Научный журнал
Международный журнал прикладных и фундаментальных исследований
ISSN 1996-3955
ИФ РИНЦ = 0,593

НЕЙРОСЕТЕВАЯ ИДЕНТИФИКАЦИЯ СИГНАЛОВ НА ОСНОВЕ ИДЕНТИФИКАЦИОННО-СТРУКТУРНОГО АНАЛИЗА

Жашкова Т.В. 1
1 ФГБОУ ВПО «Пензенский государственный технологический университет»
1. Жашкова Т.В. Обобщенные структурные модели информационных объектов / А.Б. Щербань, К.Е. Братцев, Т.В. Жашкова, М.Ю. Михеев // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2009. – № 1(9). – С. 12–22.
2. Щербань А.Б. Классификация задач идентификационно-структурного анализа // Известия высших учебных заведений, Поволжский регион, Технические науки. – 2010. – № 2. – С. 14–23.
3. Касти Дж. Большие системы. Сложность связность и катастрофы: пер. с анг. – М.: Мир, 1982 – 216 с.
4. Гайдышев И. Анализ и обработка данных: специальный справочник – СПб.: Питер, 2001. – 752 с.: ил.
5. Михеев М.Ю., Крысин Ю.М., Сёмочкина И.Ю., Чувыкин Б.В. Информационно-структурные принципы совершенствования средств измерений: монография. – Пенза: Изд-во Пенз. гоc. ун-та, 1999. – С. 132.

Тенденцией современного развития идентификации сигналов является решение комплексных проблем, требующих многообразных средств, а так же тесной взаимосвязи различных аспектов общественной жизни приводящих к необходимости рассмотрения сложных трудно описываемых объектов, явлений и процессов [1].

Техника, экономика, социология, образование все больше превращаются в области оперирования сложными эргатическими системами, то есть системами одним из элементов которых является сам человек, (инновационные экономические и социальные программы, проблемы построения и трансформации эффективных моделей профессиональной деятельности специалистов и др.). Раздельное развитие отдельных компонентов таких систем, например, техники, технологии или управления не решает комплексной проблемы, в частности устойчивого роста качества жизни, и не обеспечивается, в свою очередь, изменением отдельных влияющих факторов: новой технологией, улучшением организации труда, повышением квалификации исполнителей и т.п.

Поэтому сегодня все отчетливее проявляется понижение значимости существующих и необходимости формулирования новых методологических подходов к решению указанных задач. Изменение типа научных и практических задач, их фактическое превращение в задачи управления организацией и функционированием сложных систем, сопровождается необходимостью формирования новых общенаучных и специально-научных концепций, использующих идеи системного подхода.

Все более очевидно, что системный подход представляет собой обобщенную методологическую концепцию, позволяющую строить новые средства изучения сложных систем. Это обстоятельство становится все более актуальным в связи с решением задач управления сложными объектами, полное адекватное описание которых либо отсутствует, либо не может быть получено по экономическим или технологическим причинам.

Сложные системы характеризуются большим количеством различных элементов, наличием различных по типу (неоднородных) связей между элементами, высоким уровнем целостности, интегрированностью, робастностью, а также новым, нетрадиционными в смысле формализации свойствами, к которым относятся уникальность, отсутствие однозначно формализуемой цели существования, отсутствие оптимальности. Таким системам сложно поставить в соответствие большое количество различных видов параметров, совокупность которых не дает полного однозначного описания их целостности и параметрического описания сложных систем.

Разработка методов классификации и нейросетевой идентификации сигналов в широком смысловом значении слова «сигнал», отожествляемого с такими понятиями как сообщение и информация, представляется актуальной при решении различных научных и практических задач и, в частности, задач управления сложными распределенными объектами. Под такими объектами, как правило, понимаются объекты любой семантической природы (как физические, так и абстрактные), имеющие распределенную структуру, т.е. объекты, для управления которыми необходим мониторинг территориально или функционально обособленной совокупности их элементов.

Сущность проблемы нейросетевой идентификации состоит в определении информации (сигналов) получаемых, в частности, от распределенного объекта и принятии решений о состоянии этого объекта на основе результатов идентификации. Существующие методы решения рассматриваемой проблемы используют наиболее распространенный подход к анализу сигналов, состоящий в выделении в них, так называемых, информативных признаков, используемых впоследствии для классификации сигналов.

Однако, в процессе решения задачи классификации, как правило, возникает проблема многокритериальности, характерной особенностью которой является рассмотрение двух пространств – пространства переменных (параметров сигнала), используемых при построении его математической модели, и пространства критериев. При этом проблема многокритериального оценивания сигнала, независимо от его природы, фактически сводиться к проблеме оценивания важности (значимости) частных критериев оценивания свойств и признаков сигнала при оценивании интегральной меры различия (расстояния) внутри классов и между классами.

Эта проблема, на наш взгляд, порождается тем, что совокупности частных критериев (свойств и признаков сигналов) представляют собой особые системы, обладающие собственной структурой и свойствами отличными от целостных свойств самого оцениваемого сигнала, как системы. Кроме этого, существующие методы классификации при построении меры различия, как правило, предполагают использование аналитических выражений, связывающих параметры сигналов с независимыми аргументами и разницы шкал, что затрудняет их реализацию.

В такой ситуации целесообразны исследования в направлении поиска новых подходов к решению рассматриваемых проблем вплоть до кардинальной смены самой концепции отображения (представления) сигнала, в частности, на основе использования идей и методов структурного подхода в рамках системной ориентации с последующим решением задач идентификационно-структурного анализа [2].

В последнее время наблюдается большой интерес к применению современных информационных технологий, в частности, нейросетевой технологии, к задачам моделирования сигналов. Связано это, с целым рядом факторов, среди которых можно отметить: разнообразие практических приложений; трудности применения стандартных методов идентификации вследствие нелинейности моделей, большого объема данных, неточности их измерений; высокая вычислительная сложность классических методов моделирования информационных объектов.


Библиографическая ссылка

Жашкова Т.В. НЕЙРОСЕТЕВАЯ ИДЕНТИФИКАЦИЯ СИГНАЛОВ НА ОСНОВЕ ИДЕНТИФИКАЦИОННО-СТРУКТУРНОГО АНАЛИЗА // Международный журнал прикладных и фундаментальных исследований. – 2014. – № 3-2. – С. 70-72;
URL: https://applied-research.ru/ru/article/view?id=4837 (дата обращения: 19.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674