1. FEJEZET A DINAMIKUS OBJEKTUMOK FELDOLGOZÁSÁRA ÉS KÉPSZEKVENCIÁK ALATT 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 mozgás értékelésére szolgáló összehasonlító módszerek elemzése.

1.3.2 A mozgásbecslés gradiens módszereinek elemzése.

1.4 Jellemzőcsoportok osztályozása.

1.5 Mozgó objektumok szegmentálására szolgáló módszerek elemzése.

1.6 Az események értelmezésének és a jelenet műfajának meghatározásának módszerei.

1.7 Dinamikus objektumok feldolgozására és felismerésére szolgáló rendszerek.

1.7.1 Kereskedelmi hardver- és szoftverrendszerek.

1.7.2 Kísérleti kutatási szoftverrendszerek.

1.8 A képsorozatok időbeli térbeli feldolgozásának 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 feldolgozásakor és felismerésekor.

2.6 Következtetések a fejezettel kapcsolatban.

3. FEJEZET A MOZGÁS HELYI JELEI KERESÉSE ÉS ÉRTÉKELÉSE5 DINAMIKUS RÉGIÓK.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 A spatiotemporális adatmennyiség becslése.

3.2.3 A dinamikus régiók osztályozása.

3.3 Módszerek a régiók helyi mozgásainak feltárására.

3.3.1 Különleges pontok keresése és követése a jelenetben.

3.3.2 Mozgásbecslés 3D áramlási tenzor alapján.

3.4 A mozgó régiók határainak tisztázása.

3.5 Következtetések a fejezettel kapcsolatban.

4. FEJEZET DINAMIKUS OBJEKTUMOK SZEGMENTÁLÁSA KOMPLEX JELENETEKBEN.

4.1 Többszintű mozgás modellje összetett jelenetekben.

4.2 Modellek a síkban történő mozgás becslésére.

4.3 A Lie csoport tulajdonságainak vizsgálata.

4.4 Egy csoport izomorfizmusai és homomorfizmusai.

4.5 A tárgymozgás történetének modellje képsorokban.

4.6 Összetett jelenet szegmentálása térbeli objektumokra.

4.6.1 Előszegmentálás.

4.6.2 Szegmentálás.

4.6.3 Utószegmentálás.

4.7 Egy pont 3D mozgásának 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 elemzése.

5.1.3 Jelenet elemzése.

5.2 Összetett jelenet videófelvételének készítése.

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 ÉPÍTÉSI RENDSZEREK A KÉPSZEKVENCIÁK FELDOLGOZÁSÁHOZ ÉS FELISMERÉSÉHEZ ÉS KÍSÉRLETI KUTATÁSHOZ.

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 Alkalmazott projekt „Járművek állami rendszámának vizuális nyilvántartása többmenetes forgalomban”.

6.5 Alkalmazási projekt „Rendszer a hűtőház modellek azonosítására képek alapján”.

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

• Nem szinkronizált videoszekvenciák tér-időbeli feldolgozásának módszere sztereó képrendszerekben 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 tér-időbeli elemzése alapján” témában

Létezik egy olyan feladatosztály, amelyben az objektumok szerkezetére és mozgására vonatkozó információk egy összetett jelenetben különösen fontosak (videós megfigyelés zárt térben, zsúfolt helyeken, robotrendszerek mozgásának vezérlése, járművek mozgásának figyelése stb.). ). A képsorozatok olyan összetett információforrások, amelyek térben és időben strukturálódnak, és a kiindulási információkat többdimenziós jelek formájában, számítógépes megjelenítési formáját és dinamikus objektumok, jelenségek és folyamatok fizikai modelljeit egyesítik. A digitális képfeldolgozás új technikai lehetőségei lehetővé teszik a képek ezen sajátosságainak részbeni 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 jeleinek azonosítását is. Ebben az esetben a felismerési probléma definiálható állapothalmazok osztályozásaként vagy pályák osztályozásaként, amelyek megoldását a klasszikus felismerési módszerekkel nem lehet megtalálni, mert időátmenetek^ olyan képtranszformációkat generálhatnak, amelyeket nem írnak le ismert analitikai függőségek; A dinamikus objektumok felismerésének feladatával együtt problémák merülnek fel az aktív cselekvések és események felismerésében, például a zsúfolt helyeken végzett jogosulatlan műveletek azonosítása vagy a multimédiás adatbázisokban való indexelési 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 az ezek feldolgozására, helyzetelemzésére és az ábrázolt tárgyak felismerésére szolgáló módszerek és algoritmusok továbbfejlesztését. A képfelismerési probléma kezdeti elméleti megfogalmazása az 1960-1970-es évekre nyúlik vissza. és számos híres szerző művében tükröződik. A képfelismerési probléma megfogalmazása magától a tárgyfelismerési problémától, a jelenetelemzési problémáktól a képmegértési problémákig és a számítógépes látásproblémákig változhat. Ugyanakkor örökbefogadási rendszerek okos megoldások, minta- és képfelismerő módszerek alapján, összetett típusú bemeneti információkat használnak. Ez magában foglalja mind az elektromágneses spektrum széles hullámhossz-tartományában (ultraibolya, látható, infravörös stb.) kapott képeket, mind a hangképek és helyadatok formájában megjelenő információkat. Különböző fizikai természetük ellenére az ilyen információk valódi tárgyak és konkrét képek formájában is megjeleníthetők. A radiometriai adatok egy jelenet lapos képei perspektivikus vagy ortográfiai vetületben. Ezeket a jelenetben lévő tárgyak által visszavert vagy kibocsátott, bizonyos spektrális tartományú elektromágneses hullámok intenzitásának mérésével alakítják 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 jelenet minden pontjára mérjük a koordinátákat, akkor a helyadatok ilyen tömbje jelenetmélységi képnek nevezhető. Léteznek egyszerűsített képmodellek (például alacsony perspektívával, paraperspektívával, ortogonális és párhuzamos vetítésekkel reprezentált affin vetületi modellek), amelyekben a jelenet mélysége állandónak tekinthető, és a jelenet helyképe nem hordoz hasznos információt. . Ebben az esetben a hangos információ segédesemény jellegű.

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 fényes képek elemzésére. A helyadatok gyors megszerzésének nehézségei miatt (különösen a gyorsan változó formájú vizuális objektumok jeleneteinél) a jelenet egy vizuális képpel történő leírásának feladatai dominálnak, i. monokuláris vizuális jelenetészlelés feladatai. Általában lehetetlen egy képből teljesen meghatározni egy jelenet geometriáját. Csak bizonyos megkötések mellett a meglehetősen egyszerű modelljelenetek és az objektumok térbeli elhelyezkedésére vonatkozó előzetes információ rendelkezésre állása esetén lehetséges egyetlen képből teljes háromdimenziós leírást összeállítani. Az egyik kiút ebből a helyzetből az, hogy feldolgozzuk és elemezzük egy vagy több, álló vagy térben mozgó videokamerától kapott képsorokat.

Így a képek jelentik a valós világról szóló információk megjelenítésének fő formáját, és ez kötelező további fejlődés mind az egyes képek, mind a videoszekvenciák átalakítási és szemantikai elemzési módszerei. Az ilyen intelligens rendszerek fejlesztésének egyik legfontosabb iránya a képek leírására és konvertálására szolgáló módszerek kiválasztásának automatizálása, figyelembe véve azok képét. információs jellegés felismerési célokra már a képfeldolgozás kezdeti szakaszában.

Az USA (Louisiana State University, Carnegie Mellon University, Pittsburgh), Svédország (Computational Vision and Active Perception Laboratory (CVAP), Numerical Analysis and Computer Science Tanszék), Franciaország (INRIA), Nagy-Britannia (University) kutatóinak első munkái Leeds), Németország (University of Karlsruhe), Ausztria (University of Queensland), Japán, Kína (School of Computer Science, Fudan University) a 80-as évek végén jelentek meg a képsorozatok feldolgozásával és a dinamikus objektumok felismerésével kapcsolatban. Később hasonló munkák kezdődtek. Oroszországban való megjelenés: Moszkvában (MSU, MAI (GTU), MIPT, GosNII AS), Szentpéterváron (SPbSU, GUAP, FGUP GOI, LOMO), Rjazanban (RGRTU), Szamarában (SSAU), Voronyezsben (VSU), Jaroszlavl (YarSU), Kirov (VSU), Taganrog (TTI SFU), Novoszibirszk (NSU), Tomszk (TSPU), Irkutszk (IrSU), Ulan-Ude (VSGU) és más városok. az Orosz Tudományos Akadémia akadémikusaként, a műszaki tudományok doktoraként Yu. I. Zhuravlev, az Orosz Tudományos Akadémia levelező tagjaként, a műszaki tudományok doktoraként foglalkozó kiemelkedő orosz tudósok ezen a területen. 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 képfelismerésben a valós objektumok összetettsége és viselkedésének változatossága miatt. Így ezen a területen javítani kell a dinamikus objektumok és események képsorokból történő felismerésére szolgáló modelleket, módszereket és algoritmusokat az elektromágneses sugárzás különböző tartományaiban, ami lehetővé teszi a videomegfigyelő rendszerek minőségileg új szintre emelését.

A disszertáció célja a dinamikus objektumok, azok aktív cselekvései és eseményei komplex jelenetekben történő felismerésének hatékonyságának növelése külső és belső videó megfigyelő rendszerek képsorainak felhasználásával.

A kitűzött cél a következő feladatok megoldásának szükségességét határozta meg:

Végezzen elemzést a mozgás értékelésére és az objektumok mozgási jeleinek megtalálására szolgáló módszerekről szekvenciális képekből, a dinamikus objektumok szegmentálására és az összetett jelenetek szemantikai elemzésére szolgáló módszerekről, valamint a különféle típusú dinamikus objektumok felismerésére és nyomon követésére szolgáló rendszerek építésének megközelítéséről. szándékos cél.

Felismerési modellek kidolgozása statikus és dinamikus képekhez hierarchikus eljárás alapján idősorok, különösen képsorozatok feldolgozására.

Olyan módszer kidolgozása a dinamikus struktúrák mozgásának felmérésére, amely az elektromágneses sugárzás különböző tartományaiban nyert tér-időbeli információkon alapul, amely lehetővé teszi a mozgás jellegétől függő szegmentációs módszerek kiválasztását, és ezáltal a dinamikus képek adaptív felismerését.

Olyan modell létrehozása a dinamikus struktúrák többszintű mozgatására egy összetett jelenetben, amely a kapott odometrikus adatok alapján lehetővé teszi a dinamikus struktúrák mozgási pályáinak felépítését, és hipotézisek felállítását a vizuális objektumok létezéséről a vizuális objektumok létezéséről. a mozgalmak története.

Komplex szegmentációs algoritmus kidolgozása, amely figyelembe veszi a dinamikus struktúrák azonosított jeleinek összességét, tetszőleges mozgási irányokkal és az objektumvetületek átfedésével, összetett jelenetek többszintű mozgásának modellje alapján.

Kidolgozni a kollektív döntéshozatal módszerén alapuló, formális nyelvtan és egy jelenet videófelvétele alapján bemutatott dinamikus képek felismerésére szolgáló módszert, valamint módszereket komplex jelenetben aktív cselekvések és események felismerésére, grafikonok segítségével. aktív akciók és események (egy összetett jelenet videofelvételének kiterjesztése), valamint egy Bayes-hálózat.

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

Módszerek, kutatások. A disszertáció során a mintafelismerés elméletének, a képfelismerés leíró elméletének, a jelfeldolgozás elméletének, a vektoranalízis és a tenzorszámítás módszereinek, valamint a csoportelméletnek, valamint a formális nyelvtan elméletének módszereit alkalmaztuk.

A disszertáció tudományos újdonsága a következő:

1. Beépített új modell dinamikus képek átalakítása, amelyet a szegmentálás (lokális és globális mozgásvektorok) és felismerés (objektumok és aktív tevékenységeik) kibővített hierarchikus szintjei jellemeznek, lehetővé téve a mozgó objektumokat tartalmazó statikus jelenetek és a dinamikus jelenetek célelemeinek megtalálását a koncepció alapján maximális dinamikus invariáns.

2. A képfelismerés leíró elmélete négy új alapelv bevezetésével bővült: a felismerés céljának figyelembevétele az elemzés kezdeti szakaszaiban, a dinamikus objektumok viselkedésének felismerése, a történelem értékelése, a megfigyelési objektumok változó száma, amely lehetővé teszi a mozgó objektumok felismerésének minőségének javítását a forrásadatok információtartalmának növelésével.

3. Első alkalommal dolgoztak ki egy adaptív tér-időbeli mozgásbecslési módszert látható és infravörös elektromágneses sugárzási tartományok szinkron sorozataiban, amely lehetővé teszi a különböző hierarchikus szinteken lévő mozgási jellemzők kinyerését, kombinálva mindkét típusú képsorozat előnyeit.

