Meghatározás. A dinamikus rendszer keretében olyan objektumként értendő, amely minden alkalommal TT-ben van az egyik lehetséges államban Z-ben, és külső és belső okokból az egyik államról a másikra válthat.
A dinamikus rendszer matematikai objektumként a következő mechanizmusokat tartalmazza:
- - az államok változásának leírása a belső okok hatása alatt (a külső környezet beavatkozása nélkül);
- - A bemeneti jelvétel és az állapotváltozás leírása e jel hatása alatt (Modell átmeneti funkció formájában);
- - A kimeneti jel képződésének leírása vagy a dinamikus rendszer reakciója az állapotváltozás belső és külső okaira (modell a kimeneti funkció formájában).
A rendszer bemeneti és kimeneti jeleinek érvei idő, térbeli koordináták, valamint néhány változó, amelyet Laplace transzformációkban, Fourierben és másokban használnak.
A legegyszerűbb esetben a rendszerirányító átalakítja az x (t) vektor funkciót az y (t) vektor funkcióba. Az ilyen típusú modelleket dinamikusnak nevezik (ideiglenes).
A dinamikus modellek helyhez kötöttek, amikor a W (t) üzemeltető szerkezete és tulajdonságai nem változnak idővel, és nem helyhez kötöttek.
A helyhez kötött rendszer bármely jelre adott válasz csak az időintervallumtól függ, hogy a bemeneti perturbáció és az idő időtartama megkezdődött. A bemeneti jelek átalakításának folyamata nem függ az idő múlásával a bemeneti jelek eltolásától.
A nem álló rendszer reakciója mind az aktuális idő, mind a bemeneti jel alkalmazásának pillanatában függ. Ebben az esetben, ha a bemeneti jel időben eltolódik (az űrlap megváltoztatása nélkül), a kimeneti jelek nemcsak idővel eltolódnak, hanem megváltoztatják az űrlapot is.
A dinamikus modellek állványtalan és inerciális (modellekkel rendelkező) rendszerekre oszthatók.
Az üresjárati modellek megfelelnek olyan rendszereknek, amelyekben az üzemeltető W határozza meg a kimeneti értékek függését a bemenetről, és ugyanazt a pontot - Y \u003d W (x, T).
Az inerciális rendszerekben a kimeneti paraméterek értékei nemcsak a jelen, hanem a változók korábbi értékei is függenek
Y \u003d w (z, xt, xt-1, ..., x-k).
Az inerciális modelleket a memóriával is modellezik. Az átalakítási operátor tartalmazhat olyan paramétereket, amelyek általában ismeretlenek - Y \u003d W (, Z, X), ahol \u003d (1.2, ..., K) - vektorparaméterek.
A kezelőszerkezet legfontosabb jellemzője a linearitás vagy a nemlinearitás a bemeneti jelek tekintetében.
A lineáris rendszerek esetében a szuperpozíció elve mindig érvényes, ami az, hogy az önkényes bemeneti jelek lineáris kombinációja összhangban van a rendszer kimenetének azonos lineáris kombinációjával
A lineáris operátor segítségével matematikai modell Y \u003d WX-ként írható.
Ha az állapot (2.1) nincs végrehajtva, a modellt nemlineárisnak nevezik.
A dinamikus modellek minősülnek, amely szerint matematikai műveleteket használnak az üzemeltetőben. Feloszthatja: algebrai, funkcionális (Convolution Integral), differenciál, véges-különbség modellek stb.
Az egydimenziós modellt úgy hívják, hogy bemeneti, és a válasz egyidejűleg az értékek skalár.
A paraméter dimenziójától függően a modell egy és multiparameterre osztható. A modellek osztályozása a bemeneti és kimeneti jelek típusától függően is folytatható.
Háromdimenziós térképészeti képek Az elektronikus kártyák magasabb szinten vannak, és a számítógépes rendszerek szimulációs térbeli képein láthatóak a fő elemek és objektumobjektumok. A területek elemzésére szolgálnak a menedzsment és navigációs rendszerek (föld és levegő) a terület elemzésénél, elszámolási feladatok és modellezés, mérnöki struktúrák tervezése, környezetvédelmi megfigyelések tervezése.
Modellezés technológiaa terep lehetővé teszi, hogy vizuális és mérhető ígéretes képeket hozzon létre, nagyon hasonlít az igazi területhez. A számítógépes film konkrét forgatókönyvére való felvétele lehetővé teszi, hogy a "Lásd" a területet a különböző felvételi pontokból, különböző megvilágítási körülmények között, az év és a nap különböző időpontjaiban (statikus modell) vagy "repülni" A mozgás és a sebesség repülés - (dinamikus modell) adott vagy önkényes pályája.
A számítógépes eszközök használatának tartalmazó vektor vagy raszter kijelzők, amely lehetővé teszi, hogy végezzen a saját pufferberendezések átalakítani bemenő digitális információt egy meghatározott keret igényli előzetes létrehozása, mint az ilyen információkat a digitális térbeli területen modellek (PMM).
Digital PMM lényegében Van egy sor digitális szemantikai, szintaktikai és szerkezeti rögzített adatok a gépen hordozó szánt reprodukálására (megjelenítő) térfogati minták terep és topográfiai objektumok összhangban meghatározott feltételek megfigyelés (felülvizsgálat) a föld felszínén.
Forrás adatok a digitális PMM létrehozásához Fényképek, kartoográfiai anyagok, topográfiai és digitális térképek, városi tervek és referenciainformációk, amelyek adatokat, formát, méreteket, színét és objektumok hozzárendelését biztosítják. Ugyanakkor a PMM teljességét az alkalmazott fényképek tájékoztatása és a kezdeti kartográfiai anyagok pontosságának pontossága határozza meg.
Technikai eszközök és módszerek a PMM létrehozásához
A digitális PMM létrehozására szolgáló technikai eszközök és módszerek kidolgozása Ez egy nehéz tudományos és technikai probléma. A probléma megoldása azt sugallja:
Hardver és szoftver fejlesztése az elsődleges háromdimenziós digitális információ megszerzéséhez a fényképek és térképek területeiről;
- háromdimenziós kartográfiai hagyományos jelek létrehozása;
- módszerek fejlesztése kialakítására digitális PMM primer térképészeti digitális információ és fényképek;
- a PMM tartalmának kialakítására szolgáló szakértői rendszer fejlesztése;
- A digitális adatok szervezésére szolgáló módszerek fejlesztése a PMM Bankban és a PMM Bankjának építésének elveiről.
Hardver és szoftver fejlesztése Elsődleges háromdimenziós digitális információk beszerzése a fényképek tárgyakról és a feltérképezési anyagokról a következő fő jellemzőknek köszönhető:
Magasabb, a hagyományos CCM-hez képest, a digitális PMM követelményei teljességre és pontosságra;
- A személyzet, a panorámás, a hornyolt és a CCD által készített fényképezőgépek, a felvételi rendszerekkel, és nem szándékos mérési információkat szerezni a terület tárgyaiiról.
Háromdimenziós kartográfiai hagyományos jelek rendszerének létrehozása Ez egy alapvetően új feladat a modern digitális kartográfia. A lényege, hogy hozzon létre egy feltételes jeleket, amelyek közel vannak az objektumok valódi képéhez.
Digitális PMM kialakítására szolgáló módszerek Az elsődleges digitális kartográfiai információk és fényképek használata egyrészt a számítógépes rendszerek pufferkészülékeinek vizualizálásának hatékonyságát, másrészt a háromdimenziós kép szükséges teljességének, pontosságának és láthatóságának hatékonysága.
Az előzőekben jelenleg végzett vizsgálatok azt mutatták, hogy a digitális PMM-ek beszerzéséhez a forrásadatok összetételétől függően a felhasználásokat használják:
Digitális kartográfiai információk;
- digitális térképészeti információk és fényképek;
- Fényképek.
A módszerek a legígéretesebbek.Digitális kartográfiai információk és fényképek használata. A főbbek lehetnek a különböző teljesség és pontosság digitális PMM-jének létrehozására szolgáló módszerek: Fényképek és CMR; fényképeken és Tskm-en; Fotók és tsmm.
A PMM-tartalom kialakításának szakértői rendszerének fejlesztése biztosítja a térbeli képek tervezésének problémájának megoldását az objektumösszetétel kiválasztásával, az általánosítás és a szimbolizáció és a kijelző képernyőjén a kívánt kartográfiai vetületben. A módszertan kidolgozása nemcsak a hagyományos jelek leírására, hanem a köztük lévő tér-logikai kapcsolatokat is leírja.
A PMM Bankban a digitális adatok szervezésére szolgáló módszerek kidolgozására szolgáló megoldás, valamint a PMM Bank építési elvei a térbeli kép, az adat reprezentációs formátumok specifikálása. Lehetséges, hogy szükség lesz egy négydimenziós modellezéssel rendelkező téridős bank létrehozására (X, Y, N, T), ahol a PMM valós időben keletkezik.
Műszaki és szoftverek megjelenítése és elemzése PMM
A második probléma az műszaki és szoftverfejlesztés Digitális PMM megjelenítése és elemzése. A probléma megoldása azt sugallja:
A PMM megjelenítésének és elemzésének technikai eszközeinek fejlesztése;
- az elszámolási feladatok megoldásának módja.
Műszaki és szoftverfejlesztés A Digital PMM megjelenítése és elemzése megköveteli a meglévő grafikus munkaállomások használatát, amelyekre speciális szoftvert kell létrehozni (SPO).
Az elszámolási feladatok megoldására szolgáló módszerek kidolgozása Ez egy alkalmazott feladat, amely a digitális PMM gyakorlati célokra történő felhasználásának folyamatában keletkezik. E feladatok összetételét és tartalmát a PMM sajátos fogyasztói határozzák meg.
1. fejezet A meglévő módszerek és feldolgozó rendszerek elemzése és a dinamikus objektumok felismerése a képszekvenciákon.
1.1 A kép a heterogén információ hordozójaként.
1.2 A képfelismerési feladatok osztályozása.
1.3 A mozgásértékelési módszerek besorolása.
1.3.1 A mozgás értékelésének összehasonlítható módszereinek elemzése.
1.3.2 A gradiens módszerek elemzése a mozgás értékeléséhez.
1.4 A jelek csoportjainak besorolása.
1.5 A mozgó tárgyak szegmentálására szolgáló módszerek elemzése.
1.6 Az események értelmezésének módszerei és a jelenet műfajának meghatározása.
1.7 A dinamikus tárgyak feldolgozási rendszerei és elismerése.
1.7.1 Kereskedelmi hardver- és szoftverkomplexumok.
1.7.2 Kísérleti kutatási szoftver komplexek.
1.8 A képszekvenciák térbeli feldolgozásának feladata.
1.9 Következtetések a fejezetről.
2. fejezet A statikus és dinamikus képek feldolgozásának és elismerésének modelljei.
2.1 A statikus képek feldolgozásának és elismerésének modellje.
2.2 A dinamikus képek feldolgozásának és elismerésének modellje.
2.3 Leíró képfelismerési elmélet.
2.4 A leíró képfelismerő elmélet bővítése.
2.5 általánosított modell keres célt tartalmaz, ha a feldolgozás és felismerve dinamikus objektumok összetett jelenetek.
2.6 Következtetések a fejezetről.
3. fejezet A Motion5 dinamikus régióinak helyi jeleinek megállapítása és értékelése.119
3.1 A képszekvenciák feldolgozásának javított módszere és korlátozása.
3.2 A mozgás helyi jeleinek értékelése.
3.2.1 Az inicializálási szakasz.
3.2.2 A téridő adatmennyiségének értékelése.
3.2.3 A dinamikus régiók besorolása.
3.3 A régiók helyi mozgásainak megtalálásának módja.
3.3.1 A jelenet különleges pontjainak megtalálása és nyomon követése.
3.3.2 A 3D-s áramlási tenzoron alapuló mozgásértékelés.
3.4 A mozgó régiók határainak tisztázása.
3.5 Következtetések a fejezetben.
4. fejezet A dinamikus tárgyak szegmentálása összetett jelenetekben.
4.1 A többszintű mozgás modellje komplex jelenetekben.
4.2 Modellek a mozgás mozgásának értékeléséhez.
4.3 A Lie csoport tulajdonságainak kutatása.
4.4 izomorfizmusok és csoport homomorfizmusok.
4.5 A tárgyak mozgása előtti mozgása modellje a képek szekvenciáiban.
4.6 A komplex jelenet szegmentálása a térbeli tárgyakon.
4.6.1 Premotmentation.
4.6.2 Szegmentáció.
4.6.3 A szegmentálás utáni.
4.7 Megjeleníti a pont mozgásának zb-jét video szekvenciákon.
4.8 Következtetések a fejezetről.
5. fejezet A dinamikus tárgyak felismerése, aktív cselekvések és események egy komplex jelenet.
5.1 A kontextus nyelvtanának megépítése:.
5.1.1 A nyelvtani elemzés fák kialakulása.
5.1.2 A képek sorozatának szintaktikai elemzése.
5.1.3 A jelenet szintaxis elemzése.
5.2 A komplex jelenet videó élének építése.
5.3 A dinamikus képek elismerése.
5.4 Jelenet események felismerése.
5.4.1 Az aktív intézkedések azonosítására szolgáló eljárás.
5.4.2 Videojáték-események építése.
5.5 Az események és a jelenetek elismerése.
5.5.1 A jelenetes események elismerése.
5.5.2 A jelenet műfajának elismerése.
5.6 Következtetések a fejezetben.
6. fejezet Építési feldolgozó rendszerek és a képszekvenciák és a kísérleti tanulmányok elismerése.
