Térbeli terepmodellek. A modellezés típusainak osztályozása. dinamikus modellek. Példák dinamikus modellek felépítésére Térbeli és dinamikus modellek

19.11.2021 Hozzáférés

Egészen a közelmúltig viszonylag keveset vizsgáltak olyan földrajzi tényezőket, amelyek jelentős hatással vannak a betegségek terjedésére. Régóta megkérdőjelezték annak a feltételezésnek az érvényességét, hogy egy kisvárosban vagy faluban a népesség homogén keveredése van, bár első közelítésként teljesen elfogadható annak elfogadása, hogy a fertőzési források mozgása véletlenszerű, és sok tekintetben hasonlít a fertőző források mozgására. részecskék kolloid oldatban. Mindazonáltal természetesen szükség van némi elképzelésre arról, hogy milyen hatással lenne nagyszámú, fogékony egyed jelenléte olyan helyeken, amelyek meglehetősen nagy távolságra vannak bármely adott fertőzési forrástól.

A determinisztikus modell D. Kendallnak köszönhetően a populáció végtelen kétdimenziós kontinuumának létezését feltételezi, amelyben körülbelül 0 egyed van egységnyi területen. Tekintsük a P pontot körülvevő területet, és tételezzük fel, hogy a fogékony, fertőzött és a csoportból eltávolított egyedek száma megegyezik. Az x, y és z értékek lehetnek az idő és a pozíció függvényei, de összegük eggyel egyenlő. A mozgás alapegyenletei, hasonlóan a (9.18) rendszerhez, a következő alakúak

hol van a térben súlyozott átlag

Legyenek és állandók, a Q pontot körülvevő területelemek, és nem negatív súlyozási tényezők.

Tegyük fel, hogy a betegségek kezdeti koncentrációja egyenletesen oszlik el a kezdeti fókuszt körülvevő kis területen. Vegye figyelembe azt is, hogy az o faktort kifejezetten beépítették a Rohu termékbe, így a fertőzési arány független marad a népsűrűségtől. Ha y állandó maradna a síkon, akkor a (9.53) integrál biztosan konvergálna. Ebben az esetben célszerű ezt megkövetelni

A leírt modell lehetővé teszi a matematikai kutatások meglehetősen messzire történő előrehaladását. Kimutatható (egy-két kikötéssel), hogy a világjárvány akkor és csak akkor fedi le az egész síkot, ha a népsűrűség túllép egy küszöbértéket. Ha világjárvány történt, akkor annak intenzitását az egyenlet egyetlen pozitív gyöke határozza meg

Ennek a kifejezésnek az a jelentése, hogy nem lesz kevesebb azoknak az egyéneknek az aránya, akik végül bármely területen megbetegednek, függetlenül attól, hogy milyen messze van az eredeti járványközponttól?. Nyilvánvaló, hogy ez a Kendall-pandémia küszöbtétel hasonló a Kermack és McKendrick küszöbtételhez, amelyben a térbeli tényezőt nem vették figyelembe.

A következő speciális esethez is lehet modellt építeni. Legyen x és y a fogékony, illetve a fertőzött egyedek térbeli sűrűsége. Ha feltételezzük, hogy a fertőzés lokális és izotróp, akkor könnyen kimutatható, hogy a (9.18) rendszer első két egyenletének megfelelő egyenletek felírhatók így.

ahol nincsenek térbeli koordináták] és

A kezdeti periódusra, amikor megközelítőleg állandó értéknek tekinthető, a (9.56) rendszer második egyenlete a következő alakot ölti

Ez a standard diffúziós egyenlet, melynek megoldása a

ahol a C állandó a kezdeti feltételektől függ.

A fertőzött egyedek teljes száma az R sugarú körön kívül

Következésképpen,

és ha , akkor . A kiválasztott értéknek megfelelő sugár sebességgel növekszik. Ezt az értéket tekinthetjük a járvány terjedési sebességének, és határértéke nagy t esetén egyenlő. Egy majdnem fél évig tartó glasgow-i kanyarójárvány esetében a terjedési sebesség körülbelül heti 135 m volt.

A (9.56) egyenletek könnyen módosíthatók, hogy figyelembe vegyék a fogékony és fertőzött egyedek vándorlását, valamint új fogékony egyedek megjelenését. Mint a Szektában tárgyalt visszatérő járványok esetében. 9.4, itt lehetséges az egyensúlyi megoldás, de a kis oszcillációk ugyanolyan gyorsan vagy még gyorsabban csillapodnak, mint a nem térbeli modellben. Így egyértelmű, hogy ebben az esetben a determinisztikus megközelítésnek vannak bizonyos korlátai. Elvileg természetesen előnyben kell részesíteni a sztochasztikus modelleket, de általában ezek elemzése óriási nehézségekkel jár, legalábbis ha pusztán matematikai módon történik.

Számos munka készült ezen folyamatok modellezésére. Így Bartlett számítógépeket használt több egymást követő mesterséges járvány tanulmányozására. A térbeli tényezőt a cellarács bevezetésével vettük figyelembe. Mindegyik sejten belül tipikus, nem térbeli modelleket használtunk folyamatos vagy diszkrét időre, és megengedett volt a fertőzött egyedek véletlenszerű migrációja a közös határon osztozó sejtek között. Információt szereztek a lakosság kritikus térfogatáról, amely alatt a járvány folyamata mérséklődik. A modell főbb paramétereit tényleges epidemiológiai és demográfiai adatokból származtattuk.

A közelmúltban ennek a könyvnek a szerzője számos hasonló tanulmányt végzett, amelyekben kísérletet tettek a sztochasztikus modellek térbeli általánosítására a fejezetben tárgyalt egyszerű és általános esetekre. 9.2 és 9.3. Tegyük fel, hogy van egy négyzetrácsunk, amelynek minden csomópontját egy befogadó egyed foglalja el. A fertőzés forrását a négyzet közepére helyezzük, és egy olyan diszkrét ideig tartó lánc-binomiális folyamatot veszünk számításba, amelyben csak a fertőzési forrással közvetlenül szomszédos egyedek vannak kitéve a fertőzés kockázatának. Ezek lehetnek csak négy legközelebbi szomszédok (1. séma), vagy átlósan elhelyezkedő egyedek is (2. séma); a második esetben összesen nyolc egyed fekszik a tér oldalain, amelyek közepét a fertőzés forrása foglalja el.

Nyilvánvaló, hogy a sémaválasztás önkényes, azonban munkánk során ez utóbbi elrendezést alkalmaztuk.

Eleinte egy egyszerű járványt vettek fontolóra, amelynél nem történt gyógyulás. A kényelem kedvéért egy korlátozott méretű rácsot használtak, és az egyes egyének állapotára vonatkozó információkat (vagyis arról, hogy fogékonyak-e a fertőzésre vagy fertőzésforrás-e) számítógépen tárolták. A modellezési folyamat folyamatosan nyilvántartotta az összes egyed állapotában bekövetkezett változásokat, és megszámolta az új esetek számát minden olyan négyzetben, ahol az eredeti fertőzési forrás a központban volt. A gép memóriája az összeg aktuális értékeit és az esetek számának négyzetösszegét is rögzítette. Ez meglehetősen egyszerűvé tette az átlagértékek és a standard hibák kiszámítását. Ennek a tanulmánynak a részleteit külön cikkben közöljük, de itt csak ennek a munkának egy-két sajátos jellemzőjét említjük meg. Nyilvánvaló például, hogy az elégséges érintkezés nagyon nagy valószínűségével a járvány szinte determinisztikus terjedése megy végbe, amelyben a járvány fejlődésének minden új szakaszában új négyzet kerül hozzáadásra a fertőzési forrásokkal.

Kisebb valószínűséggel valóban sztochasztikus terjedése lesz a járványnak. Mivel minden fertőzésforrás csak nyolc legközelebbi szomszédját fertőzheti meg, és nem a teljes populációt, várható, hogy a járványgörbe a teljes rácsra vonatkozóan nem nő olyan élesen, mintha a teljes populáció homogén keveréke lenne. Ez a jóslat valóban beigazolódik, és az új esetek száma többé-kevésbé lineárisan növekszik az idő múlásával, amíg az élhatások be nem kezdenek (mivel a rács korlátozott kiterjedésű).

9. táblázat: Egy 21x21-es rácsra épített egyszerű járvány térbeli sztochasztikus modellje

táblázatban. A 9. ábra egy kezdeti fertőzési forrással rendelkező rácsra kapott eredményeket mutatja, és az elegendő érintkezés valószínűsége 0,6. Látható, hogy a járvány első és tizedik szakasza között az új megbetegedések átlagos száma minden alkalommal mintegy 7,5-tel nő. Ezt követően az éleffektus kezd dominálni, és a járványgörbe meredeken lefelé esik.

Meg lehet határozni az új esetek átlagos számát is bármely adott rácsponthoz, és így megtalálhatjuk az adott pont járványgörbéjét. Kényelmes átlagolni az összes olyan pontot, amely azon négyzet határán fekszik, amelynek közepén a fertőzés forrása található, bár a szimmetria ebben az esetben nem lesz teljes. A különböző méretű négyzetek eredményeinek összehasonlítása azt a képet kapja, hogy egy járványhullám távolodik az eredeti fertőzési forrástól.

Itt olyan eloszlássorozatot kapunk, amelynek módusai lineárisan nőnek, a variancia pedig folyamatosan növekszik.

A járvány részletesebb vizsgálatát is elvégezték általános típus a fertőzött egyedek eltávolításával. Természetesen ezek mind nagyon leegyszerűsített modellek. Fontos azonban megérteni, hogy ezek jelentősen javíthatók. A népesség mobilitásának figyelembevételéhez feltételezni kell, hogy a fogékony egyedek olyan fertőzési forrásokból is megfertőződnek, amelyek nem közvetlen szomszédai. Lehetséges, hogy itt valamilyen súlyozási tényezőt kell használnia, a távolságtól függően. A módosítások, amelyeket ebben az esetben be kell vezetni a számítógépes programba, viszonylag kicsik. A következő szakaszban lehetségessé válik a legváltozatosabb szerkezetű, valós vagy tipikus populációk ilyen módon történő leírása. Ez lehetőséget ad a valós populációk epidemiológiai állapotának felmérésére a különféle típusú járványok kockázata szempontjából.

TERMÉSZET- ÉS MŰSZAKI TUDOMÁNYOK

UDC 519.673: 004.9

A FORMÁLIS RENDSZEREK OSZTÁLYÁBAN EGY TÉRIDINAMIKUS OBJEKTUM FOGALMI MODELLÉNEK ÉRTELMEZÉSE*

ÉS ÉN. Friedman

Informatikai és Matematikai Modellezési Intézet KSC RAS

annotáció

A komplex dinamikus objektumok (DLS) modellezésének kérdéseit gyengén formalizált tantárgyi területeken vizsgáljuk. Az ilyen objektumok korábban javasolt szituációs fogalmi modelljéhez a szemiotikai formális rendszerek osztályában egy olyan értelmezést dolgoztak ki, amely lehetővé teszi az LMS tanulmányozásának különböző eszközeinek integrálását, közös logikai-analitikai adatfeldolgozást és az objektum állapotának helyzetelemzését. szakértői ismeretek felhasználásával és a térképészeti információk felhasználásával végzett LMS jellemzőinek tér-időbeli függőségeinek figyelembe vételével.

Kulcsszavak:

fogalmi modell, térdinamikai objektum, szemiotikai formarendszer.

Bevezetés

Ebben a cikkben az LMS modellezésének kérdéseit vizsgáljuk gyengén formalizált tantárgyi területeken. A szerkezeti összetettség mellett az LMS-ek sajátossága, hogy működésük eredménye jelentősen függ az alkotórészek térbeli jellemzőitől és az időtől.

Az LMS modellezésekor figyelembe kell venni sokféle információ-, pénzügyi-, anyag-, energiaáramlást, elemezni kell az objektum szerkezetének megváltoztatásának következményeit, az esetleges kritikus helyzeteket stb. Az ilyen tárgyakkal kapcsolatos ismeretek alapvető hiányossága korlátozza a klasszikus analitikai modellek alkalmazhatóságát, és meghatározza a szakértői tapasztalatok felhasználására való orientációt, ami viszont a szakértői tudás formalizálására és a modellezési rendszerbe való integrálására vonatkozó megfelelő eszközök létrehozásával jár. . Ezért a modern modellezésben egy ilyen koncepció, mint konceptuális tartománymodell (KMPO) szerepe jelentősen megnőtt. A CMPO alapja nem az adatátvitel és -átalakítás algoritmikus modellje, mint az analitikus modelleknél, hanem egy objektum szerkezetének és alkotórészeinek kölcsönhatásának deklaratív leírása. Így a KMPO kezdetben a szakértői tudás formalizálására összpontosít. A CMPO meghatározza a vizsgált tárgykör elemeit, és leírja a köztük lévő kapcsolatokat, amelyek meghatározzák az adott tanulmányon belül elengedhetetlen szerkezetet és ok-okozati összefüggéseket.

Az ebben a cikkben bemutatott helyzetmodellező rendszer (SSM) egy fa-szerű szituációs koncepcionális modellen (SCM) alapszik az egyik lehetőség.

* A munkát részben az Orosz Alapkutatási Alapítvány támogatásai támogatták (13-07-00318-a, 14-07-00256-a,

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

olyan technológiák bevezetése, mint a CASE (Computer Aided Software Engineering) és a RAD (Rapid Application Development).

Szemiotikai formális rendszerek

A logikai számítás mint az ismeretek ábrázolásának és feldolgozásának modelljének fő előnye az egységes formális eljárás megléte a tételek bizonyítására. Ez azonban magában foglalja ennek a megközelítésnek a fő hátrányát is - a heurisztika alkalmazásának nehézségét a bizonyításban, amely egy adott problémakörnyezet sajátosságait tükrözi. Ez különösen fontos szakértői rendszerek kiépítésénél, amelyek számítási teljesítményét elsősorban a tantárgyi terület sajátosságait jellemző ismeretek határozzák meg. A formális rendszerek további hátrányai közé tartozik a monotonitás (lehetetlenség a következtetések lemondása, ha egy további tény igazzá válik, és ebben az értelemben eltérnek a józan észen alapuló érveléstől), a felhasznált elemek strukturálására szolgáló eszközök hiánya és az ellentmondások megengedhetetlensége. .

A mesterséges intelligenciában használt formális rendszerek hiányosságainak kiküszöbölésére irányuló vágy a nyolcas ábrával formalizált szemiotikai rendszerek megjelenéséhez vezetett:

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

Az (1)-ben az első négy komponens megegyezik a formális rendszer definíciójában szereplővel, a többi komponens pedig az első négy komponens megváltoztatásának szabályai a rendszer felépítéséről és működéséről szóló tudásbázisban felhalmozott tapasztalatok hatására. entitások egy adott problémakörnyezetben. Az ilyen rendszerek elmélete a fejlesztés korai szakaszában van, de ezen a paradigmán belül számos példa van konkrét problémák megoldására. Az alábbiakban egy ilyen példát ismertetünk.

A helyzetmodellezés alapjai

A feladat kitűzése és a modellezési folyamat előkészítése során a KMPO célja, hogy a vizsgált tárgykör szerkezetére vonatkozó ismereteket reprezentálja. A CMPO-elemek esetében megfelelés van a valós világ tényleges objektuma és annak modellreprezentációja között. A modellezés további szakaszainak automatizálásának biztosítására a tartománymodell leképeződik egy neki megfelelő formális rendszerre. Ezt az átmenetet a CMPO felépítése során valósítjuk meg úgy, hogy minden eleméhez valamilyen formális leírást rendelünk. Ennek eredményeként a KMPO felépítésének befejezése megfelel majd a vizsgált tárgykör informális ismereteiről azok formális megjelenítésére való átmenetnek, ami csak egyértelmű eljárási értelmezést tesz lehetővé. Az így létrejövő formális modell deklaratív jellegű, mivel elsősorban az objektumok és folyamatok összetételét, szerkezetét és kapcsolatait írja le, függetlenül attól, hogy milyen konkrét módon valósulnak meg a számítógépben.

Az SCM leírására szolgáló deklaratív nyelv két részből áll: a leírt világ objektumainak megfelelő részből és a modellben ábrázolt objektumok kapcsolatainak és attribútumainak megfelelő részből. A deklaratív nyelv matematikai alapjaként az axiomatikus halmazelméletet használják.

Az SCM háromféle elemet (entitást) ír le a valós világban – objektumokat, folyamatokat és adatokat (vagy erőforrásokat). Az objektumok a vizsgált objektum szervezeti és térbeli felépítését tükrözik, mindegyik folyamatok halmazához kapcsolható. A folyamat alatt valamilyen műveletet (eljárást) kell érteni, amely az adatok egy részhalmazát, amelyet a vizsgált folyamathoz kapcsolódóan bemenetnek nevezünk, azok másik részhalmazává alakítja át,

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

ÉS ÉN. Friedman

ünnepnek nevezik. Az adatok a rendszer állapotát jellemzik. A folyamatok végrehajtásában használatosak, végrehajtásuk eredményeként szolgálnak. Bármely folyamat végrehajtása megváltoztatja az adatokat, és megfelel a rendszer egyik állapotból a másikba való átmenetének. A modellben a valós objektumok kapcsolatait és kölcsönhatásait objektumok, folyamatok és adatok halmazain meghatározott kapcsolatok segítségével írja le. Minden kapcsolat egy modellelemet más elemek halmazához kapcsol.

Az SCM elemek neve a tárgykör szerint van megadva. A modell minden eleméhez hozzá van rendelve egy végrehajtó, amely biztosítja annak megvalósítását a szimuláció során. A végrehajtó típusa határozza meg az implementáció jellemzőit, például a programozási nyelvet, amelyen a megfelelő folyamatvégrehajtó íródik, és a végrehajtó típusát az algoritmikus nyelvben.

A hierarchia kapcsolati típusát leíró attribútumok a modellobjektumok reprezentációját adják meg a hierarchia következő, alacsonyabb szintjén. A "összetétel" (&) relációtípus azt határozza meg, hogy egy objektum az alobjektumainak összesítésével épül fel. Az "osztályozás" típus (v) azt jelzi, hogy a legfelső szintű objektum alacsonyabb szintű objektumok csoportjának általánosítása. Az SCM-ben az "osztályozás" típusú relációt egy legfelső szintű elem különböző változatainak ábrázolására használják. Az "iteráció" típus (*) lehetővé teszi az iteratív folyamatok meghatározását az SCM-ben, és szabályos adatstruktúrák leírását.

A hierarchia kapcsolat típusától függően egy vezérlőadat van hozzárendelve az objektumhoz. A vezérlőadatok az „osztályozási” vagy „iterációs” hierarchia kapcsolattípussal rendelkező folyamatok szerkezetének újradefiniálására szolgálnak, valamint az „iterációs” hierarchikus kapcsolattípussal rendelkező adatokhoz.

Az SCM formális ábrázolása lehetővé teszi az SCM szerkezetének és megoldhatóságának helyességének elemzését jelentősen automatizálni.

Az SCM hatékonyságának fontos szempontja a szimulációs eredmények bemutatásának kényelmessége. Jelenleg a földrajzi információs rendszert (GIS) tartják a legígéretesebb környezetnek az LMS osztályú objektumok számítógépes kutatásához. A térinformatikai eszközök a fejlett vizualizáció és grafikus adatfeldolgozás mellett elvileg lehetővé teszik a térben összehangolt számítások feladatainak beállítását felhasználóbarát grafikus környezetben, bár ez további szoftverfejlesztést igényel. Ráadásul a térinformatikai csomagokat nem az objektumok dinamikájának elemzésére és komoly matematikai adatfeldolgozásra tervezték.

A GIS másik előnye a vizsgált probléma keretein belül, hogy a grafikus attribútumokkal ellentétben minden grafikus elemhez további adatbázis-mezők rendelhetők, amelyek külső számítási modulok által módosíthatók. Ezek a mezők különösen az adott elemhez kapcsolódó fogalmi modell attribútumait, valamint a modellezés szervezéséhez és lebonyolításához szükséges egyéb paramétereket tárolhatják.

