СИГНАЛОВ<br />
ПРИ ОБНАРУЖЕНИИ МАЛОВЫСОТНЫХ ЦЕЛЕЙ<br />
НАД МОРСКОЙ ПОВЕРХНОСТЬЮ<br />
Рассматривается возможность применения авторегрессионной обработки сигналов<br />
в приемной антенной решетке РЛС при обнаружении низколетящих целей. Исследования<br />
выполнены для случая квазизеркального отражения, при котором антипод имеет<br />
целеподобную форму. Приводятся характеристики обнаружения маловысотных точечных<br />
целей.<br />
Радиолокация, авторегрессионный алгоритм, порядок модели, характеристики обнаружения,<br />
оценка частоты<br />
Авторегрессионный (АР) алгоритм относится к классу модельно-параметрических<br />
методов спектральной обработки сигналов. Описание физической сущности и математического<br />
аппарата алгоритма дано в работе [1]. На выбор конкретной модели влияет множество<br />
факторов, главными из которых являются условия адекватности описания возможных<br />
сигнально-помеховых ситуаций, обеспечения требуемых показателей качества и<br />
технической реализуемости. Любая модель несет в себе априорную информацию о типах<br />
сигналов, на которые она рассчитана, причем тем бóльшую, чем уже круг адекватно воспроизводимых<br />
сигналов. Это сказывается на потенциальных характеристиках разрешения,<br />
которые обеспечивает та или иная модель при прочих равных условиях.<br />
Обоснование применимости АР-методов для пространственной обработки радиолокационных<br />
сигналов в антенных решетках изложено в работе [2]. Если АР-модель адекватна<br />
возможному континууму сигнальных ситуаций, то, оптимально подбирая ее параметры,<br />
можно восстановить с определенной точностью наблюдаемый пространственный<br />
сигнал на любом, в том числе неограниченном, интервале. Это обеспечивает высокое разрешение<br />
АР-алгоритмов по сравнению с согласованными методами, эквивалентными<br />
синфазному суммированию сигналов отдельных элементов антенной решетки. Поскольку<br />
точность аппроксимации сигнала моделью зависит как от размера доступной для измерений<br />
выборки, так и от отношения сигнал/шум, реальное разрешение по информационному<br />
параметру также оказывается зависимым от этих двух величин [2].<br />
Рассмотрим задачу обнаружения объекта, расположенного над хорошо проводящей<br />
морской поверхностью. При квазизеркальном отражении от гладкой морской поверхности<br />
формируется виртуальный антипод (ложная цель) с практически идентичными характеристиками<br />
рассеяния (рис. 1). При низких высотах расположения антенны h a и цели h ц и малых<br />
углах скольжения θ прямой (траектория R 1) и переотраженный (траектория R 2 ) сигналы<br />
интерферируют, складываясь практически в противофазе из-за изменения фазы сигнала<br />
на 180° при переотражении от хорошо проводящей морской поверхности [3]. Если мо-<br />
© В. М. Кутузов, Нгуен Ван Нам, <strong>2006</strong><br />
41
h а<br />
Антенна<br />
θ 2<br />
θ 1<br />
R 1<br />
Прямая волна<br />
Отраженная<br />
волна<br />
Цель<br />
h ц<br />
∆ d<br />
h а<br />
…<br />
M<br />
3<br />
2<br />
1<br />
Цель<br />
h ц<br />
R<br />
R 2<br />
− h ц<br />
− h ц<br />
дуль коэффициента отражения близок к единице, что часто бывает на практике, происходит<br />
почти полная компенсация прямого и переотраженного сигналов в антенне РЛС. Именно в<br />
этом заключается проблема обнаружения маловысотных целей над морской поверхностью.<br />
Для ослабления или полного устранения этого негативного эффекта необходимо<br />
обеспечить раздельное наблюдение (разрешение по углу места) двух сигналов: прямого<br />
(траектория R 1) и переотраженного (траектория R 2 ). На практике размеры апертуры антенны<br />
РЛС в вертикальной плоскости фиксированы, поэтому для пространственной обработки<br />
сигналов целесообразно использовать АР-алгоритм, обладающий высоким угловым<br />
разрешением и хорошими обнаруживающими способностями [2]. В работе [4] показано,<br />
что данный алгоритм может применяться как при использовании антенной решетки, так и<br />
при использовании апертурной антенны с механическим сканированием. Для упрощения<br />
выкладок далее будем рассматривать РЛС с приемной антенной решеткой в вертикальной<br />
плоскости (рис. 2) с числом элементов М и шагом ∆ d = λ 2 .<br />
Прямой сигнал от цели в m-м элементе антенной решетки S(m) (траектория R 1 ) после<br />
преобразования, фазового детектирования и временного накопления в когерентном приемнике<br />
РЛС запишем в комплексном виде:<br />
42<br />
{ }<br />
S ( m) = Aс exp j ⎡⎣ 2πf0τ1 m − ( k −1)<br />
πsin<br />
θ1m<br />
− ϕ0<br />
⎤⎦ , (1)<br />
где A с , f 0 и ϕ 0 – амплитуда, несущая частота и начальная фаза прямого сигнала соответственно;<br />
τ 1m и θ 1m – задержка и угол места, рассчитанные для m-го элемента антенной<br />
решетки, причем угол места, отсчитываемый от горизонтали, может принимать положительные<br />
( при h + m∆ d < h ) и отрицательные ( при h m d h )<br />
a<br />
ц<br />
a + ∆ > ц значения.<br />
Переотраженный морем сигнал от цели в m-м элементе антенной решетки ( ) P m<br />
(траектория R 2 ) запишем в виде<br />
где<br />
Ложная цель<br />
Рис. 1 Рис. 2<br />
{ }<br />
P ( m) = Aп exp j ⎡⎣ 2πf0τ2m<br />
− ( k −1)<br />
πsin<br />
θ2m<br />
− ϕ0<br />
− π⎤⎦ , (2)<br />
A п – амплитуда переотраженного сигнала; τ 2m и θ 2m – задержка и угол места, рассчитанные<br />
для m-го элемента антенной решетки при распространении сигнала по траектории R 2 .<br />
Совокупный комплексный сигнал в m-м элементе решетки X ( m ) представляет собой<br />
сумму сигналов (1) и (2), а также нормального дельта-коррелированного шума ( ) e m :<br />
X ( m) = S ( m) + P ( m) + e( m)<br />
.<br />
Ложная цель
Режим синфазного суммирования сигналов ( ) X m в антенной решетке при неизвестном<br />
угле прихода эквивалентен формированию многолучевой диаграммы направленности<br />
на основе пространственного преобразования Фурье (ПФ) вида<br />
М<br />
FПФ<br />
( θ ) = ∑ X ( m) exp[ − j ( m −1)<br />
πsin<br />
θ]<br />
. (3)<br />
m=<br />
1<br />
В дальнейшем удобнее перейти к спектральному базису нормированных к шагу решетки<br />
∆ d пространственных частот вида ν = πsin<br />
θ [2], характеризующих, по аналогии с частотой<br />
временного сигнала ω, скорость изменения фазы волны вдоль пространственной координаты,<br />
совмещенной с линией решетки. Пространственная частота ν ∈[ −π;<br />
π ] при<br />
[ ]<br />
θ∈[ −π 2; π 2]<br />
и измеряется в радианах. Тогда (3) можно записать в виде, полностью аналогичном<br />
ПФ во временной области: FПФ<br />
( ν ) = ∑ X ( m) exp − j ( m −1)<br />
ν .<br />
М<br />
m=<br />
1<br />
АР-модель порядка K имеет вид разностного уравнения, связывающего последующее<br />
значение пространственного сигнала ( ) X m с предыдущими:<br />
X ( m) = a1 X ( m − 1) + a2X ( m − 2) + … + aK<br />
X ( m − K ) , (4)<br />
a ( )<br />
где k k = 1, 2, …,<br />
K – комплексные коэффициенты, или параметры модели. АР-модель<br />
