Пятница, 08 Декабрь 2017 08:51

Автоматизация производства

Автор 
Оцените материал
(2 голосов)

В работе рассмотрены методы эффективного решения задачи сравнения и определения сигналов, поступающих в системы автоматизации и управления производством. Задача рассмотрена в общем виде, без привязки к конкретным типам систем управления и видам сигналов. Сделаны выводы об областях применения различных подходов к решению этой задачи.

 

На современном этапе развития средства автоматизации и управления производством выходят на качественно новый уровень. Интеллектуальные задачи, ранее решаемые человеком, постепенно находят технические решения за счет применения различных технологий искусственного интеллекта (таких, как компьютерное зрение, машинное обучение и других).

Качество работы любых систем искусственного интеллекта определяется двумя компонентами: репрезентативной выборкой исходных данных, на которых осуществляется обучение или разрабатываются детерминированные алгоритмы, и эффективность работы алгоритмов, обрабатывающих эти данные.

Одной из ключевых задач для обработки данных в системах искусственного интеллекта является задача сравнения сигналов. Любой метод анализа сигнала по своей сути производит сравнение исследуемого сигнала с некоторыми эталонами.

Не зависимо от характера сравнения сигналы могут иметь различное физическое воплощение. Это могут быть электрические сигналы от различного рода датчиков (для определения геометрических параметров, параметров силового электрического сигнала, давления или других физических параметров силовых механизмов станков, определения уровня шума, освещенности и многие другие), цифровые данные с оптических камер, данные от других информационных систем и др. Также, сигналы могут иметь различное математическое описание в виде одно или двумерных функций или последовательностей. В данной работе рассматриваются эффективные методы общего вида для сравнения сигналов.

 

Эти методы можно классифицировать по различным категориям, но, исходя из темы работы, выделим разделение методов по их вычислительной сложности и точности. Указанные категории связаны между собой. Очевидно, что чем большую точность мы хотим получить, тем большее количество вычислений нужно проделать. Хотя точность определяется и другими свойствами реализуемой системы (например, большое значение имеет качество обрабатываемых данных) будем классифицировать алгоритмы по шкале сложности/точности (поскольку от других параметров, которые определяют точность, алгоритмы зависят меньше).

 

В теории информации и радиотехнике используется теорема Шеннона, которая определяет, какое количество информации можно получить исходя из имеющихся данных. Ее можно переформулировать для нашего случая и определить максимальную точность, достижимую в имеющейся ситуации.

Алгоритм, сравнивающий сигналы с максимально возможной точностью с точки зрения теории информации будет находиться на одном конце шкалы сложности/точности. На другом конце шкалы будет находиться практически бессмысленный алгоритм, который будет выдавать результат сравнений без вычислений, случайным образом.

Применительно к одно или двумерным последовательностям, алгоритмом, обеспечивающим максимальную возможную точность сравнения, во многих случаях будет являться одно или двумерная корреляция соответственно.

Применение корреляции для сравнения сигналов имеет два существенных ограничения.

Во-первых, вычисление корреляции даже двух сигналов часто требует большого объема вычислений. Особенно это проявляется при работе с двумерными сигналами при обработке изображений. В случае же большего числа сигналов (например, при обработке видеопоследовательности) количество вычислений может быть столь велико, что вычисления не могут быть выполнены за разумное время при современном уровне развития вычислительной техники.

Во-вторых, для сравнения двух сигналов с помощью корреляции сигналы должны обладать сходными параметрами (прежде всего энергией). В простейшем случае эта проблема решается нормировкой сигналов, однако такого решения не всегда достаточно. Например, два сравниваемых изображения могут отличаться уровнем освещенности, фокусировкой или даже разрешением. В этом случае точным решением, обеспечивающим максимальную точность сравнения с точки зрения теории информации, будет введение дополнительных размерностей для каждого из параметров, которые могут варьироваться у изображений, и вычисление многомерной корреляции для определения степени сходства. Очевидно, что вычисление подобной многомерной корреляции является слишком дорогостоящим в плане использования вычислительных ресурсов.

 

Анализируя приведенные выше причины, ограничивающие применение корреляции для сравнения сигналов, можно прийти к выводу, что основная проблема в выборе эффективного алгоритма сравнения сигналов заключается в 25 нахождении способа сократить количество вычислений при вычислении корреляции.

