Вопрос про вэйвлеты

[PAV]

Это зависит от того, какой метод классификации использовать. Но в целом я склонен не согласиться с этим мнением.

Если используются разделяющие поверхности, то они захватывают и области пространства, полностью свободные от точек. Представьте себе, что разделяются два облака на плоскости прямой. Впрочем, если нет второго класса, то разделяющий подход в принципе не применим.

Если есть только один класс, то придется пытаться приблизить плотность распределения точек. Но тогда встает вопрос, какую оптимизационную задачу решать. Как Вы собираетесь заставить систему исключать из рассмотрения области, в которых мало точек? Какой вообще функционал качества здесь использовать?

[G^a]

Добречко!

sendspam писал(а):

В настоящий момент разговор, по всей видимости, уходит в сторону от основной темы, хотя этот уход тоже очень интересен.

Понимаете, sendspam, если Вы хотите решить задачу чтобы работало, то без этого ухода не обойтись. Обсуждать вейвлеты нужно будет потом, когда определимся с другими, базовыми вопросами.

sendspam писал(а):

Так вот, данная задача- просто некоторое упрощение другой задачи. Я не преводил исходную задачу дабы не смущать слушателей и не лезть в дебри, ибо там вопросов еще больше. Так вот, та, более сложная задача относится к области диагностики.

Я не пытаюсь получить от Вас исходную задачу, ибо понимаю, что существует проблема интеллектуальной собственности, коммерческой, государственной тайны!

Понимаете, упрощать тоже необходимо корректно, нужно всегда проверять, чтобы упрощённая модель не потеряла основные свойства исходной задачи. Если Вы в упрощённую модель не заложите допустим возможность появления трещин в теле пластины по которой ударяет капля, то вполне может сложиться, что потом переход от упрощённой задачи r реальной потребует решения всей проблематики заново. Подумайте об этом.

sendspam писал(а):

Данная (обсуждаемая) задача звучит именно так, как я еее сформулировал. Мне просто необходимо определить что это именно Капля, а не что-либо другое. Пример с различными поверхностями и др. был приведен чтобы показать, что в различных ситуациях звук капли будет РАЗЛИЧНЫМ, т.е. его НЕЛЬЗЯ однозначно раз и на всегда определить и сказать, что так будет капать любой кран. Звуки капли похожи друг на друга, но в различных экспериментах будут различными!!!

Поймите, sendspam! Звучит не капля, не кран! Капля возбуждает механические колебания в теле, а поверхность их излучает в виде акустических упругих волн в газовой среде - воздухе! Фрагмент частотного диапазона Вы и регистрируете! Вы фиксируете и идентифицируете в большей степени резонансные и упруго-колебательные свойства своего тела. И в меньшей степени свойства капли. Смотрите схему:

капля -> тело -> звук.

Вы фиксируете "звук", но Вам не известны параметры "тела", это для Вас чёрный ящик, а он может быть (скорее всего) нелинеен! Не идентифицировав "тело", Вы не сможете определить параметры "капли", или другими словами:

sendspam писал(а):

Мне просто необходимо определить что это именно Капля, а не что-либо другое.

Вы не сможете сделать это, не проидентифицировав "тело"! Только построив обратный оператор своей системы, Вы сможете реализовать схему:

звук -> тело -> капля.

Вы понимаете? Прочтите книги по теории идентификации, прочтите внимательно книгу

Бендат Дж., Пирсол А. Прикладной анализ случайных данных. Пер. с англ. -- М.:
Мир, 1989. -- 540~с., ил.

там это чётко, строго, но доступно для инженера всё рассмотрено а также типичные ошибки, в том числе и та, которую допустили Вы. И главное книга даёт методологию решения этих задач!

sendspam писал(а):

Задача поставлена как создание ОБЩЕГО подхода для определения того, что капает капля, т.е. создание системы, которая могла бы с некоторой вероятностью больше 50% отследить падение практически любой капли в различных условиях, исходя из уже имеющейся статистики (набор сигналов капания различных капель на различные поврхности).

Меня смущает:
1) "создание ОБЩЕГО подхода" - общего в чём, каковы критерии (формализованные) общности? Понимаете, в диссертациях любят писать общий, универсальный, методология. А начинаешь оппонировать, или просто писать отзыв, начинаешь всё это вырезать!

2) "больше 50% отследить падение" - а больше - это сколько? И один такой показатель, это некорректно! Спросите любого спеца в данной области, он Вам моментально укажет на связку (см. мой предыдущий пост):

вероятность правильной диагностики и вероятность ложной тревоги.

3) "падение практически любой капли в различных условиях" - что значит это? Это похоже на создание универсального растворителя, но простите в чём Вы будете его хранить? /Бутлеров/

Т.Е. падение капли жидкого гелия в сверхтекучем состоянии на поверхность алмаза Вы тоже сможете идентифицировать? Где чёткие границы задачи:

капли каких размеров?
капли каких жидкостей? (вязкость, упругие свойства, плотность)
капли каких форм?
при каких температурах?
с какими скоростями и ускорениями?
Под какими углами?

какие плотности распределения у шумов?
какие ЧХ или ВХ шумов?
какие интенсивности шумов?
какая схема наложения шума на сигнал? (аддитивная, мультипликативная, частотная модуляция, фазовая модуляция)
наличие импульсных шумов?
наличие ударных и гармонических вибраций самого тела?

каковы механические свойства поверхности тела?
каковы механические свойства объёма тела?
каковы акустические свойства поверхности тела?
каковы акустические свойства объёма тела?
каковы резонансные частоты тела?
каковы геометрические и топологические характеристики тела?
каковы ведущие размеры тела?

каковы механические свойства среды, в которую погружено тело?
каковы акустические свойства среды, в которую погружено тело?

Вот ответив на эти вопросы, задав возможные диапазоны изменения значений, отдельные точные значения величин и допустимые комбинации, сожно на самом деле приступать к следующему пункту:

4) исходя из уже имеющейся статистики (набор сигналов капания различных капель на различные поврхности) - А Вы уверны, что Ваш банк эталонов отвечает следующим базовым требованиям:

- полнота;
- непротиворечивость;
- ортогональность.

Может потому и не получается?

sendspam писал(а):

В данном случае заниматься изучением механических систем, мне кажется некорректным, ибо статистику набрать быстрее, чем изучать параметры капель и поверхносетей и их взаимодействия.

Не факт! Ещё раз повторю звучит не капля, звучит как раз та самая механическая система! Проведите простой лабораторный эксперимент /мы в своё время такой делали /

Капля воды с фиксированными параметрами падает на стальную пластинку, угол меняется от 90 до 0, для каждого угла проводится серия экспериментов. Всё остальное фиксированно. Шумов нет.

Потом меняли высоту пролёта капли, размер капли, температуру, потом жидкость, материал, размеры и толщину пластины, её форму.

Повторите, и попробуйте найти закономерности!