может использоваться для описания анализируемого сигнала в обратном направлении, однако<br />
коэффициенты модели следует брать комплексно-сопряженными. Коэффициенты a k<br />
рассчитываются на основании минимизации средней по выборке сигнала мощности прямой<br />
и обратной ошибки предсказания P K , определяемой на основании разности измеренных<br />
X ( m ) и предсказанных на основании АР-модели в прямом ˆX ( m ) и обратном<br />
ˆX обр ( m ) направлениях значений пространственного сигнала:<br />
M<br />
⎡<br />
2 2<br />
P ( ) ˆ<br />
пр<br />
( ) ( ) ˆ<br />
K X m X m X m K Xобр<br />
( m K )<br />
⎤<br />
= ∑ ⎢ − + − − −<br />
⎣<br />
⎥ . (5)<br />
⎦<br />
m= K + 1<br />
Подставляя в выражение (5) уравнение (4), записанное для прямого и обратного предсказания,<br />
можно определить минимум ошибки предсказания<br />
пр<br />
P K min на основе решения системы,<br />
состоящей из K линейных уравнений в виде частных производных ∂PK<br />
∂ ak<br />
= 0<br />
( k 1, 2, , K )<br />
= … относительно K неизвестных параметров a<br />
k<br />
.<br />
Характеристика направленности, полученная при использовании АР-модели, имеет<br />
вид [2]:<br />
AP<br />
2<br />
K<br />
∑ k<br />
. (6)<br />
k = 1<br />
( ν ) = 1− exp( − ν)<br />
F P a jk<br />
K<br />
На рис. 3, 4 приведены результаты исследования влияния высоты расположения цели<br />
h ц на возможность раздельного наблюдения прямого и "антиподного" сигналов с помощью<br />
АР-алгоритма Берга при вычислении характеристики направленности вида (6).<br />
43
Сравнение производилось с режимом фазирования на основе пространственного ПФ. На<br />
рис. 3 представлены результаты моделирования характеристик направленности для антенной<br />
решетки с числом элементов M = 32 при фиксированном порядке АР-модели K = 15<br />
и отношении сигнал/шум q = 20 дБ . Высота установки антенны h a = 15 м , длина волны<br />
λ = 3 см , дальность до цели R 1 = 1000 м , высота цели изменялась в пределах 15…50 м.<br />
AP<br />
Штриховой линией на рис. 3 показаны нормированные к максимальному значению характеристики<br />
пространственного ПФ FПФ<br />
( ω ) ( ω = πsin<br />
θ ) , а сплошной линией – также нормированные<br />
характеристики АР-алгоритма F ( ω ) . Вертикальные штрихпунктирные линии<br />
соответствуют отклонениям угловых положений цели и ее антипода от истинного положения<br />
цели. Цифрой 1 обозначены кривые, полученные при отсутствии переотраженного<br />
сигнала ( A п = 0)<br />
, а цифрой 2 – полученные при интенсивном переотраженном сигнале<br />
( A = 0.9A<br />
). Как видно из графиков, АР-оценки углового спектра при наличии антипода<br />
п<br />
с<br />
имеют смещенные максимумы относительно истинного положения прямого и переотраженного<br />
сигналов. Это обусловлено известным эффектом взаимного отталкивания сигнальных<br />
полюсов, которые формируют сигнальные максимумы [2]. Следовательно, при<br />
0<br />
– 40<br />
– 80<br />
F , дБ<br />
0<br />
– 40<br />
– 80<br />
F , дБ<br />
0<br />
– 1 – 0.5 0 0.5 ν , рад<br />
1<br />
– 0.1445 0.01<br />
h ц = 15 м<br />
– 1 – 0.5 0 0.5 ν , рад<br />
1<br />
– 0.1542 – 0.039<br />
2<br />
h ц = 25 м<br />
– 1 – 0.5 0 0.5 ν , рад<br />
2<br />
h ц = 40 м<br />
0<br />
– 40<br />
– 80<br />
F , дБ<br />
0<br />
– 40<br />
– 80<br />
F , дБ<br />
0<br />
– 1 – 0.5 0 0.5 ν , рад<br />
1<br />
– 0.1542<br />
– 0.2215<br />
0.019<br />
– 0.039<br />
0.067<br />
h ц = 20 м<br />
– 1 – 0.5 0 0.5 ν , рад<br />
1<br />
2<br />
h ц = 30 м<br />
– 1 – 0.5 0 0.5 ν , рад<br />
2<br />
h ц = 50 м<br />
– 40<br />
– 80<br />
1<br />
2<br />
– 40<br />
– 80<br />
1<br />
2<br />
F , дБ<br />
– 0.3463 0.154<br />
F , дБ<br />
– 0.3559<br />
0.202<br />
44<br />
Рис. 3
обнаружении низковысотных целей на фоне гладкого моря у АР-оценки углового спектра<br />
имеется регулярная ошибка. Однако эта ошибка не влияет на обнаруживаемость цели, так<br />
как значение спектрального максимума не изменяется по сравнению с обнаружением той<br />
же цели в свободном пространстве. При этом уровень спектрального максимума пространственного<br />
ПФ при наличии антипода резко падает при низких высотах цели, что заметно<br />
(на несколько децибел) ухудшает характеристики обнаружения.<br />
На рис. 4 представлены результаты исследования влияния порядка модели K = 2…<br />
20<br />
на характеристики направленности антенной решетки при h ц = 50 м (обозначения совпадают<br />
с рис. 3). Как видно из графиков рис. 4, при малом порядке модели острота максимумов<br />
АР-оценки углового спектра снижается, что ухудшает разрешение прямого и переотраженного<br />
сигналов. В то же время рост порядка модели до значений K > M 2 приводит к<br />
появлению ложных максимумов значительного уровня, что повышает вероятность ложной<br />
тревоги и в свою очередь требует увеличения порога обнаружения.<br />
На рис. 5, а представлены характеристики обнаружения АР-алгоритма (кривые 2)<br />
для различных порядков модели в сравнении с обработкой на основе пространственного<br />
ПФ (кривая 1) при отсутствии переотраженного сигнала. Как известно, ПФ является оп-<br />
0<br />
– 1 – 0.5 0 0.5 ν , рад<br />
2<br />
K = 2<br />
0<br />
– 1 – 0.5 0 0.5 ν , рад<br />
K = 4<br />
– 40<br />
1<br />
– 40<br />
1<br />
2<br />
– 80<br />
– 80<br />
F , дБ<br />
0<br />
– 25<br />
– 50<br />
– 75<br />
F , дБ<br />
0<br />
– 1 – 0.5 0 0.5 ν , рад<br />
1<br />
– 0.3559<br />
0.202<br />
K = 6<br />
– 1 – 0.5 0 0.5 ν , рад<br />
2<br />
K = 15<br />
F , дБ<br />
0<br />
– 25<br />
– 50<br />
– 75<br />
F , дБ<br />
0<br />
– 0.3559<br />
0.202<br />
– 1 – 0.5 0 0.5 ν , рад<br />
1<br />
– 0.3367<br />
0.221<br />
K = 10<br />
– 1 – 0.5 0 0.5 ν , рад<br />
2<br />
K = 20<br />
– 35<br />
– 70<br />
1<br />
2<br />
– 35<br />
– 70<br />
1<br />
2<br />
– 105<br />
F , дБ<br />
– 0.375 0.193<br />
– 105<br />
F , дБ<br />
– 0.3367<br />
0.193<br />
Рис. 4<br />
45
D<br />
0.75<br />
0.50<br />
0.25<br />
0<br />
– 5<br />
1<br />
2<br />
K = 2 10 15<br />
10 25<br />
тимальным алгоритмом при обнаружении одиночного сигнала на фоне нормального дельта-коррелированного<br />
шума, поэтому АР-алгоритм проигрывает в характеристиках обнаружения,<br />
причем проигрыш растет с ростом порядка модели. При появлении переотраженного<br />
сигнала ПФ перестает быть оптимальным, поскольку при отсутствии пространственного<br />
разрешения двух сигналов происходит их частичная компенсация, что ухудшает<br />
обнаружение низковысотных целей над морем. Этот случай иллюстрирует рис. 5, б.<br />
Проведенное рассмотрение характеристик обнаружения низколетящих целей показало,<br />
что параметрический АР-алгоритм имеет преимущество при квазизеркальном отражении<br />
от хорошо проводящей морской поверхности.<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Марпл С. Л.-мл. Цифровой спектральный анализ и его приложения. М.: Мир, 1990.<br />