Így a szimuláció során minden számítási ciklus három szakaszból áll: a számítási feltételek meghatározása, maga a számítás és az eredmények kiadása. Az SCM fejlesztés informális célja mindezen szakaszok automatizálása, miközben maximális szolgáltatást nyújt a nem programozó felhasználónak, azaz tartományi terminológiát és barátságos számítógépes felhasználói felületet használ. Ugyanezen okokból az SMS-nek funkcionálisan teljesnek kell lennie, azaz biztosítania kell a felhasználó számára az összes szükséges eszközt anélkül, hogy kifejezett hozzáférést biztosítana más szoftverkörnyezetekhez. A speciális grafikus könyvtárak és jelentéskészítő eszközök létrehozása indokolatlan programozási költségeket igényelne, és jelentősen meghosszabbítaná a fejlesztési időt. Ezért célszerűnek tűnik egy kompromisszumos megoldás: az adatkiadás feladatait szabványos csomagokhoz vagy speciális programmodulokhoz rendelje, de munkájukat maximálisan automatizálja, kizárva a környezetében lévő felhasználóval való párbeszédet.

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

Fogalmi modell értelmezése...

Az SCM formális leírása

Az SCM a modellező objektum faszerű ÉS-VAGY gráf formájában történő ábrázolásán alapul, amely az LMS szerkezeti elemeinek hierarchikus bontását jeleníti meg a szervezeti kapcsolataiknak megfelelően.

A kis adatváltozásokkal járó számítási problémák elkerülése és a közös számítási-logikai adatfeldolgozás támogatása érdekében az SCM-ben a feldolgozási eljárások kimeneti adatai (a térinformatikailag számított adatok kivételével) csak diszkrét véges halmazú adatok lehetnek. értékeket (például listákat). Ha egyes adatok értékei karakterlánc-konstansok, akkor az ilyen adatokat paraméternek (PAR kategória), a numerikus értékeket pedig változónak (VAR kategória) nevezzük, és bizonyos matematikai műveleteket lehet végrehajtani rajta. Ha a számítás eredménye egy változó értéke, akkor azt a legközelebbi értékre kerekíti az érvényes értékek listájában. A következőkben, ha az elmondottak az SCM-ben engedélyezett bármely típusú adatra vonatkoznak, akkor az "adott" kifejezést használjuk. Így az adatnevek halmaza változó- és paraméternév-készletekre oszlik:

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

7 7 - l 7 v 7 (2)

Par::=(parj), j = 1, Np, ahol Nv és Np ezeknek a halmazoknak a kardinalitásai.

Az objektumok vagy folyamatok adatmodell erőforrásai (mennyiségi jellemzői) (RES kategória), a változók az SCM elemeinek működési minőségének (ADJ kategória) függvényeinek (kritériumainak) hangolási paramétereiként is használhatók. Ennek megfelelően a változónevek halmaza fel van osztva az SCM-elemek erőforrásneveinek egy részhalmazára, valamint ezen elemek minőségi kritériumainak hangolási paramétereinek nevének részhalmazára:

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

Egy külön kategória (GIS kategória) a GIS-ben közvetlenül számított SCM objektumok grafikus jellemzőiből áll. Mindegyik változó, de nem tekinthető listának, mivel csak modellelemek bemeneti erőforrásaként használják, és nem változnak a szimuláció során.

Az SKM objektumoknak három fő jellemzőjük van: egy név, egy funkcionális típus, amely meghatározza az objektum szerkezetét és funkcióit, és amelyet az SKM helyességének elemzése során használnak, valamint annak a szuperobjektumnak a neve, amely ezt az objektumot uralja az SKM-ben ( hiányzik a legfelső szintű objektumnál). Az objektumfán és a térképen elfoglalt helyük szerint az SCM objektumok három kategóriáját különböztetjük meg: primitívek (LEAF kategória), szerkezetileg a globális modellezési cél szempontjából oszthatatlanok, elemi objektumok (GISC kategória), földrajzilag kapcsolódó egy térinformatikai elem (sokszög, ív vagy pont, amelynek vagy burkolatai), és összetett objektumok (COMP kategória), amelyek elemi és/vagy összetett objektumokból állnak. A GISC kategóriájú objektumok szerkezete az SCM-ben meglehetősen bonyolult lehet, de minden részobjektumnak ugyanaz a földrajzi hivatkozása. Az objektumok halmaza hierarchiát alkot:

O \u003d (a 0Ya):: \u003d 2 °a, (4)

ahol a = 1, Nl az objektumfa azon szintjének száma, amelyhez az objektum tartozik (L a dekompozíciós szintek száma);

wb = 1, Nb - az objektum sorozatszáma a bontás szintjén;

r = 1, N6_ az adott elemet fedő szinten domináló szuperobjektum sorszáma;

Ob az a számú szinthez tartozó objektumok halmaza.

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

ÉS ÉN. Friedman

Az SCM összekapcsolhatóságának biztosítása érdekében feltételezzük, hogy egyetlen szuperobjektum van, amely uralja az első dekompozíciós szint összes objektumát, vagyis az összefüggés igaz:

O. -i0.”) 0, = (5)

Az SCM-ben lévő folyamatok adattranszformációkat jelentenek, és különböző módon valósulnak meg a folyamathoz rendelt következő három kategória valamelyikétől függően: belső folyamatok (INNER kategória), minden bemeneti és kimeneti adatuk egy objektumra vonatkozik; egymásnak nem alárendelt SCM objektumokat összekötő intra-level folyamatok (INTRA kategória); szintközi folyamatok (INTER kategória), amelyek az adatátvitelt írják le egy objektum és alobjektumok között, vagy egy objektum és egy szuperobjektum között. A folyamatok bevezetett kategorizálása némileg bonyolítja az SCM létrehozásának folyamatát (esetenként szükség lehet ilyen tipizálást biztosító fiktív folyamatok létrehozására), de sokkal teljesebbé és részletesebbé teszi az SCM formális ellenőrzési eljárásait.

A folyamatok főbb jellemzői: egyedi név, a folyamatvégrehajtó jellemzője és a folyamat funkcionális típusa, amely meghatározza az általa végrehajtott transzformációk típusát, és az SCM helyességének elemzése során használatos; Ezenkívül a bemeneti és kimeneti adatok listája, valamint azok megengedett határértékei kerülnek felhasználásra. A folyamat végrehajtója határozza meg a folyamat dinamikus tulajdonságait és azt, hogy hogyan valósul meg a számítógépben. A végrehajtó megadható közvetlenül (differenciálegyenlet formájában), vagy közvetetten - a folyamatot megvalósító szoftvermodul nevére hivatkozva.

A fogalmi modell sémáját egy sor alkotja:

^SCM::=<о,P,DCM,H,OP,PO,U >, (6)

ahol O CMPO objektumok halmaza (9);

P::= (pn I n = 1, Np - CMPO folyamatok halmaza;

DCM D-vel - fogalmi modell adathalmaz, ahol D a (4), (5) pontokban van definiálva;

H - az objektumok hierarchiájának viszonya, amely a (4) és (5) figyelembevételével a következő alakot ölti majd:

ahol Hb és O6x B, (O6) az objektumfa egyes szintjének hierarchia relációi, és b "(o6) az Oa halmaz egy partíciója;

OP O x B-vel (P) - az "objektum - kimeneti folyamatait generáló" reláció, és B (P) a P halmaz egy partíciója;

PO P x B(O)-val - a "folyamat - bemeneti adatobjektumainak létrehozása" kapcsolat;

U::= Up és U0 - a számítási folyamat SCM-en alapuló vezérlését formalizáló reláció a következő összetevőkkel rendelkezik:

U és P x B(Res) - "folyamat - vezérlési adatok" reláció;

Uo O x B(Res)-vel - az "objektum - vezérlőadat" kapcsolat.

Az „objektum (folyamat) - vezérlőadatok” kapcsolat a modell valamely objektumát (folyamatát) olyan adatokkal társítja, amelyek meghatározzák ezt az objektumot az algoritmikus értelmezésre való átmenet során. Az objektumok közötti adatátvitel csak ezen objektumok bemeneti és kimeneti adatainak listáin keresztül valósul meg, ami összhangban van a modern objektum-orientált programozásban elfogadott adatbeágyazási elvekkel. Az egy objektumhoz rendelt összes folyamatot az OA és az O x B(P) "objektum - hozzárendelt folyamatok" kapcsolat írja le. Ez az összefüggés nem szerepel a sémában

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

Fogalmi modell értelmezése...

SCM, mert a H, OR és RO relációkkal ellentétben ezt nem a felhasználó állítja be a modell felépítésekor, hanem automatikusan létrejön.

A modellben definiált relációk kényelmesen ábrázolhatók (7) függvények formájában, amelyek részben az O és P halmazokon definiálhatók, B(P), B(O) vagy B"(Ob) tartományokkal.

A függvényeket kisbetűkkel jelöljük, amelyek megfelelnek a kapcsolatnevekben lévő nagybetűknek:

h:°b_1 ^B"(Oa),(Vo;. e06,Vo! e°b_Hoj = hb(o))oojHbog); op. O ^ B(p^ (Vo e O, Vp e p)(( 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] = fel (pi)) ptUpres]);

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

A függvények értékkészletei (7), amelyek a bevezetett relációk értéktartományának szakaszait alkotják definíciójuk tartományainak egyes elemeihez, félkövér betűkkel vannak jelölve:

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

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

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

A (8)-hoz hasonlóan a bevezetett relációk szakaszai definíciós tartományaik részhalmazai fölé íródnak, amelyek az összes szakasz uniójaként vannak megszerkesztve ezen részhalmazok elemei fölött. Például h (Oi), ahol Oi és O6_x, az a szintű objektumok halmaza, amelyet az a - 1 szinten lévő oj e O t objektumok adott részhalmaza ural.

Az alábbiakban az oi h ’(oi)::= U h(oi) objektum alárendeltségi halmazát is használjuk.

Az SCM elemekhez kategóriák hozzárendelésére kidolgozott algoritmusok a fenti relációkat használják, és mindegyiket azonosítják lehetséges hibákat modellelemek kategorizálása. Az SCM-elemek végrehajtóinak kijelöléseinek helyességét ellenőrző eljárások a következő megszorításokat alkalmazzák (bizonyítékok találhatók).

Tétel 1. A végső SCM-ben nem mehet végbe az objektumvégrehajtó típusok rekurzív dekompozíciója, vagyis egyetlen objektumnak sem lehet, amely valamelyik objektum alárendeltségi halmazában szerepel az eredeti objektummal azonos típusú végrehajtó.

2. Tétel. Egy véges SCM-ben nem fordulhat elő az objektumok végrehajtóinak alárendeltségének inverziója, azaz egyetlen objektumnak sem lehet egy e1 típusú végrehajtójával rendelkező objektum alárendeltségi halmazában azonos végrehajtója. típus, mint bármely más objektum, amelynek alárendeltségi halmazában van valamilyen objektum e1 típusú végrehajtóval.

Az SCM megoldhatóság szabályozásának elvei

A CCM-ben elfogadott szabályok szerint végrehajtott helyes modell felépítése még nem garantálja, hogy ez a modell feloldható, vagyis minden benne deklarált probléma megoldható. A feloldhatóság általában a modellobjektumok egy bizonyos részhalmazának elérhetőségét jelenti, amelyek célként vannak definiálva, az objektumok másik részhalmazából, amelyeket forrásként definiálunk. A megoldhatóság két fő szempont szerint vehető figyelembe: a teljes modell egészének elemzésekor (a számítások megkezdése előtt) a globális cél elérésére a hierarchia különböző szintjein elérhető összes lehetséges lehetőség leírásának következetességét és egyértelműségét jelenti, és közben

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

ÉS ÉN. Friedman

A modellezés megvalósítása során a feloldhatóság abban áll, hogy biztosítjuk a vizsgált helyzetet leíró modell megfelelő részletének kiválasztását. A funkcionális különbség ezen szempontok között az, hogy a teljes modell elemzésekor csak a modellben leírt összes objektum modellezésének lehetséges lehetősége kerül értékelésre, egy konkrét helyzet elemzésekor pedig az ezt a helyzetet leíró minimális töredék kiválasztásának és mennyiségi összehasonlításának feladatai. a benne foglalt lehetséges alternatívák is fel vannak tüntetve. A feloldhatóság második aspektusát ben tanulmányozzuk, itt az SCM mint egész feloldhatóságának elemzésének jellemzőit mutatjuk be, amely a helyesség-ellenőrzés befejezése után automatikusan megtörténik, és a felhasználó kérésére elvégezhető a címen. bármikor. Általános esetben a megoldhatósági elemzés problémája a következőképpen fogalmazható meg: két modellelem-készlet van feltüntetve - a forrás és a cél, míg a modell akkor oldható meg, ha van olyan lépéssor, amely lehetővé teszi a célhalmaz lekérését. a forrás. Erre az egyszerű hullámalgoritmusok alkalmasak.

A feloldhatóság mindkét aspektusának elemzése során a fogalmi modellt formális rendszernek tekintjük. Az ábécéje a következőket tartalmazza:

modellelemeket jelölő szimbólumok (pi, on, resj, ...);

a modellelemek közötti kapcsolatokat és kapcsolatokat leíró funkcionális szimbólumok (ha, op, ...);

speciális és szintaktikai szimbólumok (=, (,), ^,...).

A vizsgált formális rendszer képletkészletét a következők alkotják: a KMPO elemeit jelölő tényleges szimbólumok:

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

kifejezések (7), (8) és egyéb képletek függvények és halmazok kiszámításához, amelyeket az (5) halmazok fölé bevezetett relációk segítségével határoznak meg;

kiszámíthatósági kifejezések a fogalmi modell minden egyes folyamatához:

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

ahol a CCM-ben az egyes objektumok szerkezetének autonómiájára vonatkozó feltételezés következtében a pi-t megelőző folyamatok s(p) halmaza csak az azonos objektumhoz rendelt folyamatokat tartalmazhatja:

s (pi) oa-val (oa "1 (p1)); (11)

kiszámíthatósági kifejezések a fogalmi modell minden objektumához: list_in(oi), up(Oj), oa(o,), h(o,) ^ oi, list_out(oi); (12)

kifejezések a koncepcionális modell minden objektumának bemeneti adatainak kiszámíthatóságára, amelyek más objektumoktól anyagi erőforrásokat kapnak (vagy: oo(o) Ф 0):

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

A (9)-(13) kifejezések csak anyagi erőforrásokat tartalmaznak, azaz nem elemzik az SCM információforrásokhoz kapcsolódó hangolási és visszacsatolási folyamatok kimeneti adatait. Ezen túlmenően a kifejezések premisszáiban meghatározott halmazok kiszámíthatósága azzal a feltétellel van megadva, hogy a megadott halmazok minden eleme kiszámítható.

A (10) állítás első premisszája további indoklást igényel. Mint ismeretes, a tárgykörben az erőforrásciklusok jelenlétében megjelenhetnek olyan adatok, amelyeket egy koncepcionális modell felépítésekor valamilyen KMPO-folyamat bemeneteként és kimeneteként egyszerre kell deklarálni. Az SCM-ben elfogadott feltevés szerint az ilyen ciklusokat a CMPO objektumaiba vezetik be, vagyis figyelembe kell venni a megoldhatóság folyamatszintű elemzésénél.

Ha az SCM megoldhatóságának elemzésekor az SCM-ben javasolt kiszámíthatósági kifejezést használjuk, és annak alakját vesszük:

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

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

Fogalmi modell értelmezése...

akkor lehetetlen lesz a modellbe olyan erőforrásokat bevonni, amelyek egyidejűleg ugyanannak a folyamatnak a bemeneti és kimeneti adataiként szolgálnak, vagyis a gyakorlatban gyakran előforduló, ismétlődő számítási folyamatok leírása. A kiutat az alábbi, a munkában bizonyított tétel adja.

3. Tétel. Kizárható az az erőforrás, amely ugyanannak az SCM-folyamatnak bemenete és kimenete is, és nem kimenete az azt megelőző folyamatok egyikének sem, és amely a (13) folyamatgenerálási relációval kapcsolódik a meghatározott folyamathoz. a kiszámíthatósági javaslat bal oldalát anélkül, hogy megsértené az elemzési modell megoldhatóságának helyességét.

A figyelembe vett formális rendszer axiómái a következőket tartalmazzák:

a külső adatokkal kapcsolatos összes erőforrás kiszámíthatóságának axiómái (amelyek DB, GISE vagy GEN típusú végrehajtókkal rendelkeznek)

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

az SKM összes GIS-elemének kiszámíthatósági axiómái (amelyek típusai pont, pol vagy ív szimbólumokkal kezdődnek)

|-0J:<х>pont) v (to(o/) 10 pol) V (to(oj) 10 arcX (16)

ahol szimbólum a szabványos térinformatikai típusok belépését egy objektum funkcionális típusába hagyományosan jelzik.

A vizsgált formális rendszernek két következtetési szabálya van:

az azonnali utódlás szabálya -

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

az egyenlőséggel való követés szabálya -

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

ahol F néhány képlet a (9)-(13) közül.

A leírt formális rendszer felépítése hasonló a ban javasolt rendszer felépítéséhez. A lényeges különbség a (10), (12), (13) kiszámíthatósági kifejezések formája és az axiómák összetétele, amelyek alapján a fogalmi modell megoldhatóságának elemzése történik.

Az SCM-ben bemutatott, a tárgyterületre vonatkozó ismeretek összessége akkor ismerhető el helyesnek, ha a hierarchia különböző szintjein a koncepcionális modell valóban bemutatja az objektumok és folyamatok kölcsönösen elfogadott specifikációit, amelyek biztosítják az objektumok működéséhez szükséges erőforrások megfelelő generálását. magasabb szintű. A specifikációknak való megfelelés minden szinten oda vezet, hogy a koncepcionális modell teljes mértékben jellemzi a rendszer egésze által megoldott globális feladatnak megfelelő gyökérobjektumot. Egy fogalmi modell akkor eldönthető, ha a megfelelő formális rendszerben minden kiszámíthatósági tételnek van egy axiómák és más tételek halmazából való származtatása.

Definíció 1. Az SCM akkor és csak akkor határozható meg, ha a modell minden olyan elemére, amely nem szerepel az axiómák halmazában, a (10), (12), (13) formájú kiszámíthatósági kifejezések alkalmazása az axiómákra és már bevált formulák (a T tételek halmaza) lehetővé teszik, hogy a (17), (18) szabályok segítségével levezetést hozzunk létre a formális rendszer (9)-(13) axiómáinak (A) halmazából.

A megoldhatóság elemzése során, amely az 1. definíció szerint egyfajta automatikus tételbizonyító módszer, a „következtetési mechanizmus” fogalmát alkalmazzuk, jelen esetben ez egy módszer, egy algoritmus a következtetési szabályok alkalmazására. 17), (18), hatékony bizonyítást adva a vizsgált formális rendszer T tételhalmazából (azaz szintaktikailag jól formált formulákból) az összes szükséges képlethalmazra. A következtetés megszervezésének legegyszerűbb módja a „flow” mechanizmus, amelyben a bizonyítottnak tekintett A" képletek halmaza kezdetben megegyezik az axiómák halmazával (A1 = A), az alkalmazás hatására kibővül. Ha egy idő után T A", akkor a modell feloldható, ha ez hamis és egyik szabály sem alkalmazható, akkor az SCM eldönthetetlen.

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

ÉS ÉN. Friedman

Egy általános koncepcionális modell elemzéséhez használt bizonyítási stratégiaként egy alulról felfelé építkező stratégiát javasolunk, amely a következő lépések ciklikus végrehajtásából áll.

I. szakasz. A (17) szabályt alkalmazzuk, hogy a képletekből és axiómákból minden lehetséges következményt levonjunk.

szakasz II. A (17), (18) szabályokat alkalmazzuk, hogy a bizonyítás előző szakaszában kapott axiómákból és formulákból minden lehetséges következményt levonjunk.

szakasz III. A (13) szabály a kiszámíthatónak tekintett objektumok listájának bővítésére szolgál.

Bebizonyosodott, hogy a fent leírt szabályok szerint felépített helyes fogalmi modelleknél a modell egészének megoldhatóságának elemzése a benne szereplő INTRA kategória folyamatai egyes sablonjainak megoldhatóságának elemzésére redukálódik. és az aggregáció folyamatai.

