Литература Беллман Р. Динамическое программирование М.: Иностранная литература, 1960

Литература

1. 
   Беллман Р. Динамическое программирование – М.: Иностранная литература, 1960
   
2. 
   Маркел Дж., Грей А.Х. Линейное предсказание речи – М.:Связь, 1980
   
3. 
   Чистович Л.А. Венцов А.В. Физиология Речи. Восприятие речи человеком. – Л.: Наука, 1976
   


СИСТЕМА МОНИТОРИНГА СОТОВОЙ ПОДВИЖНОЙ СВЯЗИ

Дементьев В.Е., Репин А.Н.

Ульяновский государственный технический университет

Последнее десятилетие характеризуется стремительным развитием сетей сотовой подвижной связи. Активно развиваются сотовые, транкинговые, пейджинговые сети, а также сети абонентского радиодоступа. Это вызывает острую потребность в создании методов и алгоритмов, позволяющих оперативно оптимизировать такие сети. Важной частью проблемы оптимизации являются задачи выявления «узких» мест и выработки рекомендаций по улучшению качества покрытия. Особую актуальность эти задачи приобретают при эксплуатации современных сотовых сетей, что вызвано их широчайшим распространением и необходимостью постоянной модернизации и адаптации под требования абонентов. Неотъемлемой частью задачи оптимизации сотовых сетей, является мониторинг их текущего состояния. Это обусловлено тем, что оперативное и адекватное знание состояния покрытия необходимо для выполнения правильного прогноза покрытия при поиске оптимальных параметров покрытия.

Существующие в настоящее время системы мониторинга сетей сотовой связи предназначены для измерения некоторого набора параметров, определяемых возможностями тестового терминала (Sagem OT290, Willtek 8501, Siemens TC 35, Nokia  6230, Ericsson MTU и др.) и предоставления их пользователю в виде отдельных файлов для постобработки. Такой подход определяет два общих недостатка известных систем. Первый недостаток связан с тем, что их программное обеспечение не позволяет решать задачу оптимизации сети. Обусловлено это тем, что известные аналитические модели покрытия базовых станций (БС), предназначенные для решения задач частотного планирования, не дают возможности оптимизации параметров БС через параметры NET-монитора. Устранить этот недостаток призвана аналитико-эмпирическая модель покрытия БС [1], позволяющая связать исходные параметры аналитического расчета покрытия с измеряемыми параметрами NET монитора и некоторыми результатами их постобработки (реальный хендовер, ранги «видимых» БС и др.). Второй недостаток - высокая стоимость известных систем, что для России является существенным препятствием их широкого использования. Связано это еще и с особенностями российских условий – очень большие территории, обслуживаемые операторами связи, что для обеспечения оперативного мониторинга требует большого числа одновременно работающих систем тестирования. На устранение этого недостатка направлена описанная в настоящей работе технология, предполагающая использование недорогого аппаратно-программного комплекса системы мониторинга, требующего минимального обслуживания.

Структурно программно-аппаратный комплекс состоит из центрального терминала – компьютера или множества компьютеров, объединенных локальной сетью и предназначенных для хранения и обработки собранной информации и неограниченного числа мобильных измерительных терминалов (МИТ). Структурная схема МИТа приведена на рис. 1 и содержит микроконтроллер 1, порты которого подключены к GPS приемнику 2 и энергонезависимой памяти 3. Один порт микроконтроллера через основной сотовый телефон 4 соединен с диспетчерским пунктом 5, еще один - с портом ввода-вывода мобильного измерительного терминала 6, а остальные - с портами k измерительных сотовых телефонов, объединенных в блок измерительных телефонов 7. Вход питания микроконтроллера совместно с входами питания GPS приемника, энергонезависимой памяти, основного сотового телефона и k измерительных сотовых телефонов подключены через преобразователь питания 8 к разъему бортовой сети мобильного объекта 9.



