Адаптивний інтелектуальний фільтр

Реферат: Адаптивний інтелектуальний фільтр включає аналогово-цифровий перетворювач, блок прямого вейвлет-перетворення, блок зворотного вейвлет-перетворення, причому анологово-цифровий перетворювач послідовно з'єднаний із сегментатором, блоком прямого вейвлет-перетворення, блоком оцінки якості апроксимації, блоком вибору базисних вейвлетів та базою знань, яка під'єднана до аналогово-цифрового перетворювача та блока трешолдингу, причому блок трешолдингу послідовно з'єднаний з блоком зворотного вейвлет-перетворення, аналізатором Херста шумової компоненти і оптимізатором, а вихід сегментатора під'єднаний до аналізатора Херста шумової компоненти, з блоком трешолдингу з'єднаний вихід оптимізатора, і блок прямого вейвлет-перетворення з'єднаний з блоком вибору базисних вейвлетів, зв'язаного із сегментатором. UA 103534 U (54) АДАПТИВНИЙ ІНТЕЛЕКТУАЛЬНИЙ ФІЛЬТР UA 103534 U UA 103534 U 5 10 15 20 25 30 Корисна модель належить до інформаційних технологій обробки інформації для цілей управління та прогнозування і призначена для відділення корисного сигналу від шумової компоненти в часових рядах технологічних змінних об'єктів управління. Як прототип вибраний пристрій фільтрації сигналів в масштабно-часовій області [патент Російської федерації RU № 2282209], який складається з аналогово-цифрового перетворювача, на вхід якого подається сигнал, що фільтрується, вихід аналогово-цифрового перетворювача послідовно з'єднаний із блоком прямого вейвлет-перетворення, пороговим пристроєм та блоком зворотного вейвлетного перетворення. Але такий пристрій не враховує особливостей дії шумів в частотно-часовому спектрі (локальні змінювання типу сплесків, викиди, змінювання частотного спектру шуму і т.д.), що суттєво знижує ефективність аналізу інформації при прийнятті рішень по управлінню. Задачею корисної моделі є побудова адаптивного фільтра, який виконує задачу відокремлення шуму від корисного сигналу з урахуванням локальних часових змінювань, як спектра шуму, так і корисного сигналу, оптимізуючи відношення сигнал/шум. Поставлена задача вирішується за рахунок того, що адаптивний інтелектуальний фільтр включає аналогово-цифровий перетворювач, блок прямого вейвлет-перетворення, блок зворотного вейвлет-перетворення. Згідно з корисною моделлю аналогово-цифровий перетворювач послідовно з'єднаний із сегментатором, блоком прямого вейвлет-перетворення, блоком оцінки якості апроксимації, блоком вибору базисних вейвлетів та базою знань, яка під'єднана до аналогово-цифрового перетворювача та блока трешолдингу, причому блок трешолдингу послідовно з'єднаний з блоком зворотного вейвлет-перетворення, аналізатором Херста шумової компоненти і оптимізатором, а вихід сегментатора під'єднаний до аналізатора Херста шумової компоненти, з блоком трешолдингу з'єднаний вихід оптимізатора, і блок прямого вейвлет-перетворення з'єднаний з блоком вибору базисних вейвлетів, зв'язаного із сегментатором. Причинно-наслідковий зв'язок між запропонованими ознаками та технічним результатом полягає в наступному. Вхідний сигнал xt  про технологічні змінні, які надходять від об'єкта управління (фіг. 1) перетворюється аналогово-цифровим перетворювачем, після чого визначається ширина сегмента з урахуванням локальних особливостей сигналу та вибраного базису вейвлетних  функцій. Над сегментованим сигналом здійснюється пряме вейвлетне перетворення Wx , s  за формулою:  Wx , s   35 40 45 50 1 s t  , dt  s   xt   w *  (1) де xt  - перетворений сигнал; s - параметр масштабу (задає ширину вейвлет-функції); t час;  - параметр зсуву (задає зсув вейвлет-функції); w * - сімейство вейвлет-функції. Після оцінки якості вейвлет-апроксимації здійснюється вибір базисних вейвлетів, які знаходяться у базі знань, і відбувається корегування параметрів аналогово-цифрового перетворювача і сегментатора. При вейвлет-аналізі сигнал розкладається на апроксимуючі коефіцієнти, які представляють згладжену основну частину інформації часового ряду, і деталізуючі коефіцієнти, що описують уточнюючу інформацію про часовий ряд на різних рівнях розкладання тобто, високочастотні коливання відносно середніх значень. Згладжування часового ряду полягає в тому, що здійснюють обнулення значень вейвлеткоефіцієнтів розкладання, менших деякого визначеного порогового значення за правилами, що містяться в базі знань, тобто здійснюється процедура трешолдингу. Використовуються різні види трешолдингу: жорсткий та м'який. При жорсткому трешолдингу зберігаються всі