Условие оптимальности решающей функции в радиосистемах с принятием решений
Автор: Чепурнов Илья Александрович, Черваков Владимир Олегович, Вахитов Максим Григорьевич, Клыгач Денис Сергеевич
Рубрика: Математика
Статья в выпуске: 1 т.15, 2023 года.
Бесплатный доступ
Рассматривается выбор оптимальной решающей функции для радиосистем с принятием решений. Проводится анализ алгоритмов объединения частных решений на основе байесовского подхода. Предлагается метод вычисления оптимальной решающей функции для определения принадлежности наблюдаемых значений к заданному классу значений. Предложенный метод позволяет эффективно использовать частные решения для принятия общего решения в другом алфавите на основе сведений о составе наблюдаемой группы объектов и распределении их по классам, а также оптимального учёта текущей достоверности этих частных решений. Набор наблюдаемых значений и частных решений формируется на основе экспериментальных результатов измерений. Предполагается, что значения в алфавите заранее известны. Описано применение данного метода в задачах неразрушающего контроля композитных материалов, а именно с помощью радиоволнового метода. Радиоволновый метод можно применять для поиска дефектов в структуре композитных материалов. С помощью излучателя сканируется поверхность эталонного композитного материала и формируется набор данных. После проводится сканирование исследуемого образца и формируется набор по наблюдаемым объектам. Возникающие неоднородности (дефекты) будут являться установленными известными классами в алфавите и будут определяться набором значений коэффициента отражения от этих неоднородностей (дефектов).
Радиосвязь, распознавание, достоверность, принятие решений
Короткий адрес: https://sciup.org/147239478
IDR: 147239478 | DOI: 10.14529/mmph230107
Текст научной статьи Условие оптимальности решающей функции в радиосистемах с принятием решений
К радиосистемам с двухэтапным принятием решений можно отнести системы цифровой связи [1] и многодатчиковые системы распознавания (классификации) [2, 3]. В системах передачи дискретной информации на первом этапе формируются решения демодулятора, а на втором эти решения обрабатываются в декодере, в результате формируется окончательное решение о том, какая информация была передана. В многодатчиковых системах распознавания на первом этапе датчики (подсистемы, каналы, классификаторы) формируют решения о принадлежности наблюдаемого объекта к одному из заранее установленных классов в алфавите каждого датчика, а на втором этапе эти решения объединяются, при этом используется алфавит окончательных решений. Для общности будем называть решения первого этапа частными, а второго - общими. Применительно и к системам цифровой связи, и к многодатчиковым системам распознавания будем называть процесс принятия общего решения объединением частных решений.
В работе [3, 4] на основе общего байесовского подхода рассматриваются алгоритмы объединения частных решений. Предлагается метод оптимального учёта текущей достоверности частных решений, в частном случае приводящий к алгоритму оптимального голосования. Критерием оптимальности является критерий идеального наблюдателя.
Одним из направлений использований предложенных радиотехнических систем является неразрушающий контроль. В настоящее время полимерные композиты, например, угле- и органопластики, широко используются в авиационной технике, авиационных двигателях для изготовления высоконагруженных несущих элементов. Основным достоинством композитных материалов на основе синтетических армирующих волокон является высокая удельная прочность, возможность в широких пределах управлять прочностью и жесткостью конструкции, добиваясь ее высокого весового совершенства [5-7]. Возникающие при ударах внутри- и межслойные повреждения (расслоения, разрыв волокон) существенно влияют на остаточную прочность композитного элемента и могут приводить к его внезапному разрушению в процессе штатной эксплуатации [8-9]. В связи с этим важной частью мониторинга состояния композитных конструкций является выявление ударных дефектов для их дальнейшего ремонта или принятия решения о замене всего элемента [10–12]. В этом случае радиоволновый метод можно применять для поиска дефектов в структуре композитных материалов.
