- •Глава 1. Цифровые информационно-управляющие
- •1.2. Сигналы и варианты алгоритмов цос
- •1.3. Структура ссд
- •Глава 2. Модели сигналов,
- •2.1. Синусоидальные сигналы
- •2.1.6. Амплитудный спектр сигнала с синусоидальной
- •2.2. Комплексные сигналы. Энергетические характеристики сигналов
- •2.3. Наблюдения и модели сигналов
- •2.4. Оценивание параметров моделей сигналов
- •2.5. Модели сигналов на основе рядов Фурье. Интеграл Фурье
- •2.6. Z-Преобразование дискретных последовательностей
- •Глава 3. Предварительная обработка сигналов
- •3.1. Оценивание статистических характеристик
- •3.2. Оценивание и устранение трендов
- •3.3. Фильтрация аномальных значений в наблюдениях сигналов
- •3.4. Дискретизация непрерывных сигналов. Теорема Котельникова
3.3. Фильтрация аномальных значений в наблюдениях сигналов
3.3.1. Определение аномальных наблюдений сигналов
При решении некоторых задач ЦОС, например оценивания параметров моделей, могут возникать проблемы аномальных наблюдений. Присутствие аномальных значений в наблюдениях сигналов приводит к грубейшим погрешностям в оценках. Как правило, аномальные наблюдения имеют импульсный характер или представляются кратковременно действующими шумами большой интенсивности. Аномальные наблюдения возникают, в основном, вследствие внезапного нарушения структуры или параметров системы сбора данных.
Аномальные наблюдения определённым образом противопоставляются обычным наблюдениям. Предполагается, что аномальные и обычные наблюдения формируются на основе различных статистических механизмов. Следует отметить, что в практике ЦОС отсутствует общепринятое определение аномальных наблюдений. Так, отдельные наблюдения, которые резко выделяются по своим значениям среди ряда обычных наблюдений, можно определить как аномальные. Бывают, как аномально большие, так и аномально малые наблюдения. Необходимо подчеркнуть, что данное определение является в значительной степени качественным и его уточнение может быть осуществлено с помощью использования математических моделей возникновения аномальных наблюдений.
Рассмотрим частные примеры возникновения аномальных наблюдений. Первый пример связан с предметной областью экспертного анализа. Экспертные оценки эффективности некоторых сложных систем, выставляемых коллективом из нескольких экспертов, формируются в конечную последовательность и могут интерпретироваться как произведённые наблюдения эффективности. В основном, значения экспертных оценок группируются вблизи некоторого среднего с небольшим разбросом. Однако вполне возможны ситуации, когда кто-либо из экспертов по ряду причин выставляет экспертную оценку, сильно уклоняющуюся от среднего в сторону завышения или занижения. В этом случае, очевидно, последовательность таких оценок будет содержать видимые на глаз аномальные значения. Второй пример связан с предметной областью радиолокационных измерений координат движущихся объектов. Достаточно часто радиолокационные измерения происходят в условиях применения специально организованных помеховых воздействий, имеющих шумовой характер и препятствующих процессу измерения. В наблюдения координат под действием помех вносятся большие погрешности, катастрофически искажающие информацию – наблюдения становятся аномальными.
Модель статистического механизма возникновения аномальных наблюдений в значительной степени зависит от устройства конкретной системы сбора данных. Как правило, эта модель никогда не бывает точно известной, и может быть описана только приближенно, на основе дополнительных гипотез.
Разберём пример упрощенного модельного статистического механизма возникновения аномальных наблюдений. Пусть для дискретного момента с номером i формируется погрешность наблюдения w(i). С вероятностью q датчик случайных чисел вырабатывает числа w(i), которые подчиняются нормальному закону распределения с параметрами и с вероятностьювырабатывает числаподчиняющиеся нормальному закону распределения с параметрамиФормирование аномальных погрешностей производится дляи– аномальные наблюдения являются редкими и значительными по величине. Дляq = 1 погрешности w(i) становятся обычными гауссовыми.
Рассматриваемый механизм формирования аномальных наблюдений может быть промоделирован, и наблюдения представятся следующим образом:
(3.3.1)
где параметры случайных погрешностей принимали значенияНа рис. 3.3.1 изображена дискретная модельная последовательность состоящая из обычных и возникающих отдельных аномальных наблюдений в соответствии с механизмом (3.3.1).
Рис.3.3.1. Модельные аномальные наблюдения
Ставится задача разработки алгоритмов фильтрации (обнаружения и устранения) аномальных наблюдений. Здесь будут рассмотрены пороговые и медианные алгоритмы, которые применяются на этапах предварительной обработки сигналов.
3.3.2. Пороговые алгоритмы
Достаточно распространенная группа методов фильтрации аномальных наблюдений базируется на применении пороговых алгоритмов. Пусть задана последовательность наблюдений с возникающими отдельными (редкими) аномальными наблюдениями.
