Бесплатный автореферат и диссертация по биологии на тему

Нейронные сети и нелинейная обработка сигналов

ВАК РФ 03.00.02, Биофизика

Автореферат диссертации по теме "Нейронные сети и нелинейная обработка сигналов"

. о

од

. На правах рукописи

ГРИБОК АНДРЕЙ ВАСИЛЬЕВИЧ

НЕЙРОННЫЕ СЕТИ И НЕЛИНЕЙНАЯ ОБРАБОТКА СИГНАЛОВ

03.00.02 - Биофизика

Автореферат диссертации на соискание ученой степени кандидата физико-математических наук

Обнинск - 1995

Работа выполнена в Государственном Научном Центре РФ Физико-Энергетическом Институте

Научные руководители - кандидат физико-математических

наук Борисюк Р.М.

Официальные оппоненты - доктор физико-математических

наук, профессор Казанский Ю.А.

Ведущая организация - Институт высшей нервной деятельности и нейрофизиологии РАН, г. Москва

Института теоретической и экспериментальной биофизики РАН по адресу: 142292, г. Пущино Московской обл., ИТЭВ

С диссертацией можно ознакомиться в библиотеке ИТЭВ

доктор технических наук, профессор Козлов Ф.А.

кандидат физико- математических наук Ежов А.А.

РАН.

РАН.

Автореферат разослан

1996 г.

Ученый секретарь диссертационного совета кандидат биологических наук

П.А. Нелипович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность рроблемы

Обработка сигналов является одной из важнейших задан, решение которой требуется практически во всех областях современной науки и техники. В саязи со все возрастающим объемом информации, который необходимо перерабатывать современным вычислительным средствам, эффективные методы обработки и представления сигналов приобретают решающее значение для многих практических проблем.

Линейные методы обработки сигналов не всегда могут дать удовлетворительное решение многих задач, возникающих в практических приложениях. Например, задачи адаптивной фильтрации в отсутствие эталонного сигнала. Возможности, которые дает использование нелинейных систем для обработки сигналов и, в частности, нейронных сетей, гораздо шире. В этой связи очень важным представляется исследование возможностей нейронных сетей для решения задач обработки сигналов. Актуальным, также, выглядит и практическое применение нейронных сетей в системах диагностики сложных объектов в связи с возможностью их адаптации к новым условиям и способности обрабатывать неполную и зашумленную информацию. Цель работы

Целью данной работы является изучение возможностей нейронных сетей как средств нелинейной обработки сигналов, а также возможностей их применения в системах диагностики сложных объектов, например, ядерных энергетических установок Научная новизна

Состоит в том, что предложен новый метод адаптивной фильтрации сигналов, основанный на. использовании самоорганизующейся нейронной сети. Адаптивная фильтрация осуществляется с помощью нейронной сети и правил обучения, позволяющих учитывать статистики высших порядков при фильтрации сигналов.

Предложена схема адаптивной обработки сигналов, включающая в себя адаптивную фильтрацию, извлечение признаков и распознавание пространственно-временных образов.

Проведено тестирование предложенного подхода к обработке сигналов и показана его высокая эффективность по сравнению с традиционными методами обработки сигналов. Практическая ценность

Предложенная методика обработки сигналов может быть использована и в других областях, где необходимо обнаружение слабых сигналов на фоне мощных импульсных помех.

Проведен анализ фоновых акустических шумов парогенератора (ПГ) установки PFR (Даунри, Великобритания) с целью выяснения особенностей фоновых шумов на различных режимах работы, а также с целью выявления наиболее информативных параметров, с точки прения обнаружения протечек, в парогенераторах на быстрых нейтронах. Анализ фоновых шумов также позволил выявить частотные диапазоны, которые наиболее перспективны в плане применения адаптивных методов обработки сигналов.

Проведено тестирование программного прототипа системы акустической диагностики на тестовых данных и на реальных данных, записанных во время экспериментов на установке PFR.

Основные положения, выносимые на защиту

1. Метод нелинейной адаптивной фильтрации сигналов в отсутствие эталонного сигнала, позволяющий разделять сигналы с равными или близкими интервалами корреляции.

2. Архитектура нейронной сёти и алгоритм обучения, позволяющие распознавать пространственно-временные образы без применения рекуррентных сетей.

3. Практическое применение нейросетевых методов обработки сигналов к конкретной задаче диагностики.

4. Адаптивная методика обработки сигналов, основанная на нейронных сетях и включающую нелинейную фильтрацию, извлечение признаков и распознавание нормальных и аномальных состояний.

Апробация работы.

Основные положения и результаты, представленные в работе, докладывались:

1. На 2-й Всероссийской с участием стран СНГ конференции "Распознавание образов и анализ изображений: новые информационные технологии. (Ульяновск, 1995)"

2. На третьей международной конференции "Scientific and Technological Study oí NPP safety and Problems of Nuclear Power Personnel Training. (Обнинск, 1993)"

3. На секции динамики НТС МАЭ РФ "Методы и технические средства диагностирования" (Обнинск, 1994).