2. Кутузов В. М. Проблемы и перспективы применения параметрических методов обработки радиолокационной<br />
информации // Радиоэлектроника в СПбГЭТУ: Сб. науч. тр. Вып. 2 / СПбГЭТУ. СПб. 1996. С. 86–98.<br />
3. Леонтьев В. В. Характеристики радиолокационного рассеяния морских объектов: Учеб. пособие /<br />
СПбГЭТУ "ЛЭТИ". СПб., 1999.<br />
4. Кутузов В. М. Пространственная авторегрессионная обработка сигналов в радиолокационных станциях<br />
с механическим сканированием антенны // Изв. вузов России. Радиоэлектроника. 2002. № 2. С. 79–84.<br />
V. M. Kutuzov, Nguyen Van Nam<br />
N = 32;<br />
hц<br />
= 5 м<br />
SPATIAL AUTOREGRESSIVE PROCESSING OF SIGNALS IN DETECTING LOW-ALTITUDE TARGETS ABOVE<br />
THE SEA SURFACE<br />
The possibility of autoregressive signal processing in radio-location antenna receiving<br />
array for detection low-flying targets is considered. Investigations are carried out for the<br />
quasi-mirror reflection case when the antipode has a target-liked form. Detection characteristics<br />
for low-altitude point targets are resulted.<br />
Radio location, autoregressive algorithm, model order, detection characteristics, frequency estimation<br />
Статья поступила в редакцию 15 марта <strong>2006</strong> г.<br />
а<br />
q , дБ<br />
Рис. 5<br />
D<br />
0.75<br />
0.50<br />
0.25<br />
0<br />
– 5<br />
1<br />
10 25<br />
б<br />
2<br />
K = 2 10 15<br />
N = 32;<br />
hц<br />
= 5 м<br />
q , дБ<br />
46
УДК 621.396.62<br />
Ле Дай Фонг, В. И. Веремьев<br />
РАСПОЗНАВАНИЕ РАДИОЛОКАЦИОННЫХ ЦЕЛЕЙ<br />
ПО ДАЛЬНОСТНОМУ ПОРТРЕТУ С ИСПОЛЬЗОВАНИЕМ<br />
ПРОГРАММЫ "BACKSCATTERING SIMULATION"<br />
Рассматриваются и выбираются признак и алгоритм, используемые при решении<br />
задачи распознавания радиолокационных целей. Приводятся характеристики распознавания<br />
воздушных целей. Проведено сравнение возможности распознавания нейронных<br />
сетей с сигмоидальной и радиально-базисной функциями активации.<br />
Нейронная сеть, радиолокация, распознавание<br />
Радиолокационное распознавание (РЛР) целей представляет сегодня вполне самостоятельную<br />
и обширную научную проблему [1]–[4]. Оно имеет диалектическое единство<br />
с другими областями радиолокации и во многом опирается на их перспективные методы и<br />
алгоритмы. Поэтому неудивительно, что вопросы, связанные с решением задач РЛР, находят<br />
яркое отражение в современных учебных пособиях по радиолокации [5] и даже объединены<br />
в солидные монографии [6].<br />
Информация распознавания воздушной цели предназначается как для военного, так<br />
и для гражданского использования. Способность к достоверному распознаванию самолета<br />
– важный аспект безопасности воздушного движения [3]. Гражданские авиадиспетчеры<br />
должны постоянно отслеживать положение самолета, перемещающегося в воздушном<br />
пространстве.<br />
В системе управления воздушным движением для распознавания военных самолетов<br />
применяется опознавание по схеме "свой – чужой" (ОСЧ). Принцип ОСЧ заключается в<br />
том, что радиолокационный запросчик передает запрос самолету. "Свои" самолеты обладают<br />
ответчиками, отвечающими на запрос, передавая идентифицирующий код запросчику.<br />
В более сложных режимах опознавания в ответный сигнал ОСЧ вводится дополнительная<br />
информация, включая ответ на запрос о текущей высоте самолета.<br />
В гражданской авиации метод ОСЧ используется в обзорной РЛС с активным ответом<br />
(ОРАО). Хотя ОРАО, как и ОСЧ, дает информацию о типе самолета, ее основная цель<br />
– наблюдение местоположения самолета. В настоящее время все гражданские самолеты<br />
имеют ответчики ОРАО, что должно обеспечивать их безопасность.<br />
Однако 11 сентября 2001 г. террористы угнали несколько гражданских самолетов,<br />
которые использовали для нападения на Центр международной торговли и на Пентагон, в<br />
результате чего погибло более 3000 человек. Блокировкой ответчиков ОРАО они предотвратили<br />
обнаружение изменения траектории полета самолета авиадиспетчерами.<br />
Фундаментальный недостаток методов ОСЧ и ОРАО состоит в том, что они требуют<br />
активного сотрудничества от "своего" самолета. События 11 сентября и ряд других случаев<br />
в недавней истории показывают, что такое сотрудничество не гарантированно. К тому<br />
же даже при ответе "своих" самолетов возможны ошибки из-за различных причин, включая<br />
аппаратный отказ и ошибку оператора.<br />
© Ле Дай Фонг, В. И. Веремьев, <strong>2006</strong><br />
47
Некооперативные методы распознавания цели (НМРЦ) не требуют активного участия<br />
"своего" самолета. Вместо этого они базируются на измерениях датчика, независимо<br />
получающего информацию о самолете. НМРЦ формируют вывод о типе опознаваемой цели<br />
из этих измерений.<br />
Таким образом, решение задачи распознавания радиолокационных целей имеет<br />
большое практическое значение.<br />
Формирование задачи распознавания. Пусть имеется некое множество объектов<br />
{ b b b }<br />
48<br />
1, 2, , N<br />
… . В соответствии с тем или иным принципом это множество априорно<br />
подразделено на классы { A A A }<br />
1 , … , i , … , M , представляющие собой алфавит распознавания.<br />
Также известны признаки x1 ,<br />
… , xn<br />
, на языке которых могут быть описаны классы<br />
и отдельные объекты, т. е. составлен рабочий словарь признаков [6].<br />
Положим, что классы априорно описаны на языке признаков. В общем виде такое<br />
описание можно представить в форме соотношений<br />
( , ..., ); [ 1, ]<br />
Ai Fi x1 xn<br />
i M<br />
= ∈ , (1)<br />
содержащих априорную информацию о классах объектов, записанную в памяти вычислительного<br />
комплекса.<br />
Пусть локационной системой был обнаружен или наблюдался по соответствующей<br />
команде управления некоторый объект b j и о нем в процессе его наблюдения была получена<br />
апостериорная информация, в результате обработки которой были определены признаки,<br />
описывающие этот объект. Требуется распознать объект<br />
b j , т. е. установить, к какому<br />
классу он может быть отнесен. Основой решения этой задачи является сопоставление<br />
с помощью того или иного алгоритма распознавания (также программно реализованного<br />
на вычислительном комплексе) апостериорной информации о распознаваемом объекте,<br />
представленной в виде вектора = { x , , x }<br />
x 0 j 01 … 0т j<br />
, с априорной информацией о<br />
классах объектов, формализованной в виде соотношений (1).<br />
Выбор признака при распознавании. Для распознавания воздушных целей можно<br />
выделить две основные группы признаков радиолокационного распознавания: траекторные<br />
и сигнальные.<br />
Траекторными признаками являются скорость, дальность, высота и направление полета.<br />
Сигнальные признаки включают эффективную площадь рассеяния цели (энергетический<br />
