Modelos espaciales y dinámicos. Métodos para construir modelos espaciales-temporales y de tendencia UH espaciales y dinámicos.
Hay un modelo que se une y coordina dos, a primera vista, lejos de la otra, la descripción de una persona es psicofísica y transparsonal. Este modelo tiene una historia de siglos de siglos y se basa en una profunda investigación y experiencia práctica transmitida directamente del maestro al estudiante. En el idioma de la tradición, cuáles representantes de los cuales son los autores de este libro, este modelo se llama modelo espacial, (que ha mencionado repetidamente en los primeros capítulos). Hay algunos paralelos de un modelo espacial espacial con otras descripciones antiguas de una persona (Sistema Shakr: "Cuerpos delgados"; "Centros de energía" - "Planes de conciencia", etc.). Desafortunadamente, un estudio serio de estos modelos ahora, en la mayoría de los casos, se reemplaza por una idea vulgar común de Chakrah, como acerca de ciertas formaciones espacialmente localizadas, y sobre los órganos "sutiles", como sobre un tipo de "matryshshk", que consiste en De algunas entidades invisibles desnudas. Solo se conoce a los autores un número relativamente pequeño de estudios sobrios modernos de este problema [ver, por ejemplo, Preguntas de YOG №20 "de la teoría general de Chakras" St. Petersburg 1994.]
La situación actual es extremadamente no rentable: los especialistas críticamente reflexivos están sintonizados con el modelo de chakras y los organismos "delgados" escépticos, otros (a veces a pesar de la larga experiencia de la obra de un psicólogo o psicoterapeuta) se convierten en una fila con amas de casa (no se entienden) Los cursos de visitas "psíquicos", y reponen al ejército de portadores de leyendas sobre Chakras y "organismos" distribuidos por folletos populares. Viene a veces a la facturación cómica. Por lo tanto, uno de los autores de este libro fue hace unos años en la capacitación psicológica, con elementos de "Esoterica", donde una ventaja muy autorizada dio instrucciones a uno de los ejercicios: "... y ahora, pones Un "ancla" con su mano esencial. Derecho al cliente en el chakra inferior ... "que la mayoría de los presentes inmediatamente con entusiasmo intentaron implementar (por supuesto, no más que en su imaginación).
A continuación, no mencionaremos chakras y cuerpos, y usaremos el lenguaje de volúmenes y espacios. Sin embargo, sin embargo, no realice una correspondencia inequívoca entre volúmenes y chakras, espacios y cuerpos; A pesar de alguna similitud, estos modelos son diferentes; Las diferencias, a su vez, no están relacionadas, no en la reclamación de una corrección grande o menor, sino con la conveniencia de esa práctica que presentamos en las páginas de este libro.
Volvamos de nuevo a las definiciones de los volúmenes y espacios que nos dieron en los capítulos 1 y 2:
Por lo tanto, los volúmenes no son partes del cuerpo físico y no algunas áreas localizadas. Cada volumen es un estado psicofísico holístico, una educación que refleja una cierta combinación (congruente) de ciertas cualidades del cuerpo, en su conjunto. Para hablar en el lenguaje de energía, el volumen es un cierto rango de energía, que, cuando se enfoca la percepción en el mundo físico, se manifiesta en combinación de tejidos, órganos, sitios del sistema nervioso, etc. En una versión bastante simplificada, es posible que cada volumen encuentre la característica más característica y la tarea que realiza en el cuerpo. . Por lo tanto, las funciones del COCHOKER pueden asociarse con la tarea de supervivencia en todas sus formas (físicas, sociales, espirituales), manifestaciones, nacimientos, convirtiéndose en ... Las funciones del volumen urinario están asociadas con la prosperidad, la abundancia, la fertilidad, Desarrollo y múltiples vías, diversidad y suministro .. Para el volumen umbilical, las tareas principales (lectura - rango de energía): ordenar, estructurar, control y encuadernación. Etc. Aún estaremos interesados \u200b\u200ben no funciones específicas de volúmenes. Y mecanismos generales para trabajar con ellos.
Cada experiencia, cualquier experiencia percibida por nosotros principalmente a través de uno u otro volumen. Esto se aplica a cualquier experiencia, si queremos activar esto o esa experiencia, está emocionada por uno u otro volumen y comenzamos a percibir al mundo "a través de él". Con respecto al trabajo psicoterapéutico, cuando el terapeuta apela a alguna experiencia del cliente: "Problema" o "Recurso", tratando de trabajar con una cierta "parte de la persona", lo hace, por lo tanto, enfoca la conciencia del paciente en alguna zona de Este o ese volumen (por cierto, mencionamos brevemente las funciones de solo tres volúmenes más bajos porque el enfoque real productivo de la atención en los volúmenes superiores es un fenómeno sobresaliente: todo no es tan simple como se describe en los libros). Lo mismo se aplica a los espacios. Recuerde que los espacios son los esquemas de la percepción, lo que refleja los niveles de la "finura" de la percepción. El mismo volumen en diferentes niveles de percepción se manifestará a su manera, mientras mantiene sus tareas principales. Por ejemplo, un volumen umbilical en el espacio de eventos aparece a través de una serie de situaciones en las que una persona conecta algo con algo, organiza, gestiona, etc., en el espacio de nombres, el mismo volumen se manifestará a través de la esquema. Modelado, alineando pensamientos y opiniones sobre el mundo, los planes de construcción, etc., en el espacio de reflexiones, todo el espectro emocional también se pintará con las tareas correspondientes de acuerdo con este volumen.
El modelo grande-espacial del cuerpo humano puede ser presente convencionalmente en forma de un esquema (Fig. 3).
Fig. 3. Modelo de spact.
En el esquema (Fig. 3), está claramente claro que cada espacio cubre todo el espectro de energía en un determinado nivel "sutilezas", donde cada volumen es el "sector" que distingue un cierto rango de energía.
Por lo tanto, el modelo espacial y espacial permite en una persona y en el mundo, que se perciben como estructuras de energía dinámicas, para resaltar la calidad de la energía diferente. En la percepción, esta energía de calidad se manifiesta a través de una cierta combinación de una amplia variedad de factores:
procesos fisiológicos (mecánicos, térmicos, químicos, electrodinámicos), dinámica de impulsos nerviosos, activación de ciertas modalidades, color de emociones y pensamiento, combinando eventos, prosperidad del destino; Encontrar en las condiciones "externas" apropiadas: geográfico, climático, social, político, histórico, cultural ...
Flujos de energía.
El esquema que se muestra en la Fig .3. Nos da el modelo de energía del cuerpo humano. Desde este punto de vista, toda la vida de una persona, como manifestación, el registro de esta energía o como dinámica de la autopercepción, puede representarse como una pulsación de movimiento de un determinado "patrón" en el diagrama donde en cada uno Momento de tiempo Estas u otras áreas del espectro de energía están activadas (arroz. Toque.).
Sin embargo, la dinámica de la autopercepción y el movimiento de energía no son tan arbitrarios y diversos para una persona ordinaria. Hay áreas en las que la percepción, por lo que para hablar, es fija y bastante estable, algunas áreas de espectro están disponibles solo ocasionalmente y con una coincidencia especial. Hay áreas que son casi inaccesibles para la conciencia a lo largo de la vida (para cada persona diferente: para una persona, la experiencia del significado no está disponible para una persona, el otro no sobrevivió a su cuerpo, el tercero no puede sobrevivir a una cierta calidad. de emociones, eventos, pensamientos, etc.).
La trayectoria del movimiento y la fijación más probable de la percepción y la conciencia están determinadas por los dominantes. Se queda claro que para romperse de esta trayectoria más probable y la posición sostenible de la percepción, necesita una energía adicional y, lo que es más importante, la capacidad de dirigir esta energía en la dirección correcta, de modo que no se ingrese en el acumulado. Canal estereotipado.
| ||||||||
| ||||||||
| ||||||||
Fig.4. Dinámica de la percepción en el tiempo.
Esto explica la presencia de difíciles de alcanzar e inaccesible para la percepción y la conciencia de los rangos, generalmente ninguna persona tiene esta energía adicional; Solo a veces se puede liberar como resultado de circunstancias extraordinarias, con mayor frecuencia estresantes, que permitirán la percepción cambiar a un rango previamente inaccesible (tal desplazamiento repentino de la percepción puede llevar a la aparición de algunas nuevas habilidades en una condición ordinaria ).
| |
Para una descripción más detallada de esta situación, tendremos que atraer al concepto. Flujo de energía. Flujo de energía: movimiento, desarrollo de un impulso de puntos de percepción en el sistema de energía espacial. También se puede decir: el flujo de energía es una conexión dinámica de varias áreas en la esfera individual de acuerdo con la banda total de energía (por ejemplo, por una modalidad).
"Mientras que en un diálogo continuo con el mundo, una persona (I.S.) responde a casi todas las señales que provienen del movimiento de flujos de energía. Y la sensibilidad de I.S. Mucho por encima del umbral de la percepción de los sentidos. En consecuencia, hay muchas reacciones inconscientes.
Características de la deformación personal I.S. Crear flujos de energía individuales característicos constantes. El hecho de que somos conscientes de cómo las sensaciones, las emociones, los pensamientos, los movimientos corporales y las vicisitudes del destino, la memoria, la proyección del futuro, la enfermedad, las características de la cultura y la cosmovisión son todo este (y mucho más) movimiento de flujos de energía ".
Es posible asignar condicionalmente las corrientes de energía constructiva y destructiva. E. - Dinámica de la percepción constructiva, contribuyendo a la eliminación de las deformaciones de I.S. - Estructuras rígidas y dominantes. E. Destructivo E. - Dinámica de la percepción que contribuye a la aparición de nuevos o refuerzos de las deformaciones existentes I.S.
A su vez, la dinámica de los flujos de energía, llamaremos un proceso dinámico multifactoroso que traduce la percepción de una persona de un estado a otro (un ejemplo de la dinámica de los flujos de energía se muestra en la Fig. 5).
En un cuerpo holístico, son posibles flujos de energía para los cuales (el cuerpo) es absolutamente transparente y penetrado. La dinámica de los flujos de energía puede, en tales casos, traducir la percepción a cualquier posición. (Esto es equivalente a lo que llamamos a través de la conciencia en el capítulo 1.).
La dinámica del flujo de energía: el proceso es multifactorial, porque Cualquier estado se manifiesta en forma de una combinación de una gran cantidad de factores (por ejemplo, ciertas sensaciones, la naturaleza de los movimientos. Mimices, parámetros de voz, ciertas emociones, etc.). La dinámica de los flujos de energía traduce un estado a otro (más precisamente, este proceso es un cambio continuo de estados) y, en consecuencia, algunos factores y parámetros pueden cambiar a través de los cuales se manifiestan los flujos de energía.
Fig.5. Un ejemplo de la dinámica de los flujos de energía que traduce la percepción de un estado con una estructura localizada (A) en una (D) más holística (D), dentro de un espacio
Si ahora apela a la psicoterapia, entonces encontraremos lo siguiente:
El paciente está en un determinado estado de percepción (determinado por su dominante), que obviamente no es integral, en su energía hay estructuras rígidamente localizadas, lo que no permite cambiar la percepción a otras disposiciones. Para salir de una situación de este tipo, es necesario establecer flujos de energía, lo que le permite cambiar a otro estado que el paciente percibirá como más positivo. En esta psicoterapia, por lo general termina.
Si observa posiciones más generales, resulta que el no paciente o el paciente curado por y grande no difiere mucho del "paciente". La única diferencia es que el "paciente" percibe su fortuna, como una incomodidad, y "saludable", como más - Meekomfort y, tal vez, teniendo más grados de libertad. Sin embargo, no tiene nada que ver con la integridad, porque Y el estado del "paciente" y "saludable" es, por regla general, aún limitado, localizado y establecido percepciones de percepción.
Integridad implica la oportunidad. uno mismo Las tareas de cualquier flujo de energía y experiencias del mundo son totales, simultáneamente con todo el organismo.
El modelo se llama estático cuando los efectos de entrada y salida son constantes en el tiempo. Modelo estático Describe el modo establecido.
El modelo se llama dinámico si las variables de entrada y salida cambian con el tiempo. Modelo dinámico Describe el modo desinstalado de operación del objeto que se está estudiando.
El estudio de las propiedades dinámicas de los objetos permite de acuerdo con el principio fundamental de la definición de GUGIGGENS-ADAMAR para responder a la pregunta: cómo cambia el estado del objeto con los impactos conocidos en ella y el estado inicial especificado.
Un ejemplo de un modelo estático es la dependencia de la duración de la operación tecnológica de los costos de recursos. El modelo estático se describe por la ecuación algebraica.
Un ejemplo de un modelo dinámico es la dependencia del volumen de producción de productos comerciales de la empresa del tamaño y el momento de las inversiones de capital, así como los recursos gastados.
El modelo dinámico a menudo se describe por una ecuación diferencial.
La ecuación asocia una variable desconocida. Y y sus derivados con una variable independiente. t. y una función de tiempo determinada X (t) y sus derivados.
El sistema dinámico puede funcionar en continuo o discreto, cuantizado a intervalos iguales, tiempo. En el primer caso, el sistema se describe por una ecuación diferencial, y en el segundo caso, una ecuación de diferencia finita.
Si los conjuntos de entrada, las variables de salida y los momentos de tiempo son finitos, entonces se describe el sistema máquina definitiva.
El automatón final se caracteriza por un estado finito de estados de entrada múltiple; múltiples estados finales; un conjunto finito de estados internos; Transiciones de función T (x, q)definir el procedimiento para cambiar los estados internos; Salidas de funciones P (x, q) El estado de ajuste de la salida dependiendo del estado de entrada y estado interno.
La generalización de las máquinas deterministas son máquinas estocásticasque se caracterizan por las probabilidades de las transiciones de un estado a otro. Si el funcionamiento del sistema dinámico tiene la naturaleza de servicio de las aplicaciones emergentes, el modelo del sistema se construye utilizando métodos teoría de mantenimiento masivo.
El modelo dinámico se llama. estacionarioSi las propiedades de las variables de entrada no se cambian con el tiempo. De lo contrario se llama no estacionario.