4. На межотраслевой конференции "Теплофизика - 91". (Обнинск, 1993)

5. На совещаниях экспертов МАГАТЭ (Вена, Калпаккам, Обнинск 1992, 1993, 1994, 1995,)

6. На 7-м международном симпозиуме Nuclear Reactor Surveillance and Diagnostics. (Авиньон, 1995)

7. На семинаре СНГ-Европа по безопасности быстрых реакторов. (Обнинск, 1993)

По теме диссертации автором опубликовано 14 печатных работ и выпущено 5 отчетов ГНЦ РФ ФЭИ. Объем и структура диссертации,

Диссертация состоит из введения, четырех глав, выводов и списка цитируемой литературы (из 102 наименования). Работу иллюстрируют 43 рисунка и 5 таблиц. Общий объем диссертации 140 страниц.

СОДЕРЖАНИЕ РАБОТЫ

Введение

Почти все успехи современного естествознания связаны с применением линейных моделей исследуемых явлений. Это объясняется существованием хорошо разработанного математического аппарата анализа линейных систем, основанного на собственных функциях линейной системы и принципе суперпозиции. Поведение линейной системы может быть описано ее амплитудно-частотной и фазо-частотной характеристиками. Подавая на вход такой системы комплексное гармоническое воздействие вида е"!®4 и применяя принцип суперпозиции, можно рассчитать отклик линейной системы на любое внешнее воздействие. Линейные системы являются' подклассом всего множества систем, включающим также и нелинейные системы.

Линейные системы - это достаточно узкий класс систем, а большинство систем, существующих в природе, нелинейны и диссипативны. Нелинейные' диссипативные системы представляют очень широкий класс систем и характеризуются свойством иметь в фазовом пространстве различные инвариантные множества, а также тем, что для них не справедлива теорема Лиувилля, т.е. наперед заданная область фазового объема по мере эволюции системы сжимается, приводя все решения диссипатишюй системы к

некоторому инвариантному множеству фазового пространства - аттрактору.

Понятие аттрактора является ключевым для нейронных сетей и вообще нелинейных систем и наличие множества аттракторов в фазовом пространстве рассматривается как характеристическое свойство нелинейных диссипативных систем.

В настоящее время одним из интенсивно изучаемых классов нелинейных диссипативных систем являются нейронные сети.

Одной из наиболее популярных моделей нейронных сетей является модель, описываемая системой дифференциальных уравнений вида:

^ = -а •*,+/» + /, (1)

где X; представляет активность ьго нейрона, \У-матрица весов, а, р - константы и ^ - функция активации, которая может быть различна для разных нейронов, ^ - вход на 1-й нейрон.

Нейронные сети применяются к таким традиционным задачам обработки сигналов как фильтрация, выделение признаков и распознавание зашумленных образов.

1 Адаптивная фильтрация - линейный и нелинейный подходы

Схема адаптивного трансверсального фильтра приведена на рис. 1, где хъ хк.ь...хк.ь - последовательные отсчёты входного сигнала, взятые в моменты времени к, к-1...к-Ь, с!к - сигнал полезного отклика в момент времени к и% - сигнал ошибки равный е^с^-уь в момент времени к, ук -выходной сигнал адаптивного фильтра. Вообще говоря, трансверсальныл адаптивный фильтр является нелинейным фильтром, поскольку имеет зависящую от времени импульсную характеристику Ь(-сД).

Рис. 1 Адаптивный травсвереальный Рис. 2 Общая схема адаптивного фильтр подавления помех

Основной результат винеровекой теории фильтрации состоит в том, что линейная система, дающая наилучшую аппроксимацию к данному процессу, полностью определяется функциями автоковариации и взаимной ковариации входного и выходного сигналов.

Это предполагает априорные знания а функциях ковариации, а также предполагает их стационарность. Эти условия очень часто не выполняются на практике и тогда применяют адаптивное подавление помех или адаптивную фильтрацию, которая является разновидностью оптимальной фильтрации и имеет значительные преимущества во многих приложениях. Общая схема адаптивного подавления помех показана на рис. 2.

Практическое назначение систем' подавления помех -формирование выходного сигнала системы з+п0-у, который имеет наилучшее приближение к сигналу я Одним из основных преимуществ адаптивной фильтрации является то, что для формирования сигнала у практически не требуется априорных сведений о статистических свойствах в, п0 и П|. На практике очень часто эталонный сигнал отсутствует. В этом случае для решения задачи адаптивной фильтрации необходимы другие подходы.

В работе предложен подход, основанный на использовании нелинейной нейронной сети с латеральными связями. Архитектура сети представлена на рис. 3.

