CHAPITRE 1 ANALYSE DES PROCÉDÉS ET SYSTÈMES EXISTANTS DE TRAITEMENT ET DE RECONNAISSANCE D'OBJETS DYNAMIQUES PAR SÉQUENCES D'IMAGES.

1.1 L'image comme support d'informations hétérogènes.

1.2 Classification des problèmes de reconnaissance d'images.

1.3 Classification des méthodes d'estimation de mouvement.

1.3.1 Analyse des méthodes comparatives d'évaluation du mouvement.

1.3.2 Analyse des méthodes de gradient pour l'estimation du mouvement.

1.4 Classification des groupes de caractéristiques.

1.5 Analyse des méthodes de segmentation des objets en mouvement.

1.6 Méthodes d'interprétation des événements et de détermination du genre d'une scène.

1.7 Systèmes de traitement et de reconnaissance d'objets dynamiques.

1.7.1 Systèmes matériels et logiciels commerciaux.

1.7.2 Systèmes logiciels de recherche expérimentale.

1.8 Énoncé du problème de traitement spatio-temporel de séquences d'images.

1.9 Conclusions sur le chapitre.

CHAPITRE 2 MODÈLES DE TRAITEMENT ET DE RECONNAISSANCE D'IMAGES STATIQUES ET DYNAMIQUES.

2.1 Modèle de traitement et de reconnaissance d'images statiques.

2.2 Modèle de traitement et de reconnaissance d'images dynamiques.

2.3 Théorie descriptive de la reconnaissance d'images.

2.4 Expansion de la théorie descriptive de la reconnaissance d'images.

2.5 Modèles généralisés pour la recherche de caractéristiques cibles lors du traitement et de la reconnaissance d'objets dynamiques dans des scènes complexes. IZ

2.6 Conclusions sur le chapitre.

CHAPITRE 3 TROUVER ET ÉVALUER LES SIGNES LOCAUX DE MOUVEMENT5 RÉGIONS DYNAMIQUES.119

3.1 Conditions et limites d'une méthode améliorée de traitement de séquences d'images.

3.2 Évaluation des signes locaux de mouvement.

3.2.1 Étape d'initialisation.

3.2.2 Estimation du volume de données spatiotemporelles.

3.2.3 Classification des régions dynamiques.

3.3 Méthodes de recherche des mouvements locaux des régions.

3.3.1 Recherche et suivi de points spéciaux dans la scène.

3.3.2 Estimation de mouvement basée sur le tenseur de flux 3D.

3.4 Clarification des limites des régions en mouvement.

3.5 Conclusions sur le chapitre.

CHAPITRE 4 SEGMENTATION D'OBJETS DYNAMIQUES DANS DES SCÈNES COMPLEXES.

4.1 Modèle de mouvement multi-niveaux dans des scènes complexes.

4.2 Modèles d'estimation de mouvement sur un plan.

4.3 Enquête sur les propriétés du groupe de Lie.

4.4 Isomorphismes et homomorphismes d'un groupe.

4.5 Modèle de l'histoire du mouvement des objets dans des séquences d'images.

4.6 Segmentation d'une scène complexe en objets spatiaux.

4.6.1 Pré-segmentation.

4.6.2 Segmentation.

4.6.3 Post-segmentation.

4.7 Affichage du mouvement 3D d'un point sur des séquences vidéo.

4.8 Conclusions sur le chapitre.

CHAPITRE 5 RECONNAISSANCE D'OBJETS DYNAMIQUES, D'ACTIONS ACTIVES ET D'ÉVÉNEMENTS D'UNE SCÈNE COMPLEXE.

5.1 Construction d'une grammaire contextuelle :.

5.1.1 Formation d'arbres d'analyse.

5.1.2 Analyser une séquence d'images.

5.1.3 Analyse de scène.

5.2 Construction d'un vidéogramme d'une scène complexe.

5.3 Reconnaissance dynamique des formes.

5.4 Reconnaissance des événements de scène.

5.4.1 Méthode d'identification des actions actives.

5.4.2 Construction d'un vidéographie des événements.

5.5 Reconnaissance des événements et du genre de scène.

5.5.1 Reconnaissance d'événements de scène.

5.5.2 Reconnaissance du genre de scène.

5.6 Conclusions sur le chapitre.

CHAPITRE 6 CONSTRUCTION DE SYSTÈMES DE TRAITEMENT ET DE RECONNAISSANCE DE SÉQUENCES D'IMAGES ET DE RECHERCHE EXPÉRIMENTALE.

6.1 Progiciel expérimental « ZROEYA ».

6.2 Fonctionnement des modules du système expérimental « EROEI ».

6.2.1 Module de prétraitement."

6.2.2 Module d'estimation de mouvement.

6.2.3 Module Segmentation.

6.2.4 Module de reconnaissance d'objets.

6.2.5 Module de reconnaissance des actions actives.

6.3 Résultats des études expérimentales.

6.4 Projet appliqué « Enregistrement visuel des plaques d'immatriculation nationales des véhicules lors d'un trafic multithread. »

6.5 Projet d'application « Système d'identification de modèles de caisses de réfrigérateurs à partir d'images. »

6.6 Système logiciel « Algorithmes de traitement et de segmentation des images de paysages. Identification des objets".

6.7 Conclusions sur le chapitre.

Liste recommandée de mémoires

• Reconstruction d'images basée sur l'analyse spatio-temporelle de séquences vidéo 2011, candidat des sciences techniques Damov, Mikhail Vitalievich

• Procede informatique pour localiser des visages dans des images dans des conditions d'eclairage difficiles 2011, Candidat des Sciences Techniques Pakhirka, Andrey Ivanovich

• Procédé de traitement spatio-temporel de séquences vidéo non synchronisées dans des systèmes de vision stéréo 2013, candidat des sciences techniques Pyankov, Dmitry Igorevich

• Théorie et méthodes d'analyse d'images morphologiques 2008, Docteur en Sciences Physiques et Mathématiques Vizilter, Yuri Valentinovich

• Reconnaissance de gestes dynamiques dans un système de vision par ordinateur basé sur la représentation médiale de la forme des images 2012, candidat des sciences techniques Kurakin, Alexey Vladimirovich

Introduction de la thèse (partie du résumé) sur le thème « Modèles et méthodes de reconnaissance d'images dynamiques basées sur l'analyse spatio-temporelle de séquences d'images »

Il existe une classe de tâches dans lesquelles les informations sur la structure et le mouvement des objets dans une scène complexe revêtent une importance particulière (vidéosurveillance dans des espaces clos, dans des lieux très fréquentés, contrôle du mouvement des systèmes robotiques, surveillance du mouvement des véhicules, etc. ). Les séquences d'images sont une ressource informationnelle complexe, structurée dans l'espace et dans le temps et combinant des informations initiales sous forme de signaux multidimensionnels, la forme de leur représentation dans un ordinateur et des modèles physiques d'objets, de phénomènes et de processus dynamiques. De nouvelles capacités techniques de traitement d'images numériques permettent de prendre en compte en partie cette spécificité des images, tout en utilisant simultanément les acquis de la théorie cognitive de la perception humaine des images visuelles.

L'analyse du volume spatio-temporel des données permet d'identifier non seulement des signes statiques, mais aussi dynamiques des objets d'observation. Dans ce cas, le problème de reconnaissance peut être défini comme une classification d'ensembles d'états ou comme une classification de trajectoires dont la solution ne peut être trouvée par les méthodes de reconnaissance classiques, car les transitions temporelles^ peuvent générer des transformations d'image qui ne sont pas décrites par des dépendances analytiques connues ; En outre, outre la tâche de reconnaissance d'objets dynamiques, il existe des problèmes de reconnaissance d'actions et d'événements actifs, par exemple pour identifier des actions non autorisées dans des endroits très fréquentés ou pour déterminer le genre d'une scène à indexer dans des bases de données multimédia. Si nous considérons la tâche de reconnaissance d'objets et d'événements à partir de séquences d'images comme un processus unique, alors la plus appropriée est une approche hiérarchique avec des éléments de traitement parallèle à chaque niveau.

L'amélioration des moyens techniques de collecte et de reproduction d'informations sous forme d'images statiques (photos) et de séquences vidéo nécessite un développement ultérieur des méthodes et des algorithmes pour leur traitement, leur analyse de la situation et la reconnaissance des objets représentés. La formulation théorique initiale du problème de la reconnaissance d’images remonte aux années 1960-1970. et se reflète dans un certain nombre d'œuvres d'auteurs célèbres. La formulation d'un problème de reconnaissance d'image peut varier du problème de reconnaissance d'objet lui-même, des problèmes d'analyse de scène aux problèmes de compréhension d'image et aux problèmes de vision par ordinateur. Parallèlement, les systèmes d'adoption solutions intelligentes, basés sur des méthodes de reconnaissance de formes et d'images, utilisent des informations d'entrée de type complexe. Cela comprend à la fois des images obtenues dans une large gamme de longueurs d'onde du spectre électromagnétique (ultraviolet, visible, infrarouge, etc.) et des informations sous forme d'images sonores et de données de localisation. Malgré leur nature physique différente, ces informations peuvent être représentées sous la forme d'images réelles d'objets et d'images spécifiques. Les données radiométriques sont des images plates d'une scène présentées en perspective ou en projection orthographique. Ils sont formés en mesurant l'intensité des ondes électromagnétiques d'une certaine plage spectrale réfléchies ou émises par les objets de la scène. Généralement, des données photométriques mesurées dans le domaine spectral visible sont utilisées - images monochromatiques (luminosité)* ou couleurs : Les données de localisation sont les coordonnées spatiales des points observés dans la scène. Si les coordonnées sont mesurées pour tous les points de la scène, un tel tableau de données de localisation peut alors être appelé image de profondeur de scène. Il existe des modèles d'image simplifiés (par exemple, des modèles de projection affine représentés par des projections à faible perspective, para-perspective, orthogonales et parallèles) dans lesquels la profondeur de la scène est considérée comme constante et l'image de localisation de la scène ne contient aucune information utile. . Dans ce cas, l'information sonore est de nature événementielle auxiliaire.

Les données photométriques sont mesurées le plus rapidement. Les informations de localisation sont généralement calculées à partir des données reçues de appareils spéciaux(par exemple, télémètre laser, radar) ou en utilisant une méthode stéréoscopique pour analyser les images de luminosité. En raison des difficultés d'obtention rapide de données de localisation (en particulier pour les scènes avec des formes d'objets visuels qui changent rapidement), les tâches de description d'une scène à l'aide d'une seule image visuelle prédominent, c'est-à-dire tâches de perception visuelle monoculaire de la scène. En général, il est impossible de déterminer complètement la géométrie d’une scène à partir d’une seule image. Ce n'est que sous certaines restrictions, pour des scènes modèles assez simples et la disponibilité d'informations a priori sur la localisation spatiale des objets, qu'il est possible de construire une description tridimensionnelle complète à partir d'une seule image. Une solution pour sortir de cette situation est de traiter et d'analyser des séquences vidéo reçues d'une ou plusieurs caméras vidéo installées de manière fixe ou en mouvement dans l'espace.

Ainsi, les images constituent la principale forme de représentation des informations sur le monde réel, et elles sont nécessaires la poursuite du développement méthodes de transformation et d'analyse sémantique d'images individuelles et de séquences vidéo. L'une des orientations les plus importantes dans le développement de tels systèmes intelligents est l'automatisation de la sélection des méthodes de description et de conversion des images, en tenant compte de leur caractère informatif et à des fins de reconnaissance dès les premières étapes du traitement de l'image.

Les premiers travaux de chercheurs des États-Unis (Louisiana State University, Carnegie Mellon University, Pittsburgh), de Suède (Computational Vision and Active Perception Laboratory (CVAP), Department of Numerical Analysis and Computer Science), de France (INRIA), de Grande-Bretagne (Université de Leeds), en Allemagne (Université de Karlsruhe), en Autriche (Université du Queensland), au Japon, en Chine (École d'informatique, Université de Fudan) sur le traitement des séquences d'images et la reconnaissance d'objets dynamiques ont été publiés à la fin des années 1980. Plus tard, des travaux similaires ont commencé apparaître en Russie : à Moscou (MSU, MAI (GTU), MIPT, GosNII AS), Saint-Pétersbourg (SPbSU, GUAP, FGUP GOI, LOMO), Ryazan (RGRTU), Samara (SSAU), Voronej (VSU), Yaroslavl ( YarSU), Kirov (VSU), Taganrog (TTI SFU), Novossibirsk (NSU), Tomsk (TSPU), Irkoutsk (IrSU), Oulan-Oude (VSGU) et d'autres villes. Il convient de noter la contribution particulière de ces d'éminents scientifiques russes impliqués dans ce domaine, en tant qu'académicien de l'Académie des sciences de Russie, docteur en sciences techniques Yu. I. Zhuravlev, membre correspondant de l'Académie des sciences de Russie, docteur en sciences techniques. V. A. Soifer, docteur en sciences techniques N. G. Zagoruiko, docteur en sciences techniques L. M. Mestetsky, docteur en sciences techniques B. A. Alpatov et autres. À ce jour, des progrès significatifs ont été réalisés dans la construction de systèmes de vidéosurveillance, de systèmes d'authentification d'identité basés sur des images, etc. Cependant, il existe des problèmes non résolus dans la reconnaissance dynamique d’images en raison de la complexité et de la variété du comportement des objets du monde réel. Ainsi, ce domaine doit améliorer les modèles, méthodes et algorithmes de reconnaissance d'objets et d'événements dynamiques à partir de séquences d'images dans diverses gammes de rayonnement électromagnétique, ce qui permettra le développement de systèmes de vidéosurveillance à un niveau qualitativement nouveau.

L'objectif du travail de thèse est d'augmenter l'efficacité de la reconnaissance d'objets dynamiques, de leurs actions actives et d'événements dans des scènes complexes à l'aide de séquences d'images pour les systèmes de vidéosurveillance externes et internes.

L'objectif fixé a déterminé la nécessité de résoudre les tâches suivantes :

Mener une analyse des méthodes d'évaluation du mouvement et de recherche de signes de mouvement d'objets à partir d'un ensemble d'images séquentielles, des méthodes de segmentation d'objets dynamiques et d'analyse sémantique de scènes complexes, ainsi que des approches pour construire des systèmes de reconnaissance et de suivi d'objets dynamiques de divers types objectif prévu.

Développer des modèles de reconnaissance d'images statiques et dynamiques basés sur une procédure hiérarchique de traitement de séries temporelles, notamment de séquences d'images.

Développer une méthode d'évaluation du mouvement des structures dynamiques basée sur des informations spatio-temporelles obtenues dans différentes gammes de rayonnement électromagnétique, qui permet de choisir des méthodes de segmentation en fonction de la nature du mouvement et, ainsi, d'effectuer une reconnaissance adaptative d'images dynamiques.

Créer un modèle de mouvement multi-niveaux de structures dynamiques dans une scène complexe, qui permet, sur la base des données odométriques obtenues, de construire des trajectoires de mouvement de structures dynamiques et d'avancer des hypothèses sur l'existence d'objets visuels basées sur une analyse de l'histoire des mouvements.

Développer un algorithme de segmentation complexe qui prend en compte la totalité des signes identifiés de structures dynamiques avec des directions de mouvement arbitraires et un chevauchement de projections d'objets, basé sur un modèle de mouvement multi-niveaux dans des scènes complexes.

Développer une méthode de reconnaissance d'images dynamiques, présentée en termes de grammaire formelle et de vidéographie d'une scène, basée sur la méthode de prise de décision collective, ainsi que des méthodes de reconnaissance d'actions et d'événements actifs dans une scène complexe, à l'aide de graphiques d'actions et d'événements actifs (prolongement de la vidéographie d'une scène complexe), et un réseau bayésien.

Sur la base des méthodes et modèles développés, concevoir des systèmes expérimentaux à des fins diverses ; conçu pour traiter des séquences d'images d'objets caractérisées par un ensemble fixe et arbitraire de 2£>-projections et une reconnaissance dynamique d'images c. scènes difficiles.

Méthodes, recherche. Lors de la réalisation des travaux de thèse, les méthodes de la théorie de la reconnaissance des formes, la théorie descriptive de la reconnaissance d'images, la théorie du traitement du signal, les méthodes d'analyse vectorielle et de calcul tensoriel, ainsi que la théorie des groupes et la théorie des grammaires formelles ont été utilisées.

La nouveauté scientifique de la thèse est la suivante :

1. Construit nouveau modèle transformation d'images dynamiques, caractérisée par des niveaux hiérarchiques élargis de segmentation (par vecteurs de mouvement locaux et globaux) et de reconnaissance (des objets et de leurs actions actives), permettant de trouver des caractéristiques cibles pour des scènes statiques avec des objets en mouvement et des scènes dynamiques basées sur le concept d'invariant dynamique maximum.

2. La théorie descriptive de la reconnaissance d'images a été élargie en introduisant quatre nouveaux principes : prendre en compte la finalité de la reconnaissance dès les premières étapes de l'analyse, reconnaître le comportement des objets dynamiques, évaluer l'histoire, un nombre variable d'objets d'observation, qui permet d'améliorer la qualité de la reconnaissance des objets en mouvement en augmentant le contenu informatif des données sources.

3. Pour la première fois, une méthode spatio-temporelle adaptative d'estimation du mouvement dans des séquences synchrones de plages de rayonnement électromagnétique visible et infrarouge a été développée, qui permet d'extraire des caractéristiques de mouvement à différents niveaux hiérarchiques, combinant les avantages des deux types de séquences d'images.

4. Un nouveau modèle de mouvement à plusieurs niveaux a été développé ; permettre à la scène d'être décomposée en niveaux séparés ; pas > limité ; la division généralement acceptée entre premier plan et arrière-plan, qui permet une segmentation plus fiable des images d'objets ; scènes de perspective complexes.

5 : Justifié ? et construit; nouveau; algorithme généralisé de segmentation d'objets dynamiques ; avec, l'utilisation d'un ensemble de fonctionnalités, y compris l'historique du comportement ; et permet de suivre à la fois la dynamique des objets visuels individuels et l'interaction des objets dans la scène (chevauchement des projections ; apparition/disparition des objets du champ de vision du capteur vidéo) sur la base de transformations de groupe ; et la première analyse proposée de la partie générale des projections de l’objet (à partir de deux images adjacentes) à l’aide d’estimations intégrales et invariantes.

6. La méthode de prise de décision collective a été modifiée, qui se distingue par la recherche de signes de projections inter-trames d'un objet et permet de prendre en compte l'historique des observations pour reconnaître des actions et des événements actifs basés sur un réseau bayésien, et quatre types de pseudo-distances ont été proposés pour trouver une mesure de similarité v d'images dynamiques avec des images dynamiques de référence en fonction de la présentation des caractéristiques dynamiques.

Importance pratique. Les méthodes et algorithmes proposés dans le travail de thèse sont destinés à une application pratique dans la surveillance des véhicules dans la circulation à plusieurs voies au sein de projet d'état« Safe City », dans les systèmes de contrôle automatisés de divers processus technologiques de production utilisant des séquences vidéo, dans les systèmes de vidéosurveillance extérieure et de vidéosurveillance intérieure, ainsi que dans les systèmes d'identification d'objets sur des photographies aériennes et de reconnaissance d'images paysagères. Sur la base de recherches de thèse, des systèmes logiciels de traitement et de reconnaissance d'objets dynamiques ont été développés, utilisés dans divers domaines d'activité.

