![]() |
|
сделать стартовой | добавить в избранное |
![]() |
Компьютеры, Программирование
Программное обеспечение
Обработка информации и принятие решения в системах ближней локации |
Курсовая работа по дисциплине: «Теория обработки информации в системах ближней локации» на тему: «Обработка информации и принятие решения в системах ближней локации» СодержаниеЗадание на курсовое проектирование Введение Исходные данные 1. Исследование вероятностной структуры сигналов Построение гистограмм выборочных плотностей вероятности амплитуд сигналов, как случайных величин Изучение законов распределения случайных величин Оценка параметров распределения случайных величин для четырех законов Построение на одном графике теоретического и практического распределения для формулировки гипотезы Проверка гипотезы по критерию Колмогорова – Смирнова Проверка гипотезы по критерию согласия Пирсона Построение корреляционной функции для фрагмента сигнала длительностью 2000 отсчетов 2. Формирование обучающих и контрольных множеств данных 2.1 Признаки по оценке плотности распределения вероятности в пяти интервалах положительной области 3. Исследование признаков 3.1 Оценка параметров распределения признаков. Определение информативного признака с максимальным расстоянием, построение функций плотности распределения вероятностей и вычисление порога принятия решения, формулирование решающего правила 4. Обучение двухслойной нейронной сети 4.1 Общие сведения о нейронных сетях 4.2 Обучение нейронной сети Заключение Список использованных источников Исходные данные Задача обнаружения гусеничной техники, проезжающей на расстоянии 200 м от сейсмоприемника. Сигналы fo и r 200 предназначены для обучения и контроля нейронной сети. Сигнал es 50 – для тестирования работы нейронной сети. Признаки: распределение мощности в десяти равномерных интервалах (по 25 гармоник). Рисунок 1 – Исходный фоновый сигнал Рисунок 2 – Исходный сигнал гусеничной техники Введение За последние 10 20 лет существенно расширилась область использования технических средств охранной сигнализации (ТСОС): они используются для охраны, как военных объектов, атомных станций, государственной границы, так и дачных и фермерских хозяйств. Возрастают и требования к ТСОС по энергопотреблению и габаритным размерам, быстродействию и эффективности, кругу решаемых задач. Ранее в основном решалась задача обнаружения нарушителя с вероятностью 0.9, в настоящее время требуется повысить вероятность до 0.95 и более при снижении времени наработки до ложной тревоги с 1000 до 2000 часов (вероятности ложной тревоги). Все чаще ставятся задачи распознавания нарушителя по классам человек-группа людей, колесная-гусеничная техника с вероятностью 0.8 0.9 и определения места и направления пересечения охраняемого рубежа или зоны. Для решения поставленных задач недостаточно простых схемотехнических решений и алгоритмов, основанных на амплитудно-временной селекции сигналов. Анализ отечественных и зарубежных ТСОС показал, что основным направлением их развития является разработка более сложных алгоритмов обработки сигналов, основанных на исследовании «тонкой» внутренней структуры сигналов, генерируемых нарушителем, и выявлении наиболее отличительных характеристик (признаков). 1. Исследование вероятностной структуры сигналов 1.1
Построение гистограммы Различные законы распределения различаются видом графиков F(x) и f(x). Из математического анализа известно, что при интегрировании функции сглаживаются, а при дифференцировании, их особенности проявляются сильнее. Поэтому функция плотности распределения вероятности f(x) содержит больше информации, чем функция распределения F(x). По определению плотность распределения f(x) – это предел отношения вероятности попадания в малый интервал к ширине этого интервала, когда ширина стремится к нулю. Для выборки выборочная вероятность попадания в некоторый интервал – это отношение числа попаданий в интервал j к общему числу попаданий . Если ее разделить на ширину интервала h, то при малых h мы и получим выборочную плотность распределения: (1) Здесь мы не сможем использовать xj поодиночке, их придется группировать по участкам. Поэтому вначале весь интервал изменения данных нужно разбить на участки одинаковой длины. Сколько участков взять? Есть несколько подходов к определению числа участков разбиения k. Один из них – это использование формулы Стэрджесса: ,(2) где – объем выборки, а – операция округления до ближайшего целого. Другой подход состоит в следующем. С одной стороны, число участков разбиения должно быть как можно больше, с другой стороны, в каждый из этих участков должно попадать как можно больше значений xi. Компромисс между этими требованиями приводит к тому, что обычно выбирают число участков k для построения гистограммы как ближайшее целое к корню квадратному из : .