Рис. 3.Архитектура сети для адаптивной фильтрации и слепсио разделения .сигналов В предложенной архитектуре веса соединяющие входы сети с нейронами адаптируются по обобщенному правилу Хебба, а латеральный вес - по правилу анти-Хебба, причем связь двух нейронов является асимметричной. Основной особенностью этой сети является нелинейность составляющих ее нейронов, что позволяет получить, при определенных условиях, независимые выходные сигналы отдельных нейронов. Введение нелинейности дает возможность

использовать при модификации весов моменты ■ высших порядков, таким, образом делая выходные сигналы независимыми. Пусть входной сигнал состоит из суммы сигнала » и шума п, которые являются независимыми стационарными случайными процессами с четной плотностью распределения и нулевым средним,- Четность функции плотности распределения предполагает, что:

(Л") = (/}(«") = О (2)

где к и ш- нечетные положительные целые числа. Пусть Цу^ -и g{y2) - нечетные нелинейные функции активаци;: нейронов сети, Б частном случае ! = g. Как указывалось выше, эти две нелинейные функции позволяют ввести в алгоритм модификации весов моменты высших порядков. Предположим, что эти функции могут быть разложены в ряд Тейлора. Разложения будут содержать только члены нечетных порядков:

(3)

» т

Таким образом, правило модификации латеральной связи может быть записано в виде:

= (4)

* я

Сходимость алгоритма соответствует следующему условию:

'«'"И (5)

* **

Сходимость достигается, когда все моменты высших порядков равны нулю. Если, как указывалось выше, плотности распределения сигнала и шума - четные функции, то сходимость латерального веса к неподвижной точке является аппроксимацией условия независимости входных сигналов.

Для исследования' предложенного алгоритма проведено его тестирование на данных различной природы и при различных параметрах самой сети. В качестве первого тестового сигнала использовалась суперпозиция двух синусоид в белом шуме. Задача состоит в том, чтобы разделить две синусоиды, отфильтровав при этом шум.

Заметим, что данная задача не решается с помощью линейного адаптивного фильтра, поскольку гармонические процессы имеют одинаковый интервал корреляции и не могут быть разделены на основе статистик второго порядка без дополнительных допущений. Временная реализация и спектральная плотность мощности тестового сигнала приведены на рис. 4. Из рис, 4 видно, что частота одной из синусоид не может быть надежно, установлена с помощью

спектрального анализа, поскольку отношение сигнал/шум составляет в данном случае -11 дБ. Для фильтрации сигнала, приведенного на рис. 4, использовалась сеть, состоящая из двух нейронов, имеющих нелинейную функцию активации вида: /(дг) = зцп(х)1п(1 + а|.'|), где а - масштабирующая константа.

Размерность входного вектора при обучении была выбрана 51.2 отсчетов сигнала, объем обучающей выборки 4096 точек, который предъявлялся сети 20 раз для достижения сходимости. Выходные сигналы первого и второго нейронов после завершения процесса обучения представлены на рис. 5. Из этого рисунка видно, что выходные сигналы являются практически чистыми синусоидами, усиленными по сравнению с исходными синусоидами

! ,, \

......у«-»

,4<и.!'! 1 ¿г') '^ч-■;

ут г:

М ... ■ .1, • !

Рис 4 Т«сто*ы<1 опил (») ■ «го спектъмльш* влотмит» »^нсстк

вследствие использования функции активации, имеющей линейную область усиления сигнала. На рис. 6-представлены выходы сети такой же архитектуры, но состоящей из линейных нейронов. Как видно из рисунка, выходные сигналы линейной сети содержат обе синусоиды в различных пропорциях в комбинации с белым шумом. Таким образом, линейная сеть не может разделить два' синусоидальных сигнала вслепую, т.е. без априорной информации о частотах тестовых синусоидальных сигналов.

1 1п>

'4-

Вторым тестовым сигналом, использованным для верификации предложенного алгоритма был сигнал, также

состоящий из смеси двух синусоид с различными частотами, амплитудами и фазами и окрашенного равномерно распределенного шума. Окрашенный шум представляет из себя процесс авторегрессии второго порядка (АЫ - процесс), сгенерированный по следующей авторегрессионной модели 1*У(к)=а1\У(к-1)+а2\\Г(к-2}-УОО, где У(к) - равномерно распределенный белый шум. Параметры а1 и а2 были выбраны следующим образом а 1=0.81; а2=-0.5. Данный АК -процесс имеет теоретический спектральный пик на частоте 0.22 частоты отсчета. Выходные сигналы первого и второго нейронов после завершения процесса обучения представлены на рис. 7. Как видно .из этого рисунка, сеть снова смогла разделить две синусоиды и отфильтровать окрашенный шум. Основное отличие этого тестового сигнала от первого состояло в том, что в данном случае шум уже не является чисто случайным, а имеет теоретический интервал корреляции, отличный от нул#. Таким образом, использование нелинейной нейронной сети дает возможность разделять во входном сигнале компоненты с равными интервалами корреляции, что не достижимо в рамках линейной теории при отсутствии эталонного сигнала.