Mise en œuvre des résultats des travaux. Les programmes développés sont enregistrés dans le Registre russe des programmes informatiques : le programme « Segmentation d'images textuelles manuscrites (SegPic) » (certificat n° 2008614243, Moscou, 5 septembre 2008) ; programme « Motion Estimation » (certificat n° 2009611014, Moscou, 16 février 2009) ; programme « Face Localization (FaceDetection) » (certificat n° 2009611010, Moscou, 16 février 2009) ; programme « Système de superposition d'effets visuels naturels sur une image statique (imitation d'effets naturels) » (certificat n° 2009612794, Moscou, 30 juillet 2009) ; programme « Détection visuelle de fumée (SmokeDetection) » (certificat n° 2009612795, Moscou, 30 juillet 2009) ; « Programme d'enregistrement visuel des plaques d'immatriculation nationales des véhicules lors d'un trafic multithread (FNX CTRAnalyzer) » (certificat n° 2010612795, Moscou, 23 mars 2010), programme « Amélioration de l'image non linéaire » (certificat n° 2010610658, g Moscou, 31 mars 2010

Des actes ont été reçus sur le transfert et l'utilisation d'algorithmes et de logiciels pour reconnaître les caisses de réfrigérateurs sur la chaîne de montage (JSC KZH Biryusa, Krasnoyarsk), pour identifier des images d'objets dans des images de paysage (Radio Engineering Concern Vega, JSC KB Luch, Rybinsk, région de Yaroslavl ), pour segmenter la végétation forestière à l'aide d'un ensemble de photographies aériennes séquentielles (Altex Geomatics LLC, Moscou), pour détecter les plaques d'immatriculation nationales des véhicules dans des séquences vidéo lors d'un trafic multi-flux et améliorer la qualité de leur affichage^ (UGIBDD GUVD pour Territoire de Krasnoïarsk, Krasnoïarsk).

Les algorithmes et logiciels développés sont utilisés dans le processus éducatif lors des cours dans les disciplines « Traitement intellectuel des données », « Technologies informatiques en science et éducation », « Fondements théoriques du traitement d'images numériques », « Reconnaissance de formes », « Réseaux de neurones », « Algorithmes de traitement d'images », « Algorithmes de traitement de séquences vidéo », « Analyse de scènes et vision par ordinateur » à l'État aérospatial de Sibérie Université nommée d'après l'académicien M.F. Reshetnev (Université agraire d'État de Sibérie).

La fiabilité des résultats obtenus dans les travaux de thèse est assurée par l'exactitude des méthodes de recherche utilisées, la rigueur mathématique des transformations effectuées, ainsi que la conformité des dispositions et conclusions formulées avec les résultats de leur vérification expérimentale.

Principales dispositions soumises en défense :

1. Un modèle de traitement et de reconnaissance d'images dynamiques dans des scènes complexes, considérablement élargi par des niveaux hiérarchiques de segmentation et de reconnaissance non seulement des objets, mais également de leurs actions actives.

2. Expansion de la théorie descriptive de la reconnaissance d'images pour les séries temporelles (séquences d'images) en augmentant le contenu informatif des données analysées non seulement dans le domaine spatial, mais également dans la composante temporelle.

3. Méthode adaptative d’estimation du mouvement spatio-temporel. basé sur des représentations tensorielles de volumes IR locaux dans des séquences synchrones de plages visibles et infrarouges de rayonnement électromagnétique.

4. Un modèle de mouvement à plusieurs niveaux dans des scènes complexes, élargissant la décomposition des scènes en perspective en niveaux individuels pour une analyse plus fiable des trajectoires de mouvement des objets.

5. Un algorithme généralisé de segmentation d'objets dynamiques, qui permet, sur la base des transformations de groupe et des estimations intégrales et invariantes proposées, d'identifier les chevauchements de projections d'objets, l'apparition/disparition d'objets du champ de vision du capteur vidéo.

6. Méthodes de reconnaissance d'images dynamiques basées sur une méthode modifiée de prise de décision collective et de recherche de pseudo-distances dans des espaces métriques, ainsi que d'actions et d'événements actifs dans des scènes complexes.

Approbation des travaux. Les principales dispositions et résultats de la recherche de la thèse ont été rapportés et discutés lors de la 10ème conférence internationale "Pattern Recognition and Image Analysis: Modern Information Technologies", (S.-Petersburg, 2010), le congrès international "Ultra Modern Telecommunications and Control Systems ICUMT2010 " (Moscou, 2010) ; XII Symposium international sur les méthodes non paramétriques en cybernétique et analyse de systèmes (Krasnoyarsk, 2010), II Symposium international « Technologies de décision intelligentes - IDT 2010 » (Baltimore, 2010), III Conférence internationale. « Automatisation, Contrôle ? et technologies de l'information - AOIT-ICT "2010" (Novossibirsk, 2010), 10e, 11e et 12e conférences et expositions internationales "Traitement du signal numérique et ses applications" (Moscou, 2008 - 2010), Xe conférence scientifique et technique internationale « Théorique et questions appliquées des technologies de l'information modernes » (Oulan-Oude, 2009), IXe conférence scientifique et technique internationale « Cybernétique et hautes technologies du XXIe siècle » (Voronej, 2008), conférence panrusse « Modèles et méthodes de traitement d'images » (Krasnoïarsk , 2007), aux X, XI et XIII conférences scientifiques internationales « Reshetnev Readings » (Krasnoyarsk, 2006, 2007, 2009), ainsi qu'aux séminaires scientifiques de l'Université d'État d'instrumentation aérospatiale (S. -Pétersbourg, 2009), Institut de modélisation informatique SO

RAS (Krasnoyarsk, 2009), Institut des systèmes de traitement d'images RAS (Samara, 2010).

Publications. Sur la base des résultats de la recherche de la thèse, 53 ouvrages imprimés ont été publiés, dont 1 monographie, 26 articles (dont 14 articles ont été publiés dans des publications incluses dans la liste de la Higher Attestation Commission, 2 articles ont été publiés dans des publications répertoriées dans Thomson Reuters : Science Citation Index Expanded / Conference Proceedings Citation Index"), 19 résumés, 7 certificats enregistrés au Registre russe des programmes informatiques, ainsi que 3 rapports de recherche.

Contribution personnelle. Tous les principaux résultats présentés dans la thèse, y compris la formulation des problèmes et leurs solutions mathématiques et algorithmiques, ont été obtenus par l'auteur personnellement ou réalisés sous sa direction scientifique et avec sa participation directe. Sur la base des matériaux du travail, deux thèses ont été soutenues pour le diplôme de candidat en sciences techniques, dont l'auteur était le superviseur officiel.

Structure de travail. L'ouvrage comprend une introduction, six chapitres, une conclusion et une bibliographie. Le texte principal de la thèse contient 326 pages, la présentation est illustrée de 63 figures et 23 tableaux. La liste bibliographique comprend 232 titres.

Thèses similaires dans la spécialité "Fondements théoriques de l'informatique", 13.05.17 code VAK

• Algorithmes combinés pour la sélection opérationnelle d'objets en mouvement dans une séquence d'images vidéo basés sur la méthode différentielle locale pour calculer le flux optique 2010, candidat des sciences techniques Kazakov, Boris Borisovich

• Procédés de stabilisation de séquences vidéo de scènes statiques et dynamiques complexes dans des systèmes de vidéosurveillance 2014, candidat des sciences techniques Buryachenko, Vladimir Viktorovich

• Procédé et système de traitement d'images médicales dynamiques 2012, Candidate en Sciences Techniques Maryaskin, Evgeniy Leonidovich

• Reconnaissance toutes vues d'images radar d'objets au sol (surface) avec segmentation de l'espace des caractéristiques en zones de quasi-invariance 2006, candidat des sciences techniques Matveev, Alexey Mikhailovich

• Procédés et algorithmes pour détecter des caractères de texte superposés dans des systèmes de reconnaissance d'images avec une structure d'arrière-plan complexe 2007, candidat des sciences techniques Zotin, Alexander Gennadievich

Conclusion de la thèse sur le thème « Fondements théoriques de l'informatique », Favorskaya, Margarita Nikolaevna

6.7 Conclusions du chapitre

Ce chapitre examine en détail la structure et les principales fonctions du complexe logiciel expérimental "ZROEL", u.1.02, qui effectue un traitement hiérarchique systémique de séquences d'images jusqu'aux niveaux les plus élevés de reconnaissance d'objets et d'événements. Système automatisé, nécessitant la participation humaine pour former et configurer des graphiques, des réseaux et des classificateurs. Un certain nombre de modules de bas niveau du système fonctionnent en mode automatique. La structure du progiciel est telle que la modification des modules est possible sans affecter les autres modules du système. Présenté diagrammes fonctionnels principaux modules du système : module, prétraitement, module d'estimation de mouvement, module de segmentation, module de reconnaissance d'objets et module de reconnaissance d'action active.

Des études expérimentales basées sur ce progiciel ont été réalisées sur plusieurs séquences vidéo et séquences infrarouges de la base de données de tests « OTCBVS^07 », sur des séquences vidéo de tests « Taxi Hambourg », « Rubik cube ». "Silent", ainsi que sur son propre matériel vidéo. Cinq méthodes d'estimation de mouvement ont été testées. Il a été démontré expérimentalement que la méthode de correspondance de blocs et la méthode proposée pour la séquence infrarouge montrent des valeurs similaires et sont les moins précises. La méthode proposée pour les séquences vidéo et la méthode de suivi des entités ponctuelles démontrent des résultats similaires. Dans le même temps, l'approche tensorielle développée nécessite moins de calculs informatiques par rapport à la méthode de suivi des caractéristiques ponctuelles. Il est conseillé d'utiliser l'utilisation combinée de séquences vidéo synchronisées et de séquences infrarouges pour trouver l'amplitude du vecteur vitesse dans des conditions d'éclairage de scène réduit.

Pour la reconnaissance d'objets visuels, quatre types de pseudo-distances ont été utilisés (pseudo-distances Hausdorff, Gromov-Hausdorff, Fréchet, pseudo-distance naturelle) pour trouver une mesure de similarité des images dynamiques d'entrée avec des images dynamiques de référence (en fonction de la représentation d'une caractéristique dynamique - un ensemble de caractéristiques numériques, des ensembles de vecteurs, des ensembles de fonctions). Ils ont montré leur validité pour des images présentant des transformations morphologiques acceptables. Des estimations normalisées intégrées de la forme du contour Kc de la partie commune de la projection d'objet entre des cadres conventionnellement adjacents et l'aire de la partie commune 5e et une estimation invariante - la fonction de corrélation des parties communes des projections Fcor - ont été utilisées. L'utilisation d'une méthode de prise de décision collective modifiée permet de « rejeter » les observations infructueuses des images d'entrée (cas de projections d'objets qui se chevauchent, de distorsion de la scène due aux sources lumineuses, etc.) et de sélectionner les observations les plus appropriées. Des expériences ont montré que l'utilisation d'une méthode de prise de décision collective modifiée augmente la précision de la reconnaissance en moyenne de 2,4 à 2,9 %.

Des résultats expérimentaux d'évaluation du mouvement, de segmentation et de reconnaissance d'objets ont été obtenus sur des séquences d'images de test (« Taxi Hambourg », « Rubik cube ». « Silent », séquences vidéo et séquences infrarouges de la base de données de tests « OTSBVS"07). Pour reconnaître les actions actives des personnes, ils ont utilisé des exemples des bases de données de test "PETS", "CAVIAR", "VACE". La nature de la séquence visuelle du test affecte les indicateurs. Les objets qui effectuent un mouvement de rotation sont reconnus pires ("Rubik cube"), l'homme Les objets fabriqués de petites tailles sont mieux reconnus ("Taxi de Hambourg", "Vidéo 1"). Les meilleurs résultats sont montrés par la reconnaissance basée sur deux séquences. De plus, les meilleurs résultats expérimentaux ont été obtenus lors de la reconnaissance des actions actives périodiques de personnes qui sont pas en groupe (marcher, courir, lever la main) Les faux positifs sont dus à l'éclairage et à la présence d'ombres à plusieurs endroits de la scène.

À la fin du sixième chapitre, des projets appliqués tels que « Enregistrement visuel des plaques d'immatriculation nationales des véhicules lors d'un trafic multithread », « Système d'identification de modèles de caisses de réfrigérateurs à partir d'images », « Algorithmes de traitement et de segmentation d'images de paysage. L'identification des objets" a été prise en compte. "Les algorithmes et les logiciels ont été transférés aux organisations intéressées : les résultats des tests ont montré la fonctionnalité du logiciel développé sur la base des modèles et des méthodes proposés dans le travail de thèse.

CONCLUSION

Le travail de thèse a posé et résolu un problème scientifique et technique important : le traitement des données spatio-temporelles obtenues à partir de séquences de rayonnements électromagnétiques visibles et infrarouges et la reconnaissance d'images dynamiques dans des scènes complexes. Un système de méthodes hiérarchiques de traitement et d'extraction de caractéristiques à partir de données spatio-temporelles représente une base méthodologique pour résoudre des problèmes appliqués dans le domaine de la vidéosurveillance.

L'introduction justifie la pertinence du travail de thèse, formule le but et les objectifs de la recherche, montre la nouveauté scientifique et la valeur pratique de la recherche réalisée et présente les principales dispositions soumises à la soutenance.

Le premier chapitre montre que les objets visuels dans les séquences vidéo sont caractérisés par un vecteur de caractéristiques plus multidimensionnel que les images dans la formulation classique du problème de reconnaissance des images statiques. La thèse introduit des étapes de clarification aux niveaux moyens et supérieurs de traitement, qui sont essentielles pour des images dynamiques.

Une classification des principaux types de problèmes de reconnaissance d'images statiques, de scènes statiques avec des éléments de mouvement et de séquences d'images a été construite, qui reflète le caractère historique du développement des méthodes mathématiques dans ce domaine. Une analyse détaillée des méthodes d'évaluation du mouvement, des algorithmes de segmentation des objets en mouvement et des méthodes d'interprétation des événements dans des scènes complexes a été réalisée.

Les systèmes matériels et logiciels commerciaux existants dans des domaines tels que la surveillance de véhicules à des fins diverses, le traitement de matériel vidéo sportif, la garantie de la sécurité (reconnaissance faciale, entrée non autorisée de personnes dans une zone protégée) sont examinés ainsi que les développements de la recherche sur les systèmes de vidéosurveillance.

A la fin du chapitre 1, la problématique du traitement spatio-temporel des séquences d'images est présentée, présentée sous la forme de trois niveaux et cinq étapes de traitement et de reconnaissance des informations visuelles issues des séquences d'images.

Dans le deuxième chapitre de la thèse, des modèles formels de traitement et de reconnaissance d'objets à partir de leurs images statiques et séquences d'images sont développés. Des mappages admissibles dans l'espace image et l'espace caractéristiques pour le problème direct et le problème inverse sont construits. Des règles pour construire des fonctions de décision invariantes et un invariant dynamique maximum généralisé sont données. Lors de la reconnaissance, les trajectoires de différentes images dans un espace de fonctionnalités multidimensionnel peuvent se croiser. Lorsque les projections d’objets se croisent, trouver un invariant dynamique maximum généralisé devient une tâche encore plus difficile et, dans certains cas, impossible.

Les principes de base de la théorie descriptive de la reconnaissance d'images sont considérés, qui reposent sur des méthodes régulières de sélection et de synthèse de procédures algorithmiques pour le traitement de l'information dans la reconnaissance d'images. Des principes supplémentaires sont proposés pour élargir la théorie descriptive des images dynamiques : prise en compte de l'objectif de reconnaissance dès les premières étapes du traitement d'une séquence d'images, reconnaissance des situations comportementales d'objets dynamiques, évaluation de l'histoire des objets dynamiques, d'un nombre variable d'objets d'observation dans des scènes complexes.

La problématique de la recherche de caractéristiques cibles pour l'analyse des séquences d'images en fonction du type de prise de vue (dans le cas d'une prise de vue mono-angle), du mouvement du capteur vidéo et de la présence d'objets en mouvement dans la zone de visibilité est abordée en détail. Les descriptions de quatre situations dans l'espace des fonctionnalités sont données à mesure que la tâche devient plus complexe.

Le troisième chapitre formule les étapes de traitement des séquences d'images et de reconnaissance des objets, des actions actives, des événements et du genre de scène. Les étapes reflètent la nature séquentielle et hiérarchique du traitement de l'information visuelle. Les conditions et limites des méthodes hiérarchiques de traitement spatiotemporel des séquences d'images sont également présentées.

La classification des régions dynamiques d'une image est réalisée en analysant les valeurs propres du tenseur structurel 31) dont les vecteurs propres sont déterminés par des décalages locaux des intensités des images des trames voisines et servent à estimer les orientations locales de régions dynamiques. Une nouvelle méthode d'estimation du mouvement dans le volume spatio-temporel des données de rayonnement visible et infrarouge basée sur l'approche tensorielle est justifiée. La possibilité d’utiliser un noyau spatialement variable, adaptatif à la taille et à l’orientation de l’environnement du point, est envisagée. L'adaptation de l'environnement, qui a initialement la forme d'un cercle, puis se transforme en forme d'ellipse orientée après 2-3 itérations, permet d'améliorer l'évaluation des structures orientées dans l'image. Cette stratégie améliore les estimations des gradients dans un ensemble de données spatio-temporelles.

Les paramètres de mouvement local sont estimés en calculant des primitives géométriques et des points singuliers de la région locale. Ainsi, l'évaluation des signes locaux de mouvement des régions constitue la base pour émettre des hypothèses ultérieures sur l'appartenance des objets visuels à une classe ou à une autre. L'utilisation de séquences vidéo synchrones et de séquences infrarouges permet d'améliorer les résultats de segmentation des régions mobiles dans l'image et de recherche de vecteurs de mouvement locaux.

Il est montré qu'il est possible d'estimer les limites des images couleur sur la base de méthodes de gradient multidimensionnel construites dans toutes les directions en chaque point de la frontière, de méthodes vectorielles utilisant des statistiques d'ordre sur une image couleur, ainsi que d'une approche tensorielle au sein de l'image couleur. cadre de méthodes de gradient multidimensionnel. Les méthodes permettant d'affiner les informations de contour sont essentielles pour les régions comportant un nombre arbitraire de projections autorisées.

Dans le quatrième chapitre, un modèle de mouvement à plusieurs niveaux est construit sur la base de structures de mouvement, reflétant la dynamique des objets dans des scènes réelles et élargissant la représentation à deux niveaux de la scène, divisée en objets d'intérêt et en arrière-plan stationnaire.

Des modèles de mouvement d'objets sur un plan basés sur la théorie des groupes de Lie compacts sont étudiés. Des modèles de transformation projective et des variétés de modèles de transformation affine sont présentés. De telles transformations décrivent bien les structures de mouvement avec un nombre limité de projections (objets fabriqués par l'homme). La représentation de structures avec un nombre illimité de projections (objets anthropiques) par transformations affines ou projectives s'accompagne d'un certain nombre de conditions supplémentaires (notamment l'exigence d'éloignement des objets du capteur vidéo, les objets de petite taille, etc.) . Des définitions et un théorème prouvé par L. S. Pontryagin sont donnés, sur la base desquels il a été possible de trouver un automorphisme interne des coordonnées de groupe qui décrivent un certain objet jusqu'aux déplacements entre cadres adjacents. L'ampleur des décalages est déterminée par la méthode d'estimation du mouvement de la différence intertrame, développée au chapitre 3.

Une extension des transitions admissibles entre groupes de transformations est construite en raison de la dualité de la nature des 2£)-images (affichage des changements dans la projection d'un seul objet et intersection visuelle de plusieurs objets : (interaction d'objets)). Des critères ont été trouvés qui, lors du changement de groupes de transformations, enregistrent des actions et des événements actifs dans la scène, à savoir des estimations intégrées de la forme du contour Kc de la partie commune de la projection entre les images conditionnellement adjacentes et la zone du partie commune 5e et estimations invariantes - la fonction de corrélation des parties communes des projections Pcog et des constantes structurelles du groupe de Lie c"d, qui permettent d'estimer le degré de variabilité et d'identifier la nature du mouvement des objets observés.

