ТАБЛИЦА I О БУЧАЮЩИЕ Д АННЫЕ
IV. МЕТОДЫ АППРОКСИМАЦИИ A. Кусочно-параболическая аппроксимация
Параболическая полиномиальная регрессия для трех точек A1(x1, y1), A2(x2, y2), A3(x3, y3) имеет вид f(x) = a1 + a2x + a3x2 (см. Рис. 2).
Метод наименьших квадратов(МНК) [4] основан на минимизации суммы квадратов невязок от найденной функции f(x):
163
3 2
1
( ) min
i i
i
S y f x
. (6)Коэффициенты ai, i= 1, …, 3, можно определить с помощью решения системы уравнений для частных производных функции Sпо ai: S/ ai 0.
Рис. 2. Параболическая аппроксимация поМНК.
Коэффициенты ai, i = 1, …, 3, были вычислены в пакете Mathcad с помощью функцииregress(x,y, 2), где x
= (x1, x2, x3), y = (y1, y2, y3). Была также использована функция interp(regress(x, y,2),x,y, z), которая возвращает значение многочлена f(z) в точке z.
Для каждого сопротивления t
Rj, j = 1, …, 12 из набора Hп в наборе Hк определялись три наиболее близких к нему значенияRti,
ti1
R ,
ti 2
R , i(1,...,11)и соответствующие температуры ti, ti+1, ti+2. Используя указанный метод кусочно-параболической аппроксимации для трех последовательных точек, определялось значение температуры ( t )
f Rj в точке t
Rj. Погрешность аппроксимации в точке определяется разностью ( t ) ( t )
j j j
t R t f R
.
ТАБЛИЦАIII ВИДЫФУНКЦИЙГХСИ
№ Функция Способ выравнивания
I Линейная yaxb
II Степеннаяyaxb YX αln ,xbXY,где ln ,y α lna
III
Показательная yabxилиyaeβx, где β lnb
α β
Y x, где Ylny, α ln a, β lnb IV Гиперболическая
/
y a b x Y a bx, где Yxy V Дробно-
рациональнаяy1 / (ax b ) Y a bx, где Y1 /y VI Дробно-
рациональнаяyx/ (axb) Y a bx, где Yx y/ VII Логарифмическаяyalnxb yaXb, где Xlnx
Кроме того, былиспользованметод кусочно-линейной аппроксимации для двух соседних точек [4]с
использованием описывающих ГХ СИ функций, приведенных в Табл. III.Среди этих функций только одна является линейной (функция I), а остальные – нелинейными, приводимыми к линейным путем замены переменных.
В общем случае можно применять метод полиномиальной аппроксимации для всего набора обучающих экспериментальных данных по МНК [4]. В данной работе были использованы аппроксимирующие полиномиальные функции, имеющие порядки 3, 5 и 7.
Процедуры, реализующие поиск двух или трех ближайших точек к t
Ri, определение параметров функции ГХ СИ и вычисление погрешности аппроксимации, были запрограммированы в пакете Mathcad.
B. Интерполяционные сплайны
Интерполяционный сплайн находит аппроксимирующую функциюyφ( )x таким образом, чтобы значения функции интерполяции совпадали с экспериментальными значениямиyiφ( )xi , i = 1, …, n, где n – число обучающих пар данных (узлов интерполяции). При малом числе узлов(n6...8) для решения задачи интерполяции можно использовать интерполяционный полином. Однако при большом nинтерполяционные полиномы становятся практически непригодными [5].
Для каждого отрезка[ ,x xi i1],i = 1, …, n-1, кубический сплайн имеет вид:
2 3
φ( ) ( )
( ) ( )
2 6
i i i
i i
i i
x a b x x
c d
x x x x
, (7)гдеai, bi, ci, di – коэффициенты сплайна, однозначно определяющие функцию аппроксимации на отрезке[ ,x xi i1].
Эти параметры рассчитываются в среде Mathcad с помощью упомянутых выше функций regress и interp.