признак), спектральные и поляризационные признаки, дальностный портрет.<br />
При распознавании требованиями к векторам признаков являются:<br />
• устойчивость и надежность в присутствии шумов;<br />
• незначительные изменения при движении цели;<br />
• способность правильного распознавания цели при неполной априорной информации;<br />
• возможность применения современных аппаратно-программных средств для реализации<br />
алгоритмов.<br />
Радиолокационные дальностные профили (ДП) – типичный признак радиолокационных<br />
измерений, часто используемых для классификации как самолетов, так и судов и на-
Направление<br />
визирования<br />
Рис. 1<br />
земных транспортных средств [7]. По существу<br />
радиолокационный ДП – одномерное<br />
"изображение" самолета вдоль линии<br />
визирования (по дальности) между радаром<br />
и самолетом (рис. 1). Он содержит информацию<br />
о положении и интенсивности рассеяния<br />
характерных отражательных элементов<br />
цели при определенном ракурсе.<br />
ДП меняется незначительно, если изменения<br />
ракурса цели невелики.<br />
ДП имеют множество свойств, соответствующих<br />
задаче классификации цели.<br />
Они могут быть измерены относительно<br />
быстро при любой ориентации самолета.<br />
Главный недостаток использования радиолокационных<br />
ДП для классификации самолета<br />
– необходимость крупных обучающих<br />
выборок для построения надежных статистических<br />
классификаторов, поскольку ДП представляются как многомерные векторы, содержащие<br />
несколько сотен элементов. Известно, что построение статистических классификаторов в<br />
многомерных векторных пространствах требует огромного количества обучающих данных.<br />
ДП могут быть получены в результате компьютерного электромагнитного моделирования<br />
самолета на этапе его автоматизированного проектирования быстро, дешево и для<br />
любой ориентации самолета. Кроме того, модели автоматизированного проектирования<br />
могут выполняться для самолета, не существующего в реальности.<br />
Отличия смоделированных и измеренных ДП часто игнорируются при построении<br />
классификатора на основе моделируемой обучающей выборки, т. е. вводится допущение,<br />
что смоделированные и измеренные ДП могут сравниваться непосредственно. Такой классификатор<br />
обучается только на смоделированных данных, но способен классифицировать<br />
измеренные ДП. Обычно он может классифицировать не только отдельные, но и ряд последовательно<br />
поступивших ДП.<br />
Из проведенного анализа следует, что для исследования распознавания радиолокационных<br />
целей ДП мог быть выбран в качестве признака. Для создания обучающих и тестирующих<br />
выборок при построении классификатора использовалась программа моделирования<br />
"Backscattering simulation" [8].<br />
Выбор алгоритма при решении задачи распознавания радиолокационных целей.<br />
Существует ряд алгоритмов распознавания: байесовские, непараметрические и т. д.<br />
Байесовский алгоритм позволяет получить теоретически оптимальное статистическое<br />
решение задач распознавания по сигнальным признакам, используя параметрические<br />
методы обработки принимаемых сигналов [9].<br />
К сожалению, он практически неприменим при решении большинства задач распознавания<br />
радиолокационных целей. Главная причина – трудности в задании закона распределения<br />
вероятностей и недостаточность априорной информации о цели.<br />
49
Непараметрические алгоритмы можно реализовать при недостаточных априорных<br />
сведениях об объектах локации, однако их эффективность обычно далека от потенциально<br />
достижимой. Кроме того, некоторые из них довольно сложны в практической реализации.<br />
Нейрокомпьютерные алгоритмы отличаются своей заранее заданной универсальной<br />
структурой с большим числом неизвестных параметров, уточняемых в процессе адаптации<br />
(обучения). Возрастание вычислительных затрат при универсализации алгоритма компенсируется<br />
ростом производительности вычислительных средств.<br />
В настоящее время наблюдается повышенный интерес к нейросетевым методам и<br />
построенным на их базе нейрокомпьютерам. В отличие от классических методов обработки<br />
информации, базирующихся на изучении и априорном задании более или менее сложной<br />
модели процесса или системы, нейросети сами формируют модель явления в процессе<br />
обучения, т. е. практически не требуют априорных данных о модели.<br />
После обучения такие системы могут достигать потенциальных пределов качества<br />
функционирования при решении задач обнаружения, разрешения, сверхразрешения, оценки<br />
параметров сигналов, распознавания образов.<br />
Таким образом, применение нейронных сетей (НС) является одним из наиболее перспективных<br />
путей для повышения эффективности и сокращения сложности распознаваемой<br />
системы радиолокационных целей.<br />
Принципы построения нейрокомпьютерных алгоритмов распознавания.<br />
Модель технического нейрона. МакКаллок и Питтс [10]–[15] предложили использовать<br />
бинарный пороговый элемент в качестве основы модели НС. Этот нейрон вычисляет<br />
взвешенную с коэффициентами w = { w } ( j = 1, 2, , N )<br />
{ x j} ( j 1, 2, , N )<br />
x = =<br />
j<br />
… сумму n входных сигналов<br />
… и формирует на выходе сигнал логической единицы, если эта<br />
сумма превышает определенный заранее порог w 0 , и 0 – в противном случае. Объединив<br />
сумму и порог в аргументе оператора нелинейного преобразования и рассматривая порог<br />
N<br />
как весовой коэффициент, связанный с постоянным входом x 0 = 1, получим запись функ-<br />
⎛<br />
⎞<br />
ции активации нейрона y = f ( n) = f ∑ w j x j<br />
( t) + w0<br />
⎜<br />
⎟<br />
, где f ( n ) – оператор нелинейного<br />
⎝ j=<br />
1<br />
⎠<br />
N<br />
преобразования; n = ∑ w j x j<br />
( t) + w0<br />
– его аргумент (рис. 2).<br />
j=<br />
1<br />
В качестве оператора нелинейного преобразования могут использоваться различные<br />
функции в зависимости от решаемой задачи и типа НС. Выбор функции активации определяется:<br />
• спецификой задачи;<br />
• удобством реализации на ЭВМ, в виде электрической схемы или другим способом;<br />
• алгоритмом обучения: некоторые алгоритмы накладывают ограничения на вид функции<br />
активации, которые необходимо учитывать.<br />
50
Даже если (как чаще всего и бывает)<br />
вид нелинейности принципиально не влияет<br />
на решение задачи, ее удачный выбор сокращает<br />
время обучения в несколько раз. В<br />
частности, в задаче распознавания используются<br />
сигмоидальная f ( x) = 1 ( 1+<br />
e −x )<br />
и радиально-базисная ( ) ( 2 )<br />
f x = exp − x<br />
функции.<br />
Многослойные нейронные сети прямого<br />
распространения. В соответствии с<br />
теоремой Стоуна–Вейерштрасса многослойные<br />
НС (МНС) осуществляют аппроксимацию любой непрерывной функции с любой<br />