Un modèle de la préhistoire du mouvement des objets dans des séquences d'images a également été construit, incluant des séries chronologiques de trajectoires de mouvement, les changements de forme d'un objet lorsqu'il se déplace dans l'espace 3L, ainsi que les changements de forme d'un objet. associé à l'interaction des objets dans la scène et à l'apparition/disparition d'un objet du champ de vision du capteur (utilisé pour reconnaître les actions et événements actifs dans la scène). 1

Un algorithme généralisé de segmentation d'objets dans des scènes complexes a été développé, prenant en compte des cas complexes de segmentation (superposition d'images, apparition et disparition d'objets du champ de vision de la caméra, mouvement vers la caméra), qui comprend trois sous-étapes : pré- segmentation, segmentation et post-segmentation. Pour chaque sous-étape, des tâches, des données d'entrée et de sortie sont formulées et des schémas fonctionnels d'algorithme sont développés qui permettent la segmentation de scènes complexes, en tirant parti de séquences synchrones de différentes gammes de rayonnement.

Le cinquième chapitre traite du processus de reconnaissance de formes dynamiques à l'aide d'une grammaire formelle, d'un vidéaste de scène et d'une méthode de prise de décision collective modifiée. Une scène dynamique avec un mouvement à plusieurs niveaux a une structure qui change avec le temps, il est donc conseillé d'utiliser des méthodes de reconnaissance structurelle. La grammaire contextuelle à trois niveaux proposée pour reconnaître des scènes complexes avec des mouvements d'objets à plusieurs niveaux met en œuvre deux tâches : la tâche d'analyse d'une séquence d'images et la tâche d'analyse de la scène.

Un moyen plus visuel de description sémantique d'une scène est un vidéogramme construit à l'aide de la méthode de regroupement hiérarchique. Sur la base de caractéristiques complexes du niveau inférieur, des structures spatiales locales, stables dans le temps, des objets spatiaux locaux sont formés et une vidéographie de la scène est construite, comprenant des objets spatiaux reconnus, un ensemble d'actions qui leur sont inhérentes, ainsi que des paramètres spatio-temporels. liens entre eux.

La méthode de décision collective modifiée repose sur une procédure de reconnaissance à deux niveaux. Au premier niveau, l'appartenance à l'image d'un domaine de compétence particulier est reconnue. Au deuxième niveau, entre en vigueur la règle décisive dont la compétence est maximale dans un domaine donné. Des expressions sont construites pour les pseudo-distances lors de la recherche d'une mesure de similarité entre les images dynamiques d'entrée et les images dynamiques de référence en fonction de la représentation de caractéristiques dynamiques - un ensemble de caractéristiques numériques, un ensemble de vecteurs, un ensemble de fonctions.

Lors de la reconnaissance d'événements, la vidéographie d'une scène complexe est étendue en vidéographie d'événement : un modèle dépendant de l'objet d'un objet dynamique est construit. Les classificateurs les plus simples de l'espace des fonctionnalités sont utilisés comme fonction de correspondance (par exemple, en utilisant la méthode ^-means), puisque la comparaison est effectuée à l'aide d'un ensemble limité de modèles associés à un objet préalablement identifié. L'invention concerne des procédés permettant de former des modèles de projection d'objets visuels.

Le vidéaste événementiel est construit sur la base des réseaux markoviens. Des méthodes permettant d'identifier les actions actives des agents, ainsi que l'ordre de construction et de découpage d'un vidéogramme d'événement pour reconnaître les événements dans une scène sont considérés. Dans le même temps, pour chaque événement, son propre modèle est construit, qui est formé sur des exemples de test. La détection d'événements se résume à regrouper des actions actives exécutées séquentiellement sur la base d'une approche bayésienne. Un découpage récursif de la matrice de coefficients de poids dans la séquence vidéo d'entrée et une comparaison avec les événements de référence obtenus lors de la phase d'apprentissage sont effectués. Ces informations sont* la source permettant de déterminer le genre de la scène et, le cas échéant, d'indexer la séquence vidéo dans la base de données. Un système a été développé pour comprendre et interpréter des images et du matériel vidéo pour l'indexation dans des bases de données Internet multimédias.

Le sixième chapitre présente une description du progiciel expérimental « SPOER », v.l.02 pour le traitement de séquences d'images et la reconnaissance d'objets et d'événements en mouvement. Il effectue un traitement hiérarchique systématique des séquences d'images jusqu'aux plus hauts niveaux de reconnaissance d'objets et d'événements. Il s'agit d'un système automatisé qui nécessite la participation humaine pour former et configurer des graphiques, des réseaux et des classificateurs. Un certain nombre de modules de bas niveau du système fonctionnent en mode automatique.

Dans les études expérimentales réalisées à l'aide du progiciel SPOER, v.l.02, des séquences vidéo et des séquences d'images infrarouges de la base de données de test « OTCBVS"07 », des séquences vidéo de test « Taxi Hambourg », « Rubik cube », « Silent » et les nôtres matériels vidéo ont été utilisés. Cinq méthodes d'estimation de mouvement ont été testées. La méthode proposée pour les séquences vidéo démontre les résultats les plus précis et nécessite moins de calculs informatiques par rapport à d'autres méthodes. L'utilisation combinée de séquences vidéo synchronisées et de séquences infrarouges est recommandée pour trouver les amplitudes de vecteurs de vitesse dans des conditions d’éclairage de scène réduit.

Pour reconnaître les objets visuels avec des transformations morphologiques acceptables des projections, des estimations normalisées intégrées de la forme du contour Kc de la partie commune de la projection de l'objet entre des cadres conventionnellement adjacents et l'aire de la partie commune 5e et une estimation invariante - la fonction de corrélation de les parties communes des saillies Fcor ont été utilisées. L'utilisation d'une méthode de prise de décision collective modifiée permet de « rejeter » les observations infructueuses des images d'entrée (cas de projections d'objets qui se chevauchent, de distorsions visuelles de la scène à partir de sources d'éclairage, etc.) et de sélectionner les observations les plus adaptées. Des expériences ont montré que l'utilisation d'une méthode de prise de décision collective modifiée augmente la précision de la reconnaissance en moyenne de 2,4 à 2,9 %.

Résultats expérimentaux de l'estimation du mouvement ; la segmentation et la reconnaissance d'objets ont été obtenues sur des séquences d'images de test (« Taxi Hambourg », « Rubik cube ». « Silent », séquences vidéo et séquences infrarouges de la base de données de test « OTCBVS*07 »). Pour reconnaître les actions actives des personnes, des exemples issus des bases de données de test « PETS », « CAVIAR », « VACE » ont été utilisés. Les meilleurs résultats sont montrés par la reconnaissance à l'aide de deux séquences. En outre, les meilleurs résultats expérimentaux ont été obtenus lors de la reconnaissance des actions actives périodiques de personnes ne faisant pas partie d'un groupe (marcher, courir, lever les bras). Les faux positifs sont provoqués par l’exposition à la lumière et la présence d’ombres à plusieurs endroits de la scène.

Sur la base du complexe expérimental « ZROEYA », V. 1.02, des systèmes de traitement d'informations vidéo à diverses fins ont été développés : « Enregistrement visuel des plaques d'immatriculation nationales des véhicules lors d'un trafic multi-flux », « Système d'identification des modèles de caisses de réfrigérateur de images », « Algorithmes de traitement et de segmentation des images de paysages ». Identification des objets". Les algorithmes et les logiciels ont été transférés aux organisations intéressées. Les résultats des tests ont montré les performances du logiciel développé sur la base des modèles et des méthodes proposés dans le travail de thèse.

Ainsi, les résultats suivants ont été obtenus dans le travail de thèse :

1. Des modèles formels de traitement et de reconnaissance des structures spatio-temporelles sont construits sur la base d'une procédure hiérarchique adaptative. traitement de séquences d'images, caractérisé en ce qu'ils prennent en compte les transformations isomorphes et homomorphes et en dérivent des fonctions généralisées d'invariants statiques et dynamiques. Des modèles de recherche de caractéristiques statiques et dynamiques d'objets ont également été construits pour quatre problèmes d'analyse de séquences d'images en fonction de la présence d'un capteur vidéo en mouvement1 et d'objets en mouvement dans la scène.

2. Les principales dispositions de l'approche descriptive de la reconnaissance des séquences d'images ont été élargies, permettant de prendre en compte les objectifs de reconnaissance dès les premières étapes du traitement d'une séquence d'images avec segmentation ultérieure des zones d'intérêt, de construire des trajectoires de mouvement et de reconnaître le comportement d'objets dynamiques, pour prendre en compte l'histoire du mouvement des objets lorsque leurs projections se croisent, pour accompagner un nombre variable d'objets d'observation.

3. Une méthode hiérarchique de traitement et de reconnaissance des structures spatio-temporelles a été développée, composée de trois niveaux et cinq étapes et impliquant la normalisation des projections d'objets, ce qui permet de réduire le nombre de normes pour une classe lors de la reconnaissance d'objets dynamiques complexes.

4. Une méthode d'estimation du mouvement de séquences d'images issues des domaines visible et infrarouge du rayonnement électromagnétique a été développée, caractérisée en ce que l'on utilise des ensembles de données spatio-temporelles, présentées sous la forme de tenseurs structurels 3£> et de tenseurs bB. couler en conséquence. L'estimation de mouvement résultante vous permet de sélectionner la méthode la plus efficace pour segmenter des objets visuels dynamiques qui diffèrent par le nombre de projections autorisées.

5. Un modèle de mouvement à plusieurs niveaux de régions d'image a été construit, basé sur des vecteurs de vitesse locaux, qui diffère en ce qu'il permet de diviser la scène non seulement en objets de premier plan et d'arrière-plan, mais également en niveaux de mouvement d'objets éloignés de l'observateur. . Cela est particulièrement vrai pour les scènes complexes enregistrées par un capteur vidéo en mouvement, lorsque tous les objets de la scène sont en mouvement relatif.

6. Un algorithme adaptatif de segmentation d'objets dynamiques a été développé : a) pour les objets avec un nombre limité de projections, basé sur une analyse de l'histoire du mouvement des régions dynamiques locales, caractérisé en ce que lorsque les images se chevauchent, la forme de la région est complétée selon le modèle actuel et, sous réserve de l'utilisation du filtre de Kalman, est la trajectoire prédite et actuelle ; b) pour objets avec un nombre arbitraire de projections basées sur des analyses complexes, des caractéristiques de couleur, de texture, statistiques, topologiques et de mouvement, caractérisé en ce que lorsque les images se chevauchent, la forme de la région est complétée à l'aide de la méthode des contours actifs.

7. Une méthode est proposée pour construire une vidéographie dynamique d'une scène complexe en utilisant la méthode de regroupement hiérarchique de caractéristiques complexes de bas niveau en structures spatiales locales stables dans le temps, puis en objets spatiaux locaux. Le vidéogramme généré établit des relations temporelles entre les objets et préserve toutes les caractéristiques généralisées permettant de reconnaître les événements de la scène. La grammaire bidimensionnelle de M.I. a été élargie. Schlesinger dans le cadre de la méthode de reconnaissance structurelle à une grammaire contextuelle à trois niveaux.

8 : Pour reconnaître les objets dynamiques, on modifie une méthode de prise de décision collective, en reconnaissant d'abord si une image appartient au domaine de compétence, puis en sélectionnant la règle de décision dont la compétence est maximale dans un domaine donné. Quatre types de pseudo-distances sont construits pour trouver une mesure de similarité entre les images dynamiques d'entrée et les normes en fonction de la représentation des caractéristiques dynamiques.

9. Une méthode de reconnaissance d'événements a été développée sur la base d'un réseau bayésien, qui effectue un découpage récursif de la matrice de coefficients de pondération dans la séquence vidéo d'entrée et une comparaison avec les événements de référence obtenus lors de la phase de formation. Ces informations constituent la source permettant de déterminer le genre d'une scène et d'indexer les séquences vidéo dans les bases de données multimédia Internet.

10. Les problèmes pratiques de traitement et de reconnaissance des séquences d'images sont résolus à l'aide de la méthode adaptative-hiérarchique de traitement spatio-temporel, l'efficacité de la méthode est démontrée, l'efficacité de l'utilisation d'un système de méthodes de traitement hiérarchique est démontrée, etc. reconnaissance d'informations visuelles avec possibilité de sélectionner des caractéristiques de manière adaptative c. processus de résolution de problèmes. Les résultats obtenus sous forme de systèmes expérimentaux conçus ont été transférés aux organisations intéressées.

Ainsi, dans ce travail de thèse, un problème scientifique et technique important du support d'information pour les systèmes de vidéosurveillance a été résolu et une nouvelle direction a été développée dans le domaine du traitement spatio-temporel et de la reconnaissance d'images dynamiques.

Liste de références pour la recherche de thèse Docteur en sciences techniques Favorskaya, Margarita Nikolaevna, 2011

1. Analyse automatique d'images complexes / Ed. EM. Bra-vermana. M. : Mir, 1969. - 309 p. Bongard M.M. Problèmes de reconnaissance. - M. : Nauka, 1967.-320 p.

2. Alpatov, B.A., Détection d'un objet en mouvement dans une séquence d'images en présence de restrictions sur la zone et la vitesse de déplacement de l'objet / B.A. Alpatov, A.A. Kitaev // Traitement d'images numériques, n°1, 2007. p. 11-16.

3. Alpatov, B.A., Identification d'objets en mouvement dans des conditions de distorsion géométrique de l'image / B.A. Alpatov, P.V. Babayan // Traitement numérique du signal, n°45 2004. p. 9-14.

4. Alpatov, B.A., Babayan P.V. Méthodes de traitement et d'analyse d'images" dans les systèmes embarqués de détection et de suivi d'objets / B.A. Alpatov, P.V. Babayan // Traitement numérique du signal, n° 2, 2006. 45-51 p.

5. Bolshakov, A.A., Méthodes de traitement des données multidimensionnelles et des séries chronologiques : Manuel pour les universités / A.A. Bolshakov. Bolchakov, R.I. Karimov/M. : Hotline-Télécom, 2007. 522 p.6 : Bongard, M.M. Problèmes de reconnaissance / M.M. Bongard/M. : Nauka, 1967.-320 p.

6. Boulinsky, A.B. Théorie des processus aléatoires1 / A.B. Boulinsky, A.N. Shiryaev / M. : FIZMATLIT, 2005. 408 p.

7. Weinzweig, M.N. Architecture du système de représentation de scènes dynamiques visuelles en termes de concepts / M.N. Vaintzvaig, M.N. Polyakova // Sam. tr. 11e panrusse conf. « Méthodes mathématiques de reconnaissance de formes (MMRO-11) », M., 2003. p.261-263.

8. Vapnik, V.N. Le problème de l'enseignement de la reconnaissance des formes / V.N. Vapnik / M. : Connaissance, 1970. - 384 p.

9. P. Vapnik, V.N. Théorie de la reconnaissance des formes (problèmes statistiques d'apprentissage) / V.N. Vapnik, A.Ya. Chervonenkis / M. : Nauka, 1974. 416 p.

10. Vassiliev, V.I. Reconnaissance des corps en mouvement / V.I. Vassiliev, A.G. Ivakhnenko, V.E. Reutsky et autres // Avtomatika, 1967, n° 6, p. 47-52.

11. Vassiliev, V.I. Systèmes de reconnaissance / V.I. Vasiliev / Kyiv : Nauk. Doumka, 1969. 292 p.

12. Vassiliev, V.I. Systèmes de reconnaissance. Annuaire / V.I. Vasiliev / Kiev, Nauk, Dumka, 1983. 422 p.

13. Vizilter, Yu.V. Application de la méthode d'analyse des preuves morphologiques aux problèmes de vision par ordinateur>/ Yu.V. Vizilter // Bulletin de l'informatique et des technologies de l'information, n° 9, 2007 p. 11-18.

14. Vizilter, Yu.V. Morphologies projectives basées sur l'interpolation / Yu.V. Vizilter // Bulletin de l'informatique et des technologies de l'information, n° 4, 2008.-p. 11-18.

15. Vizilter, Yu.V., Morphologies projectives et leur application dans l'analyse structurale des images numériques / Yu.V. Visilter, S.Yu. Jeltov // Izv. RAS. TiSU, n° 6, 2008. p. 113-128.

16. Vizilter, Yu.V. Etude du comportement des filtres autorégressifs dans la problématique de l'identification et de l'analyse du mouvement sur des séquences vidéo numériques / Yu.V. Visilter, B.V. Vishnyakov // Bulletin des technologies informatiques et de l'information, n° 8, 2008. - p. 2-8.

17. Vizilter, Yu.V. Morphologies projectives d'images basées sur des modèles décrits par des fonctionnelles structurantes / Yu.V. Visilter, S.Yu. Zheltov // Bulletin des technologies informatiques et de l'information, n° 11, 2009.-p. 12-21.

18. Vishnyakov, B.V. Utilisation d'une méthode de flux optique modifié dans le problème de détection et de suivi de mouvement inter-trame.

19. Ganebnykh, S.N. Analyse de scènes basée sur l'utilisation de représentations arborescentes d'images / S.N. Ganebnykh, M.M. Lange // Sam. tr. 11e panrusse conf. « Méthodes mathématiques de reconnaissance de formes (MMRO-11) », M., 2003.-p. 271-275.

20. Glushkov, V.M. Introduction à la cybernétique / V.M. Glushkov / Kiev : maison d'édition de l'Académie des sciences de la RSS d'Ukraine, 1964. 324 p.

21. Gonzalez, R., Woods R. Traitement d'images numériques. Traduction de l’anglais édité par P.A. Chochia / R. Gonzalez, R. Woods / M. : Tekhnosphere, 2006. 1072 p.

22. Goroshkin, A.N., Segmentation d'images de texte manuscrit (SegPic) / A.N. Goroshkin, M.N. Favorskaya // Certificat n° 2008614243. Inscrit au Registre des programmes informatiques, Moscou, 5 septembre 2008.

23. Grenander, W. Conférences sur la théorie des images / W. Grenander / En 3 volumes / Traduit de l'anglais. Éd. Yu.I. Zhuravleva. M. : Mir, 1979-1983. 130 pages.

24. Gruzman, I.S. Traitement numérique de l'image dans les systèmes d'information : Manuel. Manuel / I.S.Gruzman, C.-B. Kirichuk, vice-président. Kosykh, G.I. Peretyagin, A.A. Spector / Novossibirsk, maison d'édition NSTU, 2003. p. 352.

25. Inférence fiable et plausible dans les systèmes intelligents / Ed. V.N. Vagin, D.A. Pospélov. 2e éd., rév. et supplémentaire - M. : FIZMATLIT, 2008. - 712 p.

26. Duda, R. Reconnaissance de formes et analyse de scènes / R. Duda, P. Hart / M. : Mir Publishing House, 1978. 512 p.

27. Jouravlev, Yu.I. Sur l'approche algébrique de la résolution des problèmes de reconnaissance et de classification / Yu.I. Zhuravlev // Problèmes de cybernétique : Sat. Art., question. 33, M. : Nauka, 1978. p. 5-68.

28. Jouravlev, Yu.I. Sur la correction algébrique des procédures de traitement (transformation) de l'information / Yu.I. Zhuravlev, K.V. Rudakov // Problèmes de mathématiques appliquées et d'informatique, M. : Nauka, 1987. p. 187-198.

29. Jouravlev, Yu.I. Reconnaissance de formes et reconnaissance d'images / Yu.I. Jouravlev, I.B. Gurevich // Annuaire « Reconnaissance. Classification. Prévision. Méthodes mathématiques et leurs applications », vol. 2, M. : Nauka, 1989.-72 p.

