ГЛАВНАЯ СТРАНИЦА

Примеры из базы данных

Разберем другие имеющиеся в базе примеры.

Внимание! Если вы скачали с этого сайта облегченный архив с программой, то есть без сигналов-примеров, в вашем компьютере нет сигналов для данных примеров, хотя настройки для них имеются. Вы можете либо сгенерировать сигналы самостоятельно, либо все-таки скачать вариант с сигналами-примерами.

Распознавание частоты синусоидального сигнала (настройка "set_110-220-330").

В настройках нейросети видим имя набора для обучения: "110-220-330"; в Наборах видим, что он состоит из сигналов "20-110", "20-220" и "20-330"; это синусоиды с амплитудой 20 и частотами 110, 220 и 330.

Скажем два слова об особенностях этой настройки.

Под кнопкой Подготовка видим, что здесь применяется гетеродин, с частотой 501 Гц. Там же видим, что на сигнал накладывается шум с дисперсией 1.

Важный момент: под кнопкой Установки справа по умолчанию устанавливается галка "Добавлять к сигналу шум (как при обучении)". Это значит, что для распознавания мы хотим подавать на исходный сигнал, а "подпорченный" таким же шумом, как при обучении. Иногда обученная сеть отрабатывает с этой галкой лучше, иногда работает лучше без нее.

Еще стоит обратить внимание на количество узлов на входном слое. При распознавании дисперсии гауссовского шума использовалось число 20. В этой же настройке все проще: степень уравнения = 4, значит, оно содержит 6 коэффициентов. Обучающий вектор состоит из этих коэффициентов и дискриминанта, итого – 7 членов.

Встанем на эту настройку. Выбирая в Установках сигналы, проверим ее качество. Кроме трех сигналов, использованных при обучении, можно попробовать сгенерировать и проанализировать другие сигналы.

При обучении и распознавании с этой настройкой на графике отображаются куски сигнала, на которых заметны две частоты, большая и маленькая – это потому, что применяется гетеродин.

Распознавание частоты синусоидального сигнала с применением частичного логарифмирования (настройка "set_110-220-330_0,5").

Это то же самое, но с применением частичного логарифмирования входного вектора, можно прочитать об этом методе на этой странице.

В поле «логарифмируем на входе, если более» введено значение 0.5. При очередной попытке обучения получилось выйти на вариант с 2-мя логарифмируемыми членами входного вектора. В этом случае нейросеть стала обучаться быстрее и качественнее, чем при предыдущей настройке (где введено число 1000000.0, отсекающее метод логарифмирования).

Распознавание частоты синусоидального сигнала (настройка "set_123-234").

Этот пример отличается от предыдущего тем, что сеть обучена различать 2 частоты (123 Гц и 234 Гц) на сигналах с разными амплитудами (11, 17 и 22).

Набор для обучения состоит из сигналов: "11-123", "11-234", "17-123", "17-234", "22-123", "22-234". Пораспознавав эти сигналы, можно увидеть, что все работает хорошо, но частота сигнала "22-123" распознается очень нестабильно; можно попробовать доработать данную настройку.

Распознавание основания B сигнала, заданного формулой A * B ^{sin(w * t)} (настройка "set_pow").

Такие сигналы имеют вид "неправильной синусоиды", с гладким верхом и острым низом. Чем ближе основание B к числу 1, тем больше сигнал похож на обычный синус. То есть мы распознаем «неправильность» синуса.

Здесь набор – "pow-sin", он состоит из 6 сигналов. Если в него заглянуть, видно, что некоторые из них включены по 2 и 3 раза, а именно те, с которыми при обучении были проблемы. Это делалось для того, чтобы они подавались на вход сети чаще. Тем не менее, и сейчас два сигнала распознаются неуверенно – можно попробовать дообучить.

Распознавание фазового шума (настройка "set_фаз-шум").

В соответствующем наборе "фазовый_шум1" присутствуют сигналы с амплитудой 20, частотой 111 Гц и разными дисперсиями фазового шума: 0, 0.0001, 0.0005 и 0.001.

Эта сеть ведет себя хорошо. Это приятно, так как распознавание величины фазового шума – вполне практическая задача.

Также можно посмотреть, как она реагирует на сигналы с дисперсиями фаз. шума 0.0003, 0.00075, 0.005. Можно попробовать поочередно включать эти сигналы в обучающий набор и дообучать нейросеть.

Из этого примера можно сделать вывод, что проще всего добиться успеха в работе с однотипными сигналами, различающимися не очень сильно. Это может быть задача детектирования неисправности, признак которой «глубоко спрятан» в сигнале от датчика.

Попробуйте улучшить результаты в перечисленных примерах. Начать лучше с копирования имеющейся настройки, чтобы менять параметры в копии. Например, ставим курсор на настройку set_фаз_шум, в поле Настройка-результат пишем "set_" (или придуманное вами имя) и нажимаем "Создать копию =>". Затем ставим курсор на set_ (или на придуманное вами имя) и работаем с этой настройкой.