2. Извлечение признаков из сигнала - линейный и нелинейный подходы.

Проблема сокращения размерности входных образов и извлечения признаков в задачах обработки сигналов и изображений является классической и существуют многочисленные статистические подходы к ее решению.

Задача оптимального извлечения признаков может быть сформулирована в общем виде следующим образом: необходимо построить функцию Г, которая отображает <1 -мерный входной вектор х в р - мерный выходной вектор у, т.е. у=р(х), где обычно р « А Это отображение должно быть построено таким образом, что в соответствии с избранным критерием у содержит настолько много информации об х, насколько это возможно.

Анализ главных компонент является одним из простейших и наиболее широко используемых и универсальных методов извлечения признаков, путем разложения сигнала по направлениям в которых он имеет наибольшую дисперсию.

Очень часто в практических задачах значимую информацию несут не наиболее мощные в энергетическом плане компоненты сигнала, а слабые, но статистически независимые. В этом случае анализ главных компонент теряет свою значимость, поскольку наиболее важные о информационном плане компоненты могут быть отброшены как слабые в энергетическом смысле. Например, в задачах технической диагностики о появлении неисправности или предаварийного состояния часто можно судить по очень слабым компонентам, но которые, по своей сути, независимы от мощного фонового шума.

В этой связи в последние годы был предложен метод анализа независимых компонент. Как явствует из названия, целью метода независимых компонент является разложение сигнала по его статистически независимым составляющим.

Анализ независимых компонент, во многих случаях, является более полезной процедурой, чем анализ главных компонент, поскольку направлен на извлечение исходных сигналов из их линейной смеси. При анализе независимых компонент формула, с помощью которой представляется исходный вектор х, выглядит следующим образом:

г = Л(Зг£Г'$7Л- (6)

где Э = . , - базис составленный из независимых компонент. Отметим, что если матрица Э состоит из собственных векторов матрицы ковариации входного сигнала, т.е. Э — [е^ . . еп], то формула (б) переходит в формулу для анализа главных "компонент, поскольку Зт5=1 в этом случае, Таким образом, анализ независимых компонент может быть рассмотрен как обобщение анализа главных компонент сигнала. (

Для получения независимых выходных сигналов предлагается сеть, изображенная на рис. 8.

Сеть имеет иерархическую структуру, т.е. первый нейрон связан латеральными весами со всеми остальными, второй - со всеми кроме, первого, третий - со всеми кроме первого и второго и т.д. Функции активации нейронов -нелинейные, нечетные и Рис. 8. Иерархическая архитектура сети для анализа независимых компонент сигнала

монотонные. Сеть имеет как прямые, так и латеральные веса. Прямые веса модифицируются по нелинейному обобщенному правилу Хебба, а латеральные - по правилу анти-Хебба, позволяющему декоррелировать выходные сигналы в случае линейной сети. Однако, если функция активации нейронов сети нелинейная, то анти-Хеббовское правило учитывает неявно статистики более высоких порядков, чем второй и делает выходные сигналы не только некоррелированными, но и попарно независимыми. Стабилизация латеральных весов может служить критерием окончания обучения и указывать на то, что выходные сигналы настолько независимы, насколько это возможно при данной архитектуре сети.

По существу, данная архитектура является обобщением архитектуры, предложенной для адаптивной фильтрации для нескольких выходных нейронов. Предложенная архитектура была использована для извлечения независимых компонент из акустического сигнала и в качестве одной из составляющих входит в адаптивную систему обработки сигналов.

3. Нейронные сети для распознавания пространственно-временных образов.

Распознавание образов является областью традиционного применения нейронных сетей в различных приложениях. Безусловно, наиболее популярной архитектурой для этих целей является многослойный персептрон, обучающийся по правилу обратного распространения ошибок. Данная архитектура успешно применялась для распознавания различных образов и изображений.

Однако, многослойный персептрон является статическим классификатором, т.е. классификатором, реализующим отображение точки пространства входных образов в точку пространства выходных образов. Многослойный персептрон не способен классифицировать прстранстаешю-временные образы, т.е. образы, изменяющиеся во времени; Наряду с этим, на практике очень часто возникает необходимость классифицировать именно изменяющиеся образы, другими словами необходим классификатор реализующий функционал. Такого рода классификатор отображает некоторую функцию времени на своем входе в точку па выходе, таким образом классифицируя пространственно-временные образы.

Рекуррентное правило обратного распространения ошибок имеет большое преимущество перед обычным,

и

прежде всего из-за возможности учитывать при обучении нелинейности изменяющиеся во времени, и, таким образом, более точно описывать динамику нелинейных объектов.

