📄Работа №46803
Тема: ВЕЙВЛЕТ ФИЛЬТРАЦИЯ И МАШИННОЕ ОБУЧЕНИЕ В УСЛОВИЯХ АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТИ В ЗАДАЧАХ КЛАССИФИКАЦИИ АКУСТИЧЕСКИХ СИГНАЛОВ
Тип работы
Магистерская диссертация
Предмет
информационные системы
Объем:
79 листов
Год:
2018
Просмотров:
433
4940
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
АВТОРЕФЕРАТ 2
ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 6
ВВЕДЕНИЕ 7
ГЛАВА 1: Методы классификации и фильтрации 10
1.1 Рассматриваемые признаки для анализа 10
1.1.1 Временные признаки 10
1.1.1.1 Математическое ожидание 10
1.1.1.2 Дисперсия 11
1.1.1.3 Коэффициент асимметрии 11
1.1.1.4 Коэффициент эксцесса 12
1.1.2 Интегральные признаки 12
1.1.3 Частотные и частотно-временные признаки 12
1.1.3.1 Shape statistics 12
1.1.3.2 Вейвлет анализ 13
1.1.4 Кепстральные признаки 14
1.2 Классификация 14
1.2.1 Метод ближайших соседей 15
1.2.2 Определение расстояния 15
1.3 Фильтрации 16
1.3.1 Удаления тренда 16
1.3.2 Вейвлет-фильтрация 18
1.3.3 Адаптивный частотный эквалайзер
1.3.4 Алгоритм автоматической фильтрации спектральный пиков ... 21
1.4 Результаты 21
ГЛАВА 2: ПАРАМЕТРЫ И ПРИЗНАКИ КЛАССИФИКАЦИИ 22
2.1 Вектор особенностей 23
2.2 Эксперимент и оптимальные признаки 24
2.2.1 Выявление оптимального набора признаков 25
2.2.2 Влияние параметров метода классификации 25
2.2.3 Результаты эксперимента 25
2.3 Весовые коэффициенты 28
2.3.1 Обучающая выборка 29
2.3.2 Результат анализа 30
2.4 Результаты 31
ГЛАВА 3: ВЕЙВЛЕТ-ФИЛЬТРАЦИЯ 32
3.1 Дискретное вейвлет преобразование 32
3.2 Вейвлет-фильтрация в MATLAB 32
3.2.1 Выбор оптимальных параметров 33
3.3 Типы вейвлетов 34
3.3.1 Влияние вейвлет-фильтрации на классификации 37
3.4 Результаты 40
ГЛАВА 4: РЕАЛИЗАЦИЯ 41
4.1 Особенности реализации 41
4.1.1 Язык программирования, среда разработки 41
4.1.2 Устройство ввода 41
4.2 Текущая реализация и ее характеристики 41
4.2.1 Чтение данных 42
4.2.1 Настройка фильтраций 42
4.2.2 Настройка параметров классификации 43
4.2.3 Мониторинг работы системы 44
4.3 Результат 45
ЗАКЛЮЧЕНИЕ 46
СПИСОК ЛИТЕРАТУРЫ 47
СПИСОК ИЛЛЮСТРАЦИЙ 51
ПРИЛОЖЕНИЕ 53
Приложение А. Группы признаков 53
Приложение Б. Листинг 55
ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 6
ВВЕДЕНИЕ 7
ГЛАВА 1: Методы классификации и фильтрации 10
1.1 Рассматриваемые признаки для анализа 10
1.1.1 Временные признаки 10
1.1.1.1 Математическое ожидание 10
1.1.1.2 Дисперсия 11
1.1.1.3 Коэффициент асимметрии 11
1.1.1.4 Коэффициент эксцесса 12
1.1.2 Интегральные признаки 12
1.1.3 Частотные и частотно-временные признаки 12
1.1.3.1 Shape statistics 12
1.1.3.2 Вейвлет анализ 13
1.1.4 Кепстральные признаки 14
1.2 Классификация 14
1.2.1 Метод ближайших соседей 15
1.2.2 Определение расстояния 15
1.3 Фильтрации 16
1.3.1 Удаления тренда 16
1.3.2 Вейвлет-фильтрация 18
1.3.3 Адаптивный частотный эквалайзер
1.3.4 Алгоритм автоматической фильтрации спектральный пиков ... 21
1.4 Результаты 21
ГЛАВА 2: ПАРАМЕТРЫ И ПРИЗНАКИ КЛАССИФИКАЦИИ 22
2.1 Вектор особенностей 23
2.2 Эксперимент и оптимальные признаки 24
2.2.1 Выявление оптимального набора признаков 25
2.2.2 Влияние параметров метода классификации 25
2.2.3 Результаты эксперимента 25
2.3 Весовые коэффициенты 28
2.3.1 Обучающая выборка 29
2.3.2 Результат анализа 30
2.4 Результаты 31
ГЛАВА 3: ВЕЙВЛЕТ-ФИЛЬТРАЦИЯ 32
3.1 Дискретное вейвлет преобразование 32
3.2 Вейвлет-фильтрация в MATLAB 32
3.2.1 Выбор оптимальных параметров 33
3.3 Типы вейвлетов 34
3.3.1 Влияние вейвлет-фильтрации на классификации 37
3.4 Результаты 40
ГЛАВА 4: РЕАЛИЗАЦИЯ 41
4.1 Особенности реализации 41
4.1.1 Язык программирования, среда разработки 41
4.1.2 Устройство ввода 41
4.2 Текущая реализация и ее характеристики 41
4.2.1 Чтение данных 42
4.2.1 Настройка фильтраций 42
4.2.2 Настройка параметров классификации 43
4.2.3 Мониторинг работы системы 44
4.3 Результат 45
ЗАКЛЮЧЕНИЕ 46
СПИСОК ЛИТЕРАТУРЫ 47
СПИСОК ИЛЛЮСТРАЦИЙ 51
ПРИЛОЖЕНИЕ 53
Приложение А. Группы признаков 53
Приложение Б. Листинг 55
📖 Введение
Актуальность темы исследования. Задача классификации объектов в последнее время решается по всему миру применительно к разнообразным системам, как гражданского назначения [1, 2] так и государственного [3]. Множество научных работ посвящено исследованию способов классификации и методов извлечения признаков.
