文摘

本文着眼于技术来简化大型多元军事传感器系统的数据分析。方法说明了使用代表从视频场景分析的原始数据。首先,使用Matlab开发模糊神经网络关系。这是最好的保真度适合数据和将被用作参考比较。数据转换为布尔值,使用布尔值决策图(BDD)技术,找到类似的输入向量和输出参数之间的关系。这将表明,布尔系统分析技术提供了戏剧性的改善时间,和小富达的损失。继续这项研究中,布尔神经网络技术(BNN)是用来消除模糊神经网络(FNN)的BDD表示数据。神经网络方法给出一个估计方法为布尔值决策图的复杂性,这可以用来预测数字电路的复杂性。神经网络模型可以用于复杂性估计超过一组的bdd来自布尔逻辑表达式。与理论结果和实验结果显示良好的相关性提供见解的复杂性。 The BNN representations can be useful as a means to FPGA implementation of the system relationships and can be used in embedded processor based multi-variate situations.

1。介绍

现代雷达系统跟踪他们的根在几个国家的努力完善现有二战前概念和理论。这是理论的高潮和系统可追溯到1860年代。发射的电磁信号简单地反映了从一个对象回到一个天线,信号的特点,确定属性,如位置、速度和方向的目标。我们把这个简单的问题,说明变量的复杂性的增长,以及相应的计算问题也在增长。

考虑一个简单的飞行时间探测器范围。静止物体,只不过是由范围 在哪里=范围;=媒介的传播速度(在空气中);=时间接收反射信号。

对于一个移动的目标,雷达系统使用多普勒效应源和观察者之间的相对运动产生频移 在哪里=观测频率;=传输频率;=在媒介传播速度;=目标相对于介质速度;=天线相对于介质的速度。

两个方程假设托管的发送和接收天线。方位角和仰角信息来了解天线波束的位置。那么,开始与两个变量作为一个简单的计算,4变量变成一个问题。我们添加移动传感器,传播媒体介质的变化,频率抖动,回声,等等,多路径变量数量的增长,迅速制服了处理器的计算问题。现代军事传感器、视频和其他multispectra影像,获取大量数据,嵌入式处理器正在迅速不知所措。结果是,嵌入式处理器不能在规定的周期内完成计算,并且不返回一个结果,或者开始丢弃数据,导致一个错误的答案。考虑到结果,许多系统找到一个“近似”答案足够的许多任务目标。在本文中,我们使用数据从这样的视频处理器和显示二元决策图(BDD)忠诚与模糊神经网络(FNN)的质量和结果,如何将神经网络模型(NNM)可以作为一个指标的现场可编程门阵列(FPGA)的复杂性。

本文描述了一个环境的快速分析、合成和嵌入式系统的优化。减少简化战略涉及结构和通过迭代算法进行针对选择最小数量的规则对于手边的问题。选择算法允许去噪模型的操纵或二元决策图来减少复杂性和保持良好的精度水平。由于这些系统的实现是相当复杂的,我们提出一个方法,整个设计流程自动化。灵活性是通过允许人工干预,实现了通过提供模块化的实现算法。

2。逻辑分析

飞行时间的扩展系统是一个典型的track-while-scan (TWS)雷达系统,得到一个离散(暂时分开)序列的检测(“点击率”)在一个给定的目标。的每个检测是有限的,通常很短,持续时间。从每个检测给定集合的属性达到提取。属性通常包括检测时间、位置和反射强度,以及各种统计时刻和其他数学特性的检测。这些雷达的目标检测通常是确定(检测和分类)感兴趣的目标和它的轨迹。成功地跟踪运动目标,知识目标通常可以大幅改善,因为重复移动目标的检测提供更大体积的信息,并允许聚合,track-based,统计数据也被使用。

如果我们这个问题扩展到多维目标识别问题,让我们考虑一个凌乱的视频图像的例子,我们需要找到和场景中的目标进行分类。图像的属性包括距离(它被称为目标距离),纵横比(称为目标方面),垂直像素(称为目标的高度绿色),区域(以像素为单位区域)覆盖的目标,目标光度(称为目标亮度),(称为黑暗区域图像黑暗的区域亮度),周围的亮度(称为周围亮度),(称为边缘像素edg分)。对象是对目标进行分类(类型)和评估的时间完成这个任务。从[复制1- - - - - -3)是一个表,表中1这样的数据,显示行。数据只用于说明目的和用于计算来说明比较全面的去噪分析与目标分类的信心我们可以使用布尔或模糊技术实现。这里不是复制去噪技术的细节(4),作为背景,简称ANFIS(简称ANFIS =适应性neurofuzzy推理系统。为部署在MatLab Sugeno模糊模型,所有输出隶属度函数单峰值和言外之意和聚合方法是固定的。暗示的方法是简单的乘法,聚合算子包括所有的单例。Sugeno方法非常适合作为添入的主管的多元线性控制器,应用不同的操作条件的动态非线性系统。Sugeno系统也适用于非线性系统建模通过插值多个线性模型在MatLab工具箱和VeriMax使用一款统计软件分析工作。架构和基础简称ANFIS学习过程(adaptive-network-based模糊推理系统)是一个模糊推理系统框架中实现自适应网络。通过使用一种混合学习过程,简称ANFIS可以构建一个基于模糊if - then规则和规定的输入输出映射输入-输出数据对。

