Разработка и исследование способа обнаружения аномальных значений
Размещено на /
Содержание
Основная часть
Выводы
Библиографический список
аномальное аппаратура оборудование радиосигнал
При регистрации, обработке и обмене данными в современных измерительно-вычислительных и информационных системах потоки сигналов искажены действием помех (шумов), природа возникновения которых различна и зачастую носит случайный характер. Шумовая составляющая может содержать и аномальные значения. Для решения задачи выделения полезной составляющей нестационарного случайного процесса применяются различные классические процедуры фильтрации, результаты которых зависят от наличия в исследуемом процессе аномальных значений.
Аномальными называют значения, резко отличающиеся по величине и статистическим свойствам на фоне основной группы значений реализации процесса. Природа возникновения и источники аномальных значений различны, это может быть импульсная помеха, кратковременные повышения уровня шумов на входах приемников, сбой в работе регистрирующей аппаратуры, отказ оборудования, кратковременное внешнее воздействие на измерительный элемент, «залипание» разряда цифрового счетчика, атмосферные воздействия при передаче радиосигналов, индустриальные помехи и т.д.
До недавнего времени на практике для обнаружения аномальных значений широко применялись ручные способы, основанные на визуальном просмотре зарегистрированных реализаций нестационарных случайных процессов и сравнение их с контрольными реализациями известной формы. Помимо субъективизма в критериях обнаружения аномальных значений, основанных, главным образом, на опыте и интуиции экспериментатора, подобные способы не допускают автоматизации процедур обработки исследуемых реализаций.
Для преодоления отмеченных недостатков, как показано в работах [1, 2], предлагается использовать теорию статистических решений, которая позволяет формализовать алгоритмы проверок и выбрать критерий обнаружения аномальных значений. Возможно применение как параметри-ческих, так и непараметрических методов теории решения. В первом случае необходимо располагать априорными сведениями как о функции полезной составляющей, так и о законе распределения шумовой составляющей, а также и о его параметрах (математическом ожидании, дисперсии, корреляционной функции). Использование непараметрических методов обработки требует значительно меньше априорной информации, но их эффективность определяется параметрами обработки, которые, в свою очередь, зависят от функции полезной и закона распределения шумовой составляющих процесса.
В связи с этим значительный интерес представляет разработка и исследование способа обнаружения аномальных значений при анализе нестационарных случайных процессов, представленных единственной реализацией.
В работах [3, 4] представлен метод выделения полезной составляющей нестационарного случайного процесса, который имеет высокую эффективность в условиях априорной неопределенности. Суть метода состоит в размножении не самой реализации исходного процесса, а оценок, получаемых определенным образом. Автор работ [3, 4], основываясь на основных принципах метода размножения оценок, предлагает и метод обнаружения аномальных значений при анализе нестационарных случайных процессов. В работах [3, 4, 5, 6 и др.] аналитически определены значения основных параметров метода обнаружения аномальных значений и показана его эффективность при анализе как стационарных, так и нестационарных случайных процессов с аддитивной шумовой составляющей.
К
одному из достоинств
метода обнаружения
аномальных
значений можно
отнести также
следующее:
применение
двухпорогового
критерия принятия
решения об
аномальности
значения процесса
позволяет
получить результаты,
при которых
с увеличением
величины аномальных
значений, выборочные
значения вероятности
ошибки первого
рода
стремятся к
минимальным
значениям, в
то время как
выборочные
значения вероятности
правильного
обнаружения
стремятся к
максимальным
значениям [4,
5, 6].
Наряду
с достоинствами
предлагаемого
метода обнаружения
аномальных
значений,
представленного
в работах [4, 5],
выявлено, что
он обладает
весьма существенными
недостатками,
одним из которых
является зависимость
порогового
значения от
некоторого
постоянного
коэффициента
.
Правильный
выбор коэффициента
позволит повысить
эффективность
обнаружения
аномальных
значений.
Поэтому
в данной работе
на основе проведенных
исследований
предлагается
модификация
уже существующего
метода обнаружения
аномальных
значений, которая
заключается
в выборе правила
определения
коэффициента
при задании
порогового
значения.
Модификация
предлагаемого
в работе способа
обнаружения
аномальных
значений предполагает
введение адаптации
порогового
значения относительно
коэффициента
при априорно
фиксированном
значении вероятности
ошибки первого
рода
.