4. Kidolgozták a többszintű mozgás új modelljét; lehetővé teszi a jelenet külön szintekre bontását; nem > korlátozott; az általánosan elfogadott elő- és háttérfelosztás, amely lehetővé teszi a tárgyak képeinek megbízhatóbb szegmentálását; összetett perspektivikus jelenetek.

5: Indokolt? és épült; új; általánosított algoritmus dinamikus objektumok szegmentálására; jellemzők halmazával, használatával, beleértve a viselkedéstörténetet; és lehetővé teszi mind az egyes vizuális objektumok dinamikájának, mind a jelenetben lévő objektumok interakciójának nyomon követését (vetületek átfedése; tárgyak megjelenése/eltűnése a videoérzékelő látómezejéből) csoporttranszformációk alapján; és az objektum vetületeinek általános részének (két szomszédos keretből) az első javasolt elemzése integrál és invariáns becslések segítségével.

6. Módosult a kollektív döntéshozatal módszere, amely az objektum keretek közötti vetületeinek jeleinek megtalálásával jellemezhető, és lehetővé teszi a megfigyelések történetének figyelembevételét az aktív cselekvések és események Bayes-hálózaton alapuló felismeréséhez, és négyféle pszeudo-távolságot javasoltak a dinamikus képek és a referencia dinamikus képek közötti hasonlóság mértékének meghatározására a dinamikus jellemzők megjelenítésétől függően.

Gyakorlati jelentősége. Az értekezésben javasolt módszerek és algoritmusok gyakorlati alkalmazásra szolgálnak a többsávos forgalomban lévő járművek megfigyelésében. állami projekt„Biztonságos város”, különféle technológiai gyártási folyamatok automatizált vezérlőrendszereiben videoszekvenciákat használva, kültéri videó megfigyelő rendszerekben és beltéri videó megfigyelő rendszerekben, valamint a légifelvételeken lévő objektumok azonosítására és tájképek felismerésére szolgáló rendszerekben. Az értekezés kutatása alapján a dinamikus objektumok feldolgozására és felismerésére szolgáló szoftverrendszereket fejlesztettek ki, amelyeket különféle tevékenységi területeken alkalmaznak.

Munkaeredmények megvalósítása. A kifejlesztett programokat bejegyezték az orosz számítógépes programok nyilvántartásába: a „Kézírásos szövegképek szegmentálása (SegPic)” program (tanúsítvány száma 2008614243, Moszkva, 2008. szeptember 5.); „Motion Estimation” program (2009611014-es bizonyítvány, Moszkva, 2009. február 16.); „Arclokalizáció (FaceDetection)” program (tanúsítvány száma 2009611010, Moszkva, 2009. február 16.); program „Rendszer vizuális természetes hatások statikus képre történő rárakására (Természetes hatások utánzása)” (tanúsítvány száma 2009612794, Moszkva, 2009. július 30.); program „Vizuális füstérzékelés (SmokeDetection)” (tanúsítvány száma 2009612795, Moszkva, 2009. július 30.); „Járművek állami rendszámtábláinak vizuális nyilvántartására szolgáló program többszálú közlekedés során (FNX CTRAnalyzer)” (tanúsítvány száma 2010612795, Moszkva, 2010. március 23.), „Nemlineáris képjavító” program (tanúsítvány száma 2010610658, g, Moszkva 2010. március 31

Törvények érkeztek az összeszerelősoron lévő hűtőházak felismerésére szolgáló algoritmusok és szoftverek (JSC KZH Biryusa, Krasznojarszk), tájképeken lévő objektumok képeinek azonosítására szolgáló algoritmusok és szoftverek átadásáról és használatáról (Radio Engineering Concern Vega, JSC KB Luch, Rybinsk, Yaroslavl region ), az erdei növényzet szegmentálására szekvenciális légifelvételek segítségével (Altex Geomatics LLC, Moszkva), járművek állami rendszámtábláinak észlelésére videoszekvenciákban többfolyamos forgalom során és a megjelenítés minőségének javítására^ (UGIBDD GUVD for Krasznojarszk Terület, Krasznojarszk).

A kifejlesztett algoritmusokat és szoftvereket az oktatási folyamatban használják a „Szellemi adatfeldolgozás”, „ Számítógépes technológiák a tudományban és az oktatásban”, „A digitális képfeldolgozás elméleti alapjai”, „Mintafelismerés”, „Neurális hálózatok”, „Képfeldolgozó algoritmusok”, „Videószekvencia-feldolgozó algoritmusok”, „Jelenetelemzés és számítógépes látás” a Szibériai Állami Repülőtéren M. F. akadémikusról elnevezett egyetem Reshetnev (Szibériai Állami Agráregyetem).

A szakdolgozati munka során kapott eredmények megbízhatóságát az alkalmazott kutatási módszerek helyessége, az elvégzett átalakítások matematikai szigora, valamint a megfogalmazott rendelkezések és következtetések kísérleti igazolásuk eredményével való összhangja biztosítja.

A védekezésre benyújtott 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 időbeli komponensben is.

3. Adaptív spatiotemporális mozgásbecslési módszer. az elektromágneses sugárzás látható és infravörös tartományának szinkron sorozataiban a helyi infravörös térfogatok tenzorábrázolásán alapul.

4. A többszintű mozgás modellje összetett jelenetekben, a perspektivikus jelenetek egyedi szintekre történő bontásának kiterjesztése az objektumok mozgási pályáinak megbízhatóbb elemzéséhez.

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

6. Dinamikus képek felismerésének módszerei a kollektív döntéshozatal módosított módszerén és a metrikus terekben pszeudo-távolságok megtalálásán, valamint az összetett jelenetek aktív cselekvései és eseményei alapján.

A munka jóváhagyása. A disszertáció kutatásának főbb rendelkezéseiről és eredményeiről a X. „Mintafelismerés és képelemzés: modern információs technológiák” (S.-Pétersburg, 2010) nemzetközi konferencián, az „Ultra Modern Telecommunications and Control Systems ICUMT2010” nemzetközi kongresszuson számoltak be és vitatták meg azokat. (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 alkalmazása" (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 „XXI. század kibernetikája és csúcstechnológiái” (Voronyezs, 2008), összoroszországi konferencia „Képfeldolgozási modellek és módszerek” (Krasznojarszk) , 2007), a X., XI. és XIII. „Reshetnev Readings” nemzetközi tudományos konferenciákon (Krasznojarszk, 2006, 2007, 2009), valamint az Állami Repülési Műszerészeti Egyetem (Szentpétervár, 2009) tudományos szemináriumain. a CO számítási modellezéséhez

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

Publikációk. A disszertáció kutatásának eredményei alapján 53 nyomtatott munka jelent meg, ebből 1 monográfia, 26 cikk (ebből 14 cikk a Higher Attestation Commission listán szereplő kiadványokban, 2 cikk a Thomson Reuters-ben szereplő publikációkban jelent meg: Science Citation Index Expanded / Conference Proceedings Citation Index"), 19 absztrakt, 7, az orosz számítógépes programok nyilvántartásában regisztrált tanúsítvány, 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, melyekben a szerző volt a hivatalos témavezető.

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

Hasonló értekezések a "Számítástudomány elméleti alapjai" szakon, 05.13.17 kód VAK

• Kombinált algoritmusok mozgó objektumok operatív kiválasztására videokockák sorozatában az optikai áramlás kiszámításának helyi differenciál módszere 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 teljes nézetű felismerése a jellemzőtér kvázi invariancia zónákra szegmentálásával 2006, a műszaki tudományok kandidátusa, Matveev, Alekszej Mihajlovics

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

A dolgozat következtetései „A számítástechnika elméleti alapjai” témában, Favorskaya, Margarita Nikolaevna

6.7 Fejezet következtetései

Ez a fejezet részletesen megvizsgálja a „ZROEL”, u.1.02 kísérleti szoftverkomplexum felépítését és fő funkcióit, amely képsorozatok rendszerszintű hierarchikus feldolgozását végzi a legmagasabb objektum- és eseményfelismerési szintig. automatizált rendszer, amely emberi részvételt igényel a grafikonok, hálózatok és osztályozók betanításához és konfigurálásához. A rendszer számos alacsony szintű modulja automatikus üzemmódban működik. A szoftvercsomag felépítése olyan, hogy a modulok módosítása a rendszer többi moduljának befolyásolása nélkül lehetséges. Bemutatták funkcionális diagramok a rendszer fő moduljai: modul, előfeldolgozás, mozgásbecslő modul, szegmentáló modul, objektumfelismerő modul és aktív cselekvés felismerő modul.

Ezen a szoftvercsomagon alapuló kísérleti tanulmányokat végeztek az „OTCBVS^07” tesztadatbázisból származó több video- és infravörös szekvencián, valamint „Hamburg taxi”, „Rubik-kocka” tesztvideó-szekvenciákon. „Csendes”, valamint saját videóanyagán. Öt mozgásbecslési módszert teszteltünk. Kísérletileg kimutatták, hogy a blokkillesztési módszer és az infravörös szekvenciára javasolt módszer hasonló értékeket mutat, és a legkevésbé pontos. A videoszekvenciákhoz javasolt módszer és a pontjellemzők követési módszere hasonló eredményeket mutat. Ugyanakkor a kifejlesztett tenzoros megközelítés kevesebb számítógépes számítást igényel, mint a pontjellemzők követési módszere. Célszerű a szinkronizált videosorozatok és az infravörös sorozatok kombinált használata a sebességvektor nagyságának meghatározásához csökkentett jelenetmegvilágítás mellett.

A vizuális objektumok felismerésére négyféle pszeudotávolságot (Hausdorff, Gromov-Hausdorff, Fréchet pszeudotávolság, természetes pszeudotávolság) használtak a bemeneti dinamikus képek és a referencia dinamikus képek hasonlóságának mértékének meghatározására (az ábrázolástól függően). dinamikus jellemzők - numerikus jellemzők halmaza, vektorkészletek, függvénykészletek). Kimutatták érvényességüket elfogadható morfológiai átalakulású képekre. A hagyományosan szomszédos keretek és az 5e közös rész területe közötti objektumvetület közös részének Kc kontúralakjának integrált normalizált becsléseit, valamint egy invariáns becslést - az Fcor vetületek közös részeinek korrelációs függvényét - használtuk. A módosított kollektív döntéshozatali módszer alkalmazása lehetővé teszi a bemeneti képek sikertelen megfigyelésének „eldobását” (átfedő tárgyvetítések, fényforrásokból származó jelenettorzulások stb.), és a legmegfelelőbb megfigyelések kiválasztását. Kísérletek kimutatták, hogy a módosított kollektív döntéshozatali módszer alkalmazása átlagosan 2,4-2,9%-kal növeli a felismerési pontosságot.

A mozgásértékelés, szegmentálás és tárgyfelismerés kísérleti eredményeit tesztképsorozatokon ("Hamburgi taxi", "Rubik-kocka". "Csendes", videoszekvenciák és infravörös szekvenciák az "OTSBVS"07 tesztadatbázisból) kaptuk. Az aktív cselekvések felismerése érdekében emberek közül példákat használtak a „PETS”, „CAVIAR”, „VACE” tesztadatbázisokból. A teszt vizuális sorozatának jellege befolyásolja az indikátorokat. A forgó mozgást végző tárgyakat rosszabbul ismerik fel („Rubik-kocka”), ember - a kis méretű készült tárgyak jobban felismerhetők ("Hamburg taxi", "Video 1"). A legjobb eredményeket a két szekvencia alapján történő felismerés mutatja. A legjobb kísérleti eredményeket az olyan emberek időszakos aktív cselekvéseinek felismerése érte el, akik nem csoportosan (séta, futás, kézfelemelés) A téves pozitívumok a megvilágításnak és a jelenet számos helyén lévő árnyéknak a következményei.

A hatodik fejezet végén olyan alkalmazott projektek kerültek bemutatásra, mint „Járművek állami rendszámtábláinak vizuális nyilvántartása többszálú közlekedés során”, „Hűtőszekrény-modellek képről azonosító rendszere”, „Algoritmusok tájképek feldolgozására és szegmentálására. Objektumok azonosítása” szóba került.” „Algoritmikus és szoftveres átadás az érdekelt szervezeteknek: A tesztüzem eredménye megmutatta a dolgozatban javasolt modellek és módszerek alapján kifejlesztett szoftverek működőképességét.

KÖVETKEZTETÉS

A disszertáció fontos tudományos-technikai problémát vetett fel és oldott meg az elektromágneses sugárzás látható és infravörös tartományaiból nyert térbeli-időbeli adatok feldolgozásával, valamint a dinamikus képek komplex jelenetekben történő felismerésével kapcsolatban. A térbeli-időbeli adatok feldolgozására és kinyerésére szolgáló hierarchikus módszerek rendszere jelenti a módszertani alapot a videó megfigyelés területén alkalmazott problémák megoldásához.

