Найти

Результаты поиска

• АНАЛИЗ УСТОЙЧИВОСТИ И ОСОБЕННОСТЕЙ ПРАКТИЧЕСКОЙ РЕАЛИЗАЦИИ ФИЛЬТРОВ ХОГЕНАУЭРА КАК РЕКУРСИВНЫХ ЦИФРОВЫХ ФИЛЬТРОВ С КОНЕЧНОЙ ИМПУЛЬСНОЙ ХАРАКТЕРИСТИКОЙ

  И.Е. Моисеенко , С. П. Тарасов , И.И. Турулин

  37-46

  2025-10-01

  Аннотация ▼

  Рассматриваются вопросы устойчивости каскадных интегратор-гребенчатых (CIC – cascade integrator-comb) фильтров, используемых в цифровой обработке сигналов, в том числе для децимации и интерполяции. Проведен краткий обзор современных публикаций, касающихся архитектурной оптимизации CIC-фильтров. Основное внимание уделено повышению устойчивости фильтров к переполнению разрядной сетки, анализу их устойчивости и методу синтеза рекурсивных
  КИХ-фильтров (фильтров с конечной импульсной характеристикой). Для лучшего понимания природы устойчивости CIC-фильтров в работе приведены математические выкладки, иллюстрирующие особенности накопления постоянной составляющей при различных конфигурациях блоков. Предложено изменение структуры CIC-фильтра, заключающееся в перестановке блоков интегратора и гребенчатого фильтра. Доказано, что такое изменение предотвращает накопление постоянной составляющей сигнала в интеграторах и, следовательно, исключает переполнение разрядной сетки вследствие накопления постоянной составляющей в интеграторе. Этот подход базируется на свойстве линейных фильтров, согласно которому изменение порядка включения не влияет на передаточную функцию. амплитудно-частотную характеристику, но в случае цифровых реализаций позволяет существенно снизить вероятность переполнения. Возможности аппаратной и программной реализации таких структур рассматриваются с точки зрения минимизации потерь точности и увеличения надежности работы систем цифровой обработки сигналов. Предложено использование целых чисел или чисел с фиксированной точкой для устранения накопления ошибок квантования. Кроме того, была разработана программа на языке Python, реализующая CIC-фильтр с учетом устойчивости к постоянной составляющей во входном сигнале и точным выполнением операций. Полученные результаты сопоставлены с современными подходами, представленными в научных исследованиях последних лет. Предложенные решения могут быть полезны при разработке цифровых фильтров для систем с ограниченными вычислительными ресурсами и повышенными требованиями к стабильности.

• РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ ПРОГНОЗИРОВАНИЯ ПОЖАРООПАСНЫХ СИТУАЦИЙ

  Сингх Санни, А.В. Прибыльский , Е.Ю. Косенко

  2025-01-30

  Аннотация ▼

  Раннее обнаружение пожароопасных ситуаций является критически важным аспектом
  обеспечения безопасности, так как позволяет минимизировать риск материальных и человеческих
  потерь. Заблаговременное выявление угроз способствует сохранению материальных ценностей,
  уменьшению времени на их восстановление и, что важнее, спасению человеческих жизней. В связи
  с этим, предлагается новый подход к прогнозированию пожароопасных ситуаций: алгоритм обу-
  чения модели прогнозирования пожароопасных ситуаций, а также алгоритм прогнозирования
  пожароопасных ситуация, которые разрабатываются на моделях машинного обучения таких как
  рекуррентные нейронные сети, случайный лес, оптимизационные деревья, авторегрессионные
  нейронные сети и т.д. В исследовании предлагается рассмотреть алгоритмы прогнозирования
  пожароопасных ситуаций, разработанных на основе анализа существующих алгоритмов прогно-
  зирования, включая методы на основе машинного обучения, статистические модели и симуляци-
  онные подходы, учитывая их преимущества и недостатки, показатели точности. Результаты
  исследования разработанных алгоритмов показывают, что они способны с точностью 93.33%
  предсказывать значение температуры снаружи датчика на основе тестовых данных с комплекса
  взаимосвязанных пожарных датчиков, с ошибками MAE = 1.72, MSE = 2.95 в нештатном режиме
  на тестовых данных, и с точностью 92.85% температура внутри датчика, ошибки MAE = 1.66,
  MSE = 2.75. Точность на тестовых данных в штатном режиме для температуры снаружи со-
  ставили 96.27%, ошибки MAE = 1.22, MSE = 1.48, а точность прогнозирования температуры
  внутри составила 96.16%, ошибки MAE = 1.24, MSE = 1.53. Для тестовой выборки в 500 000 от-
  счетов, ошибки спрогнозированной температуры снаружи составили: MAE = 1.82, а MSE = 3.31,
  а точность составили 91.78%. Ошибки спрогнозированной температуры внутри (temp2_inside)
  составили: MAE = 1.89, а MSE = 3.57, а точность составили 91.35%.