Distinguir determinista y estocástico (probabilístico) Modelos. El operador determinista le permite determinar inequívocamente las variables de salida mediante variables de entrada conocidas.
Determinismo Modelos significa solamente respuesta incoma a la transformación de variables de entrada.Quienes ellos mismos pueden ser deterministas y aleatorios.
El operador estocástico le permite determinar de acuerdo con la distribución especificada de las probabilidades de las variables de entrada y los parámetros de la distribución del sistema de las probabilidades de las variables de entrada.
Desde el punto de vista de las variables de entrada y salida, los modelos se clasifican de la siguiente manera:
1. Las variables de entrada se dividen en administrado y no guiado. El primero puede variar a discreción del investigador y son utilizados por el objeto. El segundo no es adecuado para la administración.
2. Dependiendo de la dimensión de las variables de entrada y salida, se distinguen las variables unidimensional y multidimensional Modelos. Bajo el modelo unidimensional, entendemos un modelo de este tipo que las variables de entrada y salida son valores simultáneamente escalares. La multidimensional se llama modelo que tiene vectores. x.(t.) I. y(t.) tener dimensión nORTE. ³ 2.
3. Los modelos que tienen variables de salida de entrada son continuas en el tiempo y los más grandes llamados continuo. Los modelos que tienen variables de entrada y salida son discretas o con tiempo, o en magnitud, llamadas discreto.
Cabe señalar que la dinámica de los sistemas complejos depende en gran medida de las soluciones tomadas por la persona. Los procesos que se producen en sistemas complejos se caracterizan por una gran cantidad de parámetros, grandes en el sentido de que las ecuaciones y las relaciones correspondientes no se pueden permitir analicamente. Los sistemas complejos a menudo estudiados son únicos en comparación, incluso con sistemas similares similares a la intención. La duración de los experimentos con tales sistemas suele ser alta y, a menudo, resulta ser comparable a su vida. A veces, la conducta de experimentos activos con el sistema es generalmente inaceptable.
Para un objeto complejo, a menudo es imposible determinar el contenido de cada paso de control. Esta circunstancia determina un número tan grande de situaciones que caracterizan al estado del objeto, que es casi imposible analizar el efecto de cada uno de ellos en las decisiones tomadas. En esta situación, en lugar de un algoritmo rígido de gestión, prescribiéndose en cada paso de su implementación, cierta decisión inequívoca tiene que usar una combinación de instrucciones que sean apropiadas en matemáticas para llamarse cálculo. A diferencia del algoritmo en el cálculo de la continuación del proceso en cada paso no se fija y es posible la continuación arbitraria de la decisión de encontrar una solución. Los cálculos y sistemas similares se estudian en la lógica matemática.
1.5. Concepto de construir un modelo de sistema de objetos complejos.
Los objetos complejos son un conjunto de elementos aislados estructuralmente separados: agregados tecnológicos, carreteras de transporte, accionamientos eléctricos, etc., interconectados por los flujos de material, energía e información, e interactúan con el medio ambiente como un entero. Los procesos de evaluación de energía que se producen en objetos complejos se dirigen y se asocian con el movimiento de campos y sustancias (intercambio de calor, filtrado, difusión, deformación, etc.). Como regla general, estos procesos contienen etapas de desarrollo inestables, y la gestión de tales procesos es más artística que la ciencia. Como resultado de estas circunstancias, hay una gestión de la calidad inestable, tales objetos. Los requisitos para las calificaciones del personal tecnológico aumentan considerablemente y aumenta significativamente el tiempo para su preparación.
Un elemento del sistema se llama algún objeto (material, energía, información), que tiene una serie de propiedades importantes para nosotros, la estructura interna (contenido) de las cuales no es de interés en términos de los fines del análisis.
Denificaremos los elementos a través de METRO., y la totalidad de su totalidad (posible) total: a través de (METRO). La pertenencia del elemento al agregado se hace para registrar.
Mancomunidad Llamamos a un intercambio importante con el fin de considerar entre los elementos: sustancia, energía, información.
Ley de comunicación individual es impacto. Denotando todos los efectos del elemento. METRO. 1 en el elemento METRO. 2 a través de x. 12, y elemento METRO. 2 en METRO. 1 - Ver x. 21, puede representar gráficamente la conexión (Fig. 1.6).
Higo. 1.6. Comunicación de dos elementos.
Sistema Llamamos al conjunto de elementos con las siguientes características:
a) Bonos que les permiten conectar dos elementos de la totalidad a través de las transiciones en ellas desde el elemento al elemento;
b) Propiedad (asignación, función), diferentes de las propiedades de los elementos individuales del agregado.
Llamemos a un signo A) Conectividad del sistema, B) - Su función. Utilizando el llamado "consignación" (es decir, secuencia en forma de enumeración) Definición del sistema, puede grabar
donde σ- sistema; ( METRO.} – la totalidad de los elementos en ella; ( x.) - un conjunto de conexiones; F -sistema de función (nueva propiedad).
Consideraremos el registro como la descripción más simple del sistema.
Casi cualquier objeto desde un cierto punto de vista puede considerarse como un sistema. Es importante tener conocimiento de si tal aspecto es útil o inteligente para considerar este objeto de objeto. Por lo tanto, el sistema puede ser considerado una tarifa de ingeniería de radio. , entrada de conversión en la salida. Para un especialista en la base de elementos, el sistema será un condensador salival en este consejo, y para el geólogo, y la MICA misma, que tiene una estructura bastante complicada.
Sistema grande Llamaremos un sistema que incluya un número significativo de elementos de un tipo y el mismo tipo de conexiones.
Sistema complejo Llamaremos a un sistema que consiste en elementos de diferentes tipos y tendremos conexiones heterogéneas entre ellos.
A menudo, un sistema complejo considera solo el que es grande. La heterogeneidad de los elementos se puede enfatizar con el registro.
Grande, pero no difícil desde el punto de vista de la mecánica, el sistema se ensamblan de las varillas de la flecha de la grúa o, por ejemplo, un tubo de tuberías. Los elementos de este último serán sus secciones con intermedios o soportes. Para los cálculos en la deflexión, los elementos del gasoducto tienen más probabilidades de ser considerados relativamente pequeños (orden de medidores) tuberías de la tubería. Esto se hace en el método conocido de elementos finitos. La comunicación en este caso es un carácter de poder (energía): cada elemento actúa sobre el vecino.
La diferencia entre el sistema, un sistema grande y un sistema complejo condicionalmente. Por lo tanto, la carcasa de cohetes o barcos, que a primera vista son homogéneos, generalmente se refieren a un sistema complejo debido a la presencia de mamparo de diferentes tipos.
Una clase importante de sistemas complejos son sistemas automatizados. La palabra "automatizada" indica la participación de una persona, el uso de su actividad dentro del sistema al tiempo que mantiene un papel importante de los medios técnicos. Por lo tanto, el taller, el sitio, la asamblea puede ser automatizada y automática ("tienda-autómata"). Para un sistema complejo, el modo automatizado se considera más preferible. Por ejemplo, el aterrizaje de la aeronave se lleva a cabo con la participación de una persona, y el piloto automático generalmente se usa solo en movimientos relativamente simples. La situación también es típica cuando la solución desarrollada por medios técnicos está aprobada por la ejecución de una persona.
Por lo tanto, el sistema automatizado es un sistema complejo con un papel decisivo de los elementos de dos tipos: a) en forma de medios técnicos; b) En la forma de las acciones de una persona. Su entrada de personaje (comparar C y)
dónde M t. - medios técnicos, principalmente una computadora; M h -soluciones y otras actividades humanas; M "-los elementos restantes en el sistema.
En total ( h.) Este caso puede ser asignado enlaces entre humanos y técnicos ( x t - h}.
Estructura Los sistemas se denominan su desmembramiento en grupos de elementos que indican relaciones entre ellos, lo que es constante para todo el tiempo de consideración y dando una idea del sistema en su conjunto.
El desmembramiento especificado puede tener un material (real), funcional, algorítmico y otro. Los grupos de elementos en la estructura se asignan generalmente en el principio de enlaces simples o relativamente más débiles entre los elementos de diferentes grupos. La estructura del sistema está convenientemente representada en forma de un esquema gráfico que consiste en células (grupos) y conectando sus líneas (enlaces). Tales esquemas se llaman estructural.
Para la estructura simbólica de la estructura, introducimos en lugar de la totalidad de los elementos ( METRO.), un conjunto de grupos de elementos ( M *) y la combinación de conexiones entre estos grupos ( x *). Entonces la estructura del sistema se puede registrar como
La estructura se puede obtener de la combinación de elementos en el grupo. Tenga en cuenta que la función (propósito) F. Sistemas omitidos.
Damos ejemplos de estructuras. La estructura real del puente prefabricado consiste en su individuo recolectado en el sitio de las secciones. El diagrama estructural áspero de dicho sistema indicará solo estas secciones y el orden de su compuesto. Último y hay conexiones que son poderosas aquí. Un ejemplo de una estructura funcional es la división de un motor de combustión interna en el sistema de nutrición, lubricación, enfriamiento, transmisión de potencia, etc. Un ejemplo de un sistema, donde se fusionan las estructuras materiales y funcionales, son los departamentos del Instituto del Proyecto involucrado en varios lados del mismo problema.
Una estructura algorítmica típica será un algoritmo (diagrama) del software, lo que indica la secuencia de acciones. Además, la estructura algorítmica será una instrucción que define las acciones al encontrar un mal funcionamiento de un objeto técnico.
1.6. Las principales etapas del experimento de ingeniería dirigidas a aprender objetos complejos.
Damos las características de las principales etapas del experimento de ingeniería dirigido a estudiar objetos complejos.
1. Construyendo la base física del modelo.
Construyendo una base física de un modelo que le permite resaltar los procesos más significativos que determinan la calidad de la administración y determinan las proporciones de componentes deterministas y estadísticos en los procesos observados. La base física del modelo se construye utilizando el "diseño" de un objeto complejo en varias áreas temáticas utilizadas para describir el objeto en estudio. Cada área temática especifica sus propios sistemas de restricción para posibles "movimientos" de los objetos. La contabilidad del conjunto de estas restricciones le permite justificar el complejo de los modelos utilizados y construir un modelo consistente.
Construir un modelo de "marco", es decir, su base física, se reduce a la descripción del sistema de relaciones que caracteriza el objeto en estudio, en particular, las leyes de preservación y cinética de los procesos. Un análisis del sistema de relaciones que caracteriza al objeto le permite determinar las escalas espaciales y de tiempo de los mecanismos que inician el comportamiento observado de los procesos, caracterizan cualitativamente la contribución del elemento estadístico en la descripción del proceso, así como identificar fundamentales. Inhomogeneidad (¡si existe!) Serie de tiempo observado.
La construcción de la "carcasa" se reduce al establecimiento de relaciones causales entre los factores desestabilizadores externos e internos y la eficiencia del sistema, y \u200b\u200blas evaluaciones cuantitativas de estas relaciones se especifican mediante la realización de experimentos en la instalación. Por lo tanto, los resultados comunes de los resultados obtenidos para toda la clase de objetos están garantizados, su consistencia en relación con el conocimiento obtenido previamente y reduce la cantidad de estudios experimentales. Los modelos "Frame" deben construirse utilizando un enfoque estructural y fenomenológico que combine el estudio del objeto por sus reacciones a los impactos "externos" y la divulgación de la estructura interna del objeto del estudio.
2. Verifique la sostenibilidad estadística de los resultados de observación y determinar la naturaleza del cambio de variables controladas.
La justificación empírica de la sostenibilidad estadística se reduce al estudio de la sostenibilidad del promedio empírico a medida que aumenta el tamaño de la muestra (el esquema de extensión). No se conoce la imprevisibilidad de los valores obtenidos experimentales, ni la necesaria ni una condición suficiente para el uso de conceptos teóricos y probabilísticos. Un requisito previo para el uso de la teoría de la probabilidad es la estabilidad de las características promediadas de los valores iniciales. Por lo tanto, se requiere verificación utilizando la inducción empírica de la estabilidad estadística. nORTE.- La función de distribución empírica dimensional de la variable aleatoria inicial y la distribución de las probabilidades para las calificaciones de la muestra.
3. Formación y verificación de las hipótesis sobre la estructura y los parámetros del "movimiento" del objeto en estudio.
Cabe señalar que, por regla general, el motivo para elegir un enfoque estadístico es la falta de regularidad del proceso observado, el carácter caótico y los festivos afilados. En este caso, el investigador no puede detectar visualmente los patrones en varias observaciones y la percibe como un proceso aleatorio. Enfatizamos que estamos hablando del descubrimiento de los patrones más simples, ya que para detectar patrones complejos, se necesita un procesamiento matemático direccional de los resultados de observación.
4. La predicción de las variables de salida se realiza teniendo en cuenta la contribución de los componentes deterministas y estadísticos al resultado final.
Tenga en cuenta que el uso para predecir solo el enfoque estadístico se encuentra a las dificultades graves. Primero, es importante para tomar decisiones con respecto a la minimización de las pérdidas actuales, es importante saber, ya que un promedio desarrolla el proceso, y cómo se comportará en un período de tiempo en particular. En segundo lugar, en general, tenemos un problema de predecir el proceso no estacionario y accidental con las expectativas matemáticas cambiantes, la dispersión y las especies de la ley de distribución.
5. Planificación e implementación de un experimento informático destinado a evaluar las características de ajuste del objeto y la eficiencia esperada del sistema de control.
Los objetivos de la síntesis de la estructura de los sistemas complejos solo en los casos más simples se pueden resolver analíticamente. Por lo tanto, surge la necesidad de modelado de imitación (IM) de los elementos del sistema diseñado.
Es una forma especial de estudiar objetos de una estructura compleja, que consiste en reproducir una manera numérica de todas las variables de entrada y salida de cada elemento de objeto. Les permite en la etapa de análisis y síntesis de la estructura, no solo la relación estadística entre los elementos del sistema, sino también los aspectos dinámicos de su funcionamiento.
