Алгоритм адаптивной цифровой фильтрации на основе нейронной сети




Скачать 25.66 Kb.
Дата02.08.2016
Размер25.66 Kb.

ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1

В.С. ХАНДЕЦКИЙ, А.А. ВАЛЮХ

Днепропетровский национальный университет им. О. Гончара, Украина

valiuh@gmail.com, v.khandetsky@gmail.com
АЛГОРИТМ АДАПТИВНОЙ ЦИФРОВОЙ ФИЛЬТРАЦИИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ
Ключевые слова: адаптивный цифровой фильтр, временной ряд, ультразвуковой расходомер газа, шум, нейросеть
Работа посвящена исследованию нейросетевых технологий для построения и использования адаптивного фильтра с целью подавления шума в акустическом тракте ультразвукового счетчика газа (расходомера). В работе вводится класс узкоспециализированных DSP-нейронов. На основе алгоритмов обучения DSP-нейронов однозначно рассчитываются весовые коэффициенты. Таким образом, обучение сводится к четкому расчету весов по заранее определенным правилам. Подход, при котором формальные нейроны представлялись в виде конечных цифровых автоматов, пересекается с идеями Д. Фон-Неймана [1].

Рассмотрен подход, при котором данные, подаваемые на вход нейросетевого шумоподавителя, вначале обрабатываются фильтром скользящего среднего с целью уменьшения влияния случайной составляющей шума на результат шумоподавления. Чем более стационарным и менее случайным является характер шума, тем более качественно осуществляется фильтрация. На выходе нейросетевого шумоподавителя сигнал также содержит в незначительной степени случайную составляющую [2]. Это связано с неизбежной погрешностью шумоподавления. Поэтому целесообразным является повторное сглаживание результата фильтрации алгоритмом простого скользящего среднего – SMA (Simple Moving Average). Таким образом, представляется интересной возможность совместного использования SMA алгоритма и предложенного двухэтапного алгоритма шумоподавления, основанного на предсказании сетью тренда шумового процесса. Все вышеописанное можно объединить в один адаптивный шумоподавляющий алгоритм (рис. 1), который назван SNS (SMA-NAF-SMA где NAF – Neural Adaptive Filter).


нейросеть

Рис. 1. Полная DSP-нейронная сеть, реализующая SNS алгоритм

Влияние случайной составляющей на полезный сигнал может быть существенно снижено путем обычного усреднения результатов измерения по всем реализациям этого сигнала. Чем большее число реализаций усредняется, тем лучше происходит сглаживание случайных составляющих, и тем ближе полученный результат к исходному полезному сигналу. Добавление входного и выходного усреднения фильтром скользящего среднего существенным образом не повлияло на качество работы нейросетевого адаптивного фильтра при подавлении гармонического шума. В то же время входное и выходное усреднение существенно улучшило качество работы нейросетевого адаптивного фильтра при подавлении смеси гармонического и белого шума и позволило улучшить результат фильтрации подобного шума по сравнению с обработкой лишь нейронной сетью.

Для проверки работоспособности проведены вычислительные эксперименты в среде Matlab. Проверка алгоритма проведена на зашумленном сигнале. В работе были использованы нейронные сети обратного распространения ошибки.



Список литературы


  1. Фон-Нейман Д. Теория самовоспроизводящихся автоматов. М.: Мир. 1971. 382 с.

  2. Хандецкий В.С., Валюх А.А. Адаптивный цифровой фильтр на основе нейронных сетей. // XII Всероссийская конференция "Нейроинформатика-2010".Сборник научных трудов в 2-х частях. Ч. 1. М.: НИЯУ МИФИ. 2010. С. 167–175.




УДК 004.032.26(06) Нейронные сети


База данных защищена авторским правом ©uverenniy.ru 2016
обратиться к администрации

    Главная страница