A bevezetés alátámasztja a szakdolgozati munka relevanciáját, megfogalmazza a kutatás célját és célkitűzéseit, bemutatja az elvégzett kutatás tudományos újdonságát és gyakorlati értékét, bemutatja a védésre benyújtott főbb rendelkezéseket.

Az első fejezet bemutatja, hogy a statikus képfelismerés problémájának klasszikus megfogalmazásában a videoszekvenciákban szereplő vizuális objektumokat többdimenziós jellemzővektor jellemzi, mint a képeket.A disszertáció a feldolgozás középső és magasabb szintjén a tisztázó szakaszokat vezeti be, amelyek elengedhetetlenek. dinamikus képekhez.

A statikus képek, a mozgáselemeket tartalmazó statikus jelenetek és a képsorok felismerési problémáinak fő típusainak osztályozása megalkotásra került, amely tükrözi a matematikai módszerek fejlődésének történeti jellegét ezen a területen. Részletesen elemeztem a mozgásértékelési módszereket, a mozgó objektumok szegmentálására szolgáló algoritmusokat, valamint az összetett jelenetek eseményeinek értelmezésére szolgáló módszereket.

Felülvizsgálják a meglévő kereskedelmi hardver- és szoftverrendszereket olyan területeken, mint a különböző célú járművek megfigyelése, sportvideó anyagok feldolgozása, biztonság (arcfelismerés, védett területre való illetéktelen belépés) biztosítása, valamint a videó megfigyelőrendszerek kutatási fejlesztéseinek elemzése.

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 szakaszait, az aktív cselekvéseket, eseményeket és a jelenet műfaját 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 kép dinamikus régióinak osztályozása a 31) strukturális tenzor sajátértékeinek elemzésével történik, amelyek sajátvektorait a szomszédos képkockák képeinek intenzitásának lokális eltolódásai határozzák meg, és felhasználják a kép lokális orientációjának becslésére. dinamikus régiók. A látható és infravörös sugárzási adatok térbeli és időbeli térfogatában bekövetkező mozgás becslésére szolgáló új módszer a tenzoros megközelítésen alapul. Megfontolandó egy térben változó kernel használatának lehetősége, amely alkalmazkodik a pont környezetének méretéhez és tájolásához. A kezdetben kör alakú, majd 2-3 iteráció után orientált ellipszis formájú környezet adaptációja lehetővé teszi, hogy javítsuk az orientált struktúrák értékelését a képen. Ez a stratégia javítja a gradiensek becslését egy térbeli és időbeli adatkészletben.

A helyi mozgási paraméterek becslése geometriai primitívek és a lokális régió szinguláris pontjainak kiszámításával történik. Így a régiók mozgásának lokális jeleinek felmérése az alapja a későbbi hipotézisek felállításának a vizuális objektumok egyik vagy másik osztályhoz való tartozásáról. A szinkron videoszekvenciák és infravörös szekvenciák használata lehetővé teszi, hogy javítsuk a kép mozgó régióinak szegmentálását és a lokális mozgásvektorok megtalálását.

Megmutattuk, hogy lehetséges a határok becslése színes képeken a határ minden pontján minden irányban megszerkesztett többdimenziós gradiens módszerekkel, a színes képre vonatkozó sorrendstatisztika segítségével vektoros módszerekkel, valamint a tenzoros megközelítéssel a képen belül. többdimenziós gradiens módszerek keretrendszere. A kontúrinformáció finomításának módszerei nélkülözhetetlenek olyan régiókban, ahol tetszőleges számú megengedhető vetület található.

A negyedik fejezetben egy többszintű mozgásmodellt építünk fel mozgási struktúrák alapján, tükrözve a valós jelenetekben a tárgyak dinamikáját, és kibővítve a jelenet kétszintű reprezentációját, érdeklődési tárgyakra és stacionárius háttérre bontva.

A kompakt Lie csoportok elméletén alapuló tárgyak síkbeli mozgásának modelljeit tanulmányozzuk. Bemutatjuk a projektív transzformáció modelljeit és az affin transzformációs modellek változatait. Az ilyen transzformációk jól leírják a korlátozott számú vetületű mozgásstruktúrákat (ember alkotta 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.) . Adott a definíciók és egy L. S. Pontryagin által bizonyított tétel, amely alapján sikerült megtalálni az adott objektumot a szomszédos keretek közötti eltolódásokig leíró csoportkoordináták belső automorfizmusát. Az eltolódások nagyságát a 3. fejezetben kidolgozott, a keretek közötti különbség mozgásának becslésére szolgáló módszer határozza meg.

A transzformációk csoportjai közötti megengedhető átmenetek kiterjesztése a 2£-os képek természetének kettőssége miatt jön létre (egyetlen objektum vetületének változásainak megjelenítése és több objektum vizuális metszéspontja: (objektumok interakciója)). Kritériumokat találtak arra vonatkozóan, hogy a transzformációk csoportjainak megváltoztatásakor a jelenetben aktív cselekvéseket és eseményeket rögzítsenek, nevezetesen a feltételesen szomszédos képkockák és a képterület közötti vetület közös részének Kc kontúrjának alakjának integrált becsléseit. 5e közös rész és invariáns becslések - a Pcog és a strukturális Lie csoportkonstansok c"d projekciók közös részeinek korrelációs függvénye, amelyek lehetővé teszik a változékonyság mértékének becslését és a megfigyelt objektumok mozgásának természetének azonosítását.

A tárgyak képsorozatokban való mozgásának őstörténetének modelljét is megszerkesztették, beleértve a mozgási pályák idősorait, a tárgy alakjának változásait a 3L-térben való mozgás során, 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). 1

Az összetett jelenetekben lévő objektumok szegmentálására általánosított algoritmust dolgoztak ki, figyelembe véve a szegmentálás összetett eseteit (átfedő képek, tárgyak megjelenése és eltűnése a kamera látóteréből, mozgás a kamera felé), amely három részszakaszból áll: elő- szegmentálás, szegmentálás és utószegmentálás. Az egyes részszakaszokhoz feladatokat, bemeneti és kimeneti adatokat fogalmaznak meg, és algoritmus blokkdiagramokat dolgoznak ki, amelyek lehetővé teszik az összetett jelenetek szegmentálását, kihasználva a különböző sugárzási tartományokból származó szinkron sorozatokat.

Az ötödik fejezet a dinamikus mintafelismerési folyamatot tárgyalja formális nyelvtan, jelenetvideós és módosított kollektív döntéshozatali módszer segítségével. A többszintű mozgású dinamikus jelenet struktúrája idővel változik, ezért célszerű strukturális felismerési módszereket alkalmazni. A komplex jelenetek felismerésére javasolt háromszintű kontextuális nyelvtan az objektumok többszintű mozgásával két feladatot valósít meg: a képsorozat elemzését és a jelenet elemzésének feladatát.

Egy jelenet szemantikai leírásának vizuálisabb eszköze a hierarchikus csoportosítási módszerrel felépített videográf. Az alsó szint összetett sajátosságai alapján, időben stabil lokális térszerkezetek alapján helyi térbeli objektumok alakulnak ki, és a jelenetről videofelvétel készül, amely tartalmazza a felismert térbeli objektumokat, a bennük rejlő cselekvések sorát, valamint a tér-időt. kapcsolatokat közöttük.

A módosított kollektív döntéshozatali módszer kétszintű elismerési eljáráson alapul. Az első szinten a kép egy adott kompetenciaterülethez tartozik. A második szinten az a döntő szabály lép életbe, amelynek kompetenciája adott területen maximális. A kifejezéseket pszeudo-távolságra állítják össze, amikor a bemeneti dinamikus képek és a referencia dinamikus képek közötti hasonlóság mértékét találják a dinamikus jellemzők megjelenítésétől függően - numerikus jellemzők halmaza, vektorok halmaza, függvénykészlet.

Események felismerésekor egy összetett jelenet videográfiája eseményvideográfra bővül: Egy dinamikus objektum objektumfüggő modellje készül. A jellemzőtér legegyszerűbb osztályozói megfeleltetési függvényként használatosak (például a ^-means módszerrel), mivel az összehasonlítást egy korábban azonosított objektumhoz társított sablonok korlátozott készletével hajtják végre. Vizuális objektumok vetítési sablonjainak kialakítására szolgáló módszereket vizsgáljuk meg.

Az eseményvideós Markov-hálózatok alapján épül fel. Figyelembe veszik az ágensek aktív akcióinak azonosítására szolgáló módszereket, valamint az eseményvideó elkészítésének és kivágásának sorrendjét, hogy felismerje az eseményeket a jelenetben. Ugyanakkor minden eseményhez saját modell készül, amelyet tesztpéldákon képeznek ki. Az eseményészlelés a szekvenciálisan végrehajtott aktív műveletek Bayes-féle megközelítésen alapuló klaszterezésén alapul. A bemeneti videó szekvenciában a súlyegyütthatók mátrixának rekurzív kivágása és a képzési szakasz során kapott referenciaeseményekkel való összehasonlítás történik. 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 a „SPOER” v.l.02 kísérleti szoftvercsomag leírását mutatja be képsorozatok feldolgozására, mozgó objektumok és események felismerésére. Képsorozatok szisztematikus hierarchikus feldolgozását végzi az objektum- és eseményfelismerés legmagasabb szintjéig. Ez egy automatizált rendszer, amely emberi részvételt igényel a gráfok, hálózatok és osztályozók betanításához és konfigurálásához. A rendszer számos alacsony szintű modulja automatikus üzemmódban működik.

A SPOER szoftvercsomag (v.l.02) segítségével végzett kísérleti vizsgálatokban az „OTCBVS”07 tesztadatbázisból származó videoszekvenciák és infravörös képsorozatok, a „Hamburgi taxi”, „Rubik-kocka”, „Csendes” és saját tesztvideó sorozatok. videó anyagokat használtunk Öt mozgásbecslési módszert teszteltünk A videósorozatokhoz javasolt módszer a legpontosabb eredményeket mutatja, és más módszerekhez képest kevesebb számítógépes számítást igényel. sebességvektorok csökkentett jelenetmegvilágítás mellett.

A vetületek elfogadható morfológiai transzformációival rendelkező vizuális objektumok felismeréséhez a hagyományosan szomszédos képkockák közötti objektum-vetület közös részének Kc kontúralakjának integrált normalizált becslése és az 5e közös rész területe, valamint egy invariáns becslés - a korrelációs függvény. az Fcor vetületek közös részeit használták fel. A módosított kollektív döntéshozatali módszer alkalmazása lehetővé teszi a bemeneti képek sikertelen megfigyelésének „eldobását” (átfedő tárgyvetületek, a jelenet fényforrásokból származó vizuális torzulásai stb.), és kiválasztja a legmegfelelőbb megfigyeléseket. Kísérletek kimutatták, hogy a módosított kollektív döntéshozatali módszer alkalmazása átlagosan 2,4-2,9%-kal növeli a felismerési pontosságot.

A mozgásbecslés kísérleti eredményei; a szegmentálást és az objektumfelismerést tesztképsorozatokon ("Hamburg taxi", "Rubik-kocka". "Csendes", videoszekvenciák és infravörös szekvenciák az "OTCBVS*07" tesztadatbázisból) kaptuk. Az emberek aktív cselekvéseinek felismerésére a „PETS”, „CAVIAR”, „VACE” tesztadatbázisok példáit használtuk. A legjobb eredményeket a két szekvencia használatával történő felismerés mutatja. A legjobb kísérleti eredményeket a nem csoportos emberek időszakos aktív cselekvéseinek (séta, futás, karemelés) felismerése is érte el. A téves pozitív eredményeket a fényexpozíció és a jelenet számos helyén lévő árnyékok okozzák.

A „ZROEYA”, V. 1.02 kísérleti komplexum alapján különféle célú videó információfeldolgozó rendszereket fejlesztettek ki: „Járművek állami rendszámtábláinak vizuális nyilvántartása többfolyamos forgalomban”, „Hűtőszekrény-modellek azonosító rendszere képek”, „Algoritmusok tájképek feldolgozásához és szegmentálásához . Tárgyak azonosítása". Az algoritmus és a szoftver átkerült az érdekelt szervezetekhez. A tesztüzem eredménye megmutatta a dolgozatban javasolt modellek és módszerek alapján kifejlesztett szoftver teljesítményét.

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, azzal jellemezve, hogy figyelembe veszik az izomorf és homomorf transzformációkat, valamint statikus és dinamikus invariánsok általánosított függvényeit származtatják. Az objektumok statikus és dinamikus jellemzőinek keresésére szolgáló modellek négy képsorozat-elemzési problémára is készültek, a mozgó1 videoérzékelő és a mozgó objektumok jelenléte függvényében.

