📄Работа №208224
Тема: Нейросетевой сегментатор многокомпонентного радиотехнического сигнала
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информационные системы
Объем:
112 листов
Год:
2019
Просмотров:
41
3700
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 8
ВВЕДЕНИЕ 9
1. Анализ технического задания 10
2. Теоретические основы построения и обучения искуственных нейронных
сетей 11
2.1 Введение в искусственные нейронные сети 11
2.2 Однослойный персептрон 14
2.3 Многослойный персептрон. Алгоритмы обучения 15
2.3.1 Общая характеристика сети 15
2.3.2 Алгоритм обратного распространения ошибки 15
2.4 Динамические сети с задержками 18
2.4.1 Общая характеристика динамических сетей 18
2.4.2 Линейная сеть с задержками на входе 19
3. Генетические алгоритмы. Оптимизация нейронных сетей генетическими
алгоритмами 21
3.1 Операторы генетического алгоритма 22
3.1.1 Операторы выбора родителей 22
3.1.2 Методы селекции популяции 23
3.1.3 Рекомбинация 24
3.1.4 Мутация 25
3.1.5 Операторы отбора особей в новую популяцию 25
3.2 Применение генетического алгоритма для оптимизации нейросетевой
модели 27
4. Формирователь полос цифрового сигнала 28
4.1 Синтез цифровых фильтров с помощью метода окон 29
4.1.1 Синтез фильтров с использованием окон 29
4.1.2 Реализация метода окон и выбор оптимального варианта 29
4.2 Фильтры с косинусоидальным сглаживанием АЧХ 33
4.3 Реализация формирователя полос и цифрового фильтра на языке
MatLab 36
5. Сегментатор на основе нейронной сети специальной архитектуры 38
5.1 Описание слоя со специальной функцией активации 38
5.2 Описание специальной функции ошибки 41
5.3 Программное проектирование нейронной сети со специальной
архитектурой 42
5.3.1 Проектирование нейронной сети при помощи функций MatLab 43
5.3.2 Проектирование нейронной сети стандартными средствами 47
5.4 Нейросетевой сегментатор радиотехнического сигнала, выполненный на
нейронной сети специальной архитектуры 48
6. Реализация нейросетевого сегментатора с оптимизацией генетическими
алгоритмами 52
6.1 Алгоритм оптимизации нейронной сети при помощи генетического
алгоритма 52
6.1.1 Описание блока входных данных и их подготовки 53
6.1.2 Описание блока задания архитектуры нейронной сети и её
параметров 54
6.1.3 Описание блока настройки работы генетического алгоритма 54
6.1.4 Описание блока вычисления ошибки 55
6.1.5 Описание блока получения конечного результата 56
6.2 Модификация алгоритма работы нейросетевого сегментатора 58
6.2.1 Модификация алгоритма сегментации по двум сигналам открытия и
двум уровням 58
6.2.2 Модификация алгоритма сегментации по четырем сигналам и двум
уровням 61
7. Результаты сегментации многокомпонентного радиотехнического сигнала с
применением генетического алгоритма 64
7.1 Тестирование работы нейросетевого сегментатора с применением
генетических алгоритмов 64
1.2 Тестирование работы нейросетевого сегментатора с применением метода
формирования уровней переключения 69
1.3 Тестирование работы нейросетевого сегментатора радиотехнического
сигнала с модицифированным с алгоритмом сегментации 73
1.4 Сравнительный анализ работы нейросетевых сегментаторов 76
8. Организационно - экономический раздел 82
8.1 Составление индивидуального перечня работ и построение СГ 82
8.2 Расчет ожидаемой продолжительности выполнения работ 89
8.3 Расчет параметров событий сетевого графика 89
8.4 Расчет параметров работ сетевого графика 90
8.5 Расчет параметров СГ в целом 93
8.6 Расчет сметной стоимости работ 95
8.1 Анализ технико-экономической эффективности 91
9. Безопасность жизнедеятельности 98
9.1 Вредные и опасные факторы, которым подвергается пользователь при
работе за ПЭВМ 98
9.2 Рекомендации по организации рабочего места оператора ПЭВМ 100
9.3 Правила эксплуатации рабочего места 103
9.4 Требования к микроклимату помещений при работе на ПЭВМ 104
9.5 Требования к шумовым воздействиям на рабочем месте 105
9.6 Требования к освещению на рабочих местах 105
9.1 Требования к уровням электромагнитных полей на рабочем месте 101
9.8 Требования по обеспечению противопожарной безопасности 108
9.9 Требования к организации и оборудованию рабочих мест с ПЭВМ 109