Для успешной реализации классификации, требуется четко определить эффективный набор признаков сигнала, оценить влияния каждого из них на сигнал при том или ином воздействии, чтобы добиться четкого разделения классов. Существует множество методов извлечения признаков, каждый из которых зарекомендовал себя с положительной стороны зарекомендовал себя с положительной стороны.
В данной работе будут рассмотрены признаки, извлекаемые из временных рядов, получаемые дискретизацией сигнала на выходе устройства с подключенным источником акустического сигнала (вибрационным датчиком), способ составления классифицирующих векторов по выбранным метрикам, выбор их параметров, фильтрация (предобработка сигнала), программная реализация анализатора системы классификации и фильтрации, разработанной на основе исследования признаков дискретизированных данных датчиков.
Самым простым видом признаков является сам временной ряд [3,4], однако часто по виду временного ряда как такового бывает трудно или невозможно построить надежный алгоритм классификации [5]. В этом случае эффективными могут оказаться статистические признаки, такие как математическое ожидание [6], дисперсия [7] и другие статистические признаки более высокого порядка [8-10].
Другим важным источником признаков является частотное представление сигнала, которое в некоторых случаях достаточно хорошо характеризует объект. Также существуют такие преобразования временного ряда, как вейвлет преобразование и кепстральное разложение, которые являются богатыми источниками для генерации признаков. Так, вейвлет коэффициенты широко используются для классификации целей при использовании сейсмического датчика [11,12], в то время как кепстральные коэффициенты хорошо себя зарекомендовали в задачах распознавания речи [13,14].
В качестве предобработки выступает система из ряда фильтров. Наиболее значимым из них является вейвлет-фильтрация [19], так как позволяет максимально выделить полезный сигнал из дискретизированной последовательности, которая в значительной степени подвержена влиянию источников шумов различного характера (ошибки АЦП, наводки по питанию, внешние наводки генераторами переменного тока). В работе также описан процесс выбора оптимальных параметров вейвлет фильтрации, а также других фильтров (АСП, АЧЭ, удаление тренда). При работе со спектром сигнала, используется быстрое преобразование Фурье.
Необходимо учитывать, что задачи классификации наиболее повсеместно используются сейчас в массовых продуктах, что значит накладываются определённые ограничения по ресурсам, требования по скорости работы и памяти, а также технические и программные ресурсы для считывания, дискретизации и обработки сигналов. Поэтому важным аспектом исследовательской работы является эффективная программная реализация оценки метрик, мониторинга процессов изучаемой системы, удобной и быстрой правки необходимых параметров для классификации и параметров фильтрации,
В первой главе представлены способы извлечения признаков сигнала и методы классификации. Во второй представлен эксперимент с помощью которого был определен набор эффективных метрик, описан процесс выбора параметров метрик, составление классовых векторов, разработка алгоритма классификации на их основе. Третья глава посвящена выбору параметров для вейвлет фильтрации, рассмотрены различные типы вейвлетов и их влияние на сигнал. Четвертая глава содержит детали реализации программного обеспечения анализа системы.
Цель работы — нахождение оптимальных параметров признаков для классификации вибрационных сигналов акустического типа, параметров вейвлет фильтрации вибрационных сигналов акустического типа и эффективная реализация программного обеспечения управления и анализа системы классификации.
Задачи исследования.
1) Изучение методов извлечения метрик и методов классификации
2) Подбор типов и параметров метрик для классификации вибрационных сигналов акустического типа
3) Подбор эффективных параметров вейвлет фильтрации
4) Разработка программного обеспечения управления и анализа системы классификации
Объектом исследования являются вибрационные сигналы акустического типа.
Предметом исследования является различные метрики вибрационного сигнала акустического типа для дальнейшего использования в задаче классификации, а также необходимые параметры вейвлет-фильтрации для предобработки данных.