Para compilar, necesitan:
- para resaltar los elementos más simples para los cuales se conoce el método de calcular las variables de salida;
- elaborar las ecuaciones de comunicación que describen el procedimiento para conectar elementos en el objeto;
- elaborar un esquema estructural del objeto;
- Seleccionar herramientas de automatización de modelado;
- Desarrollar el programa a ellos;
- llevar a cabo experimentos computacionales para evaluar la adecuación de ellos, la sostenibilidad de los resultados de la imitación y la sensibilidad a ellos a los cambios en los controles y los efectos perturbadores;
- Resolver utilizando el modelo de la síntesis del sistema de control.
Información
Características de la temporal espacial.
Indicadores de comunicación
Modelos dinámicos multifactor
Los modelos de comunicación dinámicos multifactores de indicadores se construyen por muestras Spatio-Temporalesque representan una variedad de datos sobre los significados del conjunto de objetos por varios períodos de tiempo.
Muestras espacialesformado combinando más de varios años (períodos) de muestras espaciales, es decir, La combinación de objetos relacionados con los mismos períodos de tiempo. Utilizado en caso de pequeñas muestras, es decir, breves antecedentes Desarrollo del objeto.
Muestras dinámicas se forman combinando la serie dinámica de objetos individuales en el caso de prehistoria larga. Muestras grandes.
La clasificación de los métodos para la formación de muestras es condicional, porque Depende del propósito del modelado, de la estabilidad de los patrones identificados, en el grado de homogeneidad de los objetos, desde el número de factores. En la mayoría de los casos, la ventaja se da de la primera manera.
Las filas dinámicas con larga historia se consideran como filas, sobre la base de las cuales puede construir modelos de la relación de diferentes objetos de mayor calidad.
Dinámica comunicación modelo Los indicadores pueden ser:
· Espacial, es decir,. Modelar enlaces de indicadores para todos los objetos considerados en un determinado punto (intervalo) del tiempo;
· Dinámico, que se basa en el conjunto de implementaciones de un objeto para todos los períodos (momentos) del tiempo;
· Espacialmente dinámico, que se forman en todos los objetos para todos los períodos (momentos) del tiempo.
Modelos de altavocesindica en los siguientes tipos:
1) Altavoces unidimensionales: caracterizados como modelos de algún indicador de este objeto;
2) Modelos multidimensionales de la dinámica de un objeto: varios indicadores de objetos moderados;
3) Modelos multidimensionales de la dinámica del conjunto de objetos. : Modelo de varios indicadores del sistema de objetos.
En consecuencia, los modelos de comunicación se utilizan para extrapolación espacial (Para predecir los valores de los indicadores efectivos de nuevos objetos en los valores de los signos de factor), los modelos de los oradores, para extrapolación dinámica (Para predecir variables dependientes).
Puede resaltar las tareas principales de usar la información de espacio en el espacio.
1. En el caso de un breve antecedentes: detectar vínculos espaciales entre los indicadores, es decir. Estudiando la estructura de los vínculos entre los objetos para mejorar la precisión y la confiabilidad de modelar estos patrones.
2. En el caso de una larga historia: aproximación de patrones de cambios en los indicadores para explicar su comportamiento y predicción de los posibles estados.
Capítulo 1 Análisis de métodos existentes y sistemas de procesamiento y reconocimiento de objetos dinámicos en secuencias de imágenes.
1.1 Imagen como portadora de información heterogénea.
1.2 Clasificación de tareas de reconocimiento de imágenes.
1.3 Clasificación de los métodos de evaluación de movimiento.
1.3.1 Análisis de métodos comparables para evaluar el movimiento.
1.3.2 Análisis de los métodos de gradiente para evaluar el movimiento.
1.4 Clasificación de grupos de signos.
1.5 Análisis de métodos para la segmentación de objetos en movimiento.
1.6 Métodos de interpretación de eventos y determinando el género de la escena.
1.7 Sistemas de procesamiento y reconocimiento de objetos dinámicos.
1.7.1 Complejos de hardware y software comercial.
1.7.2 Complejos de software de investigación experimental.
1.8 Configuración de la tarea del procesamiento de espacio en el espacio de las secuencias de imágenes.
1.9 Conclusiones sobre el capítulo.
Capítulo 2 Modelos de procesamiento y reconocimiento de imágenes estáticas y dinámicas.
2.1 Modelo de procesamiento y reconocimiento de imágenes estáticas.
2.2 Modelo de tratamiento y reconocimiento. imágenes dinámicas.
2.3 Teoría descriptiva de reconocimiento de imágenes.
2.4 Expansión de la teoría de reconocimiento de imagen descriptiva.
2.5 Modelo generalizado para buscar características de destino al procesar y reconocer objetos dinámicos en escenas complejas.
2.6 Conclusiones sobre el capítulo.
Capítulo 3 Encontrar y evaluar los signos locales de Motion5 regiones dinámicas.119
3.1 Términos y limitaciones de un método mejorado de procesamiento de secuencias de imágenes.
3.2 Evaluación de signos locales de movimiento.
3.2.1 Etapa de inicialización.
3.2.2 Evaluación del volumen de datos de tiempo de espacio.
3.2.3 Clasificación de regiones dinámicas.
3.3 Maneras de encontrar los movimientos locales de las regiones.
3.3.1 Encontrar y rastrear puntos especiales de la escena.
3.3.2 Evaluación de movimiento basada en el tensor de flujo 3D.
3.4 Aclaración de los límites de las regiones móviles.
3.5 Conclusiones sobre el capítulo.
Capítulo 4 Segmentación de objetos dinámicos en escenas complejas.
4.1 Modelo de movimiento multinivel en escenas complejas.
4.2 Modelos para evaluar el movimiento en el plano.
4.3 Investigación de las propiedades del grupo LIE.
4.4 Isomorfismos y homomorfismos grupales.
4.5 Modelo de la prehistoria del movimiento de objetos en las secuencias de imágenes.
4.6 Segmentación de una escena compleja en objetos espaciales.
4.6.1 Precotmentación.
4.6.2 Segmentación.
4.6.3 Post-segmentación.
4.7 Muestra el ZB del movimiento del punto en secuencias de video.
4.8 Conclusiones sobre el capítulo.
Capítulo 5 Reconocimiento de objetos dinámicos, acciones activas y eventos de una escena compleja.
5.1 Construcción de gramática contextual:.
5.1.1 Formación de árboles de análisis gramatical.
5.1.2 Análisis sintáctico de la secuencia de imágenes.
5.1.3 Análisis de sintaxis de la escena.
5.2 Construyendo un borde de video de una escena compleja.
5.3 Reconocimiento de imágenes dinámicas.
5.4 Reconocimiento de eventos de escena.
5.4.1 Un método para identificar acciones activas.
5.4.2 Construcción de eventos de videojuegos.
5.5 Reconocimiento de eventos y géneros de escena.
5.5.1 Reconocimiento de eventos de escena.
5.5.2 Reconocimiento del género de la escena.
5.6 Conclusiones sobre el capítulo.
Capítulo 6 Sistemas de procesamiento de edificios y reconocimiento de secuencias de imágenes y estudios experimentales.
6.1 Software experimental Complejo "Rousie".
6.2 Trabajo de los módulos del sistema experimental EROI.
6.2.1 Módulo de preprocesamiento ".
6.2.2 Módulo de evaluación de movimiento.
6.2.3 Módulo de segmentación.
6.2.4 Módulo de reconocimiento de objetos.
6.2.5 Módulo de reconocimiento de acción activa.
6.3 Resultados de la investigación experimental.
6.4 Proyecto aplicado "Registro visual de placas de licencia estatal para vehículos motorizados con movimiento multi-roscado".
6.5 Proyecto de aplicación "Identificación del sistema de modelos de refrigeradores de refrigeradores en imágenes".
6.6 Software "Algoritmos de procesamiento y segmentación de imágenes de paisaje. Identificación de objetos ".
6.7 Conclusiones sobre el capítulo.
Lista recomendada de disertaciones.
Reconstrucción de imágenes basadas en el análisis espacial-temporal de rendimientos de video. 2011, candidato de las ciencias técnicas Damov, Mikhail Vitalevich
Método informático de localización de personas en imágenes en condiciones de iluminación difíciles. 2011, candidato de ciencias técnicas Pahirk, Andrei Ivanovich
El método de procesamiento de espacio en el espacio de rendimientos de video no indexados en estéreo. 2013, candidato de ciencias técnicas PYANKOV, DMITRY IGOREVICH
Métodos de teoría y análisis morfológico. 2008, doctor de ciencias físicas y matemáticas Viziltro, Yuri Valentinovich
Reconocimiento de gestos dinámicos en el sistema de vista de computadora basado en la vista de formulario de imagen medial 2012, candidato de ciencias técnicas Kurakin, Alexey Vladimirovich
La disertación (parte del resumen del autor) sobre el tema "Modelos y métodos de reconocimiento de imágenes dinámicas basadas en el análisis espacial-temporal de las secuencias de imágenes"
Hay una clase de tareas en las que la información de la estructura de la información y el movimiento de los objetos de una escena compleja (videovigilancia en habitaciones cerradas, en lugares de gran grupo de personas, control del movimiento de complejos robototécnicos, monitoreando el Movimiento de vehículos, etc.). Las secuencias de imágenes son un recurso de información complejo, estructurado en el espacio y el tiempo y la combinación de información inicial en forma de señales multidimensionales, la forma de su presentación en la computadora y los modelos físicos de objetos dinámicos, fenómenos, procesos. Las nuevas capacidades técnicas del procesamiento de imágenes digitales hacen posible tener en cuenta parcialmente tales específicos de las imágenes que utilizan simultáneamente la teoría cognitiva de la percepción humana de las imágenes visuales.
El análisis de la cantidad de datos espacial-temporal le permite identificar no solo los signos estáticos, sino también de los síntomas dinámicos de objetos de observación. En este caso, el problema del reconocimiento se puede definir como una clasificación de los conjuntos de estado o como una clasificación de trayectorias, cuya solución no se puede encontrar por los métodos de reconocimiento clásicos, porque Las transiciones temporales ^ pueden generar, transformar imágenes no descritas por las dependencias analíticas conocidas; Además, junto con la tarea de reconocer objetos dinámicos, las tareas de reconocimiento de acciones y eventos activos están surgiendo, por ejemplo, para identificar acciones no autorizadas en lugares de grupo de personas o determinar el género de la escena para la indexación en bases de datos multimedia. Si consideramos la tarea de reconocimiento de objetos y eventos en las secuencias de imágenes en forma de un solo proceso, entonces un enfoque jerárquico con elementos de procesamiento paralelo en cada nivel es el más apropiado.
La mejora de los medios técnicos de recopilación y reproducción de información en forma de imágenes estáticas (fotografías) y secuencias de video requiere un mayor desarrollo de los métodos y algoritmos para su procesamiento, análisis de situaciones y reconocimiento de objetos representados. La formulación teórica inicial de los objetivos de reconocimiento de imágenes es de 1960-1970. y se refleja en una serie de obras de autores famosos. La configuración de la tarea de reconocimiento de imágenes puede variar de la tarea real de reconocer objetos, tareas para analizar escenas a las tareas de comprensión de las imágenes y problemas de la visión de la máquina. En este caso, los sistemas inteligentes de toma de decisiones basados \u200b\u200ben imágenes y métodos de reconocimiento de imágenes utilizan información de entrada de tipo complejo. Pertenece a ambas imágenes obtenidas en una amplia gama de ondas de un espectro electromagnético (ultravioleta, visible, infrarrojo, etc.) e información en forma de imágenes de sonido y datos de ubicación. A pesar de la diversa naturaleza física, dicha información se puede presentar como imágenes reales de objetos y imágenes específicas. Los datos radiométricos son imágenes planas de la escena presentada en una proyección prometedora u ortogonal. Se forman midiendo la intensidad de las ondas electromagnéticas de un cierto rango espectral, se refleja o emitidas emitidas. Por lo general, use datos fotométricos medidos en una gama espectral visible - Imágenes monocromáticas (luminosas) o en color: los datos ubicados son las coordenadas espaciales de los puntos observados de la escena. Si las coordenadas se miden para todos los puntos de la escena, entonces una serie de datos de ubicación se pueden llamar a la profundidad de la escena. Hay imágenes simplificadas de imágenes (por ejemplo, un modelo de proyección afín, representadas por proyecciones débiles, prometedoras, ortogonales y paralelas), en las que la profundidad de la escena se considera un valor constante, y la ubicación de la escena hace No llevar información útil. La información de sonido está en este caso un evento auxiliar.
Los datos fotométricos se miden rápidamente. La información de la ubicación generalmente se calcula de acuerdo con los datos obtenidos de dispositivos especiales (por ejemplo, un telémetro de rango láser, un radar) o utilizando un método estereoscópico para analizar las imágenes de brillo. Debido a las dificultades de la recepción operativa de los datos de ubicación (especialmente para escenas con una forma cambiante de objetos visuales), las tareas de describir la escena en una imagen visual están dominadas, es decir, Las tareas de la percepción visual monocular de la escena. En general, es imposible determinar completamente la geometría de la escena por una imagen. Solo con ciertas restricciones para escenas modelo suficientemente simples y la presencia de una información a priori sobre la ubicación espacial de los objetos se puede crear una descripción tridimensional completa por una imagen. Una forma de salir de esta situación es el procesamiento y el análisis de las secuencias de video obtenidas de una o más cámaras de video instaladas activamente o se mueven en el espacio.
Por lo tanto, las imágenes son la forma principal de información de informes sobre el mundo real, y se requieren métodos de desarrollo adicionales para la transformación y el análisis semántico de las imágenes individuales y las secuencias de video. Una de las instrucciones más importantes para el desarrollo de tales sistemas inteligentes es automatizar la selección de métodos para describir y convertir imágenes, teniendo en cuenta su naturaleza de información y fines de reconocimiento ya en las etapas iniciales del procesamiento de imágenes.