5所示,(5,6),我们看到布尔和模糊的方法增加了语言规则作为输入向量的个数增加。去噪方法允许一个更紧凑和计算效率的表示和有助于适应计划。,没有直观的知识输入向量的行为或关系到输出,这些自适应技术反过来帮助创建整个模糊网络。

看表1对于这个示例,我们看到有9个目标类型,这几乎没有直观的输入向量之间的相关性和目标类型或时间对目标进行分类。启发式方法和专家知识(中描述7]),利用先天的知识推理和帮助集群向量和减少系统大小通过消除一些输入。

使用一款统计软件中的Verimax分析,我们计算表2(3],向量之间的相关性,发现绿色(垂直像素)的数量和面积(面积覆盖目标像素)信息(95%)有着密不可分的关系。

还有其他的推论,也可以。但是,没有一个逻辑连接,允许一个简单的决心。采用去噪简称ANFIS从MatLab工具箱函数,我们看到在表3,可以获得高达87%的信心目标分类,依靠完整的数据集。

作为一款统计软件使用的条款在哪里(8)如下。相关系数:原始输出之间的相关性和估计的输出模糊神经系统从每个方法使用数据。trm:总均方根之间的距离估计原始输出和输出通过模糊神经系统使用相同的测试数据 在哪里估计价值吗是原来的输出值。STD:标准差之间的距离原来的输出和估计的输出通过模糊神经系统使用相同的测试数据。疯了:意味着绝对的原始输出之间的距离和估计输出通过模糊神经系统使用相同的测试数据。EWI:索引值的总和值与其同样加权统计估计值乘以每个字段的潜在价值。错:出错率是 在哪里测试数据的数量,是估计的输出,是实际的输出。

这种形式我们的基线。我们现在比较分析我们可以得到如果表中的数据1被转换为布尔值。这个布尔数据提出了表4。

Verimax分析当我们使用逻辑关系来确定关联函数显示原始输出与估计的输出之间的相关性为82%。这个比较模糊神经网络分析和合理的近似的原始数据。这个可以接受的降解提供了一个机会,用二元决策图和布尔技术,减少变量的数量和简化计算问题。一般大约保存相关向量之间的相似之处。再次,绿色和区域向量有很高的相关性。因此,使用一个近似的答案的前提是比没有答案。简单的布尔值量化的原始数据,提供了一个合理的估计比完整的数据集,模糊推论。

3所示。布尔值决策图技术

上面使用的分析技术显示,合理的计算可以通过减少数据量化暗示不能使用位置数据作为基线,我们仍然达到大约82%忠诚使用布尔关联数据量化的数据。这将打开门使用布尔决定工具快速、合理的保真度和系统的分析。

让我们先从表中的数据4这是原始数据的逻辑表示。我们发现我们有8输入变量和输出向量称为搜索时间,也就是说,所需的时间正确地目标类型进行分类。所示(2,7),布尔的相关矩阵数据还显示,因为它有如此高的相邻向量之间的相关性,我们可以简单地消除绿色或区域向量,利用先验知识对于这个特定的问题,目标亮度和边分向量也可以合并在一个在某种程度上或函数。最后,距离和目标亮度也可以是或结合进一步减少矩阵。我们可以开发一个4-variable矩阵开发一套语言规则。

表5显示了这样一个减少最初的原始数据的向量表示。这是专门针对这个问题,其他问题,并使用专业知识,7我们可以使用分析技术可以减少输入向量维数。

使用布尔值决策图技术,这是表示为

从这,我们可以创建K-map(图1)以上的语言规则。

而且,我们可以重写为:

电路和系统设计复杂度的增加迅速。因此,寻求有效的算法和数据结构,我们选择,二元决策图(bdd)。这些已经被用于各种各样的应用和深入研究。布尔决定图如图2。

布尔值决策图,我们可以应用分析工具(9- - - - - -11现成的分析。这说明一个复杂的视频场景,一旦翻译成所需的属性,可以使用BDD技术分析产量快速近似数据分类问题的解决方案。研究存在12使用BDD如何生成FPGA上,在本文中,我们承认,许多研究人员已经使用BDD合成FPGA的性能优化。此外,最近的出版物(13- - - - - -16)展示了这种降阶模型创建并改变了整个开发过程过程,13,14)认为,如果一个人看着模型检测的概念作为一个约束检查的问题,那么BDD-based符号模型检测确实能够验证系统有大量的状态。这是在协议与我们的主要论点,分析抽象模型的使用这样的降阶分析将有很大的影响在减少计算负载在嵌入式处理器。的作者(15,16注意,它确实可以减少(取代)的初始设置输入变量的线性组合,而这种路径(订单减少)可以减少使用光谱技术相比,或加权自相关技术,比较和近似精度退化。