А потом мы пошутили, нашли условия когда отличить металл от пластмассы не возможно, воду неотличишь от пластилина, и т.п. А если добавить шумов, то вообще замечательно получается.

Но зато вы узнаете физику задачи! И самое главное, прочувствуете принципы формирования банка эталонов и сможете выдернуть информативные признаки!

sendspam писал(а):

Совершенно понятно, что такой подход будет иметь меньшую надежность правильного диагноза, но он тоже имеет право на существование. Тем более некоторые системы (например, тело человека или турбина ГЭС или двигатель танкера) так сложны, что практически невозможно (или очень трудоемко) построить адекватную модель.

А количественную модель Вам строить и не нужно! Вам необходимо (см. выше) разобраться в сути явления и выделить его кардинальные группы.

sendspam писал(а):

1. Запись сигнала (вопрос этот предлагаю не обсуждать, ибо, как было сказано выше я преложил максимум усилий для избавления от шумов,повышения частоты дискретизации и прочее.)

А не ответив себе на те вопросы, которые я Вам обозначил Выше откуда Вы знаете что именно этот частотный диапазон Вам нужен? Что Вы фиксируете именно то, что несёт для Вас полезную информацию? /Это не про шумы и не про частоту дискретизации - это другое/

sendspam писал(а):

2. Создание пространства признаков. Т.е. применения методов ЦОС для преобразования временной выборки в набор чисел, которые являются координатами вектора.

Опять же, если не отвечать на вопросы заданные мной Выше, Ваше блуждание будет похоже на поиски чёрной кошки в тёмной комнате. Вам может повезти, но метод тыка, при большой универсальности системы (на которую Вы претендуете) - т.е. при большой размерности пространства классов сравнения может свести Вас с ума, либо потребует непомерно огромного и дорого банка эталонов, и вычислительно может оказаться непотребным - Вы не уложитесь в ограничения по памяти, ресурсам процессора, быстродействию. А Вы об этом вообще думали?

sendspam писал(а):

3. Распознавание векторов методами роаспознавания образов: построение эталонов, нейронные сети и прочее и прочее.

Стоп! Это фатальная ошибка! Не продумав методы и алгоритмы классификации, Вы не можете не то что проводить измерения сигналов, и формировать банк эталонов, но и искать информативные признаки в своей задачи.

sendspam писал(а):

Весь мой вопрос относится именно ко 2-ому пункту: как мне сделать вэйвлет более чувствительный к такому всплеску?

Проработав комплекс вопросов и поняв физику явления, а также осознав, что звучит не капля, а поверхность тела, у Вас всё придёт в норму.

sendspam писал(а):

Просматривая спектр Фурье я нашел закономерности (частотное наполнение). Просматривая вэйвлет-спектр, тоже можно выделить некоторые особенности. Вопрос заключается в том- как подобрать вэйвлет, чтобы он ЛУЧШЕ других выделял эти особенности.

Можно выделить. Как? См. выше.

sendspam писал(а):

Как я на данном этапе могу оценить информативность своего канала? Пока я это оцениваю только логически, т.е: я запиываю звук капли. Раз этот сигнал отражает падение капли, значит я исследую падение именно капли.

Читайте выше про схемы:

капля -> тело -> звук.

звук -> тело -> капля.

sendspam писал(а):

Далее, преобразуя сигнал из временной области в частотную, я сохраняю информацию и полученный спектр по прежнему отражает падение капли.

Не факт, что Вы сохраняете информацию, Вы её теряете! Переход из временной области в частотную связан с отрезанием верхних частот (теорема Котельникова). Почитайте книги по теории Сверхширокополосной и сверхкороткоимпульсной радиолокации и Вы поймёте - не хотите терять информацию - оставайтесь во временной области.

sendspam писал(а):

Значит, из полученных частот я могу составить вектор для последующего распознавания, и он является адекватным описанием процесса капания.

Адекватен? А в какой области? А с какими допущениями? Каков критерий адекватности? И вообще, Вы её доказали (имеется в виду адекватность)?

sendspam писал(а):

Следовательно, используя такое пространство признаков я могу классифицировать.

Во-первых, не факт - этот негативный вывод сделан мной на основе всего вышеизложенного. Во-вторых, каким методом? Каждый метод имеет свои + и -, нюансы!

sendspam писал(а):

Что же касается информативности выхода.. на мой взгляд, он сейчас достаточно информативен - от свойств капли, конечно же немного изменяются наблюдения- происходит частотный сдвиг, фронт удывания и др, но это не очень сильные изменения.

Вы это меряли? Или это просто мысль?

sendspam писал(а):

Куда мне надо подавать возмущающие воздействия? На каплю? Так, как их подашь? На ванну? Так, какой смысл? Определить собственные частоты ванны, и что?

Уточните, пожалуйста, мысль. Не совсем Вас понял.

sendspam писал(а):

Расскажите пожалуйста подробнее про задачи идентификации объекта по выходу. Как они решаются и в чем состоят?

А Вы Бендата читали? Классическую задачу идентификации по входу-выходу в операторной форме решать умеете? Получать оператор импульсной переходной функции умеете? А частотной переходной функции можете? Если да, то в следующем посте постраюсь привести литературу и основные идеи, если нет - читайте пока классику по входу-выходу.

sendspam писал(а):

И в чем кокретно мне может помочь шум, как мне необходимо с ним работать?

Шум возбуждает Вашу механическую систему и образно говоря заставляет её звучать всеми цветами радуги.

sendspam писал(а):

А то, что у меня может недостаточное понимание вопросов методологии- так это вполне возможно, ибо многие ньюансы методологии мне неизвестны, и многие непонятны.

Это к сожалению плохо! У вас разноплановая и сложная задача. Если не понимать методологии, то её можно и не решить.

sendspam писал(а):

И еще.. если у вас есть
Бендат Дж., Пирсол А. Применения корреляционного и спектрального анализа. Пер.
с англ. -- М.: Мир, 1983. -- 312~с., ил.

И Чуи в электронном виде - пришлите мне их пожалуйста на [e-mail], ибо именно этих книг у меня нету. Есть другие по вэйвлетам, и другой Бендат, а вот этих нет

К сожалению в электронном виде нет.

P.S.
Не сочтите за критиканство. Я просто оппонирую, возможно жёстко. Но работа приучила решать реальные задачи до конца и корректно.

И стараюсь привить Вам вкус к методологически корректному решению задач!

Успехов! Обращайтесь, если что![/quote]

P.P.S.
А это моё 100 сообщение!