2. A képsorozatok felismerésének leíró megközelítésének főbb rendelkezései kibővültek, lehetővé téve a felismerési célok figyelembevételét a képsorozat feldolgozásának kezdeti szakaszában, majd az érdeklődési területek szegmentálásával, mozgási pályák kialakításával és a viselkedés felismerésével. dinamikus objektumok esetében, hogy figyelembe vegyék az objektumok mozgásának történetét, amikor vetületeik metszik egymást, változó számú megfigyelési objektum kíséretében.

3. Kidolgoztunk egy hierarchikus módszert 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, amelyre jellemző, hogy tér-időbeli adatsorokat használnak, amelyek 3£> szerkezeti tenzorok és bB tenzorok formájában vannak bemutatva. ennek megfelelően folyjon. Az eredményül kapott mozgásbecslés lehetővé teszi a leghatékonyabb módszer kiválasztását a megengedett vetületek számában eltérő dinamikus vizuális objektumok szegmentálására.

5. Megalkottuk a képterületek többszintű mozgásának lokális sebességvektorokon alapuló modelljét, amely abban különbözik, hogy lehetővé teszi a jelenet nemcsak elő- és háttérobjektumokra, hanem a megfigyelőtől távol eső objektumok mozgási szintjeire is felosztását. . 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 módszert egy összetett jelenet dinamikus videográfiájának elkészítésére az alacsonyabb szint komplex jellemzőinek hierarchikus csoportosításával időben stabil helyi térszerkezetekbe, majd helyi térbeli objektumokba. A generált videós időbeli kapcsolatokat hoz létre az objektumok között, és megtartja az összes általános jellemzőt a jelenet eseményeinek felismeréséhez. Az M.I. kétdimenziós nyelvtana kibővült. 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. Kidolgoztak egy Bayes-hálózaton alapuló események felismerési módszert, amely a bemeneti videoszekvenciában rekurzív módon levágja a súlytényezők mátrixát, és összehasonlítja a képzési szakaszban kapott referenciaeseményekkel. 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 mozgásának 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 azonosítása geometriai képtorzítás körülményei között / B.A. Alpatov, P.V. Babayan // Digitális jelfeldolgozás, No. 45 2004. p. 9-14.

4. Alpatov, B.A., Babayan P.V. Képfeldolgozási és -elemzési módszerek" objektumok észlelésére és nyomon követésére szolgáló fedélzeti rendszerekben / B.A. Alpatov, P.V. Babayan // Digitális jelfeldolgozás, 2. szám, 2006. 45-51 p.

5. Bolshakov, A.A., Módszerek többdimenziós adatok és idősorok feldolgozására: 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 jelenetek fogalmi megjelenítésére szolgáló rendszer felépítése / M.N. Vaintzvaig, M.N. Polyakova // Szo. tr. 11. összoroszországi konf. „A mintafelismerés matematikai módszerei (MMRO-11)”, M., 2003. p.261-263.

8. Vapnik, V.N. A mintafelismerés tanításának problémája / 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 munkatársai // Avtomatika, 1967, 6. sz. 47-52.

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

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

13. Vizilter, Yu.V. A morfológiai bizonyítékok elemzésének módszerének alkalmazása számítógépes látásproblémák esetén>/ Yu.V. Vizilter // Számítástechnikai és információtechnológiai Értesítő, 9. szám, 2007 p. 11-18.

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

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

16. Vizilter, Yu.V. Az autoregresszív szűrők viselkedésének tanulmányozása a mozgás azonosításának és elemzésének problémájában digitális videó szekvenciákon / Yu.V. Visilter, B.V. Vishnyakov // Számítógépes és információs technológiák közleménye, 8. szám, 2008. - p. 2-8.

17. Vizilter, Yu.V. A képek projektív morfológiái a strukturáló funkcionálisok által leírt modellek alapján / Yu.V. Visilter, S.Yu. Zheltov // Számítógépes és információs technológiák közleménye, 11. szám, 2009.-p. 12-21.

18. Vishnyakov, B.V. Módosított optikai áramlási módszer alkalmazása a detektálás és a képkockák közötti mozgáskövetés problémájában.

19. Ganebnykh, S.N. Jelenetek elemzése a képek faábrázolása alapján / 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 szerkesztette P.A. Chochia / R. Gonzalez, R. Woods / M.: Tekhnosphere, 2006. 1072 p.

22. Goroshkin, A.N., Kézzel írt szöveg képeinek szegmentálása (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. M.: Mir, 1979-1983. 130 pp.

24. Gruzman, I.S. Digitális képfeldolgozás információs rendszerekben: Tankönyv. Kézikönyv / 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. Art., 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 // Avtomatika, 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. Sukhinin / M.: 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 // Folyóirat. 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. fizika és matematika lit., 1984. 832 p.

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

41. Lapko, A.B. Nem paraméteres* és hibrid rendszerek különböző típusú adatok osztályozására / 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 GAP / V.R. Lutsiv, M.N. Favorskaya // A könyvben. „Tapasztalat automatizált 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.: In 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-k számára BASIC, Fortran és Pascal nyelveken / 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 groups J L. S. Pontryagin // 4th ed., M.: Nauka, 1984.-520 pp.

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

54. Radchenko, Yu.S. Spektrális algoritmus vizsgálata a videoszekvencia változásainak detektálására / Yu.S. Radchenko, A.V. Bulygin, T.A. Radchenko // Izv. Universities. Radioelectronics, ; No. 7, 2009. 49-59.

55. Szalnyikov, I.I. Raszteres spatiotemporális 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: „A mintafelismerés matematikai módszerei (MMRO-11)”, M., 2003. p. 436-439:

57. Slynko, Yu.V. Az egyidejű követés és lehatárolás 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-kon alapuló digitális eszközök fejlesztése VHDL nyelv használatával / I.E. Tarasov / M.: Hot line-Telecom, 2005. - 252 p.

60. Favorskaya, M.N. Digitális képfelismerő algoritmusok fejlesztése adaptív robotrendszerekben / M.N*. Favorskaya // L!, Leningrádi Repülési Intézet. műszermérnökség, 1985. Kézirattár: in VINITI 85.01.23. No. 659-85 Dep.

61. Favorszkaja; M.N. Spektrális módszerek alkalmazása képek normalizálására és felismerésére adaptív robotrendszerekben / M.N.*.Favorskaya // Leningrad, Leningradsky, Institute of Aviation. műszermérnökség, 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-en, RTK-n és PR-on alapuló komplex 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. Vol. 3, Krasznojarszk, 2002. - p. 99-105.

64. Favorskaya, M.N. 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 képek felismerésének problémáiban / M.N. Favorskaya // A Szibériai Állami Repülési Egyetem közleménye. Vol. 1 (14), Krasznojarszk, 2007. p. 65-70.

67. Favorskaya, M.N. Valószínűségi módszerek a videofolyam szegmentálására, mint a hiányzó adatok problémájára / M.N. Favorskaya // A Szibériai Állami Repülési Egyetem közleménye. Vol. 3 (16), Krasznojarszk, 2007. p. 4-8.

68. Favorskaya, M.N. Célinformatív jellemzők kiválasztása képfelismerő rendszerekben / M.N. Favorskaya // A XI International anyagaiban. tudományos konf. „Reshetnyev olvasmányok” Szibériai Állami Agráregyetem, 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. Vol. 2" (19), Krasznojarszk, 2008. 52-58. o.

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

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

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

75. Favorskaya, M.N., Módszerek mozgáskereséshez videoszekvenciákban / M.N. Favorskaya, A.I. Pakhirka, A.S. Shilov; M.V. Damov // Bulletin. Szibériai Állami Repülési Egyetem. Vol. 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. Vol. 2 (23), Krasznojarszk, 2009. p. 141-146.

77. Favorskaya, M.N. Objektumok mozgásának becslése összetett jelenetekben tenzoros megközelítés alapján / M.N. Favorskaya // Digitális jelfeldolgozás, 1. sz., 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 meghatározása (MotionEstimation) / A.S. Shilov, M.N. Favorskaya // Tanúsítvány száma 2009611014. Bejegyezve a Számítógépes Programok Nyilvántartásába, Moszkva, 2009. február 16..

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

87. Shlesinger, M.I. Kétdimenziós vizuális jelek szintaktikai elemzése interferencia körülményei között / M.I. Shlesinger // Kibernetika, 4. szám, 1976. - 76-82.

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

89. Shoup, T. Alkalmazott numerikus módszerek a fizikában és a technikában: Transl. angolról / T. Shoup / Szerk. S. P. Merkuryeva; M.: Feljebb. Shk., 19901 - 255 pp. 11 "5. Elektromos, 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. N. Dalai, B. Triggs és G. Schmid, „Emberi észlelés az áramlás és a megjelenés orientált hisztogramjaival”, In ECCV, vol. II, 2006. pp. 428^141.

106. N. Dalai, B. Triggs, „Histograms of Oriented Gradients for Human Detection”, 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 spatial-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, 2007 pp. 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. EGYESÜLT ÁLLAMOK. 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 idővel tömörített mozgási jellemzők használatával // In CIVR "07: Proceedings of the 6th ACM International Conference on Image and Video Retrieval, NY, USA, 2007. - 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, To Learning a hierarchy of discriminative space-time szomszédsági jellemzők 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.-878-885.

133. Lew M. S., Sebe N., Djeraba C. és Jain R. „Tartalom alapú multimédiás információ1 visszakeresés: A technika állása és kihívások”, 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 térbeli-időbeli érdekű operátorok // 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. Videóblokk 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 szövegek csak tájékoztató jellegűek, és eredeti disszertációszöveg-felismeréssel (OCR) szerezték be. Ezért tökéletlen felismerési algoritmusokhoz kapcsolódó hibákat tartalmazhatnak. Az általunk szállított szakdolgozatok és absztraktok PDF-fájljaiban nincsenek ilyen hibák.

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 (SDO) modellezésének kérdéseit gyengén formalizált témakörökben 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 különféle eszközeinek integrálását, közös logikai és elemző adatfeldolgozást, valamint a rendszer állapotának helyzetelemzését. a vizsgált objektum szakértői ismeretek felhasználásával és a térképészeti információk felhasználásával végzett LMS jellemzőiben a tér-időbeli függőségek figyelembevételével.

Kulcsszavak:

fogalmi modell, térdinamikai objektum, szemiotikai formarendszer.

Bevezetés

Ez a cikk az LMS modellezésének kérdéseit vizsgálja gyengén formalizált tantárgyi területeken. A szerkezeti összetettség mellett az LMS sajátossága, hogy működésük eredménye jelentősen függ az alkotóelemeik térbeli jellemzőitől és az időbeliségtől.

Az LMS modellezésekor figyelembe kell venni sokféle információ-, pénzügyi, anyag- és 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 összpontosítást, ami viszont a szakértői tudás formalizálásának megfelelő eszközeinek megteremtésével és a modellezési rendszerbe való integrálásával jár. . Ezért a modern modellezésben egy ilyen koncepció, mint konceptuális tartománymodell (CMDO) szerepe jelentősen megnőtt. A KMPO alapja nem az adatátvitel és -átalakítás algoritmikus modellje, mint az analitikus modelleknél, hanem egy objektum szerkezetének és alkotóelemeinek kölcsönhatásának deklaratív leírása. Így a KMPO kezdetben a szakértők tudásának formalizálására összpontosít. A KMPO-ban definiálják a vizsgált tárgykör elemeit és ismertetik a közöttük lévő kapcsolatokat, amelyek meghatározzák az adott vizsgálat keretein belül jelentős struktúrát és ok-okozati összefüggéseket.

A jelen munkában bemutatott szituációs modellezési rendszer (SMS) egy faszerű szituációs koncepcionális modellen (SCM) 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 tudás reprezentációs és feldolgozó modelljének fő előnye az egységes formális eljárás megléte a tételek bizonyítására. Ez azonban egyúttal ennek a megközelítésnek a fő hátrányát is magában foglalja - a konkrét problémakörnyezet sajátosságait tükröző heurisztika használatának nehézségét a bizonyítás során. Ez különösen fontos szakértői rendszerek kiépítésénél, amelyek számítási teljesítményét elsősorban a szakterület sajátosságait jellemző ismeretek határozzák meg. A formális rendszerek további hátrányai közé tartozik a monotónia (a következtetések lemondásának képtelensége, 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)). (1)

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

A helyzetmodellezés alapjai

A probléma felállítása és a modellezési folyamat előkészítése során a KMPO a vizsgált tárgykör szerkezetére vonatkozó ismereteket hivatott reprezentálni. A KMPO-elemek esetében megfelelés van a valós világ objektuma és annak modellábrázolása között. A modellezés további szakaszainak automatizálásának biztosítására a tantárgyi terület modelljét egy ahhoz megfelelő formális rendszerre képezik le. Ez az átmenet a CMPO felépítése során valósul meg úgy, hogy minden eleméhez egy bizonyos formai leírást rendelünk. Ennek eredményeként a CMPO felépítésének befejezése megfelel az átmenetnek a vizsgált témakör informális ismereteiről azok formális reprezentációjára, amely csak egyértelmű eljárási értelmezést tesz lehetővé. Az így létrejött formális modell deklaratív jellegű, mivel elsősorban az objektumok és folyamatok összetételét, szerkezetét és kapcsolatait írja le, függetlenül attól, hogy számítógépen milyen konkrét megvalósítási módot alkalmaznak.