точностью, зависящей от числа слоев и числа нейронов в слоях [13], [14].<br />
М н о г о с л о й н ы й п е р с е п т р о н . Наиболее популярный класс многослойных сетей<br />
прямого распространения образуют многослойные персептроны (ПЕР-сети), в которых<br />
каждый вычислительный элемент использует сигмоидальную функцию активации.<br />
Многослойный персептрон может формировать сколь угодно сложные границы принятия<br />
решения и реализовывать произвольные булевы функции. Разработка алгоритма обратного<br />
распространения для определения весов в многослойном персептроне сделала эти сети<br />
наиболее популярными у исследователей и пользователей НС.<br />
Р а д и а л ь н о - б а з и с н ы е н е й р о н н ы е с е т и . НС на основе обучающих радиально-базисных<br />
функций (РБФ) состоят из бóльшего количества нейронов, чем стандартные<br />
сети с прямой передачей сигналов и обучением методом обратного распространения<br />
ошибки, но на их создание требуется значительно меньше времени. Эти сети особенно<br />
эффективны, когда доступно большое количество обучающих векторов [14].<br />
Эти сети являются частным случаем двухслойной сети прямого распространения.<br />
Каждый элемент скрытого слоя использует в качестве активационной функции РБФ типа<br />
гауссовской.<br />
Однако сеть на базе РБФ (РБФ-сеть) содержит слишком большое число скрытых<br />
элементов. Это замедляет функционирование в сравнении с многослойным персептроном.<br />
Эффективность (ошибка в зависимости от размера сети) и РБФ-сети, и многослойного<br />
персептрона зависит от решаемой задачи.<br />
Принцип обучения нейронных сетей. Нейрон обучается с учителем по принципу минимизации<br />
целевой функции. На рис. 3<br />
представлен принцип обучения нейрона.<br />
После того как определено количество слоев<br />
сети и число нейронов в каждом из них,<br />
нужно назначить значения весов<br />
смещений<br />
w j и<br />
d j , которые минимизируют<br />
ошибку решения. Это достигается с помощью<br />
процедур обучения.<br />
x 2<br />
x 1<br />
x 2<br />
x N<br />
x 1<br />
x N<br />
w 2<br />
w 1<br />
w N<br />
…<br />
1<br />
w 0<br />
Нейрон<br />
Рис. 2<br />
w 1<br />
w 2<br />
Рис. 3<br />
n<br />
w N<br />
Адаптивный алгоритм<br />
подбора весов<br />
1<br />
w 0<br />
( ) f n<br />
y<br />
y<br />
–<br />
+<br />
d<br />
51
Для НС наиболее популярным является алгоритм обратного распространения ошибки.<br />
В настоящее время он считается одним из наиболее эффективных алгоритмов обучения.<br />
Рассмотренный алгоритм определяет стратегию подбора весов МНС. Его основу составляет<br />
целевая функция, представляемая, как правило, в виде квадратичной суммы разностей<br />
между фактическими и ожидаемыми значениями выходных сигналов. В случае<br />
единичной обучающей выборки ( x,<br />
d ) целевая функция определяется в виде [10]–[13]:<br />
52<br />
1<br />
E w = y − d<br />
2<br />
( ) ( ) 2<br />
M<br />
∑ k k . После получения значений выходных сигналов y k можно рассчи-<br />
k = 1<br />
тать фактическое значение целевой функции E ( w ), которое на втором этапе минимизируется.<br />
При количестве обучающих выборок j = p > 1 целевая функция превращается в<br />
p M<br />
1<br />
2<br />
j= 1k<br />
= 1<br />
сумму по всем выборкам: E ( w) = ∑ ∑ ( y jk − d jk ) 2 .<br />
При непрерывной целевой функции наиболее эффективными способами обучения<br />
оказываются градиентные методы оптимизации, согласно которым уточнение модуля вектора<br />
весов (обучение) производится по формуле w j+ 1 = wj<br />
+ ∆ w , где<br />
∆ w = η p ( w)<br />
; (2)<br />
η – параметр скорости обучения; p ( w)<br />
– направление в многомерном пространстве.<br />
В классическом алгоритме обратного распространения ошибки параметр p ( w)<br />
, учитываемый<br />
в выражении (2), задает направление отрицательного градиента, поэтому<br />
∆ w = −η∇ E ( w)<br />
.<br />
Структура сети для распознавания целей по дальностному портрету. Для решения<br />
задачи распознавания радиолокационных целей по ДП была выбрана трехслойная структура<br />
с сигмоидальными функциями в качестве функций активации входного и выходного слоев.<br />
В качестве функции активации скрытного слоя рассматривались сигмоидальная функция<br />
(характерная для персептронов и далее обозначаемая ПЕР) и радиально-базисная функция<br />
(далее обозначаемая РБФ). Структура сети для распознавания целей по ДП представлена на<br />
рис. 4 (ИН – искусственный нейрон). Следует отметить, что такой выбор не является единственно<br />
возможным: возможны, например, персептроны с четырьмя и более слоями.<br />
Для выбранной структуры персептрона апостериорная вероятность распознавания<br />
определяется по формуле<br />
Prob<br />
⎛ K ⎞ ⎡ K ⎛ N<br />
⎞⎤<br />
( yk X ) = F ⎜ ∑ w2kivi ⎟ = F ⎢∑ w2ki f ⎜ ∑ w1<br />
ij x ⎥<br />
j ⎟ ,<br />
⎜ ⎟<br />
⎝ i= 0 ⎠<br />
⎢ ⎜ ⎟⎥<br />
⎣i= 0 ⎝ j=<br />
0 ⎠⎦<br />
[ ]<br />
где v0 ≡ 1; x0 ≡ 1; F ( x) = 1 1+ exp( − x)<br />
; f ( x) 1 1 exp( x)<br />
= [ + − ] либо ( ) ( 2<br />
f x exp x )<br />
= − .<br />
Процесс моделирования.<br />
Выбор программных средств. Был выбран Neural Network Toolbox системы Matlab 6.5,<br />
достоинством которого являются:<br />
• простота создания и обучения НС;
1<br />
1<br />
n<br />
w 110<br />
• простота подготовки обучающей выборки;<br />
• возможность использования наиболее популярных алгоритмов обучения НС.<br />
Условия моделирования. Для создания данных обучения и проверки НС использовалась<br />
программа "Backscattering simulation". Эта программа создавала "чистые" ДП, к которым<br />
на этапах обучения и проверки НС добавлялся шум. На рис. 5 представлена схема<br />
структуры при создании данных для обучения и проверки НС.<br />
В этой схеме после фазового детектора, реализованного в указанной программе (1),<br />
получались "чистые" сигналы квадратурных каналов I и Q, которые подавались в блок 3 для<br />
определения энергии сигнала и формирования отсчетов шума, обеспечивающих задаваемое<br />
отношение сигнал/шум. Промасштабированные в 3 отсчеты "белого" шума, получаемые от<br />
генератора шума (2), добавлялись к сигналу для получения смеси сигнал/шум.<br />
Результаты моделирования распознавания радиолокационных целей. В процессе<br />
моделирования распознавались 9 различных воздушных целей: Ту-16, B1-B, B-52, составлявшие<br />
класс 1 – цели большого размера; Миг-21, Tonardo, F-15 (класс 2 – цели сред-<br />
Вход<br />
сигнала<br />
140<br />
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
Отсчеты по дальности<br />
90°<br />
x 1<br />
x 2<br />
Входы<br />
ФНЧ<br />
Опорная<br />
частота<br />
Входной<br />
слой<br />
I<br />
1<br />
2<br />
…<br />
w 111<br />
w 112<br />
w 1KN<br />
x N N<br />
ИН K<br />
Измерение энергии<br />
сигнала и создание<br />
соответствующего<br />
шума 3<br />
ИН 1<br />
w 11N<br />
ИН 2<br />
w 1K0<br />
…<br />
Скрытый<br />