9.10 Рекомендации по организации собственного рабочего места 110
9.11 Выводы по разделу 112
ЗАКЛЮЧЕНИЕ 113
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 115
ВВЕДЕНИЕ 9
1. Анализ технического задания 10
2. Теоретические основы построения и обучения искуственных нейронных
сетей 11
2.1 Введение в искусственные нейронные сети 11
2.2 Однослойный персептрон 14
2.3 Многослойный персептрон. Алгоритмы обучения 15
2.3.1 Общая характеристика сети 15
2.3.2 Алгоритм обратного распространения ошибки 15
2.4 Динамические сети с задержками 18
2.4.1 Общая характеристика динамических сетей 18
2.4.2 Линейная сеть с задержками на входе 19
3. Генетические алгоритмы. Оптимизация нейронных сетей генетическими
алгоритмами 21
3.1 Операторы генетического алгоритма 22
3.1.1 Операторы выбора родителей 22
3.1.2 Методы селекции популяции 23
3.1.3 Рекомбинация 24
3.1.4 Мутация 25
3.1.5 Операторы отбора особей в новую популяцию 25
3.2 Применение генетического алгоритма для оптимизации нейросетевой
модели 27
4. Формирователь полос цифрового сигнала 28
4.1 Синтез цифровых фильтров с помощью метода окон 29
4.1.1 Синтез фильтров с использованием окон 29
4.1.2 Реализация метода окон и выбор оптимального варианта 29
4.2 Фильтры с косинусоидальным сглаживанием АЧХ 33
4.3 Реализация формирователя полос и цифрового фильтра на языке
MatLab 36
5. Сегментатор на основе нейронной сети специальной архитектуры 38
5.1 Описание слоя со специальной функцией активации 38
5.2 Описание специальной функции ошибки 41
5.3 Программное проектирование нейронной сети со специальной
архитектурой 42
5.3.1 Проектирование нейронной сети при помощи функций MatLab 43
5.3.2 Проектирование нейронной сети стандартными средствами 47
5.4 Нейросетевой сегментатор радиотехнического сигнала, выполненный на
нейронной сети специальной архитектуры 48
6. Реализация нейросетевого сегментатора с оптимизацией генетическими
алгоритмами 52
6.1 Алгоритм оптимизации нейронной сети при помощи генетического
алгоритма 52
6.1.1 Описание блока входных данных и их подготовки 53
6.1.2 Описание блока задания архитектуры нейронной сети и её
параметров 54
6.1.3 Описание блока настройки работы генетического алгоритма 54
6.1.4 Описание блока вычисления ошибки 55
6.1.5 Описание блока получения конечного результата 56
6.2 Модификация алгоритма работы нейросетевого сегментатора 58
6.2.1 Модификация алгоритма сегментации по двум сигналам открытия и
двум уровням 58
6.2.2 Модификация алгоритма сегментации по четырем сигналам и двум
уровням 61
7. Результаты сегментации многокомпонентного радиотехнического сигнала с
применением генетического алгоритма 64
7.1 Тестирование работы нейросетевого сегментатора с применением
генетических алгоритмов 64
1.2 Тестирование работы нейросетевого сегментатора с применением метода
формирования уровней переключения 69
1.3 Тестирование работы нейросетевого сегментатора радиотехнического
сигнала с модицифированным с алгоритмом сегментации 73
1.4 Сравнительный анализ работы нейросетевых сегментаторов 76
8. Организационно - экономический раздел 82
8.1 Составление индивидуального перечня работ и построение СГ 82
8.2 Расчет ожидаемой продолжительности выполнения работ 89
8.3 Расчет параметров событий сетевого графика 89
8.4 Расчет параметров работ сетевого графика 90
8.5 Расчет параметров СГ в целом 93
8.6 Расчет сметной стоимости работ 95
8.1 Анализ технико-экономической эффективности 91
9. Безопасность жизнедеятельности 98
9.1 Вредные и опасные факторы, которым подвергается пользователь при
работе за ПЭВМ 98
9.2 Рекомендации по организации рабочего места оператора ПЭВМ 100
9.3 Правила эксплуатации рабочего места 103
9.4 Требования к микроклимату помещений при работе на ПЭВМ 104
9.5 Требования к шумовым воздействиям на рабочем месте 105
9.6 Требования к освещению на рабочих местах 105
9.1 Требования к уровням электромагнитных полей на рабочем месте 101
9.8 Требования по обеспечению противопожарной безопасности 108
9.9 Требования к организации и оборудованию рабочих мест с ПЭВМ 109
9.10 Рекомендации по организации собственного рабочего места 110
9.11 Выводы по разделу 112