Предлагаемый
в данной работе
способ предполагает
наличие единственной
дискретной
реализации
исследуемого
нестационарного
случайного
процесса
.
Априорная
информация
об исследуемом
процессе заключается
в том, что на
некоторых
интервалах
времени полезная
составляющая
процесса является
гладкой функцией
[6], т.е. достаточно
точно описывается
полиномом не
выше второй
степени:
.
(1)
Реализация
исследуемого
процесса разбивается
на интервалы
случайной
длины, получаемые
следующим
образом: с помощью
генератора
случайных
чисел, равномерно
распределенных
в интервале
(0;1), получают
чисел
.
Используя
выражение
,
осуществляется
взаимнооднозначное
отображение
промежутка
(0;1) на интервале
значений исследуемого
нестационарного
случайного
процесса
,
получая при
этом соответствующее
разбиение
числами
промежутка
на
непересекающихся
интервалов,
где
,
.
(2)
Вводятся обозначения для интервалов разбиения:
,
,
…,
.(3)
Каждый
интервал разбиения
содержит не
менее
отсчетов (минимальная
длина интервала
разбиения)
исходного
нестационарного
случайного
процесса из
набора
,
в противном
случае случайные
числа, формирующие
данный интервал
разбиения
,
отбрасываются
и генерируются
заново. Наличие
этого условия
означает, что
.
Для
получения
каждой новой
оценки процедура
разбиения
отрезка
на
интервалов
случайной длины
(с проверкой
выше указанного
условия) повторяется.
В результате
получаем
разбиений
временного
отрезка
[7] .
…
![]()
…
.
(4)
…
![]()
На каждом
интервале
разбиения
,
где
и
,
с помощью метода
наименьших
квадратов
находятся
оценки
,
,
коэффициентов
аппроксимирующего
полинома
как решение
системы линейных
уравнений:
(5)
где
символ
означает
суммирование
по всем
-м
значения, которые
принадлежат
интервалу
разбиения
и
,
.
Результатом
действия способа
будет набор
определенных
на отрезке
сглаживающих
функций
,
где
,
каждая из которых
является
«кусочно-квадратичной»:
(6)
где
,
и
.
Определяются
значения разности
между исходным
нестационарным
случайным
процессом
и оценкой
сглаживающих
функций
:
,
.(7)
При
оценке параметров
разностного
процесса
на каждом интервале
разбиения
используется
один из методов
робастного
оценивания
[8], т.е. оценка
параметров
математического
ожидания
и среднеквадратического
отклонения
производится
по
-усеченной
выборке. Для
этого на каждом
интервале
разбиения
получаем ряд
ранжированных
значений и
оценку математического
ожидания
и среднеквадратического
отклонения
,
которая проводится
без учета первого
и последнего
значения
ранжированного
ряда. Тогда
выражения для
оценок математического
ожидания
и среднеквадратического
отклонения
принимают
следующий вид
[9]:
и
,(8)
где
.Далее
на каждом интервале
разбиения
исследуемого
нестационарного
случайного
процесса
устанавливается
пороговое
значение
,
(9)
где
– некоторый
коэффициент,
и
.
Превышение
значений разностного
процесса
на каждом интервале
разбиения
установленного
порогового
значения (9)
штрафуется,
т.е. если выполняется
условие:
,
(10)
то
получает одно
штрафное значение.
В соответствии
с методом размножения
оценок [4] вышеизложенная
процедура
определения
штрафов повторяется
р раз и для
каждого повторения
проверяется
условие (10) для
каждого значения
,
где
;
;
;
– объем выборки
исследуемого
нестационарного
случайного
процесса;
– количество
интервалов
разбиения;
–
количество
повторений
процедур (2)–(10).
Таким образом, происходит накопление ряда штрафных значений для элементов исходной реализации исследуемого процесса, т.е.:
,
(11)
где
–
ряд штрафных
значений
и
,
.
По
окончанию
обработки для
всех оштрафованных
значений исходной
реализации
определяется
суммарное
значение штрафов
и максимальное
значение ряда
.
Далее проверяется
условие: если
,
(12)
то
k-е
значение из
входной реализации
нестационарного
случайного
процесса
будет трактоваться
как аномальное.
Условие (12)