30. Jouravlev, Yu.I. Reconnaissance de formes et analyse d'images / Yu.I. Zhuravlev, I.B. Gurevich / L'intelligence artificielle en 3 livres. Livre 2. Modèles et méthodes : Manuel / Ed. OUI. Pospelova, M. : maison d'édition "Radio et Communication", 1990. - pp. 149-190.

31. Zagoruiko, N.G. Méthodes de reconnaissance et leur application / N.G. Za-goruiko / M. : Sov. radio, 1972. 206 p.

32. Zagoruiko, N.G. Intelligence artificielle et prédiction empirique / N.G. Zagoruiko / Novossibirsk : éd. NSU, ​​​​​​1975. 82 p.

33. Ivakhnenko, A.G. Sur l'application de la théorie de l'invariance et du contrôle combiné à la synthèse et à l'analyse des systèmes d'apprentissage / A.G. Ivakhnenko // Avtomatika, 1961, n° 5, p. 11-19.

34. Ivakhnenko, G.I. Systèmes de reconnaissance et de contrôle automatique par auto-apprentissage / A.G. Ivakhnenko / Kiev : Tekhnika, 1969. 302 p.

35. Kashkin, V.B. Télédétection de la Terre depuis l'espace. Traitement d'images numériques : Manuel / V.B. Kashkin, A.I. Soukhinine / M. : Logos, 2001. 264 p.

36. Kobzar, A.I. Statistiques mathématiques appliquées. Pour les ingénieurs et les scientifiques / A.I. Kobzar / M. : FIZMATLIT, 2006. 816 p.

37. Kovalevsky, V.A. Méthode de corrélation de reconnaissance d'images / V.A. Kovalevski // Journal. Calculer. Mathématiques et Physique Mathématique, 1962, 2, n° 4, p. 684-690.

38. Kolmogorov, A.N. : Epsilon-entropie et epsilon-capacité des ensembles dans les espaces fonctionnels / A.N. Kolmogorov, V.M. Tikhomirov // Théorie de l'information et théorie des algorithmes. M. : Nauka, 1987. p. 119-198.

39. Korn, G. Manuel de mathématiques pour les scientifiques et les ingénieurs / G. Korn, T. Korn // M. : Nauka, Ch. éd. physique et mathématiques lit., 1984. 832 p.

40. Kronover, R. Fractales et chaos dans les systèmes dynamiques / R. Kronover // M. : Tekhnosphere, 2006. 488 p.

41. Lapko, A.B. Systèmes non paramétriques* et hybrides pour la classification de différents types de données / A.V. Lapko, BlA. Lapko // Tr. 12e panrusse conf. « Méthodes mathématiques et modèles de reconnaissance de formes » (MMRO-12), M., 2005.-p. 159-162.

42. Levtin, K.E. Détection visuelle de fumée (SmokeDetection) / K.E.Levtin, M.N. Favorskaya // Certificat n° 2009612795. Inscrit au Registre des programmes informatiques, Moscou, 3 juillet 2009.

43. Lutsiv, V.R. Principes d'unification des systèmes optiques des robots / V.R. Lutsiv, M.N. Favorskaya // V-book. « Unification et standardisation des robots industriels », Tachkent, 1984. p. 93-94.

44. Lutsiv, V.R. Système optique universel pour GAP / V.R. Lutsiv, M.N. Favorskaya // Dans le livre. « Expérience dans la création, la mise en œuvre et l'utilisation de systèmes automatisés de contrôle de processus dans les associations et les entreprises », L., LDNTP, 1984. p. 44-47.

45. Medvedeva, E.V. Méthode d'estimation des vecteurs de mouvement dans les images vidéo / E.V. Medvedeva, B.O. Timofeev // Dans les documents de la 12e conférence et exposition internationale « Traitement du signal numérique et ses applications », M. : En 2 volumes T. 2, 2010. p. 158-161.

46. ​​​​​​Méthodes de traitement d'images informatiques / Ed. V.A. Soifer. 2e éd., espagnol - M. : FIZMATLIT, 2003. - 784 p.

47. Méthodes de détection et de suivi automatiques d'objets. Traitement et contrôle d'images / B. A. Alpatov, P. V. Babayan, O.E. Balachov, A.I. Stepachkine. -M. : Ingénierie radio, 2008. - 176 p.

48. Méthodes d'optique informatique / Ed. V.A. Soifer. M. : FIZMATLIT, 2003. - 688 p.

49. Mudrov, A.E. Méthodes numériques pour PC en langages BASIC, Fortran et Pascal / A.E. Mudrov / Tomsk : député "RASKO", 1991. 272 ​​​​​​p.

50. Pakhirka, A.I. Localisation du visage (FaceDetection) / A.I. Pakhirka, M.N. Favorskaya // Certificat n° 2009611010. Inscrit au Registre des programmes informatiques, Moscou, 16 février 2009.

51. Pakhirka, A.I. Amélioration d'image non linéaire / A.I. Pakhirka, M.N. Favorskaya // Certificat n° 2010610658. Inscrit au Registre des programmes informatiques, Moscou, 31 mars 2010.

52. Pontryagin, L. S. Groupes continus J L. S. Pontryagin // 4e éd., M. : Nauka, 1984.-520 pp.

53. Potapov, A.A. Fractales en radiophysique et radar : Topologie d'échantillonnage / A.A. Potapov // Éd. 2ème, révisé et supplémentaire - M. : Livre Universitaire, 2005. 848 p.

54. Radchenko, Yu.S. Étude de l'algorithme spectral pour détecter les changements dans une séquence vidéo / Yu.S. Radchenko, A.V. Bulygin, T.A. Radchenko // Izv. Universités. Radioélectronique, ; N° 7, 2009. pp. 49-59.

55. Salnikov, I.I. Signaux spatio-temporels raster dans les systèmes d'analyse d'images / I.I. Salnikov // M. : FIZMATLIT, 2009. -248 p.

56. Sergunin, S.Yu. Schéma de construction dynamique de description multi-niveaux d'images / S.Yu.Sergunin, K.M.Kvashnin, M.I. Koumskov // Sam. tr. 11e panrusse Conf : « Méthodes mathématiques de reconnaissance de formes (MMRO-11) », M., 2003. p. 436-439 :

57. Slynko, Yu.V. Résoudre le problème du suivi et de la délimitation simultanés à l'aide de la méthode du maximum de vraisemblance / Yu.V. Slynko // Traitement numérique du signal, n°4, 2008. p. 7-10

58. Solso, R. Psychologie cognitive / R. Solso / Saint-Pétersbourg : Peter, 6e éd., 2006. 590 p.

59. Tarasov, c'est-à-dire. Développement d'appareils numériques basés sur des FPGA Xi-linx utilisant le langage VHDL / I.E. Tarasov / M. : Hot line-Télécom, 2005. - 252 p.

60. Favorskaya, M.N. Développement d'algorithmes de reconnaissance d'images numériques dans les systèmes robotiques adaptatifs / M.N*. Favorskaya // L !, Institut de l'aviation de Leningrad. ingénierie des instruments, 1985. Dépôt manuscrit : dans VINITI 23/01/85. N° 659-85 Dép.

61. Favorskaïa ; M.N. Application de méthodes spectrales pour la normalisation et la reconnaissance d'images dans les systèmes robotiques adaptatifs / M.N.*.Favorskaya // Leningrad, Leningradsky, Institute of Aviation. ingénierie des instruments, 1985. Dépôt de manuscrit. dans VINITI23.01.85. N° 660-85 Dép.

62. Favorskaya, M.N. Expérience dans le développement d'algorithmes de reconnaissance d'objets pour la production d'emboutissage / M.N. Favorskaya // Dans le livre. "Statut, expérience et orientations de travail sur l'automatisation complexe basée sur GPS, RTK et PR", Penza, 1985. p. 64-66.

63. Favorskaya, M.N. Etude des propriétés projectives de groupes d'objets / M.N. Favorskaya, Yu.B. Kozlova // Bulletin de l'Université aérospatiale d'État de Sibérie. Vol. 3, Krasnoïarsk, 2002. - p. 99-105.

64. Favorskaya, M.N. Détermination de la structure affine d'un objet par mouvement / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie, Vol. 6, Krasnoïarsk, 2005. - p. 86-89.

65. Favorskaya - M.N. Classification générale des approches de reconnaissance d'images / M-.N. Favorskaïa // V< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Fonctions de décision invariantes dans les problèmes de reconnaissance d'images statiques / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Vol. 1 (14), Krasnoïarsk, 2007. p. 65-70.

67. Favorskaya, M.N. Méthodes probabilistes pour la segmentation du flux vidéo en tant que problème de données manquantes / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Vol. 3 (16), Krasnoïarsk, 2007. p. 4-8.

68. Favorskaya, M.N. Sélection de fonctionnalités informatives cibles dans les systèmes de reconnaissance d'images / M.N. Favorskaya // Dans les matériaux du XI International. scientifique conf. « Lectures Reshetnev » Université agraire d'État de Sibérie, Krasnoïarsk, 2007 p. 306-307.

69. Favorskaya, M.N. Stratégies de segmentation d'images bidimensionnelles / M.N. Favorskaya // Dans les documents de la conférence scientifique panrusse « Modèles et méthodes de traitement d'images MMOI-2007 », Krasnoïarsk, 2007. p. 136-140.

70. Favorskaya, M.N. Segmentation d'images de paysages basée sur l'approche fractale / M.N. Favorskaya // Dans les documents de la 10e conférence et exposition internationale « Traitement du signal numérique et ses applications », M., 2008. p. 498-501.

71. Favorskaya, M.N. Modèle de reconnaissance d'image de texte manuscrit / M.N. Favorskaya, A.N. Goroshkin // Bulletin de l'Université aérospatiale d'État de Sibérie. Vol. 2" (19), Krasnoïarsk, 2008. pp. 52-58.

72. Favorskaya, M.N. Algorithmes de mise en œuvre de l'évaluation du mouvement dans les systèmes de vidéosurveillance / M.N. Favorskaya, A.S. Shilov // Systèmes de contrôle et technologies de l'information. Recherche prospective / UIP RAS ; VSTU, n° 3.3(33), M.-Voronej, 2008. p. 408^12.

73. Favorskaya, M.N. Sur la question de l'utilisation de grammaires formelles pour reconnaître des objets dans des scènes complexes // M.N. Favorskaya / Dans les documents de la XIIIe conférence scientifique internationale. "Lectures Reshetnev". En 2 parties 4.2, Krasnoïarsk, 2009. p. 540-541.

74. Favorskaya, M.N. Reconnaissance dynamique d'images basée sur des filtres prédictifs / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Vol. 1(22) à 2 heures 4f. 1, Krasnoïarsk, 20091 p. 64-68.

75. Favorskaya, M.N., Méthodes de recherche de mouvement dans les séquences vidéo / M.N. Favorskaya, A.I. Pakhirka, A.S. Chilov ; M.V. Damov // Bulletin. Université aérospatiale d'État de Sibérie. Vol. 1 (22) à 2 heures. Partie 2, Krasnoïarsk, 2009. p. 69-74.

76. Favorskaya, M.N. Recherche d'objets vidéo en mouvement à l'aide de tenseurs structurels 3D locaux / M.N. Favorskaya // Bulletin de l'Université aérospatiale d'État de Sibérie. Vol. 2 (23), Krasnoïarsk, 2009. p. 141-146.

77. Favorskaya, M.N. Estimation du mouvement des objets dans des scènes complexes basée sur l'approche tensorielle / M.N. Favorskaya // Traitement du signal numérique, n° 1, 2010.-p. 2-9.

78. Favorskaya, M.N. Calcul complexe des caractéristiques des images de paysages / M.N. Favorskaya, N.Yu. Petukhov // Optical Journal, 77, 8, 2010.-p. 54-60.

79. Très bien, C.-B. Reconnaissance d'images / B.C. Bien // M. : Nauka, 1970.-284 p.

80. Forsythe, D.A. Vision par ordinateur. Approche moderne / D.A. Forsyth, J. Pons // M. : Williams Publishing House, 2004. 928 p.

81. Fu, K. Méthodes séquentielles en reconnaissance de formes et apprentissage automatique / K. Fu / M. : Nauka, 1971. 320 p.

82. Fu, K. Méthodes structurelles en reconnaissance de formes / K. Fu / M. : Mir, 1977.-320 p.

83. Fukunaga, K. Introduction à la théorie statistique de la reconnaissance de formes / K. Fukunaga / M. : Nauka, 1979. 368 p.

84. Shelukhin, O.I. Autosimilarité et fractales. Applications de télécommunications / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / Éd. O.I. Cheloukhina. M. : FIZMATLIT, 2008. 368 p.

85. Shilov, A.S. Détermination du mouvement (MotionEstimation) / A.S. Shilov, M.N. Favorskaya // Certificat n° 2009611014. Inscrit au Registre des programmes informatiques, Moscou, 16 février 2009.

86. Sh. Shlesinger, M.I. Méthode de corrélation pour la reconnaissance de séquences d'images / M.I. Shlesinger / Dans le livre : Lecture d'automates. Kyiv : Nauk.dumka, 1965. p. 62-70.

87. Shlesinger, M.I. Analyse syntaxique de signaux visuels bidimensionnels dans des conditions d'interférence / M.I. Shlesinger // Cybernétique, n° 4, 1976. - pp. 76-82.

88. Stark, G.-G. Application des ondelettes pour DSP / G.-G. Stark/Ml : Technosphère, 2007. 192 p.

89. Shoup, T. Méthodes numériques appliquées en physique et technologie : Trad. de l'anglais / T. Shoup / Éd. S.P. Merkuryeva ; M. : Plus haut. Shk., 19901 - 255 pp. 11 "5. Électrique, ressource : http://www.cse.ohio-state.edu/otcbvs-bench

90. Electr, ressource : http://www.textures.forrest.cz/ ressource électronique (base de bibliothèque de textures d'images de textures forrest).

91. Electr, ressource : http://www.ux.uis.no/~tranden/brodatz.html ressource électronique (base de données d'images de texture Brodatz).

92. Allili M.S., Ziou D. Contours actifs pour le suivi d'objets vidéo à l'aide d'informations sur la région, les limites et la forme // SIViP, Vol. 1, non. 2, 2007. p. 101-117.

93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. Estimation robuste du mouvement de la caméra à l'aide de modèles de flux optique // Notes de cours dans

94. Informatique (y compris les sous-séries Notes de cours sur l'intelligence artificielle et Notes de cours sur la bioinformatique) 5875 LNCS (PARTIE 1), 2009. pp. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Classification des événements vidéo à l'aide de noyaux de chaînes // Multimed. Outils Appl., Vol. 48, non. 1, 2009. p. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Catégorisation des actions dans les vidéos de football à l'aide de noyaux de chaînes // Dans : Proc. de l'atelier international IEEE sur l'indexation multimédia basée sur le contenu (CBMI). Chania, Crète, 2009. pp. 13-18.

97. Barnard K., Fan Q. F., Swaminathan R., Hoogs A., Collins R, Rondot P. et Kaufhold J. Évaluation de la sémantique localisée : données, méthodologie et expériences // International Journal of Computer Vision, IJCV 2008, Vol. 77, non. 1-3,2008.-pp. 199-217.

98. Bertini M., Del Bimbo A., Serra G. Règles d'apprentissage pour l'annotation sémantique d'événements vidéo // Notes de cours en informatique ; Dans : Proc. de la Conférence internationale sur les systèmes d'information visuelle (VISUAL), Vol. 5188, 2008. pp. 192-203.

99. Bobick A.F., Davis J.W. La reconnaissance du mouvement humain à l'aide de modèles temporels // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, non. 3, 2001. p. 257-267.

100. Boiman O., Irani M. Détection des irrégularités dans les images et dans la vidéo // International Journal of Computer Vision, Vol. 74, non. 1, 2007. p. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.-P. Un modèle variationnel pour la segmentation d'objets utilisant des informations sur les limites et l'a priori de forme piloté4 par le fonctionnel Mumford-Shah // International Journal of Computer Vision, vol. 68, non. 2, 2006.-pp. 145-162.

102. Cavallaro A., Salvador E., Ebrahimi T. Traitement vidéo basé sur les objets prenant en compte les ombres // IEEE Vision ; Traitement de l'image et du signal, Vol. 152, non. 4, 2005.-pp. 14-22.

103. Chen J., Ye J. Formation SVM avec des noyaux indéfinis // Dans : Proc. de la 25e conférence internationale sur l'apprentissage automatique (ICML), Vol. 307, 2008. p. 136-143.

104. Cheung S.-M., Moon Y.-S. Détection des piétons qui s'approchent à distance à l'aide de modèles d'intensité temporelle // MVA2009, Vol. 10, non. 5, 2009. -p. 354-357.

105. N. Dalai, B. Triggs et G. Schmid, « Détection humaine à l'aide d'histogrammes orientés de flux et d'apparence », dans ECCV, vol. II, 2006. p. 428 ^ 141.

106. N. Dalai, B. Triggs, « Histogrammes de gradients orientés pour la détection humaine », Conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR), vol. II, 2005-p. 886-893.

107. Dani A.P., Dixon W.E. Structure de caméra unique et estimation de mouvement // Notes de cours en sciences du contrôle et de l'information, 401, 2010. pp. 209-229.

108. Datta Ri, Joshi D;, Li J. et Wang J. Z1 Récupération d'images : idées, influences et tendances du nouvel âge // ACM"-Computing Surveys, Vol. 40 :, no : 2, 2008. ■ - pages 1 à 60.

109. Dikbas S., Arici T., Altunbasak Y. Estimation de mouvement rapide avec précision de sous-échantillon sans interpolation // Transactions IEEE sur les circuits et les systèmes pour la technologie vidéo 20 (7), 2010. -pp. 1047-1051.

110. Dollar P., Rabaud V., Cottrell G., Belongie S. Reconnaissance du comportement via des caractéristiques spatio-temporelles clairsemées // In : Proc. 2e atelier international conjoint de l'IEEE sur l'évaluation du suivi et de la surveillance, VS-PETS, 2005. pp. 65-72.

111. Donatini P. et Frosini P. Pseudodistances naturelles entre surfaces fermées // Journal of the European Mathematical Society, Vol. 9, non. 2, 2007 p. 231-253.

112. Donatini P. et Frosini P. Pseudodistances naturelles entre courbes fermées // Forum Mathematicum, Vol. 21, non. 6, 2009. p. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Détection d'événements visuels à l'aide de dynamiques de concepts multidimensionnels // In : Proc. de la Conférence internationale de l'IEEE sur le multimédia et l'exposition (ICME), 2006. pp. 239-248.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Modélisation 3D réaliste de la croissance forestière avec effet naturel // Actes du deuxième symposium international KES IDT 2010, Baltimore. ETATS-UNIS. Springer-Verlag, Berlin, Heidelberg. 2010.-pp. 191-199.

115. François A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL : Un cadre d'ontologie pour représenter et annoter des événements vidéo // IEEE Multimedia, Vol : 12 ; Non. 4, 2005. p. 76-86.

116. Gao J., Kosaka A :, Kak A.C. Une approche de filtrage multi-Kalman pour le suivi vidéo d'objets délimités par des humains dans des environnements encombrés // IEEE Computer Vision and Image Understanding, 2005, V. 1, n° 1. pp. 1-57.

117. Gui L., Thiran J.-P., Paragios N. Segmentation conjointe d'objets et classification du comportement dans les séquences d'images // IEEE Conf. sur la vision par ordinateur et la reconnaissance de formes, 17-22 juin 2007. pp. 1-8.

118. Haasdonk B. Interprétation de l'espace des fonctionnalités des SVM avec des noyaux indéfinis // Transactions IEEE sur l'analyse de modèles et l'intelligence artificielle. Vol. 27, non. 4, 2005. p. 482-492.