[uni]

Буков не осилил, но вот тоже ссылка с электронными книгами:
http://lord-n.narod.ru/walla.html

Добавлено спустя 23 минуты 48 секунд:

Вау, теперь осилил. Тут можно теперь пугаться. Я бы предложил исследовать не акустические колебания, создаваемые в воздухе, а непосредственно колебания самого тела.
Также мне думается, что идентифицировать ЧЯ не обязательно. Есть примеры, где не делая этого находят нужные признаки и объекты (явления). Я уже говорил о компьютерной диагностике двигателя автомобиля по вибрациям. Если вы видели подобные программы, то заметили бы, что нет математической модели двигателя или чего-то из его устройства, есть просто банк записей правильно работающего двигателя с исправной машины и указания как выявлять деффекты, если осциллограммы не совпадают. Никому не прийдёт в голову строить мат. модель двигателя, т.к. это по-моему не реально. А вот сделать записи с реально исправных и работающих двигателей -- это не сложно. Работы много было проделано, составлены кучи осциллограмм и выявлены кучи отклонений этих осциллограмм для определённого вида дефекта в двигателе. Мастер только должен взглянуть на вид графика и сравнить с оригиналом. Чисто практический подход, а потом уже думать можно о методологии и прочей теории, мат. модели и развивать дальше.

Всякие варианты возможны. Был бы сигнал почётче да посильнее.

[G^a]

Добречко!

uni писал(а):

Я бы предложил исследовать не акустические колебания, создаваемые в воздухе, а непосредственно колебания самого тела.

Здравая мысль! Но боюсь у sendspam иные исходные предпосылки.

uni писал(а):

Также мне думается, что идентифицировать ЧЯ не обязательно. Есть примеры, где не делая этого находят нужные признаки и объекты (явления). Я уже говорил о компьютерной диагностике двигателя автомобиля по вибрациям. Если вы видели подобные программы, то заметили бы, что нет математической модели двигателя или чего-то из его устройства, есть просто банк записей правильно работающего двигателя с исправной машины и указания как выявлять деффекты, если осциллограммы не совпадают. Никому не прийдёт в голову строить мат. модель двигателя, т.к. это по-моему не реально.

Не вполне согласен. Внимательно читаем мой предыдущий пост:

1) А количественную модель Вам строить и не нужно! Вам необходимо (см. выше) разобраться в сути явления и выделить его кардинальные группы.

2) Но зато вы узнаете физику задачи! И самое главное, прочувствуете принципы формирования банка эталонов и сможете выдернуть информативные признаки!

Так вот те самы инженеры, к которым Вы аппелируете, на этапе разработки метода всё же строили вибро-акустическую модель двигателя. Вот как они работали (грубая схема).

Они определяли режимы работы двигателя, выделяли допустимые и аварийные области изменения параметров, номинальные значения параметров. Задавали геометрию и материалы. Чётко прописывали что есть нормальный режим, что есть допустимый, что есть аварийный. Потом решая приближённую задачу для системы пространственно-распределённых и связанных маятников и для резонирующих упругих блоков находили понимание и некоторые особенности поведения в вибро-акустическом аспекте колен-вала, блока головок и т.п. Это совмещалось с прогоном на реальных двигателях, помогая с одной стороны корректировать модель, с другой - планировать эксперимент (а он очень дорогой) и находить особые режимы в реальных системах.

На основе такого симбиоза, они буквально залазили в "душу" двигателя, определяли информативные признаки, и формировали оптимальный банк эталонов. А главное! Определяли область адекватности этого метода диагностики.

А уже потом делали красивую программку, в которой модель объекта сидит, там конечно нет пункта меню ("модель двигателя"), но сама модель там есть, неявно присутствует в виде частотных переходных характеристик, основные из которых следующие:

1) обороты двигателя - ведущие частоты;
2) нагрузка на валу - ведущие частоты.

Так что мои дорогие, без феноменологической модели явления/объекта никуда. Тот подход о котором Вы неявно рассуждаете с sendspam, а именно лобовая атака никуда не ведёт, в случае с серьёзными задачами - это профанация!

И именно по такой методологии действуют при разработке вибро-акустических диагносцирующих комплексов ракетных двигателей (тот же Бендат, о котором я очень часто упоминаю принимал участие в работах по шатлам), авиационных двигателей.

И что самое интересное, когда разрабатывают метод оптической или электрической рефлексометрии по обратному отражению и рассеиванию (задача аналогична в своей сути обсуждаемой здесь), тоже строят феноменологическую модель явления/объекта.

Вот так!

uni писал(а):

А вот сделать записи с реально исправных и работающих двигателей -- это не сложно. Работы много было проделано, составлены кучи осциллограмм и выявлены кучи отклонений этих осциллограмм для определённого вида дефекта в двигателе. Мастер только должен взглянуть на вид графика и сравнить с оригиналом.

Понимаю! Вы рассуждаете чётко в духе своего подхода к исследованиям:

uni писал(а):

я сходил в ванну, "запустил" аппарат по формированию капель, записал их на мобильник и просмотрел на компе как выглядят звуки капель, падающих на самое дно ванны). Одним словом -- мешанина.

А Вы не задавались параметрами своего наблюдателя - "мобильника", как-то: диаграммой направленности микрофона, частотной характеристикой и частотным диапазоном всей схемы, чувствительностью микрофона и нелинейностью всей схемы, уровнем нелинейных искажений, уровнем собственных шумов и т.п. Может потому у Вас и получилась сплошная мешанина?

uni писал(а):

Чисто практический подход, а потом уже думать можно о методологии и прочей теории, мат. модели и развивать дальше.

Да? Простите Вы инженер? Решаете сложные практические задачи вот таким образом? Честно говоря не хотел бы я эксплуатировать Ваши системы.

Вы только представьте себе на минутку, что самолёты, ракеты, корабли, автомобили, ядерные и хим. реакторы, другие сложные системы разрабтаывали бы по Вашей схеме - чисто практического подхода. Без расчёта и моделирования хотя бы прочности корпуса?

Ответьте что было бы?

Вы ещё хотите методологию, теоретическую базу и математическое моделирование задвинуть на второй план?

uni писал(а):

Всякие варианты возможны. Был бы сигнал почётче да посильнее.

Простите! Но уровень Ваших рассуждений и Ваша позиция выдаёт в Вас недоучившегося студента! Человека, который о проектировании сложных систем и объектов знает только по наслышке и на уровне своих собственных рассуждений!

Вы пишете:

uni писал(а):

Никому не прийдёт в голову строить мат. модель двигателя, т.к. это по-моему не реально.

Очень даже реально! Прочитайте что известно о математическом моделировании:

1) Ядерных реакторов;
2) Термоядерного оружия;
3) Реактивных двигателей;
4) Системе автоматической посадки корабля "Буран";
5) Систем, узлов и элементов автомашин Ф1.

И тогда Вы поймёте, что смоделировать двигатель внутреннего сгорания в сущности "пустячок".

И надеюсь измените своё отношение к методологии, теоретической базе и математическому моделированию.

Успехов!

P.S.
Только не обижайтесь, таковой задачи не стояло.

Добавлено спустя 13 минут 17 секунд:

sendspam писал(а):

Совершенно понятно, что выборка должна быть репрезентативной и я к этому стремлюсь. Однако, на мой взгляд, даже если в выборке есть только положительные примеры, то система вполне может выдавать подходящий результат, ибо если неизвестный пример попадает в класс капля, то это капля, если же вектор попадает в другую точку пространства, не коим образом не относящуюся к капле, то и вывод автоматически будет НЕ капля. Ведь класс КАПЛЯ не будет покрывать все пространство признаков.