4所示。算法

该算法实现上述技术在本节说明。减少了输入空间的规则数量减少,仿真结果说明该方法是可行的,简单,有效和性能指标没有明显退化。视频场景,在这个说明性的示例中,第一个转换识别分类算法所需的属性。使用模糊神经网络和简称ANFIS技术,生成一个基线回答保真度指数。然后,数据流转换为布尔值和检查发现合成富达退化是可以接受的。这个评估可以规则集或可以依靠专家先验知识来判断量化时是可以接受的。然后,使用因子和集群技术,大小的问题是首先通过结合减少或者消除输入向量,然后通过选择正交数据行,这样一套完整的结果表示。最后,使用BDD技术,画K-map图和开发一个布尔方程来解决这个问题。

的合成、优化,实现嵌入式系统是相当复杂的,我们提出一个方法,整个设计流程自动化。灵活性是通过允许人工干预,实现了通过提供模块化的实现算法。这是代表在以下流(见图3)。

假设有通过矩阵1输入变量和一个输出。(1)使用原始数据和模糊神经网络,简称ANFIS从MatLab工具箱函数,计算相关矩阵,变量之间的数据集,这种相关性是基准变量之间的相关性,可以使用之后决定减少程序的验证。(2)评审输入向量相关数据,确定哪些变量可以减少(或组合)。(3)使用迭代收敛性来减少/结合输入向量。每次验证结果数据相关合理的原始数据。(4)剩下的数据流转换为布尔值。通常该二进制表示是一套减少输入变量。(5)然后,使用因子和集群技术,大小的问题是首先通过结合减少或者消除输入向量,然后通过选择正交数据行,这样一套完整的结果表示。这可以执行基于启发式,先验或相关分析。(6)重复一款统计软件/ VeriMax分析验证结果相关性值是在可接受的范围比完全保真模糊神经网络相关的值。这一步可以自动通过规则集,或者可以包括判断,取决于信心分解算法。(7)接下来,使用BDD技术,画K-map图和开发一个布尔方程来解决这个问题。(8)创建BDD表示的逻辑关系。(9)验证图具有代表性的例子。(10)使用FPGA设计技术,BDD转换为代码。(11)系统现在可以把原始的输入数据流和产量高效解决目标分类问题。

5。分析和结论

二元决策图生成通过应用香农扩张(16)多次逻辑函数产生多值决策图。这通常是一个(非常)大型矩阵,一般由嵌入式处理器有无法解决的有限内存和有限的连续运转之前必须呈现的决定。集群分解(即。,circuit partitioning) is also possible, but, generally this leads to several smaller matrices that must be solved simultaneously and also requires a fuzzy-logic arbitration algorithm to decide on the outcome. Further, when such subcircuits have fanouts, [16),BDD节点的数量可能会增加指数从而击败订单减少算法的目的。这项研究在15)也证实了路径的数量(顺序)是一个函数的加权自相关系数,可以减少路径的数量通过构造一组命令的基向量的加权自相关价值高。这是使用自相关分析的关键发现输入向量和输出参数之间的关系,还将动态数据转换为布尔值,也就是说,一个比特的方法,创建一个降维电路和简化分析。这种技术的订单减少(线性组合输入向量)和输入资料分辨率降低(从全动态范围的数据转换成布尔数据)仍然会产生足够的质量结果。

总之,大量的输入参数会导致大量的规则计算很难处理。因此,当务之急是开发技术,可以减少输入参数的原始系统,减少系统有大约相同的行为。在本文中,我们采取了多变量从视频场景由于可用的数据流分析器和订单减少,已经创建了一个技术数字化,这样的问题可以被简化为一个布尔值问题,,这布尔问题可以解决使用知名技术为布尔值决策图。的上下文中选择本文的例子中,选择数据流从一个录像机和分析为目标的分类效率。结果表明,原8输入参数数据集87%信心全模糊神经网络分析,减少订单问题转化为一个4-variable问题,技术是能够产生一个合理准确的82%准确的解决方案。这样的降维问题可以转化为一个布尔的关系。现有研究[9- - - - - -12)展示了如何将这种关系转换为FPGA设计,这样,在这个例子中,这样的视频数据可以快速生成分析和合理准确的答案。所以虽然可以有越来越大的处理器和越来越复杂的代码,通常在许多军事应用,一个近似的答案是足够的。,这个答案可以计算使用降阶技术概述,然后使用BDD技术彻底解决。

从这项研究中,我们可能会决定最好的启发式和模糊技术,也当使用模糊或启发式方法比另一种更好。这些都是重要的优势在卫星传感器能力和计算能力是有限的,而这种近似可以提示如果需要更详细的分析。