и величину его изменения
∆Ψ
m
= Ψ
2
m
−
Ψ
2
0
=
N
X
i
=1
−
β
2
im
x
2
m
−
2
N
X
k
=1
k
6
=
i,k
6
=
m
K
km
β
ik
β
im
+ 2
K
im
β
im
,
где
x
2
m
—
среднее значение квадрата
m
-
й компоненты входного вектора
(
m
6
=
i
)
;
K
km
,
K
im
—
элементы матрицы корреляционных
(
начальных
)
моментов
;
при этом чем больше изменение
∆Ψ
m
,
тем предпочтитель
-
нее компонента
.
Таким образом
,
для всех
m
необходимо упорядочить
по убыванию величины
∆Ψ
m
и отбрасыванием
N
−
q
последних значе
-
ний сформировать вектор информативных признаков размерностью
q
,
который в дальнейшем используется при исследовании нейросетевой
системы обнаружения сигнала
.
При использовании множественной начальной регрессии алгорит
-
мы обнаружения и распознавания соответственно имеют вид
[1]
1
2
f
B
S
0
N
X
i
=1
x
2
i
−
1
4
N
X
i
=1
Λ
ii
x
i
−
N
X
k
=1
k
6
=
i
β
ik
x
k
2
≥
γ
1
,
(2)
−
1
4
N
X
i
=1
Λ
c
ii
x
i
−
N
X
k
=1
k
6
=
i
β
c
ik
x
k
2
+
1
4
N
X
i
=1
Λ
п
ii
x
i
−
N
X
k
=1
k
6
=
i
β
п
ik
x
k
2
≥
γ
2
,
(
3
)
где
S
0
—
спектральная плотность шума в полосе
0
. . . f
B
;
γ
1
,
γ
2
—
по
-
роговые уровни в алгоритмах обнаружения и распознавания соответ
-
ственно
;
Λ
c
ii
,
Λ
п
ii
—
элементы матриц
,
обратных матрицам корреляцион
-
ных
(
начальных
)
моментов
,
для сигнала и помехи соответственно
;
β
c
ik
,
Λ
п
ii
—
коэффициенты множественной начальной регрессии для сигнала
и помехи соответственно
.
При равенстве энергий сигнала и помехи регрессионный алгоритм
распознавания можно представить в виде неравенства
[1]
−
N
X
i
=1
Λ
c
ii
x
i
−
N
X
k
=1
k
6
=
i
β
c
ik
x
k
2
+
N
X
i
=1
Λ
п
ii
x
i
−
N
X
k
=1
k
6
=
i
β
п
ik
x
k
2
≥
0
.
(4)
72 ISSN 0236-3933.
Вестник МГТУ им
.
Н
.
Э
.
Баумана
.
Сер
. “
Приборостроение
”. 2003.
№
3