Helyzetkezelés

A helyzetkezelés elméletében alapvető fontosságú a helyzetleírások osztályozásuk alapján történő általánosítására szolgáló eljárások kidolgozása a pragmatikailag fontos jellemzők halmazával, amely önmagában is szintézis tárgya. A helyzetkezelésben a fogalmak kialakításának és osztályozásának alapvető jellemzői a következők:

A helyzetelemek közötti kapcsolatok szerkezetén alapuló általánosító eljárások elérhetősége;

Képes az egyes fogalmak, helyzetek megnevezésével dolgozni;

Annak szükségessége, hogy a helyzetek besorolását valamilyen alapon harmonizálják a hatások (kontrollok) halmaza szerinti osztályozással.

A helyzetek osztályozásának és általánosításának fenti elveinek megvalósításához az SMS számos szoftvereszközt biztosít:

Berendezések a helyzettípusok szintézisére és elemzésére, különösen az optimális elégséges helyzetekre, amelyek az SCM különböző szintjein az ellenőrzési tevékenységek koordinációjával és koordinálásával kapcsolatos kérdések megoldására összpontosítanak;

Eszközök az elégséges helyzetek összehasonlító jellemzőire vonatkozó hipotézisek generálására és tesztelésére e hipotézisek valószínűségi értelmezése keretében, figyelembe véve a kiindulási adatok műszeres hibáinak a szimulációs eredményekre gyakorolt hatását;

Eljárások helyzetleírások általánosítására, figyelembe véve a helyzetelemek közötti tér-időbeli kapcsolatokat, a tér-idő függvények könyvtára (STF) segítségével.

Szituációtípusok szintézise és elemzése. Az SCM-hez kidolgozott algoritmusok szerinti helyzetosztályozás eredményeként a nagyszámú a különböző döntéshozatali objektumokhoz (DE) és a töredékek különböző levélobjektumaihoz kapott helyzetosztályok. Az SMS-ben történő osztályozás eredményeivel kapcsolatos ismeretek felhalmozása érdekében javasolt a helyzetleírások általánosítására szolgáló eszközök alkalmazása e helyzetek szintetizált típusai szerint. Ez a módszer konkretizálja azokat az általános ajánlásokat, amelyek a helyzetszabályozási rendszerek helyzeteinek hierarchikus leírásának megalkotásához szükségesek. A teljes szituáció leírásához hasonlóan minden elégséges helyzet általánosított leírása épül fel a benne szereplő levélobjektumok felsorolása és az OPD alapján, amely az SCM objektumok faszerű dekompozíciója miatt egyedileg határozza meg. . A leírások hierarchiájának első szintjén lévő helyzet általánosított leírásának szintetizálásához ugyanazt az eljárást alkalmazzuk, amely biztosítja az objektumvégrehajtó típusok generálását a hozzájuk rendelt folyamattípusok szerint. A benne szereplő kiindulási adatok a levélobjektumok típusai és a vizsgált elégséges helyzetek OPD-je, a munka eredménye pedig

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

Fogalmi modell értelmezése...

az elégséges helyzet egyedi típusa, amelyet osztályának sorszáma és ebben az osztályban lévő száma egészít ki. A lexikográfiai sorrendtől eltérően, amelyet az objektumvégrehajtó típusok generálásakor használunk, itt a szituációban szereplő objektumok típusai az objektumfán elfoglalt helyzetük szerint vannak rendezve (4). Egy osztály sorszámát az ezt az osztályt domináló erőforrás száma határozza meg, az ODP kimeneti erőforrásainak listája szerint, az osztályon belüli helyzet sorszámát pedig annak preferenciája adja meg. Ennek az osztálynak az optimális elégséges helyzete az 1-es számot kapja. Természetes, hogy a helyzetek osztályozásánál abszolút skálának tekintjük a globális minőségi kritérium szerinti besorolásukat, vagyis a helyzetek egyik vagy másik osztályába való besorolásukat, amelyek biztosítják a helyzetek dominanciáját. a globális SCM objektum egyik kimeneti paramétere az általánosított költségek alapján, amelyeket az elégséges helyzet ODA minősége kritériuma alapján számítanak ki. A szituáció típusának felépítésében az első kulcs az osztályon belüli sorszám, majd az ODP száma, majd a levélobjektumok listájának típusainak indexei, a végén pedig az osztályszám. A leírt indexelési sorrend a következő típusú lekérdezések generálásának megkönnyítésére szolgál: „Keress egy adott szintű optimális elégséges helyzetek között egy olyan helyzetet, amely egy ilyen és olyan globális optimális helyzet részgráfját alkotja”, amelyek jellemzőek a vezérlési koordináció megoldásában. problémák a döntéshozatal különböző szintjein.

Az SCM-ben szereplő helyzetleírások helyzettípusok alapján történő általánosításának feladata két fő szakaszból áll: a szituációk közös jellemzőinek felkutatása, amelyek egy osztályba tartoznak a CMOS minden egyes vizsgált részletéhez, és a helyzetek előfordulásának keresése a CMOS-ban. magasabb szintek helyzetei (a szintmagasságot itt az OPD szintje adja). Az általánosítás általános érvelési sémája jól illeszkedik a JSM módszer ideológiájába. A JSM módszer SSM-ben történő szoftveres megvalósítása azonban igen jelentős mennyiségű programozást igényelne, ezért az OES SSM héjában megvalósított valószínűségi következtetési mechanizmust alkalmazták, vagyis ahelyett, hogy bizonyos hipotézisek érvényességét értékelték volna, ahelyett, hogy az alábbiak szerint kerültek volna számításba. A JSM módszerrel a feltételes valószínűségek újraszámítására szolgáló speciális függvényeket használtam az elégséges helyzetek konfigurációi és osztályozási eredményei közötti ok-okozati összefüggéseket.

Amint a helyzetek SCM-ben való tipizálásának fenti módszeréből következik, az egy CMPO-fragmens szerint osztályozott elegendő helyzet leírása minőségileg különbözik a levélobjektumok listáiban, amelyek együttesen partíciót alkotnak a felépítés során használt teljes helyzet levélobjektumainak halmazában. a töredék. Ezért leírásaik általánosításánál elsősorban a hasonlósági és a különbségi módszert alkalmazzuk, és előfeltételként a levélobjektum-típusok összefűzésének részsztringjeit. Az általánosítás eredményeit két szabálykészlet formájában alakítják ki, az első pozitív példákat, a második negatív példákat tartalmaz. Az a priori valószínűségek utólagos újraszámításához hasonló képletek szerint a pozitív példák jelenléte a megfelelő szabály feltételes valószínűségének növekedéséhez vezet, és a növekedés mértéke arányos a példában használt helyzetek sorszámaival. , és a negatív példák jelenléte ugyanolyan mértékben csökkenti a szabály feltételes valószínűségét. Az általánosítás első szakaszának vége után a szabályokat 0,5-nél kisebb valószínűséggel utasítják el.

Az általánosítás második szakaszában hasonlóságokat találunk a különböző szintű helyzetek között. Ugyanezt az általánosítási mechanizmust alkalmazzuk, de a szintetizált szabályok tükrözik az elégséges, alacsonyabb szintű bomlási helyzetek előfordulásának feltételes valószínűségét, mint a magasabb szintű elégséges helyzetek, és különösen a globális elégséges helyzetek előfordulásának feltételes valószínűségét a típusok előfordulási gyakoriságának becslésével. a mögöttes helyzetekről a mögöttes helyzetek típusaiban. Így kísérlet történik a különböző szintű ODP-re összeállított helyzetosztályok összehasonlítására, ami megfelelő számú képzési példával lehetővé teszi az összeállítást.

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

ÉS ÉN. Friedman

elégséges helyzetek hierarchikus osztályozása, amely olyan helyzeteket jelöl, amelyek optimálisak egy objektum adott osztályból egy bizonyos állapotba való átviteléhez.

A szabályok másik csoportja a KMPO-ban szereplő alternatívák hatékonyságának értékelésére összpontosít. A keresés gondolata a következő: az egyik vagy másik alternatíva hatékonysági foka (mind a folyamatok, mind az objektumok esetében) minél magasabb, minél szélesebb a helyzetosztályok halmaza, amelyben elegendő helyzet van ennek az alternatívának a különböző változataival. beleesni. És fordítva: ha a rendelkezésre álló lehetőségek egyike sem változtatja meg az elégséges helyzet osztályát, akkor ez az alternatíva nem kerül felkínálásra a felhasználó számára a minimális teljes helyzetek bővítésekor, legalábbis ugyanazon ODP esetében, ami lehetővé teszi az osztályozási folyamat felgyorsítását. helyzetekben. Másrészt kívánatos, hogy a változó dominanciaterületek minden potenciálisan kívánatos változatára előre meg lehessen határozni, hogy a legradikálisabb alternatívák mely tulajdonságokkal rendelkeznek, vagy inkább több halmazt.

Az általánosítás során kapott összes szabály (a helyzetkezelés terminológiájában logikai-transzformációs szabályokra utal) az ES SCM-ben tárolódik, és a helyzetek osztályozása során vezérlőképletként használatos. Meg kell jegyezni a kifejlesztett valószínűségi következtetési mechanizmus egy további jellemzőjét - azt a képességet, hogy csökkentse a kezdeti adatok hibáinak hatását a helyzetek általánosításának eredményeire, figyelembe véve annak valószínűségét, hogy egy helyzetet hibásan hozzárendelnek egy adott osztályhoz. Tekintsük annak alkalmazásának fő gondolatát a helyzetek általánosításának megbízhatóságának növelésére.

Az SCM egy bizonyos töredékének elegendő helyzetének osztályozása során hibák léphetnek fel a modellelemek közötti átvitel során a költségek számítási folyamatának szerkezeti instabilitása miatt. Például, ha a KMPO-ban engedélyezettek az erőforrások feletti ciklusok, akkor amikor a ciklusban részt vevő bármely erőforrás aktuális értéke megváltozik, jelentősen megváltozhat az elégséges helyzet osztálya, ahol ennek az erőforrásnak a költségeit kiszámítják, ami a szerző véleménye szerint , sérti az osztályozási és általánosítási eljárások stabilitását. Az ilyen helyzeteket javasoljuk az általánosítási eljárásokból kizárni, amelyekre az SCM eljárásokban javasolt alkalmazni az eredmények esetleges modellezési hibáktól való függőségét. Ha egy bizonyos SCM-erőforrás modellezési hibáinak befolyásának elemzésekor kiderül, hogy a költségváltozás részaránya a pilot projekt kimenetén meghaladja a tesztváltozás részarányát az erőforrás aktuális értékében, ilyen Az erőforrás megbízhatatlannak minősül, a meghibásodás valószínűségét az osztályozáshoz való felhasználáskor az említett többlet mértékével arányosnak vesszük. Ha a meghibásodás valószínűsége meghaladja a megadott küszöbértéket (az alapértelmezett küszöbvalószínűség 0,3), akkor ez az erőforrás kizárásra kerül az osztályozási eljárásokból. Ellenkező esetben a helyzetek besorolása továbbra is megtörténik, de figyelembe véve a meghibásodások valószínűségét, ami elvileg az osztályozási eljárások kontrasztjának csökkenéséhez vezet, és ennek következtében csökken a kockázattal járó helyzetek beszámításának valószínűsége. megbízhatatlan erőforrás az optimális vagy nagyon előnyös kategóriában.

Tér-idő függőségek elemzése. A spatiotemporális függőségekkel végzett munka a spatiotemporális függvénykönyvtár (SPF) segítségével történik - olyan szoftvermodulok, amelyek az aktuális kéréshez releváns információkat biztosítanak a megfelelő forrásadatbázisokból (BID), beírva ezeket az információkat a fő adatbázisba és feldolgozva. döntést hozni a lekérdezést alkotó feltétel igazáról vagy hamisságáról. Ezért általános esetben az egyes PVF-ek programja három részből áll: egy BID-illesztőprogramból, amely a fő adatbázis és a BID közötti interfészt szervezi, egy programot a lekérdezés eredményeinek a fő adatbázisba írására, valamint egy a lekérdezés eredményeit értelmező programot. . Ebben az esetben a tárgyterület megváltoztatása csak a BID illesztőprogramok módosításának szükségességét jelenti.

Minden PVF-nek van logikai kimenete, vagyis a benne foglalt logikai feltétel elemzése eredményeként igen vagy nem választ ad vissza. Kétféle időbeli és háromféle térbeli funkciót fejlesztettek ki.

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

Fogalmi modell értelmezése...

Az INTERVAL időfüggvény támogatja az előzményadatok egy adott időszakra vonatkozó mintavételezését, szintaxisa a következő:

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

ahol<условие>így nézhet ki:

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

meghatározza a tömbelem vezérelt karakterisztikáját;

<начало>és<конец>állítsa be rendre az ellenőrző intervallum kezdő és befejező pillanatát (a múlttól való távolságukat az aktuális időtől);

<доля>meghatározza az elemek minimálisan megengedett százalékos arányát (számát) az összes elemzett elem között, amelynek meg kell felelnie<условию>így az a függvény (19) igenlő választ ad a kérésre.

Ha nulla paraméterértéket adunk meg<начало>, az összes rendelkezésre álló információt elemzik az adott időpontig<конец>. Hasonlóképpen, a paraméter nulla értékével<конец>, az adatokat a pillanattól kezdve elemzik<начало>az aktuális időpontig. Amikor az értékek egyeznek<начало>és<конец>csak egy múltbeli időpontot veszünk figyelembe.

A következő funkció lehetővé teszi a tárolt adatok ideiglenes összefűzését

a megkeresésben megadott időpontig:

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

ahol<условие>és<доля>a (19) függvényhez hasonlóan alakulnak, és<время>- egy meghatározott időpont, amelyre a műveletet végrehajtják.

A térbeli függvények a következő formában vannak írva:

szomszédos (<условие>,<доля>) (22)

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

Lehetőségek<условие>és<доля>úgy vannak beállítva, mint a (19), (21); a térbeli függvények típusai közötti különbség a közös elemzéshez szükséges elemek kiválasztásának kritériumaiban rejlik: a (22) függvényben az aktuális elemmel geometriailag szomszédos elemeket, a (23) függvényben az azonos értékű elemeket elemezzük. az aktuális elem kiválasztásakor<параметров_сходства>, amely a meglévő paraméterek és változók neveiből van kiválasztva. Például a CCM alkalmazása a kőzetkitörések előrejelzésének problémájára<параметр_сходства>„hiba” elnevezést viselte, és a tektonikai töréshez tartozó objektum elemeinek jellemzőinek együttes elemzésére használták.

A LEGKÖZELÍTETT funkció arra szolgál, hogy meghatározza azt az objektumot, amelyik a legközelebbi térbeli koordinátákkal rendelkezik az adott koordinátákhoz. A függvény igenlő választ ad vissza, ha az objektum koordinátái a megadott környezetbe esnek. A függvény így néz ki:

legközelebbi (<условие>,<координаты>,<допуск>), (24)

ahol paraméter<условие>rendelkezik a már leírt jelentéssel, a paraméterrel<координаты>leírja a rögzítési pont, a paraméter térbeli jellemzőit<допуск>megadja a megengedett távolságot térbeli koordinátákban a megadott ponttól.

A PVF csak az ES szabályok és szabályozási képletek IF részeiben használható. Mivel minden PVF-nek van logikai kimenete, a különböző PVF-ek egyszer egymásba ágyazhatók, azaz az űrlap lekérdezései

szomszédos (hasonló (<условие>,<доля1>,<параметры_сходства>),<доля2>). (25)

Ezzel egyidejűleg a BID driver generál egy lekérdezést, mely szerint először a legbelső PVF-t kielégítő elemek kerülnek kiválasztásra, majd ezek közül kiválasztják a külsőt kielégítő elemeket, és így tovább. A kiválasztott elemek jellemzői átíródnak az adatbázisban (ezt az információt használjuk a magyarázat módban), az értelmező kiszámítja a PVF kimeneti értékét, amely bekerül a szabálybázisba. Az allekérdezések azért érdekelnek leginkább, mert

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

ÉS ÉN. Friedman

lehetővé teszi a PVF kombinálásával a vizsgált objektum térbeli és időbeli jellemzőinek közös értékelését.

A fent leírt PVF-ek meglehetősen széles osztály elemzését adják

tér-időbeli kapcsolatok a vizsgált tárgy elemeinek jellemzői között, azonban a témakör sajátosságaitól függően más PVF-ek kialakítására is lehetőség nyílik.

Ellentétben a helyzetek típusok szerinti általánosítása során generált szabályokkal, az itt vizsgált csoport általánosítási szabályai nem a szituáció egészére vonatkoznak, hanem az egyes objektumokra, folyamatokra vagy akár SCM erőforrásokra. PVF foglalatokban<условие>

és<параметры_сходства>logikai feltételeket és az SKM elemeinek különféle jellemzőit tartalmazhatja, beleértve ezen elemek típusait és kategóriáit. A CCM nem ír elő automatikus eljárásokat az ilyen szabályok generálására, azokat a felhasználó alakítja ki, és a besorolás során a bennük lévő valószínűségeket a fent leírt módon újraszámolják.

Következtetés

Az LMS modellezése során felmerülő különféle típusú helyzetek bevezetett formális definíciói alapján kidolgozásra került annak hierarchikus modellje, amely magában foglalja: egy formális rendszert - SCM és egy vele integrált ES - egy alapelemkészlettel (7) - ( 10), szintaktikai szabályok készlete az SCM egyes elemeinek generálásához, mások a (7), (8) típusú relációk, az axiómarendszer (15), (16) és a következtetési szabályok (17) formájában. ), (18), valamint e formális rendszer összetevőinek megváltoztatásának szabályait a modellezés céljaitól és a helyzet tárgyi tanulmányozásától függően, az SCM megfelelő töredékeinek kiválasztásával és a kimenet szabályozásával. az ES SCM. Az SCM szemiotikai (jel) modellekre utal, mivel a logikai transzformációs szabályok három csoportját fejlesztette ki - a helyzetek feltöltését, osztályozását és általánosítását.

A javasolt modell különbségei az LMS tanulmányozására fókuszáló eszközök integrációjában rejlenek, amely a vizsgált objektum állapotának közös logikai-analitikai adatfeldolgozását és szituációs elemzését biztosítja szakértői ismeretek felhasználásával és a tér-idő függőségek figyelembevételével. a térképészeti információk felhasználásával végzett LMS jellemzői.

IRODALOM

1. Kuzmin I.A., Putilov V.A., Filchakov V.V. Elosztott információfeldolgozás a tudományos kutatásban. L.: Nauka, 1991. 304 p. 2. Tsikritzis D., Lochowski F. Adatmodellek. M.: Pénzügy és statisztika, 1985. 420 p. 3. Samarsky A.A. Bevezetés a numerikus módszerekbe. M.: Nauka, 1987. 288 p. 4. Brzhezovsky A.V., Filchakov V.V. Számítástechnikai rendszerek fogalmi elemzése. Szentpétervár: LIAP, 1991. 78 p. 5. Fridman A.Ya. Ipari-természetes rendszerek szerkezetének helyzetkezelése. Módszerek és modellek. Saarbrucken, Németország: LAP LAMBERT Academic Publishing, 2015. 530 p. 6. Poszpelov D.A. Helyzetkezelés: elmélet és gyakorlat. M.: Nauka, 1986. 288 p. 7. Mitchell E. Esri Útmutató a térinformatikai elemzéshez. 1999. Vol. 1. 190 p.

8. Információs rendszerek fogalmi modellezése / szerk. V.V. Filchakov. Szentpétervár: SPVURE PVO, 1998. 356 p. 9. Hipotézisek automatikus generálása intelligens rendszerekben / ösz. E.S. Pankratova, V.K. Finn. M.: LIBROKOM, 2009. 528 p. 10. Darwiche A. Modellezés és érvelés Bayes-hálózatokkal. Cambridge University Press, 2009. 526 p.