6.1 Kísérleti szoftverkomplexum "Rousie".
6.2 Az EROI kísérleti rendszer moduljainak munkája.
6.2.1 Előfeldolgozó modul. ".
6.2.2 Motion értékelési modul.
6.2.3 Szegmentációs modul.
6.2.4 Objektumfelismerő modul.
6.2.5 Aktív akciófelismerő modul.
6.3 Kísérleti kutatási eredmények.
6.4 Alkalmazott projekt "Az állami engedély lemezek vizuális nyilvántartása a multi-menetes mozgású gépjárművekhez."
6.5 Alkalmazási projekt "A hűtőszekrények hűtőszekrényeinek modelleinek azonosítása a képeken".
6.6 Szoftver "A tájképek feldolgozásának és szegmentálásának algoritmusai. Az objektumok azonosítása. "
6.7 Következtetések a fejezetben.
A disszertációk ajánlott listája
A képek térbeli-időbeli elemzésén alapuló képek rekonstrukciója 2011, Műszaki tudományok jelöltje Damov, Mikhail VitalEvich
Számítógépes módszer a személyek lokalizálására a képeken nehéz megvilágítási körülmények között 2011, technikai tudományok jelöltje Pahirk, Andrei Ivanovich
A nem indexált videofeldolgozások térbeli feldolgozásának módja sztereóban 2013, Műszaki tudományok jelöltje Pyankov, Dmitry Igorevich
Elmélet és morfológiai elemzési módszerek 2008, fizikai és matematikai tudományok doktora Vizilter, Yuri Valentinovich
A dinamikus gesztusok felismerése a számítógépnézetben a mediális képforma nézet alapján 2012, Műszaki tudományok jelöltje Kurakin, Alexey Vladimirovich
A disszertáció (a szerző absztrakt része) a "Modellek és módszerek a dinamikus képek felismerésének módja a képszekvenciák térbeli-időbeli elemzése alapján"
Van egy olyan feladatcsoport, amelyben az információ ^ struktúrájának és a komplex jelenet tárgyainak mozgása (videofelügyelet zárt helyiségekben, nagy klaszter helyeken, a robototechnikai komplexek mozgásának ellenőrzése, a járművek mozgása stb.). A képszekvenciák összetett információs erőforrás, az űrben és időben strukturált, és a kezdeti információk kombinálása többdimenziós jelek formájában, a bemutató formájában a dinamikus tárgyak, jelenségek, folyamatok fizikai modelljeiben és fizikai modellekben. A digitális képfeldolgozás új technikai képességei lehetővé teszik, hogy részben figyelembe vegyék a képek ilyen specifikáját, amelyek egyidejűleg elérik a vizuális képek emberi érzékelésének kognitív elméletét.
Az adatok térbeli-időbeli mennyiségének elemzése lehetővé teszi, hogy nem csak a statikus, hanem a megfigyelési objektumok dinamikus jeleit azonosítsák. Ebben az esetben az elismerési probléma az állami készletek osztályozásának vagy a pályák osztályozásának minősítésére definiálható, amelynek megoldását nem lehet megtalálni a klasszikus elismerési módszerekkel, mert Ideiglenes átmenetek ^ generálhatnak, átalakíthatják az ismert analitikai függőségek által leírt képeket; Továbbá, valamint a dinamikus tárgyak felismerésének feladata, az aktív cselekvések és események elismerésének feladata, például a jogosulatlan cselekvések azonosítása az emberek klasztereiben, vagy meghatározza a multimédiás adatbázisok indexelésének jelenetének meghatározását. Ha figyelembe vesszük az objektumok és események elismerésének feladatait a képek szekvenciáiban egyetlen folyamat formájában, akkor a legmegfelelőbb a párhuzamos feldolgozás elemeihez hasonló hierarchikus megközelítés.
A statikus képek (fényképek) és a videó szekvenciák formájában történő gyűjtésének és reprodukálásának technikai eszközeinek javítása a módszerek és az algoritmusok további fejlesztését igényli a feldolgozásukhoz, a helyzetek elemzéséhez és az ábrázolt tárgyak elismeréséhez. A képfelismerési célok kezdeti elméleti megfogalmazása 1960-1970. és tükröződik a híres szerzők számos munkájában. A képfelismerési feladat beállítása a tárgyak elismerésének tényleges feladataitól függhet, a jelenetek elemzésének feladatait a gépi látás képei és problémáinak megértése érdekében. Ebben az esetben a képeken és a képfelismerési módszereken alapuló intelligens döntéshozatali rendszerek a komplex típusú bemeneti információkat használják. Mindkét elektromágneses spektrum (ultraibolya, látható, látható, infravörös stb.), Valamint a hangképek és a helyadatok formájában kapott összes képhez tartozik. A különböző fizikai természet ellenére az ilyen információkat az objektumok és a konkrét képek valós képe lehet. A radiometrikus adatok az ígéretes vagy ortogonális vetületben bemutatott jelenet lapos képei. Ezek egy bizonyos spektrális tartomány elektromágneses hullámai intenzitásának mérésével vannak kialakítva, tükröződnek vagy kibocsátott jelenetben. Általában használja fotometriai adatokat mért látható tartományban - monokróm (világos) * vagy színes képek: Keleti adatok térbeli koordinátáit a megfigyelt pontok a jelenetet. Ha a koordinátákat a jelenet minden pontjára mérik, akkor a helyadat ilyen tömbje a jelenet mélységének nevezhető. Vannak egyszerűsített képek képei (például egy gyengén leendő, para-ígéretes, ortogonális és párhuzamos előrejelzések), amelyekben a jelenet mélysége állandó értéknek tekinthető, és a jelenet helye nem hordozhat hasznos információkat. A hangos információ ebben az esetben egy segéd esemény.
A fotometriai adatokat leginkább mérik. A helymeghatározási információkat általában speciális eszközökből (pl. Lézeres távolságmérő, radar) vagy sztereoszkópikus módszerrel állítjuk elő a fényerő képeinek elemzéséhez. A helyadatok működési kézhezvételének nehézsége miatt (különösen a vizuális tárgyak gyors változó formájú jelenetek esetében), az egyik vizuális képen lévő jelenet leírásának feladata uralja, azaz. A jelenet monokuláris vizuális érzékelésének feladata. Általában lehetetlen teljesen meghatározni a jelenet geometriáját egy képen. Csak bizonyos korlátozások a kellően egyszerű modell jelenetek és a priori információk jelenléte az objektumok térbeli elhelyezkedésével kapcsolatban egy teljes háromdimenziós leírás egy képen. Ennek a helyzetből való kilépés egyik módja az egy vagy több videokamerákból nyert video szekvenciák feldolgozása és elemzése, amely mozdulatlanul vagy térben mozog.
Így a képek a valódi világról szóló jelentési információk fő formája, valamint az egyes képek és videó szekvenciák átalakítására és szemantikai elemzésére. Az ilyen intelligens rendszerek fejlesztésének egyik legfontosabb iránya az, hogy automatizálja a képek leírására és konvertálására szolgáló módszerek kiválasztását, figyelembe véve az információs jellegüket és az elismerési célokat a képfeldolgozás kezdeti szakaszaiban.
Az Egyesült Államok (Louisiana Állami Egyetem, Carnegie Mellon Egyetem, Pittsburgh), Svédország ("Számítógépes Vision és Active Perception Laboratory (CVAP), Numerikus Elemző és Számítástechnika Tanszék), Franciaország (Inkria), Egyesült Királyság (University of Leeds), Németország (University of Karlsruhe), Ausztria, Kína (School of Computer Science, Fudan Egyetem) a feldolgozás a képsorozatok és felismerve dinamikus objektumok tettek közzé a 1980-as évek. később hasonló munkák kezdtek megjelenni és Oroszországban: Moszkvában (Msu, Mai (GTU), MPT, Gosniy as), S. Petetburg (SPSU, GUAP, FSUE GOI, LOMO), Ryazan (RGTU), Samara (Sgau), Voronezh (VSU), Yaroslavl ( Yargu), Kirov (VSU), TAGANROG (TTI YUFU), Novosibirsk (NSU), Tomsk (TGPU), Irkutsk (IRGU), Ulan-Ude (VGTU) és más városok. Meg kell jegyezni az ilyen kiemelkedő oroszok különleges hozzájárulását Az ezen a területen részt vevő tudósok, mint az akadémikus Ras, N. Yu doktora. I. Zhuravlev, Megfelelő tag RAS, D.T.N. V. A. fűrészelő, d.t.n. N. G. Zagorukhiko, D.T.N. L. M. Belytsky, D.T.N. B. A. Alpatov, stb., Jelentős előrehaladást értek el a videofelügyeleti rendszerek, azazonosítási hitelesítési rendszerek építésénél, stb. Azonban megoldatlan problémák vannak a dinamikus képek elismerésében a valós világi tárgyak viselkedésének összetettsége és sokszínűsége miatt. Így, ebben az irányban kell, hogy javítsa modellek, módszerek és algoritmusok felismerésére dinamikus objektumok és események a képsorozatok különböző elektromágneses sugárzás tartományok, amely lehetővé teszi, hogy dolgozzon videoabry-tagadja rendszerek egy minőségileg új szintre.
A cél a dolgozat a munka hatékonyságának növelése felismerni dinamikus objektumok, aktív tevékenységek és események komplex jelenetek képsorozatok külső és belső videó megfigyelő rendszerek.
A cél meghatározta a következő feladatok megoldásának szükségességét:
A tárgyak mozgásának megítélésének módszereinek elemzéséhez az objektumok mozgásainak mozgása és a komplex jelenetek dinamikus tárgyainak és szemantikai elemzésének módszerei, valamint a különböző dinamikus tárgyak elismerési és nyomkövetési rendszereinek megítélésére szolgáló módszerek célok.
A statikus és dinamikus képek felismerésének modelljei az ideiglenes sorozat, különösen a képszekvenciák hierarchikus eljárása alapján.
Olyan módszer kidolgozása a dinamikus struktúrák mozgásának becsléséhez az elektromágneses sugárzás különböző tartományaiban kapott térbeli-időbeli információra, lehetővé téve, hogy a mozgás jellegétől függően válassza ki a szegmentáció módszereit, és ezáltal a dinamikus képek adaptív elismerésének elvégzéséhez.
Hozzon létre egy olyan modellt, amely a dinamikus struktúrák többszintű mozgása egy komplex jelenetben, amely lehetővé teszi a dinamikus struktúrák pályáinak felépítését a kapott, és előterjeszti a hipotéziseket a vizuális tárgyak létezéséről az elemzés alapján a mozgások előtti előtörténet.
Fejlessze a szegmentáció átfogó algoritmusát, amely figyelembe veszi a dinamikus struktúrák azonosított jeleit, önkényes mozgásokra és az objektum-előrejelzések átfedésére, a komplex jelenetekben többszintű mozgás modelljein alapul.
Fejleszteni egy módszert a dinamikus képek felismerésére a formális nyelvtan és videofelvétel tekintetében a jelenet, a kollektív döntéshozatali módszer, valamint az aktív akciók és események elismerésének módszerei egy komplex jelenetben, az aktív oszlopok használatával Műveletek és események (egy komplex jelenet videójának bővítése) és a Bayesian hálózat.
A fejlett módszerek és modellek alapján különböző célokra tervezési kísérleti rendszerek tervezése; Ajánlott egy olyan objektumok felvételére, amelyeket egy rögzített és tetszőleges 2 £\u003e -posculation, valamint a dinamikus képek felismerése jellemez. Komplex jelenetek.
Módszerek, kutatás. A disszertációs munka elvégzése során a képek elismerésének elmélete, a képek elismerésének elmélete, a jelfeldolgozó elmélet, a vektorelemzési módszerek és a tenzor-kalkulus, valamint a csoportelmélet, a formális nyelvtan elmélet használata.
A disszertáció tudományos újdonsága a következő:
1. A dinamikus képek átalakításának új modellje, amelyet a szegmentáció fejlett hierarchikus szintjei (a helyi és globális mozgási vektorok) és az elismerés (objektumok és aktív akcióik) jellemeznek, lehetővé téve, hogy a mozgó tárgyakkal és dinamikus jelenetekkel rendelkező statikus jelenetek célzási jellemzőit megtalálják a maximális dinamikus invariáns koncepció alapján.
2. A képfelismerés leíró elméletét négy új alapelv bevezetésével bővíti: az elismerési célok elszámolása az elemzés kezdeti szakaszában, a dinamikus tárgyak viselkedésének felismerése, a háttér értékelése, a megfigyelő objektumok változó száma, amely lehetővé teszi a mozgó létesítmények elismerésének minőségének javítását a forrásadatok információs tartalmának növelésével.
3. Először adaptív térbeli-időbeli módszer a látható és infravörös elektromágneses sugárzási tartományok szinkron szekvenciáinak mozgásainak felmérésére, amely lehetővé teszi a különböző hierarchikus szinteken történő mozgás jeleit, összekapcsolva mindkét típus előnyeit képszekvenciák.
4. A többszintű mozgás új modelljét fejlesztették ki; lehetővé téve, hogy a jelenet szétválja a különálló szinteket; nem\u003e korlátozó; Általánosan elfogadott felosztás az előtérbe és a háttérbe, amely lehetővé teszi, hogy a tárgyak képeinek megbízhatóbb szegmentálódását végezzen; Komplex ígéretes jelenetek.
5: Indokolt? és épült; új; általánosított szegmentációs algoritmus dinamikus tárgyakra; használata, sok jele ^ a viselkedés előtti előtörténet; és lehetővé téve az egyéni vizuális tárgyak dinamikáját és a helyszínen lévő objektumok kölcsönhatását (az előrejelzések átfedése; a videóérzékelő szemszögéből származó objektumok megjelenése / eltűnése) csoportos átalakításokon alapul; És először, az objektum-előrejelzések (két szomszédos személyzet) általános részének javasolt elemzése az integrált és az invariáns becslések használatával.
6. A kollektív döntéshozatali módszer, azzal jellemezve, hogy az objektum interkontráris előrejelzéseinek megjelölése, valamint a Bayesi-hálózaton alapuló aktív cselekvések és események elismerésére szolgáló megfigyelések elősemsorozatának figyelembevétele, valamint a Bayes-i hálózaton alapuló események elismerése, valamint a pseudo- Távolságok, hogy megtalálják a kontra dinamikus képek hasonlóságát a referencia dinamikus képekkel a dinamikus jelek bemutatásának függvényében.
Gyakorlati jelentősége. A disszertációban és az algoritmusokban javasolt módszerek és algoritmusok gyakorlati alkalmazásra szánnak a "biztonságos város" állami projekt alatti többsávos mozgással rendelkező gépjárművek monitorozásával, a különböző technológiai termelési folyamatokon keresztül történő automatizált ellenőrzési rendszerekben, A külső videofelügyeleti rendszerekben és a videofelügyeleti rendszerekben zárt helyiségekben, valamint a légi fotókon lévő tárgyak azonosítása és a tájképek felismerése. A disszertációs vizsgálatok, a különböző területeken használt dinamikus objektumok feldolgozására és felismerésére szolgáló szoftverrendszerek alapján fejlesztették ki.
A munka eredményeinek végrehajtása. A számítógépes programok orosz regisztrálásában regisztrált fejlesztési programok: a kézzel írt szöveg képek (Segpic) "programja" (Segpic) "(2008614243 tanúsítvány, Moszkva, 2008. szeptember 5.); A "2009611014 tanúsítványa, Moszkva, 2009. február 16-án, 2009. február 16.) program" Program "arc lokalizáció (facedetection)" (2009611010 tanúsítvány, Moszkva, 2009. február 16.); A program „A rendszer előírásának vizuális természeti hatások egy statikus kép (természeti hatások utánzat) (Certificate No. 2009612794, Moszkva, július 30, 2009); A program "Visual füstérzékelésre (smokeedection)" (bizonyítékok №2009612795, Moszkva, július 30, 2009); "Az állami engedélylemezek vizuális lajstromozásának programja a multi-menetes mozgással (FNX CTranalyzer)" (FNX CTranalyzer) "(FNX CTRANALYZER)" (2010.612795 tanúsítvány, Moszkva, 2010. március 23.), a program "Nemlineáris képjavítás (nemlineáris képjavítás)" (tanúsítvány) No. 2010610658, g. Moszkva, 2010. március 31.
