📄Работа №212467
Тема: Построение нейросетевого экстраполятора многокомпонентного радиотехнического сигнала
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информационные системы
Объем:
97 листов
Год:
2020
Просмотров:
40
4270
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
СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 6
ВВЕДЕНИЕ 7
1 Анализ аналогов 11
2 Нейронные сети, их структура и основы функционирования 15
2.1 Математическая и биологическая структуры нейронов 15
2.2 Возможности нейронных сетей 19
2.3 Структуры и основные функции нейронной сети 20
2.4 Физический и геометрический смысл работы сети 22
3 Методы и способы улучшения экстраполяции 26
3.1 Методы обучения сети 26
3.2 Цифровая обработка входных данных 30
3.3 Способы улучшения экстраполяции 34
4 Конструирование нейросетевого экстраполятора многокомпонентного
радиотехнического сигнала 45
4.1 Способы реализации экстраполяции радиотехнического сигнала 45
4.2 Экстраполятор на нейронных сетях 46
4.3 Пример экстраполяции многокомпонентного радиотехнического сигнала 55
5 Организационно-экономический раздел 58
5.1 Сетевое планирование 58
5.2 Построение сетевого графика 58
5.3 Расчет параметров событий сетевого графика 63
5.4 Расчет параметров работ сетевого графика 65
5.5 Расчет стоимостных параметров научно-исследовательской работы 68
5.6 Экономический эффект разработки 69
6 Безопасность жизнедеятельности 71
6.1 Основные негативные факторы при работе с ЭВМ 71
6.2 Параметры микроклимата помещения 72
6.3 Требования к уровням шума 74
6.4 Параметры мониторов и освещенность рабочего места 75
6.5 Параметры электромагнитных излучений 77
6.6 Эргономика рабочего места 78
6.7 Характеристики нервно-психической напряженности труда на ЭВМ 79
6.8 Способы и средства защиты от вредных факторов 79
6.9 Организация собственного рабочего места 80
ЗАКЛЮЧЕНИЕ 83
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 85
ПРИЛОЖЕНИЕ А 87
ВВЕДЕНИЕ 7
1 Анализ аналогов 11
2 Нейронные сети, их структура и основы функционирования 15
2.1 Математическая и биологическая структуры нейронов 15
2.2 Возможности нейронных сетей 19
2.3 Структуры и основные функции нейронной сети 20
2.4 Физический и геометрический смысл работы сети 22
3 Методы и способы улучшения экстраполяции 26
3.1 Методы обучения сети 26
3.2 Цифровая обработка входных данных 30
3.3 Способы улучшения экстраполяции 34
4 Конструирование нейросетевого экстраполятора многокомпонентного
радиотехнического сигнала 45
4.1 Способы реализации экстраполяции радиотехнического сигнала 45
4.2 Экстраполятор на нейронных сетях 46
4.3 Пример экстраполяции многокомпонентного радиотехнического сигнала 55
5 Организационно-экономический раздел 58
5.1 Сетевое планирование 58
5.2 Построение сетевого графика 58
5.3 Расчет параметров событий сетевого графика 63
5.4 Расчет параметров работ сетевого графика 65
5.5 Расчет стоимостных параметров научно-исследовательской работы 68
5.6 Экономический эффект разработки 69
6 Безопасность жизнедеятельности 71
6.1 Основные негативные факторы при работе с ЭВМ 71
6.2 Параметры микроклимата помещения 72
6.3 Требования к уровням шума 74
6.4 Параметры мониторов и освещенность рабочего места 75
6.5 Параметры электромагнитных излучений 77
6.6 Эргономика рабочего места 78
6.7 Характеристики нервно-психической напряженности труда на ЭВМ 79
6.8 Способы и средства защиты от вредных факторов 79
6.9 Организация собственного рабочего места 80
ЗАКЛЮЧЕНИЕ 83
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 85
ПРИЛОЖЕНИЕ А 87
📖 Аннотация
В данной дипломной работе разработан и программно реализован нейросетевой экстраполятор, предназначенный для прогнозирования сложных многокомпонентных радиотехнических сигналов. Актуальность исследования обусловлена потребностью в высокоточных методах предсказания поведения широкополосных недетерминированных сигналов в современных радиотехнических системах, где традиционные подходы часто оказываются недостаточно эффективными. Основным результатом является создание универсального программного продукта с настраиваемыми параметрами, который по ряду ключевых показателей превосходит известные аналоги. Важнейшим выводом работы стало подтверждение гипотезы о том, что предварительное разделение исходного сигнала на парциальные составляющие с помощью оригинальных методов цифровой обработки, основанных на модификации фундаментальных фильтров, кардинально повышает точность экстраполяции, снижая вычислительную нагрузку на нейронную сеть. Научная значимость заключается в развитии методов адаптивной обработки сигналов и оптимизации архитектур нейронных сетей для задач прогнозирования, а практическая – в возможности внедрения разработанного экстраполятора в системы радиомониторинга, связи и радиолокации для повышения их помехоустойчивости и надежности. Теоретической основой исследования послужили труды таких авторов, как В.А. Головко, рассматривающий основы организации нейронных сетей, Б.Р. Левин в области статистической радиотехники, И.С. Гоноровский по теории радиотехнических цепей и сигналов, а также С. Сингхал, исследующий алгоритмы обучения многослойных перцептронов.
