РЕАЛІЗАЦІЯ ЦИФРОВИХ ФІЛЬТРІВ З ВИКОРИСТАННЯМ НЕЙРОННИХ МЕРЕЖ, КОЛИ ДИНАМІКА РУХУ ОБ'ЄКТА НЕВІДОМА

Zinovii Liubun, V. Nesterenko, V. Mandziy, O. Karpin

Анотація


У статті представлено новий підхід до розробки цифрових фільтрів з використанням нейронних мереж. Для налаштування фільтра використовується математична модель сигналу, тобто певний чистий сигнал з шумами та без шумів, які відіграють роль тренувального прикладу для нейронної мережі. Таким чином вдається максимально спростити інтерфейс системи, переклавши відповідальність за вибір налаштувань фільтра на сам цифровий фільтр.

Побудований цифровий фільтр є рекурентною нейронною мережею з одним нейроном. Як функцію активації було використано лінійну функцію. На ваги нейрона подаються значення вхідного сигналу та відфільтрованого сигналу. Наведена у статті схема фільтру дає можливість побудови різних його варіацій з різною кількістю вхідних та вихідних ваг. Залежно від набору ваг, фільтр по-різному реагує на складові вхідного сигналу.

Для тренування та тестування фільтра було обрано синусоїдальний сигнал, до якого було додано шумовий сигнал з нормальним розподілом і нульовим математичним сподіванням. На такому сигналі було перевірено застосовність цифрового фільтра, а також досліджено хід навчання з відповідним аналізом зміни ваг нейронної мережі. Застосовність фільтра в умовах наближених до реальних було перевірено з використанням трикутного та сходинкового сигналів. Візуалізація вхідних сигналів та результатів фільтрації для кожного з випадків дає змогу наочно оцінити якість роботи фільтра.

В якості об’єктивної оцінки фільтрації було обрано коефіцієнт SNR, що характеризує відношення амплітуди сигналу до величини її стандартного відхилення. В ході аналізу отриманих результатів було отримано амплітудно-частотну характеристику фільтра за різних умов навчання. Таким чином було показано вплив потужності шуму у вхідному сигналі на результати фільтрації.

Для реалізації цифрового фільтра з елементами нейронних мереж було використано мову програмування Python.

Ключові слова: цифровий фільтр, рекурсивні фільтри, рекурентні нейронні мережі.


Повний текст:

PDF (English)

Посилання


  1. Z. Liubun, V. Mandziy, O. Karpin, V. Rabyk, "Neural-network-based Gesture Detection for Capacitive Sensing," 2022 IEEE 16th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), 2022, pp. 362-365, doi: 10.1109/TCSET55632.2022.9767083.
  2. Grewal M.S., Andrews A.P. Kalman Filtering: theory and practice. Prentice-Hall, Englewood Cliffs (1993)
  3. S. Haykin. Adaptive Filter Theory, 5th Edition, Prentice Hall, 2013.
  4. S. Haykin. Kalman Filtering and Neural Networks. First published:1 October 2001.Print ISBN:9780471369981 Online ISBN:9780471221548 DOI:10.1002/0471221546
  5. Recurrent Neural Filters: Learning Independent Bayesian Filtering Steps for Time Series Prediction Bryan Lim, Stefan Zohren and Stephen Roberts Oxford-Man Institute of Quantitative Finance Department of Engineering Science University of Oxford Oxford, UK {blim,zohren,sjrob}@robots.ox.ac.u.
  6. Oxford-Man. Recurrent Neural Filters: Learning Independent Bayesian Filtering Steps for Time Series Prediction. Retrieved from https://www.oxford-man.ox.ac.uk/wp-content/uploads/2020/03/Recurrent-Neural-Filters-Learning-Independent-Bayesian-Filtering-Steps-for-Time-Series-Prediction.pdf
  7. IOPSCIENCE. Recurrent neural networks as approximators of non-linear filters operators. Retrieved from https://iopscience.iop.org/article/10.1088/1742-6596/1141/1/012115/pdf
  8. STOWERS INSTITUTE RESEARCH WEBSITES. A fast noise filtering algorithm for time series prediction using recurrent neural networks. Retrieved from https://research.stowers.org/bru/RNN_Filter2_V3.pdf
  9. S. Haykin. Kalman filtering and neural networks, John Wiley, 2001.
  10. Parlos A. G., Menon S. K. and Atiya A. F. (2001). An algorithmic approach to adaptive state filtering using recurrent neural networks. “IEEE Transactions on Neural Networks”, 12-6:1411--1432.
  11. AN64846, Getting Started with CapSense®, Document No. 001-64846 Rev. *T, Retrieved from https://www.mouser.com/pdfdocs/AN64846.pdf




DOI: http://dx.doi.org/10.30970/eli.19.4

Посилання

  • Поки немає зовнішніх посилань.