Az SCM leírására szolgáló deklaratív nyelv két részből áll: a leírt világ objektumainak megfelelő részből, valamint a modellben bemutatott 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

szabadnapnak nevezték. Az adatok a rendszer állapotát jellemzik. Ezeket a folyamatok megvalósításában használják, és 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 folyamat végrehajtója megírja, illetve 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 további meghatározására szolgálnak, valamint az „iteráció” típusú hierarchikus kapcsolattal rendelkező adatokhoz.

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

Az SCM hatékonyságának fontos szempontja a szimulációs eredmények bemutatásának kényelmessége. Jelenleg az LMS osztályú objektumok számítógépes kutatásának legígéretesebb környezete a földrajzi információs rendszer (GIS). A térinformatikai eszközök a fejlett vizualizáció és az adatok grafikus feldolgozása mellett elvileg lehetővé teszik a térben összehangolt számítások feladatainak megfogalmazását felhasználóbarát grafikus környezetben, bár ez további szoftverfejlesztést igényel. Ráadásul a térinformatikai csomagokat nem egy objektum dinamikájának elemzésére és az adatok komoly matematikai feldolgozására tervezték.

A GIS másik előnye a vizsgált probléma keretein belül, hogy a grafikus attribútumokkal ellentétben minden grafikus elemhez további adatbázismezők rendelhetők, amelyeket külső számítástechnikai modulok módosíthatnak. Ezek a mezők különösen az adott elemhez kapcsolódó koncepcionális 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)

A 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-állandók, akkor az ilyen adatokat paraméternek (PAR kategória), a numerikus értékeket pedig változónak (VAR kategória) nevezzük, és bizonyos funkciók végrehajthatók rajta. matematikai műveletek. Ha a számítás eredménye egy változó értéke, akkor azt a legközelebbi értékre kerekíti az érvényes értékek listájában. A jövőben, ha a fentiek az SCM-ben engedélyezett bármely típusú adatra vonatkoznak, az „adat” kifejezést használjuk. Így az adatnevek halmaza változó- és paraméternév-készletekre oszlik:

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

7 7 k l 7 v 7 (2)

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

Az adatok modellezik az objektumok vagy folyamatok erőforrásait (mennyiségi jellemzőit) (RES kategória), a változók az SCM elemek működésének minőségére (ADJ kategória) függvények (kritériumok) hangolási paramétereiként is használhatók. Ennek megfelelően a változónevek halmaza fel van osztva az SCM-elemek erőforrásneveinek részhalmazára, valamint ezen elemek minőségi kritériumainak beállítási paramétereinek nevének egy részhalmazára:

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

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

Az SCM objektumoknak három fő jellemzője van: egy név, egy funkcionális típus, amely meghatározza az objektum szerkezetét és funkcióit, és az SCM helyességének elemzése során használatos, valamint annak a szuperobjektumnak a neve, amely ezt az objektumot uralja az SCM-ben ( hiányzik a legfelső szintű objektumnál). Az objektumfán és a térképen elfoglalt helyzetük szerint az SCM objektumok három kategóriáját különböztetjük meg: primitívek (LEAF kategória), amelyek a globális modellezési cél szempontjából szerkezetileg oszthatatlanok, elemi objektumok (GISC kategória), amelyek földrajzilag kapcsolódnak az objektumokhoz. egy térinformatikai elem (poligon, ív vagy egyes -borítások pontja), és összetett objektumok (COM kategória), amelyek elemi és/vagy összetett objektumokból állnak. A GISC kategóriájú objektumok szerkezete az SCM-ben meglehetősen összetett lehet, de mindegyik alobjektumnak ugyanaz a földrajzi elhelyezkedése. Az objektumok halmaza hierarchiát alkot:

О = (а 0Уа)::=2°а, (4)

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

vb = 1, Nb - az objektum sorozatszáma a dekompozíció szintjén;

r = 1, N6_ - annak a szuperobjektumnak a sorszáma, amely egy adott elemet a fedő szinten dominál;

Névjegy - a szinthez tartozó objektumok halmaza.

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

ÉS ÉN. Friedman

Az SCM koherenciájának biztosítására feltételezzük, hogy létezik egyetlen szuperobjektum, amely uralja a dekompozíció első szintjének összes objektumát, vagyis a következő összefüggés érvényes:

O. -i0.”) 0, = (5)

Az SCM-ben lévő folyamatok adattranszformációkat jelenítenek meg, és különféle módon valósulnak meg a folyamathoz rendelt következő három kategória valamelyikétől függően: belső folyamatok (BELSŐ kategória), minden bemeneti és kimeneti adatuk egy objektumhoz tartozik; belső szintű folyamatok (INTRA kategória), amelyek egymásnak nem alárendelt SCM objektumokat kapcsolnak össze; szintközi folyamatok (INTER kategória), amelyek leírják az adatátvitelt egy objektum és alobjektumok, illetve egy objektum és egy szuperobjektum között. A folyamatok bevezetett kategorizálása némileg bonyolítja az SCM létrehozásának folyamatát (bizonyos esetekben szükség lehet ilyen tipizálást biztosító fiktív folyamatok létrehozására), de lehetővé teszi az SCM formális ellenőrzési eljárásainak sokkal teljesebbé és részletesebbé tételét.

A folyamatok főbb jellemzői: egyedi név, a folyamatvégrehajtó jellemzői és a folyamat funkcionális típusa, amely meghatározza az általa végrehajtott transzformációk típusát és az SCM helyességének elemzése során használatos; Ezenkívül a rendszer a bemeneti és kimeneti adatok listáját, valamint a megengedett határértékeket használja. A folyamat végrehajtója határozza meg annak dinamikus tulajdonságait és a megvalósítás módját a számítógépben. A végrehajtó megadható közvetlenül (differenciálegyenlet formájában), vagy közvetetten - a folyamatot megvalósító szoftvermodul nevére hivatkozva.

A fogalmi modell sémáját a sor képezi:

^SSM::=<о,P,DCM,H,OP,PO,U >, (6)

ahol O a KMPO objektumok halmaza (9);

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

DCM a D-vel a koncepcionális modell adatkészlete, ahol D a (4), (5) pontokban van meghatározva;

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

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

OP O x B-vel (P) - az „objektum - feldolgozza a kimeneti adatait” reláció, és B (P) a P halmaz egy partíciója;

PO P x B(O)-val - a „folyamat – objektumok létrehozva a bemeneti adatait” kapcsolat;

U::= Up és U0 - egy reláció, amely formalizálja a számítási folyamat SCM-en alapuló vezérlését, a következő formájú összetevőket tartalmazza:

U c P x B(Res) - a „folyamat – ellenőrzési adatok” kapcsolat;

Uo с О x B(Res) - az „objektum - vezérlőadat” reláció.

Az „objektum (folyamat) - vezérlőadatok” kapcsolat egy adatot társít a modell egy bizonyos objektumához (folyamatához), amely tovább definiálja ezt az objektumot, amikor egy algoritmikus értelmezésre lép. 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 O x B(P) „objektum - hozzárendelt folyamatok” reláció írja le. Ez az összefüggés nem szerepel a diagramon

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

A fogalmi modell értelmezése...

SCM, mivel a H, OR és RO relációkkal ellentétben ezt nem a felhasználó adja meg a modell felépítésekor, hanem automatikusan generálódik.

A modellben definiált relációk kényelmesen ábrázolhatók függvények formájában (7), részben az O és P halmazokon definiálva, B(P), B(O) vagy B"(Ob) értéktartományokkal. Nevek

A függvényeket a relációk nevében a nagybetűknek megfelelő kisbetűk jelzik:

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

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

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

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

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

Jelöljük a függvények (7) értékkészleteit, amelyek a bevezetett relációk értéktartományának szakaszait alkotják definíciójuk tartományának valamely eleme mentén. kiemelten:

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

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

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

A (8)-hoz hasonlóan a bevezetett relációk szakaszai definíciós tartományaik részhalmazaira vannak írva, amelyek az összes szakasz uniójaként vannak kialakítva ezen részhalmazok elemei fölött. Például h (Oi), ahol Oi c O6_x, az a szinten lévő 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.

A kifejlesztett algoritmusok az SCM elemekhez kategóriák hozzárendelésére a fent leírt kapcsolatokat használják, és mindegyiket azonosítják lehetséges hibákat modellelemek kategorizálása. Az SCM-elemek előadóinak kinevezésének helyességének ellenőrzésére szolgáló eljárások a következő megszorításokat alkalmazzák (a bizonyítékok itt találhatók).

Tétel 1. A végső SCM-ben nem mehet végbe az objektumvégrehajtó típusok rekurzív dekompozíciója, vagyis egy bizonyos objektum alárendeltségi halmazában szereplő egyetlen objektumnak sem lehet az eredeti objektummal azonos típusú végrehajtója.

2. Tétel. Egy véges SCM-ben az objektumvégrehajtók alárendeltségének megfordítása nem mehet végbe, vagyis egy e1 típusú végrehajtóval rendelkező objektum alárendeltségi halmazában szereplő objektumnak sem lehet ugyanolyan típusú végrehajtója, mint bármelyik másiknak. olyan objektum, amelynek alárendeltségi halmaza bármilyen objektumot tartalmaz e1 típusú végrehajtóval.

Az SCM megoldhatóság szabályozásának elvei

A helyes, az SSM-ben elfogadott szabályoknak megfelelő modell felépítése nem garantálja, hogy ez a modell megoldható, vagyis minden benne deklarált probléma megoldható. Általános esetben a megoldhatóság azt jelenti, hogy a modellobjektumok egy bizonyos részhalmaza, amelyet célként definiálunk, elérhető egy másik, forrásként definiált objektumrészhalmazból. A megoldhatóság két fő szempont szerint vehető figyelembe: a teljes modell egészének elemzésekor (a számítások megkezdése előtt) következetességet és egyértelműséget jelent a hierarchia különböző szintjein a globális cél elérésére vonatkozó összes elfogadható lehetőség leírásában, ill. a folyamat

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

ÉS ÉN. Friedman

A modellezés megvalósításakor a megoldhatóság abban áll, hogy biztosítjuk a vizsgált helyzetet leíró modell megfelelő töredékének kiválasztását. A felsorolt ​​szempontok közötti funkcionális különbség az, hogy a teljes modell elemzésekor csak a modellben leírt összes objektum modellezésének lehetséges lehetőségét értékelik, egy konkrét helyzet elemzésekor pedig további feladatokat tűznek ki az adott helyzetet leíró minimális töredék kiválasztására. és mennyiségileg hasonlítsa össze a benne foglalt lehetséges alternatívákat . A megoldhatóság második aspektusát tanulmányozzuk, és itt bemutatjuk az SCM egészének megoldhatóságának elemzésének jellemzőit, amely a helyességének ellenőrzése után automatikusan lefut, és a felhasználó kérésére bármikor elvégezhető. . Általánosságban elmondható, hogy a megoldhatósági elemzés problémája a következő formában fogalmazható meg: két modellelem-készlet van feltüntetve - a kezdeti és a cél, és a modell akkor oldható meg, ha van olyan lépéssorozat, amely lehetővé teszi a célhalmaz kinyerését a kezdeti. Erre az egyszerű hullámalgoritmusok alkalmasak.

A eldönthetőség mindkét aspektusának elemzésekor a fogalmi modellt formális rendszerként kezeljük. Az ábécéje a következőket tartalmazza:

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

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

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

A vizsgált formális rendszer képletkészlete forma: 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 kiszámítására, 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 az SSM-ben az egyes objektumok struktúrájának autonómiájára vonatkozó feltételezés következtében a pi előtti folyamatok s(p) halmaza csak az azonos objektumhoz rendelt folyamatokat tartalmazhatja:

s(pi) és оа(оа"1(р1)); (11)

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

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

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

A (9)-(13) kifejezések csak anyagi erőforrásokat tartalmaznak, azaz nem elemzik a beállítási folyamatok kimeneti adatait, ill. Visszacsatolás az SCM információforrásaival kapcsolatos. 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 témakör erőforrásaira vonatkozó ciklusok jelenlétében olyan adatok jelenhetnek meg, amelyeket egy koncepcionális modell felépítése során egyidejűleg kell be- és kimenetként deklarálni valamelyik CMPO folyamathoz. Az SSM-ben elfogadott feltevés szerint az ilyen ciklusok a KMPO objektumok belsejében szerepelnek, vagyis figyelembe kell venni a megoldhatóság folyamatszintű elemzésénél.

