Помощь в написании студенческих работ
Антистрессовый сервис

Алгоритмы автоматизированного поиска признаковых пространств на основе характерных последовательностей в цифровых сигналах

Диссертация: Алгоритмы автоматизированного поиска признаковых пространств на основе характерных последовательностей в цифровых сигналах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Сегодняшнее положение в области разработки, систем распознавания образовхарактеризуется огромным: разнообразием' моделей алгоритмов распознавания-', а также методов! кластерного-анализа, выбора признаковоценки информативности признаков и" методов решения других вспомогательных задач. При этом отсутствует единая методика: разработки систем распознавания, нет единого мнения о преимуществах одной… Читать ещё >

Алгоритмы автоматизированного поиска признаковых пространств на основе характерных последовательностей в цифровых сигналах (реферат, курсовая, диплом, контрольная)

Содержание

  • Оглавление .:…'.:.'
  • Список обозначений
  • Список сокращений
  • Введение-- ."

ГЛАВА 1. Анализ методов классификации цифровых: сигналов на основе обучающей выборки .:.'.:.,. 1.1. Постановка задач классификации сложных объектов по цифровым сигналам и автоматизированного поиска признаковых пространств

1.2. Классификация методов и систем распознавания цифровых сигналов

1.3: Базовые алгоритмы и методы поиска признаковых пространств

1.4. Анализ методов оценки эффективности систем распознавания образов

Выводы

ГЛАВА 2. Разработка комплекса алгоритмов и методики поиска признаковых^ пространств для классификациищифровых сигналов

2.1. Этапы- синтеза систем классификации цифровых сигналов

2.2. Определение семейства признаков на основе частот характерных последовательностей.

2.3. Алгоритмы формирования конечного-множества возможных признаков:5 Г

2.4. Алгоритм поиска информативного рабочего множества признаков

2.5. Алгоритм повышения эффективности признакового пространства

2.6. Алгоритмы оценки информативности признаковых пространств

2.7. Методика формирования признакового пространства на основе частот характерных последовательностей

2.8. Интерпретация признаков на основе частот характерных последовательностей. —.

Выводы

ГЛАВА 3. Анализ эффективности алгоритмов автоматизированного поиска признаковых пространств для классификации цифровых сигналов Г.

3.1. Поиск признаковых пространств для эталонных задач классификации цифровых сигналов

3.2. Диагностика состояния подшипников трансмиссии ГТД на основе частот характерных последовательностей вибросигналов

3.3. Поиск признаковых пространств для классификации фрагментов изображений дистанционного мониторинга местности

3.3.1. Поиск признакового пространства для классификации фрагментов со следами шин на снимках кадровой телевизионной камеры

3.3.2. Поиск признаковых пространств для классификации фрагментов леса на снимках дистанционного мониторинга местности.

3.4. Анализ результатов классификации цифровых сигналов

3.4.1. Сопоставительный анализ методов классификации цифровых сигналов.

3.4.2'. Оценка эффективности дополнительных алгоритмов поиска признаковых пространств.

3.4.3. Зависимость точности распознавания от размера обучающей выборки ик количества признаков

3.4.4. Проблемапереобучения при поиске признаков

Выводы

Актуальность темы

В настоящее время автоматическая обработка цифровых данных является одним из самых актуальных научных и практических направлений. Разработка алгоритмов и систем классификации цифровых сигналов, важной составной частью которых являются алгоритмы формирования образов, необходима для диагностики состояния сложных технических систем, обнаружения зон интереса V на изображениях дистанционного мониторинга, распознавания речи и других приложений. В работе предлагается решение задачи формирования образов сложных объектов и цифровых сигналов как поиск признаковых пространств на основе характерных последовательностей. Разработанные методика и комплекс алгоритмов пригодны для сигналов* различных типовно внастоящей работе исследованы только временные ряды и изображения в градациях серого. Это решение позволяет существенно повысить степень автоматизации разработки алгоритмов классификации цифровых сигналов, а также повысить вероятность правильного распознавания в приложениях.

Методы аналитического синтеза алгоритмов и систем классификации (распознавания) цифровых и аналоговых сигналов рассматриваются в теории статистических решений. Приложения этой теории наиболее распространены в радиолокации. Однако для аналитического синтеза алгоритмов должны быть известны модели сигналов разных классов (альтернатив) [63]. В’данной работе рассматривается проблема построения алгоритмов классификации цифровых сигналов в условиях существенной априорной неопределенности. Вместо моделей сигналов задано конечное множество классифицированных сигналов, т. е. обучающая выборка, что свойственно таким областям науки как машинное (вычислительное) обучение и распознавание образов [10, 91, 117, 120, 132].

Академик В. И. Журавлев отмечает, что центральная задача распознавания образов — построение на основе систематических теоретических и экспериментальных исследований эффективных вычислительных средств для отнесения формализованных описаний ситуаций и объектов к соответствующим классам

37]. Первые попытки разработки методов распознавания образов относятся к 50-м годам прошлого века. В 1950;х — 1960;х годах разработано множество алгоритмов, и автоматические системы распознавания получают широкое применение. К середине 70-х годов 20-го века выделяют пять типов моделей распознавания: модели на основе принципа разделения-, статистические моделимодели на основе метода потенциальных функциймодели вычисления оценок-, модели, основанные на исчислении высказываний. В: рамках этих моделей разработано множество конкретных эвристических алгоритмов [36, 40, 67].

Очередной этап развитиятеории распознавания образов связывают с появлением в конце 1970;х годов алгебраического подхода [38], в рамках которого удается строить корректные алгоритмы распознавания на основе композиции некорректных эвристических алгоритмов. Несмотря на более чем полувековое развитие,-большая часты применяемых на практике методов>распознаванияявляется-эвристическими: Как и раньшеобоснованием эффективности алгоритмов и систем распознавания образов является эксперимент.