A cselekményeket az algoritmikus és szoftver átadásával és felhasználásával kapták meg a hűtőszekrény házainak felismerésére az összeszerelő vonalon (OJSC KZH "BIRYUSA", Krasnoyarsk), hogy azonosítsák a tárgyak tárgya tárgyakat a parkosított képeken (Rádióépület "Vega", OJSC KB "fény ", Rybinsk Yaroslavl régió), az erdei növényzet szegmentálására az egymást követő légi felvételek sorozatára (Altex Geomatics LLC, Moszkva), hogy bemutassa a gépjárművek állami regisztrációs jelölési jeleit a videó szekvenciákban, többszálas mozgással, és javítsa a térképezés minőségét ^ (Ugibdd Guvd Krasnoyarsk Terület, Krasnoyarsk).
A fejlett algoritmusokat és szoftvert az oktatási folyamat során használják, amikor az "Intelligens adatfeldolgozás", a "Science Technologies in Science és Oktatás", "Digitális képfeldolgozás", "Képek felismerése", "neurális hálózatok" , "Feldolgozó algoritmus képek", "Algoritmusok feldolgozása videó átadók", "jelenetek és gépi látás elemzése" a szibériai Állami Aerospace Egyetemen, az akadémikus M.F. Resshetnyeva (Sibgaau).
A disszertációs munkákban kapott eredmények pontossága az elvégzett átalakulások matematikai súlyossága által használt kutatási módszerek helyességét biztosítja, valamint a megfogalmazott rendelkezéseknek és következtetéseknek a kísérleti ellenőrzésének eredményeire vonatkozó következtetéseket.
A védelemmel ellátott főbb rendelkezések:
1. A dinamikus képek feldolgozásának és elismerésének modellje komplex jelenetekben, amely jelentősen kiterjeszti a "hierarchikus szegmentálási szinteket és nem csak az objektumok elismerését, hanem az aktív akcióikat is.
2. A képfelismerés leíró elmélete az ideiglenes sorozathoz (képszekvenciák) az elemzett adatok informativitásának növelésével, nemcsak a térbeli régióban, hanem az időösszetevő számára is.
3. Adaptív térbeli-időbeli módszer a forgalom felmérésére. A látható és infravörös elektromágneses sugárzási tartományok szinkron szekvenciáiban lévő helyi térfogatok tenzor-ábrázolásai alapja.
4. A többszintű mozgalom modellje komplex jelenetekben, bővíti az ígéretes jelenetek bomlását az objektummozdulási pályák megbízható elemzéséhez.
5. A dinamikus objektumok szegmentálására szolgáló általános algoritmus, amely lehetővé teszi a csoportos transzformációkon alapuló csoport átalakulásokat, és a javasolt integrált és invariáns becsléseket, azonosítja az átfedő objektum előrejelzéseit, a videó érzékeny mezőjének megjelenését / eltűnését.
6. A dinamikus képek elismerésének módszerei a kollektív döntéshozatal módosított módszere alapján, valamint a metrikus terek, valamint az aktív cselekvések és események összetett jelenetekben történő elérése.
A munka jóváhagyása. A disszertációs vizsgálatok főbb rendelkezéseit és eredményeit a 10 nemzetközi konferencián "mintafelismerés és képelemzés: modern információs technológiák" című résztvevői, (S.-Petersburg, 2010), a Nemzetközi Kongresszus "Ultra Modern Távközlési és Ellenőrzési Rendszerek" ICUMT2010 "(Moszkva, 2010); XII nemzetközi szimpózium a nemparametriás módszerek a Cybernetics és a rendszerelemzés (Krasnoyarsk, 2010), II nemzetközi szimpózium "Intelligens döntés-technológiák - IDT 2010" (Baltimore, 2010), III nemzetközi konferencia. "Automatizálás, ellenőrzés? És információs technológia - Aoit- IKT "2010" (Novosibirsk, 2010), 10., 11. és 12. nemzetközi konferenciák és kiállítások "digitális jelfeldolgozás és használat" (Moszkva, 2008-2010), X Nemzetközi Tudományos és Műszaki Konferencia "Elméleti és A modern információs technológiák alkalmazása "(Ulan-Ude, 2009), IX Nemzetközi Tudományos és Technikai Konferencia" A Cybernetics és a XXI. Század magas technológiái "(Voronezh, 2008), az összes orosz konferencia" modellek és módszerek képfeldolgozása "(Krasnoyarsk , 2007), az X, XI és XIII nemzetközi tudományos konferenciákon "Re-shetynevsky olvasmányok" (Krasnoyarsk, 2006, 2006, 2009), valamint az Aerospace Instlumentation State Egyetem tudományos szemináriumai (S. -petherburg, 2009 ), Számítógépes modellezés Intézete
Ras (Krasnoyarsk, 2009), Képfeldolgozó Rendszerek Intézete Ras (Samara, 2010).
Kiadványok. A disszertációs vizsgálat eredményei szerint 53 nyomtatott műveletet tettek közzé, amelyből 1 monográfia, 26 cikk (14 közülük 14 cikk - a Waklistában szereplő kiadványokban, 2 cikk - a Thomson Reuters-ben felsorolt \u200b\u200bkiadványokban: Science Idézési index Expanded / Konferencia-eljárás idézet index "), 19 jelentések absztrakt, 7 bizonyíték regisztrált az orosz regisztrált számítógépes programok, valamint a 3 jelentést a NIR-ről.
Személyes hozzájárulás. A disszertációban meghatározott összes főbb eredményt, beleértve a feladatok megfogalmazását és matematikai és algoritmikus megoldásaikat, személyesen, vagy tudományos iránymutatásai alatt és közvetlen részvételében. A munka anyagai szerint a technikai tudományok jelöltjének két disszertációját megvédették, amikor a szerző a hivatalos felügyelő volt.
A munka szerkezete. A munka a bevezetésből, hat fejezetből, következtetésből, bibliográfiai listából áll. A tézis fő szövege 326 oldalt tartalmaz, a bemutatót 63 számmal és 23 táblával szemléltetjük. A bibliográfiai lista 232 nevet tartalmaz.
Hasonló disszertáció az "informatika elméleti alapjai", 05.13.17 CIFR WAK
Kombinált algoritmusok a mozgó objektumok működési elosztásához a video keretek sorrendjében az optikai adat kiszámításának helyi differenciálási módja alapján 2010, Műszaki tudományok jelölt Kazakov, Boris Borisovich
A komplex statikus és dinamikus jelenetek videó szekvenciáinak stabilizálására szolgáló módszerek videofelügyeleti rendszerekben 2014, Műszaki tudományok jelöltje Buryaachenko, Vladimir Viktorovich
A dinamikus orvosi képek feldolgozásának módszere és rendszere 2012, Műszaki tudományok jelöltje Maryskin, Evgeny Leonidovich
A radiális (felületi) objektumok radarképeinek kiegészítő elismerése a kvázi-változatos zónák jeleinek szegmentálásával 2006, Műszaki tudományok jelöltje Matveyev, Alexey Mikhailovich
Módszerek és algoritmusok a képfelismerő rendszerek kimutatására a komplex háttérszerkezettel 2007, Műszaki tudományok jelöltje Zotin, Alexander Gennadevich
A disszertáció következtetése az "elméleti alapok az informatika" témában, Favorskaya, Margarita Nikolaevna
6.7 Következtetések a fejezetről
Ebben a fejezetben a "Zarel", U.1.02 kísérleti szoftverkomplexum szerkezete és fő funkciói, amelyeket részletesen ismertetünk. COUNT grafikonok, hálózatok és osztályozók. Számos alacsony szintű rendszermodul működik automatikus üzemmódban. A A szoftvercsomag szerkezete olyan, hogy a modulok módosítása lehetséges, anélkül, hogy más rendszermodulok befolyásolná. A rendszer fő moduljainak funkcionális rendszerei: Modul, előfeldolgozó, mozgásmérési modul, szegmentálási modul, objektumfelismerő modul és aktív akció Felismerési modul.
Kísérleti vizsgálatok alapján ez a szoftver csomag végeztünk több videófelvételek és infravörös szekvenciákat a teszt alapja „OTCBVS ^ 07”, a teszt videó tömítések „Hamburg Taxi”, „Rubik kocka”. "Csendes", valamint saját videofelvétele. Öt mozgási módszert teszteltünk. Kísérletileg azt mutatják, hogy a blokkok összehasonlításának módja és az infravörös szekvencia javasolt módszere szoros értékeket mutat és a legkevésbé pontos. A videó szekvenciához javasolt módszer és a nyomkövetési pontok módja szoros eredményeket mutat. Ugyanakkor a fejlett tenzor megközelítés kisebb mennyiségű számítógépes számítástechnikát igényel a követési pont jellemzői módjához képest. A szinkronizált video-szekvencia és az infravörös szekvenciák megosztása ajánlatos a sebességvektor modul és a csökkentett jelenetvilágítás körülményeinek megkereséséhez.
A vizuális tárgyak felismerésére négy típusú pszeudo-távolságot használtunk (Hausdorff, Gromovo-Hausdorff, Frechech, természetes pszeudo-távolság) a bemeneti dinamikus képek hasonlóságának megkereséséhez a referencia dinamikus képekkel (a dinamikus bemutatótól függően) Sign - Numerikus jellemzők, vektorok készletei, funkciók készletei. Megmutatták a megengedett morfológiai átalakításokkal rendelkező képeket. A CU CONTOUR formájának integrált normalizált becslései az objektum elképzelésének általános részének általános részének általános részének és az 5E teljes részének és az invariáns becslésnek a Fctor közös részeinek korrelációs funkciója előrejelzések. A kollektív döntéshozatali módszer módosított módjának használata lehetővé teszi, hogy a bemeneti képek sikertelen megfigyeléseit "eldobja" (átfedő objektum-előrejelzések, fényforrásoktól stb.), És válassza ki a legmegfelelőbb megfigyeléseket. A kísérletek kimutatták, hogy a kollektív döntéshozatal módosított módjának használata átlagosan 2,4-2,9% -kal javítja az elismerési pontosságot.
Kísérleti eredmények értékelésének mozgás, szegmentáció és elismerése tárgyak kaptak a vizsgálat képsorozatok ( „Hamburg Taxi”, „Rubik kocka”. A „Csendes” képsor és infravörös szekvenciákat a teszt alapja „SVVS” 07 " ). Az emberek aktív cselekedeteinek felismerésére példákat használtak a "Háziállatok", a "Caviar", "Vace" példákra. A teszt vizuális szekvencia jellege befolyásolja a mutatókat. Nagyon felismeri a rotációs mozgás végrehajtását ("Rubik Cube) "), jobb - ember által készített kis tárgyak (" Hamburg taxi "," Video 1 "). A legjobb eredmények, amelyek két szekvenciában felismerést mutatnak. A legjobb kísérleti eredményeket is elérjük, amikor felismerik az olyan emberek időszakos aktív akcióit, akik nem csoportokban vannak (Séta, futás, emelkedő, kezek). A hamis válaszok az árnyékok bukása miatt néhány helyen jelenet.
A befejezése a hatodik fejezetben, mint alkalmazott „projektek, mint a” vizuális nyilvántartási állapot rendszámokat a többszálú motion „” rendszer azonosítási rendszer hűtőszekrények, »algoritmusok. Folyamatok és a szegmentáció, táj képek. Azonosítása tárgyak«. Algoritmikus és. szoftver átadásra kerül az érdekelt szervezetek: a vizsgálati eredmények azt mutatták, a teljesítménye a szoftver alapján kifejlesztett modellek és módszerek javasoltak a dolgozat munkát.
Következtetés
A dolgozat a munka készült, és megoldotta a fontos tudományos és technikai problémát feldolgozó térbeli idejű adatok nyert szekvenciák látható és infravörös tartományban az elektromágneses sugárzás, és felismerve, dinamikus képek az összetett jelenetek. A téridős adatok feldolgozásának és kivonási rendszerének hierarchikus módszerei módszertani alap az alkalmazott videofelügyeleti feladatok megoldásához.
A bevezetésben a disszertáció relevanciáját megalapozzák, a vizsgálat célja és feladatait megfogalmazzák, a tudományos újdonságot és az elvégzett kutatás gyakorlati értékét mutatják be, a védelemmel ellátott fő rendelkezések bemutatásra kerülnek.
Az első fejezet azt mutatja, hogy a video szekvenciák vizuális objektumai többdimenziós jellemző vektoros jelek jellemzik, mint a "képek a statikus képek felismerésének klasszikus megfogalmazásában. A disszertációs munka az átlagos és magasabb feldolgozási szintek tisztázzák a Dinamikus képek.
A statikus képek, statikus jelenetek főbb típusainak besorolása mozgási és képszekvenciákkal rendelkező statikus jelenetek, amelyek tükrözik a matematikai módszerek fejlesztésének történelmi jellegét ezen a területen. A részletes elemzés módszereinek értékelésére mozgás, algoritmusok szegmentáció mozgó tárgyak, értelmezési módszerek események összetett jelenetek végeztünk.
A meglévő kereskedelmi hardver- és szoftverkomplexumokat olyan területeken vesszük figyelembe, mint a különböző célú járművek felügyelete, a sport videoanyagok feldolgozása, a biztonság (egyéni elismerés, a védett területek jogosulatlan behatolása), a videofelügyeleti rendszerek kutatási fejlesztéseit is elemezzük.
Az 1. fejezet végén a képszekvenciák téridős feldolgozásának feladata, amely három szint és öt fokozat formájában jelenik meg, és felismeri a képszekvenciákra vonatkozó vizuális információkat.
A tézis második fejezetében a statikus képek és képszekvenciákon lévő tárgyak feldolgozásának és elismerésének formális modelljei fejlesztették ki. A megengedett leképezések a képterületen és a közvetlen feladatok és az inverz probléma jellemzői terén. Az invariáns meghatározó funkciók megépítésére vonatkozó szabályok és az általánosított maximális dinamikus invariáns. A különböző képek többdimenziós térben történő elismerésekor a jelek metszenek. A tárgyak előrejelzései során az általánosított maximális dinamikus invariáns megtalálása még nehezebbé válik, és egyes esetekben a lehetetlen feladat.