Fridman Alexander Yakovlevich - a műszaki tudományok doktora, professzor, a KSC RAS Informatikai és Matematikai Modellezési Intézetének vezető kutatója; email: [e-mail védett] kolasc.net.ru

A Kolai Tudományos Központ RAS KÖZLÖNYE 4/2015(23)

3D térképészeti képek magasabb szintű elektronikus térképek, amelyek a terep fő elemeinek, objektumainak számítógépes modellező rendszerek segítségével megjelenített térbeli képét ábrázolják. A terepelemzésben, számítási problémák megoldásában és modellezésben, mérnöki szerkezetek tervezésében és a környezet megfigyelésében való felhasználásra szolgálnak.

Szimulációs technológia A Terep lehetővé teszi vizuális és mérhető perspektivikus képek létrehozását, amelyek nagyon hasonlítanak a valódi terephez. Egy számítógépes filmbe való beépítésük egy adott forgatókönyv szerint lehetővé teszi a terület „látását” különböző felvételi pontokról, különböző fényviszonyok mellett, különböző évszakokban és napokon (statikus modell), vagy „repülhet” felette. adott vagy tetszőleges mozgási és sebességrepülési pályák - (dinamikus modell).

A vektoros vagy raszteres megjelenítést is magában foglaló számítógépes eszközök használata, amelyek lehetővé teszik a bemenő digitális információ egy adott keretté alakítását puffereszközeikben, megköveteli a digitális információ, mint információ előzetes létrehozását. térbeli modellek terep (PMM).

A digitális PMM-ek természetüknél fogva olyan gépi adathordozón rögzített digitális szemantikai, szintaktikai és szerkezeti adatok összessége, amelyek a terep és a topográfiai objektumok háromdimenziós képeinek reprodukálására (vizualizálására) szolgálnak a földfelszín megfigyelésének (áttekintésének) meghatározott feltételeinek megfelelően.

Kezdeti adatok a digitális PMM létrehozásához szolgálhat fényképként, térképészeti anyagként, topográfiai és digitális térképként, városterveként és referencia információként, adatot szolgáltatva az objektumok helyzetére, alakjára, méretére, színére és rendeltetésére. Ebben az esetben a PMM teljességét a felhasznált fényképek információtartalma, a pontosságát pedig az eredeti térképészeti anyagok pontossága határozza meg.

A PMM létrehozásának technikai eszközei és módszerei

Fejlődés technikai eszközökkelés a digitális PMM létrehozásának módszerei nehéz tudományos és technikai probléma. A probléma megoldása a következőket tartalmazza:

Hardver- és szoftvereszközök fejlesztése tereptárgyak elsődleges háromdimenziós digitális információinak beszerzéséhez fényképekből és térképanyagokból;
- háromdimenziós térképészeti szimbólumrendszer létrehozása;
- digitális PMM kialakításának módszereinek kidolgozása elsődleges térképészeti digitális információk és fényképek felhasználásával;
- szakértői rendszer kialakítása a PMM tartalmi kialakítására;
- a digitális adatok PMM bankban való rendszerezési módszereinek és a PMM bank felépítésének elveinek kidolgozása.

Hardver és szoftver fejlesztés a tereptárgyakkal kapcsolatos elsődleges háromdimenziós digitális információk beszerzése fényképekből és térképanyagokból a következő alapvető jellemzőknek köszönhető:

A hagyományos DSM-hez képest magasabb követelmények a digitális PMM-mel szemben a teljesség és a pontosság tekintetében;
- keret-, panoráma-, rés- és CCD képalkotó rendszerekkel készült fényképek kezdeti dekódolásaként való felhasználása, és nem célja a tereptárgyak pontos mérési információinak megszerzése.

Háromdimenziós térképészeti szimbólumrendszer létrehozása a modern digitális térképészet alapvetően új feladata. Lényege egy olyan konvencionális táblák könyvtárának létrehozásában rejlik, amelyek közel állnak a tereptárgyak valódi képéhez.

A digitális PMM kialakításának módszerei az elsődleges digitális térképészeti információk és fényképek felhasználása biztosítsa egyrészt azok megjelenítésének hatékonyságát a számítógépes rendszerek puffereszközeiben, másrészt a háromdimenziós kép szükséges teljességét, pontosságát és tisztaságát.

A jelenleg folyó tanulmányok kimutatták, hogy a kezdeti adatok összetételétől függően a következő módszereket alkalmazzák a digitális PMM-ek előállítására:

Digitális térképészeti információk;
- digitális térképészeti információk és fényképek;
- fényképek.

A legígéretesebb módszerek a digitális térképészeti információk és fényképek felhasználásával. A főbbek a különböző teljességű és pontosságú digitális PMM-ek létrehozásának módszerei lehetnek: fényképekből és DEM-ből; fényképek és TsKM alapján; fényképekből és DTM-ből.

A PMM tartalmi kialakítását szolgáló szakértői rendszer kialakítása megoldást kell, hogy nyújtson a térképek tervezésének problémáira a tárgykompozíció, annak általánosítása és szimbolizálása kiválasztásával, valamint a kijelző képernyőn történő megjelenítésével a kívánt térképi vetítésben. Ebben az esetben olyan módszertan kidolgozására lesz szükség, amely nemcsak a konvencionális jeleket, hanem a köztük lévő térbeli-logikai kapcsolatokat is leírja.

A digitális adatok PMM bankban történő rendszerezési módszereinek kidolgozásának és a PMM bank felépítésének elveinek megoldását a térbeli képek, adatmegjelenítési formátumok sajátosságai határozzák meg. Elképzelhető, hogy szükség lesz egy négydimenziós modellezésű (X, Y, H, t) téridő bank létrehozására, ahol valós időben PMM-ek generálódnak.

Hardver és szoftver eszközök a PMM megjelenítéséhez és elemzéséhez

A második probléma az hardver és szoftver fejlesztése digitális PMM megjelenítése és elemzése. A probléma megoldása a következőket tartalmazza:

Technikai eszközök fejlesztése a PMM megjelenítéséhez és elemzéséhez;
- számítási feladatok megoldási módszereinek kidolgozása.

Hardver és szoftver fejlesztés A digitális PMM megjelenítése és elemzése meglévő grafikus munkaállomások használatát teszi szükségessé, amelyhez speciális szoftvert (SW) kell készíteni.

Számítási feladatok megoldási módszereinek kidolgozása egy alkalmazott probléma, amely a digitális PMM gyakorlati felhasználása során merül fel. E feladatok összetételét és tartalmát az egyes PMM-fogyasztók határozzák meg.

1. FEJEZET A DINAMIKUS OBJEKTUMOK FELDOLGOZÁSÁRA ÉS KÉPSZEKVENCIÁKBÓL TÖRTÉNŐ FELISMERÉSÉRE VONATKOZÓ MEGLÉVŐ MÓDSZEREK ÉS RENDSZEREK ELEMZÉSE.

1.1 A kép mint heterogén információhordozó.

1.2 A képfelismerési problémák osztályozása.

1.3 A mozgásbecslési módszerek osztályozása.

1.3.1 A mozgásértékelési módszerek összehasonlító elemzése.

1.3.2 A mozgásbecslés gradiens módszereinek elemzése.

1.4 Jelcsoportok osztályozása.

1.5 Mozgó objektumok szegmentálási módszereinek elemzése.

1.6 Az események értelmezésének és a jelenet műfajának meghatározásának módszerei.

1.7 Feldolgozó és felismerő rendszerek dinamikus objektumokhoz.

1.7.1 Kereskedelmi hardver- és szoftverrendszerek.

1.7.2 Kísérleti és kutatási szoftverrendszerek.

1.8 Képsorozatok tér-idő feldolgozási problémájának megfogalmazása.

1.9 Következtetések a fejezettel kapcsolatban.

2. FEJEZET A STATIKUS ÉS DINAMIKUS KÉPEK FELDOLGOZÁSÁNAK ÉS FELISMERÉSÉNEK MODELLEI.

2.1 Statikus képek feldolgozásának és felismerésének modellje.

2.2 Dinamikus képek feldolgozásának és felismerésének modellje.

2.3 A képfelismerés leíró elmélete.

2.4 A képfelismerés leíró elméletének kiterjesztése.

2.5 Általános modellek a céljellemzők kereséséhez összetett jelenetekben lévő dinamikus objektumok feldolgozása és felismerése során.

2.6 Következtetések a fejezettel kapcsolatban.

3. FEJEZET A DINAMIKUS RÉGIÓK HELYI MOZGÁSI JELLEMZŐINEK MEGTALÁLÁSA ÉS ÉRTÉKELÉSE5.119

3.1 A képsorozatok feldolgozásának továbbfejlesztett módszerének feltételei és korlátai.

3.2 A mozgás helyi jeleinek értékelése.

3.2.1 Inicializálási szakasz.

3.2.2 Az adatok tér-idő mennyiségének becslése.

3.2.3 A dinamikus régiók osztályozása.

3.3 Módszerek a régiók helyi mozgásainak megtalálására.

3.3.1 A jelenet kulcspontjainak megtalálása és követése.

3.3.2 Mozgásbecslés 3D áramlási tenzor alapján.

3.4 Mozgó régiók határainak pontosítása.

3.5 Következtetések a fejezettel kapcsolatban.

4. FEJEZET DINAMIKUS OBJEKTUMOK SZEGMENTÁLÁSA KOMPLEX JELENETEKBEN.

4.1 Többszintű mozgás modellje összetett jelenetekben.

4.2 Modellek a síkon való mozgás becslésére.

4.3 A Lie csoport tulajdonságainak vizsgálata.

4.4 Egy csoport izomorfizmusai és homomorfizmusai.

4.5 A tárgyak mozgásának őstörténetének modellje képsorozatokban.

4.6 Összetett jelenet szegmentálása térbeli objektumokra.

4.6.1 Előreszegmentálás.

4.6.2 Szegmentálás.

4.6.3 Utószegmentálás.

4.7 A pontmozgás ST-jének megjelenítése videoszekvenciákon.

4.8 Következtetések a fejezettel kapcsolatban.

5. FEJEZET EGY KOMPLEX JELENET DINAMIKUS OBJEKTUMÁNAK, AKTÍV CSELEKVÉSEK ÉS ESEMÉNYEK FELISMERÉSE.

5.1 Kontextuális nyelvtan felépítése:.

5.1.1 Elemző fák kialakítása.

5.1.2 Képsorozat szintaktikai elemzése.

5.1.3 A jelenet szintaktikai elemzése.

5.2 Videós készítése egy összetett jelenethez.

5.3 Dinamikus minták felismerése.

5.4 Jelenetesemény felismerés.

5.4.1 Az aktív műveletek észlelésének módja.

5.4.2 Eseményvideó készítése.

5.5 Az események és a jelenet műfajának felismerése.

5.5.1 Jelenetesemény felismerés.

5.5.2 Jelenet műfaj felismerése.

5.6 Következtetések a fejezettel kapcsolatban.

6. FEJEZET A KÉPSZEKVENCIÁK FELDOLGOZÁSÁRA ÉS FELISMERÉSÉRE SZOLGÁLÓ RENDSZEREK FELÉPÍTÉSE ÉS KÍSÉRLETI TANULMÁNYOK.

6.1 „ZROEYA” kísérleti szoftverkomplexum.

6.2 Az "EROEI." kísérleti rendszer moduljainak működése.

6.2.1 Előfeldolgozó modul."

6.2.2 Mozgásbecslési modul.

6.2.3 Szegmentációs modul.

6.2.4 Objektumfelismerő modul.

6.2.5 Aktív műveletek felismerő modulja.

6.3 Kísérleti vizsgálatok eredményei.

6.4 Pályázati projekt "Járművek állami rendszámának vizuális nyilvántartása többfolyamos forgalomban."

6.5 „Hűtőszekrény-modellek azonosító rendszere képek alapján” pályázati projekt.

6.6 Szoftverrendszer „Algoritmusok tájképek feldolgozásához és szegmentálásához. Tárgyak azonosítása".

6.7 Következtetések a fejezettel kapcsolatban.

A szakdolgozatok ajánlott listája

Képrekonstrukció videoszekvenciák spatiotemporális elemzése alapján 2011, a műszaki tudományok kandidátusa Damov, Mihail Vitalievich
Számítógépes módszer az arcok lokalizálására a képeken nehéz fényviszonyok mellett 2011, a műszaki tudományok kandidátusa Pakhirka, Andrej Ivanovics
Módszer a nem szinkronizált videoszekvenciák térbeli-időbeli feldolgozására sztereó látórendszerekben 2013, Ph.D. Pyankov, Dmitrij Igorevics
A morfológiai képelemzés elmélete és módszerei 2008, a fizikai és matematikai tudományok doktora, Vizilter, Jurij Valentinovics
Dinamikus gesztusok felismerése számítógépes látórendszerben a képek alakjának mediális megjelenítése alapján 2012, Ph.D. Kurakin, Alekszej Vladimirovics

Bevezetés a dolgozatba (az absztrakt része) "Dinamikus képek felismerésének modelljei és módszerei képsorok térbeli és időbeli elemzése alapján" témában

Létezik olyan feladatosztály, amelyben kiemelt jelentőséggel bírnak egy összetett jelenet tárgyainak szerkezetére és mozgására vonatkozó információk (videós megfigyelés zárt térben, zsúfolt helyeken, robotkomplexumok mozgásának vezérlése, járművek mozgásának figyelése, stb.). A képsorozatok olyan összetett információs erőforrások, amelyek térben és időben strukturálódnak, és egyesítik a többdimenziós jelek formájában megjelenő kiindulási információkat, a számítógépben történő megjelenítési formákat, valamint a dinamikus objektumok, jelenségek és folyamatok fizikai modelljeit. A digitális képfeldolgozás új technikai lehetőségei lehetővé teszik a képek ilyen sajátosságainak részleges figyelembevételét, miközben egyidejűleg felhasználják a vizuális képek emberi észlelésére vonatkozó kognitív elmélet vívmányait.

Az adatok térbeli-időbeli mennyiségének elemzése lehetővé teszi a megfigyelési objektumok nemcsak statikus, hanem dinamikus jellemzőinek azonosítását is. Ebben az esetben a felismerési probléma definiálható állapothalmazok osztályozásaként vagy pályák osztályozásaként, amelyek megoldását a klasszikus felismerési módszerekkel nem lehet megtalálni, mert az időbeli átmenetek olyan képtranszformációkat generálhatnak, amelyeket nem írnak le ismert analitikai függőségek; A dinamikus objektumok felismerésének feladata mellett az aktív cselekvések és események felismerésének feladatai is vannak, például a zsúfolt helyeken végzett jogosulatlan műveletek észlelése vagy a multimédiás adatbázisokban való indexeléshez szükséges jelenet műfajának meghatározása. Ha egyetlen folyamatnak tekintjük a tárgyak és események képsorokból történő felismerésének feladatát, akkor a legmegfelelőbb a hierarchikus megközelítés, minden szinten párhuzamos feldolgozás elemeivel.

A statikus képek (fotók) és videósorozatok formájában történő információgyűjtés és reprodukálás technikai eszközeinek fejlesztése megköveteli a feldolgozásukra, a helyzetek elemzésére és az ábrázolt tárgyak felismerésére szolgáló módszerek és algoritmusok továbbfejlesztését. A képfelismerés problémájának kezdeti elméleti megfogalmazása 1960-1970-re nyúlik vissza. és jól ismert szerzők számos művében tükröződik. A képfelismerési probléma megfogalmazása magától a tárgyfelismerési problémától, a jelenetelemzési problémáktól a képmegértési problémákig és a gépi látásproblémákig változhat. Ugyanakkor a minta- és képfelismerő módszereken alapuló intelligens döntéshozatali rendszerek összetett típusú bemeneti információkat használnak. Tartalmazza mind az elektromágneses spektrum széles hullámtartományában (ultraibolya, látható, infravörös stb.) kapott képeket, mind a hangképek és helyadatok formájában megjelenő információkat. Az eltérő fizikai természet ellenére az ilyen információk valódi tárgyak és konkrét képek formájában is megjeleníthetők. A radiometriai adatok egy jelenet lapos képei perspektivikus vagy ortogonális vetítésben. Egy bizonyos spektrális tartományú elektromágneses hullámok intenzitásának mérésével jönnek létre, amelyeket a jelenetben lévő tárgyak tükröznek vagy bocsátanak ki. Általában a látható spektrális tartományban mért fotometriai adatokat használnak - monokromatikus (fényerősség) * vagy színes képeket: A helyadatok a jelenet megfigyelt pontjainak térbeli koordinátái. Ha a helyszín összes pontjára mérjük a koordinátákat, akkor a helyadatok ilyen tömbje a jelenet mélységét ábrázoló képnek nevezhető. Vannak egyszerűsített képmodellek (például affin vetületi modellek, amelyeket alacsony perspektíva, paraperspektíva, ortogonális és párhuzamos vetítések ábrázolnak), amelyekben a jelenetmélységet állandó értéknek tekintik, és a jelenet helyképe igen. nem hordoz hasznos információkat. Ebben az esetben a hanginformációnak segédesemény jellege van.

A fotometriai adatok mérése a leggyorsabban történik. A helyinformációkat általában az innen kapott adatokból számítják ki speciális eszközök(például lézeres távolságmérő, radar) vagy sztereoszkópikus módszerrel a fényességű képek elemzésére. A helyadatok gyors megszerzésének nehézségei miatt (különösen a gyorsan változó formájú vizuális objektumokat tartalmazó jelenetek esetében) a jelenet egyetlen vizuális képből történő leírásának feladatai érvényesülnek, i. a jelenet monokuláris vizuális észlelésének feladatai. Általános esetben lehetetlen egyetlen képből teljesen meghatározni a jelenet geometriáját. Csak bizonyos megkötések mellett a meglehetősen egyszerű modelljelenetek és az objektumok térbeli elrendezésére vonatkozó előzetes információ rendelkezésre állása esetén lehetséges egyetlen képből teljes háromdimenziós leírást építeni. Ebből a helyzetből az egyik kiút az egy vagy több mozdulatlanul vagy térben mozgó videokamerától kapott videofelvételek feldolgozása és elemzése.

Így a képek jelentik a valós világról szóló információk fő megjelenítési formáját, és mind az egyes képek, mind a videószekvenciák átalakítására és szemantikai elemzésére szolgáló módszerek továbbfejlesztésére van szükség. Az ilyen intelligens rendszerek fejlesztésének egyik legfontosabb iránya a képek leírására és átalakítására szolgáló módszerek kiválasztásának automatizálása, figyelembe véve azok információs jellegét és felismerési céljait már a képfeldolgozás kezdeti szakaszában.

Az USA-ból (Louisiana State University, Carnegie Mellon University, Pittsburgh), Svédországból ("Computational Vision and Active Perception Laboratory (CVAP), Department of Numerical Analysis and Computer Science), Franciaországból (INRIA), Nagy-Britanniából származó kutatók első munkája. University of Leeds), Németország (University of Karlsruhe), Ausztria (University of Queensland), Japán, Kína (School of Computer Science, Fudan University) a képszekvencia-feldolgozásról és a dinamikus objektumfelismerésről az 1980-as évek végén jelent meg. Később hasonló munkák kezdődtek. megjelenni és Oroszországban: Moszkvában (MGU, MAI (STU), MIPT, GosNII AS), Szentpéterváron (SPbSU, GUAP, FSUE GOI, LOMO), Rjazanban (RGRTU), Szamarában (SSAU), Voronyezsben (VSU) , Jaroszlavl (YarSU), Kirov (VSU), Taganrog (TTI SFU), Novoszibirszk (NSU), Tomszk (TSPU), Irkutszk (IrSU), Ulan-Ude (ESTU) és más városok. Orosz Tudományos Akadémia, a műszaki tudományok doktora, Yu. I. Zhuravlev, Az Orosz Tudományos Akadémia levelező tagja, a műszaki tudományok doktora V. A. Soifer, a műszaki tudományok doktora N. G. Zagoruiko, a műszaki tudományok doktora L. M. Mestetsky, a műszaki tudományok doktora B. A. Alpatov és mások Mára jelentős előrelépés történt a videó megfigyelő rendszerek, a képeken alapuló személyazonosság-hitelesítési rendszerek stb. Vannak azonban megoldatlan problémák a dinamikus képek felismerésében az objektumok való világbeli viselkedésének összetettsége és sokfélesége miatt. Így ebben az irányban javítani kell a dinamikus objektumok és események képsorokból történő felismerésére szolgáló modelleket, módszereket és algoritmusokat az elektromágneses sugárzás különböző tartományaiban, ami lehetővé teszi a videó megfigyelő rendszerek minőségileg új szintre történő kifejlesztését.