Целью адаптации рекуррентной сети является использование при обучении контекстной информации для отражения динамических свойств моделируемого объекта. Однако, рекуррентный алгоритм обратного распространения ошибок не' единственный, который может учитывать при обучении контекстную информацию.

Для учета контекстной информации и распознавания динамических образов предложен следующий модифицированный алгоритм обратного распространения ошибок. В процессе обучения многослойного персептрона минимизируется следующая среднеквадратичная ошибка:

Я = (7)

* (=0

где: I - время, к - количество выходных нейронов. В отличие от обычного персептрона входной сигнал иа- ¡-й нейрон вычисляется по формуле:

г,и) = Ъ-"У,и-»)+[*.'), (В)

где: />,(') = выходной сигнал ¡-го нейрона таким

/

образом записывается следующим образом:

= г, О)

Как видно из (68) при вычислении входного сигнала на I - й нейрон учитывается не только текущий вход от нейронов предыдущего слоя но и выходы 1-го нейрона а предыдущие моменты времени, сглаженные с помощью экспоненциальной функции времени задержки. Дифференцируя ошибку Е по различным весовым коэффициентам легко получить обучающие правила: сЕЬ)

(10)

где индексы 0, h означают output и hiden слои соответственно. Для нейронов спрятанного слоя правило модификации весов будет выглядеть следующим образом:

^^ММР«1»] ■ о»

где in обозначает input, т.е входной слой, a S] -дельта полученная для i-ro нейрона выходного слоя. Как видно из формул (17) и (18), при модификации весов в данном алгоритме используются частные производные, полученные

на- предыдущих шагах, . таким образом, учитывается динамическое поведение входных данных. Предложенный алгоритм обучается существенно быстрее классического рекуррентного алгоритма, поскольку не требуется модификации весов обратных связей.

Наряду с алгоритмом модификации весов предложена оригинальная архитектура многослойного персептрона, изображенная на рис. 9. Данная архитектура позволяет кодировать различные признаки сигнала при помощи различных спрятанных нейронов. Говоря в терминах нейробиологии, данная архитектура имеет различные "рецептивные" поля для различных характеристик сигнала. Предложенная архитектура дает возможность не смешивать разные характеристики входного сигнала, например высокие и низкие частоты, поведение которых различно при возникновении аномальных ситуаций в контролируемом объекте.

Предложенная архитектура была использована для распознавания частотно-временных образов

акустических сигналов,

генерируемых в

парогенераторе реакторов на быстрых нейтронах.

Рис. 9 Сеть с раздельным кодированием входных образов.

ч

4. Применение нейронных сетей к проблеме обнаружения течей воды в натрий в парогенераторах реакторов на быстрых нейтронах

Проблемам безопасности атомной энергетики традиционно уделяется большое внимание как при проектировании новых ядерных энергетических установок, так и при их эксплуатации. Для реакторов на быстрых нейтронах парогенератор всегда считался аварийно-опасным узлом по причине высокой активности натрия при контакте с водой и воздухом. Б парогенераторе реактора на быстрых

нейтронах при разрыве трубки возможен контакт нерадиоактивного натрия с водой. Струя пара высокого давления может проникнуть в натрий, вызывая развитие бурной реакции Ыа-Н20 с выделением теплоты и подъемом температуры в зоне реакции до 1300° С. В результате начнется образование водорода и гидроксида натрия, приводящее к росту давлен ля в зоне реакции до 9-13 МПа. Для уменьшения последствий, порождаемых течью, целесообразно обнаружить ее на ранней стадии развития.

Эффективным методом обнаружения течи п парогенераторе АЭС является акустический метод. Сущностью метода является регистрация акустического шума, которым сопровождается реакция воды с натрием.

Чувствительность акустического метода обнаружения течи зависит от соотношения "сигнал течи - фоновый шум", которое может быть достигнуто на промышленном парогенераторе. На чувствительность акустического метода большое влияние оказывает фоновый шум: его уровень, стабильность, спектральный состав. В работе проведен анализ особенностей поведения фоновых акустических шумов парогенератора установки РРИ с целью выявления наиболее перспективных характеристик для раннего "обнаружения шума течи.

Для объединения усилий- и сравнения эффективности различных подходов к проблеме обработки сигналов для детектирования, течей воды в натрий Международное Агентство по Атомной Энергии (МАГАТЭ) в 1989 году организовало Координационную исследовательскую программу по проблеме акустического обнаружения течой и алгоритмам обработки сигналов. За время существования программы 1989-1995 гг. в ней приняли участие специалисты из следующих стран: Австралии, Великобритании, Голландии, Индии, России, Франции, Японии.