Сегодняшнее положение в области разработки, систем распознавания образовхарактеризуется огромным: разнообразием' моделей алгоритмов распознавания-', а также методов! кластерного-анализа, выбора признаковоценки информативности признаков и" методов решения других вспомогательных задач. При этом отсутствует единая методика: разработки систем распознавания, нет единого мнения о преимуществах одной модели по сравнению с другими. При разработке прикладной системы специалист сталкивается с проблемой выбора как на этапе проектирования структурысистемы, так и при выборе конкретных алгоритмов (структурных блоков). Одна из тенденций к обоснованию выбора — появление специализированных, ресурсов с данными дляиспытания различных методов обучения? [104]. Испытание: на одних и тех же данных при одинаковых условиях позволяет производить сопоставительныйанализ вариантов структурных схем, а также, алгоритмов? классификации,. формирования признаков* (feature extraction), отбора признаков (feature selection) и других вспомогательных алгоритмов. .

Важной современной тенденцией является появление технологий разработки систем распознавания цифровых: сигналов, обладающих большой степенью общности, т. е. позволяющих получить эффективные системы в различных предметных областях. Предпосылками для появления таких технологий можно считать работу М. М. Бонгарада: «Проблема узнавания», а также работу Э. М. Бравер-мана и И. Б. Мучника: «Структурный анализ экспериментальных кривых» [10].

Введутся интенсивные исследования и разработан ряд методов классификации цифровых сигналов в. условиях существенной априорной неопределенности, основанных на математических [78, 89, 90, 91], структурных [13, 20, 40, 70, 117, 132] и метрических методах распознавания- [122, 123', 140], а также на применении искусственных нейронных сетей [126, 127, 133, 132] и математических моделей [92,62, 132]. В качестве структурных блоков в таких системах используются алгоритмы, теории распознавания образов (кластерный анализ, алгоритмы отбора признаков, методы" классификации)'[91,78], алгоритмы цифровой обработки сигналов. [3- 6, 12, 16- 40, 43, 50, 59, 60, 64, 89 — 92- 102, 116- 119, 121, 126, 127, 145] (фильтрация, wavelet преобразованиеДПФ), алгоритмы сегментации [2, 10, 11, 36, 65,.735 77, 80], методы построения структурного описания [10, 20, 36, 40, 58, 61, 67, 7 Г, 73, 111],.генетические алгоритмы, генетическое программирование [89−91, 96,99, Г15, 125] и другие. Высокая потребность в развитии методов классификации-объектов и формирования > их образов, по цифровым сигналам обусловлена необходимостью повышения точности распознавания, уменьшения времени разработки и повышения скорости работы алгоритмов классификации.

Необходимость поиска признаковых пространств возникает при решении задачи структурно-параметрического синтеза систем классификации объектов на основании математических методов распознавания образов. Система классификации на основе формально заданного описания объекта (образа объекта) относит его к одному из классов заранее заданного множества. Системы классификации объектов включают: блок датчиков, блок предварительной обработки (например, блок вычисления признаков), блок классификации и блок памяти. Блок предварительной обработки преобразует измерения, полученные от датчиков, к характерным признакам. Формальным описанием объекта после предварительной обработки является вектор значений признаков. Работа блока классификации, как правило, основана на гипотезе компактности. Согласно гипотезе компактности, множества точек в векторном пространстве значений признаков (признаковом пространстве), характеризующие объекты разных классов, располагаются компактно. При синтезе блока классификации строятся поверхности в признаковом пространстве, отделяющие области с преимущественным содержанием точек некоторого класса. Классификация производится за счет определения области, в которую попадает точка признакового пространства. Блок предварительной обработки может не потребоваться, если результатом измерений являются скалярные величины. Если распределения точек в признаковом пространстве исходных измерений плохо удовлетворяют гипотезе компактности, то в качестве блока предварительной обработки используют преобразования кластеризации, повышающие кластерные свойства распределений образов. В настоящей работе рассматривается случай, когда результатом измерений являются одномерные или двумерные цифровые последовательности (цифровые сигналы). На практике часто используют различные показатели, вычисляемые по сигналу. Иногда при определении признаков используется цифровая обработка сигналов, сегментация, структурное описание сигналов и другие методы. Таким образом, признак — это вычислимая-функция от сигнала, а задача поиска признакового пространства является задачей г структурно-параметрического синтеза блока предварительной обработки информации в системах распознавания образов. Традиционно, признаки для классификации цифровых сигналов формируют специалисты предметной области, формализуя свой опыт решения задачи классификации или отыскивая легко формализуемые закономерности, характеризующие объекты разных классов. Процесс поиска эффективных признаков часто оказывается весьма сложным и требует большого времени. Настоящая работа посвящена разработке алгоритмов, позволяющих автоматизировать поиск признаковых пространств. В качестве исходных данных для таких алгоритмов выступает множество сигналов с указанием классов объектов, для которых они зарегистрированы. При этом, задача поиска признакового пространства рассматривается как задача обучения по эмпирическим данным или как задача оптимизации блока первичной обработки информации в системе классификации.

В промышленности, медицинегеофизике сигналы являются очень сложными объектами. Они определяются, применяемыми датчиками, то есть возможность влиять на пррцесс получения' первичной информации очень ограничена. Математическая модель сигналов или неизвестна, или настолько сложна, что ее, использование становится неконструктивным: Построение классификаторов на основе непосредственно наблюдаемых сигналов невозможно из-за очень большого размера данных. Необходимо предварительное: извлечение из наблюдаемых, сигналов информативных-признаковпосле чего задача классификации решается известными методами. Формальные методы поиска признаков при неопределенной математической модели сигнала.отсутствуют. Часто используются известные: из других приложений методы* без обоснования их эффективности (например-. спектральное представление сигнала). Множество, признаков, характеризующих объект, выбирается специалистом, а эффективность выбора или его ошибочность становитсяясной после разработки, тестированияи использования системы распознавания или обработки информации, когда модификации,. корректировки, доработки: аппаратуры или программного обеспечения трудны, дороги и требуют много времени. Процесс выбора характерных признаков не может быть формализован. Однако в рамках выбранного семейства признаков можно избавить специалиста от перебора вариантов и автоматизировать поиск наиболее информативных признаков. В диссертации спроектировано семейство признаков на. основе характерных последовательностейпригодное для автоматического анализа самых разнообразных цифровых сигналов, хотя исследованы только временные ряды и изображения в градациях серого.