119. Harris C. et Stephens M. Un détecteur combiné de coins et de bords // In Fourth Alvey Vision Conference, Manchester, Royaume-Uni, 1988. pp. 147-151.

120. Haubold A., Naphade M. Classification des événements vidéo à l'aide de fonctionnalités de mouvement compressé dans le temps en 4 dimensions // Dans CIVR "07 : Actes de la 6e conférence internationale ACM sur la récupération d'images et de vidéos, NY, États-Unis, 2007. - pages 178-185.

121. Haykin S. Réseaux de neurones : une introduction complète. / N.Y. : Prentice-Hall, 1999 ;.- 658 pi.

122. Hoynck M., Unger M., Wellhausen J. et Ohm J.-R. Une approche robuste de l'estimation du mouvement global pour l'analyse vidéo basée sur le contenu // Actes de SPIE Vol. 5601, Bellingham, Washington, 2004. p. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Désentrelacement utilisant l'analyse de mouvement hiérarchique // Transactions IEEE sur les circuits et les systèmes pour la technologie vidéo 20 (5), 2010. pp. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-trees, Oct-trees et K-trees : une approche généralisée de la décomposition récursive de l'espace euclidien // Transactions IEEE sur PAMI, Vol. 5, non. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R :, Hébert Mi. Détection efficace d'événements visuels à l'aide de fonctionnalités volumétriques // In : Proc. de la Conférence internationale sur la vision par ordinateur (ICCV), vol.1, 2005.-pp. 166-173.

126. Klaser A., ​​​​Marszalek M. et Schmid C.A Descripteur spatio-temporel basé sur des dégradés 3D // Dans BMVC, British Machine Vision, Conference, 2008. -pp. 995-1004.

127. Kovashka, A., Grauman, Pour apprendre une hiérarchie de caractéristiques discriminantes de voisinage spatio-temporel pour la reconnaissance de l'action humaine // Actes de la conférence IEEE Computer Society sur la vision par ordinateur et la reconnaissance de formes, 2010. pp.2046-2053.

128. Koumskov M.I. Schéma de calcul de l'analyse d'image contrôlée par les modèles des objets à reconnaître // Reconnaissance de formes et analyse d'image, Vol. 11, non. 2, 2001. p. 446-449 :

129. Kwang-Kyu S. Récupération d'images basée sur le contenu en combinant un algorithme génétique et une machine à vecteurs de support // Dans ICANN (2), 2007. pp. 537-545.

130. Lai C.-L., Tsai S.-T., Hung Y.-P. Une étude sur l'étalonnage des coordonnées tridimensionnelles à l'aide d'un système flou // Symposium international sur l'informatique, la communication, le contrôle et l'automatisation 1, 2010. - pp. 358-362.

131. Laptev I. Sur les points d'intérêt spatio-temporels // International Journal of Computer Vision, Vol. 64, non. 23, 2005. p. 107-123.

132. Leibe B., Seemann E., Schiele B. Détection des piétons dans les scènes bondées* // Conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, Vol. 1, 2005.-pp. 878-885.

133. Lew M. S., Sebe N., Djeraba C. et Jain R. « Récupération d'informations multimédias basées sur le contenu1 : état de l'art et défis », ACM Transactions on Multimedia Computing, Communications, and Applications, Vol. 2, non. 1, 2006. p. 1-19.

134. Li J. et Wang J. Z. Annotation informatisée en temps réel des images // IEEE Trans. PAMI, Vol. 30, 2008. p. 985-1002.

135. Li L., Luo R., Ma R., Huang W. et Leman K. Évaluation d'un système IVS pour la détection d'objets abandonnés sur les ensembles de données PETS 2006 // Proc. 9 Stagiaire IEEE. Atelier sur les PETS, New York, 2006. pp. 91-98.

136. Li L., Socher R. et Fei-Fei L. Vers une compréhension totale de la scène : classification, annotation et segmentation dans un cadre automatique // Conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, CVPR, 2009. pp. 2036-2043.

137. Li Q., ​​​​​​Wang G., Zhang G.) Chen S. Estimation précise du mouvement global basée sur une pyramide avec masque // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao/Journal of Computer-Aided Design and Computer Graphics, Vol : 21 , non. 6, 2009. p. 758-762.

138. Lindeberg T., Akbarzadeh A. et Laptev I. Opérateurs d'intérêt spatio-temporels à diagonale galiléenne // Actes de la 17e Conférence internationale sur la reconnaissance de formes (ICPR "04), 2004. pp. 1051-1057.

139. Lim J., Barnes, N. Estimation de l'épipôle à l'aide du flux optique aux points antipodaux // Computer Vision and Image Understanding 114, no. 2, 2010. p. 245-253.

140. Lowe D. G. Caractéristiques d'image distinctives à partir de points clés invariants à l'échelle // International Journal of Computer Vision, Vol. 60, non. 2, 2004. p. 91-110.

141. Lucas B.D., Kanade T. Une technique itérative d'enregistrement d'images avec une application à la vision stéréo // Conférence internationale conjointe sur l'intelligence artificielle, 1981. pp. 674-679.

142. Mandelbrot B;B. La géométrie fractale de la nature / N.Y. : Freeman^ 1982. 468 p. ; russ, trad. : Mandelbrot B. Fractale, géométrie de la nature : Trad. de l'anglais / M. : Institut de Recherche Informatique, 202. - 658 p.

143. Mandelbrot V.V., Frame M.L. Enseignement des fractales, des graphiques et des mathématiques/N. Y. : Springer-Verlag, 2002. 654 p.

144. Mandelbrot B.B. Fractales et chaos : l'ensemble de Mandelbrot et au-delà / N.Y. : Springer-Verlag, 2004. 308 p.

145. Memoli F. Sur l'utilisation des distances de Gromov-Hausdorff pour la comparaison de formes // Actes du Symposium Eurographics sur les graphiques basés sur des points. Prague, République tchèque, 2007. pp. 81-90.

146. Mercer J. Fonctions de types positifs et négatifs et leur lien avec la théorie des équations intégrales // Transactions de la London Philosophical Society (A), vol. 209, 1909. p. 415-446.

147. Mikolajczyk K. Détection de caractéristiques locales invariantes aux transformations affines, thèse de doctorat, Institut National Polytechnique de Grenoble, France. 2002.171 p.

148. Mikolajczyk K. et Schmid G. Un détecteur de points d'intérêt affine invariant // Actes de l'ECCV. Vol. 1. 2002. p. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Reconnaissance de l'action humaine à l'aide d'une machine d'apprentissage extrême basée sur des vocabulaires visuels // Neurocomputing, Vol. 73 (10-12), 2010. p. 1906-1917.

150. Mladenic D., Skowron A., éd. : CELV. Vol. 4701 des Notes de cours en informatique, Springer, 2007. pp. 164-175.

151. Moshe Y., Hel-Or H. Estimation du mouvement des blocs vidéo basée sur des noyaux de code gris // IEEE Transactions on Image Processing 18 (10), 2009. pp. 22432254.

152. Nakada T., Kagami S ;, Mizoguchi H. Détection des piétons à l'aide de séquences de flux optiques 3D pour le robot afMobile // Capteurs IEEE, 2008. pp : 116-119 :

153. Needleman, SB :,. Wunsch CD; Une méthode générale applicable à la recherche de similitudes dans la* séquence d'acides aminés de deux protéines // Journal "of Molecular Biology Vol. 48, no : 3, 1970. pp. 443-453.

154. Neuhaus M., Bunke H. Modifier les fonctions du noyau basées sur la distance pour la classification des modèles structurels // Reconnaissance des modèles. Vol. 39, non. 10, 2006. pages : 1852-1863.

155. Nevatia R., Hobbs J. et Bolles B. Une ontologie pour la représentation d'événements vidéo // Dans un atelier sur la détection et la reconnaissance d'événements. IEEE, Vol.12, non. 4, 2004. p. 76-86.

156. Nguyen.N.-T., Laurendeau D :, Branzan-Albu A. Une méthode robuste d'estimation du mouvement de la caméra dans les films basée sur le flux optique // The 6th International

Veuillez noter que les textes scientifiques présentés ci-dessus sont publiés à titre informatif uniquement et ont été obtenus grâce à la reconnaissance de textes de thèse originaux (OCR). Ils peuvent donc contenir des erreurs associées à des algorithmes de reconnaissance imparfaits. Il n’y a pas de telles erreurs dans les fichiers PDF des thèses et résumés que nous livrons.

SCIENCES NATURELLES ET TECHNIQUES

CDU 519.673 : 004.9

INTERPRÉTATION DU MODÈLE CONCEPTUEL D'UN OBJET SPATIAL DYNAMIQUE DANS LA CLASSE DES SYSTÈMES FORMELS*

ET MOI. Friedmann

Institut d'informatique et de modélisation mathématique KSC RAS

annotation

Les problématiques de modélisation d'objets dynamiques complexes (SDO) dans des domaines faiblement formalisés sont abordées. Pour le modèle conceptuel situationnel précédemment proposé de tels objets, une interprétation a été développée dans la classe des systèmes formels sémiotiques, qui permet d'intégrer divers moyens d'étude du LMS, fournissant un traitement conjoint des données logiques et analytiques et une analyse situationnelle de l'état de l'objet étudié en utilisant des connaissances expertes et en prenant en compte les dépendances spatio-temporelles dans les caractéristiques du LMS, réalisées à partir d'informations cartographiques.

Mots clés:

modèle conceptuel, objet spatial dynamique, système formel sémiotique.

Introduction

Cet article examine les enjeux de la modélisation LMS dans des domaines faiblement formalisés. Outre la complexité structurelle, la particularité des LMS est que les résultats de leur fonctionnement dépendent de manière significative des caractéristiques spatiales de leurs composants et du temps.

Lors de la modélisation d'un LMS, il est nécessaire de prendre en compte une variété de flux d'informations, financiers, matériels et énergétiques, de prévoir une analyse des conséquences d'un changement de structure d'un objet, des situations critiques possibles, etc. L'incomplétude fondamentale des connaissances sur ces objets limite l'applicabilité des modèles analytiques classiques et détermine l'accent mis sur l'utilisation de l'expérience des experts, qui, à son tour, est associée à la création de moyens appropriés de formalisation des connaissances des experts et à leur intégration dans le système de modélisation. . Par conséquent, dans la modélisation moderne, le rôle d'un concept tel que le modèle de domaine conceptuel (CMDO) a considérablement augmenté. La base de KMPO n'est pas un modèle algorithmique de transfert et de transformation de données, comme dans les modèles analytiques, mais une description déclarative de la structure d'un objet et de l'interaction de ses composants. Ainsi, KMPO se concentre dans un premier temps sur la formalisation des connaissances des experts. Dans KMPO, les éléments du domaine étudié sont définis et les relations entre eux sont décrites, qui définissent la structure et les relations de cause à effet significatives dans le cadre d'une étude particulière.

Le système de modélisation situationnelle (SMS) présenté dans ce travail basé sur un modèle conceptuel situationnel (SCM) arborescent est l'une des options

* Les travaux ont été partiellement soutenus par des subventions de la Fondation russe pour la recherche fondamentale (projets n° 13-07-00318-a, n° 14-07-00256-a,

N° 14-07-00257-a, N° 14-07-00205-a, N° 15-07-04760-a, N° 15-07-02757-a).

mise en œuvre de technologies telles que CASE (Computer Aided Software Engineering) et RAD (Rapid Application Development).

Systèmes formels sémiotiques

Le principal avantage du calcul logique en tant que modèle de représentation et de traitement des connaissances est la présence d'une procédure formelle uniforme pour prouver les théorèmes. Cependant, cela présente également le principal inconvénient de cette approche : la difficulté d'utiliser des heuristiques qui reflètent les spécificités d'un environnement problématique spécifique lors de la preuve. Ceci est particulièrement important lors de la construction de systèmes experts dont la puissance de calcul est principalement déterminée par les connaissances caractérisant les spécificités du domaine. D'autres inconvénients des systèmes formels incluent leur monotonie (l'incapacité d'abandonner des conclusions si un fait supplémentaire devient vrai, et en ce sens ils diffèrent du raisonnement basé sur le bon sens), le manque de moyens pour structurer les éléments utilisés et l'inadmissibilité des contradictions. .

La volonté d’éliminer les défauts des systèmes formels lorsqu’ils sont utilisés en intelligence artificielle a conduit à l’émergence de systèmes sémiotiques formalisés par le chiffre huit :

S :: = (B, F, A, R, Q(B), Q(F), Q(A), Q(R)). (1)

Dans (1), les quatre premiers composants sont les mêmes que dans la définition d'un système formel, et les composants restants sont les règles de modification des quatre premiers composants sous l'influence de l'expérience accumulée dans la base de connaissances sur la structure et le fonctionnement. d’entités dans un environnement problématique donné. La théorie de tels systèmes en est à ses débuts, mais il existe de nombreux exemples de résolution de problèmes spécifiques dans le cadre de ce paradigme. Un tel exemple est décrit ci-dessous.

Bases de la modélisation situationnelle

Lors de la définition d'un problème et de la préparation du processus de modélisation, KMPO est destiné à représenter des connaissances sur la structure du domaine étudié. Pour les éléments KMPO, il existe une correspondance entre l'objet du monde réel lui-même et sa représentation modèle. Pour garantir la possibilité d'automatiser les étapes ultérieures de la modélisation, le modèle du domaine est mappé sur un système formel qui lui est adapté. Cette transition est réalisée lors de la construction du CMPO en attribuant à chacun de ses éléments une certaine description formelle. En conséquence, l'achèvement de la construction des CMPO correspondra au passage de la connaissance informelle du domaine étudié à leur représentation formelle, ne permettant qu'une interprétation procédurale sans ambiguïté. Le modèle formel résultant est de nature déclarative, puisqu'il décrit principalement la composition, la structure et les relations entre les objets et les processus, quelle que soit la méthode spécifique de leur mise en œuvre dans un ordinateur.

Le langage déclaratif pour décrire le SCM se compose de deux parties : une partie correspondant aux objets du monde décrit, et une partie correspondant aux relations et attributs des objets présentés dans le modèle. La théorie des ensembles axiomatiques est utilisée comme base mathématique du langage déclaratif.

Le SCM décrit trois types d'éléments (entités) du monde réel : les objets, les processus et les données (ou ressources). Les objets reflètent la structure organisationnelle et spatiale de l'objet de recherche, un ensemble de processus peut être associé à chacun d'eux. Un processus est compris comme une action (procédure) qui transforme un sous-ensemble de données, appelé entrée par rapport au processus considéré, en un autre sous-ensemble d'entre elles,

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

ET MOI. Friedmann

a appelé un jour de congé. Les données caractérisent l'état du système. Ils sont utilisés dans la mise en œuvre des processus et servent de résultats à leur exécution. L'exécution de tout processus modifie les données et correspond au passage du système d'un état à un autre. Les relations et interactions des objets du monde réel sont décrites dans le modèle à l'aide de relations définies sur des ensembles d'objets, de processus et de données. Chaque relation relie un élément du modèle à un ensemble d'autres éléments.

Les noms des éléments SCM sont donnés en fonction du domaine. Chaque élément du modèle se voit attribuer un exécuteur qui assure sa mise en œuvre lors de la simulation. Le type d'exécuteur détermine les caractéristiques de l'implémentation, telles que le langage de programmation dans lequel l'exécuteur du processus correspondant est écrit, et le type d'exécuteur dans le langage algorithmique.

Les attributs décrivant le type de relation hiérarchique spécifient la représentation des objets de modèle au niveau inférieur suivant de la hiérarchie. Le type de relation composition (&) spécifie qu'un objet est construit par une agrégation de ses sous-objets. Le type de classification (v) indique qu'un objet de niveau supérieur est une généralisation d'un groupe d'objets de niveau inférieur. La relation de type « classification » dans SCM est utilisée pour représenter différentes variantes d'un élément de niveau supérieur. Le type « itération » (*) permet de définir des processus itératifs dans le SCM et de décrire des structures de données régulières.

Selon le type de relation hiérarchique, l'objet se voit attribuer une donnée de contrôle. Les données de contrôle sont utilisées pour définir plus en détail la structure des processus qui ont le type de relation hiérarchique « classification » ou « itération », et les données qui ont la relation hiérarchique de type « itération ».

La représentation formelle du SCM permet d'automatiser considérablement l'analyse de l'exactitude de la structure et de la solvabilité du SCM.

Un aspect important de l’efficacité du SCM est la commodité de présenter les résultats de simulation. Actuellement, l'environnement le plus prometteur pour la recherche informatisée d'objets de classe LMS est considéré comme un système d'information géographique (SIG). Outre la visualisation avancée et le traitement graphique des données, les outils SIG permettent en principe de formuler des tâches pour des calculs spatialement coordonnés dans un environnement graphique convivial, bien que cela nécessite un développement logiciel supplémentaire. De plus, les progiciels SIG ne sont pas conçus pour analyser la dynamique d'un objet et pour un traitement mathématique sérieux des données.

Un autre avantage du SIG dans le cadre de la problématique considérée est que chaque élément graphique peut être associé à des champs de base de données supplémentaires modifiables par des modules informatiques externes, contrairement aux attributs graphiques. Ces champs peuvent notamment stocker les attributs du modèle conceptuel liés à un élément donné, ainsi que d'autres paramètres nécessaires à l'organisation et à la conduite de la modélisation.

Ainsi, chaque cycle de calcul lors de la modélisation comprend trois étapes : la définition des conditions de calcul, le calcul lui-même et la sortie des résultats. L'objectif informel du développement SCM est d'automatiser toutes ces étapes tout en fournissant un service maximal à l'utilisateur non-programmateur, c'est-à-dire en utilisant la terminologie du domaine et une interface utilisateur conviviale avec l'ordinateur. Pour les mêmes raisons, le SMS doit être fonctionnel complet, c'est-à-dire fournir à l'utilisateur tous les outils dont il a besoin sans accéder explicitement à d'autres environnements logiciels. La création de bibliothèques graphiques spécialisées et d'outils de génération de rapports nécessiterait des coûts de programmation déraisonnables et rallongerait considérablement le temps de développement. Une solution de compromis semble donc appropriée : confier les tâches de sortie de données à des progiciels standards ou à des modules logiciels spécialisés, mais automatiser au maximum leur travail, en éliminant le dialogue avec l'utilisateur dans son environnement.

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

Interprétation du modèle conceptuel...

Description formelle du SCM

SCM est basé sur la représentation de l'objet de modélisation sous la forme d'un graphe ET-OU arborescent, affichant une décomposition hiérarchique des éléments structurels du LMS en fonction de leurs connexions organisationnelles.

Pour éviter les problèmes de calcul associés à de petits changements dans les données et pour prendre en charge le traitement conjoint des données informatiques et logiques, dans SCM, les données de sortie des procédures de traitement (à l'exception des données calculées par SIG) ne peuvent être que des données avec un ensemble fini discret de valeurs (telles que des listes). Si les valeurs de certaines données données sont des constantes de chaîne, alors ces données données sont appelées un paramètre (catégorie PAR), et celles qui ont des valeurs numériques sont appelées une variable (catégorie VAR), et vous pouvez exécuter certaines fonctions. dessus opérations mathématiques. Si le résultat du calcul est la valeur d'une variable, elle est arrondie à la valeur la plus proche dans la liste des valeurs valides. À l'avenir, si ce qui précède s'applique à des données de tout type autorisé dans SCM, le terme « données » sera utilisé. Ainsi, l'ensemble des noms de données est divisé en ensembles de noms de variables et de paramètres :

D::=< Var, Par >, Var::= (var ), je = 1, N ;

7 7 k l 7 v 7 (2)

Par::=(parj), j = 1, Np, où Nv et Np sont les puissances de ces ensembles.