A képek leíró elméleti elveinek alapelveit figyelembe veszik, amely rendszeres módszereken alapult az algoritmikus eljárások kiválasztásának és szintézisének a képek felismerésekor. További elveket javasolnak, amelyek bővítik a dinamikus képek leíró elméletét: az elismerés célkitűzése a képek sorrendjének kezdeti szakaszában, a dinamikus objektumok viselkedési helyzetének felismerése, a dinamikus objektumok előtörténelmének értékelése, a megfigyelés változó száma tárgyak összetett jelenetekben.
A képek szekvenciáinak elemzésének céljára vonatkozó problémát részletesen figyelembe veszik. A felvétel típusától függően (az ártalmatlanítási felvétel esetén), a videóérzékelő mozgása és a látószögben lévő mozgó tárgyak jelenléte. A jelek négy helyzetének leírása van, mivel a feladat bonyolult.
A harmadik fejezetben a képek, az aktív cselekvések, események és a jelenet műfajok megjelenítésének és elismerésének szakaszainak feldolgozásának szakaszai vannak kialakítva. A szakaszok tükrözik a vizuális információk feldolgozásának következetes hierarchikus jellegét. A képszekvenciák téridejű feldolgozásának hierarchikus módszereinek szintén bemutatott feltételei és korlátai.
A kép dinamikus régióinak besorolását a strukturális tenzor saját értékeik elemzésével végzik, amelynek saját vektorát a szomszédos keretek intenzitásának helyi elmozdulásai határozzák meg, és a helyi orientált dinamikus régiók értékelésére használják. Egy új módszer a mozgás és az infravörös sugárzási tartományok térbeli térfogatában a tenzor-megközelítésen alapulva. A térben változó rendszermag használatának lehetősége, adaptív a pont környezetének méretéhez és tájolásához. A környezet kialakítása, először kör alakú formában, majd 2-3 iterációk után fordul elő egy orientált ellipszis formájában, lehetővé teszi a képen lévő orientált struktúrák becslését. Az ilyen stratégia javítja a gradiens becsléseit egy téridőkészletben.
A helyi mozgási paraméterek értékelése a helyi régió geometriai primitívek és speciális pontjainak kiszámításával történik. Így a régiók mozgásának helyi jelei értékelése az alapja a vizuális objektumok kiegészítőinek későbbi hipotéziseinek kiterjesztéséhez egy vagy egy másik osztályba. A szinkron video-szekvencia és az infravörös szekvencia használata lehetővé teszi a mozgó régiók szegmentálásának eredményeit a képen, és megtalálja a helyi mozgásvektorokat.
Kimutattétele, hogy azt mutatja, hogy a színes képeken lévő határokat a határ mindegyik pontján épített többdimenziós gradiens módszerek alapján becsüljük meg a színes kép minden pontján, valamint a színképen lévő orderi statisztikákat alkalmazva Többdimenziós gradiens módszerek. A kontúrinformációk tisztázására szolgáló módszerek elengedhetetlenek a régiók számára, amelyek tetszőleges számú megengedett előrejelzésekkel rendelkeznek.
A negyedik fejezetben a mozgási struktúrákon alapuló többszintű mozgásmodell épül, tükrözve a valódi jeleneti objektumok dinamikáját és a jelenet kétszintű bemutatását, amely érdekes tárgyakra és rögzített háttérre osztott.
A kompakt hazugsági csoportok elmélete alapján a síkon alapuló tárgyak mozgását vizsgálják. A modellek előterjesztő transzformációjára és az affin konverziós modellek fajtáira kerülnek. Az ilyen transzformációk jól leírják a mozgásstruktúrákat korlátozott számú előrejelzéssel (ember által készített tárgyak). A korlátlan számú előrejelzéssel rendelkező struktúrák (antropogén tárgyak) affin vagy projektív transzformációval rendelkező struktúrák ábrázolása számos további feltételhez (különösen a videóérzékelőből származó objektumok távoli, kis méretű tárgyak, stb.) . Fogalommeghatározások és tételek vannak megadva, bizonyított L. S. Ponryagin, amelynek alapján megtalálható a csoportos koordináták belső automorfizmusa, amely leírja a szomszédos keretek közötti váltásokat. A műszakok nagyságát a 3 "fejezetben kifejlesztett interakuláris különbség mozgásainak értékelésének módja határozza meg.
Az átalakítási csoportok közötti megengedett átmenetek bővítése a 2 £) jellegű dualitáson alapul (a különálló objektum vetületének változásai és több objektum vizuális metszéspontja: (objektum kölcsönhatás)). Az átalakulási csoportok cseréjekor aktív akciókat és eseményeket találnak a helyszínen, nevezetesen a KU-k CON kontúr alakjának integrált becslései a kivetítés által a feltételesen szomszédos keretek és a teljes rész területe között 5e és állandó becslések korrelációs függvénye a közös részeinek a projektek RSUG és strukturális az állandók a Lie csoport „d, amely lehetővé teszi számunkra, hogy megbecsüljük a variabilitás és jellegének azonosítását mozgását a megfigyelt objektum.
A képek szekvenciáiban lévő objektumok mozgása előmozdítása is épül, amely magában foglalja az elmozdulási pályák idősorát, az objektum alakváltozását, amikor 3 £\u003e -kal mozgatja, valamint egy objektum formájában bekövetkező változások a helyszínen lévő objektumok kölcsönhatásához, valamint az érzékelő látószögének megjelenése / eltűnése (az aktív akciók és események felismerésére szolgál a jelenetben). egy
Az összetett jelenetekben lévő objektumok általánosított szegmentációs algoritmusát fejlesztették ki, figyelembe véve a szegmentáció összetett eseteit (átfedő képek, a kamera szemszögéből származó objektumok megjelenése és eltűnése, a kamera mozgatása), amely három al- Fizetés: elő-szegmentáció, szegmentálás és szegmentálás után. Minden egyes alprogram esetében a feladatok, a forrás és a kimeneti adatok formulázhatók, az algoritmusok blokkdiagramjai, amelyek lehetővé teszik az összetett jelenetek szegmentálásának végrehajtását, a különböző sugárzási tartományok szinkron szekvenciáinak előnyeit.
Az ötödik fejezet tárgyalja a dinamikus képek felismerésének folyamatát a formális nyelvtani, a jelenet videokirítón és a kollektív döntéshozatal módosított módszerével. A többszintű mozgalom dinamikus jelenete időváltó struktúrával rendelkezik, ezért célszerű strukturális elismerési módszereket használni. A javasolt háromszintű kontextus nyelvtana a többszintű tárgyak többszintű mozgástérrel történő elismerése két feladatot hajt végre: a képek szekvenciájának szintaktikai elemzésének feladata és a jelenet szintaktív elemzésének feladata.
A jelenet szemantikai leírásának vizuális eszköze a hierarchikus csoportosítási módszer szerint épített videó. A legalacsonyabb szintű integrált jelek alapján a helyi térbeli struktúrák rezisztens idővel vannak kialakítva, helyi térbeli tárgyak és egy jelenet videó videó épül, beleértve az elismert térbeli objektumokat, egy olyan cselekvési csoportot, amely rejlik benne, valamint a térbeli-időbeli kapcsolatok között őket.
A kollektív döntéshozatal módosított módja kétszintű elismerési eljáráson alapul. Az első szint felismeri ennek a képének elismerését vagy a kompetencia területét. A második szinten a döntő szabály hatályba lép, amelynek kompetenciája a megadott területen maximum. A pszeudo-távolságokra vonatkozó kifejezések akkor épülnek fel, amikor a dinamikus jelek ábrázolásától függően a bemeneti dinamikus képek hasonlóságának mérete a dinamikus jelek ábrázolásától függően van kialakítva - numerikus jellemzők, sok vektor, funkciókészletek.
Az események felismerésekor a komplex jelenet videoírója bővül az Esemény videojátékhoz: egy dinamikus objektum objektumfüggő modellje van kialakítva. Mint konform függvényként az egyszerű osztályozókat használják a jelek jeleiben (például a ^ -front módszer szerint), mivel az összehasonlítás egy korábban azonosított objektumhoz tartozó korlátozott többszörös sablonok szerint történik. A vizuális tárgyak előrejelzéseinek sablonjainak formájának módja.
Az esemény videóinformációja Markov hálózatain alapul. Az aktív hatóságok azonosítására szolgáló módszerek, valamint a videojáték-események elismerésének megépítésének és vágásának sorrendje, a helyszínen lévő események figyelembe veszik. Ugyanakkor minden egyes esemény esetében modellje épül, amely tesztpéldákon tanul. Az események kimutatása a Bayesian megközelítés alapján következetesen végzett aktív hatású tevékenységek klaszterezésére csökken. Rekurzív vágási módok a súlyhatásmódok a bemeneti videó szekvenciában és összehasonlítás a referenciaként, a képzési szakasz során kapott események végrehajtásra kerülnek. Ez az információ * Forrás a jelenet műfajának meghatározásához, és szükség esetén az adatbázisban lévő videó sorozatot indexelheti. A multimédiás internetes bázisok indexelésére szolgáló képek és videó anyagok megértésének és értelmezésének rendszerét fejlesztették ki.
A hatodik fejezet bemutatja a SPOER kísérleti szoftvercsomagjának, a v.l.02 leírását a képszekvenciák feldolgozására és a mozgó tárgyak és események felismeréséről. A képszekvenciák szisztémás hierarchikus feldolgozását végzi az objektumok és események legmagasabb szintjén. Ez egy automatizált rendszer, amely megköveteli a személy részvételét a grafikonok, hálózatok és osztályozók számára. Számos alacsony szintű rendszermodul automatikusan működik.
A Spoer Software csomag, a VL02, a használt videó szekvenciák és az infravörös képszekvenciák a "OTCBVS" 07 "tesztalapról" Hamburg taxi "," Rubik Cube ". A mozgási értékelést öt módszert teszteltek. A video-szekvenciához javasolt módszer a legpontosabb eredményeket mutatja, és kisebb mennyiségű számítógépes számításokat igényel más módszerekkel. Jelenet világítási modulok.
Annak érdekében, hogy felismerjék az előrejelzések megengedett morfológiai átalakításával rendelkező vizuális tárgyakat, az objektum-vetület általános részének általános részének integrált normalizált becsléseit a feltételesen szomszédos keretek és az 5E teljes rész és az invariáns becslés között a A FCOR vetületek közös részei korrelációs funkciója. A kollektív döntéshozatali módszer módosított módszerének használata lehetővé teszi, hogy a bemeneti képek sikertelen megfigyeléseit "eldobja" (átfedő objektum-előrejelzések, a jelenet vizuális torzulásai, a fényforrásokból stb.), És válassza ki a legmegfelelőbb megfigyeléseket. A kísérletek kimutatták, hogy a kollektív döntéshozatal módosított módjának használata átlagosan 2,4-2,9% -kal javítja az elismerési pontosságot.
Az értékelés kísérleti eredményei - mozgás; Szegmentálási és objektumfelismerés a képek tesztszekvenciáiban ("Hamburg Taxi", "Rubik Cube". "Silent", videószekvencia és infravörös szekvenciák az OTCBVS * 07 tesztalapból). Az emberek aktív fellépéseinek elismeréséhez példákat használtunk a háziállatok vizsgálati alapjaiból, "Caviar", "Vace" -ból. A legjobb eredmények két szekvenciában történő felismerést jeleznek. A legjobb kísérleti eredményeket is elérték, amikor felismerik az olyan emberek időszakos aktív akcióit, akik nem csoportokban (gyaloglás, futás, emelkedő kezek). A hamis válaszok a megvilágítás és az árnyékok jelenlétének köszönhetőek számos jelenetben.
Alapján a kísérleti komplex „Rousie”, V. 1,02, a videó információ feldolgozó rendszerek különböző célokat dolgoztak ki: „Visual regisztrációs állami rendszámú gépjárművek a többszálú mozgás”, „A rendszer azonosító rendszere hűtőszekrény a képeken "," tereprendezési és szegmentációs algoritmusok és szegmentációs algoritmusok. Az objektumok azonosítása. " Algoritmikus és szoftver átutalott érdekelt szervezetek. A vizsgálati eredmények a disszertációban javasolt modellek és módszerek disszertációján kifejlesztett szoftverek teljesítményét mutatták.
Így a disszertációban a következő eredményeket kaptuk:
1. Az adaptív hierarchikus eljáráson alapuló téridős struktúrák feldolgozásának és elismerésének formális modelljei vannak kialakítva. A képszekvenciák feldolgozása, azzal jellemezve, hogy figyelembe veszik az izomorf és a homomorf transzformációkat és a statikus és dinamikus invariánsok általános funkcióit. Szintén épített modellek a statikus és dinamikus tulajdonságok kereséséhez a képszekvenciák elemzésének négy problémájához, a mozgó1 videóérzékelő és a mozgó tárgyak jelenlététől függően.
2. A főbb rendelkezéseit, a leíró megközelítés felismerve képsorozatok, amely lehetővé teszi, hogy vizsgálja meg objektív célkitűzések kezdeti szakaszában a képsorozat feldolgozás az azt követő szegmentáció az érintett területről, építmények pályák a mozgás, és elismerik a viselkedése dinamikus objektumok, figyelembe Figyelembe veszi az objektumok mozgása előtti mozgás elősegítését, amikor az előrejelzésüket átlépik, kísérik a megfigyelési változó számobjektumokat.
3. A hierarchikus feldolgozás módja és elismerése tér-időbeli struktúrák, amely három szinten, és öt szakaszból áll, és arra utal, a normalizáció a tárgy nyúlványok, amely csökkenti a szabványok száma egy osztályban, amikor felismerve komplex dinamikus objektumokat.
4. A látható és infravörös elektromágneses sugárzási tartományokból származó képek mozgásainak becslésére szolgáló eljárás, azzal jellemezve, hogy a 3 £\u003e szerkezeti tenzorok és a tenzorok formájában bemutatott téridőkészletek. Áramlás. A mozgás eredményeinek értékelése lehetővé teszi, hogy kiválassza a dinamikus vizuális tárgyak szegmentálásának leghatékonyabb módszerét, amelyek különböznek a megengedett előrejelzések számában.
5. A képrégiók többszintű mozgásának modellje a helyi sebességű helyi vektorok alapján, azzal jellemezve, hogy lehetővé teszi, hogy a jelenet nemcsak az előtérben és a háttérben, hanem a távoli objektumok mozgásának szintjén is megoszthassa a jelenetet a megfigyelőtől. Ez különösen igaz a mozgó videóérzékelő által regisztrált komplex jelenetekre, amikor az összes jelenet objektum relatív mozgásban van.