Не совсем так!
Прислушайтесь к тому, что говорит Вам PAV!

Кроме того, Вам необходимо оперировать вероятностями:

1) правильной классификации;
2) ошибочной классификации;
3) ложной тревоги.

Так называемые ошибки I и II рода.

Почитайте теорию вероятностей и теорию принятия решений. О байесовском подходе тоже почитайте - тогда поймёте почему и где Вы заблуждаетесь.

[PAV]

G^a

Выскажу альтернативный взгляд на вопрос. Вы проповедуете весьма типичные для инженеров, причем работающих в каких-нибудь крупных КБ. Либо типичные мнения людей, только что закончивших учебные заведения (доучившихся), но слабо себе представляющих специфику реальной работы в реальных условиях. Есть и другие мнения.

1. Есть другие классы задач, существенно отличающихся по параметрам от производства ракет, самолетов, электростанций и т.п. В них нет таких жестких требований к надежности решения и цена ошибки совсем другая. Те исследования, которые Вы предлагаете провести, банально дорого стоят - по времени и по усилиям. Возможно они и приведут к успеху, но стоит ли он такую цену? Самолеты и прочая техника разрабатывается годами, в этой работе участвуют очень большие коллективы, тратится огромное количество человеко-часов.

2. Понимание физики задачи я не считаю таким весомым бонусом, ради которого стоит сильно ломать копья. Да, он может помочь в выделении информативных признаков. Но для начала можно попробовать сформировать такие признаки и без всего этого, просто на уровне здравого смысла или существующих стандартных подходов. Вот если это не сработает, тогда можно думать.

В области распознавания, с которой я имею дело, весьма часто возникает такая ситуация: методы, полученные эвристически, интуитивно (как у нас говорят, "на коленке"), сразу могут дать достаточно приличный результат и быстро. Последующие весьма длительные усилия по привлечению большой и честной науки почти совсем ничего не дают, а иногда и просто ухудшают результат.

3. Заявления о том, что построение и использование модели рассматриваемого явления гарантируют работоспособность, отдают определенным лукавством. Любая модель включает в себя различные упрощения и предположения. Это самое их слабое место. В дальнейшем упрощения также могут возникать, например, если оказывается, что полученные уравнения слишком сложны. В итоге мы получаем решение, которое может гарантировать результат в определенной идеальной ситуации, но в реальной ситуации его все равно приходится проверять экспериментально, тестируя при различных условиях. Фактически мы при этом проверяем, работает ли в этих условиях наша модель и наши предположения.

Не зря ведь неотъемлемой частью разработки сложного механизма (например, самолета) являются испытания, как всего в целом, так и отдельных частей. На это тратятся огромные деньги и усилия. Спрашивается, зачем? Если бы мы все что нужно могли гарантировать, то ничего подобного не было бы. Недавно писали, что очередные какие-то испытания ракеты Булава окончились неудачно. С чем это может быть связано, ведь там же наверняка все делают по аккуратным моделям?

4. В рамках Вашего подхода Вы требуете от заказчика работ очень много дополнительной информации. В нашем примере Вы хотите и параметры жидкости, и размеры капли, и высоту падения, и параметры поверхности, и параметры шумов, и параметры записывающего оборудования. Причем если что-то из этого заказчик детально описать не сможет, то Вы заявите, что задача поставлена нечетко, некорректно, поэтому решать ее нельзя. В такой ситуации заказчик просто пойдет к другим ребятам, которые сделают ему все, что надо, на основе реальных записей, и оно будет работать хорошо, и сделано будет быстро.

5. На самом деле достаточно иметь большой набор экспериментальных данных, на основе которых можно научить систему. Безусловно, нужны еще дополнительные тестовые данные, которые не участвуют в процессе обучения и используются для проверки результатов. Если они достаточно представительны, то результаты, полученные на них, будут повторяться и в реальной работе. Если ситуация изменится, то результат может быть непредсказуемым. Но это аналогично тому, что изменятся условия, которые были заложены в Вашу модель.

Зато если система обучения будет отлажена, то можно легко доучивать ее на новом обучающем материале, отражающем новые условия работы. Допустим, если появились другие шумы, которых не было раньше. А при этом разработка модели таких шумов и переделка всего под эту новую модель может занять недели и месяцы работы.

[uni]

Да, я рассуждаю с некоторых позиций "не достойных" настоящего инженера-исследователя, делающего упор на получение полной и адекватной картины происходящего.

Что касается недоучившегося студента и профанации, то вы неявно пользуетесь психологическими теориями из теории споров, где одним из способов подавления собеседника является именно такой: "вы -- недоучившийся студент -- но не обижайтесь". Мне, конечно, плоско-параллельно, что вы там обо мне думаете и как будете мои системы эксплуатировать. Во-первых, я всё-таки дипломированный радио-инженер (моя специальность, всё-таки радиотехника), во-вторых, вы -- не мой заказчик.

Те примеры из бывших (настоящих) государственных программ, которые, как известно (психологический приём также при спорах), неплохо оплачивались, решались поколениями учёных и инженеров и являются действительно сложными системами. Хоть к ним и применялись возможные методологии -- это не спасло от Чернобыльской аварии, от аварий ракет при запусках, от потерь спутников из-за детских ошибок по программированию.

Вы ещё не упомянули целую область науки отладки. Это пока ещё не наука, но т.к. методы программирования давно вошли в нашу практику (инженеров), то влияние ошибок мог не заметить, только не программирующий. Отлаживать программы, чтобы они не делали -- это тоже целая не теория, а эмпирические методики, которыми действуют итеративно.

Короче говоря, когда перед одним единственным исследователем стоит задача, которую он хочет осилить доступными методами, то в ход могут идти и мобильники и любые другие подручные средства. Насколько я помню, привод для чтения дискет с гибкими дисками изобрёл молодой парень (японец, кажется), собрав его самостоятельно. А потом IBM выкупила его. Линус Торвальдст написал ядро своей ОС тоже самостоятельно, "просто", как он говорил, переделав терминальную программу под операционную систему -- когда он это делал, он мыслил вполне практичными мыслями -- хоть бы сначала просто заработало.

Я уверен, что примеров изобретения каких-либо устройств сначала случайно -- полно. А потом под них "подсовывают" методологию. Вы знаете как тефлон придумали? Его не придумывали -- результат неудачного эксперимента.

Потому повторюсь, мозг человека способен решить задачу без методологической подготовки, т.е. концептуально. Это его работа, пусть потрудится. Был бы материал. Неудачные попытки исследования явления, типа ППП (палец-потолок-пол), могут сдвинуть вектор движения в правильном направлении. Нужно догадаться, почему у меня получилась мешанина. Она, кстати, изображена на предыдущей странице в виде красного графика. Там не совсем мешанина. Работу с дискретными сигналами я достаточно усвоил, чтобы знать, что сигнал с мобильника -- это далеко не хорошая выборка. Но это лучше, чем вообще ничего.