Les données modélisent les ressources (caractéristiques quantitatives) d'objets ou de processus (catégorie RES), les variables peuvent également être utilisées comme paramètres de réglage des fonctions (critères) pour la qualité de fonctionnement des éléments SCM (catégorie ADJ). En conséquence, l'ensemble des noms de variables est divisé en un sous-ensemble de noms de ressources d'éléments SCM et un sous-ensemble de noms de paramètres de définition des critères de qualité de ces éléments :

Var::=< Res, Adj > (3)

Une catégorie distincte (catégorie SIG) comprend les caractéristiques graphiques des objets SCM, directement calculées dans le SIG. Tous appartiennent à des variables, mais ne sont pas considérés comme des listes, car ils sont utilisés uniquement comme ressources d'entrée des éléments du modèle et ne changent pas au cours de la simulation.

Les objets SCM ont trois caractéristiques principales : un nom, un type fonctionnel qui définit la structure et les fonctions de l'objet et est utilisé dans le processus d'analyse de l'exactitude du SCM, et le nom du superobjet qui domine cet objet dans le SCM ( absent pour l'objet de niveau supérieur). Selon leur position dans l'arborescence des objets et sur la carte, on distingue trois catégories d'objets SCM : les primitifs (catégorie LEAF), structurellement indivisibles du point de vue de l'objectif global de modélisation, les objets élémentaires (catégorie GISC), géographiquement associés à un élément SIG (polygone, arc ou point de certains revêtements), et des objets composites (catégorie COM), constitués d'objets élémentaires et/ou composites. La structure des objets de la catégorie GISC dans SCM peut être assez complexe, mais tous leurs sous-objets ont le même emplacement géographique. Un ensemble d'objets forme une hiérarchie :

О = (à 0Уа)::=2°à, (4)

où a = 1, Nl est le numéro du niveau de l'arborescence des objets auquel appartient cet objet (L est le nombre total de niveaux de décomposition) ;

vb = 1, Nb - numéro de série de l'objet à son niveau de décomposition ;

r = 1, N6_ - numéro de série du superobjet qui domine un élément donné au niveau sus-jacent ;

À propos de - un ensemble d'objets appartenant au numéro de niveau a.

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

ET MOI. Friedmann

Pour assurer la cohérence du SCM, on suppose qu'il existe un seul superobjet qui domine tous les objets du premier niveau de décomposition, c'est-à-dire que la relation suivante est valide :

O. -i0.”) 0, = (5)

Les processus dans SCM affichent des transformations de données et sont implémentés de différentes manières en fonction de l'une des trois catégories suivantes attribuées au processus : processus internes (catégorie INTERNE), toutes leurs données d'entrée et de sortie appartiennent à un seul objet ; processus intra-niveau (catégorie INTRA), reliant des objets SCM qui ne sont pas subordonnés les uns aux autres ; processus inter-niveaux (catégorie INTER), décrivant le transfert de données entre un objet et des sous-objets ou entre un objet et un superobjet. La catégorisation introduite des processus complique quelque peu le processus de création du SCM (dans certains cas, il peut être nécessaire de créer des processus fictifs fournissant une telle typification), mais permet de rendre les procédures de contrôle formelles du SCM beaucoup plus complètes et détaillées.

Les principales caractéristiques des processus : un nom unique, des caractéristiques de l'exécuteur du processus et le type fonctionnel du processus, qui détermine le type de transformations effectuées par celui-ci et est utilisé dans le processus d'analyse de l'exactitude du SCM ; De plus, une liste de données d'entrée et de sortie et de leurs valeurs limites autorisées est utilisée. L'exécuteur du processus précise ses propriétés dynamiques et le mode de mise en œuvre dans l'ordinateur. L'exécuteur peut être spécifié soit directement (sous la forme d'une équation différentielle), soit indirectement - en référence au nom du module logiciel qui implémente ce processus.

Le schéma du modèle conceptuel est formé par le tuple :

^SSM ::=<о,P,DCM,H,OP,PO,U >, (6)

où O est l'ensemble des objets KMPO (9) ;

P::= (pn I n = 1, Np - ensemble de processus KMPO ;

DCM avec D est l'ensemble de données du modèle conceptuel, où D est défini en (4), (5) ;

H est la relation de hiérarchie des objets, qui, compte tenu de (4) et (5), prendra la forme :

où Hb avec O6x B,(O6) sont les relations hiérarchiques pour chaque niveau de l'arbre des objets, et b"(o6) est une partition de l'ensemble Oa ;

OP avec O x B (P) - la relation « objet - processus générant ses données de sortie », et B (P) est une partition de l'ensemble P ;

PO avec P x B(O) - la relation « processus - objets créant ses données d'entrée » ;

U::= Up et U0 - une relation qui formalise le contrôle du processus de calcul basé sur SCM, comporte des composants de la forme suivante :

U c P x B(Res) - la relation « processus - données de contrôle » ;

Uo с О x B(Res) - la relation « objet - données de contrôle ».

La relation « objet (processus) - données de contrôle » associe une donnée à un certain objet (processus) du modèle, qui définit davantage cet objet lors du passage à une interprétation algorithmique. Le transfert de données entre objets s'effectue uniquement via des listes de données d'entrée et de sortie de ces objets, ce qui est conforme aux principes d'encapsulation de données adoptés dans la programmation orientée objet moderne. Tous les processus affectés à un objet sont décrits par la relation OA avec O x B(P) « objet - processus qui lui sont affectés ». Cette relation n'est pas incluse dans le diagramme

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

Interprétation du modèle conceptuel...

SCM, puisque contrairement aux relations H, OR et RO, elle n'est pas précisée par l'utilisateur lors de la construction du modèle, mais est générée automatiquement.

Les relations définies dans le modèle sont commodément représentées sous la forme de fonctions (7), partiellement définies sur les ensembles O et P, avec des plages de valeurs B(P), B(O) ou B"(Ob).

les fonctions sont indiquées par des caractères minuscules correspondant aux caractères majuscules dans les noms de relations :

h:°b_1 ^B"(Oa),(Vo;. e06,Vo! e°b_Hoj = hb(o))оojHbog); op . O ^ B(p^ (Vo e O, Vp e r)(( p ; = opio)) " ■ o,Opp]);

Po.p ^ b(0), (vo e O, VP] e p)((o = po(P])) « P]OPot);

oa : O ^ B(P),(VOi e O, Vp) e P)((p) = oa(ot))otOAp));

: p ^ B(Res\(vPi e p, Vres] e Res)((res] = up (pi)) ptUpres]);

: O ^ B(Res), (Vo1 e O, VreSj e Res)((resj = uo (o1)) o1Uo resj).

Les ensembles de valeurs des fonctions (7), qui forment des sections des domaines de valeurs des relations introduites le long d'un élément des domaines de leur définition, sont notés en gras:

h6 (oi)::= \P] : o] = ha(oi)); oP(oi) ::= \P] : P] = oP(oi));

po(P]) ::= (o: oi = po(p])); oci(pi) ::= ^ . p) = oa(oi)); (8)

haut (Pi) ::= \res]: res] = haut (Pi)); uo (o) ::= \res]: res] = uo (o)).

De la même manière que (8), les sections des relations introduites sont écrites sur des sous-ensembles de leurs domaines de définition, construits comme des unions de toutes les sections sur les éléments de ces sous-ensembles. Par exemple, h (Oi), où Oi c O6_x, est un ensemble d'objets au niveau a, dominé par un sous-ensemble donné d'objets oj e O t, qui sont au niveau a - 1.

Ci-dessous nous utilisons également l’ensemble de subordination de l’objet oi h ’(oi)::= U h(oi).

Les algorithmes développés pour attribuer des catégories aux éléments SCM utilisent les relations décrites ci-dessus et identifient tous les éléments. erreurs possibles catégoriser les éléments du modèle. Les procédures de contrôle de l'exactitude des nominations des interprètes des éléments SCM utilisent les restrictions suivantes (les preuves sont fournies).

Théorème 1. Dans le SCM final, une décomposition récursive des types d'exécuteurs d'objets ne peut pas avoir lieu, c'est-à-dire qu'aucun objet inclus dans l'ensemble de subordination d'un certain objet ne peut avoir un exécuteur du même type que l'objet d'origine.

Théorème 2. Dans un SCM fini, une inversion de la subordination des exécuteurs d'objets ne peut pas avoir lieu, c'est-à-dire qu'aucun objet inclus dans l'ensemble de subordination d'un objet avec un exécuteur de type e1 ne peut avoir un exécuteur du même type que n'importe quel autre. objet dans lequel l'ensemble de subordination contient tout objet avec un exécuteur de type e1.

Principes du contrôle de solvabilité SCM

La construction d'un modèle correct, réalisée conformément aux règles adoptées dans le SSM, ne garantit pas que ce modèle soit résoluble, c'est-à-dire qu'il est possible de résoudre tous les problèmes qui y sont déclarés. Dans le cas général, la solvabilité signifie l'accessibilité d'un certain sous-ensemble d'objets modèles, définis comme cible, à partir d'un autre sous-ensemble d'objets, défini comme source. La résolvabilité peut être considérée sous deux aspects principaux : lors de l'analyse de l'ensemble du modèle (avant le début des calculs), elle implique cohérence et absence d'ambiguïté dans la description de toutes les options acceptables pour atteindre un objectif global à différents niveaux de la hiérarchie, et Dans le processus

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

ET MOI. Friedmann

Lors de la mise en œuvre de la modélisation, la solvabilité consiste à assurer la sélection du bon fragment du modèle qui décrit la situation étudiée. La différence fonctionnelle entre les aspects répertoriés est que lors de l'analyse de l'ensemble du modèle, seule la possibilité potentielle de modéliser tous les objets décrits dans le modèle est évaluée, et lors de l'analyse d'une situation spécifique, des tâches supplémentaires sont définies pour sélectionner le fragment minimum qui décrit cette situation. et comparer quantitativement les alternatives possibles qu'il contient. Le deuxième aspect de la solvabilité est étudié dans , et les caractéristiques de l'analyse de la solvabilité du SCM dans son ensemble sont présentées ici, qui est effectuée automatiquement après avoir vérifié son exactitude et peut être effectuée à tout moment à la demande de l'utilisateur. . En général, le problème de l'analyse de solvabilité peut être formulé sous la forme suivante : deux ensembles d'éléments du modèle sont indiqués - l'initial et la cible, et le modèle est résoluble s'il existe une séquence d'étapes permettant d'obtenir l'ensemble cible à partir du celui initial. Des algorithmes d'ondes simples conviennent pour cela.

Lors de l’analyse des deux aspects de la décidabilité, le modèle conceptuel est traité comme un système formel. Son alphabet comprend :

symboles indiquant les éléments du modèle (pi, on, resj, ...) ;

symboles fonctionnels décrivant les relations et les connexions entre les éléments du modèle (ha, op,...) ;

symboles spéciaux et syntaxiques (=, (,), ^,...).

L'ensemble des formules du système formel considéré forme : les symboles proprement dits désignant les éléments de KMPO :

(Pi e P) u (Oj eO] u (resk e DCM); (9)

des expressions (7), (8) et d'autres formules pour calculer des fonctions et des ensembles définis à l'aide de relations introduites sur des ensembles (5) ;

expressions de calculabilité pour chaque processus du modèle conceptuel :

list_in(pi) \ list out(pi), Up(pi) [, sp)] ^ p„ list_out(p,), (10)

où, en raison de l'hypothèse adoptée dans le SSM sur l'autonomie de la structure de chaque objet, l'ensemble s(p) de processus précédant pi ne peut inclure que des processus affectés au même objet :

s(pi) avec оа(оа"1(р1)); (11)

expressions de calculabilité pour chaque objet du modèle conceptuel : list_in(oi), up(Oj), oа(o,), h(o,) ^ oi, list_out(oi) ; (12)

expressions pour la calculabilité des données d'entrée de chaque objet du modèle conceptuel qui reçoit des ressources matérielles d'autres objets (og : oo(o) Ф 0) :

00(0,) ^ list_in(oi). (13)

Les expressions (9) à (13) incluent uniquement les ressources matérielles, c'est-à-dire qu'elles n'analysent pas les données de sortie des processus de configuration et retour liés aux ressources d’informations SCM. De plus, la calculabilité des ensembles définis dans les prémisses de ces expressions est énoncée à la condition que tous les éléments des ensembles spécifiés soient calculables.

La première prémisse de la proposition (10) nécessite une justification supplémentaire. Comme on le sait, en présence de cycles sur les ressources dans le domaine, des données peuvent apparaître qui, lors de la construction d'un modèle conceptuel, doivent être déclarées simultanément comme entrée et sortie pour certains processus CMPO. Selon l'hypothèse adoptée dans le SSM, ces cycles sont inclus dans les objets KMPO, c'est-à-dire qu'ils doivent être pris en compte lors de l'analyse de la solvabilité au niveau du processus.

Si, lors de l'analyse de la solvabilité du SCM, on utilise l'expression de calculabilité proposée dans et qui prend la forme pour le SCM :

list_in(p,) & up(p,) [& s(p,)] ^ p, & list_out(p,), (14)

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

Interprétation du modèle conceptuel...

il ne sera alors pas possible d'inclure dans le modèle des ressources qui servent simultanément de données d'entrée et de sortie d'un même processus, c'est-à-dire de décrire des processus de calcul récurrents souvent rencontrés dans la pratique. Une issue à la situation est donnée par le théorème ci-dessous, prouvé dans l'ouvrage.

Théorème 3. Une ressource qui est simultanément une entrée et une sortie pour le même processus SCM et qui n'est une sortie pour aucun des processus qui le précèdent, liés au processus spécifié par la relation de génération de processus (13), peut être exclue du côté gauche de la proposition de calculabilité sans violer l’exactitude de la solvabilité de l’analyse du modèle.

L'ensemble des axiomes du système formel considéré comprend :

axiomes de calculabilité de toutes les ressources liées aux données externes (ayant des exécuteurs de type DB, GISE ou GEN)

|- resj : (ter(resj) = DB) v (ter(resj) = GISE) v (tS[(resJ) = GEN); (15)

axiomes de calculabilité de tous les éléments SIG du SCM (dont les types commencent par les symboles point, pol ou arc)

|-0J :<х>point) v (à(o/) Yu pol) V (à(oj) Yu arcX (16)

où par symbole l'inclusion de types SIG standards dans le type fonctionnel d'un objet est classiquement indiquée.

Dans le système formel considéré, deux règles d'inférence sont spécifiées :

règle de conséquence directe -

Fi, Fi ^ F2 |- F2; (17)

règle suivante avec égalité -

Fi, Fi = F2, F2 ^ F3 |- F3, (18)

où F, sont quelques formules de (9) à (13).

La structure du système formel décrit est similaire à la structure du système proposé dans. Une différence significative réside dans le type d'expressions de calculabilité (10), (12), (13) et la composition des axiomes sur la base desquels la solvabilité du modèle conceptuel est analysée.

La totalité des connaissances sur le domaine présenté dans le SCM peut être considérée comme correcte si, à différents niveaux de la hiérarchie, le modèle conceptuel présente effectivement des spécifications mutuellement convenues d'objets et de processus qui garantissent la génération correcte de ressources pour le fonctionnement des objets. à des niveaux supérieurs. La correspondance des spécifications à tous les niveaux conduit au fait que le modèle conceptuel caractérise pleinement l'objet racine correspondant au problème global que le système dans son ensemble résout. Un modèle conceptuel est décidable si, dans son système formel correspondant, il existe une dérivation de chaque théorème de calculabilité à partir d'un ensemble d'axiomes et d'autres théorèmes.

Définition 1. Le SCM est résoluble si et seulement si, pour chaque élément du modèle non inclus dans l'ensemble des axiomes, l'application d'expressions de calculabilité de la forme (10), (12), (13) aux axiomes et déjà des formules éprouvées (l'ensemble des théorèmes T) permettent de construire une dérivation à l'aide des règles (17), (18) à partir de l'ensemble des axiomes (A) du système formel (9)-(13).

Lors de l'analyse de la solvabilité, qui, selon la définition 1, est un type de méthodes de preuve automatique de théorèmes, le concept de « mécanisme d'inférence » est utilisé, dans ce cas il est compris comme une méthode, un algorithme d'application de règles d'inférence (17) , (18), fournissant une preuve efficace de tout ce qui nécessite un ensemble de formules de l'ensemble T de théorèmes (c'est-à-dire des formules syntaxiquement correctement construites) du système formel considéré. La manière la plus simple d'organiser l'inférence est un mécanisme de « streaming », dans lequel l'ensemble des formules considérées comme prouvées A", initialement égales à l'ensemble des axiomes (A1 = A), est élargi suite à l'application de règles d'inférence. Si après un certain temps T avec A", alors le modèle est résoluble, si cela est faux et qu'aucune des règles ne peut être appliquée, alors le SCM est indécidable.

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

ET MOI. Friedmann

Comme stratégie de preuve utilisée dans l'analyse d'un modèle conceptuel général, une stratégie ascendante est proposée, qui consiste à effectuer cycliquement les étapes suivantes.

Étape I. La règle (17) est appliquée pour obtenir toutes les conséquences possibles des formules et des axiomes.

Étape II. Les règles (17), (18) sont appliquées pour obtenir toutes les conséquences possibles des axiomes et formules obtenus à l'étape précédente de la preuve.

Stade III. La règle (13) est appliquée pour élargir la liste des objets considérés comme calculables.

Il a été prouvé que pour les modèles conceptuels corrects construits selon les règles décrites ci-dessus, l'analyse de la solvabilité du modèle dans son ensemble se résume à l'analyse de la solvabilité des modèles de processus individuels de la catégorie INTRA et des processus d'agrégation inclus dans il.

Gestion des situations

La théorie de la gestion situationnelle note l'importance fondamentale de développer des procédures de généralisation des descriptions de situations basées sur leur classification à l'aide d'un ensemble de caractéristiques pragmatiquement importantes, elles-mêmes soumises à synthèse. Les caractéristiques fondamentales de la formation des concepts et de la classification dans la gestion situationnelle comprennent :

La présence de procédures de généralisation basées sur la structure des relations entre éléments de situations ;

Capacité à travailler avec des noms de concepts et de situations individuels ;

La nécessité de coordonner la classification des situations sur une certaine base avec la classification basée sur un ensemble d'influences (contrôles).

Pour mettre en œuvre les principes énoncés de classification et de généralisation des situations, le SMS propose un certain nombre d'outils logiciels :

Un appareil pour la synthèse et l'analyse de types de situations, en particulier de situations suffisantes optimales, axé sur la résolution des problèmes de coordination et de coordination des actions de contrôle à différents niveaux du SCM ;

Des outils pour générer et tester des hypothèses sur les caractéristiques comparatives de situations suffisantes dans le cadre de l'interprétation probabiliste de ces hypothèses, en tenant compte de l'influence des erreurs instrumentales dans les données sources sur les résultats de la modélisation ;

Procédures de généralisation des descriptions de situations prenant en compte les relations spatio-temporelles entre éléments de situations, à l'aide d'une bibliothèque de fonctions spatio-temporelles (STF).

