НАСТРОЙКА ВЕЙВЛЕТНОГО ПОРОГА С ОГРАНИЧЕНИЕМ ПОТЕРИ ВЕРОЯТНОСТИ ОБНАРУЖЕНИЯ ОПАСНОГО ВЫБРОСА ГАЗОВ
Боковая панель статьи
Основное содержимое статьи
Аннотация
Исследована настройка мягкого вейвлетного порога в тракте обработки данных сенсорного узла при явном ограничении потери вероятности обнаружения кратковременного выброса. Порог задавался произведением универсального значения и безразмерного множителя, изменявшегося от 0 до 1,05. Расчёт выполнен для четырёхуровневого преобразования Хаара. Восстановление кусочно-гладкого сигнала длиной 512 отсчётов оценивалось по 3000 реализациям аддитивного гауссовского шума при входном отношении сигнал/шум 0 дБ. Событийные свойства проверялись методом Монте-Карло для блоков из 128 отсчётов, трёх форм импульса и вероятности ложной тревоги 0,01; для каждой точки использовано 50 000 реализаций. При множителе 0,30 выходное отношение сигнал/шум составило 7,242 дБ, а средняя доля ненулевых коэффициентов - 33,512 %. В наиболее неблагоприятном случае, соответствующем короткому импульсу при -12 дБ, вероятность обнаружения уменьшилась с 0,6877 до 0,6109. По условию допустимого снижения не более 0,08 выбран множитель 0,30; следующий уровень 0,45 нарушил ограничение. Полученная настройка предназначена для совместного проектирования шумоподавления и детектора и требует последующей проверки на натурных данных конкретного газоаналитического канала.
Downloads
Информация о статье
Выпуск
Раздел
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Условия массовой лицензии
(Для Open Journal Systems (OJS))
-
Авторское право:
Авторское право на опубликованную статью остается за автором(ами). В то же время после публикации статья распространяется на платформе OJS под лицензией Creative Commons (CC BY). -
Тип лицензии:
Данная статья распространяется под лицензией Creative Commons Attribution 4.0 International (CC BY 4.0). Это означает, что пользователи могут использовать статью на следующих условиях:- Копирование и распространение: Текст статьи или его части могут свободно распространяться.
- Цитирование и анализ: Части статьи могут использоваться для цитирования.
- Свободное использование: Статья может быть свободно использована для научных и образовательных целей.
- Указание авторства: Пользователи обязаны правильно указывать авторство и ссылаться на оригинальный источник.
-
Коммерческое использование:
Использование статьи в коммерческих целях разрешено, однако необходимо указание авторства и ссылки на источник. -
Изменение документа:
Текст или содержание статьи могут быть изменены или переработаны, при условии, что это не наносит вреда авторству. -
Ограничение ответственности:
Автор(ы) несут ответственность за точность информации, содержащейся в статье. Редакция платформы не несет ответственности за любой ущерб, возникший в результате использования данной информации. -
Обязательства при публичном использовании:
Содержание статьи должно использоваться только в соответствии с законодательными и этическими нормами. Незаконное использование строго запрещено.
Примечание:
Данные условия лицензии направлены на обеспечение прозрачности и открытости использования материалов. Принимая эти условия, вы соглашаетесь на переработку и распространение содержания статьи в соответствии с условиями лицензии Creative Commons.
Ссылка: Creative Commons Attribution 4.0 International (CC BY 4.0)
Как цитировать
Библиографические ссылки
[1] Sun, Y., & Zheng, Y. (2023). A method of gas sensor drift compensation based on intrinsic characteristics of response curve. Scientific Reports, 13, Article 11971. https://doi.org/10.1038/s41598-023-39246-8 DOI: https://doi.org/10.1038/s41598-023-39246-8
[2] Wörner, J., Eimler, J., & Pein-Hackelbusch, M. (2025). Long-term drift behavior in metal oxide gas sensor arrays: A one-year dataset from an electronic nose. Scientific Data, 12, Article 1628. https://doi.org/10.1038/s41597-025-05993-8 DOI: https://doi.org/10.1038/s41597-025-05993-8
[3] Zhou, M., Wang, S., Li, J., Wei, Z., & Shui, L. (2025). A wireless sensor network-based combustible gas detection system using PSO-DBO-optimized BP neural network. Sensors, 25(10), Article 3151. https://doi.org/10.3390/s25103151 DOI: https://doi.org/10.3390/s25103151
[4] Praveenchandar, J., Vetrithangam, D., Kaliappan, S., Karthick, M., Pegada, N. K., Patil, P. P., Rao, S. G., & Umar, S. (2022). IoT-based harmful toxic gases monitoring and fault detection on the sensor dataset using deep learning techniques. Scientific Programming, 2022, Article 7516328. https://doi.org/10.1155/2022/7516328 DOI: https://doi.org/10.1155/2022/7516328
