Фильтрация сигнала в нечетком фильтре на основе метода отношения площадей

Цель исследования. Цифровая фильтрация сигнала позволяет в режиме реального времени сглаживать шумы, возникающие в электронных устройствах. В настоящее время существует множество различных цифровых фильтров, отличающихся быстродействием, затратами вычислительных мощностей, алгоритмами и ограничениями по условиям использования. Одним из таких фильтров является фильтр Калмана, однако настройка коэффициентов усиления данного фильтра весьма усложнена процессом дополнительных экспериментов и сбором статистической информации. Поэтому в данной работе авторы рассматривают упрощённый алгоритм нахождения коэффициентов регулирования нечеткого цифрового фильтра с дефаззификатом на основе метода отношения площадей и исследуют влияние параметров метода отношения площадей на фильтрацию сигнала, тем самым достигая цель – повышение точности работы нечеткого цифрового фильтра.
Методы. Для алгоритма нахождения коэффициентов регулирования цифрового фильтра использовался аппарат нечеткой логики. Коэффициенты регулирования определяются с помощью дефаззификатора на основе метода отношения площадей.
Результаты. В ходе экспериментальных исследований проводился расчет среднеквадратической ошибки RMSE для нечеткого цифрового фильтра с использованием метода отношения площадей, метода центра тяжести и фильтра Калмана. На основании полученных результатов был сделан вывод о том, что у нечеткого фильтра на основе метода отношения площадей RMSE в 5,43 раза меньше чем для фильтра Калмана и в 2,77 раза меньше чем для дефаззификатора на основе метода центра тяжести. Полученные результаты доказывают эффективность использования нечеткого цифрового фильтра с методом отношения площадей.
Заключение. В данной статье рассмотрен алгоритм работы нечеткого цифрового фильтра, проведено моделирование нечеткого цифрового фильтра и фильтра Калмана в системе Simulink, рассчитаны значения RMSE для нечеткого цифрового фильтра с методом отношения площадей и методом центра тяжести, а так же фильтра Калмана.

1. Практическое руководство по цифровой обработке сигналов: цифровые фильтры и обработка ЭКГ сигналов / С.Н. Торгаев, И.А. Лежнина, И.Д. Шульга, Е.А. Юрченко, М.В. Тригуб. Томск. 2020. 112 с.

2. Du G., Zhang P., Novel A. Human–Manipulators Interface Using Hybrid Sensors With Kalman Filter and Particle Filter // Robotics and Computer-IntegratedManufacturing, 2016. №38. P. 93-101.

3. Arc Length Stable Method of GTAW Based on Adaptive Kalman Filter / H. Wanga, T. Lei, Y. Ronga, W. Shaoa, Y. Huang // Journal of Manufacturing Processes. 2020. P. 1-9. (In Press). https://doi.org/10.1016/j.jmapro.2020.01.029.

4. Амосов О.С. Фильтрация марковских последовательностей на основе байесовского, нейросетевого подходов и систем нечеткой логики при обработке навигационной информации // Известия РАН. Теория и системы управления, 2004. № 4. С. 61–69.

5. Елисеев А.В., Музыченко Н.Ю. Метод адаптивной настройки фильтра Калмана в задаче слежения за динамическим объектом с неизвестным ускорением // Радиотехника. 2014. №8 С. 39-44.

6. Yanga Q., SunbL., A fuzzy Сomplementary Kalman Filter Based on Visual and IMU Data for UAV landing // Optik. 2018. №173. P. 279-291.

7. Ngatini, Apriliani E., Nurhadi H. Ensemble and Fuzzy Kalman Filter for Position Estimation of an Autonomous Underwater Vehicle Based on Dynamical System of AUV Motion // Expert Systems With Applications. 2017. №68. P. 29-35.

8. Бобырь М.В., Лунева М.Ю., Ноливос К.С.А. Нечеткий цифровой фильтр для управления роботом-манипулятором ARMino // Мехатроника, автоматизация, управление. 2019. Т. 40. №4. C. 244 – 250.

9. Бобырь М.В., Лунева М.Ю., Ноливос К.С.А. Алгоритм функционирования робота-манипулятора // Промышленные АСУ и контроллеры. 2018. №7. С. 34-40.

10. Исследование устройства нечеткого цифрового фильтра для робота-манипулятора / М.В. Бобырь, Н.А. Милостная, В.А. Булатников, М.Ю. Лунева // Известия Юго-Западного государственного университета. 2020; 24(1): 115-129. https://doi.org/10.21869/2223-1560-2020-24-1-115-129.

11. Титов В.С., Бобырь М.В., Анциферов А.В. Алгоритм высокоскоростной обработки деталей на основе нечеткой логики // Мехатроника, автоматизация, управление. 2012. №6. С. 21-26.

12. Титов В.С., Бобырь М.В., Милостная Н.А. АСУ прогнозированием точностей обработки деталей // Автоматизация в промышленности. 2008. №4. С. 3-4.

13. Титов В.С., Бобырь М.В., Анциферов А.В. Адаптивный мультисетевой алгоритм нечетко-логического вывода в задачах управления оборудованием с ЧПУ // Мехатроника, автоматизация, управление. 2013. №5. С. 18-23.

14. Бобырь М.В., Титов В.С., Милостная Н.А. Прогнозирование работы мехатронных систем на основе мягких нечетких баз знаний // Мехатроника, автоматизация и управление, 2014. №10. С. 8 – 14.

15. Bobyr M.V., Milostnaya N.A., Kulabuhov S.A. A method of defuzzification based on the approach of areas ratio // Applied Soft Computing. 2017. Vol. 59. P. 19-32.

16. Bobyr M.V., Yakushev A.S., Dorodnykh A.A. Fuzzy devices for cooling the cutting tool of the cnc machine implemented on FPGA // Measurement. 2020. Vol. 152. P. 107378.

17. Анализ быстродействующих дефаззификаторов в задаче управления роботомманипулятором / М.В. Бобырь, Н.А. Милостная, А.Е. Архипов, М.Ю. Лунева // Вестник компьютерных и информационных технологий. 2020. Vol.17. №4. P. 18-28.

18. Бобырь М.В., Кулабухов С.А., Милостная Н.А. Обучение нейро-нечеткой системы на основе метода разности площадей // Искусственный интеллект и принятие решений. 2016. № 4. С. 15-26.

19. Bobyr M.V., Emelyanov S.G. A nonlinear method of learning neuro-fuzzy models for dynamic control systems // Applied Soft Computing. 2020. Vol. 88. P. 106030.

20. Бобырь М.В., Архипов А.Е., Милостная Н.А. Метод расчета карты глубин на основе мягких операторов // Системы и средства информатики. 2019. Т.29. №2. С. 71-84.