Ha az SCM megoldhatóságának elemzésekor a -ban javasolt kiszámíthatósági kifejezést használjuk, amely az SCM formáját ölti:

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

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

A fogalmi modell értelmezése...

akkor nem lehet majd a modellbe olyan erőforrásokat beemelni, amelyek egyidejűleg ugyanannak a folyamatnak a bemeneti és kimeneti adataiként szolgálnak, vagyis a gyakorlatban gyakran előforduló, ismétlődő számítási folyamatok leírására. A kiutat az alábbi, a munkában bizonyított tétel adja.

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

A formális rendszer vizsgált 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); (15)

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

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

ahol szimbólum szerint a szabványos térinformatikai típusok beépítése egy objektum funkcionális típusába hagyományosan jelzi.

A vizsgált formális rendszerben két következtetési szabály van megadva:

közvetlen következmény szabálya -

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

szabály követése egyenlőséggel -

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

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

A leírt formális rendszer felépítése hasonló a ben javasolt rendszer felépítéséhez. Lényeges különbség a (10), (12), (13) kiszámíthatósági kifejezések típusa és azon axiómák összetétele, amelyek alapján a fogalmi modell megoldhatóságát elemzik.

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

Definíció 1. Az SCM akkor és csak akkor oldható meg, ha a modell minden elemére, amely nem szerepel az axiómahalmazban, a (10), (12), (13) formájú kiszámíthatósági kifejezéseket alkalmazzuk az axiómákra és már bizonyított 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 elemzésekor, amely az 1. definíció szerint a tételek automatikus bizonyítására szolgáló módszerek egyik fajtája, a „következtetési mechanizmus” fogalmát használjuk, jelen esetben ez egy módszer, egy következtetési szabályok alkalmazására szolgáló algoritmus (17). , (18), hatékony bizonyítást nyújtva a vizsgált formális rendszer T tételeinek halmazából (vagyis szintaktikailag helyesen megszerkesztett formulákból) minden szükséges képlethalmazra. A következtetés megszervezésének legegyszerűbb módja egy „streaming” mechanizmus, amelyben a bizonyítottnak tekintett A képletkészlet, amely kezdetben megegyezik az axióma halmazával (A1 = A), a következtetési szabályok alkalmazása következtében kibővül. . Ha egy idő után T A", akkor a modell megoldható, 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 szakaszok 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 megszerkesztett helyes koncepcionális modelleknél a modell egészének megoldhatóságának elemzése az INTRA kategória egyes folyamatsablonjainak, valamint az aggregációs folyamatoknak a megoldhatóságának elemzésére vezethető vissza. azt.

A helyzetek kezelése

A helyzetkezelés elmélete felhívja a figyelmet annak alapvető fontosságára, hogy eljárásokat dolgozzanak ki a helyzetleírások általánosítására azok osztályozása alapján, pragmatikailag fontos jellemzők halmazával, amely önmagában is szintézis tárgyát képezi. A helyzetkezelésben a fogalmak kialakításának és osztályozásának alapvető jellemzői a következők:

A helyzetelemek közötti kapcsolatok szerkezetén alapuló általánosító eljárások jelenléte;

Képes az egyes fogalmak és helyzetek megnevezésével dolgozni;

A helyzetek osztályozásának valamilyen alapon történő összehangolásának szükségessége a hatások (kontrollok) halmazán alapuló osztályozással.

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

Készülék a helyzettípusok szintézisére és elemzésére, különösen az optimális elégséges helyzetekre, amely az SCM különböző szintjein az ellenőrzési tevékenységek koordinációjával és koordinálásával kapcsolatos kérdések megoldására összpontosít;

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

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

Szituációtípusok szintézise és elemzése. A helyzetek SSM-hez kifejlesztett algoritmusokkal történő osztályozása eredményeként számos helyzetosztály jön létre, amelyeket különféle döntéshozó objektumok (DMO) és töredékek különböző levélobjektumai számára kapnak. Az SMS-ben történő osztályozás eredményeivel kapcsolatos ismeretek felhalmozása érdekében javasolt a helyzetleírások általánosítására szolgáló eszközök használata e helyzetek szintetizált típusai szerint. Ez a módszer általános ajánlásokat ad a helyzetek hierarchikus leírásának felépítéséhez a helyzetkezelési rendszerekben. A teljes szituáció leírásához hasonlóan minden elégséges szituáció általánosított leírása készül a benne szereplő levélobjektumok felsorolása és az OPD alapján, amely az SCM objektumok dekompozíciójának faszerűsége miatt egyedileg határozza meg azt. . A leírások hierarchiájának első szintjén lévő helyzet általánosított leírásának szintetizálására ugyanazt az eljárást alkalmazzuk, amely biztosítja az objektumok végrehajtóinak típusainak 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)

A fogalmi modell értelmezése...

az elégséges helyzet egyedi típusa, kiegészítve az osztályának sorszámával és az ebben az osztályban szereplő számmal. Ellentétben a lexikográfiai sorrenddel, amelyet az objektumvégrehajtó típusok generálásakor használnak, itt a szituációban szereplő objektumok típusai az objektumfán elfoglalt helyzetük szerint vannak rendezve (4). Egy osztály sorszámát az ebben az osztályban domináns erőforrás száma határozza meg, az ODA kimeneti erőforrásainak listája szerint, egy osztályon belüli helyzet sorszámát pedig az osztály preferenciája. Ennek az osztálynak az optimális elégséges helyzete 1-es számot kap. Természetes, hogy a helyzetek abszolút osztályozási skálájának tekintjük a helyzetek globális minőségi kritérium szerinti besorolását, vagyis a dominanciát biztosító helyzetek egy adott osztályába való besorolását. a globális SCM objektum egyik kimeneti paraméterének általánosított költségek szerint, amelyeket ebben az elégséges helyzetben az ODA kritérium minősége szerint számítanak ki. A helyzettípus felépítésénél az első kulcs az osztályon belüli sorozatszám, ezután jön az OPR szám, majd a levélobjektumok listájának típusindexei, 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 az ún. az ellenőrzések koordinálása 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 az SCM-ben a helyzetek beírásának fenti módszeréből következik, az egy CMPO-fragmens által osztályozott elegendő helyzet leírása minőségileg különbözik a levélobjektumaik listáiban, amelyek együttesen partíciót alkotnak a teljes helyzet levélobjektumainak halmazában. a töredék felépítése. 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 valószínűségekké való konvertálásához hasonló képletek szerint a pozitív példák jelenléte a megfelelő szabály feltételes valószínűségének növekedéséhez vezet, és a növekedés mértéke arányos a szabályban használt helyzetek sorszámaival. ez a példa, és a negatív példák jelenléte ugyanolyan mértékben csökkenti a szabály feltételes valószínűségét. Az általánosítás első szakaszának vége után a 0,5-nél kisebb valószínűségű szabályokat elutasítjuk.

Az általánosítás második szakaszában hasonlóságokat találunk a különböző szintű helyzetek között. Ugyanezt az általánosítási mechanizmust alkalmazzuk, de a szintetizált szabályok tükrözik az alacsonyabb szintű bomlási szint elégséges helyzeteinek előfordulásának feltételes valószínűségét, mint a magasabb szintű elégséges helyzetek, és különösen a globális elégséges helyzetek előfordulásának feltételes valószínűségét azáltal, hogy felmérik az egyes típusú bomlástípusok előfordulási gyakoriságát. mögöttes helyzetek a túlzott helyzetek típusaiban. Ily módon a különböző szintű OPD-re összeállított helyzetosztályok összehasonlítására tesznek kísérletet, 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 megjelöli azokat a helyzeteket, 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 SSM-ben tárolódik, és vezérlőképletként használatos a helyzetek osztályozása során. Meg kell jegyezni a kifejlesztett valószínűségi következtetési mechanizmus még egy jellemzőjét - azt a képességet, hogy csökkentse a forrásadatok hibáinak hatását a helyzetek általánosításának eredményeire, figyelembe véve a helyzet hibás osztályozásának valószínűségét egy vagy másik osztályba. Tekintsük a használatának 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 ciklusai, akkor amikor a ciklusban részt vevő bármely erőforrás aktuális értéke megváltozik, az elégséges helyzet osztálya, ahol ennek az erőforrásnak a költségeit kiszámítják, jelentősen megváltozhat, ami a szerző véleménye szerint , sérti az osztályozási és általánosítási eljárások stabilitását. Javasoljuk az általánosítási eljárásokból az ilyen helyzetek kizárását, amelyekre az SMS az eredmények esetleges modellezési hibáktól való függőségét ellenőrző eljárások alkalmazását javasolja. Ha egy bizonyos SCM-erőforrás modellezési hibáinak hatásának elemzésekor az OPR kimenetén a költségváltozások részarányának többlete derül ki az erőforrás aktuális értékében a tesztváltozás részarányához képest, ilyen Az erőforrás megbízhatatlannak minősül, a meghibásodás valószínűségét az osztályozáshoz való felhasználáskor az említett többlet mértékével arányosnak tekintjük. 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, és ennek következtében a helyzetek beszámításának valószínűségének csökkenéséhez vezet. megbízhatatlan erőforrás bevonása az optimális vagy nagyon előnyös kategóriában.

A tér-idő függőségek elemzése. A téridő függőségekkel való munka a téridő függvények könyvtára (STF) segítségével történik - szoftver modulok, amely az aktuális kéréshez releváns információk kiválasztását biztosítja a megfelelő forrásadatbázisokból (SDB), ezen információk bevitelét a fő adatbázisba, és feldolgozza, hogy döntést hozzon a kérést képező 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 felületét szervezi, egy programot a lekérdezések eredményeinek a fő adatbázisba írásához, valamint egy program a lekérdezések eredményeit értelmező programból. Ebben az esetben a tárgyterület megváltoztatása csak a BID illesztőprogramok módosításának szükségességét vonja maga után.

Minden PVF rendelkezik logikai típusú kimenettel, 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)

A fogalmi modell értelmezése...

Az INTERVAL idő függvény támogatja az előzményadatok egy bizonyos 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>az ellenőrzési intervallum kezdeti és utolsó pillanatai rendre be vannak állítva (a múltbeli távolságuk az aktuális pillanattól);

<доля>meghatározza az elemek minimálisan elfogadható százalékos arányát (számát) az összes elemzett elem közül, amelyeknek meg kell felelniük<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. Ha az értékek egybeesnek<начало>És<конец>csak egy múltbeli időpontot veszünk figyelembe.

Következő funkció lehetővé teszi a tárolt adatok ideiglenes kötését

a kérelemben 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 felírva:

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 az SSM alkalmazása során 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)

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

A PVF csak az ES szabályok és vezérlőképletek IF részeiben használható. Mivel minden PVF-nek van logikai típusú kimenete, megengedett a különböző PVF-ek egyszeri egymásba ágyazása, azaz az űrlap lekérdezése

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

Ilyenkor a BID driver generál egy kérést, mely szerint először a legbelső PVF-nek megfelelő elemek kerülnek kiválasztásra, majd a külsőbbnek megfelelő elemek stb. A kiválasztott elemek jellemzői átíródnak az adatbázisba (ezt az információt használjuk a magyarázat módban), az értelmező kiszámítja a PVF kimeneti értékét, amely bekerül a szabálybázisba. A beágyazott lekérdezések a leginkább érdekesek, mert

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

ÉS ÉN. Friedman

lehetővé teszik a PVF-ek 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 slotokhoz<условие>

És<параметры_сходства>logikai feltételeket és az SCM-elemek különféle jellemzőit tartalmazhatja, beleértve ezen elemek típusait és kategóriáit. Az SMS nem biztosít automatikus eljárásokat ilyen szabályok generálására, azokat a felhasználó állítja össze, és a bennük lévő valószínűségeket a besorolás során a fent leírtak szerint újraszámolja.

Következtetés

Az LMS modellezése során felmerülő különböző típusú helyzetek bevezetett formális definíciói alapján kidolgozásra került annak hierarchikus modellje, amely magában foglalja: formális rendszert - SCM és a vele integrált ES - egy halmazzal. alapelemek(7)-(10), szintaktikai szabályok összessége egyes SCM-elemek generálására mások által (7), (8) típusú relációk formájában, axiómarendszer (15), (16) és következtetés formájában szabályok (17), (18), valamint e formális rendszer összetevőinek megváltoztatására vonatkozó szabályok a modellezés céljaitól és a kutatási objektum aktuális helyzetétől függően, amelyeket az SCM megfelelő töredékeinek kiválasztásával és a kimenet ellenőrzésével határoznak meg. az ES SCM. Az SCM szemiotikai (jel) modellekre utal, mivel a logikai transzformációs szabályok három csoportját fejleszti ki - a helyzetek feltöltését, osztályozását és általánosítását.

A javasolt modell különbségei az LMS tanulmányozására összpontosító eszközök integrálása, amely lehetővé teszi a vizsgált objektum állapotának közös logikai és analitikus adatfeldolgozását, helyzetelemzését szakértői ismeretek felhasználásával és a tér-idő függőségek figyelembevételével. az LMS jellemzői, térképészeti információk felhasználásával.