Для проведения независимого тестирования и объективного сравнения результатов, полученных с помощью разных методов была принята следующая методика работы а рамках Координационной исследовательской программы: одна из . стран участниц подготавливает тестовый набор данных, состоящий из записей фонового акустического шума ПГ какой - либо установки (Р^Я, БирегРИешх, БН-600), записей шума течи, полученных на каком - либо экспериментальном стенде и тестовых записей,

представляющих из себя запись фонового шума с наложенной на нее в произвольном месте, записью шума

течи. Наложение производилось с различными отношениями сигнал/шум которые определялись следующим образом: Отношение Сигнал/Шум(дБ)=ЮЬо£10(Рсигнала

/Ршума). (12)

где Рсипшла ~ мощность сигнала, а Ршума - мощность шума. Таким образом, отношение С/Ш = 0 дБ означает, что мощности сигнала и шума равны. Наложение производилось только с отрицательными отношениями С/Ш, т.е. мощность сигнала течи всегда была меньше, чем мощность фонового шума. Задачи, которые ставились перед странами участницами, были следующие:

1. Определить время, считая от начала тестовой записи, с которого было произведено наложение шума течи на фоновый шум.

2. Определить длительность выборки сишала течи, наложенной на фоновый шум.

После подготовки очередного набора страна, которой было поручено это сделать, рассылала этот набор всем другим странам - участницам программы, причем специалисты других стран - участниц, которым предстояло обрабатывать очередной тестовый набор, не знали действительного начала времени наложения и длительности накладываемой записи шума течи. Действительные времена сообщались страной, предоставлявшей тестовый набор, на следующей встрече специалистов после того, как все страны - участницы опубликуют свои результаты. Таким образом достигалась объективность и непредвзятость оценки различных методов обработки сигналов^

Тестовый набор 1994 года был подготовлен французскими специалистами и состоял из записей шума течи,. полученных на экспериментальной установке АБВ в Германии, наложенных на фоновый шум перегревателя второй петли установки РГН. Отношение сигнал/шум для пяти тестовых записей варьировалось от -6 дБ до -24 дБ. Отметим, что начало наложения шума течи не может быть определено по изменению среднеквадратичного значения сигнала, а также с помощью спектрального анализа. Результаты анализа тестовых данных 1994 года были представлены тремя странами - участницами программы: Россией, Индией и Японией. Специалисты всех трех стран использовали различные методы обработки сигналов, поэтому сравнение полученных результатов представляет особый интерес. Японские специалисты использовали авторегрессионное моделирование и выбеливающий фильтр на основе авторегрессионного моделирования фонового шума. Индийские специалисты использовали оригинальную

методику, основанную на вычислении детерминанта и следа матрицы ковариации исходного сигнала. Отметим, что оба подхода основаны на чисто линейных методах обработки сигналов.

Российские специалисты предложили собственную адаптивную методику обнаружения сигналов течи на фоне мощных импульсных шумов и основанную на нейронных сетях и нелинейных методах обработки сигналов. Предложенная методика состоит из адаптивной фильтрации исходного сигнала, извлечения наиболее информативных признаков из отфильтрованного сигнала, и уменьшения его размерности, а также распознавания, полученного паттерна с помощью нейронной сети типа многослойного персептрона, обучающего по модифицированному правилу обратного распространения ошибок. Разработанная методика работает в двух режимах - обучения и распознавания. В режиме обучения системе предлагается набор эталонных образов фонового шума и чистого шума течи и после завершения процесса начальной адаптации система готова функционировать в автономном режиме. В режиме распознавания системе предлагаются сигналы тестовых записей с Целью выделения и распознавания шума течи. Результаты распознавания тестовых записей с помощью различных методик представлены в таблице 1.

Данные, которые обрабатывались в рамках Координационной исследовательской программы вплоть до 1994, подвергались критике за то, что сама процедура их подготовки не отражала в полной мере специфику возникновения течей в реальном ПГ. Особо остро поднимался вопрос о корректности линейной суперпозиции сигналов фонового шума и течи, а также об идентичности характеристик измерительной аппаратуры, с помощью которой фиксировались записи фонового шума и шума течи. Данные недостатки удалось устранить лишь после того, как в марте-июне 1994 г. АЕА ТесЬпо^у (коммерческий отдел Британского управления по Атомной Энергии) осуществил полномасштабные эксперименты по имитации гечи воды в натрий в испарителе 3-й петли парогенератора быстрого реактора ГГП (Даунри, Шотландия). Российские специалисты были приглашены на время проведения отих экспериментов для апробации своей адаптивной методики в условиях, максимально приближенных к реальным ситуациям, возникающим в процесс^ эксплуатации ПГ., Методика была протестирована * на целом ряде инжекций и результаты распознавания приведены в таблице 2.

