Передача информации (коммуникация) внутри семьи осуществляется с помощью самых разнообразных сигналов: химических, электрических, акустических, тактильных, оптических. Однако наибольшей оперативностью обладает звук. Продолжительность звуковых сигналов пчелы могут точно контролировать, причем за самые короткие интервалы времени. Звук для них чрезвычайно экономичен с энергетической точки зрения, так как легко совмещается с другими видами коммуникаций, поэтому любые изменения состояния семьи, связанные с внешними воздействиями или внутренними биологическими процессами, отражаются на характере его генерации (Е.К.Еськов,1969, 1977, 1979). В настоящей работе предлагается метод, позволяющий выделить из акустического шума (фона) пчелиной семьи устойчивые информационные признаки и провести по ним надежную идентификацию состояния зимующих пчел. Скоординированная акустическая коммуникация отдельных групп пчел, выполняющих различные функции, способствует распространению информации и обмену ею между особями, что позволяет семье существовать как единый организм. По-видимому, «способность слышать» у пчел отнюдь не ограничивается восприятием только звуковых волн сжатия, передаваемых по воздуху. Пчелы снабжены механорецепторами, способными регистрировать вибрации субстрата (Е.К.Еськов, 1972;

Barth, 1986). Рассматриваемые ниже сигналы традиционно обозначаются как звуковые, так как в их состав входит составляющая, которую может слышать человеческое ухо и может быть записана с помощью микрофона для дальнейшего изучения. Временная структура акустического шума

Суммарный акустический шум, который генерируют отдельные особи, складывается из очень многих составляющих. Их интенсивность, временная и частотная структура зависят от физиологического состояния пчел. В результате наложения собственных колебаний (микровибраций) торакса и взмахов крыльев отдельных особей с меняющейся во времени амплитудой и различными периодами, а также происходящей между ними интерференции суммарный фон и его спектр получаются нестационарными. Из них очень сложно выделить устойчивые информативные признаки, по которым можно было бы определить состояние семей. Представление акустического шума пчел в качестве стационарного квазидетерминированного процесса позволяет лишь выделить некоторые характерные частотные области. Интенсивные составляющие звукового фона семьи находятся в диапазоне 100–600 Гц. Его порождают звуки, возникающие при вентилировании улья, работе пчел по обогреву гнезда и при активизации пчел, связанной с различными возбуждениями (Е.К.Еськов,1979). Однако наличие корреляции звуков отдельных пчел с шумом семьи и нестационарность самого шума не позволяют дифференцировать физиологическое состояние пчел по частотно-амплитудно-временному признаку. Звуковые спектры зимующих семейВременная структура акустического шума имеет сложный вид, что существенно ограничивает выделение из него устойчивых информационных признаков (рис.1). Наиболее простой вид, близкий к синусоиде с меняющейся по времени амплитудой, имеют звуки отдельных вентилирующих пчел. Этот случай можно рассматривать как квазидетерминированный случайный процесс, зашумленный с помехой с математическим ожиданием, равным нулю. Поэтому флуктуации помех не будут оказывать статистическое влияние на значения оценок Фурье. В частотном спектре такого сигнала можно выделить два характерных участка с частотами 200–225 и 350–400 Гц (рис. 2, б). В других же случаях приближение к гармонической аппроксимации малоэффективно (рис. 2, а, в, г). Перспективным представляется подход структурного моделирования. Математический метод должен выявлять и классифицировать внутреннюю структуру сравнительно коротких фрагментов, несущих информацию об исследуемом акустическом процессе. В зависимости от выбранного алгоритма выделения фрагментов можно определить участки, имеющие одинаковую структуру или, наоборот, участки с резкими особенностями. Фоновые участки шума имеют одинаковую структуру и не содержат звуков отдельных пчел, то есть локальных участков с резкими и нехарактерными особенностями. Составленные таким образом фрагменты