С помощью излучателя сканируется поверхность эталонного композитного материала и формируется набор данных. После проводится сканирование исследуемого образца и формируется набор по наблюдаемым объектам. Возникающие неоднородности (дефекты) будут являться установленными известными классами в алфавите.
Математическая модель
В работе [4] на первом этапе формирования решения о принадлежности наблюдаемых объектов к заранее установленным классам в алфавите U = {u 1 ,...,u m } нет описания возможных ошибок, которые могу возникать при ложной принадлежности наблюдаемых значений к заданному классу. Необходимо учитывать вероятность ошибки системы и выбрать оптимальную решающую функцию, с помощью которой можно принимать решение о принадлежности наблюдаемых объектов к заданным классам. Это необходимо выполнять особенно в случае большого количества значений от датчиков или источников.
Для определения такой решающей функции воспользуемся моделью, основанной на нахождении ключевых статистик в теории принятия решений по фиксированному числу наблюдений [13]. В предложенной модели предполагается, что рассматривается модель в случае дискретного времени. Решающая функция должна быть оптимальна и позволять принимать решение о принадлежности не только в случае, когда в установленный класс входит одно значение U = {u 1 } , но и в случае нескольких значений U = { u 1 ,..., u m } . Условие оптимальности решающей функции зададим на основе леммы Неймана–Пирсона.
В многодатчиковых системах распознавания на первом этапе датчики (подсистемы, каналы, классификаторы) формирования решения о принадлежности наблюдаемого объекта к одному из заранее установленных классов в алфавите U = {u 1 ,...,u m } каждого датчика рассмотрим с помощью ключевых статистик в теории принятия решения по фиксированному числу наблюдений.
Будем предполагать, что наблюдаемые объекты формируют наблюдаемые данные, которые описываются числовой последовательностью:
Х 1 ,Х2-,X n . (1)
Эти числовые последовательности являются результатом наблюдений над независимыми одинаково распределенными случайными величинами:
0 1А,.. А . (2)
Структура (2) описывает наблюдаемый процесс 0 = ( 0 t ) t > 0 , и данный процесс задан в измеримом пространстве ( Q ,^, Р ). Здесь Q = { ю } - пространство элементарных событий (исходов) ю , У = { A : A с Q } - совокупность множеств (событий) из Q , образующих т -алгебру. В пространстве ( Q ,y, Р ) заданы меры Р0 и Р ^ , которым соответствуют 0 0 и 0 ^ .
В рассматриваемых последовательностях будем предполагать, что все величины 0 k - одномерные случайные величины с одномерными функциями распределения
F0 = F0(x)(= Р0(0п < x)).(3)
И при п > 1 имеют плотность f 0( x )
dF0 (X) = f)(x М dx), где д(dx) - некоторая т -конечная мера.
В качестве меры будем использовать меру
^(dx) = 1 (Р0(dx) + Р№(dx)) .(5)
Для Р 0 ( 0 1 < x 1 ,..., 0 n < xn ) соответствует функция плотности распределения p 0 ( x 1 ,...,xn ) .
Поскольку рассматриваемые величины независимые и одинаково распределенные, это означает, что плотность совместного распределения p 0 ( x 1 ,...,xn ) будет равна
Чепурнов И.А., Черваков В.О., Вахитов М.Г., Клыгач Д.С.
F e ( x 1 , ••• , x n ) = P e ( e x < x i ,-, e n < x n )
и имеет следующий вид
P e ( x 1 , •••, x n ) = f e ( x 1 ) •••• f e ( x n )
Ключевой статистикой (для каждого n > 1) будет статистика:
L = f о ( x x )- f 0 ( x n )
n f , ( x i )-- f , ( X n )
Для приятия решения о принадлежности наблюдаемого объекта к одному из заранее установленных классов в алфавите каждого датчика введем функцию ф = ф ( x x, x 2,..., xN ), которая принимает значения в [0,1].
