РЕКУРРЕНТНАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ КОНТРОЛЯ ШИРИНЫ СПЕКТРА НЕСТАЦИОНАРНОГО СЛУЧАЙНОГО СИГНАЛА

DOI: 10.47026/1810-1909-2023-2-5-17

УДК 621.316.91

ББК 31.247

Д.Ю. АЛЮНОВ

Ключевые слова

искусственные нейронные сети, рекуррентные нейронные сети, обработка сигналов в электротехнике, автокорреляция, нестационарный случайный процесс, переходные процессы

Аннотация

Целью исследования является разработка рекуррентной нейронной сети для обнаружения в скользящем окне момента начала переходного процесса случайного нестационарного сигнала. Исследуется возможность использования аппарата искусственных нейронных сетей в задачах анализа нестационарных случайных процессов. Быстрое обнаружение момента, в который нестационарный случайный процесс изменяет свое поведение, – актуальная задача электротехники.

Материалы и методы. Приводится сравнение использования автокорреляционной функции и нейросетевого алгоритма на основе рекуррентной нейронной сети для контроля нестационарного шума.

Результаты. Новизна исследования заключается в разработке нового алгоритма для оценивания ширины спектра нестационарного случайного сигнала, основанного на использовании аппарата искусственных нейронных сетей. Показано, что рекуррентные нейронные сети способны качественно обрабатывать исходный сигнал, не требуют специальной предобработки, подготовки данных. Проведено исследование качества работы искусственных нейронных сетей в зависимости от параметров сигналов и размеров скользящего окна. Предложены пути совершенствования архитектуры нейронной сети, а также способы обогащения данных для повышения качества классификатора.

Выводы. Обнаружено, что существует оптимальное соотношение времени обнаружения изменения параметров сигнала и размера скользящего окна, которое накладывает ограничения на выбор размера последнего и методику применения обученной нейросетевой модели.

Литература

1. Аверкин А.Н., Ярушев С.А. Сравнительный анализ методов прогнозирования временных рядов на основе нейронных сетей и регрессионного анализа // Системный анализ в науке и образовании. 2015. № 2. С. 34–49.
2. Андреев О.Н., Васильева Л.Н. Нейросетевая обработка сигналов с нелинейными искажениями в «скользящем временном окне» // Вестник Чувашского университета. 2022. № 1. С. 5–13.
3. Газизов Д.И. Обзор методов статистического анализа временных рядов и проблемы, возникающие при анализе нестационарных временных рядов // Научный журнал. 2016. № 3(4). С. 9–14.
4. Гетманов В.Г. Технология спектрально-временного анализа нестационарных колебательных сигналов механических систем // Проблемы машиностроения и автоматизации. 2010. № 2. С. 121–129.
5. Головко В.А., Хацкевич М.В., Брич А.Л. Метод прогнозирования временных рядов на основе многослойного персептрона // Вестник Брестского государственного технического университета. Физика, математика, информатика. 2013. № 5(83). С. 2–6.
6. Журилова О.Е., Башкиров А.В., Белецкая С.Ю. Современные методы и задачи спектрального анализа сигналов: краткий обзор и сравнение // Вестник Воронежского государственного технического университета. 2019. Т. 15, № 2. С. 128–131.
7. Кривошеев В.И., Лупов С.Ю. О некоторых возможностях и проблемах современного цифрового спектрального анализа // Вестник Нижегородского университета им. Н.И. Лобачевского. 2011. № 5-3. С. 109–117.
8. Лабинцев Е. Метрики в задачах машинного обучения [Электронный ресурс]. URL: https://habr.com/ru/company/ods/blog/328372/ (дата обращения: 19.12.2022).
9. Львова К.И. Спектральное оценивание границ сегментов ЭЭГ для альфа-активности мозга человека // XII Всерос. совещание по проблемам управления ВСПУ-2014: сб. тр. конф. (16–19 июля 2014 г.). М.: Ин-т проблем управления им. В.А. Трапезникова РАН, 2014. С. 6742–6749.
10. Мохов В.Г., Демьяненко Т.С. Моделирование основных параметров рынка на сутки вперед и индекса балансирующего рынка // Вестник Южно-Уральского государственного университета. Сер. Математическое моделирование и программирование. 2015. Т. 8, вып. 4. С. 127–130.
11. Проскуряков А.Ю. Модель прогнозирования временных рядов на трехслойном персептроне в информационной системе мониторинга загрязняющих выбросов // Радиотехнические и телекоммуникационные системы. 2014. № 2(14). С. 57–63.
12. Ромашихин М.Ю., Горбоконенко П.А. Реализация оконного преобразования Фурье на FPGA для спектрального анализа нестационарных сигналов // Инновационные технологии, в электронике и приборостроении: сб. докл. Российской науч.-техн. конф. (05–12 апреля 2021 года) / МИРЭА – Российский технологический университет. М., 2021. С. 177–182.
13. Славутская Е.В., Славутский Л.А. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных // Казанский педагогический журнал. 2020. № 5(142). С. 202–211.
14. Шолтанюк С. В. Сравнительный анализ нейросетевой и регрессионных моделей прогнозирования временных рядов // Цифровая трансформация. 2019. № 2. С. 60–68.
15. Andreev O.N., Slavutskii L.A., Slavutskiy A.L. Neural network in a “sliding window” for power grids signals structural analysis. In: IOP Conference Series: Earth and Environmental Science, 2022, vol. 990, 012054. DOI: 10.1088/1755-1315/990/1/012054.
16. Dolphin R. LSTM Networks, a Detailed Explanation. Available at: https://towardsdatascience.com/lstm-networks-a-detailed-explanation-8fae6aefc7f9.
17. Fadıl C.M., Murat E., Mehmet H.Ö. Comparison of big data time series analysis methods. In: Proc. of the V International scientific and vocational studies congress – engineering (Bilmes en 2020). Ankara. 2020. Available at: https://www.researchgate.net/publication/348548541_COMPARISON_OF_BIG_DATA_TIME_SERIES_ANALYSIS_METHODS.
18. Slavutsky A.L., Slavutsky L.A., Slavutskaya E.V. Neural Network for Real-Time Signal Processing: The Nonlinear Distortions Filtering. In: Proc. of the Int. Ural Conf. on Electrical Power Engineering. Magnitogorsk, 2021, pp. 84–88.
19. Yadarova, O.N., Okhotkin G.P., Slavutskii L.A. A control system of a fan drive based on airflow Doppler ultrasonic control. Russian Electrical Engineering, 2017, vol. 88, no. 7, pp. 420–422. DOI: 10.3103/S1068371217070173.
20. Zhang X., Liu Y., Yang M. et al. Comparative Study of Four Time Series Methods in Forecasting Typhoid Fever Incidence in China. PLoS ONE, 2013, vol. 8(5). DOI: 10.1371/journal.pone.0063116. Available at: https://www.researchgate.net/publication/236644248_Comparative_Study_of_Four_Time_Series_Methods_in_Forecasting_Typhoid_Fever_Incidence_in_China.

Сведения об авторе

Алюнов Дмитрий Юрьевич – старший преподаватель кафедры компьютерных технологий, Чувашский государственный университет, Россия, Чебоксары (aldmitry89@gmail.com; ORCID: https://orcid.org/0000-0001-8673-3683).

Формат цитирования

Алюнов Д.Ю. Рекуррентная нейронная сеть для контроля ширины спектра нестационарного случайного сигнала // Вестник Чувашского университета. – 2023. – № 2. – С. 5–17. DOI: 10.47026/1810-1909-2023-2-5-17.

Загрузить полный текст статьи