Рис. 1. Структура мобильного измерительного терминала

МИТ работает следующим образом. Перед началом работы измерительный терминал подвергается процедуре конфигурации. Для этого через порт ввода-вывода мобильного терминала 6 подключается компьютер, на котором запускается соответствующая программа конфигурации. В результате работы программы задаются параметры и режим функционирования мобильного измерительного терминала. Эти изменения сохраняются в энергонезависимой памяти 3. В процессе работы микроконтроллер 1 осуществляет с заданной периодичностью опрос GPS приемника 2, основного сотового телефона 4 и измерительных сотовых телефонов блока измерительных телефонов 7. Периодичность, вид измеряемых параметров сети сотовой подвижной связи определяется в процессе конфигурации мобильного измерительного терминала. Измеренные мобильным измерительным терминалом параметры сохраняются в энергонезависимой памяти 3. Таким образом, производится измерение координат и параметров поля покрытия (k+1) оператора сотовой подвижной связи, поскольку основной сотовый телефон, как и измерительные сотовые телефоны, выполняет функции измерения тех же параметров.

В настоящее время МИТ позволяет выполнять измерения

- Параметров доступных базовых станций

- Качества и уровня сигнала (на стороне базовой станции и приемника)

- Количества битовых ошибок на всех (в том числе сигнальных) уровнях GSM.

- Интерференции (С/I и C/A)

- Параметров GPRS (в том числе измерение мгновенной фактической скорости)

- Качества передаваемой речи (в соответствии со стандартом P.862 [3])

Достоинством комплекса является то, что в его состав входят только выпускаемые промышленностью радиоэлектронные элементы. Например, может быть использован микроконтроллер фирмы Atmel - AVR ATMEGA128, GPS приемник типа Lasen LP GPS, энергонезависимая память Multi Media Card, порт микроконтроллера - микросхема MAX232. В качестве основного и измерительных сотовых телефонов могут быть применены, например, телефоны Wavecom, диспетчерский пункт может быть выполнен на базе компьютера Pentium 4.

Проведенные эксперименты показывают, что объем информации, поступающий от одного МИТ в среднем составляет порядка 40-45 Кб в минуту (200-250 уникальных измерений). Понятно, что накопление всего объема информации с большого числа мобильных терминалах в одной базе данных приведет к значительным проблемам в обработке этих данных через определенный промежуток времени (на практике 2-3 недели). Приемлемым решением в этой ситуации является разделение всех измерений на разные массивы данных, каждый из которых сохраняется и обрабатывается в своей базе данных. Например, не имеет смысла хранить в одной базе данных наблюдения, измеренные в разных городах. В то же время SQL сервер принципиально позволяет вести совместную обработку данных из разных баз данных. Поэтому потоки данных в упрощенном виде можно представить в виде, представленном на рис. 2.



Рис. 2. Схема миграции/преобразования данных
При этом для лучшего быстродействия данные радиоэлектронной обстановки (параметры базовых станций, помех и т.п.), а также геоинформационные данные (векторная карта территории, застройка, рельеф и т.д.) также хранятся в тех же базах данных, что и измерения. Несмотря на значительное сокращение объемов информационных баз данных при описанном подходе, существует ряд задач, при решении которых возникают проблемы нехватки быстродействия. К таким задачам можно отнести, например, задачу построения отчетов, когда требуется произвести многократные вычисления над большими объемами данных, или задачу слежения за многими мобильными терминалами в режиме «реального времени», когда требуется за ограниченной промежуток времени (1-2 сек.) выявлять наличие в базе данных новых измерений. Для решения таких задач предлагается производить многократную буферизацию всех данных, когда часть данных (например, необходимых для построения отчетов), копируются во временные таблицы, которые в дальнейшем и подвергаются обработке. В целом исследования показывают, что описанные мероприятия позволяют на обычном компьютере эффективно хранить и обрабатывать объем данных, равный 140-200 млн. измерений, что эквивалентно 3-4 месяцев постоянной работы 15-20 мобильных терминалов. Для больших объемов информации целесообразно производить разделение баз данных или увеличивать вычислительные ресурсы сервера.

В целом комплекс даст возможность оперативного автоматизированного мониторинга сетей сотовой подвижной связи на больших территориях при минимальных себестоимости и затратах на персонал.

Работа выполнена при поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере (проект № 5422р/7966)

Литература

1. Dement’ev V. E., Minkina G. L. Usage of Image Processing Methods for Description and Optimization of Cellular Mobile Communications Networks // 8-th International Conference «Pattern Recognition and Image Analysis: New Information Technologies» (PRIA-8-2007): Conference Proceeding. Vol. 2. Yoshkar-Ola, 2007. Pp. 241-245.