📖 Введение
Каждый из нас хоть раз задумывался о будущем, начиная с предположения о том, какая погода будет следующим днем и заканчивая динамикой поведения сложных зависимостей на месяцы вперед, не говоря уже о возможных прогнозах модернизации технологий, заглядывая далеко в будущее. Предсказанием занимались испокон веков. Многие люди хотели узнать, что с ними произойдет, какие события их ожидают. Такое желание подталкивает людей анализировать происходящее и предвидеть грядущие явления. Тяготение человека к новому лежит в основании движущей силы процесса модернизации и прогресса, а конкуренция выдвигает самый лучший вариант с высоким качеством использования. Таким образом, сам человек оказывается фундаментальным двигателем научно-технического прогресса.
На данном этапе, ввиду быстрого развития электроники, технологий, программного обеспечения, прослеживается огромный рывок в способах обработки, анализе и конвертировании данных в цифровом виде. Благодаря этому человек имеет в своем распоряжении практически неограниченное количество ресурсов для реализации множества идей и проектов. Поэтому возникает необходимость прибегать к средствам постоянного контроля над всевозможными эмпирическими зависимостями, временными рядами и другими для установления возможных способов развития в будущем.
Понимание предсказаний ограничивается разумными рамками, в которых есть место для собственного вложения и инноваций. На основании предшествующего поведения зависимостей выстраивается наиболее оптимальное и вероятностное изменение наблюдаемой величины, это и есть экстраполяция. Экстраполяция проводится на искусственных нейронных сетях (ИНС). На сегодняшний день направление «машинное обучение», в которое входят ИНС, имеет интенсивный характер развития. С каждым годом это направление становится актуальнее, необходимость использовать искусственный интеллект возрастает, т.к. происходит глобальная автоматизация процессов, где в наблюдении и контролировании человеком ситуации нет необходимости.
Впервые в 1943 г. в работе Маккалока и Питтса «Логическое исчисление идей, относящихся к нервной активности» были сформулированы способы моделирования определенных функций мышления живого организма. В своей работе они исходили из некоторой определенной схемы взаимодействия нейронов. Авторы показали возможность построения логических сетей, функционирование которых эквивалентно функционированию нейронных сетей, характеризуемых теми или иными физиологическими свойствами. Идеи Маккалока и Питтса нашли дальнейшее развитие в огромном количестве работ. В 1962 г. в книге Ф. Розенблатта «Принципы нейродинамики» сделана попытка изложения статистических принципов построения мозгоподобных устройств, основанных на известных фактах нейрофизиологии и психологии живых организмов.
В настоящее время существует множество методов прогнозирования. Некоторые наиболее распространённые способы далее будут расценены, проанализированы и сравнены с ИНС. Если рассматривать прогнозирование с помощью статистической обработки, то затраты сил, времени, денег уходит намного больше, при этом необходимо иметь специалиста, разбирающегося в этом. С точки зрения корреляционной составляющей, рассматривать влияние каждой временной точки на другие и их дальнейших комбинаций нецелесообразно. Нейронные сети исключают недостатки статистического метода и могут быть автоматизированы и интегрированы в любые системы обработки сигналов и эмпирических зависимостей. Из этого можно сделать вывод, что под влиянием всех минусов, статистика уступает нейронным сетям.