По поводу модели двигателя внутреннего сгорания и тех программ, что я упоминал. Всё же я усомнюсь, что кто-либо делал полноценную модель этого двигателя для целей вибро-диагностики. Да, я не держал программы в руках, но читал её описание и видел скриншоты в журнале "За рулём" (или каком-то похожем).

Цитата:

А уже потом делали красивую программку, в которой модель объекта сидит, там конечно нет пункта меню ("модель двигателя"), но сама модель там есть, неявно присутствует в виде частотных переходных характеристик, основные из которых следующие:

1) обороты двигателя - ведущие частоты;
2) нагрузка на валу - ведущие частоты.

Про частотные переходные характеристики тут не стоило упоминать. Тут их нет. Это конкретные гармоники, которые могут отличаться у разных двигателей и разных режимах работы одного и того же двигателя, а возможно и от точки приложении, где прикреплён датчик ускорений (это вроде бы и есть вибродатчик). Поскольку у двигателя есть циклы в работе, то очень удобно оказалось смотреть осциллограммы вибраций, т.к. они повторяются. Меняя режимы работы инженеры смотрели за изменением осциллограмм и говорили вот тут частота поменялась -- это значит работает такой вал, тут какая-то шиняга проскакивает -- это где то конкретно клинит -- капец двигателю. Двигателей много, а модель в виде просто основных частот вращения чего-то -- я не принимаю за математическую модель двигателя, т.к. априоре думается, что колен вал и поршни работают... есть куда более тонкие настройки. Вот если будет мат.модель для каждого двигателя и каждого устройства в нём, которое существенно влияет (является настраиваемым параметром двигателя) -- это я согласен принять за то, что Вы хотите преподнести как модель двигатея. Повторюсь, опять же -- считаю, что никто не описывал для процесса диагностики двигателя математическую модель двигателя на основе его конструкции в данном случае. По моему, ламерско-профанскому (психологический приём при спорах) мнению -- действовали спецы только из осциллограмм.

Одна какая-нить фирма, занимающаяся диагностикой, решила внедрить компьютерные технологии. У неё был большой парк ремонтных мастерских. Пригласила спецов и сказала -- вот вам все варианты двигателей, мастера раскажут как они "чувствуют" неисправности. Ставьте ваши датчики куда хотите и нимаёте что хотите, но что бы в такой-то срок была программа, которая помогала бы в определении неисправности. Хотя, конечно, было это всё возможно по-другому. Один спец, который ранее работал в ракетно-космической области, был уволен из такой дорогой ему сферы. Он решил применить свои знания и предложил своему знакомому, кстати, хозяину автомастерской, чуть автоматизировать определение неисправностей -- результат программа с обширными базами. Я ещё третий вариант могу предложить. Когда фирмы производители ввели новый стандарт диагностики у себя на фирмах и базы и программмы перекочевали в сервисные центры. Для этого случая стандарт должен быть общим, иначе для каждой машины будет своя программа. Фирмы любят делать что-то по-своему и как свидетельствуют другие примеры -- при выпуске одной продукции, программы для их сервиса у каждой фирмы отличаются. Это более правдоподобный вариант, но в кулибиных я тоже верю.

Все эти фантазии "на тему" мне уже и самому надоедают. Извините. Чтобы Ваши посты не были такими большими НЕ СТАВЬТЕ перевод строки между тегами цитирования и окружающим текстом. Движок форума делает это за вас и потому переводы у вас удваиваются, что выглядит жутко. Вот именно таких практических примеров (с переводом каретки) и хочет услышать любой инженер-исследователь. Не то как "космические корабли бороздят" или цитирование толмудов по теоретической радиотехнике или физике мембран. А что-то по-конкретнее -- хотя бы формулу, ссылку на модель и пр. pdf документ исследования, диссертационной работы по теме.

Мне не интересно спорить по таким вещам, т.к., по-моему, в этом случае истина не только не рождается, но даже не пытается этого делать. Как известно, нить накаливания изобретали путём полного перебора вариантов.

[G^a]

PAV и uni!

Убедили! Перегнул! Признаюсь. Да и отвлёкся, забыл, что парень пишет диссер, а не реальную НИОКР решает.

Обсуждать Ваши последние посты не буду, не хочу, ибо это разведёт офф-топ. Эмоции и обсуждение у кого круче - не в моём стиле. Давайте по существу вопроса поднятого sendspam.

На самом деле для решения этой задачи, вместо тяжёлого подхода по идентификации объекта предложенного мной ранее, можно применить ещё несколько действительно хорошо работающих. Но значительно проще по своей сути (но и с меньшей областью адекватности).

Один из них следующий. Если работать в терминах ТФП, то алгоритм примерно такой:
1) пропускаем сигнал через фильтры, которые ограничивают частотный диапазон до необходимых значений.
2) если частоты помех известны и они лежат вне ведущих информативных частот, вырезаем их. (можно вообще ничего не резать вовсе, если хорошо подобрать алгоритм классификации)
3) делаем ТФП сигнала.
4) Вычисляем квадрат модуля когерентности (КМК) нашего исследуемого сигнала с со всеми эталонами.
5) Посредством фильтра-классификатора сворачиваем КМК в точечную оценку. Если sendspam заинтересуется, есть хорошее решение по фильтру-классификатору.
6) Полученные точечные оценки прогоняем через функцию принятия решения и получаем вероятности ошибок I и II родов.
7) Принимаем решение.

Этот алгоритм несложно модернизируется и для ВП, для комплексных материнских вейвлетов существует величина аналогичная КМК. Причём усилить распознающую способность алгоритма возможно применив многовейвлетную схему. Тогда функция принятия решения будет проводить анализ в n-мерном пространстве (по числу анализирующих вейвлетов).

Ещё повысить устойчивость алгоритма возможно, если период следования капель известен, или постоянен, тогда возможно применить когерентное накопление, или когерентный анализ.
В любом случае, анализ временных параметров огибающей - это второй дополнительный канал информации. Надо на него обратить внимание.

Вот такое решение на вскидку. Пусть sendspam, если может то предоставит несколько временных рядов - можно будет попробовать в живую. Формулы не пишу - они вполне элементарные и есть в книгах.

В этом алгоритме (для случая ВП) есть три тонких места:
1) Выбор вейвлетов;
2) Фильтр классификатор;
3) Функция принятия решения.

По 1) - я советую эмпирическии по своему опыту начать с трёхвейвлетной схемы. Чтобы подобрать вейвлеты, надо увидеть сигнал. (несколько типичных рядов) Но общее правило такое. Выбирать вейвлеты необходимо таким образом, чтобы каждый из них "отвечал" сигналу на коротких, средних и длинных временных масштабах.
По 2) - решения по фильтру-классификатору есть. Можно будет обсудить далее по ходу.
По 3) - Начать можно с функции измерения расстояния в евклидовой метрике, с пороговой характеристикой, а потом подобрать и метрику и характеристику.