2. Дементьев В.Е., Елягин С.В., Ефимов В.Б., Ташлинский А.Г. Мобильный измерительный терминал сетей сотовой подвижной связи / патент на полезную модель № 53333, зарегистрирован 27.07.2007, приоритет от 24.04.2006.

3. http://www.itu.int/rec/T-REC-P.862/en.
CELLULAR MOBILE COMMUNICATION MONITORING SYSTEM

Dementev V., Repin A.

Ulianovsk State Technical University

Last decade is characterized by impetuous development of cellular mobile communication networks. Cellular, trunking, paging as well as customer radio access networks are swiftly developing. It excites a pointed requirement to create approaches and algorithms which allows optimizing such networks on-the-fly. The problems of detection of «bottlenecks» and guidelines making for covering quality enhancement are significant part of optimization problem. These problems become particular topical during the exploitation of up-to-date cellular networks that it is causes of their widest distribution and regular improvement and request-in adaptation necessity. The monitoring of the cellular networks current status is an integral part of the optimization problems. It is conditioned by that which the prompt and appropriate covering state knowledge is necessary for carrying out the correct covering prediction during the searching of the covering optimal parameters.

In this paper the technique which allows at the expense of using inexpensive hardware and software monitoring system suite as well as implemented afterwork of received data procedures obtaining an objective and prompt information about the covering state of the given cellular communication network is proposed. Functionally the measuring suite isn’t worse by the inherent features (measuring parameters) than known foreign ones. It is the most important suite advantage that the industry produced radioelements are included in it. This fact allows reducing the product cost price to the values smaller than the cost price of market known ones in dozens of times. The cheapness and device simplicity allows to perform on-line network state monitoring by the aggregate of the mobile measuring terminal while full-blown data afterwork and storage system allows its analysis, network state prediction construction and network optimization as the final result.

On the whole the suite will allow prompt automatized cellular mobile communication network monitoring over a wide areas with minimal price and staff costs.



Оценка возможности использования алгоритма кодирования аудио волны для формирования признаков аудио сигнала

Жарких А.А., Павлов И.А.

Мурманский государственный технический университет

Введение. Цель работы – количественная оценка изменений в аудио сигнале после использования алгоритма кодирования аудио волны (АКАВ).

В работах [4, 7] был предложен алгоритм кодирования речевой волны (АКРВ). Авторы алгоритма утверждали, что восстановленный после кодирования речевой сигнал имеет приемлемую разборчивость при прослушивании. Мы использовали данный алгоритм в системе распознавания изолированных слов русского языка для формирования признаков. Тестирование различных вариантов алгоритма показало изменение разборчивости анализируемого сигнала в широком диапазоне. Результаты распознавания кодированных фрагментов давали также различную точность распознавания. Эти результаты потребовали от нас более тщательного математического анализа АКРВ. В силу того, что мы стали применять этот алгоритм к различным аудио сигналам, мы перешли от авторского названия алгоритма кодирования речевой волны к АКАВ.

В данной работе коротко излагаются алгоритмы кодирования аудио сигнала и обратного восстановления на основе АКАВ. После этого описывается алгоритм распознавания [3, 5, 8] основанный на параметрах кода аудио волны. Далее приведены результаты сравнения аудио сигналов с аудио сигналами преобразованными алгоритмами кодирования и восстановления на основе АКАВ. Сравнение проводится во временной и спектральной области.

Формирование информативных признаков на основе АКАВ. Под признаком понимается некий параметр исходного сигнала, отражающий свойство, важное для распознавания. Выделять информативные признаки аудио сигнала можно как во временной, так и в частотной области. Для получения признаков, описывающих аудио волну, применялся алгоритм кодирования аудио волны (АКАВ), использующий временное представление аудио сигнала. АКАВ осуществляет поиск глобальных экстремумов на интервалах постоянного знака аудио волны. Исходной информацией для алгоритма является массив дискретных значений аудио сигнала и количество отсчетов L в этом массиве. На выходе алгоритм формирует два результирующих вектора: вектор модулей ординат глобальных экстремумов , где на j-ом интервале постоянного знака аудио волны; вектор разностей абсцисс соседних глобальных экстремумов , где (величины выражаются в количестве шагов дискретизации кодируемого аудио сигнала). Совокупность двух указанных векторов является компактным описанием аудио волны, которая может быть восстановлена по правилу [7]: _(1), где . Таким образом, для каждого аудио сигнала получается вектор информативных признаков: , состоящий из 2J компонент. Эти признаки в дальнейшем используются при распознавании сигналов. АКАВ применялся совместно с низкочастотной Фурье-фильтрацией [1], что позволило гибко управлять размером вектора информативных признаков.