C. Искусственная нейронная сеть
Задачи аппроксимации экспериментальных данных можно решать с помощью искусственных нейронных сетей следующих типов: многослойного персептрона (MLP), сетей с радиально-базисными функциями (RBF), обобщенно-регрессионных сетей (GRNN), сетей с прямым распространением сигнала и обратным распространением ошибки (Feedforwardbackprop), каскадных сетей с прямым распространением сигнала и обратным распространением ошибки (Cascadforwardbackprop), сетей Элмана с обратным распространением ошибки (Elmanbackprop), рекуррентных нейронных сетей (Layerrecurrent), линейных сетей (Linearlayer), нелинейных авторегрессионных моделей нейронных сетей (NARX)[6]. Была исследована применимость всех этих типов сетей для градуировки терморезистора.
164
Задача аппроксимации функции для нейронной сети формулируется как задача обучения с учителем. Суть задачи состоит в следующем. Имеются значения функции в отдельных точках (узлах), система базисных функций и векторов регулируемых весовых коэффициентов. Необходимо обучить сеть, т.е. выбрать весовые коэффициенты при базисных функциях так, чтобы их комбинация давала аналогичную зависимость, которая наилучшим образом аппроксимирует множество значений функции отклика [7].
Процесс обучения сетей многослойным персептроном и сетей с радиально-базисными функциями проводились в пакете STATISTICA AutomatedNeuralNetworks [8], а применение остальных типов сетей было реализовано в NeuralNetworkToolbox системы MATLAB [9].
V.
Р
ЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВВ Табл. IV представлены результаты вычисления погрешности градуировки при различных проверочных значениях температурыtj, j = 1, …, 12 из набора Нп при применении кусочно-линейной различных функций, описывающих ГХ терморезистора. При этом, столбцы (I- VII) соответствуют функциям, приведенным в Табл.III, а столбец (VIII), соответствует полиному второго порядка при использовании метода кусочно-параболической аппроксимации. Последняя строка показывает максимальные погрешности градуировки max для каждого метода аппроксимации.
ТАБЛИЦАIV
ПОГРЕШНОСТЬГРАДУИРОВКИТЕРМОРЕЗИСТОРАПРИ ПРИМЕНЕНИИКУСОЧНО-ЛИНЕЙНОЙИКУСОЧНО-
ПАРАБОЛИЧЕСКОЙАППРОКСИМАЦИИ
tj,С Погрешность, С
I II III IV V VI VII VIII
10,14 0,69 -1,01 -0,59 -0,14 -1,85 -2,53 0,28 0,03 19,73 0,42 -0,54 -0,17 -0,33 -0,75 -1,46 0,04 -0,16 29,23 0,41 -0,34 0,02 -0,31 -0,37 -1,08 0,05 -0,13 38,29 0,26 -0,31 0,00 -0,35 -0,26 -0,85 -0,05 -0,20 47,1 0,35 -0,11 0,16 -0,18 -0,03 -0,57 0,09 -0,01 55,36 0,31 -0,06 0,17 -0,15 0,03 -0,44 0,08 0,01 63,31 0,21 -0,11 0,10 -0,21 -0,02 -0,44 0,00 -0,11 70,44 0,26 0,01 0,17 -0,07 0,09 -0,24 0,09 0,07 76,73 0,13 -0,04 0,08 -0,10 0,02 -0,21 0,02 -0,06 82,59 0,10 -0,06 0,05 -0,12 0,00 -0,21 -0,01 -0,01 88,42 0,10 -0,06 0,05 -0,12 0,01 -0,21 -0,01 -0,14 93,88 0,28 0,17 0,24 0,13 0,21 0,07 0,20 0,17
max,
С 0,69 1,01 0,59 0,35 1,85 2,53 0,28 0,20 Погрешности градуировки терморезистора при применении метода полиномиальной аппроксимации 3, 5, 7-го порядков для всех экспериментальных данных и метода кубического сплайна приведены в Табл.V.
В Табл.VI представлены результаты вычисления погрешности градуировки терморезистора при использовании нейронных сетей: многослойного персептрона(столбец1), сетей с радиально-базисными функциями (столбец 2), обобщенно-регрессионных сетей (столбец 3), сети Feedforwardbackprop (столбец 4), Elmanbackprop (5), Layerrecurrent (6), NARX (7).