Алгоритм можно модифицировать. После выполнения шага 3. Выделяем АЧХ и загоняем её в нейронную сеть. (многослойный персептрон не подойдёт - опробовано.)

Другой вариант. После выполнения шага 4. Полученную КМК загоняем в нейронную сеть. (многослойный персептрон в принципе работает, но не устойчиво.)

Ещё один вариант. После выполнения шага 5. Полученную точечную оценку загоняем в нейронную сеть. Подходит многослойный персептрон. Достоинство в малом количестве нейронов во входном слое - по количеству используемых материнских вейвлетов.

Все сети обучаются на двух видах эталонов: содержащих сигнал и не содержащих сигнал - это обязательное условие.

Вот так! Без идентификации!

Или опять общие слова?

[PAV]

Нет, теперь все очень четко по-моему. Вполне реальный алгоритм работы.

Проблема еще и в том, чтобы набрать достаточное количество обучающего материала. Его должно хватить и на обучение, и на тестирование.

[G^a]

PAV писал(а):

Проблема еще и в том, чтобы набрать достаточное количество обучающего материала. Его должно хватить и на обучение, и на тестирование.

Мы в своё время опробовали следующий подход.

Сформировали исходную обучающую выборку - "чистые эталоны". Затем добавили в эталоны комбинацию следующих возмущений:
- импульсные выбросы с различной амплитудой, длительностью и положением;
- шум с различными ВВХ;
- искажение информативных составляющих сигнала (смещение положения, изменение амплитуды и т.п.).

Чистые и возмущённые эталоны разделили на две части обучающую и тестовую.

И начали обучать (естественно вначале по чистым эталонам). После каждого акта обучения следовал прогон по всем тестовым эталонам (тоже по чистым). Фиксировалось улучшение/ухудшение показаний. Когда веса и показания перестали изменяться (в пределах заданных коридоров) перешли к обучению и тестированию на возмущённых эталонах.

Как правило, при правильно выбранной стратегии, схеме и методе обучения - процесс сходился далее - качество распознавания улучшалось. Фишка в том, что мы-то точно знаем что образ в этом возмущённом эталоне либо присутствует, либо нет. Вот и заставляли (посредством перекручивания коэффициентов) классификатор и решатель напрягаться, но выдавать правильные результаты.

Как показала практика, этот подход даёт лучшие результаты при меньших трудозатратах (реальные эксперименты были дорогие), нежели просто обучение и тестирование на "чистых эталонах".

В общем-то этот подход близок к идее стохастического обучения нейронных сетей. Но sendspam я думаю следует опробовать вначале классику.

Но в любом случае обязательно обучать на выборках как содержащих образ, так и нет (на чистых помехах), иначе ошибки второго рода будут неприемлимо высокие.

sendspam!
Касаемо адаптивных вейвлетных базисов (формируемых из сигнала) посмотрите следующую статью:
В.А. Гусев, А.А. Короновский, А.Е. Храмов. Применение адаптивных вейвлетных базисов к анализу нелинейных систем с хаотической динамикой. / Письма в ЖТФ. (2003) Т.29. В.18. С.61-69.
Вот ссылка: http://www.ioffe.ru/journals/pjtf/2003/18/p61-69.pdf
Более того, может обратиться к Короновскому или Храмову - ребята контактные и на вейвлетах если уж собаку не съели, то, по крайней мере, основательно её погрызли.

И в качестве ещё одной альтернативы гляньте тезисы доклада:
http://nit7.artdesign.ru/sections/c/95-96.html,
но это так, к размышлению.

[PAV]

Да, этот подход с искусственно сгененированными эталонами интересен. Замечу только, что в принципе этот подход известен. Я слушал посвященный этому доклад по распознаванию рукописного текста, в котором рассказывалось о расширении обучающего множества путем применения определенных геометрических преобразований к имеющмся образцам написания (поворотов, сжатий и т.д.)

В случае же с распознаванием сигналов это может иметь еще такую особую пользу, что вводит в обучение определенные искажения и шумы, которые могут присутсвовать в реальной работе и к которым метод должен проявлять устойчивость.

[G^a]

PAV писал(а):

Да, этот подход с искусственно сгененированными эталонами интересен. Замечу только, что в принципе этот подход известен. Я слушал посвященный этому доклад по распознаванию рукописного текста, в котором рассказывалось о расширении обучающего множества путем применения определенных геометрических преобразований к имеющмся образцам написания (поворотов, сжатий и т.д.)

Да, но широко не применяется, ибо есть определённые сложности по выбору грамотной стратегии обучения и корректной модификации эталонов адекватной реальным ситуациям.

PAV писал(а):

В случае же с распознаванием сигналов это может иметь еще такую особую пользу, что вводит в обучение определенные искажения и шумы, которые могут присутсвовать в реальной работе и к которым метод должен проявлять устойчивость.

Всё верно! Именно по этому пути и идёт построение современных комплексных иммитационно-моделирующих стендов для систем обнаружения и классификации объектов в некоторых областях человеческой деятельности.

Но этот подход требует определённых модификаций стандартных процедур и схем обучения.

[sendspam]

Спасибо за комментарии. Извиняюсь, что не отвечал ранее.

2PAV --------------------------
В качестве метода классификации предполагается использовать расзделение пространства гиперплоскостями (один вариант). Гиперсферами (второй вариант).
Если в обучающей выборке только вектора капля, то если алгоритм выделит эту область , то все остальное пространство будет относиться к классу "не капля". На сколько я понимаю, распознавание можно будет проводить, или я не прав?
Еще вопрос: если использовать Байесовский классификатор, безусловно нужно просчитывать вероятности. А зачем вы советуете рассматривать плотность распределения в случае разделения пространства разделяющими поверхностями? И потом, зачем исключать из рассмотрения области, где мало точек? Почему бы их тоже не выделить в отдельные области и отности к определенному классу?


2uni---------------------
Вообщем, я задачу ставлю и как анализ вибраций объекта, так и звука в воздухе. Вообще, задача в ее изначальной постановке относится именно к вибрационной диагностике, поэтому пожалуйста, расскажите где можно прочитать про созданную систему вибродиагнстики для автомобиля? Про вибродиагностику вообще и применения в других областях, я уже немло читал, а вот о реально работающей автомобильной системе слышу впервые.

2G^a------------------
Спасибо за критику в области методологии. К сожалению, все предлагаемые вами вопросы я, конечно же, не решал и в моем случае это уже малореально - времени осталось мало, однако ваши вопросы показали мне что же у меня могут спросить на защите. Теперь еще нужно придумать как на них отвечать .
Заодно спасибо и за метод увеличения обучающей выборки - о таком я пока не слышал, попробую им воспользоваться. Подскажите где про него прочитать поподробнее.
А теперь я хотел бы спросить наверное глупый вопрос, но уж извините за плохую математическую и другую подготовку: что такое ТФП? Хотя бы расшифруйте термин.
Предлагаемый вами алгоритм наверное хорош, только вряд ли я им воспользуюсь (хотя, разобраться, безусловно, хотелось бы), потому как времени у меня осталось немного и переписывать половину работы не очень хочется.