[5] Wang, Y., Liu, J., Wang, D., Liu, X., Cao, P., & Hua, K. (2024). Noise reduction method for mine wind speed sensor data based on CEEMDAN-wavelet threshold. Scientific Reports, 14, Article 24869. https://doi.org/10.1038/s41598-024-75288-2 DOI: https://doi.org/10.1038/s41598-024-75288-2
[6] Ni, B., Song, F., Zhao, L., Fu, Z., & Huang, Y. (2024). Wavelet denoising of fiber optic monitoring signals in permafrost regions. Scientific Reports, 14, Article 9085. https://doi.org/10.1038/s41598-024-59941-4 DOI: https://doi.org/10.1038/s41598-024-59941-4
[7] Mallat, S. G. (1989). A theory for multiresolution signal decomposition: The wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7), 674–693. https://doi.org/10.1109/34.192463 DOI: https://doi.org/10.1109/34.192463
[8] Donoho, D. L., & Johnstone, I. M. (1994). Ideal spatial adaptation by wavelet shrinkage. Biometrika, 81(3), 425–455. https://doi.org/10.1093/biomet/81.3.425 DOI: https://doi.org/10.1093/biomet/81.3.425
[9] Johnstone, I. M., & Silverman, B. W. (2005). Empirical Bayes selection of wavelet thresholds. The Annals of Statistics, 33(4), 1700–1752. https://doi.org/10.1214/009053605000000345 DOI: https://doi.org/10.1214/009053605000000345
[10] Chang, S. G., Yu, B., & Vetterli, M. (2000). Adaptive wavelet thresholding for image denoising and compression. IEEE Transactions on Image Processing, 9(9), 1532–1546. https://doi.org/10.1109/83.862633 DOI: https://doi.org/10.1109/83.862633
[11] Sweldens, W. (1998). The lifting scheme: A construction of second generation wavelets. SIAM Journal on Mathematical Analysis, 29(2), 511–546. https://doi.org/10.1137/S0036141095289051 DOI: https://doi.org/10.1137/S0036141095289051
[12] Calderbank, A. R., Daubechies, I., Sweldens, W., & Yeo, B.-L. (1998). Wavelet transforms that map integers to integers. Applied and Computational Harmonic Analysis, 5(3), 332–369. https://doi.org/10.1006/acha.1997.0238 DOI: https://doi.org/10.1006/acha.1997.0238
[13] Coifman, R. R., & Wickerhauser, M. V. (1992). Entropy-based algorithms for best basis selection. IEEE Transactions on Information Theory, 38(2), 713–718. https://doi.org/10.1109/18.119732 DOI: https://doi.org/10.1109/18.119732
[14] Lavielle, M. (2005). Using penalized contrasts for the change-point problem. Signal Processing, 85(8), 1501–1510. https://doi.org/10.1016/j.sigpro.2005.01.012 DOI: https://doi.org/10.1016/j.sigpro.2005.01.012
[15] Fryzlewicz, P. (2014). Wild binary segmentation for multiple change-point detection. The Annals of Statistics, 42(6), 2243–2281. https://doi.org/10.1214/14-AOS1245 DOI: https://doi.org/10.1214/14-AOS1245
[16] Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: A survey. Computer Networks, 38(4), 393–422. https://doi.org/10.1016/S1389-1286(01)00302-4 DOI: https://doi.org/10.1016/S1389-1286(01)00302-4
[17] Hunter, G. W., Akbar, S., Bhansali, S., Daniele, M., Erb, P. D., Johnson, K., Liu, C.-C., Miller, D., Oralkan, O., Hesketh, P. J., Manickam, P., & Vander Wal, R. L. (2020). Editors’ choice—Critical review—A critical review of solid state gas sensors. Journal of The Electrochemical Society, 167(3), Article 037570. https://doi.org/10.1149/1945-7111/ab729c DOI: https://doi.org/10.1149/1945-7111/ab729c
[18] Chai, H., Zheng, Z., Liu, K., Xu, J., Wu, K., Luo, Y., Liao, H., Debliquy, M., & Zhang, C. (2022). Stability of metal oxide semiconductor gas sensors: A review. IEEE Sensors Journal, 22(6), 5470–5481. https://doi.org/10.1109/JSEN.2022.3148264 DOI: https://doi.org/10.1109/JSEN.2022.3148264
[19] El Barkani, M., Benamar, N., Talei, H., & Bagaa, M. (2024). Gas leakage detection using Tiny Machine Learning. Electronics, 13(23), Article 4768. https://doi.org/10.3390/electronics13234768 DOI: https://doi.org/10.3390/electronics13234768
[20] Yoldoshev, J. F., & Pisetskiy, Y. V. (2025). A model of decision-making based on telecommunication data in emergency monitoring systems. Muhammad al-Xorazmiy avlodlari, 3(33), 76–79.
[21] Pisetskiy, Y. V., Votinov, K. A., & Yuldoshev, J. F. (2026). Особенности промышленных беспроводных сетей управления на основе стандартов WIA и перспективы их развития. Yangi Renessansda Ilm-Fan Taraqqiyoti, 1(7), 362–368. https://phoenixpublication.net/index.php/YRIF/article/view/11350