Фундаментальная лемма Неймана–Пирсона
В общем случае функция ф = ф ( x x, x 2,..., X n ) - это вероятность соответствия принадлежности наблюдаемого объекта к одному из заранее установленных классов в алфавите каждого датчика. С точки зрения теории вероятности ф = ф ( x x, x 2,..., xN ) - вероятность принятия гипотезы H 0, когда получены наблюдения x x, x 2,..., xN над случайными величинами e x, e 2,..., e n .
Введем следующие функции:
а ( ф ) = E ю ф ( e x , e 2,..., e n ), вф ) = E o (x - ф ( e x , e 2,..., e n )), (9) где E 0 и E ^ - усреднение по исходным мерам Р 0 и Р т . Значения E 0 и E т можно найти как математическое ожидание для каждого значения наблюдаемых случайных величин e x, e 2,..., e n .
Основной смысл введенных функций (9) в том, функция а ( ф ) - это вероятность принятия гипотезы H о , когда верна гипотеза H т . Функция а ( ф ) - это вероятность ошибки I рода. Аналогично, что функция в ( ф ) - это вероятность принятия гипотезы H т , когда верна гипотеза H 0 . Функция в ( ф ) - вероятность ошибки II.
Применительно к задаче о принадлежности наблюдаемых объектов к заранее установленным классам гипотеза H 0 будет описывать вариант, когда полученные значения принадлежат установленным классам. Гипотеза H т описывает вариант, когда наблюдаемые значения не принадлежат установленным классам. Соответственно а ( ф ) - функция показывает вероятность ошибки в случае, когда наблюдаемые объекты принадлежат к заранее установленным классам ( e x, e 2,..., e n ) е U , но в действительности это не так ( e x, e 2,..., e n ) £ U . Функция в ( ф ) показывается, когда наблюдаемые объекты не принадлежат к заранее установленным классам ( e x, e 2,..., e n ) ^ и , но в действительности ( e x, e 2,..., e n ) е U .
Решающая функция будет оптимальна, если для Фa = {ф: а(ф) < a}, где a е [0,x], выполняет- ся
В (11) ha - отношение правдоподобия ha = Ln = P0( xx,X2,..., XN VP« (xx,X 2,..., XN ) . (12)
Приведенная выше решающая функция является обобщенным случаем для алгоритма неполного декодирования Форни [14]. В этом алгоритме используются коэффициенты текущей достоверности оценок символов с выхода демодулятора следующего вида:
'1, L ( 0 ) > 5
a t _MOP
L ( 6 t )/ 5 ,0 < L (0t ) < 5 ,
0, L (0) < 5, где at MOP - коэффициент достоверности Форни, L(6t) определяется по формуле:
L( 6t ) = In ( P(^t | 6 t)/^ 6 P( ^ t । °* ) ) , где P( ^ t | 0t ) - функция правдоподобия t -го символа, s - параметр, введенный в [5] при применении границы Чернова.
С учетом (11) получаем, что h* = Ln = L(0)t) = In (P(^t | 0t)/^0= =^)t P(^t I 6t) ). (14)
Задача нахождения оптимальной решающей функции сводится к нахождению коэффициента отношения правдоподобия Ln . Для нахождения неоднородностей (дефектов) эталонный образец необходим для формирования p x ( x 1 ,x 2,..., xN ) и, соответственно, гипотезы H ro . Данные p0(x 1 ,x2,...,xN ) формируются на исследуемых образцах. Вычисляется коэффициент отношения правдоподобия Ln и находится решающая функция, на основе которой определяется, входят те или иные значения в класс установленных функций, т. е. принимается решение, является ли данный набор данных неоднородностью (дефектом) или нет.
Выводы
В статье рассматривается выбор оптимальной решающей функции для радиосистемы принятием решений. Предлагается метод вычисления оптимальной решающей функции для определения принадлежности наблюдаемых значений к заданному классу. Предложенный метод позволяет эффективно использовать частные решения для принятия общего решения в другом алфавите на основе сведений о составе наблюдаемой группы объектов и распределении их по классам, а также оптимального учёта текущей достоверности этих частных решений.