Сейчас решение этой задачи идет по следующему направлению:
1. Запись сигналов
2. Предварительная обработка: фильтрация, попытки снизить шумы
3. Преобразование сигнала из временной области в частотную(ДПФ) или частотно-временную (ОПФ, ВП).
4. Создание из полученного спектра вектора для использования в системе распознавания. (В вектор могут входить не все частоты, а только наиболее информативные. Эти наиболее информативные частоты выделяются на этапе первичного исследования объекта, могут вычисляться исходя из моделей объекта и др.)
5. Обучение системы распознавания образов. Применяются методы разделяющих поверхностей.
6. Оценка получившейся системы. Процент правильной классификации, неправильной, ложного срабатывания.
7. Сокращение пространства признаков, путем отбора наиболее информативных. Используются математические методы отбора- рассчет информативности каждого признака и др..
8. Выводы

Вот примерно так. Возможно, пункт номер 7 пойдет перед 6-ым.
Что вы думаете по этому поводу?

Добавлено спустя 53 минуты 44 секунды:

Прочитал Храмова. Статья вообщем хорошая, только вообщем-то это все и раньше было известно, как они пишут, именно так я и решил поступить. Но у них ситуация попроще- они этим вэйвлетом анализируют тот же сигнал, из которого вэйвлет и вырезали, а у меня все сложнее- вэйвлет я делаю из 1 сигнала, а анализирую другие, но похожие. Поэтому у меня с результатами не все так очевидно.
Что же касается второй ссылки, то там ребята слов много красивых наговорили, а конкретики маловато..

[uni]

Про вибродиагностику. У меня были как-то знакомые, которые этим занимались практически. Я же инженер, а для инженера практика перечисленные G_а пункты встают только при действительно серьёзной задачей. На практике времени у инженера мало и некогда заниматься для небольших задач планированием эксперимента (про это тоже почитайте). Делается просто - покупаем датчик ускорений, скачиваем на него pdf из инета, там есть (должна быть) простейшая схема включения. Как правило, выход есть изменение тока или напряжения, который нужно регистрировать с помощью АЦП (аналогово-цифрового преобразователя). Если сигнал сильный, что особых проблем в разборе признаков быть не должно. Сильный - большое отношение сигнал шум. Например, амплитуда сигнала в спектре Фурье превышает уровень шумов в 3-5 раз, как минимум.
Про автомобильную вибродиагностику читал в журнале автомобильном, там было очень хорошо описано. Вообще, если Вы в курсе, сейчас порядочные авто содержат в себе модуль диагностики. Даже на ВАЗ-2110, на Газелях, да и вообще сейчас везде есть такой модуль для двигателя, который регистрирует основные параметры двигателя. Данные с этого модуля считывает бортовой компьютер. Но это не та вибродиагностика которую имел в виду я. Это просто компьютерный просмотр основных параметров двигателя, эти данные, по-моему, в любом технически оснащённом сервисе молодые ребята вам снимут и покажут.
Я же говорил о специальном более продвинутом методе, где в некоторые точки двигателя ставят датчики и с помощью специального ПО исследуют осциллограммы. Модуль встроенные не снимает осциллограммы, он держит в себе значения конкретных параметров. Найду журнал - скажу. Поищите пока сами в инете.

ТФП - теория Фурье преобразований, это моё предположение. Не совсем я бы сказал удачное сокращение. В общем там имелось в виду Фурье преобразования в общем, а ниже просто Фурье преобразование (БПФ).

[G^a]

Добречко!

sendspam писал(а):

Спасибо за критику в области методологии. К сожалению, все предлагаемые вами вопросы я, конечно же, не решал и в моем случае это уже малореально - времени осталось мало, однако ваши вопросы показали мне что же у меня могут спросить на защите. Теперь еще нужно придумать как на них отвечать .

Если будет желание, то пришлите автореферат, дам отзыв. Заодно поговорим и об ответах. Главное, чтобы у Вас грубых ошибок не было, и система работала. Остальное пишется.

sendspam писал(а):

Заодно спасибо и за метод увеличения обучающей выборки - о таком я пока не слышал, попробую им воспользоваться. Подскажите где про него прочитать поподробнее.

Во-первых, PAV ранее писал, что слушал доклад на подобную тему. Во-вторых, можно поискать в библиотеках по ключевым словам и на тему: адаптивное обучение классификаторов; искусственные эталоны для обучения систем распознавания образов; стохастическое обучение нейронных сетей. В-третьих, посмотрю есть ли доступные отчёты по НИР на данную тему. Если что, то скину Вам на почту.

sendspam писал(а):

А теперь я хотел бы спросить наверное глупый вопрос, но уж извините за плохую математическую и другую подготовку: что такое ТФП? Хотя бы расшифруйте термин.

Ваша подготовка не причём. Это наш жаргонизм: ТПФ - тригонометрическое Фурье-преобразование. Так как мы активно работаем не только с тригонометрией, но и с другими ф-циями - приходится явно указывать на тип ядра. Так что извините меня, что не расшифровал сразу.

sendspam писал(а):

Предлагаемый вами алгоритм наверное хорош, только вряд ли я им воспользуюсь (хотя, разобраться, безусловно, хотелось бы), потому как времени у меня осталось немного и переписывать половину работы не очень хочется.

Ну если диплом кандидата - это не только армия и престиж, но и желание конструктивно работать и дальше в этой области - то обязательно разберётесь.

Вы наверное в курсе, но всё же повторюсь:

sendspam писал(а):

1. Запись сигналов

Обратите внимание на то, чтобы и эталоны и идентифицируемые сигналы писались, если уж не одними и теми же системами, то с одинаковыми ЧХ и нелинейностью тракта. Иначе требуется ренормализация сигнала.

sendspam писал(а):

2. Предварительная обработка: фильтрация, попытки снизить шумы

Главное не зарежьте информативные составляющие, лучше на них пусть остаётся помеха, нежели Вы их уберёте вовсе или исказите.

sendspam писал(а):

3. Преобразование сигнала из временной области в частотную(ДПФ) или частотно-временную (ОПФ, ВП).

А при частотно-временном преобразовании по Фурье Вы используете наплывающие спектры или именно двойные частотно-временные?

sendspam писал(а):

4. Создание из полученного спектра вектора для использования в системе распознавания. (В вектор могут входить не все частоты, а только наиболее информативные. Эти наиболее информативные частоты выделяются на этапе первичного исследования объекта, могут вычисляться исходя из моделей объекта и др.)

Вполне логично на первый взгляд. Но учтите! Распознавание по частотным векторам - это фактически поиск коэффициента корреляции между АЧХ исследуемого сигнала и эталонами. Здесь могут быть вопросы по устойчивости классификации, особенно по ошибке второго рода.

sendspam писал(а):

5. Обучение системы распознавания образов. Применяются методы разделяющих поверхностей.