Наиболее полное тестирование различных методик обработки сигналов было проведено в 1995 г. после того, как английские специалисты подготовили тестовый набор данных состоящий из записей экспериментов на установке РШ. Этот тестовый набор состоял из 8 записей инжекций и записей фонового шума испарителя и перегревателя третьей петли установки РЁК. В анализе данных приняли участие практически все страны - участницы программы и результаты анализа приведены в таблице. 3.

Результаты и выводы

В работе показано, что:

1. Нелинейная адаптивная фильтрация позволяет разделить сигналы с одинаковыми интервалами корреляции, что не достижимо в рамках линейной теории. Применяя нелинейные нейронные сети относительно простой архитектуры можно решить задачу адаптивного подавления помех при отсутствии эталонного сигнала.

2. Нелинейный подход к проблеме извлечения признаков позволяет ввести новую концепцию - анализ независимых компонент, которая во многих случаях намного эффективнее, чем анализ главных компонент, являющийся результатом линейной теории обработки сигналов. В работе предложена архитектура • сети для анализа независимых компонент сигнала.

3. Распознавание пространственно-временных образов также является одним из направлений, в котором применение нелинейных нейронных сетей может улучшить существующие методы анализа. В работе предложен алгоритм обучения для учета контекстной информации, а также архитектура нейронной сети для раздельного кодирования различных признаков входного образа.

4. Предложенная адаптивная методика обработки сигналов позволила обнаруживать сигналы течей в парогенераторах быстрых реакторов при очень низких отношениях сигнал/шум, обеспечивая при этом низкую вероятность ложного срабатывания. Адаптивная методика была апробирована как на тестовых данных в рамках исследовательской программы МАГАТЭ, так и во время полномасштабных экспериментов на установке РЕК (Даунри, Шотландия). Результаты обнаружения реальных шумов протечек в модуле парогенератора показали, что адаптивная

методика, основанная на нейронных сетях, превосходит традиционные методы обработки сигналов и позволяет добиться минимального количества ложных срабатываний по сравнению с другими алгоритмами.

Основные результаты диссертации опубликованы в работах:

1. Gribok A.V. Dynamics of hierarchically coupled oscillators interacting via central oscillator - Computational approach. Proceedings of International Symposium on Nonlinear Theory and its Applications 1995, (Nolta'95) v.l pp. 56-60 Las Vegas, USA.

2. Грибок A.B., Волов A.H. Нейронная сеть для распознавания зашумленных акустических сигналов и ее применение для диагностики ядерных энергетических установок 2-я Всеросийская с участием стран СНГ конференция "Распознавание образов и анализ изображений: Новые информационные технологии" Материалы конференции РОАИ - 2 - 95. стр. 78-82.

3. Gribok АV., Volov A.N., Yughay V.S. The results of benchmark data processing on water in sodium leak noise using neural network. IAEA-TECDOC FINAL KEPORT AND PROCEEDINGS OF A CO-ORDINATED RESEARCH PROGRAMME ON ACOUSTIC SIGNAL PROCESSING FOR THE DETECTION OF BOILING OR SODIUM/WATER

- REACTION IN LMFRs ORGANISED BY INTERNATIONAL ATOMIC ENERGY AGENCY 1989-1995, INTERNATIONAL ATOMIC ENERGY AGENCY, VIENNA, 1995 стр. 17-19.

4. Gribok A.V., Volov A.N., Yughay V.S. A modified back-propagation network for recognition of noisy signals. IAEA-TECDOC FINAL REPORT AND PROCEEDINGS OF A COORDINATED RESEARCH PROGRAMME ON ACOUSTIC SIGNAL PROCESSING FOR THE DETECTION OF BOILING OR SODIUM/WATER REACTION IN LMFRs ORGANISED BY INTERNATIONAL ATOMIC ENERGY AGENCY 19891995, INTERNATIONAL ATOMIC ENERGY AGENCY, VIENNA, 1995 стр.19-20. .

5. Грибок A.B., Волов A.H., Югай B.C., Козлов Ф.А. Адаптивно

обучающаяся система для контроля течей в парогенераторах реакторов на быстрых нейтронах. Proceedings of the Third International Conference on Scientific and technological study of NPP safety and problems of nuclear power personal training, стр. 44-45 Obninsk, October 3-7 1993.

6. Gribok A.V., Volov A.N., Kozlov F.A. Performance of the prototype of adaptive acoustic leak detection system as it was applied to the "PFR". от 31.03.95 This report is issued in accordance with the Agreement between United Kingdom Atomic Energy Authority and Institute of Physics and Power Engineering made 1-th of March 1994.

7. Gribok A.V.( Volov A.N. Adaptive Surveillance Technique for Recognition of Noisy Signals in NPP and its Application to Acoustic Leakage Detection Systems in LMFBR. Proceedings of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics. Avignon (France) 19-23 June 1995. pp. 40-50.

