В.А. Иванов, В.В. Максимов, К.Д. Галев

Постановка проблемы. Для сокращения затрат на накопление обучающей выборки целесообразно применять модель синтеза сигналов со свойствами, аналогичными генеральной совокупности, но при этом отличающимися численными показателями признаков во временной и частотной области. Применение нейросетевых моделей синтеза сигналов обеспечит репрезентативность новой генеральной совокупности и условия повышения качества функционирования технического средства при изменении условий окружающей среды. Необходимо создать предпосылки к повышению точности получаемых оценок параметров свойств от источников сигналов различных физических принципов действия (электродинамические, акустические, магнитометрические, оптоволоконные и др.).

Цель. Сформировать N-мерное латентное неинтерпретируемое признаковое пространство на основе размерности Кульбака−Лейблера [7, 9] для решения задач обнаружения/распознавания [1−3] с последующим синтезом (моделированием) сигнала в форму, пригодную для выделения признаков во временной и частотной областях.

Результаты. Получено решение задачи синтеза (моделирования) сигналов, что дает возможность проводить углубленное исследование латентного неинтерпретируемого пространства признаков, формируемого нейронной сетью типа «автокодировщик» на основе дивергенции Кульбака−Лейблера. Показано, что результаты проведенного исследования позволят создавать перспективные технические средства мобильного и стационарного типа, используемые в охране объектов и участков местности.

Практическая значимость. Полученная математическая модель может быть использована на стадии проектирования перспективных технических средств охраны. 

Иванов В.А., Максимов В.В., Галев К.Д. Графические ускорители как средство обучения нейронных сетей  синтеза сигналов различных физических принципов действия // Радиотехника. 2021. Т. 85. № 2. С. 27−32.  DOI: 10.18127/j00338486-202102-04

1. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика. 2004. 176 с.
2. Галев К.Д., Двойрис Л.И. Алгоритм адаптивной настройки порога обнаружения. Радиотехника. 2018. № 2. С. 10−12. 
3. Галев К.Д., Двойрис Л.И., Кобзарь М.В. Эффективный метод отбора информативных признаков в задачах распознавания. Радиотехника. 2017. № 1. С. 53−55.
4. Двойрис Л.И., Галев К.Д. Выбор оптимального сочетания вычислительного ядра и комплекса алгоритмов при разработке систем обнаружения и распознавания движущихся объектов по сейсмическим сигналам // Радиотехника. 2019. № 2. С. 44−51. DOI: 10.18127/j00338486-201902-09.
5. Двойрис Л.И., Иванов В.А., Галев К.Д. Критерий энергетического обнаружения объектов на основе анализа параметров закона распределения центрированных и нормированных фоновых сигналов // Радиотехника. 2019. № 2. С. 34−39. DOI: 10.18127/j00338486-201902-07.
6. Abdul Dakkak, Tom Wickham-Jones, and Wen-mei Hwu. The design and implementation of the Wolfram Language compiler. In Proceeding of the 18th ACM/IEEE International Symposium of Code Generation and Optimization (CGO 2020). Association for Computing Machinery. New York, NY, USA. 2020. P. 212−228. DOI: https://doi.org/10.1145/33688263377913
7. Bishop C. Pattern Recognition and Machine Learning. 2006. P. 55.
8. Chun-Yu Shei, Pushkar Ratnalikar, and Aruh Chauhan. Automating GPU computing in MatLab. In Proceeding of the international conference on Supercomputing (ICS ‘11). Association for Computing Machinery. New York, NY, USA. 2011. P. 245−254. DOI: https://doi.org/10.1145/1995896.1995936
9. Kulback S., Leibler R.A. On information and sufficiency // The Annals of Mathematical Statistics. 1951. V. 22. № 1. P. 79−86.
10. Furber Steve. ARM System-on-chip Architecture (2nd. ed.). Addison-Wesley Longman Publishing Co., Inc. USA. 2000.