Именно поверхностей? Не плоскостей?

sendspam писал(а):

6. Оценка получившейся системы. Процент правильной классификации, неправильной, ложного срабатывания.

Ну здесь, чем больше адекватных и корректных критериев Вы используете, тем лучше. Только учтите, что Вам необходимо будет хотя бы показать (про док-во я молчу, а то опять нападут ), что все Ваши оценки сходятся по вероятности. Или говорить чётко: в данных условиях, на данном мн-ве сигналов, в данном пространстве сравнения, на фиксированном мн-ве эталонов обучения, только для конретного экземпляра обученной системы, и т.п. в данном духе, а то если Вы опять заявите про универсализм своей системы и её всемогущество - начнутся вопросы...

sendspam писал(а):

7. Сокращение пространства признаков, путем отбора наиболее информативных. Используются математические методы отбора- рассчет информативности каждого признака и др..

А каковы критерии информативности? И каковы функционалы для этих критериев?

sendspam писал(а):

8. Выводы

Самое приятное! Финиш первого акта пьесы.

sendspam писал(а):

Вот примерно так. Возможно, пункт номер 7 пойдет перед 6-ым.
Что вы думаете по этому поводу?

Я бы на Вашем месте пункты 4, 5, 6, 7 - пустил параллельно, в смысле взаимоувязал бы - ибо на практике один тянет другой и цикл снова повторяется, то есть идёт процесс итеративной укачки. Если это не выйдет, в связи с ограничениями по времени, то хотя бы упомяните об этом в работе. Этим Вы снимите мн-во вопросов, и всегда сможете сказать: "да, именно так я и думаю, в работе это отражено, но я сделал только одну (две, три, ...) итерацию".

sendspam писал(а):

Прочитал Храмова. Статья вообщем хорошая, только вообщем-то это все и раньше было известно, как они пишут, именно так я и решил поступить. Но у них ситуация попроще- они этим вэйвлетом анализируют тот же сигнал, из которого вэйвлет и вырезали, а у меня все сложнее- вэйвлет я делаю из 1 сигнала, а анализирую другие, но похожие.
Поэтому у меня с результатами не все так очевидно.

Правильно! А Вы вырежьте вейвлеты со всех эталонов, и проанализируйте их (образно говоря усредните) - и будет Вам счастье.

sendspam писал(а):

Что же касается второй ссылки, то там ребята слов много красивых наговорили, а конкретики маловато..

Ну так а я Вам как написал в прошлом посте касаемо этой ссылки? Но библиография Вам всё равно нужна, не так ли?

sendspam писал(а):

2uni---------------------
Вообщем, я задачу ставлю и как анализ вибраций объекта, так и звука в воздухе. Вообще, задача в ее изначальной постановке относится именно к вибрационной диагностике, поэтому пожалуйста, расскажите где можно прочитать про созданную систему вибродиагнстики для автомобиля? Про вибродиагностику вообще и применения в других областях, я уже немло читал, а вот о реально работающей автомобильной системе слышу впервые.

Значит так:
Про автомобили. Реально работающая и очень продвинутая система есть у Феррари, используют для диагностики машин Ф1 - ловят не только "правильность" момента зажигания, но и "качество" сгорания топлива.
По самолётам. Поищите в Инете технические отчёты и публикации спецов из Боинга. Очень всё хорошо и правильно. Там кстати Бендат тоже отметился.
По ракетам. Опять же Боинг, Локхид, НАСА. Бендат здесь работы по этой и близким тематикам в 70-х курировал.

Но публикуется только "наука" и общее техническое описание. Как только дело доходит до инженерии - все либо закрывается наглухо (национальная безопасность), либо просят денег (бизнес).

В России грамотных публикаций и отчётов по НИР и ОКР на эту тему в открытой печати не встречал. Только общие слова и маркетинг.

[sendspam]

2uni-------------
Буду рад, если укажете мне тот журнал, где модно прочитать про сущетсвующую систему. Что же касается системы диагностики автомобилей, которые встраиваются непосредственно в авто, то это практически ничто. Диагностика там самая тривиальная. Вибрации уж точно не рассматриваются, хотя вибродатчики используются.. для отслеживания детонации (имеется ввиду негативный процесс).

2G^a------------
1. Если дадите мне какие-нибудь свои координаты, то, конечно же, с радостью пришлю. Если не будете против, то может спрошу еще пару вопросов по сходной теме.
2. Буду рад полезной информации по вопросам Р.О и расширении обучающих выборок.
3. Все используемые сигналы записываются при абсолютно одинаковых условиях. Фильтрация используется для того, чтобы срезать частоты, которые НЕ входят в тот частотный диапазон, который может воспринимать, и следовательно, выдавать датчик (исходя из паспорта датчика). Распознавание методом деления пространства поверхностями. Я употребил теримн "поверхностями", т.к. плоскость- один из видов поверхности; также используются сферы.
В случае оконного преобразования Фурье использую перекрывающиеся (примерно в половину длины окна) окна, взвешиваются оконной функцией. На данном этапе- Ханна. А что, это меняет что-то??
4. Какие именно могут быть проблемы и вопросы с устойчивостью классификации, и откуда растут их ноги?
5. Когда вы говорите, что необходимо показать, что оценки сходятся по вероятности, вы имеете ввиду, что при увеличении обучающих выборок, ошибки 1 и 2 рода и другие параметры сходятся к определенным значениям?
6. Критерий информативности в данном случае следующий: величина, которая показывает отношение рассеяния между классами к рассеянию внутри классов, т.е она возрастает при увеличении рассеяния между классами, а также при уменьшении рассеяния внутри классов. Вычисляется через матрицы рассеяния. Рассеяние- разброс векторов относит. мат. ожидания.
7. Что же касаетя вопросов итеративной укачки системы, то я об этом думаю каждый день и пока не очень понимаю, что придумать, т.к. для формирования векторов используются 3 метода ЦОС. Для распознавания - 4 немного различающихся метода Р.О. Для сокарщения пространства признаков - тоже планируется использовать 2 метода. Получается, что число сочетаний методов достаточно высоко. Как лучше поступить? Последовательно на каждом этапе использовать все предлагающиеся методы и выбирать лучший и с ним переходить на следующий этап, или как?
8. Вообщем-то к усреднению эталонов для формирования вэйвлета я сейчас как раз и склоняюсь, или 2 вариант, как говорил ранее, к искусственной генерации этого эталона, исходя из изученных свойств эталона (фактически, то же усреднение, только не автоматическое, а человеческо-аналитическое).
За библиографию спасибо. Хотя 2 статью включать, скорее всего, не буду, несмотря на то, что она наша, МИЭМовская (я в этом инст-те учусь)
9. По автомобильной диагностике, особенно вибрационными методами я тоже публикаций не встречал, впрочем, как и реально действующих систем. Если вдруг встретите что-нибудь, пришлите пожалуйста ссылочку.