ТАБЛИЦАV
ПОГРЕШНОСТЬГРАДУИРОВКИТЕРМОРЕЗИСТОРАПРИ ПРИМЕНЕНИИПОЛИНОМИАЛЬНОЙ
АППРОКСИМАЦИИРАЗЛИЧНЫХПОРЯДКОВИКУБИЧЕСКОГО СПЛАЙНА
tj, °С
Погрешность, °С
Полиномиальная аппроксимация Кубический сплайн 3 порядка 5 порядка 7 порядка
10,14 4,72 4,72 24,96 0,28
19,73 0,15 -1,14 -1,86 -0,02
29,23 -2,88 0,43 0,35 0,01
38,29 -2,38 0,41 -0,22 -0,09
47,10 -0,21 -0,26 0,08 0,05
55,36 1,63 -0,57 0,14 0,09
63,31 2,66 -0,31 -0,03 -0,06
70,44 2,85 0,28 -0,02 0,10
76,73 2,11 0,54 -0,06 -0,03
82,59 0,85 0,56 0,01 -0,01
88,42 -0,93 0,29 0,10 -0,05
93,88 -2,99 -0,24 0,20 0,12
max, С 4,72 4,72 24,96 0,28
ТАБЛИЦАVI
ПОГРЕШНОСТЬГРАДУИРОВКИТЕРМОРЕЗИСТОРАМЕТОДОМ НЕЙРОННЫХСЕТЕЙ
tj, °С Погрешность, °С
1 2 3 4 5 6 7
10,14 -0,30 12,91 3,27 4,35 0,05 0,78 -0,46 19,73 0,09 15,18 5,46 3,16 0,84 0,23 0,13 29,23 0,28 1,03 -6,66 -3,10 0,39 -0,34 0,36 38,29 -0,10 -2,11 -5,57 2,19 -0,63 -0,60 -0,05 47,10 -0,28 -2,59 -0,50 1,32 0,00 0,40 -0,19 55,36 -0,37 -1,52 -0,96 0,75 0,11 -0,09 -0,13 63,31 -0,23 8,57 1,02 0,40 0,14 -0,26 0,17 70,44 0,13 -2,16 0,22 0,13 0,38 0,18 0,58 76,73 0,29 -5,39 0,25 0,06 0,39 0,49 0,59 82,59 0,34 2,89 0,19 -0,06 0,22 0,54 0,36 88,42 0,23 -4,39 0,06 0,76 -0,19 0,07 -0,21 93,88 -0,01 4,89 -0,52 -0,37 -0,82 -0,89 -1,01
max, С 0,37 15,18 6,66 4,35 0,84 0,89 1,01
ТАБЛИЦАVII
СРАВНЕНИЕПОГРЕШНОСТИГРАДУИРОВКИПРИРАЗНЫХ МЕТОДАХАППРОКСИМАЦИИИЧИСЛАХОБУЧАЮЩИХ
ТОЧЕК Количество
обучающих точек
Максимальная погрешность, °С
1 2 3 4
13 4,72 0,2 0,28 0,37
23 0,85 0,18 0,15 0,17
Были выполнены два эксперимента при различных числах обучающих точек. Данные в Табл. II, IV, VиVI получены при 13 обучающих точках. Градуировка терморезистора при 23 обучающих точках проводилась таким же образом, как и при 13 точках. Сравнение значений максимальной погрешности градуировки при применении различных методов аппроксимации данных и различных числах обучающих точек представлено в Табл. VII. В данной таблице, столбец 1 соответствует
165
методу полиномиальной аппроксимации 5 порядка, 2 – методу кусочно-параболической аппроксимации, 3 – методу кубического сплайна, 4 – применению нейронных сетей (MLP).
VI.
О
БСУЖДЕНИЕ РЕЗУЛЬТАТОВИз Табл.IV видно, что погрешности градуировки терморезистора при применении методов кусочно- линейной аппроксимации функцийI, III, IV, VII, VIII(см.
Табл. III) меньше 1 °С. Причем, метод кусочно- параболической аппроксимации для трех последовательных точек дает наименьшую погрешность градуировки (0,2 °С).