Алгоритмы поиска и оптимизации: признаковых пространств, для классификации цифровых сигналовразработанные и исследованные в настоящей работе, актуальны для значительного уменьшения времени поиска по сравнению со временем решения этой задачи специалистом, а также для повышения точности распознавания. Поскольку признаки выбираются на основе отыскания закономерностей в эмпирических данных (в сигналах обучающей выборки), разработанные алгоритмы поиска признаков можно применять для решения задач структурно-параметрического синтеза и оптимизации алгоритмов предварительной обработки информации систем распознавания образов в различных предметных областях.

Цели и задачи исследований

Цель исследований заключается в разработке алгоритмов автоматизированного поиска признаковых пространств, позволяющих повысить вероятность правильного распознавания в системах классификации цифровых сигналов, а также уменьшить время разработки таких систем.

Дня-достижения поставленной цели решены следующие задачи:

1. Формализована задача поиска эффективных признаковых пространств для классификации цифровых сигналов.

2. Проведен системный" анализ алгоритмов, вычисления* признаков цифровых сигналов-и найдено семейство алгоритмов вычисления признаков, позволяющее автоматизировать процесс поиска признаковых пространств и оптимизировать системы, классификации цифровых сигналов по критерию максимума вероятности правильного распознавания.

3. Разработан комплекс алгоритмов автоматизированного поиска эффективных признаковых пространств для классификации цифровых сигналов.

4. Разработано специальное программное обеспечение поддержки разработки и исследования алгоритмов и алгоритмических схем обработки и анализа цифровых сигналов, поиска признаковых пространств и структурно сложных алгоритмов принятиярешений.

5. Произведен анализ эффективности систем классификации цифровых сигналов на основе найденных признаковых пространств по критерию вероятности правильного распознавания.

Методы исследования

Для формализации задач использован теоретико-множественный подход общей теории систем. При разработке алгоритмов применялись модели и методы теории распознавания образов, цифровой обработки сигналов и численной оптимизации. Экспериментальная оценка качества решения задач классификации цифровых сигналов выполнялась методами испытания на независимых (отложенных) данных и скользящего контроля.

Практическая значимость диссертации

Полученные результаты составляют алгоритмическую и программную основу для решения задач автоматизированного поиска признаковых пространств для классификации цифровых сигналов, что позволяет оптимизировать обработку информации в системах распознавания образов и повысить вероятность правильного распознавания в приложениях. Предложенные решения могут быть использованы в областях: технической и медицинской диагностики, контроля качества продукции, дистанционного-мониторинга местности, видеонаблюдения, робототехники, автоматического анализа речи, анализа массивов мультимедиа данных и других. !

Создана программная среда поддержки разработки и исследования? алгоритмов, и алгоритмических схем цифровой обработки сигналов, распознавания образов и других. Эта среда внедрена в-ОАО «Конструкторское бюро «Луч» (г. Рыбинск) в составе комплекса обработки изображений дистанционного мониторинга местности (многофункциональной визуальной информационной системы). На её основе реализован комплекс алгоритмов автоматизированного поиска признаковых пространств для классификации цифровых сигналов, а также алгоритмы предварительной обработки временных рядов и изображений.

Научная новизна

1. Введено новое семейство алгоритмов вычисления признаков цифровых сигналов, основанное на сопоставлении сегментов сигнала и вычислении частот появления в сигнале характерных последовательностей, и установлено, что это позволяет повысить качество систем распознавания образовпо критерию максимума вероятности правильного распознавания.

2. Разработан и исследован комплекс алгоритмов автоматизированного поиска признаковых пространств для классификации цифровых сигналов, основными алгоритмами которого являются: алгоритм формированияконечного множества возможных признаков по обучающей выборке и алгоритм поиска эффективного признакового пространства. как подмножества. большого (более 500) множества, в том числе коррелированных, признаков.. ¦

3. Новое, решение задачи цифровой автоматической диагностики состояния подшипников трансмиссии газотурбинных двигателей, основанное на многомасштабном Wavelet-разложении вибрационных сигналюв и подсчете частот характерных последовательностей в интегральных Wavelet-коэффициентах, обеспечивает более высокую вероятность правильного распознавания, чем-диагностика при помощи спектральных и статистических признаков.

4. Показано, что новое решение задачи распознавания фрагментов изображений, основанное: на преобразовании локального повышенияконтраста, статистиках характерных по следовательно стей, ряде инвариантных к повороту расстояний и алгоритме перебора', последовательностей, но разреженным границам детектора-Canny, является эффективным в условиях изменчивости изображений по масштабу, ориентации, яркостии контрасту, а также в условиях шумаш. другихискажений, свойственным изображениям дистанционного мониторинга местности.

На-защиту выносятся

1. Комплекс: алгоритмов автоматизированного поиска признаковых пространств" для классификации цифровых сигналов, позволяющий решать задачу структурно-параметрического синтеза блоков предварительной обработки информации в системах распознаванияюбразов.

2. Алгоритм предварительной обработки информации в системе диагностики состояния подшипников трансмиссии газотурбинных двигателей, включающий вычисление Wavelet-коэффициентов вибрационных сигналов и подсчет частот характерных последовательностей в интегральных Wavelet-коэффициентах, обеспечивающий полную линейную разделимость, образовг вибрационных сигналов кондиционных и некондиционных подшипников, что не обеспечивается применением спектральных и статистических признаков. .'¦'

3. Алгоритмы предварительной обработки информации в системах классификации фрагментов изображений дистанционного мониторинга местности, включающие преобразование локального повышения контраста, набор алгоритмов инвариантного к повороту сопоставления последовательностей, и вычисление частот характерных последовательностей с перебором их по разреженным границам детектора Canny.