Также используют прогнозирование на основе Фурье-преобразования, основываясь на спектральных характеристиках, которые могут в достаточной мере описывать предысторию сигнала.
В современной радиолокации используются теории автоматической обработки радиолокационной информации. Как наиболее значимые стоит указать труды Б.Р. Левина [1], В.И. Тихонова [2], Я.Д. Ширмана [3]. В перечисленных работах описаны методы, которые осуществляют автоматическую обработку радиолокационной информации. Но в большинстве случаев их концепции ссылаются на положения классической теории радиолокации, опирающиеся на предположения, большинство из которых не выполняются на практике. Действительно, оценки эффективности показывают, что в достаточно простых условиях современные радиолокационные средства успешно справляются со своими задачами, однако при усложнении условий: интенсивный налет, нестационарные и негауссовы помехи - их эффективность может резко снижаться. Непредсказуемость внешней обстановки и высокая динамика её изменения создают непреодолимые трудности формализации алгоритмов и обеспечения высокого качества их работы. Актуальность темы нашего исследования следует из необходимости решения задач, таких как, распознавание ситуаций, прогнозирование обстановки. Оптимальным решением этих задач выступает применение искусственных нейронных сетей
Цель исследования - построение нейросетевого экстраполятора многокомпонентного радиотехнического сигнала.
Объект исследования - искусственные нейронные сети.
Предмет исследования - предварительная обработка данных, как способ улучшения функционирования нейросетевого экстраполятора.
Задачи исследования:
— изучить внутреннюю настройку нейронной сети для выделения наиболее эффективного функционирования;
— исследовать и предложить варианты цифровой обработки данных;
— разработать наиболее эффективные способы по улучшению качества экстраполяции нейронной сетью;
— сконструировать многокомпонентный прогноз.
Методы исследования
Теоретические методы: изучение, анализ, сравнение, литературы по проблеме исследования.
Практические методы: конструирование нейронных сетей, составление программ по теме исследования и проверка опытным путем их результативности.
Теоретическая значимость: в работе описаны новые методы по повышению продуктивности экстраполяции.
Практическая значимость: данная работа может служить практическим руководством для реализации высоко эффективного прогнозирования
На данном этапе, ввиду быстрого развития электроники, технологий, программного обеспечения, прослеживается огромный рывок в способах обработки, анализе и конвертировании данных в цифровом виде. Благодаря этому человек имеет в своем распоряжении практически неограниченное количество ресурсов для реализации множества идей и проектов. Поэтому возникает необходимость прибегать к средствам постоянного контроля над всевозможными эмпирическими зависимостями, временными рядами и другими для установления возможных способов развития в будущем.
Понимание предсказаний ограничивается разумными рамками, в которых есть место для собственного вложения и инноваций. На основании предшествующего поведения зависимостей выстраивается наиболее оптимальное и вероятностное изменение наблюдаемой величины, это и есть экстраполяция. Экстраполяция проводится на искусственных нейронных сетях (ИНС). На сегодняшний день направление «машинное обучение», в которое входят ИНС, имеет интенсивный характер развития. С каждым годом это направление становится актуальнее, необходимость использовать искусственный интеллект возрастает, т.к. происходит глобальная автоматизация процессов, где в наблюдении и контролировании человеком ситуации нет необходимости.
Впервые в 1943 г. в работе Маккалока и Питтса «Логическое исчисление идей, относящихся к нервной активности» были сформулированы способы моделирования определенных функций мышления живого организма. В своей работе они исходили из некоторой определенной схемы взаимодействия нейронов. Авторы показали возможность построения логических сетей, функционирование которых эквивалентно функционированию нейронных сетей, характеризуемых теми или иными физиологическими свойствами. Идеи Маккалока и Питтса нашли дальнейшее развитие в огромном количестве работ. В 1962 г. в книге Ф. Розенблатта «Принципы нейродинамики» сделана попытка изложения статистических принципов построения мозгоподобных устройств, основанных на известных фактах нейрофизиологии и психологии живых организмов.