Las primeras obras de investigadores de los Estados Unidos (Universidad Estatal de Louisiana, Universidad de Carnegie Mellon, Pittsburgh), Suecia ("Visión computacional y laboratorio de percepción activa (CVAP), Departamento de Análisis Numérico y Ciencias de la Computación), Francia (INRIA), Reino Unido (Universidad de Leeds), Alemania (Universidad de Karlsruhe), Austria, China (Escuela de Ciencias de la Computación, Universidad de Fudan) sobre el procesamiento de secuencias de imágenes y reconocer los objetos dinámicos se publicaron a fines de los años ochenta. Más tarde, comenzaron a aparecer obras similares. En Rusia: en Moscú (MSU, MAI (GTU), MIPT, GOSNIY AS), S. Petherburg (SPSU, GUAP, FSUE GOI, LOMO), RYAZAN (RGTU), Samara (Sgau), Voronezh (VSU), Yaroslavl ( Yarg), Kirov (VSU), Taganrog (TTI Yufu), Novosibirsk (NSU), Tomsk (TGPU), Irkutsk (Irgu), Ulan-UDE (VGTU) y otras ciudades. Cabe destacar la contribución especial de este ruso pendiente Científicos involucrados en esta área, como Ras académico, doctor de N. yu. I. Zhuravlev, Miembro correspondiente RAS, D.T.N. V. A. A. SAFIFER, D.T.N. N. G. Zagorukhiko, D.T.N. L. M. BelySky, D.T.N. B. A. A. Alpatov, etc. Hasta la fecha, se ha logrado un progreso significativo al crear sistemas de videovigilancia, sistemas de autenticación de identificación en imágenes, etc. Sin embargo, hay problemas sin resolver en reconocer imágenes dinámicas debido a la complejidad y la diversidad del comportamiento de los objetos del mundo real. Por lo tanto, esta dirección debe mejorar los modelos, los métodos y los algoritmos para reconocer objetos y eventos dinámicos en las secuencias de imágenes en diversos rangos de radiación electromagnética, lo que permitirá desarrollar sistemas de video de nebulización de video a nivel cualitativamente nuevo.
El propósito del trabajo de disertación es aumentar la eficiencia de reconocer objetos dinámicos, sus acciones y eventos activos en escenas complejas en secuencias de imágenes para sistemas de videovigilancia externos e internos.
El objetivo ha determinado la necesidad de resolver las siguientes tareas:
Para analizar los métodos de evaluación del movimiento y encontrar signos de movimiento de objetos en un conjunto de imágenes consecutivas, métodos para la segmentación de objetos dinámicos y análisis semántico de escenas complejas, así como enfoques para construir sistemas de reconocimiento y seguimiento para objetos dinámicos de varios objetivos.
Desarrollar modelos de reconocimiento de imágenes estáticas y dinámicas basadas en el procedimiento jerárquico para procesar series temporales, en particular, secuencias de imágenes.
Desarrolle un método para estimar el movimiento de estructuras dinámicas sobre la información espacial-temporal obtenida en diversos rangos de radiación electromagnética, lo que le permite elegir los métodos de segmentación dependiendo de la naturaleza del movimiento y, por lo tanto, para realizar el reconocimiento adaptativo de las imágenes dinámicas.
Cree un modelo de un movimiento multinivel de estructuras dinámicas en una escena compleja, lo que hace posible construir las trayectorias de las estructuras dinámicas sobre la base de la base, y presentar las hipótesis sobre la existencia de objetos visuales en función del análisis. de la prehistoria de los movimientos.
Desarrolle un algoritmo integral de segmentación, que tiene en cuenta el conjunto de signos identificados de estructuras dinámicas en direcciones arbitrarias de movimientos y superposición de proyecciones de objetos, basadas en los modelos de movimiento multinivel en escenas complejas.
Desarrolle un método para reconocer imágenes dinámicas representadas en términos de gramática formal y registro de video de la escena, basándose en el método de toma de decisiones colectivas, así como métodos de reconocimiento de acciones y eventos activos en una escena compleja, utilizando las columnas de activo Acciones y eventos (expandiendo el video video de una escena compleja), y la red bayesiana.
Basado en los métodos y modelos desarrollados, diseñan sistemas experimentales para diversos propósitos; Diseñado para procesar secuencias de imágenes de objetos caracterizados por un conjunto fijo y arbitrario de 2 £ \u003ePontratamiento, y reconocimiento de imágenes dinámicas. Escenas complejas.
Métodos, investigación. Al realizar trabajos de disertación, se utilizan métodos de la teoría del reconocimiento de las imágenes, teoría descriptiva del reconocimiento de imágenes, teoría de procesamiento de señales, métodos de análisis de vectores y cálculo de tensor, así como la teoría de los grupos, se utilizan la teoría gramática formal.
La novedad científica del trabajo de disertación es la siguiente:
1. Un nuevo modelo de transformación de imágenes dinámicas, caracterizado por niveles jerárquicos avanzados de segmentación (en vectores de movimiento local y global) y reconocimiento (objetos y sus acciones activas), lo que permite encontrar características objetivo para escenas estáticas con objetos en movimiento y escenas dinámicas. , Basado en el concepto de máximo invariante dinámico.
2. La teoría descriptiva del reconocimiento de imágenes se amplía por la introducción de cuatro nuevos principios: contabilidad de objetivos de reconocimiento en las etapas iniciales del análisis, el reconocimiento del comportamiento de los objetos dinámicos, la evaluación del fondo, el número variable de objetos de observación, que Permite mejorar la calidad del reconocimiento de las instalaciones en movimiento al aumentar el contenido de la información de los datos de origen.
3. Por primera vez, un método adaptable espacial-temporal para evaluar el movimiento en las secuencias síncronas de rangos de radiación electromagnética visibles e infrarrojos, lo que hace posible extraer signos de movimiento a diversos niveles jerárquicos, combinando las ventajas de ambos tipos de Secuencias de imágenes.
4. Se ha desarrollado un nuevo modelo de movimiento multinivel; permitiendo la descomposición de la escena a niveles separados; no\u003e restrictivo; Generalmente aceptó la división en primer plano y fondo, lo que le permite realizar una segmentación más confiable de imágenes de objetos; Escenas prometedoras complejas.
5: justificado? y construido; nuevo; Algoritmo de segmentación generalizada para objetos dinámicos; con, use, muchos signos que comprenden la prehistoria del comportamiento; y permitir monitorear tanto la dinámica de los objetos visuales individuales y la interacción de los objetos en la escena (superposición de proyecciones; la apariencia / desaparición de objetos desde el campo de la vista del sensor de video) según las transformaciones del grupo; Y por primera vez, el análisis propuesto de la parte general de las proyecciones de objetos (de dos empleados vecinos) con el uso de estimaciones integrales y invariantes.
6. El método de toma de decisiones colectivas, caracterizada por encontrar signos de proyecciones interconectuales del objeto y permitiendo tener en cuenta la prehistoria de las observaciones para reconocer acciones y eventos activos basados \u200b\u200ben la red bayesiana, y también proponen cuatro tipos de pseudot. Distancias para encontrar una medida de las similitudes de las imágenes dinámicas de V con imágenes dinámicas de referencia dependiendo de la presentación de signos dinámicos.
Significado práctico. Los métodos y algoritmos propuestos en la disertación y los algoritmos están destinados a la aplicación práctica con "Monitoreo de vehículos motorizados con un movimiento de múltiples bandas en virtud del proyecto estatal" Ciudad segura ", en sistemas de control automatizado sobre diversos procesos de producción tecnológica, En sistemas de videovigilancia externa y videovigilancia en habitaciones cerradas, así como en sistemas de identidad de objetos en fotografías aéreas y reconocimiento de imágenes de paisaje. Sobre la base de estudios de disertación, sistemas de software para procesamiento y reconocimiento de objetos dinámicos utilizados en varios campos. de actividad se han desarrollado.
Implementación de los resultados del trabajo. Programas desarrollados registrados en el Registro ruso de programas informáticos: el programa "Segmentación de imágenes de texto manuscritas (SEGPIC)" (Certificado No. 2008614243, Moscú, 5 de septiembre de 2008); El programa "Definición de movimiento (MotionStimation)" (Certificado No. 2009611014, Moscú, 16 de febrero de 2009); Programa "Localización facial (FACEEDETECTION)" (Certificado No. 2009611010, Moscú, 16 de febrero de 2009); El programa "El sistema de imponer efectos naturales visuales en una imagen estática (imitación de efectos naturales) (certificado No. 2009612794, Moscú, 30 de julio de 2009); El programa "Detección visual del humo (Smokedotection)" (evidencia №2009612795, Moscú, 30 de julio de 2009); "El programa de registro visual de las placas estatales de los vehículos de motor con movimiento multi-roscado (FNX Ctranalyzer)" (certificado No. 2010612795, Moscú, 23 de marzo de 2010), programa "Mejora de la imagen no lineal (mejora de la imagen no lineal)" (certificado No. 2010610658, G. Moscú, 31 de marzo de 2010
Los actos se obtuvieron sobre la transferencia y el uso de algorítmicos y software para reconocer las carcasas de refrigerador en la línea de ensamblaje (OJSC KZH "Biryusa", Krasnoyarsk), para identificar objetos de objetos en imágenes ajardinadas (Radio Building Prease "VEGA", OJSC KB "Light "Región de Rybinsk Yaroslavl), para la segmentación de la vegetación forestal en un conjunto de fotografías aéreas consecutivas (Altex Geomatics LLC, Moscú), para detectar placas de marcas de registro estatales de vehículos motorizados en secuencias de video con movimiento multiproceso y mejorar la calidad de su mapeo. ^ (Territorio de UGIBDD GUVD KRASNOYARSK, KRASNOYARSK).
Los algoritmos y software desarrollados se utilizan en el proceso educativo al realizar lecciones sobre las disciplinas "Procesamiento de datos inteligentes", "Tecnologías informáticas en ciencia y educación", "fundaciones teóricas del procesamiento de imágenes digitales", "Reconocimiento de imágenes", "redes neuronales" "Imágenes de algoritmos de procesamiento", "algoritmos de procesamiento de video rindes", "Análisis de escenas y visión de la máquina" en la Universidad Aeroespacial State Siberiana que lleva el nombre de ACADICA M.F. Reshetnyeva (sibgaau).
La precisión de los resultados obtenidos en el trabajo de disertación está garantizado por la exactitud de los métodos de investigación utilizados por la gravedad matemática de las transformaciones realizadas, así como el cumplimiento de las disposiciones formuladas y conclusiones a los resultados de su verificación experimental.
Las principales disposiciones dotadas de la defensa:
1. El modelo de procesamiento y reconocimiento de imágenes dinámicas en escenas complejas, extendidas sustancialmente por "niveles jerárquicos de segmentación y reconocimiento de no solo objetos, sino también sus acciones activas.
2. Expansión de la teoría descriptiva del reconocimiento de imágenes para series temporales (secuencias de imágenes) al aumentar la informatividad de los datos analizados no solo en la región espacial, sino también en el componente de tiempo.
3. Método adaptado espacial-temporal para evaluar el tráfico. La base de las representaciones de tensor de las áreas locales de volúmenes en secuencias síncronas de rangos de radiación electromagnética visibles e infrarrojos.
4. Modelo de movimiento de varios niveles en escenas complejas, ampliando la descomposición de escenas prometedoras a niveles separados para un análisis más confiable de las trayectorias de movimiento de objetos.
5. Un algoritmo generalizado para la segmentación de objetos dinámicos, lo que permite las transformaciones grupales basadas en las transformaciones del grupo y las estimaciones integrales y invariantes propuestas, identifican las proyecciones de objetos superpuestos, la apariencia / desaparición de objetos del campo sensible al video.
6. Métodos de reconocimiento de imágenes dinámicas basadas en el método modificado de toma de decisiones colectivas y encontrar pseudores en espacios métricos, así como acciones activas y eventos en escenas complejas.
Aprobación del trabajo. Las principales disposiciones y los resultados de los estudios de disertación se informaron y discutieron en la 10 Conferencia Internacional "Respuesta de patrones y análisis de imágenes: Tecnologías de la información modernas", (S.-PETERSBURG, 2010), el Congreso Internacional "Ultra Modern Telecommunications and Control Systems ICUMT2010 "(Moscú, 2010); XII Simposio internacional sobre métodos no paramétricos en cibernética y análisis del sistema (Krasnoyarsk, 2010), II Simposio Internacional "Decisión inteligente-Tecnologías - IDT 2010" (Baltimore, 2010), III Conferencia Internacional. "Automatización, control? Y tecnología de la información - ITEI-ITT "2010" (Novosibirsk, 2010), 10ª, 11ª y 12ª Conferencia internacional y exposiciones "Procesamiento de señales digitales y su uso" (Moscú, 2008-2010), X Conferencia Internacional Científica y Técnica "Teórica y Preguntas aplicadas de las tecnologías de la información modernas "(Ulan-UDE, 2009), IX Conferencia internacional científica y técnica" Cybernetics y altas tecnologías del siglo XXI "(Voronezh, 2008), Modelos y Métodos de All-Russ Russ Russian Procesamiento de imágenes" (Krasnoyarsk , 2007), en las Conferencias Científicas Internacionales de X, XI y XIII "Re-ShetyNevsky Lecturas" (Krasnoyarsk, 2006, 2007, 2009), así como seminarios científicos Universidad Estatal Fabricación de instrumentos aeroespaciales (San Petersburgo, 2009), Instituto de Modelado computacional
RAS (Krasnoyarsk, 2009), Instituto de Sistemas de procesamiento de imágenes RAS (Samara, 2010).
Publicaciones. De acuerdo con los resultados del estudio de la disertación, se publicaron 53 trabajos impresos, de los cuales 1 monografía, 26 artículos (14 de ellos son 14 artículos, en publicaciones incluidas en la lista de WAK, 2 artículos, en las publicaciones enumeradas en Thomson Reuters: Ciencia Índice de citas Expandido / Actas de la conferencia Índice de citas "), 19 resúmenes de informes, 7 pruebas registradas en el Registro ruso de programas informáticos, así como 3 informes sobre la NIR.
Contribución personal. Todos los principales resultados establecidos en las disertaciones, incluida la formulación de tareas y sus soluciones matemáticas y algorítmicas, fueron obtenidas por el autor personalmente, o bajo su orientación científica y en la participación directa. Según los materiales del trabajo, se defendieron dos disertaciones más para el grado de candidato de las ciencias técnicas, cuando el autor fue el supervisor oficial.
Estructura del trabajo. El trabajo consiste en la introducción, seis capítulos, conclusión, lista bibliográfica. El texto principal de la tesis contiene 326 páginas, la presentación se ilustra con 63 figuras y 23 tablas. La lista bibliográfica incluye 232 nombres.