A disszertáció célja a dinamikus objektumok, aktív cselekvéseik és eseményeik komplex jelenetekben történő felismerésének hatékonyságának növelése kültéri és beltéri videó megfigyelő rendszerek képsoraival.

A kitűzött cél a következő feladatok megoldásának szükségességét határozta meg:

Elemezni a mozgásbecslési módszereket és az objektumok mozgási jeleinek megtalálását szekvenciális képekből, a dinamikus objektumok szegmentálására szolgáló módszereket és az összetett jelenetek szemantikai elemzését, valamint a különféle dinamikus objektumok felismerésére és nyomon követésére szolgáló rendszerek építésének megközelítéseit. kijelölt célra.

Statikus és dinamikus képek felismerésére szolgáló modellek kidolgozása hierarchikus eljárás alapján idősorok, különösen képsorozatok feldolgozására.

Olyan módszer kidolgozása dinamikus struktúrák mozgásának becslésére az elektromágneses sugárzás különböző tartományaiban nyert tér-időbeli információk alapján, amely lehetővé teszi a mozgás természetétől függően szegmentációs módszerek kiválasztását, és ezáltal a dinamikus képek adaptív felismerését.

Készítsen modellt a dinamikus struktúrák többszintű mozgására egy összetett jelenetben, amely lehetővé teszi a kapott odometrikus adatok alapján dinamikus struktúrák mozgási pályáinak felépítését, és hipotézisek felállítását a vizuális objektumok létezéséről az őstörténet elemzése alapján. mozgások.

Olyan összetett szegmentációs algoritmus kidolgozása, amely figyelembe veszi a dinamikus struktúrák azonosított jellemzőinek halmazát tetszőleges mozgási irányokhoz és az objektumvetületek átfedéséhez, összetett jelenetek többszintű mozgásának modellje alapján.

Dolgozzon ki egy módszert a formális nyelvtan és egy jelenetvideó felvétele alapján bemutatott dinamikus képek felismerésére a kollektív döntéshozatal módszere alapján, valamint módszereket az aktív cselekvések és események felismerésére komplex jelenetben az aktív cselekvések és események grafikonjai segítségével (kiterjesztés). egy összetett jelenet videófelvétele), és egy Bayes-hálózat .

A kidolgozott módszerek és modellek alapján különféle célú kísérleti rendszereket tervezni; Olyan objektumok képsorozatainak feldolgozására tervezték, amelyeket rögzített és tetszőleges 2£>-vetületek halmaza jellemez, és -dinamikus képek felismerése c. nehéz jelenetek.

Módszerek, kutatások. A disszertáció során a mintafelismerés elmélete, a képfelismerés leíró elmélete, a jelfeldolgozás elmélete, a vektoranalízis és a tenzorszámítás módszerei, valamint a csoportelmélet, a formális nyelvtan elmélete került felhasználásra.

A disszertáció tudományos újdonsága a következő:

1. Egy új dinamikus képtranszformációs modellt építettünk fel, amely kitágult hierarchikus szegmentálási szintekkel (lokális és globális mozgásvektorok szerint) és felismeréssel (objektumok és aktív tevékenységeik) különböztethető meg, amely lehetővé teszi a statikus jelenetek céljellemzőinek megtalálását. mozgó objektumok és dinamikus jelenetek a maximális dinamikus invariáns koncepciója alapján.

2. A képfelismerés leíró elmélete négy új alapelv bevezetésével bővült: a felismerési cél figyelembevétele az elemzés kezdeti szakaszaiban, a dinamikus objektumok viselkedésének felismerése, az őstörténet becslése, a megfigyelési objektumok változó száma, amely a kiindulási adatok információtartalmának növelésével javítja a mozgó objektumok felismerésének minőségét.

3. Első alkalommal fejlesztettek ki egy adaptív tér-időbeli módszert az elektromágneses sugárzás látható és infravörös tartományának szinkron sorozataiban történő mozgás becslésére, amely lehetővé teszi a mozgás jeleinek kinyerését különböző hierarchikus szinteken, kombinálva a két típus előnyeit. képsorozatok.

4. Kidolgozták a többszintű mozgás új modelljét; lehetővé teszi a jelenet külön szintekre bontását; nem > korlátozott; általánosan elfogadott felosztás előtérre és háttérre, amely lehetővé teszi az objektumok képeinek megbízhatóbb szegmentálását; összetett perspektivikus jelenetek.

5: Indokolt? és épült; új; általánosított algoritmus dinamikus objektumok szegmentálására; jellemzők halmazával, beleértve a viselkedéstörténeteket is; és lehetővé teszi mind az egyes vizuális objektumok dinamikájának, mind a jelenetben lévő objektumok interakciójának nyomon követését (átfedő vetületek; tárgyak megjelenése / eltűnése a videoérzékelő látóteréből) csoportos transzformációk alapján; és az objektumvetületek közös részének (két szomszédos keretből) az első javasolt elemzése integrál és invariáns becslések segítségével.

6. Módosul a kollektív döntéshozatal módszere, amely különbözik egy objektum keretek közötti vetületeinek jeleinek megtalálásában, és lehetővé teszi a megfigyelések történetének figyelembevételét az aktív cselekvések és események Bayes-hálózat alapján történő felismeréséhez, valamint négy típust. pszeudo-távolságokat javasolnak a dinamikus képek és a referencia dinamikus képek közötti hasonlóság mértékének meghatározására a dinamikus jellemzők megjelenítésétől függően.

Gyakorlati jelentősége. A dolgozatban javasolt módszerek és algoritmusok gyakorlati felhasználásra szolgálnak a Biztonságos város állami projekt keretében többsávos forgalomban közlekedő járművek megfigyelésében, különféle technológiai gyártási folyamatok videoszekvenciákkal történő automatizált vezérlésében, kültéri videó megfigyelő rendszerekben. és beltéri videomegfigyelés, valamint a légifelvételeken lévő objektumok azonosítására és a tájképek felismerésére szolgáló rendszerekben. A disszertáció kutatása alapján a különböző tevékenységi területeken használt, dinamikus objektumok feldolgozására és felismerésére szolgáló szoftverrendszereket fejlesztettek ki.

Munkaeredmények megvalósítása. A kifejlesztett programok be vannak jegyezve az orosz számítógépes programok nyilvántartásába: a „Kézírásos szövegkép szegmentálása (SegPic)” program (tanúsítvány száma 2008614243, Moszkva, 2008. szeptember 5.); Mozgásbecslési program (2009611014-es bizonyítvány, Moszkva, 2009. február 16.); program "Az arc lokalizálása (FaceDetection)" (tanúsítvány száma 2009611010, Moszkva, 2009. február 16.); a "Rendszer vizuális természetes hatások statikus képre (Természetes hatások utánzása)" program (tanúsítvány száma 2009612794, Moszkva, 2009. július 30.); program "Vizuális füstérzékelés (SmokeDetection)" (tanúsítvány száma 2009612795, Moszkva, 2009. július 30.); "Program a járművek állami rendszámainak vizuális regisztrálására többszálú forgalom során (FNX CTRAnalyzer)" (tanúsítvány száma 2010612795, Moszkva, 2010. március 23.), "Nemlineáris képjavítás" program (tanúsítvány száma 2010610658, Moszkva, g. , 2010. március 31

Jogszabályok érkeztek a hűtőgépházak összeszerelősoron történő felismerésére szolgáló algoritmusok és szoftverek (OJSC KZH Biryusa, Krasznojarszk), tájképeken lévő tárgyak azonosítására szolgáló algoritmusok és szoftverek átadásáról és használatáról (Concern of Radio Engineering Vega, OJSC KB Luch, Rybinsk, Yaroslavl régió), az erdei növényzet szegmentálására egymást követő légifelvételek sorozatával (LLC Altex Geomatica, Moszkva), a járművek állami rendszámtábláinak észlelésére videoszekvenciákban többfolyamos forgalom során és a megjelenítés minőségének javítására ^ (UGIBDD GUVD számára Krasznojarszk terület, Krasznojarszk).

A kifejlesztett algoritmusokat és szoftvereket az oktatási folyamatban használják az „Intelligens adatfeldolgozás”, „Számítógépes technológiák a tudományban és az oktatásban”, „A digitális képfeldolgozás elméleti alapjai”, „Mintafelismerés”, „Neurális hálózatok” tantárgyak lebonyolítása során. , "Képek feldolgozása algoritmusokkal", "Videószekvenciák feldolgozásának algoritmusai", "Jelenetelemzés és gépi látás" a M. F. akadémikusról elnevezett Szibériai Állami Repülési Egyetemen. Reshetnev (SibGAU).

A szakdolgozati munkában kapott eredmények megbízhatóságát az alkalmazott kutatási módszerek helyessége, az elvégzett transzformációk matematikai szigora, valamint a megfogalmazott rendelkezések, következtetések és azok kísérleti igazolásának eredményeinek megfelelősége biztosítja.

A védekezésre vonatkozó főbb rendelkezések:

1. Modell dinamikus képek feldolgozására és felismerésére összetett jelenetekben, amelyet jelentősen kibővítettek a szegmentálás hierarchikus szintjei és nemcsak a tárgyak, hanem az aktív cselekvéseik is.

2. A képfelismerés leíró elméletének kiterjesztése idősorokra (képsorozatokra) az elemzett adatok információtartalmának növelésével nemcsak a térbeli, hanem az időkomponensben is.

3. Adaptív tér-időbeli módszer a mozgás becslésére. lokális IS térfogatok tenzorábrázolása alapján az elektromágneses sugárzás látható és infravörös tartományának szinkron sorozataiban.

4. Az összetett jelenetek többszintű mozgásának modellje, amely kibővíti a perspektivikus jelenetek külön szintekre bontását a tárgyak mozgási pályáinak megbízhatóbb elemzése érdekében.

5. Egy általánosított szegmentációs algoritmus dinamikus objektumokhoz, amely csoporttranszformációk és a javasolt integrál- és invariáns becslések alapján lehetővé teszi az átfedő objektumvetületek, az objektumok megjelenésének/eltűnésének azonosítását a videoérzékelő látóteréből.

6. Módszerek dinamikus képek felismerésére a kollektív döntéshozatal módosított módszerén és a metrikus terekben való pszeudotávolságok megtalálásán, valamint az aktív cselekvések és események komplex jelenetekben történő felismerésén alapuló módszerek.

A munka jóváhagyása. A disszertáció kutatásának főbb rendelkezéseiről és eredményeiről számoltak be és vitatták meg a 10. „Mintafelismerés és képelemzés: Modern információs technológiák” nemzetközi konferencián (S.-Pétersburg, 2010), az „Ultra Modern Telecommunications and Control Systems ICUMT2010” nemzetközi kongresszuson. (Moszkva, 2010); XII International Symposium on Nonparametric Methods in Cybernetics and System Analysis (Krasznojarszk, 2010), II International Symposium "Intelligent Decision-Technologies - IDT 2010" (Baltimore, 2010), III. Nemzetközi Konferencia. "Automatizálás, vezérlés? és információs technológia - AOIT-ICT"2010" (Novoszibirszk, 2010), 10., 11. és 12. nemzetközi konferenciák és kiállítások "Digitális jelfeldolgozás és alkalmazásai" (Moszkva, 2008 - 2010), X nemzetközi tudományos és műszaki konferencia "Elméleti és a modern információs technológiák alkalmazott kérdései” (Ulan-Ude, 2009), IX. nemzetközi tudományos és műszaki konferencia „A XXI. század kibernetikája és csúcstechnológiái” (Voronyezs, 2008), összoroszországi konferencia „Képfeldolgozási modellek és módszerek” (Krasznojarszk) , 2007), a X., XI. és XIII. nemzetközi tudományos konferenciákon „Reshetnev felolvasások” (Krasznojarszk, 2006, 2007, 2009), valamint tudományos szemináriumokon Állami Egyetem Aerospace Instrumentation (Szentpétervár, 2009), Institute for Computational Modeling of CO

RAS (Krasznojarszk, 2009), Képfeldolgozó Rendszerek Intézete RAS (Szamara, 2010).

Publikációk. A disszertáció kutatásának eredményei szerint 53 nyomtatott munka, ebből 1 monográfia, 26 cikk (ebből 14 cikk - a VAK listáján szereplő publikációkban, 2 cikk - a "Thomson Reuters: Science Citation Index Expanded / Conference Proceedings Citation Index"-ben szereplő publikációkban), 19 absztrakt, 7 tanúsítvány szerepel az orosz számítógépes programok nyilvántartásában, valamint 3 kutatási jelentés.

Személyes hozzájárulás. A disszertációban bemutatott összes főbb eredményt, beleértve a problémák megfogalmazását és azok matematikai és algoritmikus megoldásait is, a szerző személyesen szerezte meg, vagy tudományos felügyelete mellett és közvetlen közreműködésével végezte el. A munka anyagai alapján két szakdolgozat védésére került sor a műszaki tudományok kandidátusa fokozat megszerzésére, melyek során a szerző volt a hivatalos témavezető.

Munka szerkezete. A munka bevezetőből, hat fejezetből, befejezésből, bibliográfiából áll. A dolgozat fő szövege 326 oldalt tartalmaz, az előadást 63 ábra és 23 táblázat illusztrálja. A bibliográfiai lista 232 címet tartalmaz.

Hasonló tézisek az "Informatika elméleti alapjai" szakon, 05.13.17 MAB kód

Kombinált algoritmusok mozgó objektumok operatív kiválasztására videokockák sorozatában az optikai áramlás kiszámításának helyi differenciálmódszere alapján 2010, a műszaki tudományok kandidátusa, Kazakov, Borisz Boriszovics
Módszerek összetett statikus és dinamikus jelenetek videósorozatának stabilizálására videó megfigyelő rendszerekben 2014, a műszaki tudományok kandidátusa Buryachenko, Vladimir Viktorovich
Dinamikus orvosi képek feldolgozásának módszere és rendszere 2012, a műszaki tudományok kandidátusa Maryaskin, Jevgenyij Leonidovics
Földi (felszíni) objektumok radarképeinek minden szempontú felismerése kvázi invariancia zónákra való jellemző térszegmentációval 2006, a műszaki tudományok kandidátusa, Matvejev, Alekszej Mihajlovics
Módszerek és algoritmusok egymásra helyezett szövegkarakterek észlelésére összetett háttérstruktúrájú képfelismerő rendszerekben 2007, a műszaki tudományok kandidátusa, Zotin, Alekszandr Gennadievics

Szakdolgozat következtetése "Az informatika elméleti alapjai" témában, Favorskaya, Margarita Nikolaevna

6.7 Fejezet következtetései

Ebben a fejezetben a „ZROEL” v.1.02 kísérleti szoftverkomplexum felépítését és fő funkcióit, amely a képsorozatok rendszerszintű hierarchikus feldolgozását végzi a legmagasabb objektum- és eseményfelismerési szintig, részletesen áttekintjük. automatizált rendszer, amely emberi részvételt igényel a grafikonok, hálózatok és osztályozók betanításában és hangolásában. Számos alacsony szintű rendszermodul automatikusan működik. A szoftvercsomag felépítése olyan, hogy lehetséges a modulok módosítása anélkül, hogy a rendszer többi modulját érintené. Képviselt funkcionális diagramok a rendszer fő moduljai: modul, előfeldolgozás, mozgásbecslő modul, szegmentáló modul, objektumfelismerő modul és aktív műveletek felismerő modulja.

Ezen a szoftvercsomagon alapuló kísérleti tanulmányokat végeztek az OTCBVS^07 tesztadatbázisból származó több video- és infravörös szekvencián, a hamburgi taxi, Rubik-kocka tesztvideóin. "Csendes", valamint saját videóanyagukon. Öt mozgásbecslési módszert teszteltünk. Kísérletileg kimutatták, hogy a blokkillesztési módszer és a javasolt infravörös szekvencia módszer hasonló értékeket mutat, és a legkevésbé pontosak. A videoszekvencia javasolt módszere és a pontjellemzők követésére szolgáló módszer szoros eredményeket mutat. Ugyanakkor a kifejlesztett tenzoros megközelítés kisebb mennyiségű számítógépes számítást igényel, mint a követési pont jellemzőinek módszere. Célszerű szinkronizált videosorozatok és infravörös szekvenciák együttes alkalmazását alkalmazni a sebességvektor modulusának megtalálására csökkentett jelenetmegvilágítás mellett.

A vizuális objektumok felismerésére négyféle pszeudotávolságot (Hausdorff, Gromov-Hausdorff, Fréchet pszeudotávolság, természetes áltávolság) használtak, hogy meghatározzák a bemeneti dinamikus képek hasonlóságát a referencia dinamikus képekkel (a megjelenítéstől függően). dinamikus jellemző - numerikus jellemzők halmaza, vektorkészletek, függvénykészletek). Kimutatták érvényességüket a megengedett morfológiai transzformációkkal rendelkező képekre. Integrált normalizált becsléseket használtunk az objektum feltételesen szomszédos keretek közötti vetületének közös részének Kc kontúrjának alakjára és az 5e közös rész területére, valamint egy invariáns becslést - a kép közös részeinek korrelációs függvényét. vetítések Fcor. A kollektív döntéshozatal módosított módszerének alkalmazása lehetővé teszi a bemeneti képek sikertelen megfigyelésének „elvetését” (tárgyak átfedő vetületeinek esetei, a fényforrásokból származó jelenettorzulás stb.) és a legmegfelelőbb megfigyelések kiválasztását. A kísérletek azt mutatták, hogy a kollektív döntéshozatal módosított módszerének alkalmazása átlagosan 2,4-2,9%-kal növeli a felismerés pontosságát.

A mozgásértékelés, szegmentálás és tárgyfelismerés kísérleti eredményeit tesztképsorozatokon ("Hamburgi taxi", "Rubik-kocka". "Csendes", videoszekvenciák és infravörös szekvenciák az "OTSVVS" 07 tesztadatbázisból) kaptuk. Példák a tesztadatbázisok "PETS", "CAVIAR", "VACE". A teszt vizuális szekvencia jellege befolyásolja a teljesítményt. A forgó mozgást végző objektumok rosszabbul felismerhetők ("Rubik-kocka"), jobbak - a kis méretű mesterséges tárgyak ("Hamburg taxi", "Video 1"). A legjobb eredményeket a két szekvencia felismerése mutatja. A legjobb kísérleti eredményeket a nem csoportos emberek időszakos aktív cselekvéseinek (séta, futás, kézfelemelés) felismerése érte el. A téves pozitívumok az árnyékok jelenléte miatt a helyszínen számos helyen.

A hatodik fejezet végén* olyan alkalmazott „projektek”, mint a „Többszálú forgalomban lévő járművek állami rendszámtábláinak vizuális regisztrációja”, „Hűtőszekrény-modellek kép alapján történő azonosítására szolgáló rendszer”, „i-szegmentálás feldolgozásának algoritmusai”, tájképek. Objektumok azonosítása ". Algoritmikus és. szoftverek átadásra kerültek az érdeklődő szervezetekhez: A tesztüzem eredménye megmutatta a dolgozatban javasolt modellek és módszerek alapján kifejlesztett szoftver működőképességét.

KÖVETKEZTETÉS

A disszertációban az elektromágneses sugárzás látható és infravörös tartományának sorozataiból nyert tér-időbeli adatok feldolgozásának, valamint a dinamikus képek komplex jelenetekben történő felismerésének egy fontos tudományos-technikai problémáját állítottam fel és oldottam meg. A térbeli-időbeli adatok feldolgozására és kinyerésére szolgáló hierarchikus módszerek rendszere módszertani alapja a videó megfigyelés területén alkalmazott problémák megoldásának.

A bevezetés megalapozza a szakdolgozati munka relevanciáját, megfogalmazza a célt és meghatározza a kutatási célokat, bemutatja az elvégzett kutatás tudományos újdonságát és gyakorlati értékét, bemutatja a védésre benyújtott főbb rendelkezéseket.

Az első fejezet bemutatja, hogy a videó sorozatokban lévő vizuális objektumokat a statikus képfelismerési probléma klasszikus megfogalmazása szerint többdimenziós jellemzővektor jellemzi, mint a képeket.

