Генерирование сигналов с заданными свойствами. Генерирование сигналов с заданными свойствами. Генерирование сигналов с заданными свойствами, страница 7

 

Рисунок 56 – Система многовариантной параллельной обработки данных

Подобная схема имеет расширенные функциональные возможности, заключающиеся в оперативной идентификации свойств динамического сигнала и рядов данных на предмет обнаружения смены тенденции полезного сигнала и наличия грубых искажений, т. к. динамический сигнал может обладать существенной нестационарностью и нелинейностью по статистическим характеристикам.

Подобная функциональность обеспечивается модулями определения приращения оценок внутри каждого слоя и между разными слоями. Если оценки, полученные выборочной средней и выборочной медианой близки между собой, то выбирается результат выборочной средней, как более точной. Если же оценки существенно расходятся, то происходит сравнение между медианами, полученными с разной памятью фильтра.

Кроме того, многовариантная параллельная обработка данных дает возможность получения дополнительной информации для точностного анализа, за счет чего повышается достоверность и надежность конечного результата.

Рассмотрим функции каждого блока системы многовариантной параллельной обработки данных.

Определение модуля приращений оценок в каждом слое и определение модуля приращения оценок в разных слоях – это основная операция алгоритма, на основе которой определяется необходимое число слоев. Если модуль приращения между двумя соседними слоями меньше заранее заданного порогового значения, то искомая оценка считается найденной

 

(28)

 (29)

Обнаружение выбросов и их свойств осуществляется путем анализа результатов осреднения и медианирования при различной ширине окна. Логика оценки такова, если модуль приращения результатов осреднения и медианирования меньше заранее заданной пороговой величины, то выбросы отсутствуют, иначе рассматриваются результаты медианирования при различной ширине окна.

Сглаживание модулей приращения оценок – необходимо для обнаружения долгосрочных тенденций. Сглаживание можно осуществлять или отдельным алгоритмом фильтрации, или повторно пропустив через схему.

(30)

где δ_сл – порог в слое (выбор медиана-среднее), δ_к – порог между каскадами, α – настроечный параметр ЭС, k – число повторов между каскадами, n – число повторов при разной памяти.

1.2.2 Примеры обработки временных рядов данных

Проведем обработку полезного сигнала-синусоиды с тремя различными помеховыми составляющими многовариантным, медианным и СС фильтрами.

Результаты отображены на рисунках 57-65.

Рисунок 57 – Обработка многовариантным фильтром, вариант № 1

Рисунок 58 – Обработка СС, вариант № 1

Рисунок 59 – Обработка медианным фильтром, вариант № 1

Рисунок 60 – Обработка многовариантным фильтром, вариант № 2

Рисунок 61 – Обработка СС, вариант № 2

Рисунок 62 – Обработка медианным фильтром, вариант № 2

Рисунок 63 – Обработка многовариантным фильтром, вариант № 3

Рисунок 64 – Обработка СС, вариант № 3

Рисунок 65 – Обработка медианным фильтром, вариант № 3

Выводы по работе многовариантного фильтра на основе обработки модельных сигналов: проанализировав таблицу критериев качества (см. табл. 38), можно говорить об абсолютном превосходстве МКСФ над СС и МЕД.

Таблица 38 – Критерии качества

                         Критерий            Среднемодульный            Среднеквадратичный           Процент попадания

          № 

       S(i)           _[M]                          1             2             3             1            2            3            1        2              3

                         F   

                             МСФ      0,0658     0,0586     0,0918    0,0065    0,0057     0,0148      40,78                        56,57       36,84

Sin CC 0,0716 0,0802 0,1515 0,0073 0,0089 0,0443 35,52 35,52 34,21 med 0,0754 0,0639 0,0913 0,0088 0,0067 0,0147 35,52 46,05 35,52