Апробация^ результатов работы. Основные результаты работы докладывались на 10-й международной конференции «Цифровая обработка сигналов и ее применение» (Москва, 2008) — 9-й международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Нижний Новгород, 2008) — открытом семинаре в Институте системного анализа РАН (Москва, 2008) — XXIX конференции молодых ученых (Рыбинск, 2005) — XI международном конгрессе двигателестроителей (Украина, Рыбачье, 2006) — международной школе-конференции молодых ученых, аспирантов и студентов имени П. А. Соловьева и В. Н. Кондратьева (Рыбинск, 2006).

Публикации. По результатам работы опубликовано 9 научных работ, в том числе: 7 статей и 2 тезиса докладов на конференциях. Две статьи опубликованы в журналах, рекомендуемых ВАК.

Объем.и структура работы

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 148 пунктов и 4 приложений. Объем работы 156 страниц, с приложениями 165 страниц. Работа содержит 66 рисунков и 23 таблицы.

Основные результаты работы заключаются, в следующем.

1. Разработан комплекс алгоритмов автоматизированного поиска признаковых пространств на основе частот характерных последовательностей для классификации цифровых сигналов. Комплекс содержит:;

1) Алгоритм формирования множества конечного множества признаков по обучающей выборке. Он основан на кластерном анализе последовательностей сигналов, регулировке порогов кластеров по критерию максимума заданной? мерьтинформативности признаков и характеризуется явным заданием алгоритма оценки информативности. Основной прием формирования конечного множествавозможных признаков — объединение множеств признаковполучаемых, дляразличных расстояний, размеров последовательностей-и алгоритмов. •.

2) Алгоритм поиска признакового пространства, как подмножества. множества возможных признаков, позволяющий-. находить эффективные признаковые пространствав условиях большогообъема множества возможных признаковза счет объединения! метода случайногопоиска с адаптацией с алгоритмами удаления парных корреляций и малоинформативных признаков. '¦•'." '•

3) Алгоритмы перебора и сопоставления последовательностей сигналов.

4) Алгоритмы оценкиинформативности отдельных признаков и признаковых пространств.

5) Алгоритм повышения информативности признакового пространства.

2. Алгоритмы автоматизированного поиска признаков позволяют построить признаковые пространства с полной линейной разделимостью для диагностики состояния подшипников трансмиссии газотурбинных двигателей, чего не удалось достигнуть при использовании спектральных и статистических признаков. Для признакового пространства на основе частот характерных последовательностей оценка вероятности правильного распознавания по методу скользящего контроля составила 94,4%. Применяемый сегодня энергетически — метод вибрадиагностики, на той же самой обучающей выборке, показал 61% правильного распознавания.

3. По результатам практических испытаний установлено, что:

1) алгоритмы автоматизированного формирования признаков являются эффективными и позволяют при меньшем объеме обучающей выборки получить алгоритмы классификации цифровых сигналов с большей вероятностью правильного распознавания, чем метод динамической трансформации времени (повышение до 8.7%), система Zeus, метод обобщенного формирования структурных признаков (повышение до 1.5%), представление изображений на основе редких частей (повышение до 19%), метод опорных векторов (повышение до 27%), нейронная сеть обратного распространения ошибки (до 23%) — методы классификации на основе деревьев решений С4.5 (повышение до 26%), сетей Байеса (повышение до 29%), случайных лесов (повышение до 19%), деревьев логистических регрессионных моделей (повышение до 24%), к-ближайших соседей по Евклидовой метрике (повышение до 18%);

2) применение преобразования кластеризации Карунена-Лоэва позволяет добиться повышения вероятности правильного распознавания до 5% при больших объемах обучающей выборки (от 400 сигналов), но для этого необходима интеграция этого преобразования в процедуру оценки информативности;

3) преобразование локального повышения контраста позволяет добиться повышения вероятности правильного распознавания телевизионных изображений с кадровой камеры в среднем до 5% в задачах дистанционного мониторинга местности.

4. Создана программная среда поддержки и исследования алгоритмов и алгоритмических схем: «Библиотека алгоритмов». Данная среда позволяет разрабатывать и тестировать сложные алгоритмы и алгоритмические схемы цифровой обработки сигналов и распознавания образов. На её основе разработана программная реализация комплекса алгоритмов автоматизированного формирования образа для классификации цифровых сигналов на основе частот характерных последовательностей.

Перспективными направлениями дальнейших исследований автор считает: 1. Развитие алгоритмической базы для формирования образа на основе предложенной методики за счет применения современных технологий обработки и

141 ' «.'¦'- - • анализа сигналов. Например, для перебора. последовательностей при классификации фрагментов, изображений целесообразно использовать достиженияв области операторовобнаружения точек интереса (interest points), что позволяет повысить скорость качество классификации одновременно-. Напримерпри сопоставлении последовательностей изображений более устойчивым к вариациям контраста и масштаба чем использование коэффициента корреляции приемом является, использование SIET (Scale invariant featuretransform) дескрипторов. Также не является окончательным и выбор: алгоритмов оценкиинформативности, преобразования кластеризации, алгоритма, поиска эффективного подпространства признаков: и используемого метода классификации в признаковом пространстве:

2. Проведение сравнительного анализа эффективности применения: других алгоритмов? в составе предложенною методики. Так, например, практическизначимым: является сравнение эффективности использования различныхалгоритмов? оценки информативности, поиска подпространства признаков и других алгоритмов:

3- Разработкаструктурногоподхода классификациисигналов — на основеХГГ. Предложенная методика почти не* позволяет учитывать, информацию о положении в сигнале и взаимномрасположении найденных последовательностей^ относящихся к той или иной ХП. Рассмотрение этих последовательностей, как структурных элементов и обнаружение устойчивых связей между ними может позволить повысить точность распознавания в! практических приложениях.