IRODALOM

1. Kuzmin I.A., Putilov V.A., Filchakov V.V. Elosztott információfeldolgozás a tudományos kutatásban. L.: Nauka, 1991. 304 p. 2. Tsikritzis D., Lokhovsky 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 pp. 6. Poszpelov D.A. Helyzetkezelés: elmélet és gyakorlat. M.: Nauka, 1986. 288 p. 7. Mitchell E. ESRI Guide to GIS Analysis. 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; e-mail: fridman@iimm. kolasc.net.ru

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

Létezik egy modell, amely összekapcsolja és harmonizálja a személy két, első pillantásra távoli leírását - pszichofizikai és transzperszonális. Ez a modell hosszú múltra tekint vissza, és mély kutatáson és gyakorlati tapasztalatokon alapul, amelyeket közvetlenül a tanártól a diákhoz adnak át. A Hagyomány nyelvén, amelynek képviselői e könyv szerzői, ezt a modellt térfogati-térbeli modellnek nevezik (amelyről az első fejezetekben többször is szó esett). Van néhány párhuzam a térfogati-térbeli modellben az ember más ősi leírásaival (a csakrák rendszere - „finom” testek; „energiaközpontok” - „tudatsíkok” stb.). Sajnos az ezekre a modellekre irányuló komoly kutatásokat az esetek többségében felváltotta az a széles körben elterjedt vulgáris elképzelés, hogy a csakrák mint bizonyos térben lokalizált képződmények, és a „finom” testek egyfajta „matrjoska”, amely néhány láthatatlan elemből áll. szabad szemű entitások. A szerzők csak viszonylag kevés modern, józan tanulmányt ismernek ebben a kérdésben [lásd például: Yog No. 20 „Questions of the General Theory of Chakras”, St. Petersburg 1994.]

A jelenlegi helyzet rendkívül kedvezőtlen: a kritikusan gondolkodó szakemberek szkeptikusak a csakrák és a „finom testek” modelljével kapcsolatban, míg mások (néha hosszú pszichológusi vagy pszichoterapeuta tapasztalatuk ellenére is) egyenrangúak a háziasszonyokkal (nem bántják őket) akik tanfolyamokra járnak.” médiumok”, valamint feltöltik a csakrákról és „testekről” szóló legendák hordozóinak seregét, amelyet népszerű brosúrák terjesztenek. Néha a dolgok komikus fordulatot vesznek. Így ennek a könyvnek az egyik szerzőjének volt lehetősége néhány évvel ezelőtt részt venni egy „ezoterikus” elemekkel rendelkező pszichológiai tréningen, ahol egy igen tekintélyes előadó hozzávetőlegesen a következő utasításokat adta az egyik gyakorlathoz: „... Nos, te „horgonyt” helyezni az éteri kezével.” közvetlenül az alsó csakrában lévő klienshez...”, amit a jelenlévők többsége azonnal lelkesen próbált megvalósítani (természetesen nem tovább, mint képzeletében).

Továbbá nem említjük a csakrákat és a testeket, hanem a kötetek és terek nyelvét fogjuk használni. Nem szabad azonban egyértelmű megfeleltetést kötni a kötetek és a csakrák, a terek és a testek között; bizonyos hasonlóságok ellenére ezek a modellek különböznek egymástól; a különbségek viszont nem a kisebb-nagyobb helyesség igényével, hanem a gyakorlat kényelmével függnek össze, amelyet e könyv oldalain mutatunk be.

Térjünk vissza még egyszer a kötetek és terek definícióihoz, amelyeket az 1. és 2. fejezetben adtunk:

Tehát a kötetek nem a fizikai test részei, és nem néhány lokalizált terület. Minden kötet holisztikus pszichofizikai állapot, olyan képződmény, amely a szervezet egészének bizonyos tulajdonságainak egy bizonyos (kongruens) halmazát tükrözi. Energetikai nyelven szólva a Volume az energia bizonyos tartománya, amely az észlelést a fizikai világra összpontosítva szövetek, szervek, idegrendszeri területek stb. kombinációjában nyilvánul meg. Meglehetősen leegyszerűsített változatban minden kötethez megtalálhatja azt a legjellemzőbb funkciót és feladatot, amelyet a szervezetben ellát. . Így a farkcsont-térfogat funkciói a túlélés feladatához köthetők annak minden formájában (fizikai, társadalmi, lelki), megnyilvánulása, születése, kialakulása... Az urogenitális kötet funkciói a jóléthez, a bőséghez, a termékenységhez kapcsolódnak. , fejlődés és szaporodás, sokféleség és bőség.. Az Umbilical Volume számára a fő feladatok (értsd – energiatartomány) a rendezés, strukturálás, irányítás és összekapcsolás. Stb. Egyelőre nem a Volumes konkrét funkcióira leszünk kíváncsiak. és a velük való munka általános mechanizmusai.

Minden tapasztalatot, minden élményt elsősorban egyik vagy másik Köteten keresztül érzékelünk. Ez minden tapasztalatra vonatkozik - ha ezt vagy azt a tapasztalatot szeretnénk aktiválni, akkor ez vagy az a kötet felizgat, és elkezdjük érzékelni a világot „rajta keresztül”. A pszichoterápiás munkával kapcsolatban, amikor a terapeuta a kliens bizonyos tapasztalataival foglalkozik: „problémás” vagy „erőforrás”, megpróbál dolgozni a „személyiség egy bizonyos részével”, ezáltal a páciens tudatát egy bizonyos területre összpontosítja. vagy egy másik kötet (Egyébként csak a három alsó kötet funkcióit említettük röviden, mert a figyelem valódi produktív összpontosítása a felső kötetekben rendkívüli jelenség - nem minden olyan egyszerű, mint a könyvekben le van írva). Ugyanez vonatkozik a Spaces-re is. Emlékezzünk vissza, hogy a terek olyan észlelési sémák, amelyek az észlelés „finomságának” szintjeit tükrözik. Ugyanaz a kötet az észlelés különböző szintjein a maga módján nyilvánul meg, fenntartva fő feladatait. Így például a köldöktérfogat az események terében számos olyan szituáción keresztül nyilvánul meg, amelyekben az ember valamit összekapcsol valamivel, szervez, irányít stb., a nevek terében - ugyanaz a kötet a sematizáláson keresztül nyilvánul meg. . modellezés, gondolatok és világnézetek rendbetétele, tervek készítése stb., a Reflexiók terében a teljes érzelmi spektrumot is színesítik a jelen Kötetnek megfelelő feladatok.

Az emberi test térfogat-térmodellje hagyományosan diagram formájában ábrázolható (3. ábra).

3. ábra. Térfogat-térmodell.

A diagramon (3. ábra) jól látható, hogy minden Tér lefedi az energia teljes spektrumát egy bizonyos „finomság” szintjén, ahol minden Térfogat egy „szektor”, amely egy bizonyos energiatartományt jelöl ki.

Tehát – a Volumetrikus-Térbeli Modell lehetővé teszi számunkra, hogy kiemeljük az Emberben és a Világban az energia különböző minőségeit, amelyeket dinamikus energiastruktúrákként érzékelünk. Az érzékelésben ezek az energiaminőségek sokféle tényező bizonyos kombinációján keresztül nyilvánulnak meg:

élettani folyamatok (mechanikai, termikus, kémiai, elektrodinamikai), az idegimpulzusok dinamikája, bizonyos modalitások aktiválódása, az érzelmek és a gondolkodás színezése, események kombinációja, sorsok összefonódása; a megfelelő „külső” viszonyok: földrajzi, éghajlati, társadalmi, politikai, történelmi, kulturális...

Az energia áramlik.

A 3. ábrán látható diagram. energiamodellt ad nekünk az emberi testről. Ebből a szempontból az ember egész élete, mint ennek az energiának a megnyilvánulása, tervezése vagy az önészlelés dinamikája, egy bizonyos „minta” mozgás-pulzálása formájában ábrázolható egy diagramon, ahol minden időpillanatban aktiválódnak az energiaspektrum bizonyos területei (.4. ábra).

Az önészlelés és az energia mozgásának dinamikája azonban nem olyan önkényes és változatos egy hétköznapi ember számára. Vannak olyan területek, ahol az észlelés úgymond állandó és meglehetősen stabil, a spektrum egyes területei csak alkalmanként és különleges körülmények között érhetők el. Vannak olyan területek, amelyek az egész életen át gyakorlatilag elérhetetlenek a tudatosság számára (egyénenként más: az egyik ember számára a jelentésélmény elérhetetlen, a másik ember egész életében nem tapasztalta meg igazán a testét, a harmadik nem képes megtapasztalni egy bizonyos tulajdonságot érzelmek, események, gondolatok és így tovább).

A mozgás legvalószínűbb pályáját, az észlelés és a tudatosság rögzítéseit a Domináns határozza meg. Világossá válik, hogy ahhoz, hogy elszakadjunk ettől a legvalószínűbb pályától és stabil észlelési pozícióktól, némi plusz energiára van szükség, és ami a legfontosabb, arra a képességre, hogy ezt az energiát a megfelelő irányba tereljük, hogy ne essen bele a kialakult helyzetbe. sztereotip csatorna.

t'

t"

t"'

4. ábra. Az észlelés dinamikája időben.

Ez magyarázza a nehezen hozzáférhető és az észlelés és a tudatosság számára elérhetetlen tartományok jelenlétét – általában az ember nem rendelkezik ezzel a többletenergiával; csak néha szabadulhat fel valamilyen rendkívüli, leggyakrabban stresszes körülmény következtében, ami lehetővé teszi, hogy az észlelés egy korábban elérhetetlen tartományba kerüljön (az észlelés ilyen hirtelen eltolódása új képességek megjelenéséhez vezethet az emberben, normál állapotban elérhetetlenek).

Ha visszatérünk az Integritás fogalmához, akkor most egy másik oldalról is megvizsgálhatjuk: Az integritás megvalósítása az Egyéni Szféra megvalósulása, azaz az Egyéni Szféra megvalósulása. olyan helyzet, ahol az észlelés szabadon, átfogóan mozoghat Minden energiatartományok, mereven rögzített pozíciók és egyedileg meghatározott pályák nélkül.

A helyzet részletesebb leírásához utalnunk kell a koncepcióra Energia-áramlás. Az energiaáramlás mozgás, érzékelési pontimpulzus kialakulása a térfogati-térbeli energiarendszerben. Mondhatjuk ezt is: Az energiaáramlás az Egyéni Szféra különböző területeinek dinamikus összekapcsolása egy közös energiatartomány (például egy modalitás) mentén.

„A világgal való folyamatos párbeszédben az ember (I.S.) szinte minden „kívülről” érkező jelre reagál az energiaáramlások mozgása által. Sőt, az I.S. jelentősen meghaladja az érzékszervi észlelés küszöbét. Ennek megfelelően sok tudattalan reakció van.

Az I.S. személyi deformációjának sajátosságai állandó jellegzetes egyéni energiaáramlásokat hozzon létre. Amit érzeteknek, érzelmeknek, gondolatoknak, testmozgásoknak és sors viszontagságainak, emlékeinek, jövő vetületeinek, betegségeknek, kultúra és világnézet sajátosságainak ismerünk – mindez (és még sok más) az energiaáramlások mozgása.”

Feltételesen megkülönböztethetünk konstruktív és destruktív energiaáramlásokat. Konstruktív E. - az észlelés dinamikája, hozzájárulva az I.S. deformációinak megszüntetéséhez. – merev, domináns szerkezetek. Destruktív E. - az észlelés dinamikája, amely hozzájárul az I.S. új deformációinak megjelenéséhez vagy a meglévő deformációk megerősítéséhez.

Az energiaáramlások dinamikáját pedig egy többtényezős dinamikus folyamatnak fogjuk nevezni, amely az ember észlelését egyik állapotból a másikba viszi át (az energiaáramlások dinamikájára az 5. ábrán látható egy példa).

Egy egész szervezetben bármilyen energiaáramlás lehetséges, amely számára ez (a szervezet) abszolút átlátszó és átjárható. Az energiaáramlások dinamikája ilyen esetekben átviheti az érzékelést bármely pozícióba. (Ez egyenértékű azzal, amit az 1. fejezetben végponttól végpontig terjedő tudatosságnak neveztünk.)

Az energiaáramlások dinamikája többtényezős folyamat, mivel bármely állapot számos tényező kombinációjaként nyilvánul meg (például bizonyos érzések, mozdulatok természete, arckifejezések, hangparaméterek, bizonyos érzelmek stb.). Az energiaáramlások dinamikája az egyik állapotot a másikba alakítja (pontosabban ez egy folyamat - az állapotok folyamatos változása), és ennek megfelelően változhatnak bizonyos tényezők és paraméterek, amelyeken keresztül az energiaáramlások megnyilvánulnak.