коефіцієнти вейвлет-розкладання, які більші чи рівні заданого порогу, а менші коефіцієнти зводяться до нуля. При м'якому трешолдингу разом зі зведенням до нульового значення коефіцієнтів, менших за модулем порогового значення, зменшують і всі інші коефіцієнти на величину порогового значення, яке є змінним в залежності від особливостей сигналу та якості фільтрації. Отримана відфільтрована карта вейвлет-коефіцієнтів піддається зворотному вейвлет-перетворенню, що виконується за формулою: xt   1 c2 w   s  w w w , s  x t   w dds , (2)  s  s 1 2 1 UA 103534 U 5 де w w , s  - вейвлет-коефіцієнт; w  t    - вейвлет-функція, при якій був отриманий   x  s  відповідний вейвлет-коефіцієнт; Cw - константа, яка залежить від типу використовуваної вейвлет-функції; S - параметр масштабу;  - параметр зсуву. Для вибору оптимальних параметрів фільтра різниця між відфільтрованим і вхідним сигналом аналізується на персистентність часового ряду за показником Херста. Розрахунок показника Херста здійснюється за формулою: R S  aN H , звідси (3) log Rs , де (4) log aN H - показник Херста, S - середньоквадратичне відхилення ряду спостереження X; R - "розмах" часового ряду на певному проміжку часу; N - число періодів спостережень; a - задана константа, H 10 S x ср   1 N (5)  xi  xср 2 , де N i1 - середньоарифметичне значення, 1 N (6)  xi , N i 1 (7) R  max 1UN Zu   min 1UN Zu  , де Zu - накопичене відхилення ряду від середнього x ср , x ср    Zu  N 1 xi  xср . i 15 20 25 30 35 (8) Враховуючи те, що H  0,5 є ознакою абсолютно випадкового шуму оптимізатором здійснюється вибір параметрів трешолдингу шляхом розв'язання задачі оптимізації: (9) H  0,5  min . При досягненні оптимальних значень фільтрації відфільтрований сигнал x  t  використовується для задач прогнозування та управління (фіг. 2). Структура адаптивного інтелектуального фільтра представлена на фігурі 3. Аналоговоцифровий перетворювач 1 з'єднаний із джерелом сигналу xt  і базою знань 4, що дає можливість змінювання параметрів аналогово-цифрового перетворення сигналу в залежності від його особливостей та процедури адаптивної фільтрації. Вихід аналогово-цифрового перетворювача 1 під'єднаний до сегментатора 2, в якому змінюються ширина сегмента даних на основі вибраного сімейства вейвлетів, що сформований блоком вибору базисних вейвлетів 5 на основі процедур, що зберігаються в базі знань 4. Сформований сегмент даних піддається прямому вейвлетному перетворенню в блоці прямого вейвлет-перетворення 3 у відповідності з вибраним базисом вейвлетів, визначеним блоком вибору базисних вейвлетів 5. Вихід блоку прямого вейвлет-перетворення 3 під'єднаний до блоку оцінки якості вейвлетної апроксимації 6, який з'єднаний з блоком вибору базисних вейвлетів 5. Вихід блоку прямого вейвлетперетворення 3 з'єднаний з блоком трешолдингу 7, в якому формуються параметри трешолдингу у відповідності з алгоритмами, закладеними в базі знань 4. Вихід блоку трешолдингу 7 під'єднаний до входу блока зворотного вейвлет-перетворення 8, що зв'язаний з входом блоку аналізатора Херста 9, на вхід якого надходить сигнал з сегментатора 2. Аналізатор Херста шумової компоненти 9 зв'язаний з оптимізатором 10, який діє на блок трешолдингу 7, змінюючи його параметри. Запропонований адаптивний інтелектуальний фільтр дає змогу підвищити точність технологічної інформації для прийняття ефективних рішень по управлінню. 40 2 UA 103534 U ФОРМУЛА КОРИСНОЇ МОДЕЛІ 5 10 Адаптивний інтелектуальний фільтр, що включає аналогово-цифровий перетворювач, блок прямого вейвлет-перетворення, блок зворотного вейвлет-перетворення, який відрізняється тим, що аналогово-цифровий перетворювач послідовно з'єднаний із сегментатором, блоком прямого вейвлет-перетворення, блоком оцінки якості апроксимації, блоком вибору базисних вейвлетів та базою знань, яка під'єднана до аналогово-цифрового перетворювача та блока трешолдингу, причому блок трешолдингу послідовно з'єднаний з блоком зворотного вейвлетперетворення, аналізатором Херста шумової компоненти і оптимізатором, а вихід сегментатора під'єднаний до аналізатора Херста шумової компоненти, з блоком трешолдингу з'єднаний вихід оптимізатора, і блок прямого вейвлет-перетворення з'єднаний з блоком вибору базисних вейвлетів, зв'язаного із сегментатором. 3 UA 103534 U Комп’ютерна верстка Л. Литвиненко Державна служба інтелектуальної власності України, вул. Василя Липківського, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут інтелектуальної власності”, вул. Глазунова, 1, м. Київ – 42, 01601 4