4. Испытание предложенной методики' для: формированияобраза: при классификации цветных изображений и многомерных временных рядов.

5. Разработка способов повышения^ степени автоматизации и скорости формирования образа на базе предложенной, методики в случае большого: числа классов. ' .•

6. Исследование способов повышения вероятности правильного распознавания.- при формировании образа на базе предложенной методики, в случае малого объема обучающей выборки.

ЗАКЛЮЧЕНИЕ

Показать весь текст

Список литературы

  1. , И. Количественный расчет детекторов контуров, основанных на подчеркивании перепадов яркости с последующим пороговым ограничением Текст. /И: Абду, У. Прэтг // ТИИЭР,.1979. -№ 5. С.59−70.
  2. , О.В. Повышение обобщающей способности бустинга в задачах с перекрывающимися классами Текст. / О. В. Баринова, А. П. Вежневец, В. П. Вежневец // Докл. всеросс. конф. ММРО-13. Москва, 2007. — С. 82 — 84.
  3. , М.М. Проблема узнавания Текст. / Бонгард М. М. М.: Наука, 1967.-320 С.
  4. , Д.Ю. Методы выделения признаков двумерных спектров нестационарных биомедицинских сигналов Текст. / Д. Ю. Боснякова, A.A. Морозов, Г. Д. Кузнецова,. Ю. В. Обухов // Докл. всеросс. конф- ММРО-13. -Москва, 2007. С. 461 — 463-
  5. Браверман,.Э:М. Структурные методы обработки эмпирических данных Текст., / Э. М. Бравермащ И: Б. Мучник. М.: Наука, 1983. — 464 С.
  6. , Б.Е. Непараметрическая сегментация электрических сигналов мозга: Текст.- / Б. Е. Бродский, Б. С. Дарховский, А. Я. Каплан, C.JI. Шишкин // Автоматика и телемеханика, 1998. — № 2.,-G. 23- 33:
  7. , Д.Ю. Метод автоматизированного конструирования- процедур обнаружения объектов по их структурному описанию Электронный ресурс. / Д. Ю. Буряк, ЮЛЗ. Визильтер // Журнал- радиоэлектроники: 2003: — № 4. http://jre.cplire:ru/alt/apr03/r/text.html. .
  8. , X. Дж. Алгоритмическое зрение Текст. / X. Дж. Бэрроу, Дж. М- Тененбаум // ТИИЭР. май 1981. — т. 69. — № 5. — С. 91 — 120.
  9. , К.В. Система эмпирического измерения качества алгоритмов классификации Текст. / К. В- Воронцов, A.C. Инякин, A.B. Лисица // Докл. всеросс. конф. ММРО-13. Москва, 2007. — С. 577 — 580.
  10. Гилл^ Ф. Практическая оптимизация Текст. / Ф- Гилл, У. Мюррей, М. Райт. М.: Мир, 1985.-905 С.
  11. , АЛ. Методы распознавания Текст.- / А. Л. Горелик., В. А. Скрипкин. -М1: Высшая^ школа,. 1977. -222 .С.
  12. , А.П. Новый подход к выделению признаков для задачи" распознавания образов Текст. / А. П. Горшков // Тезисы докладов XXIX конференции молодых ученых. Рыбинск: РГАТА, 2005. — С. 252 — 253.
  13. Горшков* А. П. Система формирования образа и классификации временных рядов по характерным последовательностям / А. П. Горшков, Т.П. Грызлова// Цифровая обработка сигналов. М-: НТОРЭС им. A.C. Попова, 2008. —№ 3. С. 15−20. «'
  14. Грызлова, Т. П1 Методы m программы описания изображений: Отчет по этапу II НИР „Эдем ПО“ Текст. / Грызлова Т. П. [и др.]: под- ред. Т. П. Грызловой. — Рыбинск: РГАТА, 2005. — 98 С.
  15. , A.B. Анализ и идентификация функций, заданных на сфере Текст. / A.B. Дергузов, С. А. Махортых // Докл. всеросс. конф. ММРО-11. -Москва, 2003. — С. 65 — 67.
  16. , A.K. Успехи в области математических моделей для обработки изображений Текст. / А. К. Джайн // ТИИЭР, май 1981. т. 69. — № 5. — С. 9 —39.
  17. , И.М. Вейвлеты и их использование Текст. / И. М. Дремин, О. В. Иванов, В. А. Нечитайло // Успехи физических наук, май 2001. Том 171. — № 5. —1. С. 465−501.
  18. , Р. Распознавание образов и анализ сцен Текст. / Р. Дуда, П. Харт. -М.: Мир, 1976.-512 С.
  19. Дюк, В. Data Mining учебный курс Текст. / В. Дюк, А.Самойленко. -СПб.: Питер, 2001. 368 С.
  20. , Ю.И. Распознавание образов и распознавание изображений Текст. / Ю. И. Журавлев, И. Б. Гуревич // Распознавание, классификация, прогноз. Математические методы и их применение. Вып. 2. М.: Наука, 1989. — С. 5 — 72.
  21. , Н.Г. Прикладные методы анализа данных и знаний Текст. / Н. Г. Загоруйко. — Новосибирск: Издательство института математики, 1999. — 270 С.
  22. , Н.Г. Методы распознавания и их применение Текст. / Н. Г. Загоруйко. — М.: Советское радио, 1972. 208 С.
  23. , К.А. Комплексная- обработка информации от средств наблюдения, размещаемых на разведывательных, беспилотных летательных -аппаратах Текст. / К. А. Злотников [и др.] // сборник материалов ОАО „Hl 1L1 „Радар ММС“. СПб. — 2006. — С. 170 — 175. t
  24. Клику шин, Ю. Н. Классификационные шкалы для распределений вероятности Электронный ресурс. / Ю. Н. Кликушин // Журнал Радиоэлектроники. 2000. — N 11. http://jre.cplire.rU/mac/nov00/4/text.html
  25. , Ю.Н. Метод фрактальной классификации сложных сигналов Электронный ресурс. / Ю.Н., Кликушин // Журнал Радиоэлектроники. 2000. № 4. http://jre.cplire.rU/alt/aprOO/l/text.html