Obras de tesis similares. en la especialidad "Fundamentos teóricos de informática", 05.13.17 CIFR WAK
Algoritmos combinados para la asignación operativa de objetos en movimiento en la secuencia de cuadros de video según el método diferencial local para calcular el flujo óptico 2010, candidato de ciencias técnicas Kazakov, Boris Borisovich
Métodos para estabilizar secuencias de video de escenas complejas estáticas y dinámicas en sistemas de videovigilancia. 2014, candidato de ciencias técnicas Buryachenko, Vladimir Viktorovich
Método y sistema de procesamiento de imágenes médicas dinámicas. 2012, candidato de ciencias técnicas Maryskin, Evgeny Leonidovich
Reconocimiento complementario de imágenes de radar de objetos de tierra (superficie) con segmentación de signos de signos para zonas cuasi invariables 2006, candidato de ciencias técnicas Matveyev, Alexey Mikhailovich
Métodos y algoritmos para detectar símbolos de texto impuestos en sistemas de reconocimiento de imágenes con una estructura de fondo compleja 2007, candidato de ciencias técnicas Zotin, Alexander Gennadevich
Conclusión de la disertación. sobre el tema "Conceptos básicos teóricos de la informática", Favorskaya, Margarita Nikolaevna
6.7 Conclusiones sobre el capítulo.
En este capítulo, la estructura y las funciones principales del complejo de software experimental "Zarel", U.1.02, que también se describe en detalle, que realiza el procesamiento sistémico jerárquico de secuencias de imágenes, hasta los niveles más altos de reconocimiento y eventos de objetos. Es un sistema automatizado que requiere la participación de una persona para la capacitación y la configuración. Cuenta gráficos, redes y clasificadores. Un número de módulos de sistema de bajo nivel opera en modo automático. La estructura del paquete de software es tal que la modificación de los módulos es posible sin Influenciando otros módulos del sistema. Se presentan esquemas funcionales de los módulos principales del sistema: módulo, preprocesamiento, módulo de evaluación de movimiento, módulo de segmentación, módulo de reconocimiento de objetos y módulo de reconocimiento de acción activa.
Los estudios experimentales basados \u200b\u200ben este paquete de software se llevaron a cabo en varias secuencias de video y secuencias infrarrojas de la base de prueba "OTCBVS ^ 07", en los sellos de video de prueba "Hamburgo Taxi", "Rubik cubo". "Silencio", así como en sus propias imágenes de video. Se probaron cinco métodos de movimiento. Se mostró experimentalmente que el método para comparar bloques y el método propuesto para la secuencia infrarroja muestre valores cercanos y son los menos precisos. El método propuesto para la secuencia de video y el método de las características del punto de seguimiento demuestran resultados cercanos. Al mismo tiempo, el enfoque de tensor desarrollado requiere un volumen más pequeño de computación informática en comparación con el método de las características del punto de seguimiento. Compartir la secuencia de video sincronizada y las secuencias de infrarrojos son recomendables para encontrar el módulo de vectores de velocidad y en condiciones de la iluminación de escena reducida.
Para reconocer objetos visuales, se utilizaron cuatro tipos de pseudo-distancias (Hausdorff, Gromovo-Hausdorff, Frechech, pseudo-distancia natural) para encontrar una medida de la similitud de las imágenes dinámicas de entrada con imágenes dinámicas de referencia (dependiendo de la presentación de la dinámica. Signo - Un conjunto de características numéricas, conjuntos de vectores, conjuntos de funciones). Mostraron su consistencia para imágenes con transformaciones morfológicas permisibles. Las estimaciones normalizadas integradas de la forma del contorno de la CU de la parte general de la proyección del objeto entre los marcos condicionalmente adyacentes y el área de la parte total 5E y la estimación invariante son la función de correlación de las partes comunes de la FCOR Proyecciones. El uso de un método modificado de método de toma de decisiones colectivos le permite "descartar" observaciones fallidas de imágenes de entrada (casos de proyecciones de objetos superpuestos, distorsión de la escena de fuentes de luz, etc.) y elija las observaciones más apropiadas. Los experimentos han demostrado que el uso de un método modificado de maquillaje de decisión colectiva mejora la precisión del reconocimiento en un promedio de 2.4-2.9%.
Los resultados experimentales de la evaluación del movimiento, la segmentación y el reconocimiento de los objetos se obtuvieron en las secuencias de prueba de imágenes ("Hamburgo Taxi", "Rubik cubo". "Silent", secuencia de video y secuencias infrarrojas de la base de prueba "SVVS" 07 " ). Para reconocer acciones activas de las personas, se utilizaron ejemplos de bases de prueba "Mascotas", "Caviar", "VIPE". La naturaleza de la secuencia visual de prueba afecta a los indicadores. Reconoce altamente los objetos que realizan el movimiento de rotación ("Rubik Cube "), mejor: objetos pequeños hechos por el hombre (" Hamburg Taxi "," Video 1 "). Los mejores resultados que muestran el reconocimiento en dos secuencias. También se lograron los mejores resultados experimentales al reconocer acciones activas periódicas de las personas que no están en grupos. (caminar, correr, levantarse, manos). Las respuestas falsas se deben a la caída de las sombras en algunos lugares escena.
En la finalización del sexto capítulo, tales "proyectos aplicados como" el registro visual de las placas de licencia estatal con movimiento múltiple "," Sistema de identificación del sistema de refrigeradores, "algoritmos. Procesos y segmentación, imágenes de paisaje. Identificación de objetos". Algorítmico y. El software se transfiere a las organizaciones interesadas: los resultados de las pruebas mostraron el desempeño del software desarrollado sobre la base de modelos y métodos propuestos en el trabajo de disertación.
Conclusión
El trabajo de disertación se realizó y resolvió el importante problema científico y técnico de procesar datos de tiempo espacial obtenidos de secuencias de rangos visibles e infrarrojos de radiación electromagnética, y reconocer imágenes dinámicas en escenas complejas. El sistema de métodos jerárquicos de procesamiento y extracción de signos de datos de tiempo espacial es una base metodológica para resolver tareas de videovigilancia aplicadas.
En la introducción, la relevancia del trabajo de disertación está fundamentada, la meta y las tareas del estudio están formuladas, se muestran la novedad científica y el valor práctico de la investigación realizado, se presentan las principales disposiciones dotadas de protección.
El primer capítulo muestra que los objetos visuales en secuencias de video se caracterizan por una característica más multidimensional de los signos de vectores que "imágenes en la formulación clásica de la tarea de reconocer imágenes estáticas. El trabajo de disertación introduce los pasos de aclaración en los niveles de procesamiento promedio y más altos para los niveles de procesamiento promedio y más altos. Imágenes dinámicas.
La clasificación de los principales tipos de tareas de reconocimiento para imágenes estáticas, escenas estáticas con elementos de movimiento y secuencias de imágenes, que refleja la naturaleza histórica del desarrollo de métodos matemáticos en esta área. Se realizó un análisis detallado de los métodos para evaluar el movimiento, los algoritmos para la segmentación de objetos en movimiento, se realizaron métodos de interpretación de los eventos en escenas complejas.
Los complejos de hardware y software comercial existentes se consideran en áreas como el monitoreo de vehículos de diversos propósitos, procesando materiales de video deportivos, seguridad (reconocimiento individual, penetración no autorizada de personas en área protegida), también se analizan los desarrollos de investigación para sistemas de videovigilancia.
Al final del Capítulo 1, existe una formulación de la tarea del procesamiento espacial de las secuencias de imágenes, presentadas en forma de tres niveles y cinco etapas de procesamiento y reconocimiento de información visual sobre secuencias de imágenes.
En el segundo capítulo de la tesis, se han desarrollado modelos formales de procesamiento y reconocimiento de objetos en sus imágenes estáticas y secuencias de imágenes. Las asignaciones permitidas en el espacio de la imagen y el espacio de las características para una tarea directa y el problema inverso se construyen. Se dan las reglas para construir funciones decisivas invariantes y un invariante dinámico máximo generalizado. Al reconocer la trayectoria de varias imágenes en el espacio multidimensional, los signos pueden intersectarse. Al cruzar las proyecciones de objetos, encontrar un invierno dinámico máximo generalizado se vuelve aún más difícil, y en algunos casos la tarea imposible.
Se consideran los principios básicos de la teoría descriptiva del reconocimiento de las imágenes, que se basó en métodos regulares para elegir y sintetizar procedimientos algorítmicos para procesar información al reconocer imágenes. Se proponen principios adicionales que amplíen la teoría descriptiva para imágenes dinámicas: contabilidad para el objetivo de reconocimiento en las etapas iniciales de procesar la secuencia de imágenes, reconocimiento de situaciones de comportamiento de objetos dinámicos, evaluando la prehistoria de objetos dinámicos, el número variable de observación Objetos en escenas complejas.
El problema de la búsqueda de características objetivo para analizar las secuencias de imágenes se considera en detalle. Hay descripciones de cuatro situaciones en el espacio de los signos, ya que la tarea es complicada.
En el tercer capítulo, se formulan las etapas de procesamiento de las secuencias de imágenes y reconocimiento de objetos, acciones activas, eventos y el género de la escena. Las etapas reflejan la naturaleza jerárquica consistente del procesamiento de la información visual. También presentaron condiciones y limitaciones de métodos jerárquicos de procesamiento de espacio en el espacio de las secuencias de imágenes.
La clasificación de las regiones dinámicas de la imagen se lleva a cabo analizando sus propios valores 31) del tensor estructural, cuyos propios vectores están determinados por los desplazamientos locales de las intensidades de los marcos vecinos y se utilizan para evaluar las regiones dinámicas orientadas locales. Un nuevo método para evaluar el movimiento en el volumen de tiempo de espacio de estos rangos de radiación visibles e infrarrojos basados \u200b\u200ben un enfoque tensor está fundamentado. La posibilidad de usar un kernel que cambia espacialmente, adaptable al tamaño y la orientación del entorno del punto. La adaptación del entorno, primero con una forma de círculo y luego girar después de 2 a 3 iteraciones en la forma de una elipse orientada le permite mejorar la estimación de las estructuras orientadas en la imagen. Dicha estrategia mejora las estimaciones de gradiente en un conjunto de datos de tiempo de espacio.
La evaluación de los parámetros de movimiento local se realiza calculando primitivos geométricos y puntos especiales de la región local. Por lo tanto, la evaluación de los signos locales del movimiento de las regiones es la base de la extensión de las hipótesis posteriores de los accesorios de los objetos visuales a una u otra clase. El uso de la secuencia de video síncrona y la secuencia infrarroja hace posible mejorar los resultados de la segmentación de regiones en movimiento en la imagen y encontrar vectores de movimiento locales.
Se muestra que se muestra que estima los límites en las imágenes en color sobre la base de los métodos de degradado multidimensionales construidos en todas las direcciones en cada punto del límite, los métodos vectoriales que utilizan estadísticas ordinales en la imagen en color, además de usar un enfoque de tensor en Métodos de degradado multidimensional. Los métodos para aclarar la información del contorno son esenciales para las regiones con un número arbitrario de proyecciones permisibles.
En el cuarto capítulo, se construye un modelo de movimiento multinivel basado en estructuras de movimiento, que refleja la dinámica de los objetos de la escena real y la expansión de una presentación de dos niveles de la escena dividida en objetos de interés y en un fondo fijo.
Se investigan los modelos de movimiento de objetos en el plano basados \u200b\u200ben la teoría de los grupos de mentira compactos. Los modelos se presentan para la transformación proyectiva y las variedades de modelos de conversión afín. Dichas transformaciones describen bien las estructuras de movimiento con un número limitado de proyecciones (objetos hechos por el hombre). La representación de las estructuras con un número ilimitado de proyecciones (objetos antropogénicos), la transformación afín o proyectiva está acompañada por una serie de condiciones adicionales (en particular, el requisito de la lejanía de los objetos del sensor de video, objetos de pequeño tamaño, etc.) . Se dan definiciones y teoremas, probadas L. S. Pontryagin, sobre la base de las cuales fue posible encontrar el automorfismo interno de las coordenadas del grupo que describen algún objeto con una precisión de los cambios entre los marcos adyacentes. La magnitud de los turnos se determina mediante el método de evaluación del movimiento de la diferencia de interceder de desarrollo en 3 "capítulo.
La expansión de las transiciones permisibles entre grupos de transformaciones se basa en la dualidad de la dualidad de la naturaleza 2 £) - imágenes (visualización de cambios de proyección objeto separado y la intersección visual de varios objetos: (Interacción de objetos)). Criterios que, al cambiar los grupos de transformaciones, se encuentran acciones y eventos activos, en la escena, a saber, estimaciones integradas de la forma de contorno de la CU de la parte general de la proyección entre los marcos condicionalmente adyacentes y el área de la parte total. 5E y las estimaciones invariantes son la función de correlación de las partes comunes de los proyectos de RSUG y estructurales, las constantes del grupo de mentiras con "D, que nos permiten estimar el grado de variabilidad e identificar la naturaleza del movimiento de los objetos observados.
La prehistoria del movimiento de objetos en las secuencias de imágenes también se construye, que incluye las series de tiempo de trayectorias de desplazamiento, los cambios en la forma del objeto cuando se mueve a 3 £\u003e -Pare, así como los cambios en la forma de un objeto asociado con la interacción de los objetos en la escena y la apariencia / desaparición de un objeto desde el campo de la visión del sensor (se utiliza para reconocer acciones y eventos activos en la escena). uno
Se ha desarrollado un algoritmo de segmentación generalizado para objetos en escenas complejas, teniendo en cuenta casos complejos de segmentación (imágenes superpuestas, la emergencia y desaparición de los objetos desde el campo de la vista de la cámara, el movimiento a la cámara), que incluye tres sub- Pagar: Pre-segmentación, segmentación y posgentación posterior. Para cada subpaso, las tareas, los datos de origen y salida están formulados, bloquean los diagramas de algoritmos, que permiten llevar a cabo la segmentación de escenas complejas, utilizando las ventajas de las secuencias síncronas de varios rangos de radiación.