Показано, что данный алгоритм подходит для решения практической задачи определения неоднородностей (дефектов) в проблемах неразрушающего контроля.
Авторы выражают признательность профессору А.В. Богомолову за интерес к работе и плодотворные дискуссии. Кроме того, считаем своим приятным долгом поздравить профессора А.В. Богомолова с юбилеем.
Финансирование
Исследование выполнено за счет гранта Российского научного фонда № 22-2901002, 22-29-01002/.
Список литературы Условие оптимальности решающей функции в радиосистемах с принятием решений
- Кларк, Дж., мл. Кодирование с исправлением ошибок в системах цифровой связи / Дж. Кларк, мл., Дж. Кейн // Статистическая теория связи, Вып. 28. – М.: Радио и связь, 1987. – 391 с.
- Селекция и распознавание на основе локационной информации / А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев, С.С. Эпштейн. – М.: Радио и связь, 1990. – 239 с.
- Радиоэлектронные системы: Основы построения и теория. Справочник. / Под ред. Я.Д. Ширмана. – М.: Радиотехника, 2007. – 512 с.
- Доросинский, Л.Г. Основы теории принятия решений и еe применение для оптимальной обработки сигналов в РСА / Л.Г. Доросинский, Н.В. Папуловская. – Екатеринбург: Изд-во Урал. ун-та, 2018. – 204 с.
- Self-Reporting Mechanochromic Coating: Glassfiber Reinforced Polymer Composites that Predict Impact Induced Damage / S. Shree, M. Schulz-Senft, A. Kuntze et al. //. Materials Horizons. – 2020. – Vol. 7, Iss. 2. – P. 598–604.
- Mechanical Unfolding of a Fluorescent Protein Enables Self-Reporting of Damage in Carbon-Fibre-Reinforced Composites / S. Lörcher, T. Winkler, K. Makyła, C. Ouellet-Plamondon, I. Burgert, N. Bruns // Journal of Materials Chemistry A. – 2014. – Vol. 2, Iss. 17. – P. 6231–6237.
- Mechanochromic Fluorescence in Epoxy as a Detection Method for Barely Visible Impact Dam-age in CFRP Composites / R. Toivola, P.-N. Lai, J. Yang et al. // Composites Science and Technology. – 2017. – Vol. 139. – P. 74–82.
- Smart Polymeric Coatings for Damage Visualization in Substrate Materials / S. Vidinejevs, A.N. Aniskevich, A. Gregor et al. // Journal of Intelligent Material Systems and Structures. – Vol. 23, Iss. 12. – P. 1371–1377.
- Microcapsule-Based Visualization Smart Sensors for Damage Detection: Principles and Applica-tions / X. Zheng, Q. Wang, Y. Li et al. // Advanced Materials. Technologies. – 2020. – Vol. 5, Iss. 2. – paper no. 1900832.
- Spectroscopic Study of Terahertz Reflection and Transmission Properties of Carbon-Fiber-Reinforced Plastic Composites / J. Zhang, C. Shi, Y. Ma et al. // Optical Engineering. – 2015. – Vol. 54, Iss. 5. – статья № 054106.
- Palka, N. Detailed non-destructive evaluation of UHMWPE composites in the terahertz range / N. Palka, D. Miedzinska // Optical and Quantum Electronics. – 2014. – Vol. 46, no. 4. – P. 515–525.
- Soutis, C. Carbon Fiber Reinforced Plastics in Aircraft Construction / C. Soutis // Materials Sci-ence and Engineering A. – 2005. – Vol. 412, Iss. 1-2. – P. 171–176.
- Ширяев, А.Н. Стохастические задачи о разладке. Электронное издание / А.Н. Ширяев. – М.: МЦНМО, 2017. – 391 с.
- Форни, Д. Каскадные коды / Д. Форни. – М.: Мир, 1970. – 205 с.