  26. A.B. О методах промежуточного контроля в сложной системе обнаружения и распознавания лиц Текст. / A.B. Ковальчук, Н. С. Беллюстин, A.A. Тельных, В. Г. Яхно // Докл. всеросс. конф. ММРО 13. — Москва, 2007. — С. 478 -481.
  27. , А.И. Сравнительный анализ методов при исследовании энцефалографических сигналов для целей диагностики Электронный ресурс. / А. И. Койков. http://www.ckba.net/main.php?id=3&nid=39
  28. Кузьмич, И. В. Признаки, используемые при распознавании изображений дефектов в автоматизированной системе контроля качества автомобильных стекол147 ' • 1
  29. Электронный ресурс. / И. В. Кузьмич, A.A. Козлов, А. П. Павлова // http://konftm.tltsu.ru/stat/kyzmich/inputl.html
  30. , Б.Р. Вероятностные модели и методы в системах связи и управления? Текст. / Б. Р. Левин, В. Шварц. М.: Радио и связь, 1985. — 312 G.
  31. , A.A., Блочно-текстурный метод выделения дыма на видеоизображениях Электронный ресурс. / A.A. Лукьяница, А. Г. Шишкин.//МТУ им. М. В. Ломоносова. М.: GraphiCon, 2007. www.graphicon.ru/2007/proceedings/ Papers/Paper69:pdf
  32. Лэндгриб, Д-А. Техника анализа для дистанционного зондирования земли Текст. / Д. А. Лэндгриб // ТИИЭР: май 1981. — т. 69. — № 5. — G. 161 — 175.
  33. , Л.А., Линейный дискриминант Фишера-в задачах распознавания биосигналовпочастотнымсвойствам Текст. / Л. А. Манило // Докл. всеросс. конф. ММРО-12. Москва, 2005. — С. 371 — 374. ' 1
  34. , Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов Текст. / Д. Марр — Пер. с англ. Н. Г. Гуревич — иод ред. И. Б. Гуревич. -М.: Радио и связь, 1987. -400 G.
  35. ,. Л.М. Математические методы распознавания образов Электронный ресурс.: Курс лекций / Л. М. Местецкий. 2002. www.ccas.ru/frc/papers/ mestetskii04course. pdf
  36. Немирко, А. П-. Биометрическая- идентификация личности по электрокардиограмме Текст. / А. П- Немирко, T.G. Луговая //.Докл. всеросс. конф. ММРО-12. Москва, 2005. — С. 387 — 390.
  37. Никифорова, Т В. Техническая? дефектоскопия- на основе методов стохастической геометрии? Текст. / Т. В: Никифорова // Докл. всеросс. конф. ММРО-12. Москва, 2005. — С. 392 — 395.
  38. , Т. Иерархические методы в структурном: распознавании образов Текст. / Т. Павлидис // ТИИЭР. май 1979. — т. 67. — № 5. — С. 39−49:
  39. , У.К. Применение-моделей стохастических текстур для обработки изображений / У. К. Прэтт, О. Д. Фожра, А. Гагалович // ТИИЭР: май 1981. — т. 69--№ 5.-С. 54−64. .¦¦-'¦-¦ '•¦.¦¦-•.'.
  40. ,. А. Распознавание изображений Текст. / А. Розенфельд II. ТИИЭР.-май 1981:-т. 69.- № 5. С. 120 — 133.
  41. , А. Сегментация и модели изображения Текст. / А. Розенфельд, Л. С. Дейвис // ТИИЭР. маш 1979-- т. 67. — № 5. — С. 71 — 81.
  42. , В.И. Оптимальный прием сигналов Текст. / В. И. Тихонов. М.: Радио и связь, 1983. — 320 С.
  43. Ту, Жд. Принципы распознавания образов Текст. / Жд. Ту, Р. Гонсалес — пер. И.Б. Гуревич- под ред. Журавлева Ю. И. М.: Мир, 1978. — 411 С.
  44. , Н.Г. Формирование признаков распознавания изображений ультразвуковых исследований, методами, стохастической^геометрии? Текст. / Н. Г. Федотов // Докл. всеросс. конф. ММРО-13. Москва, 2007. С. 542 — 544.
  45. , H.F. Новые методы формирования признаков распознавания образов с позиций стохастической геометрии Текст. / Н.Г. Федотов- А. А. Кадыров // Автометрия. 1996. — № 1. — С. 88 — 92.
  46. Фу, К. Структурные методы в распознавании образов Текст. / К. Фу — под ред. М. А. Айзермана. М.: Мир, 1977 г. — 320 С.
  47. , P.M. Статистический и структурный подходы к описанию текстур Текст. / P.M. Харалик // ТИИЭР. май 1979. — т. 67. — № 5. — С. 98 — 118.
  48. Цифровая обработка телевизионных и компьютерных изображений Текст. / под ред. Ю. Б. Зубарева и В. П. Дворковича. М.: Международный Центр научной и технической информации, 1997. — 217 С.
  49. Чэн, Ш.—К. Принципы проектирования систем визуальной информации Текст. / Ш.-К. Чэн — Пер. А. С. Попова, А. Ю. Швайковского, Д. Р. Шидарева — под ред. В. В. Яншина. М.: Мир, 1994. — 408 С.
  50. , В.Т. Выбор признаков для диагностики технического состояния трансмиссионных подшипников ГТД Текст. / В. Т. Шепель, Б. И. Комаров, Т. П. Грызлова // Авиационно-космическая техника и технология. Харьков: ХАИ, 2005. -№ 8 (24).
  51. , В.Н. Диагностика технического состояния трансмиссионных подшипников ГТД методом структурного анализа их вибросигналов Текст. / В.Н. f Шишкин, Б. И. Комаров, М. С. Гайдай, В. Т. Шепель // Контроль и диагностика. -2000.-№ 4.
  52. , Л.А. Структуры распознающих систем на основе стохастической геометрии Текст. / JI. A Шульга., Н. Г. Федотов // Докл. всеросс. конф. ММРО-11. -Москва, 2003. С. 219 — 222.
  53. , Л.П. Введение в цифровую обработку изображений Текст. / Л. П. Ярославский М.: Советское радио, 1979. — 312 С.