ЗАКЛЮЧЕНИЕ 113
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 115
📖 Аннотация
В данной дипломной работе представлена разработка и оптимизация нейросетевого сегментатора для обработки многокомпонентных радиотехнических сигналов. Актуальность исследования обусловлена потребностью в высокоточных и адаптивных методах анализа сложных сигналов в современных радиоэлектронных системах, где традиционные алгоритмы часто оказываются недостаточно эффективными. Основным результатом является создание программной модели сегментатора на базе искусственной нейронной сети, процесс обучения которой был усовершенствован за счёт применения генетического алгоритма для подбора весовых коэффициентов, что позволило преодолеть проблему преждевременной сходимости и застревания в локальных минимумах, характерную для стандартных методов обучения. Научная значимость работы заключается в синтезе подходов нейросетевого моделирования и эволюционных вычислений для задач сегментации сигналов, а практическая – в создании гибкого программного обеспечения на MATLAB, пригодного как для моделирования, так и для последующей аппаратной реализации в управляющих трактах РЭС. Теоретической основой послужили фундаментальные труды по нейронным сетям (Хайкин С., Хебб Д., Розенблатт Ф.) и генетическим алгоритмам (Панченко Т.В.). Тестирование подтвердило эффективность предложенного гибридного подхода для обработки сложных многокомпонентных сигналов.
📖 Введение
Целью данной работы является разработка нейросетевого сегментатора многокомпонентного радиотехнического сигнала, оптимизация полученной модели и исследование результата. В ходе работы: разработана модель нейросетевого сегментатора радиотехнического сигнала; реализован метод подбора весовых коэффициентов нейронной сети при помощи генетического алгоритма; проведена оптимизация генетическим алгоритмом; проведено тестирование на сложно многокомпонентном радиотехническом сигнале; сделан анализ и вывод об эффективности разработанного программного продукта на основе полученных результатов.
Для реализации алгоритмов и проведения моделирования, было написано программное обеспечение на языке программирования: MATLAB.
Данная работа предназначена для обработки сигналов в трактах радиоэлектронных устройств, для формирования сигналов управления РЭС. Разработанное ПО позволяет протестировать модель на различных сигналах, проверить эффективность их обработки в программной среде MatLab. Также возможна физическая реализация в виде устройства на интегральной микросхеме.
Для реализации алгоритмов и проведения моделирования, было написано программное обеспечение на языке программирования: MATLAB.
Данная работа предназначена для обработки сигналов в трактах радиоэлектронных устройств, для формирования сигналов управления РЭС. Разработанное ПО позволяет протестировать модель на различных сигналах, проверить эффективность их обработки в программной среде MatLab. Также возможна физическая реализация в виде устройства на интегральной микросхеме.
✅ Заключение
В данной дипломной работе были рассмотрены теоретические основы работы
нейронных сетей и генетических алгоритмов. Изучены алгоритмы обучения
искусственных нейронных сетей. Разобраны операторы генетических алгоритмов.
На основе теоретической базы были разработаны модели нейросетевого
сегментатора многокомпонентного радиотехнического сигнала.
Для каждой из моделей был разработан свой алгоритм сегментации сигнала.
Классическим сегментатором можно считать нейросетевой СМРС,
спроектированный на основе нейронной сети специальной архитектуры и
специальной функции ошибки. Такой сегментатор прост в синтезе и коррекции его
работы, но имеет несколько минусов, главным из которых является алгоритм его
оптимизации. Данный алгоритм - это алгоритм обучения нейронной сети, который
при оптимизации может достигать локальных минимумов и, из-за ограниченности
данного метода оптимизации нейросетевой модели, не имеет возможности выхода из
них. Это приводит к проблеме преждевременной сходимости, которая была решена
заменой стандартного метода обучения ИНС генетическими алгоритмами.
