МЕТОДИКА КЛАСТЕРИЗАЦИИ И РАСПОЗНАВАНИЯ ДИНАМИЧЕСКИХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ С ПОМОЩЬЮ АППАРАТА МАРКОВСКИХ ЦЕПЕЙ

А.А. Алексеев
Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики (НИУ ИТМО), аспирант, 197101, Санкт-Петербург, Кронверкский пр., д. 49; Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (ЦНИИ РТК), начальник лаборатории, 194064, Санкт-Петербург, Тихорецкий пр., д. 21, тел.: +7(812)232-97-04, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Аннотация
Работа посвящена исследованию, направленному на решение задач распознавания динамически изменяемых последовательностей, характеризуемых в каждый момент времени набором параметров. В работе поставлены задача получения математической модели разделения смеси последовательностей и последующего их распознавания, а также задача практической апробации решаемой задачи. В работе в качестве механизма учета динамики изменения сигналов во времени и последующего распознавания, с точки зрения точности распознавания и вычислительной эффективности, выбран метод на базе марковских цепей. Экспериментальный раздел работы выполнен на примере кластеризации и распознавания смеси последовательностей импульсов от различных радиолокационных станций (РЛС). Практическое применение может быть расширено на различные другие задачи распознавания, в которых используются динамические последовательности данных. В связи с этим, предложенная комбинированная методика распознавания, учитывающая большое множество факторов, характеризуется доступностью, простотой использования и может быть применена для широкого класса систем обработки динамически изменяемых данных, в том числе и при обработке изображений.

Ключевые слова
Кластеризация смешанных последовательностей, распознавание динамических поледовательностей, Марковские цепи, СММ, радиолокационные станции, РЛС.

Индекс УДК
004.93'1

Бибилиографическое описание
Алексеев А.А. Методика кластеризации и распознавания динамических последовательностей с помощью аппарата марковских цепей / А.А. Алексеев // Робототехника и техническая кибернетика. – №2(15). – Санкт-Петербург : ЦНИИ РТК. – 2017. – С. 37-47.

Литература

1. Гоноровский И.С. Радиотехнические цепи и сигналы. – Москва : Радио и связь. – 1986.
2. Методы и средства идентификации источников радиоизлучения / Е.А. Башков [и др.]. – Донецк : ГВУЗ «ДонНТУ». – 2010.
3. Tou T.J. Pattern Recognition Principles / T.J. Tou, R.C. Gonzalez // Addison-Wesley. – 2nd edition. – 1977.
4. Bishop C.M. Pattern Recognition and Machine Learning. Information Science and Statistics // Springer. – 2006.
5. Горячкин О.В. Методы слепой обработки сигналов и их приложения в системах радиотехники. – Москва : Радио и связь. – 2003.
6. Rabiner L.R. A tutorial on hidden markov models and selected applications in speech recognition. – 1989.
7. Bilmes J.A. Natural statistical models for automatic speech recognition: Doctoral Dissertation // University of California. – Berkeley. – 1999.
8. Hyvarinen A. Independent component analysis / A. Hyvarinen, J. Karhunen, E. Oja. – New York: John Wiley & Sons. – 2001.
9. Пономарев В.А. Применение метода слепого разделения источников в электрофизиологии для картирования функций мозга / В.А. Пономарев // Труды IX межд. конф. «Прикладная оптика-2010», 18-22 октября 2010 г. – Санкт-Петербург : Университет ИТМО. – С. 317-322.
10. Gonzalez R.C. Digital Image Processing Using MATLAB // R.C. Gonzalez, R.E. Woods, S.L. Eddins. – 2003.
11. Bacher J. Cluster Analysis // Chair of Sociology. University Erlangen. – Nuremberg. – 2002.
12. Wiley R.G. The Interception of Radar Signals. Electronic Intelligence. – 1985.
13. Conkur E. Path planning algorithm for snake-like robots / E. Conkur // Journal of information technology and control. – 2008. – Vol. 37. – No.2.
14. Hirose S. Biologically Inspired Robots (Snake-like Locomotor and Manipulator) / S. Hirose // Oxford University Press. – 1987.

Полный текст статьи (pdf)