(3) После разбиения на k участков подсчитываем число попаданий в каждый из них j. Из (1) следует, что гистограмма с точностью до множителя h совпадает с графиком выборочной плотности распределения . Разделив ординаты гистограммы на h, мы получим график . Для построения гистограммы в MA LAB имеется функция his . Она автоматически разбивает интервал изменения выборки на нужное количество участков, подсчитывает j и строит график. Продолжим выполнение задания «Обработка массива данных». В нижеприведенной области ввода первая строка – это определение числа участков k. Сейчас здесь стоит . Если вы хотите использовать формулу Стэрджесса, измените эту строку. Определим ширину каждого интервала h (идентификатор d в программе). Построим гистограмму распределения (1). Практическая часть. clear all% очистили рабочую область x= r 200; % вводим ИД x=sor (x(:));% переформатировали столбец и рассортировали =le g h(x);% длина массива r200 xmi =x(1);% находим минимальное значение xmax=x( );% находим максимальное значение Mx=mea (x);% математическое ожидание f= -1;% число степеней свободы Dx=var(x);% дисперсия Sx=s d(x);% среднеквадратичное отклонение Ax=skew ess(x);% асимметрия Ex=kur osis(x) – 3;% эксцесс k=rou d ( ^0.5);% число интервалов для построения гистограммы d=(xmax-xmi )/k;% ширина каждого интервала del=(xmax-xmi )/20;% добавки влево и вправо xl=xmi -del;% левая граница интервала для построения гистограммы xr=xmax del;% правая граница интервала для построения гистограммы fpri f ('Число интервалов k=%d ', k) fpri f ('Ширина интервала h=%14.7f ', d) figure% создаем новую фигуру his (x, k)% построили гистограмму se (ge (gcf, 'Curre Axes'), 'Fo ame', ' imes ew Roma Cyr', 'Fo Size', 12)% установка типа и номера шрифта i le (' bfГистограмма')% заголовок xlim()% границы по оси OX xlabel (' i x {j}')% метка оси x ylabel (' i {j}')% метка оси y grid Рисунок 3 – гистограмма распределения амплитуды сигнала гусеничной техники Рисунок 4 – гистограмма распределения амплитуды фонового сигналаВывод: по виду полученных гистограмм можно сделать предположение о том, что распределение амплитуд сигнала подчиняется нормальному закону.1
.2 Изучение законов распределения случайных величинПримеры распределений: нормальное, показательное (экспоненциальное), равномерное, рэлеевское По виду гистограммы подбирается теоретический закон распределения. Для этого смотрим, на какую плотность распределения похожа гистограмма и выбираем соответствующий закон. В этом задании выбор небольшой. Мы рассматриваем только 4 наиболее часто встречающихся а приложениях законов распределения: 1. Нормальное. 2. Показательное (экспоненциальное). 3. Равномерное. 4. Рэлеевское. Нарисуем с помощью MA LAB графики соответствующих плотностей распределения. Они показаны на рисунках 5 – 8. Здесь для вычисления f(x) используется функция pdf, которая находит плотность любого из имеющихся в MA LAB видов распределений. Можно использовать и другой вариант: вычислять каждую плотность распределения с помощью своей функции: ormpdf, exppdf и т.д. Плотность нормального распределения – колоколообразная кривая, симметричная относительно некоторой вертикальной оси, но она может быть смещена по горизонтали относительно оси Оу. Значения х могут быть разного знака. Выражение для плотности нормального распределения имеет вид: ,(4)а функция распределения: ,(5) где Ф(u) – интеграл Лапласа, для которого есть таблицы. Если считать функцию нормального распределения вручную, то удобно пользоваться таблицами интеграла Лапласа, которые есть в любом учебнике по теории вероятностей. При использовании MA LAB в этом нет необходимости: там есть функции ormpdf и ormcdf, а также функции pdf и cdf, в которых первый параметр (название распределения) должен иметь значение ‘ orm’. В выражение для плотности и функции нормального распределения входят 2 параметра: m и s, поэтому нормальное распределение является двухпараметрическим. По нормальному закону обычно распределена ошибка наблюдений. Плотность показательного распределения отлична от нуля только для неотрицательных значений х. В нуле она принимает максимальное значение, равное a. С ростом х она убывает, оставаясь вогнутой и асимптотически приближаясь к 0. Выражение для плотности показательного распределения: (6)а для функции распределения: (7)Показательно распределение является однопараметрическим: функция и плотность его зависят от одного параметра a. Обратите внимание: в MA LAB параметр показательного распределения – это величина, обратная a в формулах (6 – 7). Плотность равномерного распределения отлична от нуля только в заданном интервале , и принимает в этом интервале постоянное значение: (8)Функция равномерного распределения левее точки а равна нулю, правее b – единице, а в интервале изменяется по линейному закону: (9)Равномерное распределение – двухпараметрическое, т. к. в выражения для F(x) и f(x) входят 2 параметра: а и b. По равномерному закону распределены ошибка округления и фаза случайных колебаний. В MA LAB плотность и функция равномерного распределения могут быть посчитаны с помощью функций u ifpdf и u ifcdf, а также с помощью функций pdf и cdf с первым параметром ‘u if’. Плотность рэлеевского распределения отлична от нуля только для неотрицательных значений х.