El quinto capítulo analiza el proceso de reconocimiento de imágenes dinámicas utilizando la gramática formal, la escena de la escena y un método modificado de toma de decisiones colectivas. La escena dinámica con un movimiento multinivel tiene una estructura que cambia el tiempo, por lo que es recomendable utilizar métodos de reconocimiento estructural. La gramática contextual de tres niveles propuesta del reconocimiento de escenas complejas con movimiento multinivel de objetos implementa dos tareas: la tarea del análisis sintáctico de la secuencia de imágenes y la tarea del análisis sintáctico de la escena.
Un medio visual de la descripción semántica de la escena es un video de video construido de acuerdo con el método de agrupación jerárquico. Basado en signos integrados del nivel más bajo, se forman estructuras espaciales locales resistentes a lo largo del tiempo, se construyen objetos espaciales locales y un video de video de la escena, incluidos los objetos espaciales reconocidos, un conjunto de acción inherente a ellos, así como las relaciones espaciales-temporales entre ellos.
El método modificado de toma de decisiones colectiva se basa en un procedimiento de reconocimiento de dos niveles. El primer nivel reconoce el reconocimiento de la imagen de este o ese área de competencia. En el segundo nivel, la regla decisiva entra en vigor, cuya competencia es máxima en el área especificada. Se construyen expresiones para pseudo-distancias cuando la medida de la similitud de las imágenes dinámicas de entrada con las imágenes dinámicas de referencia se construye dependiendo de la representación de los signos dinámicos, un conjunto de características numéricas, muchos vectores, conjuntos de funciones.
Al reconocer los eventos, el videojógrafo de la escena compleja se está expandiendo al evento Videojuegos: se construye un modelo dependiente del objeto de un objeto dinámico. Como función de conformidad, los clasificadores simples se utilizan en los signos de signos (por ejemplo, de acuerdo con el método ^-front), ya que la comparación se lleva a cabo de acuerdo con las plantillas múltiples limitadas asociadas con un objeto identificado previamente. Se consideran formas de formar plantillas de proyecciones de objetos visuales.
El evento Información de video se basa en las redes de Markov. Métodos para identificar acciones activas de los agentes, así como el orden de construir y cortar los eventos de videojuegos para el reconocimiento, se consideran eventos en la escena. Al mismo tiempo, para cada evento, su modelo está construido, que está estudiando sobre ejemplos de prueba. La detección de eventos se reduce a la agrupación de acciones activas de manera consistente basadas en el enfoque bayesiano. Los modos de corte recursivos de los coeficientes de peso en la secuencia de video de entrada y la comparación con referencia, se realizan eventos obtenidos durante la etapa de entrenamiento. Esta informacion Es * Fuente para determinar el género de la escena y, si es necesario, indexando una secuencia de video en la base de datos. Se ha desarrollado un esquema de comprensión e interpretación de imágenes y materiales de video para la indexación en bases de Internet multimedia.
El sexto capítulo presenta una descripción del paquete de software experimental SPOER, v.l.02 en el procesamiento de secuencias de imágenes y reconociendo los objetos y eventos en movimiento. Realiza el procesamiento sistémico jerárquico de las secuencias de imágenes de hasta los niveles más altos de reconocimiento de objetos y eventos. Es un sistema automatizado que requiere la participación de una persona para aprender y establecer gráficos, redes y clasificadores. Un número de módulos de sistema de bajo nivel opera automáticamente.
En los estudios experimentales realizados utilizando el paquete de software SPOER, VL02, secuencias de video usadas y secuencias de imágenes infrarrojas de la base de prueba "OTCBVS" 07 ", Secuencia de video de prueba" Hamburgo Taxi "," Rubik cubo "." Silent "y sus propias imágenes de video. Se probaron cinco métodos de evaluación de movimiento. El método propuesto para una secuencia de video demuestra los resultados más precisos y requiere un volumen más pequeño de cálculos de computadora en comparación con otros métodos. Compartir la secuencia de video sincronizada y la secuencia infrarroja es recomendable cuando los vectores de velocidad se reducen los módulos Módulos de iluminación de escena.
Para reconocer los objetos visuales con transformaciones morfológicas permisibles de las proyecciones, las estimaciones normalizadas integradas de la forma de contorno de la COP de la parte general de la proyección de objetos entre los marcos condicionalmente adyacentes y el área de la parte total 5e y la estimación invariante son los Función de correlación de las partes comunes de las proyecciones FCOR. El uso de un método modificado de método de toma de decisiones colectivo le permite "descartar" observaciones fallidas de imágenes de entrada (casos de proyecciones de objetos superpuestos, distorsiones visuales de la escena de fuentes de luz, etc.) y elija las observaciones más apropiadas. Los experimentos han demostrado que el uso de un método modificado de maquillaje de decisión colectiva mejora la precisión del reconocimiento en un promedio de 2.4-2.9%.
Resultados experimentales de la evaluación - MOVIMIENTO; La segmentación y el reconocimiento de objetos se obtuvieron en las secuencias de prueba de imágenes ("Hamburgo Taxi", "Rubik cubo". "Silent", secuencia de video y secuencias infrarrojas de la base de prueba OTCBVS * 07). Para el reconocimiento de acciones activas de las personas, se utilizaron ejemplos de las bases de prueba de mascotas, "Caviar", "VACE". Los mejores resultados indican el reconocimiento en dos secuencias. Además, se lograron los mejores resultados experimentales al reconocer acciones periódicas activas de personas que no están en grupos (caminar, correr, ascender a las manos). Las falsas respuestas se deben a la iluminación y a la presencia de sombras en una serie de escena.
Sobre la base del complejo experimental "Rousie", V. 1.02, se desarrollaron los sistemas de procesamiento de información de video para varios objetivos: "Registro visual de placas de licencia estatal para vehículos de motor con movimiento multi-roscado", "El sistema de identificación del sistema de refrigerador Cerramientos en imágenes "," Paisajismo y algoritmos de segmentación y algoritmos de segmentación. Identificación de objetos ". Algorítmica y software transferidos a organizaciones interesadas. Los resultados de las pruebas mostraron el desempeño del software desarrollado en la disertación de modelos y métodos propuestos en el trabajo de disertación.
Por lo tanto, se obtuvieron los siguientes resultados en el trabajo de disertación:
1. Se construyen los modelos formales de procesamiento y reconocimiento de estructuras de tiempo espacial basadas en el procedimiento jerárquico adaptativo. Procesamiento de secuencias de imágenes, caracterizado porque tienen en cuenta las transformaciones isomórficas y homomórficas y las funciones generalizadas de los invariantes estáticos y dinámicos se derivan. También construyeron modelos para la búsqueda de características estáticas y dinámicas de objetos para cuatro problemas para analizar las secuencias de imágenes, dependiendo de la presencia de un sensor de video móvil1 y objetos en movimiento en la escena.
2. Las principales disposiciones del enfoque descriptivo para reconocer secuencias de imágenes, lo que permite considerar los objetivos objetivos en las etapas iniciales del procesamiento de secuencias de imágenes con la segmentación posterior de áreas de interés, construir trayectorias de movimiento y reconocer el comportamiento de los objetos dinámicos. Cuenta la prehistoria del movimiento de objetos al cruzar sus proyecciones, acompañe los objetos de observación de los números de variable.
3. Un método jerárquico de procesamiento y reconocimiento de estructuras espaciómicas y temporales, que consta de tres niveles y cinco etapas, y sugiriendo la normalización de las proyecciones de objetos, que reduce el número de estándares para una clase al reconocer objetos dinámicos complejos.
4. Un método para estimar el movimiento para secuencias de imágenes de rangos de radiación electromagnética visible e infrarrojos se caracteriza porque los conjuntos de datos de espacio en el espacio, presentados en forma de 3 £\u003e tensores estructurales y tensores. Flujo, respectivamente. La evaluación resultante de la Motión le permite elegir el método más efectivo de segmentación de objetos visuales dinámicos que difieren en el número de proyecciones permisibles.
5. Un modelo de un movimiento multinivel de las regiones de la imagen basadas en vectores locales de velocidad, caracterizado porque le permite dividir la escena no solo a los objetos y el fondo de primer plano, sino también en los niveles de movimiento de objetos. del observador. Esto es especialmente cierto para las escenas complejas registradas por el sensor de video en movimiento, cuando todos los objetos de escena están en movimiento relativo.
6. Se ha desarrollado un algoritmo de segmentación adaptativa para objetos dinámicos: a) para objetos con un número limitado de proyecciones, según el análisis de la prehistoria de las regiones dinámicas locales, caracterizada porque cuando las imágenes están destrozadas, la forma, la región. De acuerdo con la plantilla actual se completa y, se predice sujetos a la aplicación del filtro de Kalman, actual, trayectoria; b) Para objetos con un número arbitrario de proyecciones sobre la base de análisis, color, textura, estadística, estadística, estadística, signos topológicos y signos de movimiento, caracterizado porque cuando se superpone la imagen ^, la forma de la región se completa con los contornos activos. método.
7. Un método para construir un magógrafo de video dinámico de una escena compleja de acuerdo con el método de agrupación jerárquica de signos integrales de un nivel más bajo en estructuras espaciales locales resistentes a tiempo, y más a los objetos espaciales locales. El video formado corresponde a la relación temporal entre los objetos y conserva todas las características generalizadas para reconocer los eventos en la escena. Gramática bidimensional M.I. Schlesinger en el marco del método estructural de reconocimiento a la gramática contextual de tres niveles.
8: Se modifica un método de toma de decisiones colectivas para reconocer objetos dinámicos, al realizar inicialmente el reconocimiento de la imagen del área del área de competencia, y luego seleccionar la regla decisiva cuya competencia es máxima en el área especificada. Se construyeron cuatro tipos de pseudo-distancias para encontrar una medida de la similitud de las imágenes dinámicas de entrada con estándares, dependiendo de la presentación de los signos dinámicos.
9. El método de reconocimiento de los eventos basados \u200b\u200ben la red bayesiana, que realiza el corte recursivo de la matriz de coeficientes de peso en el video de entrada y una comparación con los eventos de referencia obtenidos durante la fase de estudio. Esta información es la inicial para determinar el género de la escena y la indexación de secuencias de video en las bases de datos de Internet multimedia.
10. Las tareas prácticas de procesamiento y reconocimiento de las secuencias de imágenes se resuelven utilizando un método jerárquico adaptable de procesamiento de espacio en el espacio, se muestra el rendimiento del método, se demuestra la eficiencia del sistema de métodos de procesamiento jerárquico. Reconocimiento de información visual con la posibilidad de una selección adaptable de signos en. Proceso resolviendo el problema. Los resultados obtenidos en forma de sistemas experimentales diseñados se transfirieron a las organizaciones interesadas.
Por lo tanto, en esta disertación, el trabajo ha resuelto un importante problema científico y técnico de la compatibilidad con la información de los sistemas de videovigilancia y se desarrolló una nueva dirección en el área del procesamiento espacial y reconociendo las imágenes dinámicas.
Referencias de investigación de tesis doctor en Ciencias Técnicas Favorskaya, Margarita Nikolaevna, 2011
1. Análisis automático de imágenes complejas / ed. Em. Capturas de pantalla. M.: Mir, 1969. - 309 p. BONGARD M.M. Problemas de reconocimiento. - M.: Ciencia, 1967.-320 p.
2. Alpatov, B.A., detección de un objeto en movimiento en la secuencia de imágenes en presencia de restricciones en el área y la velocidad del objeto / B.A. Alpatov, a.a. China // Procesamiento de imágenes digitales, №1, 2007. p. 11-16.
3. Alpatov, B.A., asignación de objetos en movimiento en las condiciones de distorsión geométrica de la imagen / B.A. Alpatov, P.V. Babayan // Tratamiento digital de señales, No. 45 2004. p. 9-14.
4. Alpatov, B.A., Babayan P.V. Métodos de procesamiento y análisis de imágenes "en los sistemas a bordo para detectar y mantener objetos / B.A.A. alpatov, P.V. Babayan / Procesamiento de señal digital, No. 2, 2006. 45-51 p.
5. Bolshakov, a.A.A., Métodos para procesar datos multidimensionales y series de tiempo: Tutorial Para universidades / a.a. Bolshakov, r.i. Karimov / m.: Hotline-Telecom, 2007. 522 ppm: BONGARD, M.M. Problemas de reconocimiento / m.m. BONDARD / M.: Ciencia, 1967.-320 p.
6. Bully, a.b. Teoría de los procesos aleatorios1 / a.b. Bully, a.n. Shiryaev / M.: Fizmatlit, 2005. 408 p.
7. Weinzweig, M.N. Arquitectura del sistema de presentación de escenas dinámicas visuales en términos de conceptos / m.n.vainzweig, M.N. POLYAKOVA // SAT. Tr. 11th vsview. conf. "Métodos matemáticos de reconocimiento de imágenes (MMRO-11)", M., 2003. C.261-263.
8. Vapnik, v.n. Aprendizaje de tareas para reconocer imágenes / v.n. Vapnik / M.: Conocimiento, 1970. - 384 p.
9. P.VAPNIK, V.N. La teoría del reconocimiento de imágenes (problemas estadísticos del aprendizaje) / v.n. Vapnik, a.ya. Chervonenkis / m.: Ciencia, 1974. 416 p.
10. Vasiliev, v.i. Reconocimiento de Mover Tel / V.I. Vasilyev, a.g. Ivaknenko, v.e. Reutsky et al. // Automation, 1967, No. 6, p. 47-52.
11. Vasilyev, v.i. Reconocimiento de sistemas / v.i. Vasilyev / Kiev: Ciencias. Dumka, 1969. 292 p.
12. Vasiliev, v.I. Reconocimiento de sistemas. Directorio / V.I. Vasilyev / Kiev, Ciencias, Dumka, 1983. 422 p.
13. Visiltro, YU.V. Aplicación del método para analizar la evidencia morfológica en las tareas de visión del motor\u003e / yu.v. Viziltro // Boletín de computadoras y tecnologías de la información, No. 9, 2007 p. 11-18.
14. Viziltro, YU.V. Morfología proyectiva basada en la interpolación / yu.v. Vizilter // Boletín de computadoras y tecnologías de la información, №4, 2008.-. 11-18.