  54. Agrawal, S. Learning to Detect Objects in Images via a Sparse, Part-Based Representation Text. / S. Agrawal, D. Roth, A. Awan // IEEE Transactions of pattern analysis and machine intelligence. November 2004. — Vol. 26. — No. 11. — pp. 1475 -1490.
  55. Al-Fahoum, A. ECG Arrhythmia Classification Using Simple Reconstructed Phase Space Approach Text. / A. Al-Fahoum, A. Qasaimeh // Computers in Cardiology.-2006.-pp. 756−760.
  56. Barone, P.' The segmented Prony method for the analysis of non-stationary „time series Text. / P.* Barone, E. Massaro, A. Polichetti // Astron. Astrophys 1989.pp.435−444.
  57. Dalai, N. Histograms of oriented-gradients for human detection Text. / N. Dalai, B: Triggs // In Proc. of the IEEE International Conference on Computer Vision and Pattern Recognition, San Diego, June 2005. pp. 886 — 893.
  58. Dalai, N. Human- detection using oriented histograms of flow and appearance Text. / B. Triggs, C. Schmid // European Conference on Computer Vision. 2006. II. -pp. 428−441.
  59. Deng} K. Learning to Recognize Time Series: Combining ARMA< Models with Memory-Based Learning“ Text. / K. Deng, A.W. Moore, Mf.C. Nechba // Proc. IEEE Int. Symp. on Computational. Intelligence in Robotics and', Automation, 1997. vol. 1. — pp. 246−250.i
  60. Deselaers, T. Improving a discriminative approach to object recognition using image patches Text. / T. Deselaers, D. Keysers, H. Ney // In DAGM, Vienna, Austria, 2005. Vol. 3663. — pp. 326−333.
  61. Dijck, G. V. Corrosion Time Series Classification using the Haar Wavelet Transform and MML Density Estimation Text. / G. V. Dijck, M. Wevers, M. V. Hulle // International journal of computational intelligence- 2004.
  62. Eads, D.R. A Multimodal Approach to Feature Extraction for Image and Signal Learning Problems Text.7 D.R. Eads [and oth.] // Proc. of the SPIE. 2003. -pp. 79 -90.
  63. Eads, D.R. Genetic algorithms and support vector machines for time series classification Text. / D.R. Eads [and oth.] //. Proc. of the SPIE. 2002. 4787 — pp. 7485.
  64. Eads, D.R. Grammar-guided feature extraction for time series classification Text. / D.R. Eads, K. Glocer, S. Perkins, J. Theiler // Neural Information Processing Systems.-2005.
  65. Elms, A.J. The advantage of using an HMM-based approach for faxed word recognition Text. / A.J. Elms, S. Procter, J. Illingworth // International Journal on Document Analysis and Recognition. 1998. — 1 — pp. 18−36.
  66. Garcia, C. Gonvolutional face finder: A neural architecture for fast and robust face detection Text. / C. Garcia, M. Delakis // IEEE Transactions on Pattern Analysis and Machine Intelligence, Nov. 2004. 26(11) — pp. 1408−1423.
  67. Gerhard, D. Audio Signal Classification: An Overview Text. / D. Gerhard // Canadian Artificial Intelligence, 2000. 45 — pp. 4 — 6.
  68. Guyon, I. An introduction^to variable and feature selection Text. / I. Guyon, A. Elisseeff // Journal of Machine Learning Research, 2003. — 3 pp. 1157 — 1182.
  69. Harris, C. A combined corner and edge detector Text. / C. Harris, M. Stephens // In Proc. of the 4th Alvey Vision* Conference, 1988. pp. 147−151.
  70. Helmer, G. Feature Selection Using a Genetic Algorithm for Intrusion Detection Text. / G. Helmer, J.S.K. Wong, V. Honavar, L. Miller // Proc. of Genetic and Evolutionary Computation Conference, Orlando, July 1999. pp. 1781 — 1781.
  71. Hochak, H. Waveform-Based Musical Genre Classification Электронный ресурс. / H. Hochak, С. Trip- H.M. Pontikakis // Autumn 2006- http://www.stanford.edu/ class/cs229/projects2006.html
  72. Hsu, W.H. Construction of recurrent mixture model for time- series classification Text. / W. H! Hsu, S.R. Ray // In Proc. of the International Joint Conference on Neural Networks, 1999. vol. 3. — pp. 1574 — 1579.
  73. Jiang, W. Block-Based Neural: Networks for Personalized ECG Signal Classification Text. / W. Jiang, S.G. Kong // Neural Networks, IEEE Transactions on Volume 18, Issue 6, Nov. 2007. pp. 1750 — 1761.
  74. Jin-. QhRobustr Speaker Recognition: Ph- D. Thesis Text. / Q. Jin. Carnegie Mellon University, 2007.
  75. Kim, M. Discriminative Eearning of Mixture of Bayesian Network Classifiers* for Sequence-Classification Text. / M. Kim, V. Pavlovic.// Computer vision and pattern recognition- 2006. vol. 1. -pp- 268 — 275.
  76. Kwon, O.W. Emotion Recognition by Speech Signals Text. / O.W. Kwon, K.L. Chan, J. Hao, T.W. Lee // Eurospeech. 2003. — pp. 125 — 128.
  77. Lenser, S. Non-Parametric Time Series Classification. Non-Parametric Time Series Classification Text. / S. Lenser, M. Velosso // In Proc. of ICRA, Barcelona, 2005.-pp. 3918−3923.
