РУБРИКИ

Реферат: Anwendung eines neuranalen Netzwrkes fuer die Erkennung der Zeit-Frequenz Repraesentationen.

   РЕКЛАМА

Главная

Зоология

Инвестиции

Информатика

Искусство и культура

Исторические личности

История

Кибернетика

Коммуникации и связь

Косметология

Криптология

Кулинария

Культурология

Логика

Логистика

Банковское дело

Безопасность жизнедеятельности

Бизнес-план

Биология

Бухучет управленчучет

Водоснабжение водоотведение

Военная кафедра

География экономическая география

Геодезия

Геология

Животные

Жилищное право

Законодательство и право

Здоровье

Земельное право

Иностранные языки лингвистика

ПОДПИСКА

Рассылка на E-mail

ПОИСК

Реферат: Anwendung eines neuranalen Netzwrkes fuer die Erkennung der Zeit-Frequenz Repraesentationen.

Реферат: Anwendung eines neuranalen Netzwrkes fuer die Erkennung der Zeit-Frequenz Repraesentationen.

V.Barat, D.Slesarev, V.Lunin, H.-U. Seidel

Anwendung eines neuronalen Netzwerkes fuer die Erkennung der
Zeit-Frequenz Repraesentationen

Kurzfassung. Die Anwendung von neuronalen Netzwerkes - Neokognitrons,
fuer Erkennung und Klassiefizierung von 2-dimensionalen Zeit-Frequenz
Repraesentationen (die werden als 2-dimensionale Farbbilde dargestellt)
der vibroakustischen Signale wurde untersucht.

Es its gut bekannt, dass die instationaere Regime der meschanischen
Einrichtung (z.B. Anlauf, Ablauf von rotierenden Maschinen) viel mehr
informativ als stationaere sind, also viel mehr information ueber
technischen Zustand der Einrichtung tragen. Es ist aber problematisch,
diese Regime mit Hilfe konventionele Methoden (z.B. FFT) zu
untersuchen, so verwendet man dafuer Zeit-Frequenz Repraesentationen,
solche wie z.B. Geglaettete Wigner Distribution (SWD), die die
Veraenderung der Energieverteilung im Frequenzbereich mit der Zeit
beschreiben, und deren Parametern angepasst sein koennen, die
interessierende Signaleigenschaften (momentan Amplituden der
Signalkomponenten) mit der vorgegebenen Genauigkeit zu bewerten [1].
Diese Zeit-Frequenz Repraesentationen werden als 2-dimensionale farben
Abbildungen - Sonogrammen - grafisch dargestellt.

Die Aufgabe folgender Merkmalextraktion und die Klassifizierung des
Signale aufgrund der extrahierte Merkmaele ist aber keinesfalls
trivielle Aufgabe, da es sehr viel Einflussfaktoren gibt. Deswegen wurde
es vorgeschlagen, fuer diese Aufgabe ein neuronale Netzwerk zu
verwenden. Das ausgewaelte Netzwerkarchitektur - Neokognitron - wird
fuer die Erkennung einiger grafischen Objekte erfolgreich verwendet [2].

Das Netzwerkstruktur laesst sich fuer die Extraktion bestimmter
Merkmaele von Sonogrammen einstellen, aufgrund denen folgende
Signalklassifizierung durchgefuert werden kann. Dabei gibt man die
zulaessige Abweichungen dieser Merkmaele an. An der Abbildung 1 ist eine
typische Sonogramme dargestellt (die dem Ablauf einer E-Maschine
entspricht).

An computersimulierten Signale hat Neokognitron gute Faehigkeit gezeigt,
die bedeutende Merkmaele der Zeit-Frequenz Repraesentationen (SWD) zu
extrahiren. Danach wurden die experimentale Daten (vibroakustische
Signale Ablaufs einer E-Maschine) mit Hilfe dieser Netzwerke bearbeiten,
dabei haben die Experimente gute Abstimmung mit der
Simulationsergebnisse gegeben. Einige Merkmaele der SWD ermoeglichen es,
guter und schlechter Maschinenzustand von eineinder trennen.

Abbildung 1

Literatur:

Slesarev D., Schade H.-P., «Optimal geglдttete Wigner-Distribution fьr
ein Signalmodell», Ilmenau, IWK-40, B.1, S.490, 1995.

Lau C., Neural Networks. IEEE Press 1992.


© 2000
При полном или частичном использовании материалов
гиперссылка обязательна.