в дальнейшем используют для идентификации множества физиологических состояний семьи и позволяют определить ее коллективный и статистически однородный акустический портрет. Основная идея предлагаемого метода связана с выделением статистически однородных (наиболее сильно коррелированных) и часто повторяющихся фрагментов акустического шума, которые представляют истинный фон для данного распознаваемого физиологического состояния пчел. Предлагаемый подход к анализу акустических шумов пчел включает в себя три этапа. Этап 1. Выделение особенностей и выбор длины участков шума. Формально для нахождения длины участка разбиения требуется построить детектор, который позволяет выбрать одну из двух гипотез: H0 — выбранный участок соответствует фону (наиболее часто повторяющимся участкам с одинаковыми признаками); H1 – существует момент времени τ, такой, что исследуемый участок шума соответствует фону при t<τ и нехарактерным (маргинальным) особенностям, вызванным звуками отдельных пчел при t≥τ. В анализируемом шуме выбираем пробный интервал [tk,tk+τ], при этом tk+τ < T, где tk = kΔτ, k=0, 1, 2, 3, … . Временные интервалы τ и Δτ определяются характерными временами, наиболее важными для динамики изменения исследуемого шума. Значение Δτ соответствует интервалу между отчетами оцифрованного сигнала, определяемого по теореме Котельникова, и зависит от длины сигнала T и частоты дискретизации. Для нестационарного шума имеется набор характерных времен τ, определяемых локальной структурой исследуемого шумового процесса. Для выбранного участка шума длиной τ определяем случайную последовательность nj (j=1,... N), которая представляет собой разность значений исходных данных и их среднего арифметического. Таким образом, случайная последовательность nj представляет собой временной ряд в равноотстоящих точках хj. Далее проведем ее рекуррентное интегрирование по формуле Jj = Jj–1 + (хj – хj–1)Rj, (1) где Rj = 0,5(nj + nj–1). (2) Полученную последовательность Jj сглаживаем с помощью оптимального метода линейного сглаживания (ОМЛС) с гауссовым ядром по минимальной величине относительной ошибки (В.А. Тобоев, 2008). Такая процедура позволяет отделить относительные флуктуации от тренда*, содержащего только низкочастотные составляющие. * Здесь и ниже под трендами мы понимаем сглаженные участки временной акустической последовательности, которые определяют, по сути, усредненную функцию средних значений, отражающую поведение этой функции на больших временах. Длину участка τопт выбираем по максимальному значению обобщенной функции корреляции Пирсона (ОФКП), вычисленному между выделенными трендами для участков одинаковой длины (В.А. Тобоев, 2008). Этап 2. Кластеризация выделенных участков по статистически однородному признаку (признаковое описание). На данном этапе анализируем свойства сигнала на каждом выбранном участке. Пусть Sk – участок шума длиной τопт, соответствующий k-му фрагменту нестационарного акустического шума. Единый алгоритм обработки данных каждого отдельного участка включает в себя следующие основные пункты. Для выбранного участка шума вновь находим интегрированную последовательность и ее сглаженное среднее значение. Полученный тренд вычитаем из проинтегрированной последовательности, что позволяет определить искомую случайную последовательность распределения относительных флуктуаций Yk. У нее вновь вычисляем тренд с помощью ОЛМС, который дает горизонтальную линию, практически совпадающую с осью абсцисс. Последовательность Yk упорядочиваем по амплитудам. Когда они подчиняются условию y1k > y2k >...>yNk, упорядоченный набор величин {yik} образует последовательность ранжированных амплитуд (ПРА). Для количественного сравнения относительных флуктуаций различных участков сигнала, огибающие ПРА заменяем подгоночными функциями F(t) вида F(t)=СуммаCitαj, (3) что позволяет разделить амплитуды нестационарного сигнала yjk (j=1,... N) на некие оптимальные статистические группы (кластеры) с параметрами (Cm, αm), что соответствует редуцированному описанию рассматриваемого сигнала. В.А.ТОБОЕВ Чувашский государственный университет Источник: beejournal.ru