В настоящее время существует множество методов прогнозирования. Некоторые наиболее распространённые способы далее будут расценены, проанализированы и сравнены с ИНС. Если рассматривать прогнозирование с помощью статистической обработки, то затраты сил, времени, денег уходит намного больше, при этом необходимо иметь специалиста, разбирающегося в этом. С точки зрения корреляционной составляющей, рассматривать влияние каждой временной точки на другие и их дальнейших комбинаций нецелесообразно. Нейронные сети исключают недостатки статистического метода и могут быть автоматизированы и интегрированы в любые системы обработки сигналов и эмпирических зависимостей. Из этого можно сделать вывод, что под влиянием всех минусов, статистика уступает нейронным сетям.
Также используют прогнозирование на основе Фурье-преобразования, основываясь на спектральных характеристиках, которые могут в достаточной мере описывать предысторию сигнала.
В современной радиолокации используются теории автоматической обработки радиолокационной информации. Как наиболее значимые стоит указать труды Б.Р. Левина [1], В.И. Тихонова [2], Я.Д. Ширмана [3]. В перечисленных работах описаны методы, которые осуществляют автоматическую обработку радиолокационной информации. Но в большинстве случаев их концепции ссылаются на положения классической теории радиолокации, опирающиеся на предположения, большинство из которых не выполняются на практике. Действительно, оценки эффективности показывают, что в достаточно простых условиях современные радиолокационные средства успешно справляются со своими задачами, однако при усложнении условий: интенсивный налет, нестационарные и негауссовы помехи - их эффективность может резко снижаться. Непредсказуемость внешней обстановки и высокая динамика её изменения создают непреодолимые трудности формализации алгоритмов и обеспечения высокого качества их работы. Актуальность темы нашего исследования следует из необходимости решения задач, таких как, распознавание ситуаций, прогнозирование обстановки. Оптимальным решением этих задач выступает применение искусственных нейронных сетей
Цель исследования - построение нейросетевого экстраполятора многокомпонентного радиотехнического сигнала.
Объект исследования - искусственные нейронные сети.
Предмет исследования - предварительная обработка данных, как способ улучшения функционирования нейросетевого экстраполятора.
Задачи исследования:
— изучить внутреннюю настройку нейронной сети для выделения наиболее эффективного функционирования;
— исследовать и предложить варианты цифровой обработки данных;
— разработать наиболее эффективные способы по улучшению качества экстраполяции нейронной сетью;
— сконструировать многокомпонентный прогноз.
Методы исследования
Теоретические методы: изучение, анализ, сравнение, литературы по проблеме исследования.
Практические методы: конструирование нейронных сетей, составление программ по теме исследования и проверка опытным путем их результативности.
Теоретическая значимость: в работе описаны новые методы по повышению продуктивности экстраполяции.
Практическая значимость: данная работа может служить практическим руководством для реализации высоко эффективного прогнозирования
✅ Заключение
В дипломной работе программно сконструирован нейросетевой экстраполятор, который является универсальным средством прогнозирования сложных широкополосных недетерминированных радиотехнических сигналов. Экстраполятор представляет собой программный продукт, состоящий из множества настраиваемых параметров, способный работать наравне с самыми известными моделями прогнозирования и даже во многих аспектах превосходить их. Нами проведены экспериментальные работы по выявлению эффективности работы экстраполятора при комбинировании различных внутренних параметров с использованием методов: горизонтальный, вертикальный, стабилизационный.
В ходе исследований было выявлено множество тонкостей, позволяющих улучшить как качество работы, так и минимизировать временные затраты, т.е. отклик экстраполятора, для быстрого функционирования. К самому важному шагу дипломной работы можно отнести разработку методов цифровой обработки входного сигнала, которые являются уникальными в своем роде, но при этом основываются на фундаментальных цифровых фильтрах. Разработанные методы позволили расширить возможности искусственных нейронных сетей в особенности увеличения точности экстраполяции.
На основании проделанных опытов, можно сделать следующий вывод: разделение радиотехнического сигнала сыграло ведущую роль для формирования высоко-точного многокомпонентного прогноза. В результате разделения, полученные парциальные составляющие уменьшают нагрузку на нейронную сеть, тем самым расширяют предел количества спрогнозированных значений. Однако, достоинства применяемых методов не ограничивается только улучшением качества и количеством спрогнозированных точек, но и влияют на процесс обучения нейронной сети, а именно, уменьшают размер обучающей выборки, время, задействованное на обучение, и увеличивают вероятность попадания в локальный минимум, который имеет наименьшую ошибку.