5. ábra. Példa az energiaáramlások dinamikájára, amely az észlelést egy szigorúan lokalizált szerkezetű állapotból (A) egy holisztikusabb állapotba (D) alakítja át, egy téren belül

Ha most a pszichoterápia felé fordulunk, a következőket találjuk:

A páciens az észlelés egy bizonyos állapotában van (amelyet Dominánsa határoz meg), ami nyilvánvalóan nem holisztikus, energiájában szigorúan lokalizált struktúrák vannak, ami nem teszi lehetővé az észlelés más pozíciókba való áthelyezését. A helyzetből való kilábalás érdekében be kell állítani az energiaáramlásokat, amelyek lehetővé teszik egy másik állapotba való átállást, amelyet a páciens pozitívabbnak fog fel. Általában itt ér véget a pszichoterápia.

Ha általánosabb oldalról nézzük, akkor kiderül, hogy a nem-beteg vagy a gyógyult beteg nagyjából nem sokban különbözik a „betegtől”. Az egyetlen különbség az, hogy a „beteg” kényelmetlennek, az „egészséges” pedig többé-kevésbé kényelmesnek, esetleg több szabadságfokkal rendelkezőnek érzékeli állapotát. Ennek azonban semmi köze az integritáshoz, mert... a „beteg” és „egészséges” állapotát pedig rendszerint még mindig az észlelés rögzítésének Dominánsa korlátozza, lokalizálja és beállítja.

Az integritás magában hordozza a lehetőséget független Bármely energiaáramlás feladatait és a Világ teljes, az egész szervezettel egyidejű megtapasztalását.

A dinamikus tárgy egy fizikai test, műszaki eszköz vagy olyan folyamat, amelynek vannak bemenetei, pontjai lehetséges alkalmazás külső hatások, és azok, amelyek észlelik ezeket a hatásokat, és kimenetek, pontok, fizikai mennyiségek értékei, amelyekben az objektum állapotát jellemzik. Egy objektum belső állapotának és állapotát jellemző kimeneti értékek megváltoztatásával képes reagálni a külső hatásokra. A tárgyra gyakorolt ​​hatás és reakciója általában idővel változik, megfigyelhető, pl. megfelelő műszerekkel mérhető. Az objektum belső szerkezete egymásra ható dinamikus elemekből áll.

Ha elolvassa és átgondolja a fenti laza definíciót, láthatja, hogy különálló dinamikus objektum „tiszta” formában, mint önmagában dolog nem létezik: az objektum leírásához a modellnek 4 forrást is tartalmaznia kell. hatások (generátorok):

A környezet és a hatások rá gyakorolt ​​hatásának mechanizmusa

Az objektumnak rendelkeznie kell térbeli kiterjesztéssel

Működés az időben

A modellnek rendelkeznie kell mérőeszközökkel.

A tárgyat érő becsapódás lehet egy bizonyos fizikai mennyiség: erő, hőmérséklet, nyomás, elektromos feszültség és egyéb fizikai mennyiségek vagy több mennyiség kombinációja, a reakció, a tárgy válasza az ütközésre, lehet térbeli mozgás, például elmozdulás vagy sebesség, hőmérsékletváltozás, áramerősség stb.

A dinamikus objektumok lineáris modelljeire érvényes a szuperpozíció (overlay) elve, azaz. egy hatáshalmazra adott válasz egyenlő az mindegyikre adott reakciók összegével, és a hatás nagyarányú változása megfelel az arra adott válasz arányos változásának. Egy hatás több objektumra vagy egy objektum több elemére is alkalmazható.

A dinamikus objektum fogalma tartalmazza és kifejezi az ok-okozati összefüggést a rá gyakorolt ​​hatás és reakciója között. Például egy hatalmas testre kifejtett erő és annak helyzete és mozgása között, között elektromos feszültség az elemre és a benne folyó áramra vonatkoztatva.

Általános esetben a dinamikus objektumok nemlineárisak, beleértve a diszkrétséget is, például gyorsan megváltoztathatják a szerkezetet, amikor a hatás elér egy bizonyos szintet. De általában a működési idő nagy részében a dinamikus objektumok időben folytonosak és kis jelekkel lineárisak. Ezért az alábbiakban a fő figyelmet a lineáris folytonos dinamikus objektumokra fordítjuk.

Példa a folytonosságra: az úton haladó autó időben folyamatosan működő objektum, helyzete az időtől folyamatosan függ. Az idő nagy részében az autót lineáris objektumnak, lineáris üzemmódban működő objektumnak tekinthetjük. És csak balesetek, ütközések esetén, amikor például egy autó megsemmisül, nemlineáris tárgyként kell leírni.

Egy objektum kimeneti értékének linearitása és időbeni folytonossága egyszerűen kényelmes speciális, de fontos eset, amely lehetővé teszi egy dinamikus objektum jelentős számú tulajdonságának egyszerű figyelembevételét.

Másrészt, ha egy objektumot különböző időskálán zajló folyamatok jellemeznek, akkor sok esetben elfogadható és hasznos a leggyorsabb folyamatok diszkrét időbeli változásával helyettesíteni.

Ezt a munkát mindenekelőtt a dinamikus objektumok lineáris modelljeinek szentelték determinisztikus hatások hatására. Tetszőleges típusú sima determinisztikus hatások generálhatók diszkrét, viszonylag ritka additív hatásokkal az adagolt delta függvények befolyásának kisebb származékaira. Az ilyen modellek viszonylag kis hatásokra érvényesek valós objektumok nagyon széles osztályára. Például így jönnek létre a vezérlőjelek számítógépes játékok autó vagy repülőgép vezérlésének szimulálása a billentyűzetről. A véletlenszerű hatások még mindig túlmutatnak a mérlegelés keretein.

Egy dinamikus objektum lineáris modelljének konzisztenciáját különösen az határozza meg, hogy a kimeneti értéke kellően sima, pl. hogy ez és több alacsonyabb idejű deriváltja folytonos-e. Az a tény, hogy a valós objektumok kimeneti mennyiségei meglehetősen simán változnak az idő múlásával. Például egy repülőgép nem tud azonnal mozogni a tér egyik pontjáról a másikba. Ráadásul, mint minden masszív test, ez sem tudja hirtelen megváltoztatni a sebességét, ehhez végtelen erőre lenne szükség. De egy repülőgép vagy egy autó gyorsulása hirtelen megváltozhat.

A dinamikus objektum fogalma nem határozza meg átfogóan a fizikai objektumot. Például, ha egy autót dinamikus objektumként írunk le, megválaszolhatjuk azokat a kérdéseket, hogy milyen gyorsan gyorsul és fékez, milyen simán halad egyenetlen utakon és egyenetlenségeken, milyen hatások érik az autó vezetőjét és utasait, amikor az úton haladnak. , milyen hegyet tud megmászni stb. P. De egy ilyen modellnél nem mindegy, hogy milyen színű az autó, nem számít az ára, stb., amennyiben nem befolyásolják az autó gyorsulását. A modellnek tükröznie kell a modellezett objektum fő tulajdonságait valamilyen kritérium vagy kritériumrendszer szempontjából, és figyelmen kívül kell hagynia a másodlagos tulajdonságait. Ellenkező esetben túlságosan bonyolult lesz, ami megnehezíti a kutatót érdeklő tulajdonságok elemzését.

Másrészt, ha a kutatót az autó színének időbeli változása érdekli, amelyet különböző tényezők, például napfény vagy öregedés okoz, akkor erre az esetre a megfelelő differenciálegyenlet összeállítható és megoldható.

A valós tárgyak, akárcsak elemeik, amelyek dinamikus objektumnak is tekinthetők, nemcsak érzékelik valamilyen forrás hatását, hanem maguk is befolyásolják ezt a forrást, és ellenállnak neki. Egy vezérlő objektum kimeneti értéke sok esetben egy másik, következő dinamikus objektum bemenete, ami viszont az objektum működési módját is befolyásolhatja. Hogy. Egy dinamikus objektum kapcsolatai a külső világgal kétirányúak.

Sok probléma megoldása során gyakran egy dinamikus objektum viselkedését csak időben veszik figyelembe, és térbeli jellemzőit, ha azok közvetlenül nem érdeklik a kutatót, nem veszik figyelembe, kivéve egy a jelkésleltetés egyszerűsített figyelembevétele, amely a forrástól a vevőig terjedő térbeli hatás terjedési idejéből adódhat.

A dinamikus objektumokat differenciálegyenletek (differenciálegyenlet-rendszer) írják le. Sok gyakorlatilag fontos esetben ez egy lineáris, közönséges differenciálegyenlet (ODE) vagy ODE-rendszer. A dinamikus objektumok típusainak sokfélesége meghatározza a differenciálegyenletek, mint univerzális matematikai apparátusok nagy jelentőségét a leírásukban, amely lehetővé teszi ezen objektumok elméleti tanulmányozását (analízisét), és az ilyen elemzések alapján modellek felépítését és építését. az emberek számára hasznos rendszerek, műszerek, eszközök, magyarázzák a körülöttünk lévő világ szerkezetét, legalábbis a makrokozmosz (nem mikro- és nem mega-) léptékében.

Egy dinamikus objektum modellje akkor érvényes, ha megfelelő és megfelel egy valós dinamikus objektumnak. Ez a megfeleltetés egy bizonyos térbeli-időbeli régióra és hatástartományra korlátozódik.

Egy dinamikus objektum modellje akkor valósítható meg, ha létre lehet hozni egy valós objektumot, amelynek viselkedése a hatások hatására egy bizonyos tér-idő tartományban és a bemeneti hatások bizonyos osztálya és tartománya esetén megfelel a bemeneti hatások viselkedésének. modell.

Az osztályok szélessége és a dinamikus objektumok struktúráinak sokfélesége ahhoz a feltételezéshez vezethet, hogy ezek együttesen számtalan tulajdonsággal rendelkeznek. A dinamikus objektumok e tulajdonságainak és működési elveinek teljes sokféleségében való befogadására és megértésére irányuló kísérlet azonban egyáltalán nem olyan reménytelen.

A helyzet az, hogy ha a dinamikus objektumokat differenciálegyenletek megfelelően írják le, és ez pontosan így van, akkor egy bármilyen típusú dinamikus objektumot jellemző tulajdonságkészletet a differenciálegyenletét jellemző tulajdonságok halmaza határozza meg. Elmondható, hogy legalábbis a lineáris objektumok esetében meglehetősen korlátozott és viszonylag kis számú ilyen alapvető tulajdonság létezik, ezért a dinamikus objektumok alapvető tulajdonságainak halmaza is korlátozott. Ezen tulajdonságok alapján és az ezeket tartalmazó elemek kombinálásával lehetőség nyílik dinamikus objektumok felépítésére, amelyek jellemzői sokrétűek.

Tehát a dinamikus objektumok alapvető tulajdonságai elméletileg a differenciálegyenleteikből származnak, és korrelálnak a megfelelő valós objektumok viselkedésével.

A dinamikus objektum olyan objektum, amely érzékeli az időben változó külső hatásokat, és a kimeneti érték megváltoztatásával reagál rájuk. Az objektum belső szerkezete egymásra ható dinamikus elemekből áll. Az objektumok hierarchiáját alulról a legegyszerűbb modellek korlátozzák, és azok tulajdonságain alapul.

A tárgyra gyakorolt ​​hatás, valamint a reakciója fizikai, mérhető mennyiség, lehet fizikai mennyiségek halmaza is, amelyet matematikailag vektorok írnak le.

Amikor dinamikus objektumokat differenciálegyenletekkel írunk le, hallgatólagosan feltételezzük, hogy a dinamikus objektum minden eleme annyi energiát (ilyen energiát) kap és költ el, amennyi a rendeltetésének megfelelő normál működéshez szükséges, válaszul a bejövő hatásokra. Az objektum ennek az energiának egy részét a bemeneti műveletből kaphatja, és ezt a differenciálegyenlet kifejezetten leírja; a másik része származhat harmadik féltől származó forrásból, és nem jelenik meg a differenciálegyenletben. Ez a megközelítés jelentősen leegyszerűsíti a modell elemzését anélkül, hogy torzítaná az elemek és a teljes objektum tulajdonságait. Ha szükséges, a külső környezettel való energiacsere folyamata részletesen leírható explicit formában, és ezek is differenciál- és algebrai egyenletek lesznek.

Egyes speciális esetekben az objektum kimenő jelének összes energiájának (teljesítményének) forrása a bemeneti művelet: kar, masszív test gyorsítása erővel, passzív elektromos áramkör satöbbi.

Általánosságban elmondható, hogy a befolyás a megszerzett energiaáramlás szabályozásának tekinthető szükséges teljesítmény kimeneti jel: szinuszos erősítő, csak ideális erősítő, stb.

A dinamikus objektumok, csakúgy, mint azok elemei, amelyek dinamikus objektumnak is tekinthetők, nemcsak érzékelik a hatást a forrásból, hanem hatnak is erre.