Из анализа расчетных данных Табл. Vвидно, что при использовании метода полиномиальной аппроксимации для всех обучающих точек, если порядок полинома увеличивается, погрешности аппроксимации данных уменьшаютсявсерединедиапазона измерения, а накраях диапазона возникает большая погрешность. Метод кубического сплайна дает хорошую аппроксимацию во всех проверочныхточках с максимальной погрешностью градуировки 0,28 °С.
Сравнение результатов погрешности градуировки при использовании нейронных сетей в Табл. VIпоказывает, что сети MLP, BackpropElman и LayerRecurrent дают погрешности градуировки меньше 1 °С. Сеть MLP дает наилучшуюаппроксимациюво всех проверочныхточках с максимальной погрешностью 0,37 °С. Сеть RBFаппроксимирует наихудшим образом с максимальной погрешностью15,18 °С.
Табл. VII показывает, что при 13 обучающих точках метод кусочно-параболической аппроксимации для трех последовательных точек дает наименьшуюпогрешность (0,2 °С), метод полиномиальной аппроксимации 5-го порядка для всех обучающих точек имеет наибольшую погрешность (4.72 °С). При 23обучающих точках, погрешность градуировки для всех методов аппроксимации уменьшается. Наименьшая погрешность достигается с помощью метода кубического сплайна (0,15 °С). Приблизительно равные малые погрешности обеспечивают методы кусочно-параболической аппроксимации, кубического сплайна и нейронных сетей.
VII.
В
ЫВОДЫ ИЗАКЛЮЧЕНИЕНа основе критерия наименьших квадратов, градуировка терморезистора методом кусочно- параболической аппроксимации для трех последовательных точек дает значительно меньшую погрешность посравнениюс методамиполиномиальной аппроксимации для всех обучающих точек и кусочно- линейнойаппроксимации для двухсоседних точек.
Было установлено, что при применении одного из типов нейронных сетей (многослойного персептрона MLP), метода кусочно-параболической аппроксимации для трехпоследовательных точек и кубического сплайна достигаются малые и приблизительно одинаковые погрешности градуировки. По полученным расчетам видно, что при увеличении числа градуируемых точек, погрешности градуировки значительно уменьшаются.
Использование нейронных сетей для аппроксимации данных при градуировке исключает этап эмпирического выбора вида функции для представления ГХ, что дает дополнительные преимущества при их использовании в процессе автоматизации градуировки.
Работа выполнена в рамках проекта, поддержанного Российским научным фондом (проект № 18-19-00203).
С
ПИСОК ЛИТЕРАТУРЫ[1] РМГ 64-2003. «ГСИ. Обеспечение эффективности при управлении технологическими процессами. Методы и способы повышения точности измерений».
[2] Лячнев В.В., Сирая Т.Н., Довбета Л.И.
Фундаментальные основы метрологии. – СПб.: Элмор, 2007. – 424 с.
[3] Семенов Л.А., Сирая Т.Н. Методы построения градуировочных характеристик средств измерений. – М.:
Издательство стандартов, 1986. – 128 с.
[4] Демидович Б.П. Численные методы анализа.
Приближение функций, дифференциальные и интегральные уравнения. – М.: Лань, 2010. – 400 с.
[5] Носач В.В. Решение задач аппроксимации с помощью персональных компьютеров. – М.: МИКАП, 1994.
– 332 с.
[6] Hastie T., Tibshirani R., Friedman J. The elements of Statistical Learning. Data Mining, Inference, and Prediction. – New York: Springer-Verlag, 2009. – 745 p.
[7] Филатова Т.В. Применение нейронных сетей для аппроксимации данных // Вестник Томского государственного университета, 2004. № 284. С. 121-125.
[8] Боровиков В.П. Нейронные сети.
StatisticaNeuralNetworks. Методология и технологии современного анализа данных. – М.: Горячая Линия – Телеком, 2008. – 392 с.
[9] Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. – СПб.:
Питер, 2001. – 480 с.
Хо Минь Дай, 1991 г.р., аспирант отделения автоматизации и робототехники (ОАР) Инженерной школы информационных технологий и робототехники Томского политехнического университета. E-mail:
minhdai2410@gmail.com. Область научных интересов: построение градуировочной характеристики средств измерений, калибровка и поверка средств измерений.