6. A dinamikus objektumok adaptív szegmentációs algoritmusa fejlesztésre került: a) korlátozott számú előrejelzéssel rendelkező objektumok esetében, a helyi dinamikus régiók elősemsorozatának elemzésén alapulva, azzal jellemezve, hogy amikor a képek aprítottak, az űrlap, a régió Az aktuális sablon szerint befejeződött, és a KALMAN szűrő alkalmazásának függvényében előre jelzik, jelenlegi, pálya; b) Az integrált elemzés, a szín, a texturális, a statisztikai, topológiai jelek és mozgóképek alapján tetszőleges számú előrejelzések alapján, azzal jellemezve, hogy amikor a kép átfedése ^, a régió formája befejeződik az aktív kontúrok segítségével módszer.
7. Eljárás egy komplex jelenet dinamikus video oldalrajzának kialakítására az alacsonyabb szintű átfogó jelek hierarchikus csoportosításának módszere szerint a helyi térszerkezetekbe, és a helyi térbeli tárgyak mellett. A kialakított videó megfelel az objektumok közötti ideiglenes kapcsolatnak, és megőrzi az általánosított funkciókat, hogy felismerje az eseményeket a helyszínen. Kétdimenziós nyelvtan M.I. Schlesinger a strukturális elismerési módszer keretében a háromszintű kontextuális nyelvtan.
8: A kollektív döntési módszer módosított felismerni dinamikus objektumokat, kezdetben végző elismerését a kép a területen a kompetencia területen, majd adja meg a döntő szabály, amelynek hatásköre legfeljebb a meghatározott területen. A dinamikus jelek bemutatásától függően négyféle pszeudo-távolságú pszeudo-távolságokat állapítottak meg.
9. Az eljárás elismerése események alapján a Bayes hálózat, amely elvégzi a rekurzív vágás a mátrix tömegére együtthatók a bemeneti videó- \u200b\u200bés egy összehasonlítás a referencia kapott események a vizsgálat során fázisban. Ez az információ a kezdeti meghatározás a jelenet és a videó szekvenciák indexelésének meghatározására a multimédiás internetes adatbázisokban.
10. A gyakorlati feladatok feldolgozása és elismerésének képsorozatok vannak megoldható egy adaptív hierarchikus módszer a tér-idő feldolgozást, a teljesítménye a módszer látható, a rendszer hatékonyságának hierarchikus feldolgozási módszerek bizonyított. A vizuális információk elismerése a jelek adaptív kiválasztásának lehetőségével. A probléma megoldása. A tervezett kísérleti rendszerek formájában kapott eredményeket az érdekelt szervezetekbe szállították.
Így, ebben a dolgozatban, a munka megoldott egy fontos tudományos és technikai problémát jelent az információ támogató videó megfigyelő rendszerek és új irányt alakult ki a területen a tér-idő feldolgozási és felismerve dinamikus képeket.
Referenciák Disszertáció Kutatás műszaki tudományok doktora Favorskaya, Margarita Nikolaevna, 2011
1. A komplex képek / ed automatikus elemzése. EM. Képernyőképek. M.: Mir, 1969. - 309 p. BONGARD M.M. Az elismerés problémái. - M.: Science, 1967.-320 p.
2. Alpatov, B.a., Mozgó objektum kimutatása a képek sorrendjében a területen korlátozások jelenlétében és az objektum sebessége / B.a. Alpatov, A.a. Kína // Digitális képfeldolgozás, №1, 2007. p. 11-16.
3. Alpatov, B.A., A mozgó tárgyak elosztása a kép geometriai torzításának feltételeiben / B.a. Alpatov, P.V. Babayan // Digitális kezelés a jelek, No. 45 2004. p. 9-14.
4. Alpatov, B.a., Babayan P.V. Az objektumok / B.A. Alpatov, P.V. Babayan // digitális jelfeldolgozás, 25-51.
5. Bolshakov, A.A., Módszerek többdimenziós adatok és idősorok feldolgozására: az egyetemek / A.a. Bolshakov, R.I. Karimov / m.: Hotline-Telecom, 2007. 522 ppm: BONGARD, M.M. Az elismerés problémái / M. M.. BONGARD / M.: SCIENT, 1967.-320 p.
6. Bully, A.b. A véletlenszerű folyamatok elmélete1 / A.b. Bully, A.n. Shiryaev / M.: Fizmatlit, 2005. 408 p.
7. Weinzweig, M.N. A vizuális dinamikus jelenetek bemutató rendszerének architektúrája a fogalmak / M.N.Vainzweig, M.N. Polyakova // Sat. Tr. 11. VSView. conf. "A képek elismerésének matematikai módszerei (MMRO-11)", M., 2003. C.261-263.
8. Vapnik, V.n. Feladat megtanulása a képek / v.n. Vapnik / m.: Tudás, 1970. - 384 p.
9. P.VAPNIK, V.N. A képek elismerésének elmélete (a tanulás statisztikai problémái) / v.n. Vapnik, A.ya. Chervonenkis / m.: Tudomány, 1974. 416 p.
10. Vasiliev, V.I. A Tel / V.I. elismerése Vasiliev, A.g. Ivaknenko, V.E. Reutsky és munkatársai, // Automatizálás, 1967, No. 6, p. 47-52.
11. Vasiliev, V.I. A rendszerek felismerése / V.I. Vasilyev / Kiev: Tudományok. Dumka, 1969. 292 p.
12. Vasiliev, V.I. Elismerő rendszerek. Könyvtár / V.I. VASILYEV / Kiev, Sciences, Dumka, 1983. 422 p.
13. VISILTER, YU.V. A morfológiai bizonyítékok elemzésének módja a motor látásfelvételeiben\u003e / YU.V. Vizilter // Számítógépes és információs technológiák közleménye, 2007. sz. 11-18.
14. Vizilter, YU.V. Projektív morfológia az interpoláció / YU.v. Vizilter // Számítógépes és információs technológiák közleménye, №4, 2008.-. 11-18.
15. Vizilter, YU.V., projektív morfológia és használatuk a digitális képek / YU.V strukturális elemzésében. Vizilter, S.YU. Sárga // Izv. Sebek Tisa, № 6, 2008. C. 113-128.
16. Vizilter, YU.V. Az Autoregression szűrők viselkedésének vizsgálata a digitális videó szekvenciák / yu.v. mozgásának felosztása és elemzése során Vizilter, B.V. Vishnyakov // Számítógépes és információs technológiák közlése, 2008. számú. - a. 2-8.
17. Vizilter, YU.V. A képek projektív morfológiája alapján a képek strukturálása funkcionális /U.v. Vizilter, S.YU. Sárga // Számítógépes és információs technológiák közlése, 2009. számú.- 12-21.
18. Vishnyakov, B.v. A módosított optikai adatfolyam módosítása a mozgatás kimutatásában és az interdarer nyomon követési feladatában.
19. Ganebny, S.N. A jelenetek elemzése a képek / S.N. Ganebny fa ábrázolása alapján, M. M. M. Lange // Sat. Tr. 11. all-ross. conf. "A képek elismerésének matematikai módszerei (MMRO-11)", M., 2003.-. 271-275.
20. Glushkov, V.M. Bevezetés a Cybernetic / V.m. Glushkov / Kiev: Az ukrán SSR tudományos akadémiája kiadása, 1964. 324 p.
21. Gonzalez, R., Woods R. Digitális képfeldolgozás. Per.s angol. Ed. P.A. Sochi / R. Bongsalez, R. Woods / M.: Technoszféra, 2006. 1072 p.
22. Goroshkin, A.n., kéziratos képek szegmentálása (Segpic) / A.n. Goroshkin, M.N. Favorskaya // tanúsítvány No. 2008614243. Regisztrált programok nyilvántartásában az EUM Moszkva, 2008. szeptember 5.
23. Grenander, W. Előadások a képek elméletére / W. Grenander / 3 t. / Per.s angol. Ed. Yu.i. Zhuravleva. M.: Mir, 1979-1983. 130 s.
24. Carman, I.S. Digitális képfeldolgozás információs rendszerekben: oktatás. Kézi / I.S. GRUZMAN, B.C. Kirichuk, v.p. Kosy, G.I.Pertiatin, A.A. Spector / Novoszibirszk, Publishing House of Nstu, 2003. p. 352.
25. A szellemi rendszerekben / ED megbízható és elfogadható kimenet. V.n. Vagina, D.a. Pospelova. 2. ed. és add hozzá. - M.: Fizmatlit, 2008. - 712 p.
26. Duda, R. Image felismerése és elemzése a jelenetek / R. Duda, P. HART / M.: Kiadó "Béke", 1978. 512
27. Zhuravlev, Yu.I. Az algebrai megközelítésen az elismerés és a besorolás / yu.i feladatok megoldására. Zhuravlev // Cybernetics problémák: Sat. Művészet., Vol. 33, M.: Science, 1978. p. 5-68.
28. Zhuravlev, Yu.I. A feldolgozási eljárások algebrai korrekciója (átalakítása) / YU.I. Zhuavlev, K.V. Rudakov // alkalmazott matematika és informatika problémái, m.: Science, 1987. 187-198.
29. Zhuravlev, Yu.I. A képek / Yu.I képek felismerése és elismerése Zhuravlev, i.b. Gurvich // Évkönyv "elismerés. Osztályozás. Előrejelzés. Matematikai módszerek és alkalmazásuk ", Vol. 2, m.: Tudomány, 1989.-72 p.
30. Zhuravlev, Yu.I. A képek képeinek és elemzésének felismerése / yu.i. Zhuavlev, I.b. Gurvich / mesterséges intelligencia a 3-kN-ban. Kn. 2. Modellek és módszerek: könyvtár / ed. IGEN. POSPELOVA, M.: Rádió és kommunikáció kiadója, 1990. - C.149-190.
31. Zagorukhiko, N.G. Felismerési módszerek és alkalmazásuk / N.G. Goruiko / m.: SOV. Rádió, 1972. 206 p.
32. Zagorukhiko, N.G. Mesterséges intelligencia és empirikus előrejelzés / N.G. Zagorukhiko / Novosibirsk: Ed. NSU, \u200b\u200b1975. 82 p.
33. Ivaknenko, A.g. Az invariancia elméletének és a kombinált ellenőrzésnek a szintézis és a hallgatók elemzése és elemzése. Ivakhnenko // Automatizálás, 1961, No. 5, p. 11-19.
34. Ivaknenko, G.I. Öntudási felismerés és automatikus vezérlőrendszerek / A.g. Ivakhnenko / Kiev: Technique, 1969. 302 p.
35. Kashkin, Vb A Föld távérzékelése az űrből. Digitális képfeldolgozás: bemutató / v.b. Kashkin, A.I. Su-Kinin / M.: Logók, 2001. 264 p.
36. Kobzar, A.I. Alkalmazott matematikai statisztikák. Mérnökök és tudósok / A.I. Kobzar / m.: Fizmatlit, 2006. 816 p.
37. Kovalevsky, V.A. A képek elismerésének korrelációs módja / V.A. Kovalevsky // Zhurn. számított. Matematika és Mat. Fizika, 1962, 2, No. 4, p. 684-690.
38. Kolmogorov, A.n: Epsilon-entrópia és Epsilon-konténer készlet funkcionális terekben / A.n. Kolmogorov, V.M. Tikhomirov // információelmélet és az algoritmusok elmélete. M.: Nauka, 1987. 119-198.
39. Kukorica, matematikai könyvtár tudósokért és mérnökökért / Korn, T. Corn // M.: Tudomány, ch. Ed. fizikai szőnyeg. LIT., 1984. 832 p.
40. Crocker, R. fraktálok és káosz dinamikus rendszerekben / R. Krono-Ver // M.: Technoszféra, 2006. 488 p.
41. Lapko, A.b. Nem parametrikus * és a differenciáladatok hibrid osztályozási rendszerei / A.v. Lappko, Bla. Lapto // tr. 12. Vsisuros. conf. "Matematikai módszerek és mintafelismerési modellek" (MMRO-12), M., 2005.- 159-162.
42. Levtine, K.E. Vizuális füstérzékelés (smokeedection) / k.e.levutin, M.N. Favorskaya // tanúsítvány No. 2009612795. Regisztrált az EUM Moszkva programjainak nyilvántartásában, 2009. július
43. LUOZIV, V.R. Az optikai robotok rendszereinek egyesítésének alapelvei / V.R. LUZIV, M.N. Favorskaya // V- Knn. "Az ipari robotok egyesítése és szabványosítása", Taskent, 1984. p. 93-94.
44. LUOZIV, V.R. Univerzális optikai rendszer a GAP / V.R. számára LUZIV, M.N. Favorskaya // KN. "Az ASUTP létrehozásának, megvalósításában és alkalmazásának tapasztalatai az egyesületekben és vállalkozásokban", L., LDNTP, 1984. p. 44-47.
45. Medvedeva, E.V. Módszer a mozgásérzékek becslésére videofelvételekben / E.v. Medvedeva, B.O. TimoMeev // A 12. nemzetközi konferencia és kiállítás anyagaiban "A jelek digitális kezelése és alkalmazása", M.: 2 tonna. T. 2, 2010. C. 158-161.
46. \u200b\u200bA képek / ed számítógépes feldolgozó módszerei. V.a.syofer. 2. Ed., Sp. - M.: Fizmatlit, 2003. - 784 p.
47. Az objektumok automatikus felismerési és karbantartása. Képfeldolgozás és menedzsment / B. A. Alpatov, P.V. Babayan, o.e. Balashov, A.I. Stepaskin. -M.: Rádiómérnöki, 2008. - 176 p.
48. A számítógépes optika / ed módja. V.a.syofer. M.: Fizmatlit, 2003. - 688 p.
49. Mudrov, A.E. Numerikus módszerek a PEVM BASEIK, FORTRAN ÉS PASCAL / A.E. Bölcs / Tomsk: MP "Rasco", 1991. 272 \u200b\u200bp.
50. Pahirk, A.I. Az arc lokalizálása (Facedetection) / A.I. Pakhirka, M.N. Favorskaya // tanúsítvány No. 2009611010. Regisztrált az EUM Moszkva programjainak nyilvántartásában, 2009. február 16
51. Pahirk, A.I. Nemlineáris képjavítás / A.I. Pakhirka, M.N. Favorskaya // tanúsítvány No. 2010610658. Regisztrált az EUM Moscow programok nyilvántartásában, 2010. március 31-én
52. Ponryagin, L. S. Folyamatos csoportok J L. S. Ponryagin // 4. Ed., M., Science, 1984.-520 p.
53. Potapov, A.a. Radiofizika és radar fraktál: topológia mintavétel / A.a. Potapov // ed. 2., kikapcsolódás. és add hozzá. - M.: Egyetemi könyv, 2005. 848 p.
54. Radchenko, YU.S. A spektrális detektálási algoritmus kutatása "Videószekvencia változásai / YU.S. Maradchenko, A.v. Buligin, T.A. Radchenko // Izv. Egyetemek. Rádióelektronika ,; 2009. o. 49-59.