15. Viziltro, yu.v., morfología proyectiva y su uso en el análisis estructural de imágenes digitales / yu.v. Viziltro, S.YU. Amarillo // izv. Heridas TISA, № 6, 2008. C. 113-128.
16. Viziltro, YU.V. Investigación del comportamiento de los filtros de autorregresión en la tarea de asignación y análisis de movimiento en secuencias de video digitales / yu.v. Viziltro, B.V. Vishnyakov // Boletín de informática y tecnologías de la información, No. 8, 2008. - Con. 2-8.
17. Viziltro, YU.V. Morfología proyectiva de imágenes basadas en modelos descritos por estructuración funcionales /U.v. Viziltro, S.YU. Amarillo // Boletín de computadoras y tecnologías de la información, No. 11, 2009.- 12-21.
18. Vishnyakov, B.V. Uso del método de flujo óptico modificado en la tarea de seguimiento de detección e interradedor de movimiento.
19. Ganebny, S.N. Análisis de escenas basadas en el uso de representaciones de árboles de imágenes / S.N. Ganebny, M.M. Lange // sábado. Tr. 11º All-Ross. conf. "Métodos matemáticos de reconocimiento de imágenes (MMRO-11)", M., 2003.-. 271-275.
20. Glushkov, v.m. Introducción al cibernético / v.m. Glushkov / Kiev: editorial de la Academia de Ciencias de la SSR ucraniana, 1964. 324 p.
21. González, R., Woods R. Procesamiento de imágenes digitales. PER.S INGLÉS. Ed. P.A. SOCHI / R. BONGSALEZ, R. WOODS / M.: TECHOSPOSFERS, 2006. 1072 P.
22. Goroshkin, A.N., segmentación de imágenes manuscritos (SEGPIC) / A.N. Goroshkin, M.N. Favorskaya // Certificado No. 2008614243. Registrado en el Registro de Programas para Eum Moscú, 5 de septiembre de 2008
23. GRENANDER, W. Conferencias en la teoría de las imágenes / W. Grenander / a 3 t. / PERSULO INGLÉS. Ed. Yu.i. Zhuravleva. M.: Mir, 1979-1983. 130 s.
24. Carman, I.S. Procesamiento de imágenes digitales en sistemas de información: Educación. Manual / I.S. Gruzman, B.C. Kirichuk, v.p. KOSY, G.I.PERTIAGIN, A.A. Spector / Novosibirsk, editorial de NSTU, 2003. P. 352.
25. Salida confiable y plausible en sistemas intelectuales / ed. V.n. Vagina, d.a. Pospelova. 2ª ed. y añadir. - M.: FizMatlit, 2008. - 712 p.
26. DUDA, R. Reconocimiento de imágenes y análisis de escenas / R. DUDA, P. HART / M.: Publicación de la "Paz", 1978. 512 p.
27. Zhuravlev, Yu.i. En un enfoque algebraico para resolver las tareas de reconocimiento y clasificación / yu.i. Zhuravlev // Problemas de la cibernética: Sat. Arte., Vol. 33, M.: Ciencia, 1978. P. 5-68.
28. Zhuravlev, yu.i. Sobre la corrección algebraica de los procedimientos de procesamiento (transformación) de la información / yu.i. zhuravlev, k.v. Rudakov // Problemas de Matemáticas Aplicadas e Informática, M.: Ciencia, 1987. 187-198.
29. Zhuravlev, Yu.I. Reconocimiento de imágenes y reconocimiento de imágenes / yu.i. Zhuravlev, I.B. Reconocimiento de Gurevich // anuario ". Clasificación. Pronóstico. Métodos matemáticos y su aplicación ", vol. 2, M.: Ciencia, 1989.-72 p.
30. Zhuravlev, yu.i. Reconocimiento de imágenes y análisis de imágenes / yu.i. Zhuravlev, I.B. Gurevich / Inteligencia artificial en 3-KN. Kn. 2. Modelos y métodos: directorio / ed. SI. Pospelova, M.: Publishing House "Radio and Communication", 1990. - C.149-190.
31. Zagorukhiko, N.G. Métodos de reconocimiento y su aplicación / N.G. Goruiko / m.: Sov. Radio, 1972. 206 p.
32. Zagorukhiko, N.G. Inteligencia artificial y predicción empírica / N.G. Zagorukhiko / Novosibirsk: Ed. NSU, \u200b\u200b1975. 82 p.
33. Ivaknenko, a.g. Sobre el uso de la teoría de la invariancia y el control combinado a la síntesis y analizar a los estudiantes / a.g. Ivakhnenko // Automatización, 1961, No. 5, p. 11-19.
34. ivaknenko, g.i. Reconocimiento de autoaprendizaje y sistemas de control automático / a.g. Ivakhnenko / Kiev: Technique, 1969. 302 p.
35. Kashkin, VB Sensación remota de la tierra desde el espacio. Procesamiento de imágenes digitales: tutorial / v.b. Kashkin, a.i. Su-kinin / m.: Logotipos, 2001. 264 p.
36. Kobzar, a.i. Estadísticas matemáticas aplicadas. Para ingenieros y científicos / a.i. Kobzar / m.: Fizmatlit, 2006. 816 p.
37. Kovalevsky, v.A. Método de correlación de reconocimiento de imágenes / V.A. Kovalevsky // zhurn. calculado. Matemáticas y estera. Física, 1962, 2, No. 4, p. 684-690.
38. Kolmogorov, A.N: Epsilon-entropy y Epsilon-Container sets en espacios funcionales / A.N. Kolmogorov, v.m. Tikhomirov // Teoría de la información y la teoría de los algoritmos. M.: Nauka, 1987. 119-198.
39. Directorio de maíz, matemáticas para científicos e ingenieros / Korn, T. maíz // M.: Ciencia, CH. ed. Estera física. Lit., 1984. 832 p.
40. Crocker, R. Fractales y caos en sistemas dinámicos / R. Krono-VER // M.: Tesfera, 2006. 488 p.
41. Lapko, a.b. Sistemas de clasificación no paramétricos * e híbridos de datos diferenciales / A.V. Lappko, BLA. Lapto // tr. 12 vsisuros. conf. "Métodos matemáticos y modelos de reconocimiento de patrones" (MMRO-12), M., 2005.- 159-162.
42. Levtine, K.E. Detección de humo visual (SmokeEdection) / K.E.EVUTIN, M.N. Favorskaya // Certificado No. 2009612795. Registrado en el Registro de Programas para Eum Moscú, julio de 2009
43. Luziv, v.r. Principios de unificación de los sistemas de robots ópticos / V.R. Luziv, M.N. Favorskaya // v- knn. "Unificación y estandarización de robots industriales", Tashkent, 1984. P. 93-94.
44. Luziv, v.r. Sistema óptico universal para GAP / V.R. Luziv, M.N. Favorskaya // en KN. "Experiencia en la creación, implementación y uso de ASUP en asociaciones y empresas", L., LDNTP, 1984. P. 44-47.
45. Medvedeva, E.V. Método para estimar vectores de movimiento en imágenes de video / E.V. Medvedeva, B.O. TIMOFEEV // En los materiales de la 12ª Conferencia Internacional y Exposición "Tratamiento digital de señales y su aplicación", M.: En 2 toneladas. T. 2, 2010. C. 158-161.
46. \u200b\u200bMétodos de imágenes de procesamiento de computadoras / ed. V.A.SYSYOFER. 2nd ed., Sp. - M.: Fizmatlit, 2003. - 784 p.
47. Métodos de detección automática y mantenimiento de objetos. Procesamiento y gestión de imágenes / B. A. Alpatov, P.V. Babayan, O.E. Balashov, a.i. STAPASHKIN. -M.: Ingeniería de radio, 2008. - 176 p.
48. Métodos de óptica informática / ed. V.A.SYSYOFER. M.: FIZMATLIT, 2003. - 688 p.
49. Mudrov, a.e. Métodos numéricos para PEVM en Baseik, Fortran y Pascal / a.e. WISE / TOMSK: MP "RASCO", 1991. 272 \u200b\u200bP.
50. PAHIRK, A.I. Localización de la cara (FACEEDETECTECT) / A.I. Pakhirka, M.N. Favorskaya // Certificado No. 2009611010. Registrado en el Registro de Programas para Eum Moscú, 16 de febrero de 2009
51. PAHIRK, A.I. Mejora de la imagen no lineal / A.I. Pakhirka, M.N. Favorskaya // Certificado No. 2010610658. Registrado en el Registro de Programas para Eum Moscú, 31 de marzo de 2010
52. Pontryagin, L. S. Los grupos continuos J L. S. Pontryagin // 4ª ed., M.: Ciencia, 1984.-520 p.
53. POTAPOV, A.A.A. Fractales en radiofísica y radar: Topología Muestreo / A.A.A. Potapov // ed. 2do, recreación. y añadir. - M.: Libro de la universidad, 2005. 848 p.
54. Radchenko, YU.S. Investigación del algoritmo de detección espectral "Cambios en la secuencia de video / YU.S. MARADCHENKO, A.V. Buligin, T.A. Radchenko // Izv. Universidades. RadioLectronics,; No. 7, 2009. p. 49-59.
55. Salnikov, I.I. Señales de espacio-tiempo de ráster en sistemas de análisis de imágenes / i.I. Salnikov // M.: FizMatlit, 2009. -248 p.
56. Sergunin, S.YU. Esquema de la construcción dinámica de la descripción multinivel de imágenes / S.YU. SERGUNIN, K.M. KVASHINN, M.I. Kumskov // Sat. Tr. 11th vsview. Con: "Métodos matemáticos de reconocimiento de imágenes (MMRO-11)", M., 2003. P. 436-439:
57. Slynyko, YU.V. Resolviendo el problema del acompañamiento simultáneo y la protuberancia por el método de máxima creencia / yu.v. Slyanko // Tratamiento digital de señales, No. 4, 2008. p. 7-10.
58. Solo, R. Psicología cognitiva / R. Solco / SPB.: Peter, 6ª ed., 2006. 590 s.
59. Tarasov, es decir,. Desarrollo de dispositivos digitales basados \u200b\u200ben Xi-Linx pls utilizando el VHDL / I.E. Idioma Tarasov / m.: Hotline-Telecom, 2005. - 252 p.
60. Favorskaya, M.N. Desarrollo de algoritmos de reconocimiento de imágenes digitales en complejos robóticos adaptativos / M.N *. Favorskaya // l !, Lingendrad Institute of In-T Avez. Instrumento., 1985. Manuscrito del departamento: Viniti 23.01.85. No. 659-85 Dep.
61. Favorskaya; MINNESOTA. Aplicando métodos espectrales para la normalización y el reconocimiento de imágenes en complejos robóticos adaptativos / M.N. *. Favorskaya // L., Leningradsky, Aviadores del Instituto. Instrumento., 1985. Manuscrito del departamento. en Viniti23.01.85. № 660-85 Dep.
62. Favorskaya, M.N. Experiencia de los algoritmos en desarrollo para el reconocimiento de objetos para la producción de estampado / M.N. Favorskaya // en KN. "Estado, experiencia e direcciones de trabajo en automatización integrada basada en GPS, RTK y PR", Penza, 1985. p. 64-66.
63. Favorskaya, M.N. Estudio de las propiedades proyectivas de los grupos de objetos / M.N. Favorskaya, Yu.b. Kozlova // Boletín de la Universidad Aeroespacial State Siberian. Vol. 3, Krasnoyarsk, 2002. - Con. 99-105.
64. Favorskaya, M.N. Determinación de la estructura afín del objeto en movimiento / m.n. Favorskaya // Boletín de la Universidad Aeroespacial State Siberian, vol. 6, Krasnoyarsk, 2005. - Con. 86-89.
65. Favorskaya- M.N. Clasificación general de enfoques para el reconocimiento de imágenes / M-.N. Favorskaya // B.< материалах X междунар. научн. конф. «Решетневские чтения» СибГАУ, Красноярск, 2006. с. 54-55.
66. Favorskaya M.N. Funciones decisivas invariantes en las tareas de reconocer imágenes estáticas / M.N. Favorskaya // Boletín de la Universidad Aeroespacial State Siberian. Vol. 1 (14), Krasnoyarsk, 2007. p. 65-70.
67. Favorskaya, M.N. Métodos probabilísticos de segmentación de flujo de video como una tarea con datos faltantes / M.N. Favorskaya // Boletín de la Universidad Aeroespacial State Siberian. Vol. 3 (16), Krasnoyarsk, 2007. P. 4-8.
68. Favorskaya, M.N. Selección de características informativas de destino en sistemas de reconocimiento de imágenes / M.N. Favorskaya // en los materiales XI entre Dunar. Científico conf. "Devetnev leyendo" SIBGHAU, Krasnoyarsk, 2007 p. 306-307.
69. Favorskaya, M.N. Estrategias de segmentación de imágenes bidimensionales / M.N. Favorskaya // En los materiales de la Conferencia Científica All-Rusia "Modelos y métodos de procesamiento de imágenes MMO", Krasnoyarsk, 2007. P. 136-140.
70. Favorskaya, M.N. Segmentación de imágenes de paisaje basadas en un enfoque fractal / M.N. Favorskaya // En los materiales de la décima Conferencia Internacional y Exposición "Tratamiento digital de señales y su aplicación", M., 2008. p. 498-501.
71. Favorskaya, M.N. Modelo de reconocimiento de texto de escritura a mano / M.N. Favorskaya, A.N. Goroshkin // Boletín de Siberian State4 I, Venté la Universidad Aeroespacial. Vol. 2 "(19), Krasnoyarsk, 2008. p. 52-58.
72. Favorskaya, M.N. Algoritmos para implementar una evaluación de movimiento en sistemas de videovigilancia / M.N. Favorskaya, a.c. Sistemas de gestión Shilov // tecnologías de la información. Investigación prometedora / IPU RAS; VGTU, № 3.3 (33), M.-Voronezh, 2008. p. 408 ^ 12.
73. Favorskaya, M.N. Sobre el uso de la gramática formal al reconocer objetos en escenas complejas // M.N. Favorskaya / en los materiales de la XIII Ciencias Públicas Internacionales. Conf. "Lecturas De Devetev". En 2 h. 4.2, Krasnoyarsk, 2009. p. 540-541.