слой<br />
Рис. 4<br />
ν 1<br />
ν 2<br />
ν K<br />
2 2<br />
I + Q<br />
4<br />
w 211<br />
w 212<br />
w 2MK<br />
Некогерентное<br />
накопление<br />
5<br />
w 210<br />
ИН 1<br />
w 21K<br />
…<br />
w<br />
2M<br />
0<br />
ИН M<br />
Выходной<br />
слой<br />
y 1<br />
y M<br />
Выходы<br />
Данные<br />
для обучения<br />
и проверки НС<br />
Класс или тип цели<br />
ФНЧ<br />
Программа<br />
"Backscattering<br />
simulation" 1<br />
Q<br />
Генератор<br />
"белого" шума<br />
2<br />
Отношение<br />
сигнал/шум<br />
Количество<br />
накапливаемых<br />
импульсов<br />
Рис. 5<br />
53
Ту-16<br />
Класс 1<br />
(большой<br />
размер)<br />
В1-В<br />
B52<br />
Воздушные цели<br />
МиГ-21<br />
Класс 2<br />
(средний<br />
размер)<br />
Tornado<br />
Рис. 6<br />
него размера) и ALCM, AGCM, Decoy<br />
(класс 3 – цели малого размера) (рис. 6).<br />
Для получения НС, не чувствительной<br />
к воздействию шума, последние обучались с<br />
применением сигнальных векторов, свободных<br />
от шума, и векторов, зашумленных с отношением<br />
сигнал/шум в интервале 18…30 дБ.<br />
На рис. 7 представлены зависимости<br />
вероятности распознавания целей q от отношения<br />
сигнал/шум во входном сигнале ψ с для ПЕР- (рис. 7, а) и РБФ-сети (рис. 7, б) с<br />
количеством нейронов в скрытом слое 300 и в выходном слое 9, обучавшихся при разных<br />
отношениях сигнал/шум<br />
F15<br />
ALCM<br />
Класс 3<br />
(малый<br />
размер)<br />
AGCM<br />
Decoy<br />
ψ об . Видно, что с ростом ψ об растет и распознающая способность<br />
сетей. При этом эффективность обучения по отношению к НС, обучавшимся в отсутствие<br />
шумов, у РБФ-сети выше (6 дБ), чем у ПЕР-сети (4 дБ).<br />
На рис. 8 показаны зависимости q( ψ с ) для каждой из девяти целей с использованием<br />
описанных НС ПЕР (рис. 8, а) и РБФ (рис. 8, б) (1 – Ту-16; 2 – B1-B; 3 – B-52; 4 – МиГ-21;<br />
5 – Tornado; 6 – F-15; 7 – ALCM; 8 – ALCM; 9 – Decoy).<br />
На рис. 9 сравниваются зависимости q( ψ с ) для НС ПЕР и РБФ. Сплошными линиями<br />
даны характеристики ПЕР-сети, штриховыми – РБФ-сети. Цифрами указаны клас-<br />
q<br />
ψ об = 18 дБ<br />
q<br />
ψ об = 18 дБ<br />
0.8<br />
0.6<br />
0.4<br />
22<br />
26<br />
30<br />
0.7<br />
0.4<br />
22<br />
26<br />
30<br />
0.2<br />
0.75<br />
0.50<br />
0.25<br />
54<br />
10 15 20 25 ψ с<br />
q<br />
0<br />
2<br />
3<br />
1<br />
4<br />
6<br />
5<br />
7<br />
8<br />
а<br />
9<br />
10 15 20 25 ψ с<br />
а<br />
Рис. 7<br />
Рис. 8<br />
0.1<br />
q<br />
0.75<br />
0.50<br />
0.25<br />
10 15 20 25 ψ с<br />
0<br />
1<br />
2<br />
3<br />
7<br />
8<br />
9<br />
6<br />
4<br />
5<br />
б<br />
10 15 20 25 ψ с<br />
б
сы распознаваемых целей (см. рис. 6). Из<br />
этих рисунков следует, что эффективность<br />
РБФ-сети на 2 дБ выше, чем у ПЕР-сети.<br />
Представленные в статье результаты<br />
моделирования показывают, что НС, обучавшиеся<br />
в присутствии шумов, обладают улучшенными<br />
возможностями распознавания<br />
(РБФ-сеть – на 6 дБ; ПЕР-сеть – на 4 дБ) по<br />
отношению к НС, обучавшимся в отсутствие<br />
шумов. При этом эффективность распознавания<br />
у РБФ-сети выше, чем у ПЕР-сети.<br />
q<br />
0.75<br />
0.50<br />
0.25<br />
0<br />
1<br />
3<br />
3<br />
2<br />
10 15 20 25 ψс<br />
Рис. 9<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Ермоленко В. П., Митрофанов Д. Г., Коваленков Н. Н. Учет вида зондирующего сигнала и архитектурных<br />
особенностей радиолокационных целей при определении потенциальных возможностей их распознавания<br />
// Зарубежная радиоэлектроника. 1996. № 11. С. 73–76.<br />
2. Smith C. R., Goggans P. M. Radar target identification // IEEE Ant. propagat. magaz. 1993. Vol. 35, № 4. P. 27–38.<br />
3. Van der Heiden R. Aircraft recognition with radar range profiles. PhD thesis / University of Amsterdam,<br />
1998. 99 p.<br />
4. Фархат Н. Х. Формирование радиолокационных изображений методом разнесения в диапазоне СВЧ и<br />
автоматизированная идентификация целей, основанная на использовании моделей нейронных сетей // ТИИЭР.<br />
1989. Т. 77, № 5. С. 43–56.<br />
5. Сосулин Ю. Г. Теоретические основы радиолокации и радионавигации: Учеб. пособие для вузов. М.:<br />
Радио и связь, 1992. 304 с.<br />
6. Селекция и распознавание на основе локационной информации / А. Л. Горелик, Ю. Л. Барабаш, О. В.<br />
Кривошеев, С. С. Эпштейн; Под ред. А. Л. Горелика. М.: Радио и связь, 1990. 249 с.<br />
7. Rihaczek A. W., Hershkowitz S. J. Theory an practice of radar target identification. Boston, London: Artech<br />
House, 2000. 738 p.<br />
8. Radar target backscattering simulation – sofware and user's manual / Y. D. Shirman, S. A. Gorshkov, S. P.<br />
Leshchenko et al. Boston, London: Artech House, 2002. 94 p.<br />
9. Братченко Г. Д., Орленке В.М. Методы радиолокационного распознавания и их моделирование / Я. Д.<br />
Ширман, С. А. Горшков, С. П. Лещенко и др. // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники.<br />
1996. № 11. С. 3–63.<br />
10. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов / Под. общ. ред. А. И. Галушкина. М.:ИПРЖР,<br />
2000. 528 с.<br />
11. Осовский С. Нейронные сети для обработки информации / Пер. с польск. И. Д. Рудинского. М.: Финансы<br />
и статистика, 2002. 344 c.<br />
12. Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления: Учеб. пособие для вузов.<br />
М: ИПРЖР, 2002. 480 с. (Нейрокомпьютеры и их применение. Кн. 8; Под. общ. ред. А. И. Галушкина).<br />
13. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, <strong>2006</strong>. 1104 с.<br />
14. Haykin S. Neural networks expand SP's horizons // IEEE Signal proc. mag. 1996. Vol. 13, № 3.P. 24–49.<br />
15. Caelli T., Guan L., Wan W. Modularity in neural computing // Proc. of the IEEE. 1999. Vol. 87, № 9.<br />
P. 1497–1518.<br />
Le Dai Phong, V. I. Veremjev<br />
PERFORMANCE OF RADAR TARGET RECOGNITION WITH HIGH RESOLUTION RANGE PROFILES FROM<br />
PROGRAM "BACKSCATTERING SIMULATION"<br />
The selection of feature and algorithm of radar target recognition is considered. Characteristics<br />
of recognition of the air targets by neural network are presented. The performance of<br />
neural networks algorithms are compared with other.<br />
Neural network, radar, recognition<br />
Статья поступила в редакцию 16 марта <strong>2006</strong> г.<br />
55
УДК.621.396<br />
Чинь Суан Шинь, В. И. Веремьев<br />
МЕТОДЫ ОПРЕДЕЛЕНИЯ ХАРАКТЕРИСТИК<br />
ВТОРИЧНОГО ИЗЛУЧЕНИЯ ВОЗДУШНЫХ ЦЕЛЕЙ<br />
В ЗАДАЧАХ РАДИОЛОКАЦИОННОГО РАСПОЗНАВАНИЯ<br />
Рассмотрены основные методы определения характеристик вторичного излучения<br />
воздушных целей при решении задач радиолокационного распознавания.<br />
Радиолокационный комплекс, мониторинг воздушного пространства<br />
К числу определяемых характеристик вторичного излучения относят значения эффективных<br />