55. Salnikov, I.I. Raszteres téridőjelek a képelemző rendszerekben / I.I. Salnikov // m.: Fizmatlit, 2009. -248 p.
56. Sergunin, S.YU. A képek többszintű leírásának dinamikus kialakítása / S.YU. SERGUNIN, K.M. KVASHINN, M.I. Kumskov // Sat. Tr. 11. VSView. Con: "A képfelismerés matematikai módszerei (MMRO-11)", M., 2003. p. 436-439:
57. Slynyko, Yu.V. Az egyidejű kísérő és a kiemelkedés problémájának megoldása a maximális hiszülési / yu.v. módszerrel SLYANKO // A jelek digitális kezelése, 2008. sz. 7-10.
58. Solo, R. Kognitív Pszichológia / R. Solco / SPB.: Peter, 6. Ed., 2006. 590 s.
59. Tarasov, azaz A XI-Linx pls alapú digitális eszközök fejlesztése a VHDL / I.E. nyelv segítségével Tarasov / m.: Hotline-Telecom, 2005. - 252 p.
60. Favorskaya, M.N. Digitális képfelismerési algoritmusok fejlesztése az adaptív robotkomplexekben / M.N *. Favorskaya // L!, Leningrad Intézet In-T Avez. Eszköz., 1985. Department kézirat: Viniti 23.01.85. No. 659-85 dep.
61. Favorskaya; M.N. Spektrális módszerek alkalmazása a képek normalizálására és felismerésére az adaptív robotkomplexumokban / M.N. *. Favorskaya // L., Leningradsky, Intézet Aviators. Eszköz., 1985. Osztály kézirat. a viniti23.01.85-ben. № 660-85 DEP.
62. Favorskaya, M.N. Az algoritmusok kidolgozása az objektumok elismerésére a termeléshez / M.N. Favorskaya // KN. "Az integrált automatizálásra vonatkozó állapot, tapasztalat és iránymutatások a GPS, RTK és PR" alapján, Penza, 1985. p. 64-66.
63. Favorskaya, M.N. Az objektumcsoportok projektív tulajdonságainak tanulmányozása / M.N. Favorskaya, yu.b. Kozlova // A Szibériai Állami Aerospace Egyetem közlönye. Vol. 3, Krasnoyarsk, 2002. - a. 99-105.
64. Favorskaya, M.N. Az objektum affinszerkezetének meghatározása mozgásban / M.N. Favorskaya // A Szibériai Állami Aerospace Egyetem, Vol. 6, Krasnoyarsk, 2005. - a. 86-89.
65. Favorskaya- M.N. A képfelismeréshez való megközelítések általános besorolása / m-.n. Favorskaya // B.< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.
66. Favorskaya M.N. Az invariáns meghatározó funkciók a statikus képek felismerésének feladataiban / M.N. Favorskaya // A Szibériai Állami Aerospace Egyetem közlönye. Vol. 1 (14), Krasnoyarsk, 2007. p. 65-70.
67. Favorskaya, M.N. Probabilisztikus módszerek a videoáramlás szegmentálására, mint a hiányzó adatok / M.N. Favorskaya // A Szibériai Állami Aerospace Egyetem közlönye. Vol. 3 (16), Krasnoyarsk, 2007. p. 4-8.
68. Favorskaya, M.N. A célinformációs funkciók kiválasztása a képfelismerő rendszerekben / M.N. Favorskaya // a Xi Anyagok között Dunar között. Tudományos conf. "Devetnev olvasás" SibGhau, Krasnoyarsk, 2007 p. 306-307.
69. Favorskaya, M.N. Kétdimenziós képek szegmentálási stratégiái / M.N. Favorskaya // az összes orosz tudományos konferencia anyagaiban "modellek és módszerek MMO", Krasnoyarsk, 2007. p. 136-140.
70. Favorskaya, M.N. A tájképek szegmentálása egy fraktál megközelítésen / M.N. Favorskaya // A 10. nemzetközi konferencia és kiállítás anyagaiban "A jelek digitális kezelése és alkalmazása", M., 2008. p. 498-501.
71. Favorskaya, M.N. A kézírás szövegének felismerésének modellje / M.N. Favorskaya, A.n. Goroshkin // Siberian State4 bulletin, szellőztetett Aerospace Egyetem. Vol. 2 "(19), Krasnoyarsk, 2008. p. 52-58.
72. Favorskaya, M.N. Algoritmusok a videófelügyeleti rendszerekben történő mozgásértékelés megvalósításához / M.N. Favorskaya, A.C. Shilov // Systems Management Information Technology. Ígéretes kutatás / IPU RAS; VGTU, № 3.3 (33), M.-Voronezh, 2008. p. 408 ^ 12.
73. Favorskaya, M.N. A formális nyelvtan használata során a komplex jelenetekben lévő objektumok felismerése // M.N. Favorskaya / a XIII Nemzetközi Public Sciences anyagaiban. Conf. "Devetnev olvasmányok". 2 órán belül. 4.2, Krasnoyarsk, 2009. p. 540-541.
74. Favorskaya, M.N. A dinamikus képek elismerése a szűrők előrejelzésére / M.N. Favorskaya // A Szibériai Állami Aerospace Egyetem közlönye. Vol. 1 (22) 2 óra. 4F. 1, Krasnoyarsk, 20091 p. 64-68.
75. Favorskaya, M.N., Módszerek, Kereső forgalmi v.videoslerts / M.n. Favorskaya, A.I. Pahir, A.C. Shilov; M.V. Duma // Bulletin. Szibériai Állami Aerospace Egyetem. Vol. 1 (22) 2 p. 2, Krasnoyarsk, 2009. p. 69-74.
76. Favorskaya, M.N. Mozgó video objektumok keresése, az alkalmazással - Helyi 3D szerkezeti tenzorok / M.N. Favorskaya // A Szibériai Állami Aerospace Egyetem közlönye. Vol. 2 (23), Krasnoyarsk, 2009. p. 141-146.
77. Favorskaya, M.N. A tárgyak mozgásának értékelése komplex jelenetekben egy tenzor megközelítés / M.N. Favorskaya // Digitális jelfeldolgozás, 1.2010.-c. 2-9.
78. Favorskaya, M.N. A tájképek jellemzőinek összetett kiszámítása / M.N. Favorskaya, N.Yu. Petukhov // Optikai Journal, 77, 2010.- 54-60.
79. FIJ, B.C. Képfelismerés / B.c. Finom // M.: Tudomány, 1970.-284 p.
80. Forsyt, D.A. Számítógépes látás. Modern megközelítés / D.A. Forsait, J. Pons // M.: "Villama" kiadó, 2004. 928 p.
81. FU, K. szekvenciális módszerek a gépek képeinek és képzésének felismerésében / K. FU / M.: Science, 1971. 320 p.
82. FU, K. Szerkezeti módszerek a képek elismerésében / K. FU / M.: Béke, 1977.-320 p.
83. Fukunaga, K. Bevezetés a képek elismerésének statisztikai elméletéhez / K. Fukunaga / M.: Science, 1979. 368 p.
84. Shelukhin, O.I. Önszerű és fraktálok. Távközlési alkalmazások / O.I. Shelukhin, A.V. Osin, S.M. Smolsky / Ed. O.I. Shelukhin. M.: Fizmatlit, 2008. 368 p.
85. Shilov, A.S. Motion Definition (Moticestimation) / A.S. Shilov, M.N. Favorskaya // tanúsítvány No. 200961014. Regisztrált az EUM Moszkva programjainak nyilvántartásában, 2009. február 16
86. SH. SHLEVINGER, M.I. A képek szekvenciáinak felismerésének korrelációs módja / M.I. Schlesinger / a könyvben: Olvasó gépek. Kijev: Nauk .domka, 1965. A. 62-70.
87. Schlesinger, M.I. A kétdimenziós vizuális jelek szintaxis elemzése interferencia körülmények között / M.I. Schlesinger // Cybernetics, No. 4, 1976. - P.76-82.
88. STARK, G.-G. A Waveletek használata a COS / G.-G-hez. STARK / ML: Technoszféra, 2007. 192 p.
89. Shup, T. alkalmazott numerikus módszerek fizikában és technológiában: per. angolról / T. Shup / ed. S.p. Merkuryeva; M.: Magasabb. Shk., 19901 - 255 p.11 "5. Elektromos, erőforrás: http: // www.cse.ohio-scate.edu/otcbvs-fench
90. Elektromos erőforrás: http://www.textures.forrest.cz/ Elektronikus erőforrás (Textúrák könyvtár Forrest textúra kép).
91. Elektromás, erőforrás: http://www.ux.uis.no/~tranden/brodatz.html Elektronikus erőforrás (Brodatz Texture Image Base).
92. Allili M.S., Ziou D. Aktív kontúrok a video objektumkövetéshez a régió, a határ és a forma információ // Sivip, Vol. 1, nem. 2007. Pp. 101-117.
93. Almeida J., Minetto R., Almeida T.a., DA S. Torres R., Leite N.J. A kamera mozgása robusztus becslése optikai áramlási modellekkel // előadási jegyzetek
94. Számítástudomány (beleértve az előadási jegyzeteket a mesterséges intelligencia és előadási jegyzetek bioinformatikában) 5875 LNCS (1. rész), 2009. Pp. 435-446.
95. Ballan L., Bertini M., Bimbo A. D., Serra G. Videó események besorolása a sztring kernelek használatával // multimed. Eszközök Appl., Vol. 48, nem. 2009. Pp. 6987.
96. BALLAN L. BERTINI M. DEL BIMBO A., Serra G. Akció kategorizálása labdarúgó-videókban a karakterláncok használatával //: Proc. Az IEEE INT "L Workshop a tartalom alapú multimédiás indexelésen (CBMI). Chania, Kréta, 2009. Pp. 13-18.
97. Barnard K., ventilátor QF, Swaminathan R., Hoogs A., Collins R, Rondot P., Rondot P. és Kaufhold J. Helyi szemantika értékelése: adatok, módszertan és kísérletek // Számítógépes Vision nemzetközi folyóirat, IJCV 2008, Vol. 77, nem. 1-3 2008.-Pp. 199-217.
98. Bertini M., Del Bimbo A., Serra G. A szemantikai videofelvételre vonatkozó tanulási szabályok megjegyzések // előadási jegyzetek a számítástechnikában; In: Proc. Az INT "L Konferencia a vizuális információs rendszerekről (Visual), Vol. 5188, 2008. Pp. 192-203.
99. Bobick A.f., Davis J.W. Az emberi mozgás elismerése időbeli sablonok // IEEE tranzakciók a mintaelemzés és a gép intelligencia, vol. 23, nem. 2001. m. Pp. 257-267.
100. Boiman O., Irán M. A képek szabálytalanságai és a video // a Számítógépes Vision, Vol. 74, nem. 2007. Pp. 17-31.
101. Bresson X., Vandheynst P., Thiran J.-p. Az objektumszegmentáció változatú modellje a MUMFORD-SHAH funkcionális // Nemzetközi Journal of Computer Vision, Vol. 68, nem. 2006.-PRP. 145-162.
102. Cavallaro A. Salvador E., Ebrahimi T. árnyék-tudatos objektum-alapú videofeldolgozás // IEEE Vision; Kép és jelfeldolgozás, Vol. 152, nem. 4, 2005.-pp. 14-22.
103. Chen J., Ya J. Oktatás Svm határozatlan kernelek //: Proc. A Machine Learning 25. Nemzetközi Konferenciája (ICML), Vol. 307, 2008. Pp. 136-143.
104. Cheung S.-m., Hold Y.-. A gyalogosok észlelése távolról időbeli intenzitású minták // MVA2009, Vol. 10, nem. 2009. -PP. 354-357.
105. Dalai N., Triggs B. és Schmid G. Emberi kimutatás az áramlás és megjelenés orientált hisztogramjaival // ECCV, Vol. II., 2006. Pp. 428 ^ 141.
106. Dalai N., Triggs B. Az orientált gradiensek hisztogramjai az emberi felismeréshez // IEEE konferencia számítógépes látás és mintafelismerés (CVPR), Vol. II, 2005-Pp. 886-893.
107. Dani A.p., Dixon W.E. Egyetlen kamera struktúra és mozgásbecslés // Előadási megjegyzések az irányítási és információs tudományokban, 401, 2010. Pp. 209-229.
108. Datta Ri, Joshi D; Li J., Li J. és Wang J. Z1 Képvisszatérítés: az új kor // ACM "-es felmérések ötletei, hatásai és trendjei, Vol. 40: No: 2, 2008. ■ -Pp. 1-60.
109. DIKBAS S., ARICI T., Altunbasasak Y. Gyors mozgásbecslés interpolációs-mentes al-minta pontossággal // IEEE tranzakciók az áramkörökön és rendszerek a video technológia 20 (7), 2010. -pp. 1047-1051.
110. DOLLAR P., Rabaud V., Cottrell G., Vispia S. Viselkedés elismerése SPARSE Spatio-Temporális funkciókkal //: Proc. 2. közös IEEE International Workshop a követés és a felügyelet értékeléséről, VS-PETS, 2005. PP. 65-72.
111. Donatini P. és Frosini P. Természetes pseudodistances a zárt felületek között // az európai matematikai társadalom folyóirata, vol. 9, nem. 2007 Pp. 231-253.
112. Donatini P. és Frosini P. Természetes pseudodistances a zárt görbék között // fórum matematika, vol. 21, nem. 2009. Pp. 981-999.
113. Ebadollahi S., L., X., Chang S.f., Smith J.R. Visual Event Detection többdimenziós koncepció dinamika használatával: Proc. az IEEE INT "L Konferencia Multimédia és Expo (ICME), 2006. Pp. 239-248.
114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Erdei növekedés realisztikus 3D-modellezése természetes hatással // a második KES nemzetközi szimpóziumi IDT 2010-es, Baltimore. USA. Springer-Verlag, Berlin, Heidelberg. 2010.-pp. 191-199.
115. Francois A.R.J., Nevatia R., Hobbs J.R., Bolles R.C. VERL: Ontológiai keret a videó események képviseletére és megjelölésére // IEEE Multimedia, Vol: 12; nem. 2005. Pp. 76-86.
116. Gao J., Kosaka A: KAK A.C. Egy multi-Kalman szűrési megközelítés az emberi-lehatárolt objektumok videó nyomon követésére a zsúfolt "környezetekben // IEEE Com-Puter Vision és képmegértés, 2005, V. 1, Nem. 1. 1-57.
117. GUI L., THIRAN J.-P., Paragios N. Joint objektum Szegmentálási és viselkedési osztályozás a képszekvenciákban // IEEE Conf. Számítógépes látás és mintafelismerés, 2007. június 17-22. Pp. 1-8.