Synthèse et analyse de types de situations. À la suite de la classification des situations à l'aide d'algorithmes développés pour SSM, un grand nombre de classes de situations sont générées, obtenues pour divers objets de prise de décision (DMO) et divers objets feuilles de fragments. Afin d'accumuler des connaissances sur les résultats de classification dans le SMS, il est proposé d'utiliser des moyens de généralisation des descriptions de situations selon des types synthétisés de ces situations. Cette méthode précise des recommandations générales pour construire une description hiérarchique des situations dans les systèmes de gestion situationnelle. Semblable à la description d'une situation complète, une description généralisée de chaque situation suffisante est construite sur la base de l'énumération des objets feuilles qui y sont inclus et de l'OPD, qui la définit de manière unique en raison de la nature arborescente de la décomposition des objets SCM. . Pour synthétiser une description généralisée de la situation au premier niveau de la hiérarchie des descriptions, on utilise la même procédure, qui assure la génération de types d'exécuteurs d'objets selon les types de processus qui leur sont assignés. Les données initiales qu'il contient sont les types d'objets feuilles et les OPD des situations suffisantes étudiées, et le résultat du travail est

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

Interprétation du modèle conceptuel...

un type unique de situation suffisante, complété par le numéro d'ordre de sa classe et son numéro dans cette classe. Contrairement à l'ordre lexicographique utilisé lors de la génération des types d'exécuteurs d'objets, les types d'objets inclus dans la situation sont ici classés en fonction de leur position dans l'arborescence des objets (4). Le numéro ordinal d'une classe est déterminé par le numéro de la ressource dominante dans cette classe, selon la liste des ressources de sortie de l'ODA, et le numéro ordinal d'une situation au sein d'une classe est déterminé par sa préférence. La situation suffisante optimale de cette classe reçoit le numéro 1. Il est naturel de considérer l'échelle absolue de classification des situations comme étant leur classification selon le critère global de qualité, c'est-à-dire selon l'appartenance à une classe particulière de situations qui assurent la dominance d'un des paramètres de sortie de l'objet SCM global selon des coûts généralisés, qui sont calculés selon le critère qualité de l'APD dans cette situation suffisante. La première clé lors de la construction d'un type de situation est son numéro de série au sein de la classe, puis vient le numéro OPR, puis les index de type de la liste des objets feuille et, à la fin, le numéro de classe. La procédure d'indexation décrite est utilisée pour faciliter la génération de requêtes du type : « Trouver, parmi les situations suffisantes optimales d'un certain niveau donné, une situation qui constitue un sous-graphe de telle ou telle situation optimale globale », typiques lors de la résolution de problèmes. de coordination des contrôles aux différents niveaux de décision.

La tâche de généralisation des descriptions de situations dans le SMS en fonction des types de situations comprend deux étapes principales : la recherche de traits communs de situations regroupées dans une classe pour chaque fragment étudié du CMPO, et la recherche d'occurrences de situations dans des situations des niveaux supérieurs (la hauteur du niveau est ici fixée par le niveau d'emplacement de l'OPR). Le schéma général de raisonnement lors de la généralisation s'inscrit bien dans l'idéologie de la méthode JSM. Cependant, l'implémentation logicielle de la méthode JSM dans SSM nécessiterait une quantité de programmation très importante, c'est pourquoi un mécanisme d'inférence probabiliste a été utilisé, implémenté dans le shell OES SSM, c'est-à-dire au lieu d'évaluer la validité de certaines hypothèses calculées en fonction du Méthode JSM, des fonctions spéciales de recalcul des probabilités conditionnelles ont été utilisées. Relations de cause à effet entre les configurations de situations suffisantes et les résultats de leur classification.

Comme il ressort de la méthode décrite de saisie des situations dans le SMS, les descriptions de situations suffisantes classées selon un fragment du CMPO sont qualitativement différentes dans les listes de leurs objets feuilles, qui forment ensemble une partition de l'ensemble des objets feuilles utilisés dans la construction le fragment de la situation complète. Par conséquent, lors de la généralisation de leurs descriptions, la méthode de similarité et la méthode de différence sont principalement utilisées, et les sous-chaînes de concaténation des types d'objets feuilles sont utilisées comme prémisses. Les résultats de la généralisation se présentent sous la forme de deux ensembles de règles, le premier comprend des exemples positifs, le second des exemples négatifs. Selon des formules similaires à la conversion des probabilités a priori en probabilités a posteriori, la présence d'exemples positifs entraîne une augmentation de la probabilité conditionnelle de la règle correspondante, et le degré d'augmentation est proportionnel aux nombres ordinaux des situations utilisées dans cet exemple, et la présence d’exemples négatifs réduisent d’autant la probabilité conditionnelle de la règle. Après la fin de la première étape de généralisation, les règles avec une probabilité inférieure à 0,5 sont rejetées.

Au deuxième stade de généralisation, des similitudes apparaissent entre des situations à différents niveaux. Le même mécanisme de généralisation est utilisé, mais les règles synthétisées reflètent les probabilités conditionnelles d'apparition de situations suffisantes de niveaux inférieurs de décomposition dans le cadre de situations suffisantes de niveaux supérieurs et, en particulier, de situations suffisantes globales en évaluant la fréquence d'apparition de types de situations sous-jacentes dans des types de situations sous-jacentes. On tente ainsi de comparer les classes de situations compilées pour les OPD de différents niveaux, ce qui, avec un nombre suffisant d'exemples pédagogiques, permet de compiler

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

ET MOI. Friedmann

classification hiérarchique de situations suffisantes indiquant les situations optimales pour transférer un objet vers un certain état à partir d'une classe donnée.

Un autre groupe de règles vise à évaluer l'efficacité des alternatives contenues dans le KMPO. L'idée de la recherche est la suivante : plus l'ensemble des classes de situations dans lesquelles tombent suffisamment de situations avec différentes variantes de cette alternative est large, plus le degré d'efficacité d'une alternative particulière (à la fois pour les processus et pour les objets) est élevé. Et vice versa : si aucune des options de choix disponibles ne change la classe d'une situation suffisante, alors cette alternative n'est pas proposée à l'utilisateur lors de l'extension des situations minimales complètes, au moins pour un même OPD, ce qui permet d'accélérer le processus de classification des situations. D'un autre côté, il est souhaitable de pouvoir déterminer à l'avance l'ensemble des propriétés que possèdent les alternatives les plus « radicales », ou plutôt plusieurs ensembles - pour chaque option potentiellement souhaitable pour changer les zones de domination.

Toutes les règles obtenues lors de la généralisation (dans la terminologie de la gestion situationnelle, elles font référence à des règles logiques-transformationnelles) sont stockées dans l'ES SSM et sont utilisées comme formules de contrôle dans le processus de classification des situations. Il convient de noter une autre caractéristique du mécanisme d'inférence probabiliste développé : la capacité de réduire l'influence des erreurs dans les données sources sur les résultats des situations généralisantes en tenant compte de la probabilité de classer par erreur une situation dans une classe ou une autre. Considérons l'idée principale de son utilisation pour augmenter la fiabilité de la généralisation des situations.

Lors de la classification de situations suffisantes d'un certain fragment du SCM, des erreurs peuvent survenir en raison de l'instabilité structurelle du processus de calcul des coûts lors de leur transfert entre les éléments du modèle. Par exemple, si les cycles sur les ressources sont autorisés dans KMPO, alors lorsque la valeur actuelle de toute ressource participant au cycle change, la classe de situation suffisante dans laquelle les coûts de cette ressource sont calculés peut changer de manière significative, ce qui, de l'avis de l'auteur. , viole la stabilité des procédures de classification et de généralisation. Il est proposé de rejeter de telles situations des procédures de généralisation, pour lesquelles le SMS recommande d'utiliser des procédures permettant de vérifier la dépendance des résultats à d'éventuelles erreurs de modélisation. Si, lors de l'analyse de l'influence des erreurs de modélisation pour une certaine ressource SCM, un excès de la part des changements de coûts en sortie de l'OPR est révélé par rapport à la part du changement test dans la valeur actuelle de la ressource, un tel ressource est considérée comme peu fiable, la probabilité de défaillance lors de son utilisation à des fins de classification est considérée comme proportionnelle au degré dudit excès. Si la probabilité de défaillance dépasse le seuil spécifié (la probabilité du seuil par défaut est de 0,3), alors cette ressource est exclue des procédures de classification. Dans le cas contraire, la classification des situations est toujours effectuée, mais en tenant compte de la probabilité d'échec, ce qui entraîne en principe une diminution du contraste des procédures de classification et, par conséquent, une diminution de la probabilité d'inclusion des situations. impliquant une ressource peu fiable dans la catégorie optimale ou hautement préférable.

Analyse des dépendances spatiotemporelles. Le travail avec les dépendances spatio-temporelles s'effectue à l'aide de la bibliothèque de fonctions spatio-temporelles (STF) - modules logiciels, fournissant une sélection d'informations pertinentes pour la demande en cours à partir des bases de données sources correspondantes (SDB), entrant ces informations dans la base de données principale et les traitant pour prendre une décision sur la véracité ou la fausseté de la condition formant la demande. Ainsi, dans le cas général, le programme de chaque PVF comprend trois parties : un pilote BID qui organise l'interface de la base de données principale et du BID, un programme d'écriture des résultats de requête dans la base de données principale et un programme d'interprétation des résultats de requête. Dans ce cas, un changement de domaine entraîne la nécessité de modifier uniquement les pilotes BID.

Tous les PVF ont une sortie de type logique, c'est-à-dire qu'ils renvoient une réponse « oui » ou « non » à la suite de l'analyse de la condition logique qu'ils contiennent. Deux types de temps et trois types de fonctions spatiales ont été développés.

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

Interprétation du modèle conceptuel...

La fonction temporelle INTERVAL prend en charge l'échantillonnage des données historiques sur une certaine période de temps, sa syntaxe est la suivante :

pendant (<условие>,<начало>,<конец>,<доля>), (19)

Où<условие>peut ressembler à :

<имя> <знак> <подсписок_значений (n)>, (20)

il définit la caractéristique contrôlée d'un élément du tableau ;

<начало>Et<конец>les instants initial et final de l'intervalle de contrôle sont définis respectivement (leur distance dans le passé par rapport à l'instant actuel) ;

<доля>définit le pourcentage minimum acceptable (nombre) d'éléments parmi tous les éléments analysés qui doivent satisfaire<условию>de sorte que la fonction (19) donne une réponse affirmative à la requête.

Si une valeur de paramètre nulle est saisie<начало>, toutes les informations disponibles sont analysées jusqu'au moment<конец>. De même, avec une valeur nulle du paramètre<конец>, les données du moment sont analysées<начало>jusqu'à l'instant présent. Si les valeurs coïncident<начало>Et<конец>un seul moment dans le passé est pris en compte.

Fonction suivante permet la liaison temporaire des données stockées

au moment spécifié dans la demande :

moment (<условие>,<время>,<доля>), (21)

Où<условие>Et<доля>sont formés de manière similaire à la fonction (19), et<время>- un instant fixe pour lequel l'opération est réalisée.

Les fonctions spatiales s'écrivent sous la forme :

voisin (<условие>,<доля>) (22)

similaire (<условие>,<доля>,<параметры_сходства>). (23)

Possibilités<условие>Et<доля>sont spécifiés comme dans les fonctions (19), (21) ; la différence entre les types de fonctions spatiales réside dans les critères de sélection des éléments pour l'analyse conjointe : dans la fonction (22) les éléments géométriquement adjacents à celui actuel sont analysés, dans la fonction (23) sont sélectionnés les éléments qui ont les mêmes valeurs ​comme élément actuel<параметров_сходства>, sélectionnés dans une liste de noms de paramètres et de variables existants. Par exemple, dans l’application du SSM au problème de la prévision des coups de toit<параметр_сходства>portait le nom de « faille » et était utilisé pour l'analyse conjointe des caractéristiques des éléments d'objet appartenant à une faille tectonique.

La fonction NEAREST est destinée à déterminer l'objet qui a les coordonnées spatiales les plus proches de celles données. La fonction renvoie une réponse affirmative si les coordonnées de l'objet se situent dans le voisinage spécifié. La fonction ressemble à ceci :

la plus proche (<условие>,<координаты>,<допуск>), (24)

où est le paramètre<условие>a la signification déjà décrite, paramètre<координаты>décrit les caractéristiques spatiales du point d'ancrage, paramètre<допуск>spécifie la distance autorisée en coordonnées spatiales à partir du point spécifié.

PVF ne peut être utilisé que dans les parties IF des règles ES et des formules de contrôle. Étant donné que tous les PVF ont une sortie de type logique, l'imbrication unique de différents PVF les uns dans les autres est autorisée, c'est-à-dire des requêtes de la forme

voisin (similaire (<условие>,<доля1>,<параметры_сходства>),<доля2>). (25)

Dans ce cas, le pilote BID génère une requête selon laquelle les éléments qui satisfont le PVF le plus interne sont sélectionnés en premier, puis ceux qui satisfont le plus externe sont sélectionnés, etc. Les caractéristiques des éléments sélectionnés sont réécrites dans la base de données (ces informations sont utilisées dans le mode explication), l'interpréteur calcule la valeur de sortie du PVF, qui est saisie dans la base de règles. Les requêtes imbriquées sont du plus grand intérêt car

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

ET MOI. Friedmann

permettre, en combinant des PVF, d'évaluer conjointement les caractéristiques spatiales et temporelles de l'objet étudié.

Les PVF décrits ci-dessus fournissent une analyse d'une classe assez large

relations spatio-temporelles entre les caractéristiques des éléments de l'objet d'examen, cependant, en fonction des spécificités du domaine, il est possible de développer d'autres PVF.

Contrairement aux règles générées lors de la généralisation des situations par leurs types, les règles de généralisation du groupe considéré ici ne s'appliquent pas à la situation dans son ensemble, mais à des objets individuels, des processus ou même des ressources SCM. Vers les emplacements PVF<условие>

Et<параметры_сходства>vous pouvez inclure des conditions logiques et diverses caractéristiques des éléments SCM, y compris les types et catégories de ces éléments. Le SMS ne fournit pas de procédures automatiques pour générer de telles règles ; elles sont construites par l'utilisateur et leurs probabilités sont recalculées lors de la classification de la même manière qu'indiqué ci-dessus.

Conclusion

Sur la base des définitions formelles introduites de différents types de situations qui surviennent lors de la modélisation d'un LMS, son modèle hiérarchique a été développé, comprenant : un système formel - SCM et un ES qui y est intégré - avec un ensemble éléments basiques(7)-(10), un ensemble de règles syntaxiques pour la génération de certains éléments SCM par d'autres sous forme de relations de type (7), (8), un système d'axiomes (15), (16) et d'inférence des règles (17), (18), ainsi que des règles pour modifier les composants de ce système formel en fonction des objectifs de modélisation et de la situation actuelle de l'objet de recherche, spécifiées en sélectionnant les fragments appropriés du SCM et en contrôlant la sortie dans le ES SCM. SCM fait référence aux modèles sémiotiques (de signes), puisqu'il développe trois groupes de règles de transformation logique : le réapprovisionnement, la classification et la généralisation des situations.

Les différences du modèle proposé sont l'intégration d'outils axés sur l'étude du LMS, qui fournit un traitement conjoint des données logiques et analytiques et une analyse de la situation de l'état de l'objet étudié en utilisant les connaissances d'experts et en tenant compte des dépendances spatio-temporelles dans le caractéristiques du LMS, réalisées à partir d’informations cartographiques.

LITTÉRATURE

1. Kuzmin I.A., Putilov V.A., Filchakov V.V. Traitement distribué de l'information dans la recherche scientifique. L. : Nauka, 1991. 304 p. 2. Tsikritzis D., Lokhovsky F. Modèles de données. M. : Finances et Statistiques, 1985. 420 p. 3. Samarski A.A. Introduction aux méthodes numériques. M. : Nauka, 1987. 288 p. 4. Brzhezovsky A.V., Filchakov V.V. Analyse conceptuelle des systèmes informatiques. Saint-Pétersbourg : LIAP, 1991. 78 p. 5. Fridman A.Ya. Gestion situationnelle de la structure des systèmes industriels-naturels. Méthodes et modèles. Sarrebruck, Allemagne : LAP LAMBERT Academic Publishing, 2015. 530 p. 6. Pospelov D.A. Gestion situationnelle : théorie et pratique. M. : Nauka, 1986. 288 p. 7. Mitchell E. Guide ESRI d'analyse SIG. 1999. T. 1. 190 p.

8. Modélisation conceptuelle des systèmes d'information / éd. V.V. Filchakova. Saint-Pétersbourg : SPVURE PVO, 1998. 356 p. 9. Génération automatique d'hypothèses dans les systèmes intelligents / comp. E.S. Pankratova, V.K. Finlandais. M. : LIBROKOM, 2009. 528 p. 10. Darwiche A. Modélisation et raisonnement avec les réseaux bayésiens. La Presse de l'Universite de Cambridge, 2009. 526 p.

Fridman Alexander Yakovlevich - Docteur en sciences techniques, professeur, chercheur principal à l'Institut d'informatique et de modélisation mathématique du KSC RAS ​​; courriel : fridman@iimm. kolasc.net.ru

BULLETIN du Centre Scientifique de Kola RAS 4/2015(23)

Il existe un modèle qui relie et harmonise deux descriptions, à première vue, lointaines d'une personne - psychophysique et transpersonnelle. Ce modèle a une longue histoire et est basé sur des recherches approfondies et une expérience pratique, transmises directement de l'enseignant à l'élève. Dans le langage de la Tradition, dont les auteurs de ce livre sont des représentants, ce modèle est appelé Modèle Volumétrique-Spatial (qui a été mentionné à plusieurs reprises dans les premiers chapitres). Il existe certains parallèles entre le modèle volumétrique et spatial avec d'autres descriptions anciennes de l'homme (le système des chakras - corps « subtils » ; « centres énergétiques » - « plans de conscience », etc.). Malheureusement, les recherches sérieuses sur ces modèles ont maintenant, dans la plupart des cas, été remplacées par l'idée vulgaire largement répandue des chakras comme certaines formations spatialement localisées, et des corps « subtils » comme une sorte de « matriochka » composée de certains invisibles à l'œil. entités à l’œil nu. Les auteurs ne connaissent qu'un nombre relativement restreint d'études modernes et sobres sur cette question [voir, par exemple, Yog n° 20 « Questions de la théorie générale des chakras », Saint-Pétersbourg 1994.]

La situation actuelle est extrêmement défavorable : des spécialistes à l'esprit critique sont sceptiques quant au modèle des Chakras et des corps « subtils », tandis que d'autres (parfois même malgré une longue expérience en tant que psychologue ou psychothérapeute) se mettent sur un pied d'égalité avec les femmes au foyer (n'en déplaise) qui suivent des cours de "psychiques", et reconstituent l'armée de porteurs de légendes sur les Chakras et les "Corps", diffusées par des brochures populaires. Parfois, les choses prennent une tournure comique. Ainsi, l'un des auteurs de ce livre a eu l'occasion il y a plusieurs années de suivre une formation psychologique avec des éléments d'« ésotérisme », où un présentateur très faisant autorité a donné approximativement les instructions suivantes pour l'un des exercices : « … Maintenant, vous placez une « ancre » avec votre main éthérique. » directement au client dans le chakra inférieur... », que la plupart des personnes présentes ont immédiatement essayé de mettre en œuvre avec enthousiasme (bien sûr, pas plus loin que dans leur imagination).

De plus, nous ne mentionnerons pas les Chakras et les Corps, mais utiliserons le langage des Volumes et des Espaces. Il ne faut cependant pas faire une correspondance univoque entre Volumes et Chakras, Espaces et Corps ; malgré certaines similitudes, ces modèles sont différents ; les différences, à leur tour, ne sont pas associées à une prétention à une exactitude plus ou moins grande, mais à une commodité pour la pratique que nous présentons dans les pages de ce livre.