площадей рассеяния (ЭПР) целей и элементов их поляризационных матриц на<br />
отдельных фиксированных частотах, отклики целей на широкополосные импульсы на<br />
различных несущих частотах или на очень короткие видеоимпульсы, модуляционные,<br />
флуктуационные и другие статические характеристики целей, характеристики обратного<br />
вторичного излучения и его направленности при многопозиционном приеме [1].<br />
Расчет электромагнитного поля, рассеянного некоторыми простейшими телами,<br />
проводят на основе точных решений, полученных из уравнений Максвелла. Для объектов<br />
более сложной формы используют метод интегральных уравнений [2], реализуемый численно<br />
на ЭВМ. Однако применение этого точного метода в высокочастотной области (когда<br />
длина волны значительно меньше размеров рассеивателя) в настоящее время затруднено<br />
ввиду необходимости больших вычислительных затрат.<br />
Для обнаружения самолетов представляется наиболее перспективным использование<br />
сантиметрового и дециметрового диапазонов волн. В этих диапазонах для решения стационарных<br />
задач рассеивания широко используются приближенные лучевые и токовые<br />
методы. К лучевым методам относят методы геометрической оптики и геометрической<br />
теории дифракции, к токовым методам – аппарат физической оптики, параболического<br />
уравнения и краевых токов (физической теории дифракции) [3].<br />
Приближенные высокочастотные методы расчетов не дают удовлетворительных результатов<br />
для таких элементов воздушных объектов, как антенные отсеки, кабины, воздухозаборники<br />
и сопла двигателей, которые на наиболее важных носовых ракурсах вносят<br />
основной вклад в отраженный сигнал. Выход – в сочетании теоретических приближенных<br />
методов расчета характеристик вторичного излучения элементов планера самолета (фюзеляж,<br />
крыло, хвостовое оперение, гондолы двигателей, подвесное оборудование) и экспериментальных<br />
данных и полуэмпирических формул для расчета характеристик вторичного<br />
излучения антенных отсеков, кабин, воздухозаборников и сопел двигателей. Такой метод<br />
расчета можно назвать экспериментально-теоретическим.<br />
Далее приведено описание методики определения характеристик вторичного излучения<br />
воздушных объектов в сантиметровом и дециметровом диапазонах волн при полосе<br />
частот, значительно меньшей несущей частоты. Методика обладает следующими отличительными<br />
особенностями:<br />
56<br />
© Чинь Суан Шинь, В. И. Веремьев, <strong>2006</strong>
• для описания поверхности объекта используется метод простейших компонентов с наложением<br />
граничных условий;<br />
• для расчета характеристик вторичного излучения отдельных элементов объекта используется<br />
экспериментально-теоретический метод;<br />
• расчет эффектов затенения и переотражений проводится по аналитическим формулам;<br />
• для повышения точности моделирования параметры модели могут корректироваться в<br />
результате сопоставления с экспериментальными данными.<br />
Расчет характеристик вторичного излучения воздушных целей с проводящей поверхностью<br />
в сантиметровом и дециметровом диапазонах радиоволн. Характеристики<br />
вторичного излучения сигнала рассматриваются в случае движения цели в направлении к<br />
радару [4]. Комплексная амплитуда сигнала может быть определена суммированием отраженных<br />
сигналов отдельных элементов:<br />
где<br />
( { ⎤ })<br />
M<br />
x( t) = Ak exp − j ( 4π λ ) ⎡r ( t) + ξk cos θ ( t ) + ηk sin θ A( t ) + ψk<br />
k = 1<br />
∑ ⎣ ⎦ ; k = 1, 2, …,<br />
M ,<br />
A k – амплитуда сигнала вторичного излучения, рассеянного k-м целевым элементом;<br />
ξ k , η k – его продольные и поперечные координаты в выбранной системе координат;<br />
2<br />
( ) 0.5<br />
r t = r 0 + v r t + a r t +… – закон, характеризующий продольное движение цели;<br />
( t<br />
2<br />
) t 0.5a t<br />
θ = Ω + Ω + … – закон, определяющий угловое движение относительно направления<br />
лоцирования ( v r , Ω – начальные радиальная и угловая скорости соответственно; a r , a Ω –<br />
радиальное и угловое ускорения соответственно; ψ k – начальная фаза). Используя приближе-<br />
cos t 1 0.5<br />
2<br />
t sin θ t ≈ θ t при θ( t )
z<br />
r0<br />
ς<br />
В процессе вычисления ( ) x t с помощью<br />
численного моделирования находятся:<br />
• векторы r 0 для различных вариантов ориентации<br />
цели;<br />
• число "блестящих" элементов M и их координаты<br />
с учетом эффектов затенения;<br />
• вклад каждого элемента в сумму (1).<br />
При расчете учитываются системы<br />
координат, представленные на рисунке:<br />
0з<br />
xyz – наземного локатора; 0ξης – воздушной<br />
цели; 0 k x k y k z k – местная система координат<br />
отражающей поверхности; β , ε –<br />
азимут и угол места цели в системе координат локатора соответственно.<br />
т<br />
т<br />
0 = 0ξ, 0η, 0ς<br />
= ψ, θ, γ cos εcos β,cos εsin β,sin<br />
ε<br />
Единичный вектор r 0 имеет в системе координат наземного локатора составляющие<br />
cosε cos β, cos εsin β , sin ε , а в системе координат воздушной цели определяется выражением<br />
r r r H ( )<br />
r , где r0 ξ, r0 η,<br />
r0<br />
ς – проекции<br />
вектора r 0 на оси 0 ξ , 0 η , 0 ς соответственно; "т" – оператор транспонирования;<br />
H<br />
y<br />
r0<br />
η<br />
0 з<br />
β<br />
( )<br />
ε<br />
r 0<br />
η<br />
γ<br />
θ<br />
ζ<br />
0<br />
y k<br />
0 k<br />
S k<br />
r0<br />
ξ<br />
P k<br />
z k<br />
cos ψ cos θ sin ψ sin γ − cos ψ sin θcos γ sin ψsin γ + cosψ sin θsin<br />
γ<br />
ψ, θ, γ = −sin θ cos θcos γ − cos θsin<br />
γ<br />
−sin ψ cosθ cos ψ sin γ + sin ψsin θcos γ cos ψ cos γ − sin ψ sin θsin<br />
γ<br />
– матрица перехода; ψ, θ,<br />
γ – направляющие углы перехода из системы координат локатора<br />
в систему координат цели (см. рисунок).<br />
Учет особенностей цели. В первую очередь поверхность аппроксимируется на основе<br />
чертежа совокупностью участков поверхностей второго порядка ( )<br />
Fk<br />
ξ, η, ζ = 0 . Объекту<br />
принадлежат лишь точки k-й поверхности ( k 1, 2, , M )<br />
ничивающих ее поверхностей ( , , ) j k<br />
x k<br />
ψ<br />
ξ<br />
x<br />
= … , лежащие внутри огра-<br />
Fkj<br />
ξ η ζ , где = 1, 2, …, j ; k j – число поверхностей,<br />
ограничивающих j-ю поверхность).<br />
Положение воздухозаборников двигателей задается координатами центров входных<br />
отверстий. Учитываются параметры двигателей: форма поперечного сечения воздухозаборника,<br />
его глубина, число, форма и размеры лопаток компрессора.<br />
Координаты центров бортовых антенн описываются в системе координат цели. Задаются<br />
параметры их раскрыва, рабочая длина волны, фокусное расстояние (для зеркальных<br />
антенн), параметры облучателя и другие характеристики.<br />
Для поверхностей, покрытых радиопоглощающими материалами, в модели задают<br />
толщину покрытия, комплексные относительные диэлектрическую и магнитную проницаемости<br />