118. HAASDONK B. A SVM-ek helyének értelmezése határozatlan kernelek // IEEE tranzakciók a mintaelemzés és a gépi intelligencia. Vol. 27, nem. 2005. Pp. 482-492.
119. Harris C. és Stephens M. Kombinált sarok és élérzékelő // negyedik Alvey Vision Conference, Manchester, Egyesült Királyság, 1988. Pp. 147-151.
120. HAUBOLD A., Naphade M. A videó események besorolása 4-dimenziós idővel tömörített mozgás jellemzőivel // Civr "07: A6. ACM International Confcrcrccnce a képen és a videó-visszakeresésről, NY, USA, 2007. -pp . 178-185.
121. Haykin S. Neural Networks: Könnyen bevezetés. / N.Y.: Prentice-Hall, 1999; - 658 Pi.
122. Hoynck M., Unger M., Wellhausen J. és Ohm J.-r. Robusztus megközelítés a globális mozgásbecsléshez a tartalomalapú videóelemzéshez // Spie Vol. 5601, Bellingham, WA, 2004. Pp. 36-45.
123. Huang Q., Zhao D., Ma S., Gao W., Sun H. Deinterlacing Hierarchikus mozgáselemzéssel // IEEE tranzakciók az áramkörökön és rendszereken a videó technológia számára 20 (5), 2010. Pp. 673-686.
124. Jackins C.L., TANIMOTO S.L. Négyfák, oktékos fák és K-fák: az euklideszi tér // IEEE tranzakciók rekurzív elbomlásának általánosított megközelítése az onpami, vol. 5, nem. 5, 1983.-pp. 533-539.
125. KE Y., SUKTHANKAR R:, HEBERT MI. Hatékony vizuális eseménykiismerés a volumetrikus funkciók használatával //: Proc. INT "L Konferencia Számítógépes Vision (ICCV), Vol.1, 2005.-PRP. 166-173.
126. Klaser A., \u200b\u200bMarszalek M. és Schmid C.a spatio-temporális leíró 3D-gradiensek // BMVC, Brit Gépi Vision, Konferencia, 2008. -pp. 995-1004.
127. Kovashka, A., Grauman, hogy megsemmisítsék a diszkriminatív tér-idő-időbeli szomszédság hierarchiáját az emberi cselekvési felismeréshez // az IEEE számítógépes társadalom konferenciájának eljárása a számítógépes látásról és a minta elismeréséről, 2010. Pp.2046-2053.
128. Kumskov M.I. Az elismert objektumok modelljeinek számítási rendszere // A mintafelismerés és a képelemzés, a Vol. 11, nem. 2001. p. 446-449:
129. Kwang-Kyu S. Content-alapú kép-visszakeresés a genetikai algoritmus és a tartó vektorgép kombinációjával // ICANN (2), 2007. Pp. 537-545.
130. LAI C.-L., Tsai S.-t., Hung Y.-p. Egy tanulmány a háromdimenziós koordináta kalibrálással a fuzzy System // Nemzetközi Szimpózium a számítógépen, a kommunikáció, az ellenőrzés és az automatizálás során 2010. - Pp. 358-362.
131. LAPTEV I. A helyszíni kamatlábakon // a Számítógépes Vision nemzetközi folyóirat, Vol. 64, nem. 2005. Pp. 107-123.
132. LEIBE B., SEPANN E., SCHIELE B. Gyalogos felderítés In- zsúfolt * jelenetek // IEEE konferencia a számítógépes látással és "mintafelismerés, Vol. 1, 2005.-PRP. 878-885.
133. LEW M. S., SEBE N., Djeraba C. és Jain R. Content-alapú multimédiás információk1 Retrieraval: Művészet és kihívások állapota és kihívások // ACM tranzakciók a multimédiás számítástechnika, kommunikáció és alkalmazások, Vol. 2, nem. 2006. m. Pp. 1-19.
134. Li J. és Wang J. Z. Valós idejű számítógépes jelölés képek // IEEE Trans. Pami, kötet. 2008. m. Pp. 985-1002.
135. Li L., Luo R., Ma R., Huang W., Huang W. és Leman K. IVS rendszer értékelése az elhagyott tárgyérzékeléshez a háziállatok 2006-as adatkészletek // Proc. 9 IEEE Intern. Workshop a háziállatokon, New York, 2006. Pp. 91-98.
136. Li L., Socher R., és Fei-Fei L. A teljes jelenet megértése felé: osztályozás, megjegyzés és szegmentálás automatikus keretben // IEEE konferencia számítógépes látás és mintafelismerés, CVPR, 2009. Pp. 2036-2043.
137. Li Q., \u200b\u200bWang G., Zhang G.) Chen S. Pontos globális mozgásbecslés a piramis alapú maszk // Jisuanji Fuzhu Sheji yu tuxingxue Xuebao / Journal of Computer-Aided Design és számítógépes grafika, Vol: 21 , nem. 2009. Pp. 758-762.
138. Lindemberg T., Akbarzadeh A. és Laptev I. Galilean-Diagonalizált spatio-temporális kamatkezelők // A mintafelismerésről szóló 17. nemzetközi konferencia (ICPR "04), 2004. Pp. 1051-1057.
139. Lim J., Barnes, N. Az epipol becslése optikai áramlással az antipodális pontokon // számítógépes látás és képmegértés 114, nem. 2010. Pp. 245-253.
140. Lowe D. G. Megkülönböztető kép jellemzői a Scale-invariT Keypoints // A számítógépes Vision nemzetközi folyóirat, Vol. 60, nem. 2004. Pp. 91-110.
141. LUCAS B.D., KANADE T. A RETERATIVE IMAGE REGISZTRÁCIÓS TECHNIKA A STEREO VISION alkalmazáshoz // A mesterséges hírszerzésről szóló nemzetközi közös konferencia, 1981. Pp. 674-679.
142. Mandelbrot B; b. A természet fraktál geometriája / n.y.: Freeman ^ 1982. 468 p.; Russ, per: Mandelbrot B. fraktál, természet geometria: per. angolról / M.: Számítógépes tanulmányok Intézete, 202. - 658 p.
143. Mandelbrot v.v., keret M.L. Fraktálok, grafikák és matematikai oktatás / N. Y.: Springer-Verlag, 2002. 654 p.
144. Mandelbrot B.b. Fraktálok és káosz: a mandelbrot set.and túl / n.y.: Springer-Verlag, 2004. 308 p.
145. Memoli F. A GROMOV-HAUSDORFF Távolságok formájú összehasonlítású // az eurográfiai szimpóziumnak a pont-alapú grafikákra vonatkozóan. Prága, Csehország, 2007. Pp. 81-90.
146. Mercer J. A pozitív és negatív típusú funkciók és azok kapcsolata a londoni filozófiai társadalom (A), Vol. 209, 1909. Pp. 415-446.
147. Mikolajczyk K. A helyi funkciók észlelése invariáns az affin transzformációkhoz, Ph.D.Thesis, Institut Nemzeti Polytechnique de Grenoble, Franciaország. 2002.171.
148. Mikolajczyk K. és Schmid G. Affine invariáns kamatpont detektor // az ECCV eljárásai. Vol. 1. 2002. Pp. 128-142.
149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.m. Az emberi cselekvési felismerés az extrém tanulási gép segítségével a vizuális szókincsek // neurocomputing, vol. 73 (10-12), 2010. Pp. 1906-1917.
150. Mladenic D., Skowron A., EDS: ECML. Vol. 4701-es előadási jegyzetek a számítástechnika, Springer, 2007. Pp. 164-175.
151. Moshe Y., Hel-vagy H. Videóblokk mozgás becslése a szürke-kód kernelek alapján // IEEE tranzakciók a képfeldolgozáson 18 (10), 2009. Pp. 22432254.
152. Nakada T., KAGAMI S; Mizoguchi H. Gyalogos észlelés 3D-s optikai áramlási szekvenciák használatával afmobile robot // IEEE érzékelők, 2008. PP: 116-119:
153. Needleman, S.B:. Wuntsch c.d; A Molecular Biology Vol. 48, NO: 3, 1970 * A 48, NO: 3, 1970. Pp 443-453.
154. Neuhaus M., Bunke H. Szerkesztés távolság alapú rendszermag funkciók - a strukturális minta osztályozás // mintafelismerés. Vol. 39, nem. 2006. PP: 1852-1863.
155. Nevatia R., Hobbs J. és Bolles B. Ontológia a Video Event Reprezrációhoz // a műhelyben az eseményfelismerés és az elismerés során. IEEE, VOL.12, NEM. 2004. Pp. 76-86.
156. Nguyen.n.-t., Laurendeau D:, Branzan-Albu A. Robusztus módszer a fényképezőgép mozgásbecsléséhez az optikai áramláson alapuló filmek // A 6. Nemzetközi
Felhívjuk figyelmét, hogy a fent bemutatott tudományos szövegeket megismertetjük, és a tézisek eredeti szövegeinek felismerésével (OCR) felismeri. Ebben az összefüggésben az elismerési algoritmusok tökéletlenségéhez kapcsolódó hibákat tartalmazhatnak. A PDF-ben a disszertáció és a szerző absztraktja, hogy ilyen hibákat szállítunk.
A modellezési típusok osztályozása különböző bázisokon végezhető el. A modellek számos funkcióval megkülönböztethetők: a szimulált tárgyak jellege, az alkalmazások, a modellezés mélysége. Tekintsünk 2 opciót a besoroláshoz. Első osztályozási lehetőség. A mélységmodellezéssel a modellezési módszerek két csoportra oszthatók: anyagi (tárgy) és tökéletes modellezés. Az anyagmodellezés az objektum és a modell anyagi analógiáján alapul. Ezt a vizsgált tárgy fő geometriai, fizikai vagy funkcionális jellemzőinek reprodukálásával végzik. Az anyagmodellezés különleges esete a fizikai modellezés. A fizikai modellezés különleges alkalmával az analóg modellezés. A különböző fizikai jellegű jelenségek analógiáján alapul, de ugyanolyan matematikai arányokkal írja le. Az analóg modellezés mintája a mechanikai oszcilláció (például egy rugalmas gerenda), amely ugyanazon differenciálegyenletekkel leírt elektromos rendszer segítségével történik. Mivel az elektromos rendszerrel végzett kísérletek általában könnyebbek és olcsóbbak, egy mechanikai rendszer analógként vizsgáljuk (például a híd oszcillációinak tanulmányozásakor).
A tökéletes modellezés ideális (mentális) analógián alapul. A gazdasági tanulmányokban (a gazdaságuk magas szintjén, és nem az egyéni vezetők szubjektív vágyai) a modellezés fő típusa. Az ideális modellezés viszont két alosztályra oszlik: egy jel (formalizált) és intuitív modellezés. A jelmodellezéssel modellek szolgálnak rendszereket, grafikonokat, rajzokat, képleteket. Az ikonikus modellezés legfontosabb típusa a logikai és matematikai konstrukciók segítségével végzett matematikai modellezés.
Az intuitív modellezés megtalálható a tudomány és a gyakorlat területén, ahol a kognitív folyamat a kezdeti szakaszban van, vagy nagyon összetett rendszerkapcsolatok vannak. Az ilyen kutatásokat mentális kísérleteknek nevezik. A gazdaság főként egy jelet vagy intuitív modellezést alkalmaz; Leírja a tudósok világnézetét vagy a munkavállalók gyakorlati tapasztalatait az irányítás területén. A besorolás második változata az 1. ábrán látható. 1.3. A teljesség osztályozási funkciójának megfelelően a szimuláció teljes, hiányos és hozzávetőleges. A modell teljes modellezésével az idő és a tér objektum azonos. A hiányos modellezéshez ez az identitás nincs mentve. A hozzávetőleges modellezés alapja a hasonlóság, amelyben a tényleges tárgy egyes pártjai egyáltalán nem modellezek. A hasonlóság elmélete azt állítja, hogy az abszolút forma csak akkor lehetséges, ha egy objektumot egy másik pontosan ugyanaz. Ezért a modellezés során az abszolút szemfebésnek nincs helye. A kutatók hajlamosak arra, hogy a modell csak a vizsgált rendszert jelenítse meg. Például a diszkrét információs átviteli csatornák zajmentességének becslése, a rendszer funkcionális és információs modelljei nem fejleszthetők ki. A modellezés céljának eléréséhez az eseménymodell meglehetősen elegendő, amelyet a feltételes valószínűségek mátrixai írnak le || Rij || A átmenetek az i-edik szimbólum az ábécé J-edik. Egy függés a média típusa és aláírását a modell, a következő típusú modellezés különböztethető: determinisztikus és sztochasztikus, statikus és dinamikus, diszkrét, folytonos és diszkrét -folyamatos. Meghatározott modellezés Megjeleníti azokat a folyamatokat, amelyekben nincs véletlenszerű hatások hiánya. A sztochasztikus modellezés figyelembe veszi a valószínűségi folyamatokat és eseményeket. A statikus szimulációt az objektum állapotának leírására használják egy rögzített időpontban, és dinamikus módon - az objektum időben történő tanulmányozása. Ebben az esetben az analóg (folyamatos), diszkrét és vegyes modellekkel működik. A média megvalósításának formájától függően a szimuláció mentális és valós. Az elme modellezését akkor használják, ha a modelleket egy meghatározott időintervallumban nem hajtják végre, vagy nincsenek fizikai létrehozásuk (például egy mikrométer helyzet). A valós rendszerek elme modellezése vizuális, szimbolikus és matematikai formájában valósul meg. Az ilyen típusú modellezés funkcionális, információs és eseménymodelleinek bemutatására jelentős mennyiségű forrást és módszert dolgoztak ki. A vizuális modellező alapján egy személy előadások valós objektumok vizuális modellek, megmutatva jelenségek és folyamatok játszódnak le az objektumot. Az ilyen modellek példája az oktatási plakátok, rajzok, diagramok, diagramok. Az alapja az elméleti modellezés által lefektetett egy hipotézis minták folyamatábra egy valódi tárgyat, amely tükrözi az ismeretek szintje a kutató a tárgyról, és alapjául az okozati összefüggést a bemeneti és kimeneti objektum is vizsgálták. Ez a típusú modellezés akkor használatos, ha az objektum ismerete nem elegendő formális modellek készítéséhez.
A dinamikus modellezés egy többlépéses folyamat, minden egyes lépés megfelel a gazdasági rendszer viselkedésének egy bizonyos ideiglenes időszakban. Minden aktuális lépés megkapja az előző lépés eredményeit, amelyek bizonyos szabályok szerint meghatározzák az aktuális eredményt, és adatokat generálnak a következő lépéshez.