A statikus képek, a mozgáselemeket tartalmazó statikus jelenetek és a képsorozatok felismerési problémáinak fő típusainak osztályozása elkészült, amely tükrözi a matematikai módszerek fejlődésének történeti jellegét ezen a területen. Részletes elemzést végeztem a mozgásbecslési módszerekről, a mozgó objektumok szegmentáló algoritmusairól, valamint az összetett jelenetek eseményeinek értelmezésére szolgáló módszerekről.

Figyelembe veszik a meglévő kereskedelmi hardver- és szoftverrendszereket olyan területeken, mint a különböző célú járművek megfigyelése, sportvideó anyagok feldolgozása, biztonság (arcfelismerés, személyek illetéktelen bejutása védett területre), valamint elemzik a videó megfigyelő rendszerek kutatási fejlesztéseit is.

Az 1. fejezet végén a képsorozatok tér-időbeli feldolgozásának problémájának megállapítása kerül bemutatásra, a képsorozatokból származó vizuális információk feldolgozásának és felismerésének három szintje és öt szakasza formájában.

A disszertáció második fejezetében formális modelleket dolgoztam ki az objektumok statikus képei és képsorozatai alapján történő feldolgozására és felismerésére. A képek terében és a jellemzők terében a direkt probléma és az inverz probléma számára megengedett leképezések épülnek fel. Az invariáns döntési függvények és az általánosított maximális dinamikus invariáns felépítésére vonatkozó szabályokat adjuk meg. A felismerés során a különböző képek pályái a vonások sokdimenziós terében keresztezhetik egymást. Amikor az objektumok vetületei metszik egymást, az általánosított maximális dinamikus invariáns megtalálása még nehezebbé, sőt egyes esetekben lehetetlenné válik.

A képfelismerés leíró elméletének alapelveit tekintjük át, amely a képfelismerésben az információ feldolgozására szolgáló algoritmikus eljárások kiválasztására és szintetizálására szolgáló rendszeres módszereken alapul. További elveket javasolnak a dinamikus képek leíró elméletének kiterjesztésére: a felismerési cél figyelembevétele a képsorozat-feldolgozás kezdeti szakaszaiban, a dinamikus objektumok viselkedési helyzeteinek felismerése, a dinamikus objektumok előtörténetének becslése, a megfigyelési objektumok változó száma összetett jelenetekben.

Részletesen megvizsgáljuk a célobjektumok keresésének problémáját a képsorozatok elemzéséhez a felvétel típusától (egy látószögű fényképezés esetén), a videoérzékelő mozgásától és a mozgó objektumok láthatósági zónában való jelenlététől függően. A funkciótér négy helyzetének leírását adjuk meg, ahogy a feladat összetettebbé válik.

A harmadik fejezet a képsorok feldolgozásának és a tárgyak felismerésének, az aktív cselekvéseknek, az eseményeknek és a jelenet műfajnak a szakaszait fogalmazza meg. A szakaszok a vizuális információfeldolgozás szekvenciális hierarchikus jellegét tükrözik. Bemutatjuk a képsorozatok tér-időbeli feldolgozására szolgáló hierarchikus módszerek feltételeit és korlátait is.

A képdinamikus régiók osztályozása a strukturális tenzor sajátértékeinek 31) elemzésével történik, amelynek sajátvektorait a szomszédos képkockák képintenzitásának helyi elmozdulásai alapján határozzák meg, és a dinamikus régiók lokális orientációjának becslésére használják. A látható és infravörös sugárzási tartományban az adatok tér-idő térfogatában bekövetkező mozgás becslésére szolgáló új módszer a tenzoros megközelítésen alapul. Megfontolandó egy, a pontkörnyezet méretéhez és tájolásához alkalmazkodó, térben változó kernel használatának lehetősége. A kezdetben kör alakú, majd 2-3 iteráció után orientált ellipszis formájú környezet adaptációja javítja az orientált struktúrák megítélését a képen. Egy ilyen stratégia javítja a gradiens becsléseket a spatiotemporális adatkészletben.

A lokális mozgási paraméterek becslése a lokális régió geometriai primitíveinek és szinguláris pontjainak kiszámításával történik. Így a régiók mozgásának helyi jeleinek felmérése az alapja annak, hogy későbbi hipotéziseket állítsunk fel, miszerint a vizuális objektumok egyik vagy másik osztályba tartoznak. A szinkron video szekvenciák és infravörös szekvenciák használata javítja a kép mozgó régióinak szegmentálásának és a helyi mozgásvektorok megtalálásának eredményét.

Megmutattuk, hogy a színes képek határai a határ minden pontján minden irányban felépített többdimenziós gradiens módszerekkel, a színes képre vonatkozó sorrendstatisztika segítségével vektoros módszerekkel, valamint a többdimenziós keretek között tenzoros megközelítéssel becsülhetők. gradiens módszerek. A kontúrinformációk finomításának módjai elengedhetetlenek a régiók számára tetszőleges összeg megengedett vetületek.

A negyedik fejezetben egy többszintű mozgásmodellt építünk fel mozgási struktúrák alapján, amely a valós jelenetekben a tárgyak dinamikáját tükrözi, és kibővíti a jelenet kétszintű reprezentációját, érdekes tárgyakra és stacionárius háttérre bontva.

A kompakt Lie-csoportok elméletén alapuló tárgyak síkbeli mozgásának modelljeit vizsgáljuk. Bemutatjuk a projektív transzformáció modelljeit és az affin transzformációs modellek változatait. Az ilyen transzformációk jól leírják a korlátozott számú vetületű mozgásstruktúrákat (technogén objektumok). A korlátlan számú vetületű szerkezetek (antropogén objektumok) affin vagy projektív transzformációkkal történő ábrázolását számos további feltétel kíséri (különösen az a követelmény, hogy az objektumok távol legyenek a videoérzékelőtől, kis méretű objektumok stb.) . Megadjuk azokat a definíciókat és egy L. S. Pontrjagin által bizonyított tételt, amely alapján meg lehetett találni valamely objektumot leíró csoportkoordináták belső automorfizmusát a szomszédos keretek közötti eltolódásokig. Az eltolódások nagyságát a 3. fejezetben kidolgozott képkockaközi különbség mozgásának becslési módszere határozza meg.

A transzformációk csoportjai közötti megengedhető átmenetek kiterjesztése a 2£-os képek természetének kettőssége miatt (egy egyedi objektum vetületének változásainak megjelenítése és több objektum vizuális metszéspontja: (objektum kölcsönhatás)). Kritériumokat találtak arra vonatkozóan, hogy a transzformációk csoportjainak megváltoztatásakor rögzítse az aktív cselekvéseket és eseményeket a jelenetben, nevezetesen a feltételesen szomszédos képkockák és a közös terület közötti vetület közös részének Kc kontúrjának alakjának integrált becsléseit. 5e rész és invariáns becslések - a Pcog vetületek közös részeinek korrelációs függvénye és a strukturális Lie csoportállandók c "g, amelyek lehetővé teszik a változékonyság mértékének becslését és a megfigyelt objektumok mozgásának természetét.

A tárgyak képsoros mozgásának őstörténetének modelljét is felépítették, beleértve a mozgási pályák idősorait, a tárgy alakjának változásait, amikor az 3L>-térben mozog, valamint a tárgy alakjának változásait. a jelenetben lévő objektumok interakciójával és egy tárgynak az érzékelő látómezejéből való megjelenésével/eltűnésével kapcsolatos (az aktív cselekvések és események felismerésére használják a jelenetben). egy

Az összetett jelenetekben lévő objektumok szegmentálására egy általánosított algoritmust fejlesztettek ki, amely figyelembe veszi a szegmentálás összetett eseteit (átfedő képek, tárgyak megjelenése és eltűnése a kamera látóteréből, mozgás a kamera felé), amely három részszakaszból áll: előszegmentálás, szegmentálás és utószegmentálás. Az egyes részszakaszokhoz feladatok, kiindulási és kimeneti adatok kerülnek megfogalmazásra, algoritmusok folyamatábrái készülnek, amelyek lehetővé teszik az összetett jelenetek szegmentálását a különböző sugárzási tartományokból származó szinkron sorozatok előnyeinek felhasználásával.

Az ötödik fejezet a dinamikus mintafelismerés folyamatával foglalkozik formális nyelvtan, jelenetvideós és egy módosított kollektív döntéshozatali módszer segítségével. A többszintű mozgású dinamikus jelenet időben változó szerkezetű, ezért célszerű strukturális felismerési módszereket alkalmazni. A komplex jelenetek felismerésére javasolt háromszintű kontextuális nyelvtan az objektumok többszintű mozgásával két feladatot valósít meg: egy képsorozat elemzését és egy jelenet elemzésének feladatát.

Egy jelenet szemantikai leírásának vizuálisabb eszköze a hierarchikus csoportosítási módszerrel felépített videográf. Összetett jellemzők alapján alacsonyabb szinten lokális térszerkezetek, időben stabilak, lokális térbeli objektumok alakulnak ki, és a jelenetről videófelvétel készül, beleértve a felismert térobjektumokat, a bennük rejlő cselekvések halmazát, valamint a köztük lévő tér-időbeli kapcsolatokat.

A kollektív döntéshozatal módosított módszere kétszintű elismerési eljáráson alapul. Az első szinten egy kép egy adott kompetenciaterülethez való tartozásának felismerése történik. A második szinten az a döntési szabály lép életbe, amelynek kompetenciája adott területen maximális. A pszeudotávolságok kifejezései akkor jönnek létre, amikor a bemeneti dinamikus képek és a referencia dinamikus képek hasonlóságának mértékét találjuk, a dinamikus jellemzők megjelenítésétől függően - numerikus jellemzők halmaza, vektorok halmaza, függvénykészlet.

Az események felismerésekor a komplex jelenet-videó kibővül az eseményvideósra: Egy dinamikus objektum objektumfüggő modellje épül fel. Illesztési függvényként a jellemzőtér legegyszerűbb osztályozóit használják (például a ^-means módszerrel), mivel az illesztés egy korábban azonosított objektumhoz társított sablonok korlátozott halmaza szerint történik. Megfontoljuk a vizuális objektumok vetületei sablonjainak kialakításának módjait.

Az eseményekről készült videofelvétel Markov-hálózatokra épül. Figyelembe veszik az ágensek aktív cselekvéseinek kimutatására szolgáló módszereket, valamint a jelenetben előforduló események felismerésére szolgáló eseményvideó elkészítésének és kivágásának eljárását. Ugyanakkor minden eseményhez saját modell készül, amelyet tesztpéldákon képeznek ki. Az eseményészlelés a szekvenciálisan végrehajtott aktív műveletek Bayes-féle megközelítésen alapuló klaszterezésére redukálódik. Rekurzív vágást hajtanak végre - a súlytényezők mátrixát a bemeneti videoszekvenciában, és összehasonlítják a képzési szakaszban kapott referenciaeseményekkel. Ez az információ* a forrás a jelenet műfajának meghatározásához, és szükség esetén a videoszekvencia adatbázisban való indexeléséhez. Kidolgoztak egy sémát a multimédiás internetes adatbázisok indexeléséhez szükséges képek és videoanyagok megértésére és értelmezésére.

A hatodik fejezet bemutatja a "SPOER" v.l.02 kísérleti szoftverkomplexumot, amely képsorozatok feldolgozására és mozgó objektumok és események felismerésére szolgál. Képsorozatok rendszerszintű hierarchikus feldolgozását végzi az objektum- és eseményfelismerés legmagasabb szintjéig. Ez egy automatizált rendszer, amely emberi beavatkozást igényel a grafikonok, hálózatok és osztályozók betanításához és hangolásához. Számos alacsony szintű rendszermodul automatikusan működik.

A SPOER szoftvercsomaggal, v.l.02-vel végzett kísérleti vizsgálatok során az OTCBVS „07 tesztbázisról” származó videoszekvenciák és infravörös képsorozatok, „Hamburg taxi”, „Rubik-kocka” tesztvideósorozatok, „Silent” és saját videóanyagaink készültek. Öt mozgásbecslési módszert teszteltünk.A videoszekvencia javasolt módszere mutatja a legpontosabb eredményeket, és kevesebb számítógépes számítást igényel, mint más módszerek -világos jelenetviszonyok.

A vetületek elfogadható morfológiai transzformációival rendelkező vizuális objektumok felismeréséhez integrált normalizált becsléseket használtunk a feltételesen szomszédos képkockák közötti tárgyvetület közös részének Kc kontúrjának alakjára és az 5e közös rész területére, valamint egy invariáns becslést - az Fcor vetületek közös részeinek korrelációs függvénye. A kollektív döntéshozatal módosított módszerének alkalmazása lehetővé teszi a bemeneti képek sikertelen megfigyelésének „elvetését” (tárgyak átfedő vetületeinek esetei, a jelenet fényforrásokból származó vizuális torzulásai stb.) és a legmegfelelőbb megfigyelések kiválasztását. A kísérletek azt mutatták, hogy a kollektív döntéshozatal módosított módszerének alkalmazása átlagosan 2,4-2,9%-kal növeli a felismerés pontosságát.

Kísérleti pontszám-mozgás eredményei; a szegmentálást és az objektumfelismerést a tesztképsorozatokon ("Hamburg taxi", "Rubik-kocka", "Silent", videoszekvenciák és infravörös szekvenciák az "OTCBVS * 07" tesztadatbázisból) kaptuk. Az emberek aktív cselekvéseinek felismerésére a "PETS", "CAVIAR", "VACE" tesztadatbázisokból származó példákat használtak. A legjobb eredményeket a két szekvencia általi felismerés mutatja. A legjobb kísérleti eredményeket a nem csoportos emberek időszakos aktív cselekvéseinek (séta, futás, kézfelemelés) felismerésével érték el. A téves pozitív eredményeket a háttérvilágítás és a jelenet számos helyén lévő árnyék okozza.

A "ZROEYA" V. 1.02 kísérleti komplexum alapján különféle célú videó információfeldolgozó rendszereket fejlesztettek ki: "Járművek állami rendszámtábláinak vizuális nyilvántartása többfolyamos forgalomban", "Hűtőszekrény-modellek azonosítási rendszere képek", "Algoritmusok tájképek feldolgozásához és szegmentálásához . Tárgyak azonosítása". Az algoritmusokat és a szoftvereket átadtuk az érdekelt szervezeteknek. A tesztüzem eredménye megmutatta a dolgozatban javasolt modellek és módszerek alapján kifejlesztett szoftver működőképességét.

Így a disszertáció során a következő eredmények születtek:

1. A tér-időbeli struktúrák feldolgozásának és felismerésének formális modelljeit adaptív hierarchikus eljárás alapján konstruáljuk meg. képsorozatok feldolgozása, amelyek abban különböznek egymástól, hogy figyelembe veszik az izomorf és homomorf transzformációkat, és statikus és dinamikus invariánsok általánosított függvényeit származtatják. Az objektumok statikus és dinamikus jellemzőinek keresésére szolgáló modellek négy feladatra is készültek, amelyek a képsorozatok elemzését szolgálták, attól függően, hogy egy mozgó1 videoérzékelő és mozgó objektumok jelennek-e meg a jelenetben.

2. A képsorozat-felismerés leíró megközelítésének főbb rendelkezései kibővültek, lehetővé téve a felismerés céljainak figyelembevételét a képsorozat-feldolgozás kezdeti szakaszában, majd az érdeklődési területek szegmentálásával, mozgási pályák kialakítását és a képsorozat viselkedésének felismerését. dinamikus objektumok, figyelembe veszik az objektumok mozgásának történetét, amikor átlépik vetületeiket, változó számú megfigyelési objektumot kísérnek.

3. Kidolgozásra került egy hierarchikus módszer a tér-idő struktúrák feldolgozására és felismerésére, amely három szintből és öt szakaszból áll, és magában foglalja az objektumvetületek normalizálását, amely lehetővé teszi az egy osztályra vonatkozó szabványok számának csökkentését összetett dinamikus objektumok felismerésekor. .

4. Eljárást dolgoztak ki az elektromágneses sugárzás látható és infravörös tartományából származó képsorozatok mozgásának becslésére, amely abban különbözik, hogy tér-időbeli adatsorokat használnak, amelyeket 3£> szerkezeti tenzorok és bB tenzorok formájában mutatnak be. áramlását, ill. Az eredményül kapott mozgásbecslés lehetővé teszi a leghatékonyabb módszer kiválasztását az érvényes vetületek számában eltérő dinamikus vizuális objektumok szegmentálására.

5. Elkészült a képterületek többszintű mozgásának lokális sebességvektorokon alapuló modellje, amely abban különbözik, hogy lehetővé teszi a jelenet nem csak elő- és háttérobjektumokra való felosztását, hanem a megfigyelőtől távol eső objektumok mozgási szintjeire is. Ez különösen igaz a mozgó videoérzékelővel rögzített összetett jelenetekre, amikor a jelenetben lévő összes tárgy viszonylagos mozgásban van.

6. A dinamikus objektumok adaptív szegmentáló algoritmusát fejlesztették ki: a) korlátozott számú vetületű objektumokra, a lokális dinamikus régiók mozgásának előtörténetének elemzése alapján, azzal jellemezve, hogy a képek átfedésekor a a régió az aktuális sablon szerint készül el, és a Kalman-szűrő alkalmazásától függően előrejelzett áram, pálya; b) összetett elemzés, szín, textúra, statisztikai, topológiai és mozgási jellemzők alapján tetszőleges számú vetülettel rendelkező objektumok esetében, amelyekre jellemző, hogy amikor a képek átfedik egymást, a régió alakját az aktív kontúrok módszerével egészítik ki.

7. Javasolunk egy eljárást egy összetett jelenet dinamikus videográfiájának elkészítésére az alacsonyabb szintű komplex jellemzők időben stabil helyi térszerkezetekbe, majd helyi térbeli objektumokba történő hierarchikus csoportosításának módszerével. A generált videós időbeli kapcsolatokat hoz létre az objektumok között, és megtartja az összes általános jellemzőt a jelenet eseményeinek felismeréséhez. M.I. kétdimenziós nyelvtana. Schlesinger a szerkezeti felismerési módszer keretében háromszintű kontextuális nyelvtanra.

8: A dinamikus objektumok felismerésére módosul a kollektív döntéshozatali módszer, amely először felismeri, hogy a kép az illetékességi területhez tartozik, majd kiválasztja azt a döntési szabályt, amelynek kompetenciája az adott területen maximális. A bemeneti dinamikus képek és a szabványok közötti hasonlóság mértékének meghatározására négyféle pszeudo-távolság van kialakítva, a dinamikus jellemzők megjelenítésétől függően.

9. Az események felismerésére a Bayes-hálózaton alapuló módszert fejlesztettek ki, amely a bemeneti videoszekvenciában rekurzív módon levágja a súlytényezők mátrixát, és összehasonlítja a képzési szakaszban kapott referencia eseményekkel. Ez az információ a forrás a jelenet műfajának meghatározásához és a videoszekvenciák indexeléséhez multimédiás internetes adatbázisokban.

10. A képsorozatok feldolgozásának és felismerésének gyakorlati problémáit a tér-időbeli feldolgozás adaptív-hierarchikus módszerével oldjuk meg, bemutatjuk a módszer hatékonyságát, bemutatjuk a hierarchikus feldolgozási módszerek rendszerének hatékonyságát stb. vizuális információ felismerése a jellemzők adaptív kiválasztásának lehetőségével c. problémamegoldó folyamat. A tervezett kísérleti rendszerek formájában kapott eredményeket átadtuk az érdekelt szervezeteknek.

Így ebben a dolgozatban a videó megfigyelő rendszerek információtámogatásának egy fontos tudományos-technikai problémáját sikerült megoldani és új irányvonalat alakítani a dinamikus képek tér-időbeli feldolgozása és felismerése terén.

Az értekezés kutatásához szükséges irodalomjegyzék A műszaki tudományok doktora Favorskaya, Margarita Nikolaevna, 2011

1. Összetett képek automatikus elemzése / Szerk. EM. Bra-vermana. M.: Mir, 1969. - 309 p. Bongard M.M. Felismerési problémák. - M.: Nauka, 1967.-320 p.