Муравьев Сергей Васильевич, 1954 г.р., д-р техн. наук, профессор отделения автоматизации и робототехники Инженерной школы информационных технологий и робототехники Томского политехнического университета. E- mail: muravyov@tpu.ru. Область научных интересов: теория измерений, агрегирование предпочтений алгоритмы комплексирования данных мультисенсоров, измерение электрических и магнитных величин.
166
Беспроводной датчик перемещения с передачей данных посредством технологии радиочастотной
идентификации
С.Ю. Дудников, А.А. Ухов, С.В. Шаповалов, И. Стеблевска, Student Member, IEEE, Р.В. Ли, Санкт-Петербургский Государственный Электротехнический Университет «ЛЭТИ»,
Санкт-Петербург, Россия
Аннотация – Разработан беспроводной датчик перемещения с передачей данных на основе технологии радиочастотной идентификации, предназначенный для охраны стационарных объектов. Конструкция разработанного устройства позволяет обеспечить непрерывное автономное функционирование датчика до 12 лет на одном комплекте батарей. Представлены описание и обоснование конструкции устройства, расчѐты его срока службы.
Ключевые слова – Радиочастотная идентификация, датчик, низкое энергопотребление.
I.
В
ВЕДЕНИЕнедрение RFID-технологий для сбора информации о ценных объектах, их отслеживания и сохранения в музеях началось более 15 лет назад по всему миру [1, 2].
Мониторинг культурных ценностей и произведений искусства с точки зрения безопасности и охраны можно условно разделить на два сценария. Во-первых, это мониторинг во время транспортировки объектов (контроль движущихся объектов), во-вторых, это мониторинг состояния материальных ценностей при экспонировании, т.е. регистрация факта начала перемещения объекта охраны с целью предотвращения кражи и несанкционированного обращения, что может привести к порче и утере контролируемого объекта.
На рынке RFID-решений существуют различные предложения [3, 4, 5] для контроля движения и перемещения различных объектов, однако, как правило срок службы таких датчиков ограничен сроком службы источников питания и составляет 4-5 лет, а стоимость, в свою очередь, достигает как минимум 1500руб/шт.
Авторы статьи предлагают использовать беспроводные датчики перемещения, регистрирующие наличие механических колебаний, возникающих из-за тряски при перемещении охраняемого объекта, с RFID-интерфейсом для передачи данных.
Преимуществами беспроводного соединения в данном случае являются простота и скорость установки и монтажа/демонтажа датчиков, низкая стоимость развертывания системы. Также подведение проводов к охраняемому объекту вредит эстетическому восприятию экспоната, а в некоторых случаях запрещено, чего
удается избежать при использовании беспроводных каналов связи.
II.
П
ОСТАНОВКА ЗАДАЧИТиповая организация беспроводной связи подразумевает непрерывный мониторинг параметров и работу устройства в режиме приема для мгновенного отклика на входящий запрос. В активном режиме устройство потребляет до десятка миллиампер, что негативно влияет на срок автономного функционирования датчика. В свою очередь, назначение датчика не предполагает работу устройства в режиме ожидания или спящем режиме.
Таким образом, перед разработчиками стоит задача увеличения срока службы беспроводного датчика перемещения за счет минимизации его энергопотребления.
III.
Т
ЕОРИЯC. Состав беспроводного датчика перемещения Использование RFID-интерфейса для беспроводной передачи данных позволяет существенно снизить энергопотребление устройства путѐм исключения необходимости питания радиочастотной части устройства от батареи [6].
Для организации RFID-интерфейса в устройстве используется микросхема SL3S1013FTB0 фирмы NXP Semiconductor (UCODE G2iM series transponder).
Микросхема работает в диапазоне от 860 МГц до 960 МГц (UHF) и имеет память размером 640 бит. Основной особенностью этой микросхемы является возможность изменения информационного бита в сообщении, которое передаѐтся в RFID-считыватель, путѐм замыкания двух контактов микросхемы – OUT и VDD.
Используя датчик перемещения для решения задачи охраны стационарных объектов (музейные экспонаты и т.п.) важно зафиксировать сам факт перемещения.