8. Грибок A.B., Волов A.H., Югай B.C., Нейросетевая обработка сигналов течи на фоне промышленных шумов парогенераторов установок "SuperPhenics" и "PFR". Материалы секции динамики НТС МАЭ РФ. Методы и технические средства диагностирования ЯЭУ. Сентябрь 1994. стр. 64-65.

9. A. Rinejski, R. Currie, A. Gribok et al. Results of the IAEA Coordinated Research Programme on Acoustic Signal Processing for the detection of Boiling or Sodium/Water Reaction in LMFBR. Proceedings of SMORN VII Avignon, France 19-23 June pp. 83-98 1995.

10. Козлов Ф.А., Югай B.C., Волов A.H., Грибок A.B., Статистические характеристики шума течи воды в натрий. Атомная Энергия т. 66 вып. 5, май 1989. стр. 342-344

И. Kozlov F.A., Gribok A.V., Volov A.N., ANALYSIS OF PFR STEAM GENERATOR ACOUSTIC BACKGROUND NOISE. This report is issued in accordance with the Agreement between United Kingdom Atomic Energy Authority and Institute of Physics and Power Engineering made 25-th of August 1994 .

12. Грибок A.B. Волов. A.H. Югай B.C. Результаты обработки фоновых шумов парогенератора БН-600 с использованием нейронной сети типа "back-propagation". Материалы конференции "Теплофизика-91" Обнинск 1993 г. стр.162-164.

13. A modified back-propagation network for recognition of noisy sygnals. Report to IAEA Research coordination meeting on Acoustic signal processing. Kalpakham, India 3-5 November 1994.

14. Filtering of SGU background noise - linear and nonlinear approaches. Report to IAEA specialists meeting on Acoustic signal processing. Vienna 9-10 December, 1993.

Таблица 1- Результаты распознавания тестовых записей

Номер тестовой записи Отношение сигнал/шум, дБ Страна Начало течи, с. Продолжительность течи, с.

0 -12 Япония Индия Россия Дейетвитель ное начало течи и ее продолжите льность 1.873 1.6 1.89. 1.875 5.469 5.5 5.453 5.469

1 -20 Япония Индия Россия Дейетвитель ное начало течи и ее продолжите льность 1.218 1.9 1.250 1.230 4.032 5.3 4.718 4.0

2 -16 Япония Индия Россия Дейетвитель ное начало течи и ее продолжите льность 2.015 1.9 2.031 2.010 5.390 5.3 5.375 5.390

3 -6 Япония Индия Россия Дейетвитель ное начало течи и ее продолжите льность 1.608 1.4 1.625 1.610 5.422 5.5 5.484 5.500

4 -24 Япония Иидия Россия Дейетвитель ное начало течи и ее продолжите льность 2.0 21 , 2.687 2.290 5.0 4.6 4.062 4.500

Таблица 2. Результаты обнаружения начала инжекций.

Инжекция Давление, (бар) Расход, г/с Задержка в обнаружении после обучения на инжекциях аргона, с. Задержка в обнаружении после обучения на инжекциях аргона+инжек ция пара, с.

Аг 10 0.25 не обнаружена не обнаружена

Аг ' 10 0.25 не обнаружена 3.0

Аг БО 2.0 0.4 2.0

Аг 100 3.8 0.9 0.9

Аг 140 5.5 1.0 1.0

Аг 170 6.4 1.2 1.2

Пар 10 4.5 2.8 • 2.8

Пар 20 • 0.21 не обнаружена не обнаружена

Пар 170 0.83 не обнаружена 2.4

Пар 60 1.06 45.0 39

Таблица 3. Сравнительная таблица результатов анализа тестовой записи 1995 г.

№ Инж. Инжекти руемая среда Место инжек-ции Расход, г/с Начало, с. Австралия, с. Франция с. Индия, с. Япония, с. Нидерла нды, с. Россия, с.

1 н2 Трубный пучок 0.05 1.95- 2.01 - 8.49 1.56-1.79 1.9 - -

2 Аг Трубный пучок 0.27 3.14-3.30 - 3.1 - - - -

3 н2о Трубный пучок 3.4 1.80-3.84 - 7.37 1.62 - 7.37 7.58

4 Аг Пространство между корпусом и трубным пучком 0.5 4.46-4.65 5.13 0.95-2.25 4.83 5.43

5 Н2 Пространство между корпусом и трубным пучком 1.3 2.72-2.80 2.6 2.65 2.39-2.67 2.61 2.77

6 Н;0 Трубный пучок 7.65 2.4-6.40 - 5.41 4.38-С.71 2.4-5.5 5.3 5.53

' 7 Аг Трубный пучок 2.4 3.22-3.31 - 5.58 ' 3.41-3.9 - 3.57 4.4

а Н.О Пространство между корпусом И трубным пучком 2.2 3.85-5.65 3.65 4.51