Научная новизна состоит в выборе эффективных метрик вибрационных сигналов акустического типа, их параметров и параметров фильтрации сигнала.
Практическая ценность данной работы является программное обеспечения для анализа параметров классификации вибрационного сигнала акустического типа и их фильтрации.
Для успешной реализации классификации, требуется четко определить эффективный набор признаков сигнала, оценить влияния каждого из них на сигнал при том или ином воздействии, чтобы добиться четкого разделения классов. Существует множество методов извлечения признаков, каждый из которых зарекомендовал себя с положительной стороны зарекомендовал себя с положительной стороны.
В данной работе будут рассмотрены признаки, извлекаемые из временных рядов, получаемые дискретизацией сигнала на выходе устройства с подключенным источником акустического сигнала (вибрационным датчиком), способ составления классифицирующих векторов по выбранным метрикам, выбор их параметров, фильтрация (предобработка сигнала), программная реализация анализатора системы классификации и фильтрации, разработанной на основе исследования признаков дискретизированных данных датчиков.
Самым простым видом признаков является сам временной ряд [3,4], однако часто по виду временного ряда как такового бывает трудно или невозможно построить надежный алгоритм классификации [5]. В этом случае эффективными могут оказаться статистические признаки, такие как математическое ожидание [6], дисперсия [7] и другие статистические признаки более высокого порядка [8-10].
Другим важным источником признаков является частотное представление сигнала, которое в некоторых случаях достаточно хорошо характеризует объект. Также существуют такие преобразования временного ряда, как вейвлет преобразование и кепстральное разложение, которые являются богатыми источниками для генерации признаков. Так, вейвлет коэффициенты широко используются для классификации целей при использовании сейсмического датчика [11,12], в то время как кепстральные коэффициенты хорошо себя зарекомендовали в задачах распознавания речи [13,14].
В качестве предобработки выступает система из ряда фильтров. Наиболее значимым из них является вейвлет-фильтрация [19], так как позволяет максимально выделить полезный сигнал из дискретизированной последовательности, которая в значительной степени подвержена влиянию источников шумов различного характера (ошибки АЦП, наводки по питанию, внешние наводки генераторами переменного тока). В работе также описан процесс выбора оптимальных параметров вейвлет фильтрации, а также других фильтров (АСП, АЧЭ, удаление тренда). При работе со спектром сигнала, используется быстрое преобразование Фурье.
Необходимо учитывать, что задачи классификации наиболее повсеместно используются сейчас в массовых продуктах, что значит накладываются определённые ограничения по ресурсам, требования по скорости работы и памяти, а также технические и программные ресурсы для считывания, дискретизации и обработки сигналов. Поэтому важным аспектом исследовательской работы является эффективная программная реализация оценки метрик, мониторинга процессов изучаемой системы, удобной и быстрой правки необходимых параметров для классификации и параметров фильтрации,
В первой главе представлены способы извлечения признаков сигнала и методы классификации. Во второй представлен эксперимент с помощью которого был определен набор эффективных метрик, описан процесс выбора параметров метрик, составление классовых векторов, разработка алгоритма классификации на их основе. Третья глава посвящена выбору параметров для вейвлет фильтрации, рассмотрены различные типы вейвлетов и их влияние на сигнал. Четвертая глава содержит детали реализации программного обеспечения анализа системы.
Цель работы — нахождение оптимальных параметров признаков для классификации вибрационных сигналов акустического типа, параметров вейвлет фильтрации вибрационных сигналов акустического типа и эффективная реализация программного обеспечения управления и анализа системы классификации.
Задачи исследования.
1) Изучение методов извлечения метрик и методов классификации
2) Подбор типов и параметров метрик для классификации вибрационных сигналов акустического типа
3) Подбор эффективных параметров вейвлет фильтрации
4) Разработка программного обеспечения управления и анализа системы классификации
Объектом исследования являются вибрационные сигналы акустического типа.
Предметом исследования является различные метрики вибрационного сигнала акустического типа для дальнейшего использования в задаче классификации, а также необходимые параметры вейвлет-фильтрации для предобработки данных.
Научная новизна состоит в выборе эффективных метрик вибрационных сигналов акустического типа, их параметров и параметров фильтрации сигнала.
Практическая ценность данной работы является программное обеспечения для анализа параметров классификации вибрационного сигнала акустического типа и их фильтрации.
✅ Заключение
В результате проведения исследовательской деятельности все поставленные цели были успешно достигнуты.
Изучены методы извлечения метрик и методов классификации.
Подобраны типы и параметры метрик для классификации вибрационных сигналов акустического типа.
Подобраны эффективные параметры вейвлет фильтрации.
Разработано программное обеспечение управления и анализа системы классификации.
Изучены методы извлечения метрик и методов классификации.
Подобраны типы и параметры метрик для классификации вибрационных сигналов акустического типа.
Подобраны эффективные параметры вейвлет фильтрации.
Разработано программное обеспечение управления и анализа системы классификации.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.