Наличие механических колебаний, появляющихся при движении стационарного объекта, однозначно свидетельствуют о попытке его хищения. Исходя из этих соображений будет излишним использование в качестве чувствительного элемента таких датчиков как
В
978-1-5386-7054-5/18/$31.00 ©2018 IEEE
167
акселерометр и гироскоп. Наиболее рациональным решением будет использование в качестве чувствительного элемента датчика наклона и вибрации, например, такого как SQ-SEN-200. Датчик представляет собой нормально замкнутый контакт, реагирующий на перемещения датчика в любом направлении. Отслеживая уровень напряжения на одном из контактов датчика, включѐнного в измерительную цепь (верхнее плечо делителя напряжения) можно гарантированно зафиксировать факт перемещения охраняемого объекта.
Благодаря применению выше описанных RFID- микросхемы и механического датчика наклона и вибрации появляется возможность использовать вместо микроконтроллера, элемента с высокой стоимостью и энергопотреблением, дешѐвые и малопотребляющие решения, собранные на дискретных элементах для обработки выходных данных с чувствительного элемента и передачи сигнала о попытке кражи в RFID- интерфейс для его дальнейшей отправки в RFID- считыватель.
Добавление в устройство средства индикации позволяет пользователю визуально оценить работоспособность устройства. Питание устройства можно организовать от батареи или аккумулятора (например, Li-ion батареи CR14250BL).
Структурная схема разработанного датчика перемещения представлена на Рис. 1.
Рис. 1. Структурная схема беспроводного датчика перемещения.
D. Схема выделения полезного сигнала
Непосредственное подключение механического датчика угла наклона и вибрации SQ-SEN-200 к входам микросхемы RFID-интерфейса SL3S1013FTB0 не принесѐт ожидаемого результата, т.к. период сигнала, получаемого на выходе датчика лежит в диапазоне от 10 до 100 мс, а необходимая длительность удержания сигнала тревоги на входе микросхемы RFID-интерфейса должна быть не менее 30 с. Очевидно, что такой подход не в состоянии обеспечить надѐжность регистрации факта перемещения.
Для решения этой проблемы в устройство добавлена схема выделения сигнального импульса (Рис.2), предназначенная для обработки выходных данных с механического датчика наклона и вибрации, а также, при перемещении устройства, установки и удержания в течении 30 и более секунд на входе микросхемы RFID-
интерфейса логической единицы, а в состоянии покоя – логического нуля.
Рис. 2. Схема выделения полезного сигнала
Механический датчик наклона и вибрации U1 включѐн в верхнее плечо делителя напряжения R1-R2. При изменении угла наклона или возникновении вибрации охраняемого объекта датчик U1 размыкает цепь, формируя импульсную последовательность с периодом 10 – 100 мс и меняя тем самым потенциал на входе дифференцирующий цепи C1 – R5. Цепь C1-R5 выделяет фронты этих импульсов, отделяет переменную составляющую от постоянной, обеспечивая тем самым гарантированное открытие транзистора VT1 при регистрации факта перемещения.
Транзистор VT1 предназначен для разряда времязадающей цепи R6-C3, постоянная времени которой рассчитана таким образом, что после разряда конденсатора С3 через транзистор VT1, при его открытии, уровень логической единицы на обкладке конденсатора С3, присоединѐнной к затвору транзистора VT2, устанавливается примерно через 30с. Транзистор VT2 коммутирует между собой выходы микросхемы RFID-интерфейса, подключѐнной к разъѐму XP1, изменяя тем самым состояние информационного бита, сигнализирующего о перемещении объекта. Благодаря применению транзисторов с низкими токами утечки и высокоомных резисторов, ток потребления схемы не превышает 2 мкА.
Задача световой индикации в беспроводном датчике перемещения – сигнализация об исправной работе устройства. Для решения этой задачи необходимо использовать светодиод с большим значением максимальной силы излучаемого света, например, такой как GNL-3014PGC-TL (10 000 мКд).