Алгоритм распознавания аудио сигнала на основе АКАВ признаков. Для распознавания аудио сигналов использовался метод сравнения с эталонами с последующим нахождением степени сходства с эталонами. Степень сходства между аудио записями и эталонами рассчитывалась на основе алгоритма динамического программирования [6].

На вход алгоритма подавались входной и эталонный векторы информативных признаков:, . Алгоритм дает возможность найти функции и , позволяющие для любого элемента входного вектора признаков найти соответствующий ему элемент эталонного вектора признаков. На основе данного алгоритма определялась степень сходства входного и эталонного векторов признаков.

Степень сходства между парами и рассчитывалась по формуле: (2), где ; - весовые коэффициенты, .

Алгоритм распознавания показал различную степень правильного распознавания изолированных слов русского текста. Если использовались дополнительные фильтры, то степень распознавания изменялась от 50 до 97 процентов. При кодировании АКАВ как правило разборчивость аудио сигнала ухудшалась. Однако прямой корреляции между ухудшением качества распознавания и ухудшением разборчивости при прослушивании не наблюдалось. То есть были варианты приемлемые при прослушивании и хорошие по распознаванию, но были и варианты плохие при прослушивании и хорошие при распознавании. Это и привело авторов к необходимости тщательного математического анализа результатов применения АКАВ.

Сравнение исходного сигнала и восстановленного после АКАВ. Для различных вариантов аудио сигналов были проведены сравнения исходных записей с записями, восстановленными после АКАВ. Сравнения проводились во временной и в частотной областях. Рассматривались три варианта образцов: фрагменты записей речевых сигналов фиксированного говорящего, фрагменты записей классической музыки, фрагменты записей современной музыки. Для визуализации амплитудных спектров было использовано нелинейное преобразование на основе гиперболического тангенса: (3), где , - количество отсчетов в спектре, - значение отчета амплитудного спектра исходного сигнала, - значение отчета амплитудного спектра исходного сигнала после преобразования, - параметр для управления визуализацией.

Подобное преобразование было апробировано при визуализации амплитудных спектров изображений букв рукописного текста [2]. Положительный опыт использования такого нелинейного преобразования для выделения различных деталей спектра изображения подтвердился и при анализе спектров аудио сигналов. Изменение параметра позволяет визуально выделить сходства и отличия между спектрами. Несколько характерных примеров визуализации амплитудных спектров приведены на рис.1-3. На всех рисунках: график (а) – исходный сигнал, график (б) – амплитудный спектр исходного сигнала, график (в) – амплитудный спектр сигнала восстановленного после АКАВ, график (г) – амплитудный спектр разности исходного сигнала и восстановленного после АКАВ. На графиках исходных сигналов по оси абсцисс отложено время, а по оси ординат – амплитуда волны. На графиках спектров по оси абсцисс отложена частота спектральных составляющих, а по оси ординат – значения амплитуд этих спектральных составляющих.

Рис.1. Фрагмент речевого сигнала, соответствующий слову «восемь», произнесенному одним из авторов ()

Рис.2. Фрагмент классической музыки, соответствующий музыкальному произведению «Менуэт», композитор Вольфганг Амадей Моцарт ()

Рис.3. Фрагмент современной музыки, соответствующий песне What Is Love музыканта Haddaway()

Кроме этого проводились следующие оценки, которые осуществлялись на основе метрики L₂: - нормированное расстояние между исходным и восстановленным после АКАВ сигналом: (4), где , - количество временных отсчетов, - значение отчета исходного сигнала, - значение отчета сигнала восстановленного после АКАВ. Аналогичным образом рассчитывались и .

- коэффициент корреляции во временной области между исходным и восстановленным после АКАВ сигналом: (5), где .

- коэффициент корреляции в частотной области между исходным и восстановленным после АКАВ сигналом: (6).