Генетические алгоритмы – универсальные алгоритмы оптимизации различных
системных моделей. В случае нейросетевого СМРС генетический алгоритм заменяет
стандартный алгоритм перебора весовых коэффициентов нейронной сети,
именуемый обучением. Такой подход позволяет тонко настраивать оптимизацию
нейросетевой модели и получать решения различной точности. Также ГА позволяет
выходить алгоритму оптимизации из локальных минимумов, что позволяет избежать
проблемы преждевременной сходимости.
Критерием правильной работы нейросетевого сегментатора
радиотехнического сигнала был выбран параметр накопления длины сигнала с
учетом функции сегментатора. Такой подход позволяет оценить качество работы
различных моделей нейросетевого сегментатора.
На основе выбранного критерия было протестировано четыре модели
неросетевых СМРС:
модель на нейронной сети специальной архитектуры;
модель с применением генетических алгоритмов и стандартным
алгоритмом сегментации;
модель с применением генетических алгоритмов и модифицированным
алгоритмом сегментации, включающем параметры задания уровней
переброса сегментатора в нулевое положение;
модель с применением генетических алгоритмов, сочетающая все
вышеперечисленные алгоритмы сегментации.
Самой эффективной оказалась модель, совмещающая все алгоритмы
сегментации и оптимизируемая генетическими алгоритмами. Подход, совмещающий
ГА и различные алгоритмы сегментации позволяет получить максимальное значение
накопленной длины сигнала с минимальными провалами на интервалах накопления
длины. Это случается из-за более тонкой и точной настройки генетического
алгоритма и самого алгоритма сегментации.
В работе представлены результаты работы всех типов сегментаторов и
проведен сравнительный анализ самых эффективных из них.
нейронных сетей и генетических алгоритмов. Изучены алгоритмы обучения
искусственных нейронных сетей. Разобраны операторы генетических алгоритмов.
На основе теоретической базы были разработаны модели нейросетевого
сегментатора многокомпонентного радиотехнического сигнала.
Для каждой из моделей был разработан свой алгоритм сегментации сигнала.
Классическим сегментатором можно считать нейросетевой СМРС,
спроектированный на основе нейронной сети специальной архитектуры и
специальной функции ошибки. Такой сегментатор прост в синтезе и коррекции его
работы, но имеет несколько минусов, главным из которых является алгоритм его
оптимизации. Данный алгоритм - это алгоритм обучения нейронной сети, который
при оптимизации может достигать локальных минимумов и, из-за ограниченности
данного метода оптимизации нейросетевой модели, не имеет возможности выхода из
них. Это приводит к проблеме преждевременной сходимости, которая была решена
заменой стандартного метода обучения ИНС генетическими алгоритмами.
Генетические алгоритмы – универсальные алгоритмы оптимизации различных
системных моделей. В случае нейросетевого СМРС генетический алгоритм заменяет
стандартный алгоритм перебора весовых коэффициентов нейронной сети,
именуемый обучением. Такой подход позволяет тонко настраивать оптимизацию
нейросетевой модели и получать решения различной точности. Также ГА позволяет
выходить алгоритму оптимизации из локальных минимумов, что позволяет избежать
проблемы преждевременной сходимости.
Критерием правильной работы нейросетевого сегментатора
радиотехнического сигнала был выбран параметр накопления длины сигнала с
учетом функции сегментатора. Такой подход позволяет оценить качество работы
различных моделей нейросетевого сегментатора.
На основе выбранного критерия было протестировано четыре модели
неросетевых СМРС:
модель на нейронной сети специальной архитектуры;
модель с применением генетических алгоритмов и стандартным
алгоритмом сегментации;
модель с применением генетических алгоритмов и модифицированным
алгоритмом сегментации, включающем параметры задания уровней
переброса сегментатора в нулевое положение;
модель с применением генетических алгоритмов, сочетающая все
вышеперечисленные алгоритмы сегментации.
Самой эффективной оказалась модель, совмещающая все алгоритмы
сегментации и оптимизируемая генетическими алгоритмами. Подход, совмещающий
ГА и различные алгоритмы сегментации позволяет получить максимальное значение
накопленной длины сигнала с минимальными провалами на интервалах накопления
длины. Это случается из-за более тонкой и точной настройки генетического
алгоритма и самого алгоритма сегментации.
В работе представлены результаты работы всех типов сегментаторов и
проведен сравнительный анализ самых эффективных из них.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.