В простейшем варианте порогового алгоритма фильтрации аномальных наблюдений вычисляются скользящие оценки математического ожидания и дисперсии с временным окном шириной для:
Вычисляется текущий параметр :
который сравнивается с некоторым числом R, так называемым порогом. Достаточно часто имеет место Еслито принимается решение, что соответствующее этому номеру наблюдениеотносится к обычным; еслито считается, что наблюдениеотносится к аномальным и удаляется из последовательности (отбраковывается).
Описанный алгоритм, естественно, не свободен от недостатков. Он работает надёжно для случая редких аномальных наблюдений. Эффективность порогового алгоритма зависит от назначаемого порога : при малых значениях порога возможны ложные срабатывания – некоторые наблюдения могут приниматься за аномальные; при завышенных значениях порога возможен пропуск аномальных наблюдений.
Данный вариант порогового алгоритма должен рассматриваться всего лишь как основа для реального порогового алгоритма фильтрации аномальных наблюдений. Точная настройка пороговых алгоритмов зависит от дополнительной априорной информации.
3.3.3. Медианные фильтры
Алгоритмы фильтрации (обнаружения и устранения) аномальных наблюдений, основанные на использовании медианной фильтрации, широко применяются в многочисленных приложениях ЦОС.
Рассмотрим простейший вариант алгоритма медианного фильтра для конечной последовательности из k наблюдений пустьk – нечётное число, . Подвергнем элементы этой последовательности преобразованию упорядоченияобразуем из элементов исходной последовательности новую последовательность, в которой элементы переставлены в порядке возрастания или убывания:
Выберем среднее по номеру в новой последовательности, которое имеет фиксированное обозначение Результатом работы медианного фильтра для последовательностиявляется определённая выше величина:
.
Медианная фильтрация может реализовываться с помощью временного окна шириной k, скользящего по исходной последовательности наблюдений . В результате медианной фильтрации производится вычислениедля точек
Видно, что первые и последние точек в отфильтрованной последовательности отбрасываются.
Для аномальных наблюдений, представленных на рис. 3.3.1, применена медианная фильтрация. Работа медианного фильтра с временным окном шириной проиллюстрирована на рис. 3.3.2.
Рис. 3.3.2. Результаты медианной фильтрации аномальных наблюдений
В табл. 3.3.1 помещена реализация с аномальными наблююдениями и соответствующие результаты медианной фильтрациидля
Таблица 3.3.1
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 | |
2,7762 |
2,1206 |
2,4639 |
1,2434 |
2,1455 |
-5,5005 |
1,2403 |
2,6210 | |
2,7762 |
2,4639 |
2,1206 |
2,1455 |
1,2434 |
1,2403 |
1,2403 |
2,6210 | |
Продолжение табл. 3.3.1 | ||||||||
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 | |
2,7828 |
2,1510 |
1,4643 |
3,2001 |
1,7698 |
2,4053 |
1,8566 |
2,5572 | |
2,6210 |
2,1510 |
2,1510 |
1,7698 |
2,4053 |
1,8566 |
2,4053 |
2,0359 | |
Окончание табл. 3.3.1 | ||||||||
18 |
19 |
20 |
21 |
22 |
23 |
24 |
25 | |
2,0359 |
-2,9164 |
1,8595 |
1,7410 |
15,9350 |
2,0894 |
1,8893 |
1,3731 | |
2,0359 |
1,8595 |
1,7410 |
1,8595 |
2,0894 |
2,0894 |
1,8893 |
1,3731 |
Видно, что наблюдение для является аномальным: Можно проследить, как происходит фильтрация этого аномального наблюдения. Для окнавыбирается среднееи формируется результат фильтрациидля окнавыбирается среднее 2,0894 и формируется результат фильтрациидля окнавыбирается среднееи формируетсяТаким образом, данный медианный фильтр обнаруживает и устраняет аномальные наблюдения.
В медианных фильтрах реализуется нелинейная обработка наблюдений. Применение медианной фильтрации в ряде случаев оказывается более эффективным с точки зрения точности по сравнению с применением фильтров, основанных на линейной обработке наблюдений. Линейная обработка наблюдений является оптимальной по точности для гауссовых погрешностей и совершенно неудовлетворительной по точности для сигналов с аномальными наблюдениями. В случаях с аномальными наблюдениями медианные фильтры дают лучшую точность, чем традиционные линейные фильтры.
Специфическая особенность медианных фильтров состоит в их слабой чувствительности к наблюдениям, которые резко выделяются на фоне обычных наблюдений, что позволяет применять медианные фильтры для фильтрации аномальных наблюдений. Функционирование алгоритмов медианной фильтрации в малой степени зависит от законов распределения случайных погрешностей, входящих в последовательность данных, подозрительных на наличие аномальных наблюдений.
Медианные фильтры обладают двумя основными достоинствами: 1) хорошим подавлением импульсных помех шириной менее половины временного окна; 2) хорошим пропусканием регулярных сигналов при малой ширине временного окна. Однако медианные фильтры по эффективности уступают линейным при подавлении обычных гауссовых погрешностей.
Повышение эффективности медианных фильтров может быть реализовано с помощью адаптивного изменения ширины временного окна в зависимости от характеристик шумовых погрешностей.