материала, степень неоднородности покрытия, форму поверхности или же экспериментальную<br />
зависимость коэффициента отражения от углов облучения и наблюдения.<br />
58
Преобразование координат "блестящей" точки из местной системы координат в<br />
систему координат цели. Это преобразование описывается выражением<br />
т<br />
ξbk , ηbk , ζ bk =<br />
т т<br />
= Hk xbk , ybk , zbk ξk , ηk , ζ k , где H k – матрица перехода от системы 0ξηζ к системе<br />
0 k x k y k z k с размерами 3× 3 ; ξk , ηk , ζ k – координаты точки 0 k в системе 0ξηζ . Пересчеты<br />
вектора r 0 в местные системы координат проводятся согласно выражению r 0k<br />
= H k r 0 .<br />
"Блестящие" элементы при однопозиционной локации определяются точками стационарной<br />
фазы. Плоскость фронта волны касательна к выпуклой поверхности F ( x, y, z ) = 0 в<br />
этой точке. Другими словами, единичный вектор r 0 , задающий нормаль к фронту волны,<br />
коллинеарен с вектором grad F , откуда ( dF dx)( 1 r0 x ) = ( dF dy)( 1 r0 y ) = ( dF dz)( 1 r0<br />
z ),<br />
где 0 , x<br />
r 0 y,<br />
0 z<br />
r r – проекции вектора r 0 на координатные оси.<br />
Аналитические выражения для нахождения координат "блестящих" элементов различных<br />
поверхностей второго порядка сведены в таблицу, где a, b, c, p,<br />
q – параметры поверхностей.<br />
Оценка затенения. В качестве исходных данных рассмотрим луч, проведенный из<br />
"блестящей" точки с координатами ξб, ηб,<br />
ζ б на один из ограниченных участков других<br />
аппроксимирующих поверхностей. Для анализа подставим в уравнение k-й (проверяемой)<br />
поверхности второго порядка выражение прямой ξ = ξб − r 0ξ t ; η = ηб<br />
− r 0η t ; ζ = ζб<br />
− r 0ς<br />
t .<br />
Тип поверхности<br />
Эллипсоид<br />
Эллиптический<br />
параболоид<br />
Двухполостный<br />
геперболоид<br />
Эллиптический<br />
цилиндр<br />
Параболический<br />
цилиндр<br />
Гиперболический<br />
цилиндр<br />
Эллиптический<br />
конус<br />
Гиперболический<br />
параболоид<br />
Каноническое уравнение<br />
поверхности<br />
2 2 2<br />
x y z<br />
+ + = 1<br />
2 2 2<br />
a b c<br />
2 2<br />
z y<br />
+ = 2x<br />
p q<br />
2 2 2<br />
z y x<br />
+ − = − 1<br />
2 2 2<br />
c b a<br />
2 2<br />
z y<br />
+ = 1<br />
2 2<br />
c b<br />
y<br />
2<br />
=<br />
2pz<br />
2 2<br />
z y<br />
− = 1<br />
2 2<br />
c b<br />
2 2 2<br />
z y x<br />
+ − = 0<br />
2 2 2<br />
c b a<br />
2 2<br />
z y<br />
− = 2x<br />
p q<br />
Координаты "блестящей" точки<br />
= − 0x<br />
2 ; = − 0y<br />
2 ; = − 2 , где<br />
0z<br />
x r a U y r b U z r c U<br />
2 2 2<br />
U = ( ar0 x ) + ( br0 y ) + ( cr0<br />
z )<br />
⎡ 2 2<br />
1<br />
r ⎤<br />
⎛ r0 z ⎞ ⎛ 0y<br />
⎞ r0<br />
y r<br />
x = ⎢ p + q ; y q ; z p<br />
0z<br />
⎜ ⎟<br />
⎥ = − = −<br />
2 ⎢ ⎜<br />
r<br />
⎟<br />
⎣ ⎝ 0x ⎠ ⎝ r0 x ⎠ ⎥<br />
⎦ r0 x r0<br />
x<br />
2 2 2<br />
x = − r0 xa U ; y = − r0 yb U ; z = − r0<br />
zc U<br />
2 2<br />
x1 = 0; x2 = 1; y1 = y2 = − r0 yb U ; z1 = z2 = − r0<br />
zc U ,<br />
где ( ) 2 ( ) 2<br />
U = br0 y + cr0<br />
z<br />
2<br />
r0 y<br />
p ⎛ r0<br />
y ⎞<br />
x1 = 0; x2 = 1; y1 = y2 = − ; z1 = z2<br />
= ⎜ ⎟<br />
r0 z<br />
2 ⎝ r0<br />
z ⎠<br />
2 2<br />
x1 = 0; x2 = 1; y1 = y2 = − r0 yb U ; z1 = z2 = − r0<br />
zc U ,<br />
2 2<br />
где U = ( cr0 z ) − ( br0<br />
y )<br />
x<br />
2 2<br />
1 = y1 = z1 = 0; x2 = a; y2 = − r0 yb U ; z2 = − r0<br />
zc U ,<br />
где ( ) 2 ( ) 2<br />
U = br0 y + cr0<br />
z<br />
⎡ 2 2<br />
1<br />
r ⎤<br />
⎛ r0 z ⎞ ⎛ 0y<br />
⎞ r0<br />
y r<br />
x = ⎢ p − q ; ;<br />
0z<br />
⎜ ⎟ ⎥ y = q z = − p .<br />
2 ⎢ ⎜<br />
r<br />
⎟<br />
⎣ ⎝ 0x ⎠ ⎝ r0 x ⎠ ⎥<br />
⎦ r0 x r0<br />
x<br />
59
Полученное квадратное уравнение<br />
имеет решение ( 2 )<br />
( , , )<br />
t1,2<br />
b b ac a<br />
c = F k ξб ηб ζ б при б б б<br />
2<br />
at + 2bt + c = 0<br />
(2)<br />
= − ± − , где b = 0.5 ( r ) т ∇F<br />
( ξ, η,<br />
ζ)<br />
; ( ) т<br />
0<br />
a = r0 p k r 0 ;<br />
ξ = ξ ; η = η ; ζ = ζ ; P k – матрица коэффициентов канонического<br />
уравнения k-й поверхности с размерами 3× 3 .<br />
Если уравнение (2) имеет хотя бы одно действительное положительное решение, то<br />
заданная "блестящая" точка затенена. Проверка затенения "блестящих" точек, образующих<br />
и кромок производится дискретно с шагом ∆ l . Для плоской поверхности проверяется<br />
затенение центра каждой из элементарных площадок ∆ Sk<br />
, на которые она разбита.<br />
Расчет поляризационных матриц элементарных излучателей при однопозиционной<br />
локации. Расчет поляризационных матриц осуществляется в соответствии с выражением<br />
A<br />
*т<br />
k = Uk MkUk<br />
, где U k – матрица перехода от собственного поляризационного<br />
базиса k-ro отражателя к поляризационному базису приемопередающей антенны; M k –<br />
диагональная поляризационная матрица в собственном поляризационном базисе k-го отражателя<br />
с размерами 2× 2 и диагональными элементами µ 1k = µ 2k = σ k ; σ k – эффективная<br />
площадь рассеяния k-го элемента; " ∗ " – знак комплексного сопряжения. Элементы линейно-поляризованной<br />
волны, падающей на прямую кромку, равны U11k = U22k = cos ϕ k ;<br />
U21k = U12k = −sin<br />
ϕ k , где ϕ k – угол между вектором поляризации падающего поля и<br />
проекцией линии кромки на фронт волны.<br />
По результатам исследований рассчитываются дальностные портреты, которые выводятся<br />
в виде графиков на экран монитора локационной станции и совместно с эффективными<br />
площадями целей заносятся в память компьютера для дальнейшего анализа. После завершения<br />
расчета можно изменить исходные данные и повторить цикл расчета [5].<br />
СПИСОК ЛИТЕРАТУРЫ<br />
1. Селекция и распознавание на основе локационной информации / Под ред. А. Л. Горелика. М.: Радио<br />
и связь, 1990. 240 c.<br />
2. Небабин А. Л., Сергеев В. А. Методы и техника радиолокационного распознавания. М.: Радио и<br />
связь, 1984. 152 с.<br />
3. Методы радиолокационного распознавания и их моделирование / Я. Д. Ширман, С. А. Горшков,<br />
С. П. Лещенко и др. // Радиолокация и радиометрия. 2000. № 2. С. 5–65.<br />
4. Computer simulation of aerial target radar scattering, recognition, detection, and tracking. Ed. by Y. D. Shirman.<br />
Boston, London: Artech House, 2002. 296 p.<br />
5. Черняк В. С. Многопозиционная радиолокация. М.: Радио и связь, 1993. 414 c.<br />
Trinh Xuan Sinh, V. I. Veremjev<br />
METHODS OF AIR TARGETS REFLECTED RADIATION CHARACTERISTICS DETERMINATION IN RADAR<br />
RECOGNITION TECHNIQUES<br />
The methods of air targets reflected radiation characteristics determination in radar recognition<br />
techniques are considered. It was used on the basic of neural network.<br />
Radiolocation complex, airspace monitoring<br />
Статья поступила в редакцию 16 марта <strong>2006</strong> г.<br />
60