Современные информационные технологии / 3. Программное обеспечение

Жусупова Б.Т.

Костанайский государственный университет имени А.Байтурсынова, Костанай, Казахстан

Роль цифровых методов обработки сигналов при построении нейронной сети

Представляя собой новую и прогрессивно развивающую вычислительную технологию, нейронные сети (НС) дают новые пути исследования принципов цифровой обработки разнообразных видов сигналов: звуковых, речевых, видео, изображений, передачи сообщений, геофизических, локационных, медицинских измерений (кардиограммы, энцефаллограммы, пульс) и других. [1].

Цифровая обработка сигналов представляет собой один из важнейших предметов научных исследований с применением современной вычислительной техники. Большое значение в системах цифровой обработки сигналов занимают нейрокомпьютеры, применение которых резко расширилось с переходом от классических линейных алгоритмов обработки сигналов к нелинейным, где нейросетевые алгоритмы занимают ведущее место. Нейрокомпьютеры активно применяются в системах обработки речевой информации для распознавания отдельных слов, слогов, идентификации диктора, распознавания слитной речи, в системах обработки радиолокационных сигналов, виброконтроля состояния машин и механизмов, обработки сейсмической информации и даже в системах анализа и синтеза музыкальных произведений [2].

Важная область применения нейронных сетей – прогнозирование ситуации. Стандартный подход к решению этой задачи оказывается слишком медленным для ситуаций, требующих мгновенного принятия решений [3]. Так как нейронные сети не программируются в привычном смысле этого слова, а обучаются. Возможность обучения — одно из главных преимуществ НС перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами, в выявлении сложных зависимостей между входными и выходными данными, в выполнении обобщения. То есть в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке. От обучения сети, зависит то, насколько успешно будет справляться сеть с решением проблем, поставленных перед ней. Помимо качества подбора весов важно и время обучения, которые связаны между собой обратной зависимостью и их выбор осуществляется посредством компромисса [4].

Все алгоритмы обучения НС можно поделить на два больших класса: детерминистские – с жесткой последовательностью действий при подстройке весовых коэффициентов и стохастические – а основе случайных действий. Если за основу классификации сигналов брать возможность или невозможность точного предсказания значений сигнала в любой момент времени или в любой точке пространственной координаты, то сигналы, для которых возможно указанное предсказание, называются детерминированными, а сигналы, для которых невозможно точно предсказать значения, называются случайными.

Обработкой сигнала называется преобразование сигнала с целью представления информации, содержащейся в сигнале, в наиболее удобном виде. Обработка сигналов осуществляется с помощью различных технических средств: аналоговых (непрерывных), цифровых, гибридных. Первоначально обработка сигналов осуществлялась с помощью аналоговых средств, в которых значения сигналов изменяются непрерывно при изменении непрерывной временной t или пространственной переменной s. Примерно в конце 80-х годов прошлого века в лидеры выходит цифровая обработка, основанная на дискретных способах передачи и преобразования сигналов, в которых в том или ином виде используется дискретизация сигналов. Дискретизация сигналов - это замена «непрерывных» значений теми или иными дискретными значениями и может быть осуществлена по времени (или пространственной переменой), по уровню, или по времени, по уровню одновременно.

Таким образом, цифровыми сигналами (ЦС) называются сигналы, дискретизированные как по времени, так и по уровню. ЦС отличаются от дискретных тем, что для них отчетные значения представлены в виде чисел. Для формирования ЦС применяют аналого-цифровые преобразователи (АЦП), выполняющие дискретизацию аналогового сигнала по времени и уровню, а затем кодирующие уровень сигнала, используя ту или иную систему счисления. ЦС могут обрабатываться с помощью программируемых цифровых вычислительных устройств. Цифровая обработка сигналов (ЦОС) основана на представлении сигналов в виде последовательностей чисел и может осуществляться либо с помощью универсальных цифровых ЭВМ, либо с помощью специальных цифровых процессоров обработки сигналов (ЦПОС).

Реализация ЦОС в реальном масштабе времени требует, как правило, применения цифровых процессоров обработки сигналов, которые представляют собой программируемые микропроцессоры, предназначенные для реализации алгоритмов цифровой обработки сигналов [1]. Спектр применения ЦПОС весьма широк. Причины использования цифровых методов обработки сигналов заключаются в том, что цифровые системы малочувствительны к параметрам окружающей среды, они могут быть адаптивными и их легко перепрограммировать. Цифровые алгоритмы легко переносятся с оборудования одного изготовителя на оборудование другого изготовителя и пр. Цифровые сигналы можно хранить в неизменном виде неограниченное время.

Литература:

1. Бондарев В.Н. Цифровая обработка сигналов: методы и средства. Учебное пособие для вузов. 2-е издание / В. Бондарев, Г. Трёстер, В. Чернега. – Х.: Конус, 2001. – 398 с.

2. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры» – М.: Издательство МЭИ, 2002. – 176 с.

3. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В. Круглов, В. Борисов. – М.: Горячая линия: Телеком, 2001. – 382 с.

4. Джеффри, Х. Как обучаются нейронные сети. В мире науки. – 1992. – N 12. - С. 103-107.