 

В самом общем смысле, все алгоритмы применяемые для сравнения сигналов и смещенные от алгоритма сравнения сигналов с помощью корреляции в сторону меньшей точности и меньших вычислительных затрат (сложности) являются способами снижения числа операций для вычисления корреляции. Эти способы можно свести к двум группам.

 

К первой группе относятся способы расчета корреляции за счет применения более экономичной вычислительной схемы. При использовании способов этой группы точность сравнения сигналов не уменьшается, но при этом не всегда достигнутое уменьшение количества вычислений является достаточным для решаемой задачи. Ко второй группе относятся способы, выполняющие приближенное решение задачи сравнения двух сигналов. При использовании способов этой группы возможно значительное снижение числа вычислительных операций, требуемого для решения задачи, за счет небольшого ухудшения точности получаемого ответа.

 

Несмотря на не оптимальность выдаваемого решения, на практике такие методы широко используются, поскольку позволяют решить задачи, не решаемые практически с помощью первой группы методов. Одна из идей первой группы методов заключается в переходе от сравнения сигналов целиком к алгоритму, который на первом этапе сравнивает отдельные части сигналов, а затем интегрирует результаты сравнения. Алгоритмы этой группы реализуют принцип «разделяй и властвуй», применение которого для решения вычислительных задач восходит к алгоритму Карацубы для умножения больших чисел.

 

Имеются реализации этого принципа как для одномерных, так и для двумерных сигналов [8]. Если сравниваемые сигналы имеют длину n, то сложность вычисления корреляции эти сигналов будет пропорциональная n 2 . Каждое разделение сигналов позволяет уменьшить определяющий сложность показатель степени в ¾ раза.

 

Другой идей снижения числа вычислений является перевод сигналов и в спектральную область с помощью быстрого преобразования Фурье и вычисление корреляции в этой области. Количество операций при таком 26 способе вычислений будет пропорционально n log n , при этом коэффициент пропорциональности будет выше, чем в первом варианте.

Второй вариант вычислений будет лучше работать при больших значения n, первый вариант – при малых и средний n.

 

Хотя эти способы и позволяют заметно снизить число вычислений, но для некоторых задач, работающих с большими массивами данных, требуемое количество операций все равно является высоким. Вторая группа методов выполняет приближенное сравнение сигналов. Идея этих методов заключается в неполном сравнении сигналов. Для этого в сигналах выделяются особые составляющие, в наибольшей степени характеризующие сигнал. Это может быть наиболее характерная часть сигнала, либо специальным образом подсчитанная характеристика сигнала. Наиболее ярким примером этой группы методов является спектральное представление сигналов. Для определения (приема) сигнала анализируется только небольшой участок его спектра. Такой метод анализа сигналов является основным в радиотехнике, и широко используется в других областях науки.

 

Помимо спектрального анализа существует и много других алгоритмов, использующих для сравнения сигналов некоторые характеристики сигналов. Например, при обработке изображений спектральные методы нашли ограниченное применения, а для сравнения изображений используют различного вида специальные точки или области изображений (feature). Вместо анализа всего изображения целиком и его попиксельного сравнения с другим изображением или эталоном (современные изображения содержат миллионы пикселей), на нам находится несколько десятков или сотен особых точек, по которым и идет анализ изображений. Сложность второй группы методов не зависит от размера сигналов, поэтому эти методы могут применяться для анализа большого количества сигналов больших размеров. Исходя из изложенного выше, можно сделать вывод, что выбор алгоритма для сравнения сигналов определяется, прежде всего, соотношением вычислительных ресурсов и объема обрабатываемых данных.

 

Чем выше это отношения, тем более точный метод можно подобрать для решения поставленной задачи, вплоть до достижения максимальной точности, которая определяется количеством информации, которое можно получить из сигналов.

Материалы второй всероссийской научно-технической конференции "ИННОВАЦИОННЫЕ ПРОЕКТЫ И ТЕХНОЛОГИИ МАШИНОСТРОИТЕЛЬНЫХ ПРОИЗВОДСТВ"  

Дополнительная информация

  • Заказчик: Организация
  • Статус: Нет исполнителя
  • Срок сдачи проекта после оплаты аванса: 01.10.2018
  • ЦЕЛЬ ПРОЕКТА: Рассказать подробней про тему проэекта
Прочитано 1574 раз Последнее изменение Пятница, 08 Декабрь 2017 08:56
Авторизуйтесь, чтобы получить возможность оставлять комментарии