Így a gyorsított módban a dinamikus modell lehetővé teszi, hogy vizsgálja meg a komplex gazdasági rendszer fejlődését, azt mondja, hogy a vállalkozások egy bizonyos tervezési időszakban a változó erőforrás-támogatás (nyersanyagok, személyzet, pénzügy, technológia) és megszerzése eredmények a megfelelő fejlesztési tervhez a meghatározott időszakra.
A matematikai programozás dinamikus optimalizálási feladatainak megoldásához a dinamikus programozás nevű modellek megfelelő osztálya alakult ki, a híres amerikai matematikus R. Bellman lett az alapítója. Ezeket az osztály feladatainak megoldására javasolt módszerek az "optimalitás elve" alapján, amely szerint a probléma optimális megoldása a partíciónak köszönhető n. A szakaszok, amelyek mindegyike az alcsoportot egy változóhoz viszonyítva jelenti. A számítás olyan módon történik, hogy az egyik szubtask optimális eredménye az alábbi alcsoportok kezdeti adatai, figyelembe véve a köztük lévő kapcsolat egyenleteit és korlátozásait, az utolsó közülük az egész eredmény feladat. A kategória minden modelljének közös, hogy a jelenlegi menedzsment megoldások "maguk nyilvánulnak meg" mind a határozat határozatához kapcsolódó időszakban, mind a következő időszakok szerint. Következésképpen a legfontosabb gazdasági következmények különböző időszakokban nyilvánulnak meg, és nem csak egy időszakra. Ez a fajta gazdasági következmények, mint általában jelentősek abban az esetben, ha az új beruházások lehetőségével kapcsolatos vezetői megoldásokról beszélünk, a termelési kapacitás vagy a személyzet képzésének növekedése érdekében. Előfeltételek létrehozása a jövedelmezőség növelésére vagy a költségek csökkentésére a későbbi időszakokban.
Tipikus területek alkalmazása dinamikus programozási modellek, amikor döntéseket hoznak:
A tartalékok irányítási szabályai kidolgozása, amelyek megállapítják a készletek feltöltésének pillanatát és a feltöltési sorrend összegét.
A termelési és foglalkoztatási tervezés elveinek fejlesztése a termékek ingadozó keresletének feltételeiben.
A szükséges mennyiségű pótalkatrészek meghatározása, amely garantálja a drága berendezések hatékony használatát.
A hiányos tőkebefektetések megoszlása \u200b\u200ba lehetséges felhasználás lehetséges új irányai között.
A dinamikus programozás módszerével megoldott feladatok során a célfunkció értékét (optimalizált kritérium) a magánértékek egyszerű összegzésével kapják meg fi (x) ugyanazon kritérium az egyes lépésekre, azaz
Ha az F (X) kritériuma (vagy funkciója) rendelkezik ezzel a tulajdonsággal, additív (adalékanyag).
Dinamikus programozás algoritmusa
1. A kiválasztott lépésben állítsa be az utolsó lépést jellemző változó értékek határértékeit (meghatározott feltételeit), a rendszer lehetséges állapotai az utolsó előtti lépésben. A kiválasztott változó minden lehetséges állapotára és mindegyik értékére kiszámítja a célfunkció értékét. Ezek közül az utolsó előtti lépés minden kimeneteléből válassza ki a célfunkció optimális értékeit és a vizsgált változó megfelelő értékeit. Az utolsó előtti lépés minden egyes kimenetelére emlékszem a változó optimális értékére (vagy több érték, ha ilyen értékek nagyobbak, és a célfunkció megfelelő értéke. A megfelelő táblát kapjuk és rögzítjük.
2. Menj optimalizálás a megelőző szakaszban az előző ( „Vissza”), akik az optimális érték egy új változó fix korábban talált optimális értékeit a következő változók. A célfunkció optimális értéke az ezt követő lépéseken (a későbbi változók optimális értékével) olvasható az előző táblázatból. Ha egy új változó jellemzi az első lépést, akkor azt követeljük, hogy követeljük. Ellenkező esetben ismételje meg a 2. pontot a következő változóhoz.
Z. Ezzel a problémában, az első változó minden lehetséges értékére kiszámítja a célfunkció értékét. Válassza ki az első változó optimális (ok) értékének megfelelő célfunkció optimális értékét.
4. Az első változó ismert optimális értékével meghatározzuk a következő (második) lépésben és az utolsó táblázatban lévő forrásadatokat - a következő (második) változó optimális értékét (Ya).
5. Ha a következő változó nem jellemzi az utolsó lépést, akkor fordulunk a 4. ponthoz. A nézet a 6. igénypontig mozog.
6. Az optimális megoldás megfogalmazása (kisütés).
A használt irodalom listája
1. Microsoft Office 2010. Tutorial. Yu. Stotsky, A. Vasailyev, I. Telin. Péter. 2011, - 432 p.
2. V.E. ábrák IBM PC a felhasználó számára. Ed, 7.. - M.: Infra-M, 1995.
3. Levin A. bemutató munka a számítógépen. M.: Nolide, 1998, - 624 p.
4. Informatika: Workshop a munkacsoporton egy személyi számítógépen / ed. Prof. N.V. Makarova - M.: Finanszírozás és statisztika, 1997 - 384c.
5. Informatika: tankönyv / ed. Prof. N.v. Makarova - M.: Finance Istatism, 1997 - 768 p.
Hasonló információk.
A közelmúltig viszonylag kevéssé tanulmányozták a betegségek terjedését, amelyek jelentős hatással vannak a betegségek terjedésére. A kisvárosban vagy faluban lévő lakosság homogén keverésével kapcsolatos feltételezések igazságát sokkal megkérdőjelezték, bár ez elég elfogadható, mivel az első közelítés, hogy elfogadja, hogy a fertőzésforrások mozgása véletlenszerű természetben, és nagymértékben hasonlít a részecskék mozgására kolloid megoldás. Mindazonáltal természetesen szükség van arra, hogy valamilyen ötlet legyen, hogy mely hatás nagy számú fogékony személyt eredményezhet a bekezdésekben, távolról hosszú távolságok bármely adott fertőzés forrásától.
A D. Kendalla-hoz tartozó determinisztikus modellben a populáció végtelen kétdimenziós folytonossága feltételezhető, amelyben a tér egység az egyénekről szól. Tekintsük a P pontot a P pontot, és feltételezzük, hogy a fogékony, fertőzött és távoli egyének száma egyenlő, illetve. Az X, Y és Z értékek az idő és a helyzet függvényei, de összegük egyenlőnek kell lennie. A rendszerhez hasonló mozgás fő egyenletei (9.18)
ahol - térben súlyozott átlag
Mindkettő állandó - a Q pont körülvevő terület eleme, és nem negatív súlytömeg-együttható.
Tegyük fel, hogy a betegségek kezdeti koncentrációját egyenletesen elosztják a kezdeti fókuszt körülvevő kis területen. Azt is megjegyezzük, hogy egyértelmű formában vezették be a ROH munkájába, hogy a fertőzés terjesztésének mértéke változatlan maradt a népsűrűségtől. Ha a síkon állandó maradt, akkor az integrált (9,53) biztosan konvergálna. Ebben az esetben kényelmes lenne követelni ezt
A leírt modell lehetővé teszi a matematikai kutatás meglehetősen előre. Megmutatható (egy vagy két fenntartással), hogy a pandémiát lefedi az egész síkot, és csak akkor, ha a népsűrűség meghaladja a küszöbértéket. Ha a pandémiás származik, akkor az intenzitását az egyenlet egyetlen pozitív gyökere határozza meg
Ennek a kifejezésnek a jelentése az, hogy az egyének aránya a végén minden területen, függetlenül attól, hogy milyen messze van a kezdeti járványfókuszból, nem lesz kevesebb? Nyilvánvaló, hogy ez a Kendalla tétel a pandémia küszöbén hasonló a Kermak küszöbértékéhez és a Mac-Kendrickhez, amelyben a térbeli tényezőt nem vették figyelembe.
Ön is létrehozhat egy modellt a következő adott esetben. Legyen x és y a fogékony és fertőzött egyének térbeli sűrűsége, illetve. Ha helyi és izotróp fertőzést tart, nem nehéz megmutatni, hogy a rendszer első két egyenletének megfelelő egyenletei (9.18) meg lehet írni
ahol nem térbeli koordináták] és
A kezdeti időszakra, ha egy állandó értéket keletkezhet, a rendszer második egyenlete (9.56) lesz az űrlap
Ez a standard diffúziós egyenlet, amelynek megoldása van
ahol a C állandó a kezdeti feltételektől függ.
Az R sugaron kívül található fertőzött egyének teljes száma egyenlő
Ennélfogva,
És ha ezután. A kiválasztott értéknek megfelelő sugár sebességgel növekszik. Ez a nagyság a járvány terjesztésének sebességének tekinthető, és a nagy t határértéke egyenlő. A Glasgow-i kanyaró-járvány egyikében közel hat hónapig az elosztási ráta hetente körülbelül 135 m volt.
Az egyenletek (9,56) könnyen megváltoztathatók, hogy figyelembe vesszük a fogékony és fertőzött személyek migrációját, valamint az új fogékony egyének kialakulását. Mint a szakaszban tárgyalt epidémiák esetében. 9.4, Lehet, hogy van egy egyensúlyi megoldás Itt azonban a kis oszcillációk gyorsan vagy akár gyorsabban elhalványulnak, mint egy nyugtalan modellben. Így világos, hogy ebben az esetben a determinisztikus megközelítésnek bizonyos korlátai vannak. Elvileg természetesen inkább a sztochasztikus modellek előnyben részesítené, de általában az ezek elemzése óriási nehézségekkel jár, bármilyen esetben, ha tisztán matematikai eszközöket végeznek.
Számos munka volt a folyamatok modellezésére. Tehát Bartlett egy számítógépet használt, hogy több egymást követő mesterséges járványt vizsgáljon. A térbeli tényezőt figyelembe vették a mesh sejtek bevezetésével. Mindegyik sejten belül tipikus, nem veszteséges modelleket alkalmaztunk folyamatos vagy diszkrét időre, és a fertőzött egyének véletlenszerű migrációja a közös határú sejtek között megengedett. A populáció kritikus térfogatára vonatkozó információkat kapták, amely alatt az epidémiás folyamat gyengült. A modell fő paramétereit a tényleges epidemiológiai és demográfiai adatok alapján kaptuk.
A közelmúltban a könyv szerzője számos hasonló tanulmányt vett igénybe, amelyekben kísérletet tettek a sztochasztikus modellek térbeli generalizációjára egyszerű és általános esetekben. 9.2 és 9.3. Tegyük fel, hogy van egy négyzet alakú rács, minden csomópont elfoglalt egy fogékony egyén. A fertőzés forrását a tér közepére helyezzük, és a lánc-binomiális típusának folyamatát diszkrét időre tekintjük, amelyben csak a fertőzés bármilyen forrásának közvetlenül szomszédos személyek fertőzés veszélyei vannak. Ezek lehetnek csak négy legközelebbi szomszéd (1. reakcióvázlat), vagy átlósan (2. reakcióvázlat); A második esetben mindig nyolc ember fekszik a tér oldalán, amelynek középpontja a fertőzés forrását foglalja el.
Nyilvánvaló, hogy a rendszer választása önkényesen, azonban munkánkban az utolsó helyet használták.
Először egy egyszerű járványt vettek figyelembe a helyreállítási esetek nélkül. A kényelem érdekében a rácsrácsot használták, és az egyes személyek állapotáról (azaz a fertőzésre vagy a forrásra érzékenyek-e) a számítástechnikai gépen tárolták. A modellezés folyamatában az egyes személyek állapotában bekövetkezett változások jelenlegi rekordját elvégezték, és kiszámítottuk az új esetek teljes számát a középső fertőzésből a középpontban. A gép memóriájában az összeg aktuális értékeit és az esetek számának négyzetének összegét rögzítették. Ez lehetővé tette az átlagos értékek és az átlagos négyzetes hibák kiszámítását. A tanulmány részleteit külön cikkben teszik közzé, és itt csak egy vagy két magánfunkciót ünnepelünk. Például világos, hogy nagyon nagy valószínűséggel elegendő érintkezés esetén a járvány szinte determinisztikus elterjedése lesz, amelyben a járvány fejlődésének új szakaszában új térfertőforrással rendelkeznek.
Az alacsonyabb valószínűséggel a járvány valóban sztochasztikus terjedése lesz. Mivel minden fertőzés forrása csak nyolc legközelebbi szomszédját fertőzheti meg, és nem az egész népességet, akkor várható, hogy a teljes rács epidémiás görbéje nem annyira élesen nő, mint az egész populáció homogén keverésével. Ez az előrejelzés valóban indokolt, és az új esetek száma többé-kevésbé lineárisan növekszik, amíg a szélhatások nem befolyásolják (mivel a rács korlátozott hosszúságú).
9. táblázat: Egy egyszerű járvány térbeli sztochasztikus modellje, 21x21 rácson épült
A lapon. A 9. ábra a rácshoz kapott eredményeket a fertőzés egyik forrásforrásának jelenlétében és a 0,6-nak megfelelő megfelelő érintkezés valószínűségét mutatja. Látható, hogy az epidémia első és tizedik szakasza között az új esetek átlagos száma minden alkalommal körülbelül 7,5-re nő. Ezt követően az él hatását elkezd uralni, és a járvány görbe élesen csökken.
Azt is meghatározhatja az új esetek átlagos számát bármely adott rácspontra, és talál egy járvány görbét erre a pontra. Kényelmes az átlagolást az összes ponton, amely a négyzet határán fekszik, amely központjában fertőzés forrása van, bár a szimmetria ebben az esetben nem lesz teljes. A különböző méretű négyzetek eredményeinek összehasonlítása a fertőzés kezdeti forrásából mozgó járványhullám képét képezi.
Itt van egy sorozatok sorozata, amelyek módjai növekszik lineáris progresszióban, és a diszperzió folyamatosan növekszik.
A teljes típusú járvány részletesebb tanulmányozása a fertőzött magánszemélyek eltávolításával történt. Természetesen mindez nagyon egyszerűsített modellek. Fontos azonban megérteni, hogy jelentősen javítható. Figyelembe véve a lakosság mobilitását, azt feltételezni kell, hogy az érzékeny személyek fertőzöttek azoktól a fertőzési forrásokból, amelyek nem a legközelebbi szomszédok. Talán itt kell használni valamilyen súlyhatást a távolságotól függően. A számítástechnikai gép programjába kell bevezetni, viszonylag kicsi. A következő szakaszban lehetséges lehet olyan módon leírni, hogy valódi vagy tipikus populációk a legkülönbözőbb struktúrával. Ez megnyitja a lehetőséget, hogy értékelje a valódi populációk epidemiológiai állapotát a különböző típusú járványok kockázatának tekintetében.
