Алгоритми розпізнавання аномалій у сигналах з використанням Python та нейромереж
Тип публікації :
Бакалаврська робота
Дата випуску :
2025
Автор(и) :
Солнцев, Арсеній Богданович
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Солнцев, А. Б. (2025). Алгоритми розпізнавання аномалій у сигналах з використанням Python та нейромереж [Бакалаврська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/7097
[ДСТУ] Солнцев А. Б. Алгоритми розпізнавання аномалій у сигналах з використанням Python та нейромереж : кваліфікаційна робота бакалавра : 172 Електронні комунікації та радіотехніка / наук. кер. Г. Б. Жиров. Київ, 2025. 30 с. URL: https://ir.library.knu.ua/handle/15071834/7097 (дата звернення: 25.07.2026).
Об’єкт розроблення – модель нейромережі для виявлення аномалій у сигналі.
Мета роботи – розробка нескладної моделі нейромережі для виявлення аномалій у сигналі.
У роботі побудовано повний програмний цикл обробки сигналу, що включає попередню обробку FM-сигналу, обчислення миттєвої частоти, віконування сигналу, формування міток, навчання згорткового автоенкодера та реконструкцію очищеного сигналу. Також увагу приділено застосуванню швидкого перетворення Фур’є (FFT) для аналізу спектра сигналів до та після обробки.
Для забезпечення точного виявлення відхилень використано віконування по миттєвій частоті з фіксованим кроком та віконним розміром, що дало змогу формувати навчальні дані з високою часовою точністю. Мітки будувалися на основі положення аномалії в сигналі.
Навчена нейронна мережа дозволяє ефективно розпізнавати відхилення у частотному просторі та реконструювати "здоровий" сигнал, що підтверджено спектральним аналізом та візуалізацією результатів. Виявлено значне зниження амплітудності сплесків у спектрі після відновлення сигналу, що свідчить про успішне приглушення аномалій.
Розроблений підхід потенційно може застосовуватись у системах контролю якості радіосигналів, моніторингу технічного стану систем зв’язку або в задачах попередньої обробки даних перед класифікацією.
У подальшій роботі доцільно покращити модель, дослідити інші типи архітектур глибинного навчання для виявлення складніших типів аномалій, зокрема у багатоканальних сигналах чи реальному часі.
Мета роботи – розробка нескладної моделі нейромережі для виявлення аномалій у сигналі.
У роботі побудовано повний програмний цикл обробки сигналу, що включає попередню обробку FM-сигналу, обчислення миттєвої частоти, віконування сигналу, формування міток, навчання згорткового автоенкодера та реконструкцію очищеного сигналу. Також увагу приділено застосуванню швидкого перетворення Фур’є (FFT) для аналізу спектра сигналів до та після обробки.
Для забезпечення точного виявлення відхилень використано віконування по миттєвій частоті з фіксованим кроком та віконним розміром, що дало змогу формувати навчальні дані з високою часовою точністю. Мітки будувалися на основі положення аномалії в сигналі.
Навчена нейронна мережа дозволяє ефективно розпізнавати відхилення у частотному просторі та реконструювати "здоровий" сигнал, що підтверджено спектральним аналізом та візуалізацією результатів. Виявлено значне зниження амплітудності сплесків у спектрі після відновлення сигналу, що свідчить про успішне приглушення аномалій.
Розроблений підхід потенційно може застосовуватись у системах контролю якості радіосигналів, моніторингу технічного стану систем зв’язку або в задачах попередньої обробки даних перед класифікацією.
У подальшій роботі доцільно покращити модель, дослідити інші типи архітектур глибинного навчання для виявлення складніших типів аномалій, зокрема у багатоканальних сигналах чи реальному часі.
Галузі знань та спеціальності :
17 Електроніка, автоматизація та електронні комунікації::172 Електронні комунікації та радіотехніка
Галузі науки і техніки (FOS) :
Електротехніка, Електронна інженерія, Інформаційна інженерія
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
671.96 KB
Контрольна сума :
(MD5):e8c728d2eaa37804a68454e5934a97d0
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International