  78. Leung, Т.К.Finding faces in cluttered scenes using. random- labeled graph matching Text. / Т. K. Leung^MIC. Burl- Pi Perona,// KiiProc. of the Fifth International Conference on Computer Vision. Jun 1995. — pp. 637 — 644-
  79. Lin, J. A symbolic representation of time series, with implications for streaming algorithms Text.: / J. Lin, EJ. Keogh, S. Lonardi, B.Y. Chiu // 8th ACM
  80. SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery, 2003.-pp. 2 -11. — /, •
  81. V. 117. Olszewski, R.T. Generalized 'Feature Extraction- for-' Structural Pattern-. Recognition in Time-Series Data.: PhD thesis“ Text. / R.T. Olszewski. -- Carnegie •Mellori^myereity,'Pittsbwglii--'- 20.0'lC--- -.•
  82. Oren- M. Pedestrian detection using wavelet templates Text. / M. Oren [and oth.] // In Proc. of Computer VisionandPattern Recognition, Puerto? Rico. June 1997. — pp. 193 -199:
  83. Prasad, G.K. Classification of ECG Arrhythmias using Multi-Resolution Analysis and Neural Networks Text. / G.K. Prasad, J.S. Sahambi // IEEE Trans. Biomed. 2003. — pp. 227 — 231.
  84. Ratanamahatana, C.A. Everything you know about dynamic time warping is wrong Text. / C.A. Ratanamahatana, E. Keogh // In 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining Workshop on Temporal Data Mining, 2004.
  85. Ratanamahatana, C.A. Making Time-series Classification More Accurate Using Learned Constraints Text. / C.A. Ratanamahatana, E. Keogh // SIAM International Conference on Data Mining, April, 2004. pp. 22 — 24.
  86. Rath*T. Word Image matching using dynamic time warping Text. / T. Rath, R. Manmatha // CVPR, 2003. Vol. 2. — pp. 521 — 527.
  87. Rowley, H. A. Neural network-based face detection Text. / H. A. Rowley, S. Baluja, T. Kanade // IEEE Transactions on Pattern Analysis and Machine Intelligence. -Jan 1998. 20(1). — pp. 23 — 38.
  88. Sagiroglu, S.- Control Chart Pattern Recognition Using Artificial Neural Networks Text. / S. Sagiroglu, E. Be§ dok, M. Erler // Turkish Journal of Electrical Engineering & Computer Sciences, 2000. pp. 137 — 147.
  89. Sali, E. Combining class-specific fragments for object classification Text. / E. Sali, S. Ullman // In Proc. of 10th British Machine Vision Conference. 1999 Vol. 1. -pp. 203−213.
  90. Schneiderman, H. Object Detection Using the Statistics of Parts Text. / H. Schneiderman, T. Kanade // International Journal of Computer Vision. 2002. — pp. 151 — 177.
  91. Schryver, J.C. Classification of time series patterns from complex dynamic systems: Master thesis Text. / J.C. Schryver, N. Rao. July 1998.
  92. Shams, L. Learning gabor-based features for face detection Text. / L. Shams, J. Spoelstra // In- Proc. of World Congress in Neural Networks. International Neural Network Society. Sep 1996. — pp. 15 — 20.
  93. Smith, S. M. SUSAN- A New Approach to Low Level Image Text. / S. M. Smith, Jt M. Brady // Proc. International» Journal of Computer Vision, 1997. Vol. 23. -№ 1.-pp. 45−78.
  94. Ullman, S. Visual features of intermediate complexity and their use in classification Text. / S.A. Ullman, E. Sali, M. Vidal-Naquet // Nature Neuroscience.2002.-5(7).-pp. 1−6.
  95. Weber, M. Unsupervised’Learning of models for recognition" Text. / M. Weber, P. Welling, Perona // In Proc. of Sixth European Conf. Computer Vision, 2000.
  96. Wei, L. Semi-Supervised Time Series Classification Text. / L. Wei, Keogh E. // In Proc. of SIGKDD, 2006. pp. 748 — 753.
  97. Weka 3: Data Mining Software in Java Электронный ресурс., http ://www. es. waikato. ac. nz/ml/weka.
  98. Whitehill, J. Haar Features for FACS AU Recognition Text. / J. Whitehill, C.W. Olmin // Seventh IEEE International Conference on Automatic Face and Gesture Recognition, 2006. pp. 97 — 101.
  99. Wiggins, M. Evolving a Bayesian classifier for ECG-based age classification in medical applications Text. / M. Wiggins, A. Saad, B. Litt, G. Vachtsevanos // Journal of Applied Soft Computing, 2007. pp. 599 — 608.
  100. Xiaopeng, X. Fast Time Series Classification Using Numerosity Reduction Text. / X. Xiaopeng // International Conference on Machine Learning, 2006. pp. 1033 — 1040.
  101. Yuille, A. L. Deformable templates for face recognition Text. / A. L. Yuille // Journal of Cognitive Neuroscience. 1991- 3(1) — pp. 59 — 70.
  102. Zimmerman, M.W. Classification of ECG ST Events as Ischemic or Nonischemic Using Reconstructed Phase Spaces: Master’s thesis Text. / M.W. Zimmerman. Marquette University, Milwaukee, Wisconsin, May 2004.
  103. Zlotnikov, K.A. New distinction measure for pattern recognition in fuzzy features space Text. / K.A. Zlotnikov // Intelligent Systems In Design and Manufacturing. Proc. of the SPIE. 1998. — vol. 3517. — pp. 356 — 364.
Заполнить форму текущей работой

Сессия? Спокойно!