Таким образом, поставленная цель - построение нейросетевого экстраполятора многокомпонентного радиотехнического сигнала достигнута, задачи исследования реализованы.
Перспективы дальнейшего исследования экстраполятора очень широки и разнообразны. Они могут положительно повлиять и дать хороший толчок на реализацию более точного прогноза радиотехнических сигналов. Дальнейшее развитие должно затронуть такие аспекты как:
а) внутренние настройки искусственной нейронной сети - например, усложнение структуры для лучшей аппроксимации обучающего сигнала, применение разно-образных функций активации у определенных нейронов, использование комбинированных методов обучения нейронной сети с целью достижения наилучшей сходимости;
б) предварительная обработка данных - например, разделение исходного сигнала на другое количество составляющих, использование гребёнки фильтров для формирования вертикального сигнала с большим шагом периода среза, дальнейшее применение различных комбинаций вертикального сигнала, задействование аналогичных цифровых фильтров для достижения наименьшего фазового сдвига и длительности переходного процесса.
Прикладной характер играет важную роль, поэтому проведенные исследования и выводы могут послужить достаточным рывком в использовании искусственных нейронных сетей для военного стратегического назначения, как к траекториям полета ЛА, так и применительно к разным радиотехническим сигналам. Однако приклад этими перечисленными направлениями не ограничивается и имеет широкий спектр направлений, при этом вопрос использования упирается в способность организовать обучающие данные таким образом, чтобы правильно обучить нейронную сеть воспринимать и экстраполировать любую последовательность данных или временных рядов.
В ходе исследований было выявлено множество тонкостей, позволяющих улучшить как качество работы, так и минимизировать временные затраты, т.е. отклик экстраполятора, для быстрого функционирования. К самому важному шагу дипломной работы можно отнести разработку методов цифровой обработки входного сигнала, которые являются уникальными в своем роде, но при этом основываются на фундаментальных цифровых фильтрах. Разработанные методы позволили расширить возможности искусственных нейронных сетей в особенности увеличения точности экстраполяции.
На основании проделанных опытов, можно сделать следующий вывод: разделение радиотехнического сигнала сыграло ведущую роль для формирования высоко-точного многокомпонентного прогноза. В результате разделения, полученные парциальные составляющие уменьшают нагрузку на нейронную сеть, тем самым расширяют предел количества спрогнозированных значений. Однако, достоинства применяемых методов не ограничивается только улучшением качества и количеством спрогнозированных точек, но и влияют на процесс обучения нейронной сети, а именно, уменьшают размер обучающей выборки, время, задействованное на обучение, и увеличивают вероятность попадания в локальный минимум, который имеет наименьшую ошибку.
Таким образом, поставленная цель - построение нейросетевого экстраполятора многокомпонентного радиотехнического сигнала достигнута, задачи исследования реализованы.
Перспективы дальнейшего исследования экстраполятора очень широки и разнообразны. Они могут положительно повлиять и дать хороший толчок на реализацию более точного прогноза радиотехнических сигналов. Дальнейшее развитие должно затронуть такие аспекты как:
а) внутренние настройки искусственной нейронной сети - например, усложнение структуры для лучшей аппроксимации обучающего сигнала, применение разно-образных функций активации у определенных нейронов, использование комбинированных методов обучения нейронной сети с целью достижения наилучшей сходимости;
б) предварительная обработка данных - например, разделение исходного сигнала на другое количество составляющих, использование гребёнки фильтров для формирования вертикального сигнала с большим шагом периода среза, дальнейшее применение различных комбинаций вертикального сигнала, задействование аналогичных цифровых фильтров для достижения наименьшего фазового сдвига и длительности переходного процесса.
Прикладной характер играет важную роль, поэтому проведенные исследования и выводы могут послужить достаточным рывком в использовании искусственных нейронных сетей для военного стратегического назначения, как к траекториям полета ЛА, так и применительно к разным радиотехническим сигналам. Однако приклад этими перечисленными направлениями не ограничивается и имеет широкий спектр направлений, при этом вопрос использования упирается в способность организовать обучающие данные таким образом, чтобы правильно обучить нейронную сеть воспринимать и экстраполировать любую последовательность данных или временных рядов.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.