2. Alpatov, B.A., Mozgó tárgy észlelése képsorozatban az objektum területére és sebességére vonatkozó korlátozások jelenlétében / B.A. Alpatov, A.A. Kitaev // Digitális képfeldolgozás, 1. szám, 2007. p. 11-16.

3. Alpatov, B.A., Mozgó objektumok kiválasztása geometriai képtorzítások körülményei között / B.A. Alpatov, P.V. Babayan // Digital Signal Processing, No. 45 2004. p. 9-14.

4. Alpatov, B.A., Babayan P.V. A képek feldolgozásának és elemzésének módszerei" fedélzeti rendszerekben objektumok észlelésére és nyomon követésére / B.A. Alpatov, P.V. Babayan // Digitális jelfeldolgozás, 2. sz., 2006. 45-51 p.

5. Bolshakov, A.A., Többváltozós adatok és idősorok feldolgozásának módszerei: Tankönyv egyetemeknek / A.A. Bolsakov, R.I. Karimov / M.: Hotline-Telecom, 2007. 522 6. o.: Bongard, M.M. A felismerés problémái / M.M. Bongard / M.: Nauka, 1967.-320 p.

6. Bulinsky, A.B. Véletlenszerű folyamatok elmélete1 / A.B. Bulinsky, A.N. Shiryaev / M.: FIZMATLIT, 2005. 408 p.

7. Weinzweig, M.N. A vizuális dinamikus jelenetreprezentációs rendszer architektúrája fogalmak szerint / M.N. Vaintsvaig, M.N. Polyakov // Szo. tr. 11. összoroszországi. konf. "A mintafelismerés matematikai módszerei (MMRO-11)", M., 2003. 261-263.o.

8. Vapnik, V.N. A mintafelismerés tanulásának feladata / V.N. Vapnik / M.: Tudás, 1970. - 384 p.

9. P.Vapnik, V.N. A mintafelismerés elmélete (a tanulás statisztikai problémái) / V.N. Vapnik, A.Ya. Chervonenkis / M.: Nauka, 1974. 416 p.

10. Vasziljev, V.I. Mozgó testek felismerése / V.I. Vasziljev, A.G. Ivakhnenko, V.E. Reutsky és mások // Automatizálás, 1967, 6. sz., p. 47-52.

11. Vasziljev, V.I. A rendszerek felismerése / V.I. Vasziljev / Kijev: Nauk. Dumka, 1969. 292 p.

12. Vasziljev, V.I. A rendszerek felismerése. Címtár / V.I. Vasziljev / Kijev, Nauk, Dumka, 1983. 422 p.

13. Vizilter, Yu.V. A morfológiai bizonyítékok elemzési módszerének alkalmazása gépi látásproblémák esetén>/ Yu.V. Vizilter // Számítástechnikai és Információs Technológiai Értesítő, 9. szám, 2007 p. 11-18.

14. Vizilter, Yu.V. Interpoláción alapuló projektív morfológiák / Yu.V. Vizilter // Számítástechnikai és Információs Technológiai Értesítő, 4. szám, 2008.-p. 11-18.

15. Vizilter, Yu.V., Projektív morfológiák és alkalmazása a digitális képek szerkezeti elemzésében / Yu.V. Vizilter, S.Yu. Zheltov // Izv. RAN. TiSU, 6. szám, 2008. p. 113-128.

16. Vizilter, Yu.V. Az autoregresszív szűrők viselkedésének vizsgálata a mozgás észlelésének és elemzésének problémájában digitális videó szekvenciákon / Yu.V. Vizilter, B.V. Vishnyakov // Számítástechnikai és Információs Technológiák Értesítője, 2008. 8. szám - p. 2-8.

17. Vizilter, Yu.V. Projektív képmorfológiák strukturáló funkcionálisok által leírt modellek alapján /Yu.V. Vizilter, S.Yu. Zheltov // Számítógépes és Információs Technológiák Értesítője, 11. szám, 2009.-p. 12-21.

18. Vishnyakov, B.V. Az optikai áramlások módosított módszerének alkalmazása a mozgásérzékelés és a keretek közötti követés problémájában.

19. Ganebnykh, S.N. Jelenetelemzés a képek faábrázolásainak felhasználásán / S.N. Ganebnykh, M.M. Lange // Szo. tr. 11. összoroszországi. konf. "A mintafelismerés matematikai módszerei (MMRO-11)", M., 2003.-p. 271-275.

20. Glushkov, V.M. Bevezetés a kibernetikába / V.M. Glushkov / Kijev: Az Ukrán SSR Tudományos Akadémia Kiadója, 1964. 324 p.

21. Gonzalez, R., Woods R. Digitális képfeldolgozás. Fordítás angolból. szerk. P.A. Chochia / R. Gonzalez, R. Woods / M.: Technosfera, 2006. 1072 p.

22. Goroshkin, A.N., Kézírásos szöveg képszegmentálása (SegPic) / A.N. Goroskin, M.N. Favorskaya // Tanúsítvány száma 2008614243. Bejegyezve a Számítógépes Programok Nyilvántartásába, Moszkva, 2008. szeptember 5..

23. Grenander, W. Előadások a képelméletről / W. Grenander / 3 kötetben / Angolból fordítva. Szerk. Yu.I. Zhuravleva. Moszkva: Mir, 1979-1983. 130 s.

24. Gruzman, I.S. Digitális képfeldolgozás információs rendszerekben: Tankönyv. Juttatás / I.S. Gruzman, B.C. Kirichuk, V.P. Kosykh, G.I. Peretyagin, A.A. Spektor / Novoszibirszk, NSTU kiadó, 2003. p. 352.

25. Megbízható és valószínű következtetés az intelligens rendszerekben, szerk. V.N. Vagina, D.A. Poszpelov. 2. kiadás, rev. és további - M.: FIZMATLIT, 2008. - 712 p.

26. Duda, R. Mintafelismerés és jelenetelemzés / R. Duda, P. Hart / M.: Mir kiadó, 1978. 512 p.

27. Zhuravlev Yu.I. A felismerési és osztályozási problémák megoldásának algebrai megközelítéséről / Yu.I. Zhuravlev // A kibernetika problémái: Szo. st., kiadás. 33, M.: Nauka, 1978. p. 5-68.

28. Zhuravlev Yu.I. Az információfeldolgozási (transzformációs) eljárások algebrai korrekciójáról / Yu.I. Zhuravlev, K.V. Rudakov // Az alkalmazott matematika és informatika problémái, M.: Nauka, 1987. p. 187-198.

29. Zhuravlev Yu.I. Mintafelismerés és képfelismerés / Yu.I. Zhuravlev, I.B. Gurevich // Évkönyv „Elismerés. Osztályozás. Előrejelzés. Matematikai módszerek és alkalmazásuk”, vol. 2, M.: Nauka, 1989.-72 p.

30. Zhuravlev Yu.I. Mintafelismerés és képelemzés / Yu.I. Zhuravlev, I.B. Gurevich / Mesterséges intelligencia 3 könyvben. Könyv. 2. Modellek és módszerek: Kézikönyv / Szerk. IGEN. Pospelova, M .: "Rádió és Kommunikáció" kiadó, 1990. - 149-190.

31. Zagoruiko, N.G. Felismerési módszerek és alkalmazásuk / N.G. Za-goruiko / M.: Szov. rádió, 1972. 206 p.

32. Zagoruiko, N.G. Mesterséges intelligencia és empirikus előrejelzés / N.G. Zagoruiko / Novoszibirszk: szerk. NSU, 1975. 82. o.

33. Ivakhnenko A.G. Az invariancia és a kombinált vezérlés elméletének alkalmazásáról tanulási rendszerek szintézisére és elemzésére / A.G. Ivakhnenko // Automatizálás, 1961, 5. sz., p. 11-19.

34. Ivakhnenko, G.I. Öntanuló felismerő és automatikus vezérlőrendszerek / A.G. Ivakhnenko / Kijev: Tekhnika, 1969. 302 p.

35. Kashkin, V.B. A Föld távérzékelése az űrből. Digitális képfeldolgozás: Tankönyv / V.B. Kashkin, A.I. Su-hinin / Moszkva: Logosz, 2001. 264 p.

36. Kobzar, A.I. Alkalmazott matematikai statisztika. Mérnököknek és tudósoknak / A.I. Kobzar / M.: FIZMATLIT, 2006. 816 p.

37. Kovalevsky, V.A. A képfelismerés korrelációs módszere / V.A. Kovalevszkij // Zhurn. Comput. Matematika és matematikai fizika, 1962, 2, 4. sz., p. 684-690.

38. Kolmogorov, A.N.: Epszilon-entropia és halmazok epszilon-kapacitása függvényterekben / A.N. Kolmogorov, V.M. Tikhomirov // Információelmélet és algoritmusok elmélete. M.: Nauka, 1987. p. 119-198.

39. Korn, G. Matematika kézikönyve tudósok és mérnökök számára / G.Korn, T. Korn // M.: Nauka, Ch. szerk. Fiz.-Matek. lit., 1984. 832 p.

40. Kronover, R. Fraktálok és káosz dinamikus rendszerekben / R. Kronover // M.: Tekhnosfera, 2006. 488 p.

41. Lapko, A.B. Nem-paraméteres* és hibrid osztályozási rendszerek heterogén adatokhoz / A.V. Lapko, BlA. Lapko // Tr. 12. összoroszországi. konf. "A mintafelismerés matematikai módszerei és modelljei" (MMRO-12), M., 2005.-p. 159-162.

42. Levtin, K.E. Vizuális füstérzékelés (SmokeDetection) / K.E. Levtin, M.N. Favorskaya // Tanúsítvány száma 2009612795. Bejegyezve a Számítógépes Programok Nyilvántartásába, Moszkva, 2009. július 3.

43. Lutsiv, V.R. A robotok optikai rendszereinek egyesítésének elvei / V.R. Lutsiv, M.N. Favorskaya // V-könyv. "Az ipari robotok egységesítése és szabványosítása", Taskent, 1984. p. 93-94.

44. Lutsiv, V.R. Univerzális optikai rendszer HAP / V.R. Lutsiv, M.N. Favorskaya // A könyvben. "Tapasztalat a folyamatirányító rendszerek létrehozásában, bevezetésében és használatában egyesületekben és vállalkozásokban", L., LDNTP, 1984. p. 44-47.

45. Medvedeva, E.V. Módszer a mozgásvektorok becslésére videoképekben / E.V. Medvedeva, B.O. Timofejev // A „Digitális jelfeldolgozás és alkalmazása” 12. nemzetközi konferencia és kiállítás anyagaiban, M.: V 2. kötet T. 2., 2010. p. 158-161.

46. A számítógépes képfeldolgozás módszerei / Szerk. V. A. Soifer. 2. kiadás, spanyol. - M.: FIZMATLIT, 2003. - 784 p.

47. Objektumok automatikus észlelésének és követésének módszerei. Képfeldolgozás és vezérlés / B.A. Alpatov, P.V. Babayan, O.E. Balashov, A.I. Sztepaskin. -M.: Rádiótechnika, 2008. - 176 p.

48. A számítógépes optika módszerei / Szerk. V. A. Soifer. M.: FIZMATLIT, 2003. - 688 p.

49. Mudrov, A.E. Numerikus módszerek PC-hez BASIC, Fortran és Pascal / A.E. Mudrov / Tomszk: MP "RASKO", 1991. 272. o.

50. Pakhirka, A.I. Arc lokalizáció (FaceDetection) / A.I. Pakhirka, M.N. Favorskaya // Tanúsítvány száma 2009611010. Bejegyezve a Számítógépes Programok Nyilvántartásába, Moszkva, 2009. február 16..

51. Pakhirka, A.I. Nemlineáris képjavítás / A.I. Pakhirka, M.N. Favorskaya // Tanúsítvány száma 2010610658. Bejegyezve a Számítógépes Programok Nyilvántartásába, Moszkva, 2010. március 31.

52. Pontryagin L. S. Continuous group J L. S. Pontryagin // 4. kiadás, M.: Nauka, 1984.-520 p.

53. Potapov, A.A. Fraktálok a radiofizikában és a radarban: Mintavételi topológia / A.A. Potapov // Szerk. 2., átdolgozott. és további - M.: Universitetskaya kniga, 2005. 848 p.

54. Radchenko Yu.S. A "videoszekvencia változásainak" detektálására szolgáló spektrális algoritmus vizsgálata / Yu.S. Radchenko, A.V. Bulygin, T.A. Radchenko // Izv.

55. Szalnyikov, I.I. Raszteres téridő jelek képelemző rendszerekben / I.I. Salnikov // M.: FIZMATLIT, 2009. -248 p.

56. Sergunin, S. Yu. A képek többszintű leírásának dinamikus felépítésének sémája / S.Yu.Sergunin, K.M.Kvashnin, M.I. Kumskov // Szo. tr. 11. összoroszországi. conf: "Mathematical Methods of Pattern Recognition (MMRO-11)", M., 2003. p. 436-439:

57. Slynko Yu.V. Az egyidejű követés és kontúrozás problémájának megoldása a maximum likelihood módszerrel / Yu.V. Slynko // Digitális jelfeldolgozás, 4. szám, 2008. p. 7-10

58. Solso, R. Kognitív pszichológia / R. Solso / St. Petersburg: Peter, 6. kiadás, 2006. 590 p.

59. Tarasov, I.E. Xi-linx FPGA-n alapuló digitális eszközök fejlesztése VHDL nyelv használatával / I.E. Tarasov / M.: Hotline-Telecom, 2005. - 252 p.

60. Favorskaya, M.N. Algoritmusok fejlesztése digitális képfelismeréshez adaptív robotrendszerekben / M.N*. Favorskaya // L!, Leningrádi Repülési Intézet. Hangszerelés, 1985. Kéziratos letét: in VINITI 85.01.23. No. 659-85 Dep.

61. Favorszkaja; M.N. Spektrális módszerek alkalmazása a képek normalizálására és felismerésére adaptív robotkomplexumokban / M. N. * Favorskaya // L., Leningradsky, in-t repülés. priborostr., 1985. Kézirattár. a VINITI-ben 1985. január 23-án. No. 660-85 Dep.

62. Favorskaya, M.N. Objektumfelismerő algoritmusok fejlesztésében szerzett tapasztalat bélyegzőgyártáshoz / M.N. Favorskaya // A könyvben. "A GPS, RTK és PR alapú integrált automatizálással kapcsolatos munka állapota, tapasztalatai és irányai", Penza, 1985. p. 64-66.

63. Favorskaya, M.N. Tárgycsoportok projektív tulajdonságainak tanulmányozása / M.N. Favorskaya, Yu.B. Kozlova // A Szibériai Állami Repülési Egyetem közleménye. Probléma. 3, Krasznojarszk, 2002. - p. 99-105.

64. Favorskaya, M.N. Egy tárgy affin szerkezetének meghatározása mozgással / M.N. Favorskaya // A Szibériai Állami Repülési Egyetem közleménye, 1. évf. 6, Krasznojarszk, 2005. - p. 86-89.

65. Favorskaya- M.N. A képfelismerési megközelítések általános osztályozása / M-.N. Favorskaya // V< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.

66. Favorskaya M.N. Invariáns döntési függvények statikus képfelismerési problémákban / M.N. Favorskaya // A Szibériai Állami Repülési Egyetem közleménye. Probléma. 1 (14), Krasznojarszk, 2007. p. 65-70.

67. Favorskaya, M.N. A videofolyam-szegmentálás valószínűségi módszerei, mint a hiányzó adatok problémája / M.N. Favorskaya // A Szibériai Állami Repülési Egyetem közleménye. Probléma. 3 (16), Krasznojarszk, 2007. p. 4-8.

68. Favorskaya, M.N. Célinformatív jellemzők kiválasztása képfelismerő rendszerekben / M.N. Favorskaya // A XI. Inter-Dunar anyagaiban. tudományos konf. "Reshetnev olvasmányok" SibGAU, Krasznojarszk, 2007 p. 306-307.

69. Favorskaya, M.N. Stratégiák kétdimenziós képek szegmentálására / M.N. Favorskaya // Az "MMOI-2007 képfeldolgozás modelljei és módszerei" című összorosz tudományos konferencia anyagaiban, Krasznojarszk, 2007. o. 136-140.

70. Favorskaya, M.N. Tájképek szegmentálása fraktál megközelítés alapján / M.N. Favorskaya // A „Digitális jelfeldolgozás és alkalmazása” 10. nemzetközi konferencia és kiállítás anyagaiban, M., 2008. p. 498-501.

71. Favorskaya, M.N. Kézzel írt szöveg képfelismerő modell / M.N. Favorskaya, A.N. Goroskin // A Szibériai Állami Repülési Egyetem közleménye. Probléma. 2" (19), Krasznojarszk, 2008. 52-58. o.

72. Favorskaya, M.N. Algoritmusok mozgásbecslés megvalósításához videó megfigyelő rendszerekben / M.N. Favorskaya, A.S. Shilov // Irányítási rendszerek és információs technológiák. Haladó kutatás / IPU RAS; VSTU, No. 3.3(33), M.-Voronyezs, 2008. p. 408^12.

73. Favorskaya, M.N. A formális nyelvtan használatának kérdéséről az objektumfelismerésben összetett jelenetekben // M.N. Favorskaya / A XIII. nemzetközi tudományos konferencia anyagaiban. "Reshetnyev olvasmányok". 2 óra 4.2, Krasznojarszk, 2009. p. 540-541.

74. Favorskaya, M.N. Dinamikus mintafelismerés prediktív szűrők alapján / M.N. Favorskaya // A Szibériai Állami Repülési Egyetem közleménye. Probléma. 1(22) 2 órakor 4f. 1, Krasznojarszk, 20091. o. 64-68.

75. Favorskaya, M.N., Módszerek, mozgáskeresés videoszekvenciákban / M.N. Favorskaya, A.I. Pahirka, A.C. Shilov; M.V. Damov // Bulletin. Szibériai Állami Repülési Egyetem. Probléma. 1 (22) 2 óra 2. rész, Krasznojarszk, 2009. p. 69-74.

76. Favorskaya, M.N. Mozgó videoobjektumok keresése helyi 3D szerkezeti tenzorok segítségével / M.N. Favorskaya // A Szibériai Állami Repülési Egyetem közleménye. Probléma. 2 (23), Krasznojarszk, 2009. p. 141-146.

77. Favorskaya, M.N. Objektumok mozgásának értékelése összetett jelenetekben tenzoros megközelítés alapján / M.N. Favorskaya // Digitális jelfeldolgozás, 1. szám, 2010.-p. 2-9.

78. Favorskaya, M.N. Tájképek jellemzőinek komplex számítása / M.N. Favorskaya, N. Yu. Petukhov // Optikai folyóirat, 77, 8, 2010.-p. 54-60.

79. Finom, Kr. e. Képfelismerés / B.C. Finom // M.: Nauka, 1970.-284 p.

80. Forsythe, D.A. Számítógépes látás. Modern szemlélet / D.A. Forsyth, J. Pons // M.: Williams Publishing House, 2004. 928 p.

81. Fu, K. Szekvenciális módszerek a mintafelismerésben és a gépi tanulásban / K. Fu / M.: Nauka, 1971. 320 p.

82. Fu, K. Strukturális módszerek a mintafelismerésben / K. Fu / M.: Mir, 1977.-320 p.

83. Fukunaga, K. Bevezetés a mintafelismerés statisztikai elméletébe / K. Fukunaga / M.: Nauka, 1979. 368 p.

84. Shelukhin, O.I. Önhasonlóság és fraktálok. Távközlési alkalmazások / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / Szerk. O.I. Shelukhin. M.: FIZMATLIT, 2008. 368 p.

85. Shilov, A.S. A mozgás definíciója (MotionEstimation) / A.S. Shilov, M.N. Favorskaya // Tanúsítvány száma 2009611014. Bejegyezve a Számítógépes Programok Nyilvántartásába, Moszkva, 2009. február 16..

86. Sh.Shlezinger, M.I. Korrelációs módszer képsorozatok felismerésére / M.I. Schlesinger / A könyvben: Olvasógépek. Kijev: Nauk.dumka, 1965. p. 62-70.

87. Schlesinger, M.I. Kétdimenziós vizuális jelek szintaktikai elemzése interferencia alatt / M.I. Schlesinger // Kibernetika, 1976. 4. sz. - 76-82.