Ток для работы светодиода выбран 1 мА (мощность 3 мВт). Для того, чтобы уменьшить интегральное потребление светодиода необходимо организовать его работу в импульсном режиме. Эффективность сигнализации об исправной работе устройства при этом не пострадает, а величину энергопотребления устройства можно уменьшить на несколько порядков. Если светодиод будет включаться на 1мс раз в 1с, то его средний ток будет равен 1 мкА (мощность 3 мкВт). Для этого в устройство добавлен симметричный мультивибратор на полевых транзисторах, генерирующий периодические колебания с периодом 1с и дифференцирующая цепочка, выделяющая фронты
[6]
[5]
[4]
[3]
[2]
[1]
168
импульсов для того, чтобы открыть транзистор, управляющий этим светодиодом на 1мс.
Внешний вид разработанного устройства представлен на Рис. 3.
Рис. 3. Внешний вид беспроводного датчика перемещения.
IV.
Р
ЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВОбщее энергопотребление разработанного устройства составляет не более 3 мкА (не более 10 мкВт).
Максимальное время работы устройства при питании датчика перемещения от Li-ion батареи CR14250BL 3В с ѐмкостью 900 мАч можно рассчитать по формуле (1)
,
(1)где, – ѐмкость батареи, – ток потребления устройства, , , – количество часов, дней месяцев соответственно.
Из формулы (1) получим, что устройство способно непрерывно функционировать без замены элемента питания приблизительно 33 года, однако, так как срок службы Li-ion батареи не превышает 12 лет, то время работы устройства также не превысит 12 лет.
V.
О
БСУЖДЕНИЕ РЕЗУЛЬТАТОВИз написанного выше очевидно, что дальнейшее снижение энергопотребления устройства не имеет смысла из-за того, что срок службы устройства ограничен сроком службы питающего элемента (батареи или аккумулятора). При использовании серебряных батареек срок службы устройства может быть увеличен до 15 лет.
Дальнейшее увеличения срока службы устройства возможно при организации питания датчика от различных устройств сбора энергии, например, таких как солнечная батарея и т.п.
VI.
В
ЫВОДЫ И ЗАКЛЮЧЕНИЕРазработанный беспроводной датчик перемещения, предназначенный для охраны стационарных объектов, таких как музейные экспонаты и т.п. при питании от Li- ion батареи ѐмкостью 900 мА/ч обеспечивает
непрерывное функционирование устройства в течении двенадцати лет, без необходимости его технического обслуживания со стороны рабочего персонала, что особенно актуально в условиях работы музеев и выставочных комплексов.
С
ПИСОК ЛИТЕРАТУРЫKinser, O. (2016). Passive Radio Frequency Identification (RFID) and Museum Collections. University of San Francisco.
Buzzi, M. and Senette, C. (2017). RFID Sensors and Artifact Tracking.
In: N. Masini and F. Soldovieri, ed., Sensing the Past. [online] Springer, pp.435-451.
Saxena, N. and Voris, J. (2010). Still and Silent: Motion Detection for Enhanced RFID Security and Privacy without Changing the Usage Model. Radio Frequency Identification: Security and Privacy Issues, pp.2-21.
Parlak, S. and Marsic, I. (2013). Detecting Object Motion Using Passive RFID: A Trauma Resuscitation Case Study. IEEE Transactions on Instrumentation and Measurement, 62(9), pp.2430-2437.
Ashwini, K. and Koushik, G. (2015). Implementation of Motion Sensors with RFID. In: National Conference on Research Advances in Communication, Computation, Electrical Science and Structures.
[online] pp.15-18. Доступно:
http://internationaljournalssrg.org/IJECE/2015/Special-
Issues/NCRACCESS-2015/Part-1/IJECE-NCRACCESS-P104.pdf [Проверено 22.04. 2018].
Вендик И.Б., Герасимов, В.А., Дудников, С.Ю., Селиванов, Л.М., Ухов, А.А. Энергоэффективный беспроводной датчик с передачей данных посредством технологии радиочастотной идентификации, Труды XIII международной научно-технической конференции актуальные проблемы электронного приборостроения АПЭП 2016, том 3,часть 2, с 137-140.