Далее путем компьютерного анализа оценивается возможность целенаправленного взаимодействия белков-мишеней с различными химическими компонентами и среди последних отбирают такие, которые теоретически должны влиять тем или другим образом на мишени. На заключительном этапе все-таки требуется помощь экспериментаторов: в специальных опытах из небольшого уже числа отобранных теоретиками соединений вычленяют окончательно такие, которые оказывают ожидаемое биохимическое и физиологическое действие в живых системах. Не вызывает сомнения, что в ближайшее время вместо всего нескольких сотен белков-мишеней, на которые направлено действие лекарств сегодня, биоинформатика на базе расшифрованного генома человека даст медицине десятки тысяч новых мишеней. А затем будут подобраны новые направленные на них лекарственные средства. Немного фактов на грани с фантастикой Компьютеры на основе ДНК Молекула ДНК привлекла к себе внимание с разных, порой совершенно неожиданных сторон. Так, когда выяснилось, что в молекуле ДНК может храниться намного больше информации, чем в любом из микрочипов, заметный интерес вызвала возможность использования ДНК для обработки информации и решения математических задач
1. Система переработки информации и ее связь с принятием решений
2. Системы принятия решений, оптимизация в Excel и базы данных Access
3. Системы поддержки и принятия решений
4. Системы Поддержки Принятия Решений
9. Программный инструментарий системы принятия решений Project Expert
10. Разработка и создание автоматизированной системы обработки информации
11. Защита информации в компьютерных системах
12. Автоматизированная обработка информации (Шпаргалка)
13. Использование полей и закладок для редактирования и обработки информации в документах Word
14. Парольные методы защиты информации в компьютерных системах от несанкционированного доступа
15. Теория игр и принятие решений
16. Профессионализм политолога: анализ, принятие решений, управление событиями
17. Радиофизические методы обработки информации в народном хозяйстве
18. ПОВЕДЕНИЕ ПОКУПАТЕЛЕЙ И ПРИНЯТИЕ РЕШЕНИЯ О ЗАКУПКЕ
19. Проблемы и методы принятия решений
20. Методология принятия решений в организации
21. Модели и методы принятия решений
25. Принятие решений в условиях неопределенности
27. Организационно-технологическая модель принятия решения
29. Процесс принятия решений покупателем
30. Принципы кодирования информации в нервной системе
31. Системный подход к принятию решений
32. Шесть наиболее распространенных ошибок при принятии решений
34. Природа процесса принятия решений в управлении.
35. Специфика группового принятия решения
36. Модель процесса принятия решения покупателем и ее составляющие
37. Проблемы прикладного выбора при принятии решения типа "сделать или купить"
41. Анализ криптостойкости методов защиты информации в операционных системах Microsoft Window 9x
42. Современные способы обработки информации
43. Решение системы нелинейных уравнений
44. Принятие решений в условиях неопределенности
45. Принятие решений об оптимизации ассортимента
46. Психологические смещения при принятии решения
47. Оптическая обработка информации
48. Лингвосемантическая категория “принятие решения” (средства выражения и особенности функционирования)
49. Передача информации в нервной системе
50. Принятие решений по ценообразованию
51. Принятие решения представительным органом муниципального образования
52. Модели и методы принятия решения
53. Поиск решений системы линейных уравнений методом Гаусса
57. Численное решение системы линейных алгебраических уравнений методом Гаусса
58. Числовая и нечисловая обработка информации
61. Влияние макросреды на принятие решений в маркетинге
62. Процесс принятия решения о покупке
63. Процесс принятия решения потребителями о покупке в спортивных магазинах
64. Аналитические свойства решений системы двух дифференциальных уравнений третьего порядка
65. Итерационные методы решения системы линейных алгебраических уравнений
66. Нахождение корня нелинейного уравнения. Методы решения системы нелинейных уравнений
67. Анализ и разработка схемы принятия решений в организации
68. Какие задачи решает товарный знак. Особенности принятия решений в управлении инновациями
69. Механизм усовершенствования принятия решений
73. Стресс-менеджмент. Гендерные особенности принятия решений
74. Принятие решений в условиях неопределённости
75. Влияние личностных особенностей работников служб экстренного вызова на процесс принятия решений
76. Основные этапы принятия решения и осуществления таможенного сопровождения
77. Создание автоматизированной системы обработки экономической информации
82. Автоматизированные системы обработки экономической информации
84. Анализ автоматизированной системы обработки экономической информации предприятия "Дорремстрой"
85. Анализ отклонений в системе бюджетирования как база для принятия управленческих решений
90. Защита информации в системах дистанционного обучения с монопольным доступом
93. Процессоры обработки текстовой информации
94. Подготовка, принятие и реализация политических решений
95. Разработка фотоприемного устройства волоконно-оптической системы передачи информации (ВОСПИ)
96. Финансовый анализ как база принятия управленических решений
97. Анализ и принятие управленческих решений
98. Концепция принятия управленческого решения в современной литературе
99. Технология процесса принятия и реализации управленческих решений