88. Stark, G.-G. Walletek alkalmazása DSP / G.-G. Shtark / Ml: Technosphere, 2007. 192 p.

89. Shup, T. Alkalmazott numerikus módszerek a fizikában és a technológiában: Per. angolról. / T. Shup / Szerk. S. P. Merkuriev; M.: Feljebb. Iskola, 19901 - 255 p.11 "5. Electr, forrás: http://www.cse.ohio-state.edu/otcbvs-bench

90. Electr, forrás: http://www.textures.forrest.cz/ elektronikus forrás (textúra képek alapja textures library forrest).

91. Electr, forrás: http://www.ux.uis.no/~tranden/brodatz.html elektronikus forrás (Brodatz textúra képi adatbázis).

92. Allili M.S., Ziou D. Aktív kontúrok videóobjektum-követéshez régió-, határ- és alakinformációk segítségével // SIViP, Vol. 1, sz. 2, 2007.pp. 101-117.

93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. A kamera mozgásának robusztus becslése optikai áramlási modellekkel // Lecture Notes in

94. Számítástechnika (beleértve a Lecture Notes in Artificial Intelligence és a Lecture Notes in Bioinformatics) 5875 LNCS (1. RÉSZ), 2009. pp. 435-446.

95. Ballan L., Bertini M., Bimbo A. D., Serra G. Video Event Classification using String Kernels // Multimed. Tools Appl., Vol. 48, sz. 1, 2009.pp. 6987.

96. Ballan L. Bertini M. Del Bimbo A., Serra G. Akciók kategorizálása futballvideókban string kernels használatával // In: Proc. IEEE Int "l Workshop on Content-Based Multimedia Indexing (CBMI). Chania, Crete, 2009. 13-18. o.

97. Barnard K., Fan Q. F., Swaminathan R., Hoogs A., Collins R, Rondot P. és Kaufhold J. Evaluation of localized semantics: Data, methodology, and experiments // International Journal of Computer Vision, IJCV 2008, Vol. 77. sz. 1-3,2008.-pp. 199-217.

98. Bertini M., Del Bimbo A., Serra G. A szemantikus videóesemény-annotáció tanulási szabályai // Lecture Notes In Computer Science; In: Proc. of Int "l Conference on Visual Information Systems (VISUAL), 5188. kötet, 2008. 192-203. o.

99. Bobick A.F., Davis J.W. Az emberi mozgás felismerése időbeli sablonok segítségével // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23. sz. 3, 2001.pp. 257-267.

100. Boiman O., Irani M. Szabálytalanságok észlelése képeken és videón // International Journal of Computer Vision, Vol. 74. sz. 1, 2007.pp. 17-31.

101. Bresson X., Vandergheynst P., Thiran J.-P. A Mumford-Shah Functional által a határinformációkat és a korábban vezérelt alakzatot használó objektumok szegmentálásának variációs modellje4 // International Journal of Computer Vision, vol. 68. sz. 2, 2006.-pp. 145-162.

102. Cavallaro A., Salvador E., Ebrahimi T. Shadow-aware objektum alapú videofeldolgozás // IEEE Vision; Image and Signal Processing, Vol. 152. sz. 4, 2005.-pp. 14-22.

103. Chen J., Ye J. SVM képzése határozatlan kernelekkel // In: Proc. 25. Nemzetközi Gépi tanulási Konferencia (ICML), 20. évf. 307, 2008.pp. 136-143.

104. Cheung S.-M., Moon Y.-S. Távolról közeledő gyalogosok észlelése időbeli intenzitási minták segítségével // MVA2009, 2. évf. 10, sz. 5, 2009.-pp. 354-357.

105. Dalai N., Triggs B. és Schmid G. Humán észlelése orientált áramlási és megjelenési hisztogramokkal // In ECCV, vol. II, 2006. pp. 428^141.

106. Dalai N., Triggs B. Orientált gradiensek hisztogramjai az emberi észleléshez // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), vol. II, 2005-pp. 886-893.

107. Dani A.P., Dixon W.E. Egykamerás szerkezet és mozgásbecslés // Lecture Notes in Control and Information Sciences, 401, 2010. pp. 209-229.

108. Datta Ri, Joshi D;, Li J. és Wang J. Z1 Image retrieval: Ideas, influences and trends of the new age // ACM"-Computing Surveys, Vol. 40:, no: 2, 2008. ■ -1-60.

109. Dikbas S., Arici T., Altunbasak Y. Fast motion estimation with interpolation-free al-sample accuracy // IEEE Transactions on Circuits and Systems for Video Technology 20(7), 2010. -pp. 1047-1051.

110. Dollar P., Rabaud V., Cottrell G., Belongie S. Behavior discovery via sparse spatio-temporal features // In: Proc. 2nd Joint IEEE International Workshop on Evaluation of Tracking and Surveillance, VS-PETS, 2005. pp. 65-72.

111. Donatini P. és Frosini P. Természetes áltávolságok zárt felületek között // Journal of the European Mathematical Society, Vol. 9, sz. 2, 2007pp. 231-253.

112. Donatini P. és Frosini P. Természetes pszeudotávolságok a zárt görbék között // Forum Mathematicum, Vol. 21. sz. 6, 2009.pp. 981-999.

113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Vizuális eseményészlelés többdimenziós koncepciódinamika segítségével // In: Proc. IEEE Int "l Conference on Multimedia and Expo (ICME), 2006. 239-248. o.

114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Realistic 3D-modeling of Forest Growth with Natural Effect // Proceedings of the Second KES International Symposium IDT 2010, Baltimore. USA. Springer-Verlag, Berlin, Heidelberg. 2010.-pp. 191-199.

115. Francois A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL: An ontology framework for representing and annotating video events // IEEE Multimedia, Vol: 12; nem. 4, 2005.pp. 76-86.

116. Gao J., Kosaka A:, Kak A.C. A Multi-Kalman Filtering Approach for Video Tracking of Human-Delineated Objects in Cluttered" Environments // IEEE Computer Vision and Image Understanding, 2005, V. 1, no. 1. pp. 1-57.

117 Gui L., Thiran J.-P., Paragios N. Joint Object Segmentation and Behavior Classification in Image Sequences // IEEE Conf. a számítógépes látásról és a mintafelismerésről, 2007. június 17-22. pp. 1-8.

118. Haasdonk B. Határozatlan kernelekkel rendelkező SVM-ek jellemzőterület-értelmezése // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 27. sz. 4, 2005.pp. 482-492.

119. Harris C. és Stephens M. Egy kombinált sarok- és éldetektor // In Fourth Alvey Vision Conference, Manchester, UK, 1988. pp. 147-151.

120. Haubold A., Naphade M. Videoesemények osztályozása 4-dimenziós-idő-tömörített mozgásjellemzők használatával // In CIVR "07: Proceedings of the6th ACM international confrcnce on Image and video retrieval, NY, USA, 2007. -pp 178-185.

121. Haykin S. Neural Networks: A Comprehensive Introduction. / N.Y.: Prentice-Hall, 1999; .- 658 pi.

122. Hoynck M., Unger M., Wellhausen J. és Ohm J.-R. A tartalomalapú videóelemzés globális mozgásbecslésének robusztus megközelítése // Proceedings of SPIE Vol. 5601, Bellingham, WA, 2004. pp. 36-45.

123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Deinterlacing using hierarchical motion analysis // IEEE Transactions on Circuits and Systems for Video Technology 20(5), 2010. pp. 673-686.

124. Jackins C.L., Tanimoto S.L. Quad-trees, Oct-trees and K-trees: Az euklideszi tér rekurzív dekompozíciójának általános megközelítése // IEEE Transactions onPAMI, Vol. 5, sz. 5, 1983.-pp. 533-539.

125. Ke Y., Sukthankar R:, Hebert Mi. Hatékony vizuális eseményérzékelés volumetrikus jellemzők segítségével // In: Proc. of Int "l Conference on Computer Vision (ICCV), 1. kötet, 2005. - 166-173.

126. Klaser A., Marszalek M., and Schmid C.A Spatio-Temporal Descriptor Based on 3D-Gradients // In BMVC, British Machine Vision, Conference, 2008. -pp. 995-1004.

127. Kovashka, A., Grauman, K. A diszkriminatív tér-idő szomszédsági jellemzők hierarchiájának megtanulása az emberi cselekvés felismeréséhez // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2010. pp.2046-2053.

128. Kumskov M.I. A felismerendő objektumok modelljei által vezérelt képelemzés számítási sémája // Mintafelismerés és képelemzés, 2. évf. 11, sz. 2, 2001.p. 446-449:

129. Kwang-Kyu S. Tartalom alapú képkeresés genetikai algoritmus és támogató vektorgép kombinálásával // In ICANN (2), 2007. pp. 537-545.

130. Lai C.-L., Tsai S.-T., Hung Y.-P. Tanulmány a háromdimenziós koordináta-kalibrációról fuzzy rendszerrel // International Symposium on Computer, Communication, Control and Automation 1, 2010. - pp. 358-362.

131. Laptev I. A tér-idő érdeklődési pontokról // International Journal of Computer Vision, Vol. 64. sz. 23, 2005.pp. 107-123.

132. Leibe B., Seemann E., Schiele B. Pedestrian Detection in-Crowded* Scenes // IEEE Conference on Computer Vision and "Pattern Recognition, Vol. 1, 2005. pp. 878-885.

133. Lew M. S., Sebe N., Djeraba C. és Jain R. Tartalom alapú multimédiás információ1 visszakeresés: State of the art and challenges // ACM Transactions on Multimedia Computing, Communications, and Applications, Vol. 2, sz. 1, 2006.pp. 1-19.

134. Li J. és Wang J. Z. A képek valós idejű számítógépes annotációja // IEEE Trans. PAMI, Vol. 30, 2008.pp. 985-1002.

135. Li L., Luo R., Ma R., Huang W. és Leman K. Az IVS rendszer értékelése elhagyott objektumok észlelésére a PETS 2006 adatkészleteken // Proc. 9 IEEE gyakornok. Workshop on PETS, New York, 2006. pp. 91-98.

136. Li L., Socher R. és Fei-Fei L. Towards Total Scene Understanding: Classification, Annotation and Segmentation in an Automatic Framework // IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2009. pp. 2036-2043.

137. Li Q., Wang G., Zhang G.) Chen S. Pontos globális mozgásbecslés maszkos piramis alapján // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao/Journal of Computer-Aided Design and Computer Graphics, 21. évf. , nem . 6, 2009.pp. 758-762.

138. Lindeberg T., Akbarzadeh A. és Laptev I. Galilei-diagonalizált tér-időbeli érdekműködtetők // Proceedings of the 17th International Conference on Pattern Recognition (ICPR"04), 2004. pp. 1051-1057.

139. Lim J., Barnes, N. Az epipólus becslése optikai áramlás felhasználásával antipodális pontokon // Computer Vision and Image Understanding 114, no. 2, 2010.pp. 245-253.

140. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision, Vol. 60, sz. 2, 2004.pp. 91-110.

141. Lucas B.D., Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision // International Joint Conference on Artificial Intelligence, 1981. pp. 674-679.

142. Mandelbrot B;B. The Fractal Geometry of Nature / N.Y.: Freeman^ 1982. 468 p.; russ, ford.: Mandelbrot B. Fraktál, természet geometriája: Per. angolról. / M.: Számítástechnikai Kutatóintézet, 202. - 658 p.

143. Mandelbrot V.V., Frame M.L. Fraktálok, grafika és matematika oktatás/N. Y.: Springer-Verlag, 2002. 654 p.

144. Mandelbrot B.B. Fractals and Chaos: The Mandelbrot Set. and Beyond / N.Y.: Springer-Verlag, 2004. 308 p.

145. Memoli F. A Gromov-Hausdorff távolságok alak-összehasonlításhoz való felhasználásáról // Proceedings of the Eurographs Symposium on Point-Based Graphics. Prága, Cseh Köztársaság, 2007. pp. 81-90.

146. Mercer J. Pozitív és negatív típusú függvények és kapcsolatuk az integrálegyenletek elméletével // Transactions of the London Philosophical Society (A), vol. 209, 1909. pp. 415-446.

147. Mikolajczyk K. Affin transzformációkkal invariáns lokális jellemzők kimutatása, Ph.D. tézis, Institut National Polytechnique de Grenoble, Franciaország. 2002.171 p.

148. Mikolajczyk K. és Schmid G. An Affine Invariant Interest Point Detector // Proceedings of ECCV. Vol. 1. 2002. pp. 128-142.

149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.M. Emberi cselekvés felismerése extrém tanulógép segítségével vizuális szókincsen alapuló // Neurocomputing, Vol. 73 (10-12), 2010. pp. 1906-1917.

150. Mladenic D., Skowron A., szerk.: ECML. Vol. 4701 of Computer Science, Springer, 2007. pp. 164-175.

151. Moshe Y., Hel-Or H. Videoblokk mozgásbecslése szürkekód kerneleken // IEEE Transactions on Image Processing 18(10), 2009. pp. 22432254.

152. Nakada T., Kagami S;, Mizoguchi H. Gyalogos észlelés 3D optikai áramlási szekvenciákkal for-afMobile Robot // IEEE Sensors, 2008. pp: 116-119:

153. Needleman, S. B:,. Wunsch C.D.; Egy általános módszer, amely két fehérje* aminosavszekvenciájában keresendő hasonlóságokra // Journal "of Molecular Biology, 48. kötet, 3, 1970. 443-453. oldal.

154. Neuhaus M., Bunke H. Távolság alapú kernelfüggvények szerkesztése a szerkezeti minták osztályozásához // Pattern Recognition. Vol. 39. sz. 10, 2006. pp: 1852-1863.

155. Nevatia R., Hobbs J. és Bolles B. An ontology for video event representation // In Workshop on Event Detection and Recognition. IEEE, Vol.12, no. 4, 2004.pp. 76-86.

156. Nguyen.N.-T., Laurendeau D:, Branzan-Albu A. Robusztus módszer a kameramozgás becslésére filmekben optikai áramlás alapján // The 6th International

Felhívjuk figyelmét, hogy a fent bemutatott tudományos szövegeket áttekintés céljából közzétesszük, és az eredeti disszertáció szövegfelismerésével (OCR) szereztük be. Ezzel kapcsolatban a felismerési algoritmusok tökéletlenségével kapcsolatos hibákat tartalmazhatnak. Az általunk szállított szakdolgozatok és absztraktok PDF-fájljaiban nincsenek ilyen hibák.

sushiandbox.ru A számítógép elsajátítása - Internet. Skype. Közösségi hálózatok. Leckék a Windowsról.

Térbeli terepmodellek. A modellezés típusainak osztályozása. dinamikus modellek. Példák dinamikus modellek felépítésére Térbeli és dinamikus modellek

A szakdolgozatok ajánlott listája

Képrekonstrukció videoszekvenciák spatiotemporális elemzése alapján 2011, a műszaki tudományok kandidátusa Damov, Mihail Vitalievich

Számítógépes módszer az arcok lokalizálására a képeken nehéz fényviszonyok mellett 2011, a műszaki tudományok kandidátusa Pakhirka, Andrej Ivanovics

Módszer a nem szinkronizált videoszekvenciák térbeli-időbeli feldolgozására sztereó látórendszerekben 2013, Ph.D. Pyankov, Dmitrij Igorevics

A morfológiai képelemzés elmélete és módszerei 2008, a fizikai és matematikai tudományok doktora, Vizilter, Jurij Valentinovics

Dinamikus gesztusok felismerése számítógépes látórendszerben a képek alakjának mediális megjelenítése alapján 2012, Ph.D. Kurakin, Alekszej Vladimirovics

Bevezetés a dolgozatba (az absztrakt része) "Dinamikus képek felismerésének modelljei és módszerei képsorok térbeli és időbeli elemzése alapján" témában

Hasonló tézisek az "Informatika elméleti alapjai" szakon, 05.13.17 MAB kód

Kombinált algoritmusok mozgó objektumok operatív kiválasztására videokockák sorozatában az optikai áramlás kiszámításának helyi differenciálmódszere alapján 2010, a műszaki tudományok kandidátusa, Kazakov, Borisz Boriszovics

Módszerek összetett statikus és dinamikus jelenetek videósorozatának stabilizálására videó megfigyelő rendszerekben 2014, a műszaki tudományok kandidátusa Buryachenko, Vladimir Viktorovich

Dinamikus orvosi képek feldolgozásának módszere és rendszere 2012, a műszaki tudományok kandidátusa Maryaskin, Jevgenyij Leonidovics

Földi (felszíni) objektumok radarképeinek minden szempontú felismerése kvázi invariancia zónákra való jellemző térszegmentációval 2006, a műszaki tudományok kandidátusa, Matvejev, Alekszej Mihajlovics

Módszerek és algoritmusok egymásra helyezett szövegkarakterek észlelésére összetett háttérstruktúrájú képfelismerő rendszerekben 2007, a műszaki tudományok kandidátusa, Zotin, Alekszandr Gennadievics

Szakdolgozat következtetése "Az informatika elméleti alapjai" témában, Favorskaya, Margarita Nikolaevna

Az értekezés kutatásához szükséges irodalomjegyzék A műszaki tudományok doktora Favorskaya, Margarita Nikolaevna, 2011

Hasonló hozzászólások

Térbeli terepmodellek. A modellezés típusainak osztályozása. dinamikus modellek. Példák dinamikus modellek felépítésére Térbeli és dinamikus modellek

A szakdolgozatok ajánlott listája

Képrekonstrukció videoszekvenciák spatiotemporális elemzése alapján 2011, a műszaki tudományok kandidátusa Damov, Mihail Vitalievich

Számítógépes módszer az arcok lokalizálására a képeken nehéz fényviszonyok mellett 2011, a műszaki tudományok kandidátusa Pakhirka, Andrej Ivanovics

Módszer a nem szinkronizált videoszekvenciák térbeli-időbeli feldolgozására sztereó látórendszerekben 2013, Ph.D. Pyankov, Dmitrij Igorevics

A morfológiai képelemzés elmélete és módszerei 2008, a fizikai és matematikai tudományok doktora, Vizilter, Jurij Valentinovics

Dinamikus gesztusok felismerése számítógépes látórendszerben a képek alakjának mediális megjelenítése alapján 2012, Ph.D. Kurakin, Alekszej Vladimirovics

Bevezetés a dolgozatba (az absztrakt része) "Dinamikus képek felismerésének modelljei és módszerei képsorok térbeli és időbeli elemzése alapján" témában

Hasonló tézisek az "Informatika elméleti alapjai" szakon, 05.13.17 MAB kód

Kombinált algoritmusok mozgó objektumok operatív kiválasztására videokockák sorozatában az optikai áramlás kiszámításának helyi differenciálmódszere alapján 2010, a műszaki tudományok kandidátusa, Kazakov, Borisz Boriszovics

Módszerek összetett statikus és dinamikus jelenetek videósorozatának stabilizálására videó megfigyelő rendszerekben 2014, a műszaki tudományok kandidátusa Buryachenko, Vladimir Viktorovich

Dinamikus orvosi képek feldolgozásának módszere és rendszere 2012, a műszaki tudományok kandidátusa Maryaskin, Jevgenyij Leonidovics

Földi (felszíni) objektumok radarképeinek minden szempontú felismerése kvázi invariancia zónákra való jellemző térszegmentációval 2006, a műszaki tudományok kandidátusa, Matvejev, Alekszej Mihajlovics

Módszerek és algoritmusok egymásra helyezett szövegkarakterek észlelésére összetett háttérstruktúrájú képfelismerő rendszerekben 2007, a műszaki tudományok kandidátusa, Zotin, Alekszandr Gennadievics

Szakdolgozat következtetése "Az informatika elméleti alapjai" témában, Favorskaya, Margarita Nikolaevna

Az értekezés kutatásához szükséges irodalomjegyzék A műszaki tudományok doktora Favorskaya, Margarita Nikolaevna, 2011

Hasonló hozzászólások

Hogyan lehet pénzt keresni kapcsolattartással

A fejhallgató ikon nem tűnik el, miután kikapcsolta őket

A Xiaomi Mi Band fitnesz karkötő bekapcsolása és a Mi Fit Mi band 1 beállítása futáshoz