Дудников Сергей Юрьевич. Родился в 1964 году в Ленинграде. После окончания Ленинградского государственного университета работал на различных должностях в государственном Оптическом институте, ряде российских и иностранных компаний. С 2014 года работает в СПбГЭТУ (ЛЭТИ), с 2017 года занимает должность директора НИКТИ БТС СПбГЭТУ (ЛЭТИ).
Профессиональные интересы связаны с разработкой различных применений радиочастотной идентификации (RFID).
Ухов Андрей Александрович. Доктор технических наук, профессор кафедры Электронных приборов и устройств Санкт- Петербургского государственного электротехнического университета «ЛЭТИ».
Родился в 1965 году в г. Ленинграде. После
окончания Ленинградского
электротехнического института работает в СПбГЭТУ (ЛЭТИ), преподает дисциплины схемотехнического направления.
Профессиональные интересы связаны с разработкой микропроцессорной техники и спектральных приборов.
169
Шаповалов Станислав Владимирович.
Родился в 1993 году в Смоленске. После окончания Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» работает в НИКТИ БТС СПбГЭТУ (ЛЭТИ) в должности инженера.
Профессиональные интересы связаны с разработкой микропроцессорной техники и измерительных приборов.
Ивета Стеблевска. Родилась в 1991 году в Даугавпилсе, Латвия. После окончания Санкт- Петербургского государственного университета аэрокосмического приборостроения поступила в аспирантуру в СПбГЭТУ (ЛЭТИ). Работает в НИКТИ БТС СПбГЭТУ (ЛЭТИ) в должности инженера.
Профессиональные интересы связаны с разработкой беспроводных устройств.
Ли Роман Вячеславович. Родился в 1993 году в Атырау, Казахстан. После окончания Санкт- Петербургского государственного электротехнического университета «ЛЭТИ»
работает в НИКТИ БТС СПбГЭТУ (ЛЭТИ) в должности инженера. Профессиональные интересы связаны с разработкой микропроцессорной техники и беспроводных устройств.
170
Идентификация диктора по короткой фразе в условиях шума
ПетрВ.Малинин, ВикторВ. Поляков
Алтайскийгосударственныйуниверситет, Барнаул, Россия
Аннотация –В статье рассмотрена задача идентификации диктора по голосу в условиях использования коротких фраз в зашумленной внешней обстановке. Голосовая идентификация в этих условиях является актуальной практической задачей, решение которой позволяет также изучить возможности различных методов при идентификации. Короткие фразы характеризуются минимальным содержание информативных элементов (фонем). Длительность таких фраз варьируется от долей секунды до нескольких секунд, что приводит к существенным трудностям при идентификации личности по голосу. В качестве метода извлечения голосовых признаков предложено применять непрерывное вейвлет- преобразование Морлет. Приведены результаты идентификации дикторов, полученные на основе метода k- ближайших соседей, в котором в качестве признаков применены коэффициенты вейвлет-разложения. Расчеты при идентификации проводились на основе голосовых записей из базы данных "Акустические речевые сигналы для системы идентификации личности по голосовым данным". Зашумленные условия формировались путем аддитивного накладывания разного уровня шума на голосовые записи. Использовались наиболее значимые в реальных условиях типы шума: белый, речеподобный, шум улицы. Предложенный подход представляет интерес для разработкиновых систем голосовой идентификации в задачах разграничения доступа для обеспечения информационной безопасности.
Ключевые слова–идентификациядиктора, зашумленная обстановка, короткие фразы, вейвлет, k-ближайшие соседи.
I.
В
ВЕДЕНИЕСПЕШНЫЙ опыт использования биометрических технологий в различных областях показывает перспективность их дальнейшего развития. В области информационной безопасности прочное место занимают биометрические технологии, которые часто являются составляющими систем разграничения доступа. Особое место среди биометрических систем разграничения доступа занимает голосовая идентификация.
Применение голосового способа идентификации порой является единственным доступным (например, радиосвязь, телефонная и сотовая связь). На ряду с наличием явных преимуществ голосовой идентификации имеются и недостатки, от которых необходимо избавляться. Многие из недостатков остаются актуальными до сих пор, например, высокий уровень ошибок идентификации по коротким фразам, негативное воздействие внешнего шума на голосовой образ.