Revenons encore une fois aux définitions des Volumes et des Espaces que nous avons données dans les chapitres 1 et 2 :

Ainsi, les volumes ne sont pas des parties du corps physique ni des zones localisées. Chaque volume est un état psychophysique holistique, une formation qui reflète un certain ensemble (congruent) de certaines qualités de l'organisme dans son ensemble. En langage énergétique, le volume est une certaine gamme d'énergie qui, en focalisant la perception sur le monde physique, se manifeste dans une combinaison de tissus, d'organes, de zones du système nerveux, etc. Dans une version plutôt simplifiée, vous pouvez trouver pour chaque Volume la fonction et la tâche la plus caractéristique qu'il accomplit dans le corps. . Ainsi, les fonctions du Volume Coccygien peuvent être associées à la tâche de survie sous toutes ses formes (physique, sociale, spirituelle), de manifestation, de naissance, de formation... Les fonctions du Volume Urogénital sont associées à la prospérité, à l'abondance, à la fertilité. , développement et multiplication, diversité et abondance. Pour le Volume Ombilical, les tâches principales (lire – gamme d'énergie) sont d'ordonner, de structurer, de gérer et de connecter. Et ainsi de suite. Pour l’instant, nous ne nous intéresserons pas aux fonctions spécifiques des Volumes. et les mécanismes généraux pour travailler avec eux.

Chaque expérience, chaque expérience est perçue par nous principalement à travers l'un ou l'autre Volume. Cela s'applique à n'importe quelle expérience - si nous voulons activer telle ou telle expérience, alors tel ou tel Volume est excité et nous commençons à percevoir le Monde « à travers lui ». Par rapport au travail psychothérapeutique, lorsque le thérapeute aborde certaines des expériences du client : « problématique » ou « ressource », essaie de travailler avec une certaine « partie de la personnalité », il concentre ainsi la conscience du patient dans une zone d'un ou un autre volume (d'ailleurs, nous avons brièvement mentionné les fonctions des trois volumes inférieurs uniquement, car une véritable concentration productive de l'attention dans les volumes supérieurs est un phénomène extraordinaire - tout n'est pas aussi simple que décrit dans les livres). La même chose s'applique aux espaces. Rappelons que les Espaces sont des schémas de perception qui reflètent les niveaux de « subtilité » de perception. Le même Volume à différents niveaux de perception se manifestera à sa manière, en conservant ses tâches principales. Ainsi, par exemple, le Volume ombilical dans l'Espace des Événements se manifeste à travers un certain nombre de situations dans lesquelles une personne relie quelque chose à quelque chose, organise, gère, etc., dans l'Espace des Noms - le même Volume se manifestera à travers la schématisation. . modéliser, mettre de l'ordre dans les pensées et les vues sur le Monde, faire des plans, etc., dans l'Espace de Réflexions, tout le spectre émotionnel sera également coloré par les tâches correspondant à ce Volume.

Le modèle volumétrique-spatial du corps humain peut être représenté classiquement sous la forme d'un diagramme (Fig. 3.)

Figure 3. Modèle volumétrique-spatial.

Le diagramme (Fig. 3.) montre clairement que chaque Espace couvre tout le spectre énergétique à un certain niveau de « subtilité », où chaque Volume est un « secteur » qui alloue une certaine plage d'énergie.

Ainsi – le Modèle Volumétrique-Spatial permet de mettre en évidence diverses qualités énergétiques chez l’Homme et dans le Monde, qui sont perçues comme des structures énergétiques dynamiques. Dans la perception, ces qualités énergétiques se manifestent à travers une certaine combinaison d'une grande variété de facteurs :

les processus physiologiques (mécaniques, thermiques, chimiques, électrodynamiques), la dynamique de l'influx nerveux, l'activation de certaines modalités, la coloration des émotions et de la pensée, la combinaison d'événements, l'entrelacement des destins ; tombant dans les conditions « externes » appropriées : géographiques, climatiques, sociales, politiques, historiques, culturelles…

L’énergie circule.

Le diagramme présenté à la Fig. 3. nous donne un modèle énergétique du corps humain. De ce point de vue, la vie entière d'une personne, en tant que manifestation, conception de cette énergie ou en tant que dynamique de perception de soi, peut être représentée sous la forme d'un mouvement-pulsation d'un certain « modèle » sur un diagramme, où à chaque instant, certaines zones du spectre énergétique sont activées (Fig. .4.).

Cependant, la dynamique de la perception de soi et le mouvement de l'énergie ne sont pas si arbitraires et diversifiés pour une personne ordinaire. Il existe des zones dans lesquelles la perception est pour ainsi dire fixe et assez stable ; certaines zones du spectre ne sont accessibles qu'occasionnellement et dans des circonstances particulières. Il existe des domaines pratiquement inaccessibles à la conscience tout au long de la vie (différents pour chaque personne : pour une personne l'expérience du sens est inaccessible, une autre n'a jamais vraiment fait l'expérience de son corps de toute sa vie, une troisième n'est pas capable d'expérimenter une certaine qualité de émotions, événements, pensées, etc.).

La trajectoire la plus probable du mouvement et des fixations de perception et de conscience est déterminée par le Dominant. Il devient clair que pour s'écarter de cette trajectoire la plus probable et de ces positions de perception stables, il faut de l'énergie supplémentaire et, surtout, la capacité de diriger cette énergie dans la bonne direction, afin qu'elle ne tombe pas dans la direction établie. chaîne stéréotypée.

t'

t"

t"'

Figure 4. Dynamique de la perception dans le temps.

Ceci explique la présence de plages difficiles d'accès et inaccessibles à la perception et à la conscience - généralement une personne ne dispose pas de cette énergie supplémentaire ; ce n'est que parfois qu'il peut être libéré à la suite de circonstances extraordinaires, le plus souvent stressantes, qui permettront à la perception de se déplacer dans une plage auparavant inaccessible (un changement de perception aussi soudain peut conduire à l'émergence de nouvelles capacités chez une personne qui sont inaccessibles à l’état normal).

Si nous revenons au concept d'intégrité, nous pouvons maintenant le considérer sous un autre angle : la réalisation de l'intégrité est la réalisation de la sphère individuelle, c'est-à-dire une situation où la perception peut se déplacer librement, englobant Tous gammes d’énergie, sans avoir de positions rigidement fixes et de trajectoires définies de manière unique.

Pour décrire cette situation plus en détail, nous devrons nous référer au concept Flux d'énergie. Le flux d'énergie est un mouvement, le développement d'une impulsion ponctuelle de perception dans le système énergétique Volumétrique-Spatial. Nous pouvons également dire ceci : le flux d'énergie est une connexion dynamique de diverses zones de la sphère individuelle le long d'une gamme d'énergie commune (par exemple, une modalité).

« Étant en dialogue continu avec le Monde, une personne (le SI) répond à presque tous les signaux venant « de l'extérieur » par le mouvement des Flux d'Énergie. De plus, la sensibilité d’I.S. nettement au-dessus du seuil de perception sensorielle. Il existe donc de nombreuses réactions inconscientes.

Caractéristiques de la déformation personnelle d'I.S. créer des flux d'énergie individuels caractéristiques constantes. Ce dont nous sommes conscients en tant que sensations, émotions, pensées, mouvements corporels et vicissitudes du destin, mémoire, projections du futur, maladies, caractéristiques de la culture et de la vision du monde - tout cela (et bien plus encore) est le mouvement des flux d'énergie.

Nous pouvons conditionnellement distinguer les flux d’énergie constructifs et destructeurs. Constructif E. - la dynamique de la perception, contribuant à l'élimination des déformations du S.I. – des structures rigides et dominantes. E. destructeur – dynamique de perception qui contribue à l’émergence de nouvelles déformations ou au renforcement de déformations existantes du S.I.

À notre tour, nous appellerons la dynamique des flux d'énergie un processus dynamique multifactoriel qui transfère la perception d'une personne d'un état à un autre (un exemple de la dynamique des flux d'énergie est présenté sur la Fig. 5.).

Dans un organisme entier, tous les flux d'énergie sont possibles, pour lesquels il (l'organisme) est absolument transparent et perméable. La dynamique des flux d’énergie peut, dans de tels cas, transférer la perception vers n’importe quelle position. (Cela équivaut à ce que nous avons appelé la conscience de bout en bout au chapitre 1.)

La dynamique des flux d'énergie est un processus multifactoriel, car toute condition se manifeste comme une combinaison d'un grand nombre de facteurs (par exemple, certaines sensations, la nature des mouvements, les expressions faciales, les paramètres de la voix, certaines émotions, etc.). La dynamique des flux d'énergie transforme un état en un autre (plus précisément, il s'agit d'un processus - un changement continu d'état) et, par conséquent, certains facteurs et paramètres par lesquels les flux d'énergie se manifestent peuvent changer.

Figure 5. Un exemple de dynamique des flux d'énergie, transformant la perception d'un état à structure strictement localisée (A) à un état plus holistique (D), dans un seul espace

Si nous nous tournons maintenant vers la psychothérapie, nous trouverons ce qui suit :

Le patient est dans un certain état de perception (déterminé par son Dominant), qui, évidemment, n'est pas Holistique ; il y a des structures strictement localisées dans son énergie, qui ne permettent pas de déplacer la perception vers d'autres positions. Pour sortir de cette situation, il est nécessaire de définir des Flux d'Énergie qui permettent de passer à un autre état, que le patient percevra comme plus positif. C’est là que se termine généralement la psychothérapie.

Si l’on regarde d’un point de vue plus général, il s’avère qu’un patient non-patient ou guéri n’est, dans l’ensemble, pas très différent d’un « patient ». La seule différence est que le « malade » perçoit son état comme inconfortable, et le « sain » comme plus ou moins confortable et, peut-être, disposant de plus de degrés de liberté. Cependant, cela n'a rien à voir avec l'intégrité, car... et l'état de « malade » et de « sain » est, en règle générale, encore limité, localisé et fixé par le Dominant de fixation de la perception.

L'intégrité implique la possibilité indépendant tâches de tout flux d'énergie et expérimenter le monde totalement, simultanément avec tout l'organisme.

Un objet dynamique est un corps physique, dispositif technique ou un processus qui a des entrées, des points application possible les influences extérieures, et celles qui perçoivent ces influences, et les sorties, points, valeurs de grandeurs physiques dans lesquelles caractérisent l'état de l'objet. Un objet est capable de répondre aux influences externes en modifiant son état interne et les valeurs de sortie qui caractérisent son état. L'impact sur un objet et sa réaction évoluent généralement dans le temps, ils sont observables, c'est-à-dire peut être mesuré avec des instruments appropriés. Un objet possède une structure interne constituée d’éléments dynamiques en interaction.

Si vous lisez et réfléchissez à la définition vague donnée ci-dessus, vous pouvez voir qu'un objet dynamique séparé sous une forme « pure », en tant que chose en soi, n'existe pas : pour décrire l'objet, le modèle doit également contenir 4 sources de influences (générateurs):

L'environnement et le mécanisme pour lui appliquer ces influences

L'objet doit avoir une extension dans l'espace

Fonctionner dans le temps

Le modèle doit avoir des appareils de mesure.

L'impact sur un objet peut être une certaine grandeur physique : force, température, pression, tension électrique et autres grandeurs physiques ou une combinaison de plusieurs grandeurs, et la réaction, la réponse de l'objet à l'impact, peut être un mouvement dans l'espace, par exemple, déplacement ou vitesse, changement de température, intensité du courant, etc.

Pour les modèles linéaires d'objets dynamiques, le principe de superposition (superposition) est valable, c'est-à-dire la réponse à un ensemble d'impacts est égale à la somme des réactions à chacun d'eux, et un changement à grande échelle de l'impact correspond à un changement proportionnel dans la réponse à celui-ci. Un impact peut être appliqué à plusieurs objets ou à plusieurs éléments d'un objet.

Le concept d'objet dynamique contient et exprime la relation de cause à effet entre l'impact sur lui et sa réaction. Par exemple, entre la force appliquée à un corps massif et sa position et son mouvement, entre tension électrique, appliqué à l’élément, et au courant qui y circule.

Dans le cas général, les objets dynamiques sont non linéaires, ils peuvent notamment être discrets, par exemple changer rapidement de structure lorsque l'impact atteint un certain niveau. Mais généralement, la plupart du temps de fonctionnement, les objets dynamiques sont continus dans le temps et avec de petits signaux, ils sont linéaires. Par conséquent, ci-dessous, l’attention principale sera portée aux objets dynamiques linéaires et continus.

Un exemple de continuité : une voiture circulant sur la route est un objet fonctionnant en permanence dans le temps, sa position dépend du temps en permanence. La plupart du temps, une voiture peut être considérée comme un objet linéaire, un objet fonctionnant en mode linéaire. Et seulement en cas d'accidents, de collisions, lorsque, par exemple, une voiture est détruite, il est nécessaire de la décrire comme un objet non linéaire.

La linéarité et la continuité dans le temps de la valeur de sortie d'un objet sont simplement un cas particulier, mais important, qui permet de considérer tout simplement un nombre important de propriétés d'un objet dynamique.

D'un autre côté, si un objet est caractérisé par des processus se produisant à différentes échelles de temps, alors dans de nombreux cas, il est acceptable et utile de remplacer les processus les plus rapides par leur changement discret dans le temps.

Ce travail est consacré tout d'abord aux modèles linéaires d'objets dynamiques sous influences déterministes. Des influences déterministes douces de type arbitraire peuvent être générées par une action additive discrète et relativement rare sur les dérivées mineures de l'influence par des fonctions delta dosées. De tels modèles sont valables pour des impacts relativement faibles sur une très large classe d’objets réels. Par exemple, c'est ainsi que les signaux de commande sont générés dans jeux d'ordinateur simuler la conduite d'une voiture ou d'un avion à l'aide d'un clavier. Les impacts accidentels restent pour l’instant hors de portée de la considération.

La cohérence d'un modèle linéaire d'un objet dynamique est notamment déterminée par le fait que sa valeur de sortie est suffisamment lisse, c'est-à-dire si lui et plusieurs de ses dérivés inférieurs sont continus dans le temps. Le fait est que les quantités produites par des objets réels évoluent assez progressivement au fil du temps. Par exemple, un avion ne peut pas se déplacer instantanément d’un point de l’espace à un autre. De plus, comme tout corps massif, il ne peut pas changer brusquement de vitesse ; cela nécessiterait une puissance infinie. Mais l’accélération d’un avion ou d’une voiture peut changer brusquement.

Le concept d'objet dynamique ne définit pas de manière exhaustive un objet physique. Par exemple, décrire une voiture comme un objet dynamique nous permet de répondre aux questions sur la rapidité avec laquelle elle accélère et freine, avec quelle douceur elle se déplace sur des routes inégales et des bosses, quels impacts subiront le conducteur et les passagers de la voiture lors de la conduite sur route. , quelle montagne il peut gravir, etc. P. Mais dans un tel modèle, peu importe la couleur de la voiture, son prix, etc. n'ont pas d'importance, tant qu'ils n'affectent pas l'accélération de la voiture. Le modèle doit refléter les propriétés principales de l'objet modélisé du point de vue d'un critère ou d'un ensemble de critères et négliger ses propriétés secondaires. Sinon, cela sera trop complexe, ce qui compliquera l'analyse des propriétés qui intéressent le chercheur.

D'un autre côté, si le chercheur s'intéresse au changement de couleur de la voiture au fil du temps, provoqué par divers facteurs, par exemple la lumière du soleil ou le vieillissement, alors dans ce cas, l'équation différentielle correspondante peut être compilée et résolue.

Les objets réels, comme leurs éléments, qui peuvent également être considérés comme des objets dynamiques, non seulement perçoivent les influences d'une certaine source, mais aussi influencent eux-mêmes cette source et y résistent. La valeur de sortie d'un objet de commande constitue dans de nombreux cas une entrée pour un autre objet dynamique ultérieur, qui, à son tour, peut également influencer le mode de fonctionnement de l'objet. Que. Les connexions d'un objet dynamique avec le monde extérieur sont bidirectionnelles.

Souvent, lors de la résolution de nombreux problèmes, le comportement d'un objet dynamique n'est considéré que dans le temps, et ses caractéristiques spatiales, dans les cas où elles n'intéressent pas directement le chercheur, ne sont pas considérées ou prises en compte, à l'exception d'un prise en compte simplifiée du retard du signal, qui peut être dû au temps de propagation de l'influence dans l'espace de la source au récepteur.

Les objets dynamiques sont décrits par des équations différentielles (un système d'équations différentielles). Dans de nombreux cas pratiquement importants, il s’agit d’une équation différentielle ordinaire (ODE) linéaire ou d’un système d’ODE. La variété des types d'objets dynamiques détermine la grande importance des équations différentielles en tant qu'appareil mathématique universel pour leur description, qui permet de mener des études théoriques (analyse) de ces objets et, sur la base d'une telle analyse, de construire des modèles et de construire les systèmes, instruments et dispositifs utiles aux personnes, expliquent la structure du monde qui nous entoure, au moins à l'échelle du macrocosme (pas micro- ni méga-).

Un modèle d'objet dynamique est valide s'il est adéquat et correspond à un objet dynamique réel. Cette correspondance est limitée à une certaine région spatio-temporelle et à une certaine gamme d'influences.

Un modèle d'objet dynamique est réalisable s'il est possible de construire un objet réel dont le comportement sous l'influence d'influences dans un certain domaine spatio-temporel et pour une certaine classe et plage d'influences d'entrée correspond au comportement de l'objet dynamique. modèle.

L’étendue des classes et la variété des structures des objets dynamiques peuvent conduire à supposer que tous ensemble possèdent un ensemble innombrable de propriétés. Cependant, tenter d'embrasser et de comprendre ces propriétés et les principes de fonctionnement des objets dynamiques dans toute leur diversité n'est pas du tout aussi désespéré.

Le fait est que si les objets dynamiques sont décrits de manière adéquate par des équations différentielles, et c'est exactement le cas, alors l'ensemble des propriétés caractérisant un objet dynamique de toute nature est déterminé par l'ensemble des propriétés caractérisant son équation différentielle. On peut affirmer que, au moins pour les objets linéaires, il existe un nombre plutôt limité et relativement petit de ces propriétés de base et que, par conséquent, l'ensemble des propriétés de base des objets dynamiques est également limité. À partir de ces propriétés et en combinant les éléments qui les possèdent, il est possible de construire des objets dynamiques présentant une grande variété de caractéristiques.

Ainsi, les propriétés fondamentales des objets dynamiques sont dérivées théoriquement de leurs équations différentielles et corrélées au comportement des objets réels correspondants.

Un objet dynamique est un objet qui perçoit les influences externes qui changent au fil du temps et y réagit en modifiant la valeur de sortie. Un objet possède une structure interne constituée d’éléments dynamiques en interaction. La hiérarchie des objets est limitée par le bas par les modèles les plus simples et repose sur leurs propriétés.

L'impact sur un objet, ainsi que sa réaction, sont des grandeurs physiques mesurables ; il peut aussi s'agir d'un ensemble de grandeurs physiques, décrites mathématiquement par des vecteurs.

Lors de la description d'objets dynamiques à l'aide d'équations différentielles, il est implicitement supposé que chaque élément d'un objet dynamique reçoit et dépense autant d'énergie (une telle puissance) qu'il en a besoin pour un fonctionnement normal conformément à son objectif en réponse aux influences entrantes. L'objet peut recevoir une partie de cette énergie de l'action d'entrée et cela est décrit explicitement par l'équation différentielle ; l'autre partie peut provenir de sources tierces et ne pas apparaître dans l'équation différentielle. Cette approche simplifie considérablement l'analyse du modèle sans déformer les propriétés des éléments et de l'objet entier. Si nécessaire, le processus d'échange d'énergie avec l'environnement extérieur peut être décrit en détail sous forme explicite et il s'agira également d'équations différentielles et algébriques.

Dans certains cas particuliers, la source de toute l'énergie (puissance) pour le signal de sortie d'un objet est l'action d'entrée : levier, accélération d'un corps massif par la force, action passive circuit électrique et etc.

En général, l’influence peut être considérée comme le contrôle des flux d’énergie pour obtenir puissance requise signal de sortie : amplificateur sinusoïdal, juste un amplificateur idéal, etc.

Les objets dynamiques, comme leurs éléments, qui peuvent également être considérés comme des objets dynamiques, perçoivent non seulement l'impact de sa source, mais agissent également sur celui-ci.