74. Favorskaya, M.N. Reconocimiento de imágenes dinámicas basadas en predecir filtros / m.n. Favorskaya // Boletín de la Universidad Aeroespacial State Siberian. Vol. 1 (22) a 2 h. 4F. 1, Krasnoyarsk, 20091 p. 64-68.
75. Favorskaya, M.N., MÉTODOS, BUSCANDO EL TRÁFICO V.VIDEOSLERTS / M.N. Favorskaya, a.i. Pahir, a.c. Shilov; M.v. Duma // Boletín. Universidad aeroespacial del estado siberiano. Vol. 1 (22) a 2 p. 2, Krasnoyarsk, 2009. p. 69-74.
76. Favorskaya, M.N. Encontrar objetos de video en movimiento, con la aplicación - Tensores estructurales 3D locales / M.N. Favorskaya // Boletín de la Universidad Aeroespacial State Siberian. Vol. 2 (23), Krasnoyarsk, 2009. p. 141-146.
77. Favorskaya, M.N. Evaluación del movimiento de objetos en escenas complejas basadas en un enfoque tensor / M.N. Favorskaya // Procesamiento de señal digital, No. 1,2010.-c. 2-9.
78. Favorskaya, M.N. Cálculo complejo de las características de las imágenes de paisaje / M.N. Favorskaya, n.yu. Petukhov // Óptico Journal, 77, 8, 2010.- 54-60.
79. FIJ, B.C. Reconocimiento de imágenes / B.C. FINE // M.: Ciencia, 1970.-284 p.
80. FORSYT, D.A. Visión por computador. Enfoque moderno / D.A. Forsait, J. Pons // M.: Publishing House "Villama", 2004. 928 p.
81. FU, K. Métodos secuenciales en reconocer imágenes y capacitación de máquinas / K. FU / M.: Ciencia, 1971. 320 p.
82. FU, K. Métodos estructurales en reconocimiento de imágenes / K. FU / M.: Paz, 1977.-320 p.
83. FUKUNAGA, K. Introducción a la teoría estadística del reconocimiento de imágenes / K. Fukunaga / M.: Ciencia, 1979. 368 p.
84. Shelukhin, O.I. En forma de sí mismo y fractales. Aplicaciones de telecomunicaciones / O.I. Shelukhin, A.V. OSIN, S.M. Smolsky / ed. O.I. Shelukhin. M.: Fizmatlit, 2008. 368 p.
85. Shilov, A.S. Definición de movimiento (MotionStimation) / A.S. Shilov, M.N. Favorskaya // Certificado No. 200961014. Registrado en el Registro de Programas para Eum Moscú, 16 de febrero de 2009
86. SH. Shlevinger, M.I. Método de correlación de reconocimiento de secuencias de imágenes / M.I. Schlesinger / En el libro: Máquinas de lectura. Kiev: Nauk .domka, 1965. Con. 62-70.
87. Schlesinger, M.I. Análisis de sintaxis de señales visuales bidimensionales en condiciones de interferencia / M.I. Schlesinger // Cybernetics, No. 4, 1976. - P.76-82.
88. Stark, G.-g. El uso de wavelets para COS / G.-g. STARK / ML: TECHOSFERSFER, 2007. 192 P.
89. SHUP, T. Métodos numéricos aplicados en física y tecnología: por. De inglés / T. Shup / ed. S.P. Merkuryeva; M.: Mayor. Shk., 19901 - 255 P.11 "5. Electric, Recursos: http: // www.cse.ohio-scate.edu/otcbvs-bench
90. Recursos eléctricos: http://www.textures.forrost.cz/ Recurso electrónico (Imagen de Textures Library Forrest Texture).
91. Electric, recurso: http://www.ux.uis.no/~tranden/brodatz.html Recurso electrónico (Base de imagen de textura de Brodatz).
92. Allili M.S., Ziou D. Contornos activos para el seguimiento de objetos de video utilizando la región, el límite y la información de forma // SIVIP, vol. 1, no. 2, 2007. PP. 101-117.
93. Almeida J., Minetto R., Almeida T.A., Da S. Torres R., Leite N.J. Estimación robusta del movimiento de la cámara usando modelos de flujo óptico // Notas de conferencia en
94. Ciencias de la computación (incluidas las notas de la conferencia de subserios en la inteligencia artificial y las notas de la conferencia en bioinformática) 5875 LNCS (Parte 1), 2009. PP. 435-446.
95. Ballan L., Bertini M., Bimbo A. D., Clasificación de eventos de video Serra G. Video usando kernels de cadena // multimed. Herramientas Appl., Vol. 48, no. 1, 2009. PP. 6987.
96. Ballan L. Bertini M. del Bimbo A., Serra G. Clasificación de acción en videos de fútbol usando kernels de cadena // en: proc. De IEEE INT "L Taller sobre la indexación multimedia basada en contenido (CBMI). CHANIA, Crete, 2009. PP. 13-18.
97. Barnard K., Fan QF, Swaminathan R., Hoogs A., Collins R, Rondot P. y Kaufhold J. Evaluación de la semántica localizada: datos, metodología y experimentos // Diario internacional de Computer Vision, IJCV 2008, Vol. 77, no. 1-3.2008.-PP. 199-217.
98. Bertini M., Del Bimbo A., Serra G. Reglas de aprendizaje para la anotación de eventos semánticos de video // Notas de conferencias en la informática; En: proc. De INT "L Conferencia sobre sistemas de información visual (Visual), Vol. 5188, 2008. PP. 192-203.
99. Bobick A.F., Davis J.W. El reconocimiento del movimiento humano utilizando las plantillas temporales // IEEE transacciones en el análisis de patrones y la inteligencia de la máquina, vol. 23, no. 3, 2001. PP. 257-267.
100. Boiman O., Irani M. Detectando irregularidades en imágenes y en video // Diario Internacional de Computer Vision, Vol. 74, no. 1, 2007. PP. 17-31.
101. BRESSON X., VANDGHEYNST P., THIAN J.-P. Un modelo variacional para la segmentación de objetos mediante la información del límite y la forma previa de Driven4 por el Mumford-Shah funcional // Diario Internacional de Computer Vision, Vol. 68, no. 2, 2006.-PRP. 145-162.
102. Cavallaro A. Salvador E., Ebrahimi T. Procesamiento de video basado en objetos con Aware Shadow-Aware // IEEE VISION; Procesamiento de imágenes y señales, vol. 152, no. 4, 2005.-pp. 14-22.
103. Chen J., Ya J. Entrenamiento SVM con kernels indefinidos // en: proc. De la 25ª Conferencia Internacional sobre Aprendizaje Máquina (ICML), vol. 307, 2008. PP. 136-143.
104. Cheung S.-M., Luna Y.-. Detección de acercarse a los peatones desde la distancia utilizando patrones de intensidad temporal // MVA2009, vol. 10, no. 5, 2009. -pp. 354-357.
105. Dalai N., Triggs B., y Schmid G. Detección humana utilizando histogramas orientados de flujo y apariencia // en ECCV, vol. II, 2006. PP. 428 ^ 141.
106. Dalai N., Triggs B. Histogramas de gradientes orientados para la Detección Humana // Conferencia IEEE sobre la visión de la computadora y el reconocimiento de patrones (CVPR), vol. II, 2005-PP. 886-893.
107. DANI A.P., DIXON W.E. Estructura de una sola cámara y estimación de movimiento // Notas de la conferencia en el control y la ciencias de la información, 401, 2010. PP. 209-229.
108. Datta RI, Joshi D;, Li J., y Wang J. Z1 Recuperación de imágenes: ideas, influencias y tendencias de la Nueva Era // ACM "-CUMPUTING SUCURSE, VOL. 40: NO: 2, 2008. ■ -Pp. 1-60.
109. DIKBAS S., Arici T., Altunbasak Y. Estimación de movimiento rápido con precisión de sub-muestra libre de interpolación // IEEE Transacciones en circuitos y sistemas para la tecnología de video 20 (7), 2010.PP. 1047-1051.
110. Dólar P., Rabaud V., Cottrell G., Pertenecimiento S. Reconocimiento de comportamiento Via Sparse Spatio-Temporal Features // En: Proc. 2do taller internacional IEEE Internacional sobre evaluación de seguimiento y vigilancia, VS-METTS, 2005. PP. 65-72.
111. Donatini P. y Frosini P. Pseudodistancias naturales entre superficies cerradas // Journal of the European Mathematical Society, vol. 9, no. 2, 2007 PP. 231-253.
112. Donatini P. y Frosini P. Pseudodistancias naturales entre curvas cerradas // Foro Mathematicum, vol. 21, no. 6, 2009. PP. 981-999.
113. Ebadollahi S., L., X., Chang S.F., Smith J.R. Detección visual del evento utilizando dinámica de concepto multidimensional // en: proc. de IEEE INT "L Conferencia en Multimedia y Expo (ICME), 2006. PP. 239-248.
114. Favorskaya M., Zotin A., Danilin I., Smolentcheva S. Modelado 3D realista de crecimiento forestal con efecto natural // Procedimientos del Segundo Simposio Internacional KES IDT 2010, Baltimore. EE.UU. Springer-Verlag, Berlín, Heidelberg. 2010.-pp. 191-199.
115. Francois a.r.j., Nevatia R., Hobbs J.R., Bolles R.C. Verl: un marco de ontología para representar y anotar eventos de video // IEEE Multimedia, Vol: 12; No. 4, 2005. PP. 76-86.
116. Gao J., Kosaka A: KAK A.C. Un enfoque de filtrado de múltiples kalman para el seguimiento de video de los objetos delineados humanos en "entornos" // IEEE COM-Puter Vision y la comprensión de la imagen, 2005, V. 1, no. 1. PP. 1-57.
117. GUI L., Thiran J.-P., Paragios N. Segmentación de objetos conjuntos y clasificación de comportamiento en secuencias de imágenes // IEEE CONF. En la visión informática y el reconocimiento de patrones, 17-22 de junio de 2007. PP. 1-8.
118. Haasdonk B. Tarifa de la interpretación del espacio de SVMS con los kernels indefinidos // IEEE Transacciones en el análisis de patrones y la inteligencia de la máquina. Vol. 27, no. 4, 2005. PP. 482-492.
119. Harris C. y STEPHENS M. A Detector de esquina y borde combinados // en la Cuarta Conferencia de Vision Vision, Manchester, UK, 1988. PP. 147-151.
120. Haubold A., Nafade M. Clasificación de eventos de video usando características de movimiento de 4-dimensiones // en Civr "07: Procedimientos de la 6ª ACM International ConfcrcNce en la imagen y la recuperación de video, NY, EE. UU., 2007.PP . 178-185.
121. HAYKIN S. Redes neuronales: una introducción de la sesión. / N.y.: Prentice-Hall, 1999; - 658 Pi.
122. Hoynck M., Unger M., Wellhausen J. y Ohm J.-R. Un enfoque sólido para la estimación global de movimiento para el análisis de video basado en contenido // procedimientos de SPIE VOL. 5601, Bellingham, WA, 2004. PP. 36-45.
123. Huang P., Zhao D., MA S., GAO W., SUN H. DESERRILLICIONES DE MOVIMIENTO DE MOVIMIENTOS JERAJICOS // IEEE Transacciones en circuitos y sistemas para la tecnología de video 20 (5), 2010. PP. 673-686.
124. Jackins C.L., Tanimoto S.L. Quad-árboles, OCT-árboles y K-árboles: un enfoque generalizado para la descompción recursiva del espacio euclidiano // IEEE Transacciones OnPami, vol. 5, no. 5, 1983.-pp. 533-539.
125. Ke Y., Sukthankar R:, Hebert MI. Detección de eventos visuales eficientes utilizando funciones volumétricas // en: proc. De INT "L Conferencia sobre Visión informática (ICCV), VOL.1, 2005.-PRP. 166-173.
126. KLASER A., Marszalek M., y Schmid C.A Spatio-Temporal Descriptor basado en gradientes 3D // en BMVC, British Machine Vision, Conferencia, 2008. -PP. 995-1004.
127. KOVASHKA, A., Grauman, para aprender una jerarquía de características discriminatorias del vecindario de tiempo de tiempo para el reconocimiento de acción humana // Procedimientos de la Conferencia de la Sociedad Informática de IEEE sobre la visión informática y el reconocimiento de patrones, 2010. Pp.2046-2053.
128. Kumskov M.I. Esquema de cálculo de los modelos de los objetos a ser reconocidos // Patrones de reconocimiento y análisis de imágenes, vol. 11, no. 2, 2001. p. 446-449:
129. Recuperación de imágenes basada en el contenido de Kwang-Kyu S. Al combinar el algoritmo genético y la máquina de vector de soporte // en la ICANN (2), 2007. PP. 537-545.
130. LAI C.-L., TSAI S.-T., HUNG Y.-P. Un estudio sobre la calibración de coordenadas tridimensionales utilizando el sistema borroso // Simposio internacional sobre computadora, comunicación, control y automatización 1, 2010. - PP. 358-362.
131. Laptev I. En Puntos de Interés Tiempo Espacial // Diario Internacional de Computer Vision, Vol. 64, no. 23, 2005. PP. 107-123.
132. Leibe B., Seemann E., Schiele B. Detección de peatones en la conferencia * // IEEE Conferencia sobre la visión de la computadora y el "reconocimiento de patrones, vol. 1, 2005.-PRP. 878- 885.
133. Lew M. S., Sebe N., Djeraba C., y Jain R. Información multimedia basada en contenido1 RetriereVal: Estado de la técnica y desafíos // Transacciones de ACM en computación multimedia, comunicaciones y aplicaciones, vol. 2, no. 1, 2006. PP. 1-19.
134. Li J. y Wang J. Z. Anotación computarizada en tiempo real de imágenes // IEEE Trans. Pami, vol. 30, 2008. PP. 985-1002.
135. Li L., Luo R., Ma R., Huang W. y Leman K. Evaluación de un sistema IVS para detección de objetos abandonados en mascotas 2006 Datasets // PROC. 9 Pasante IEEE. Taller en mascotas, Nueva York, 2006. PP. 91-98.
136. Li L., SOCHER R., Y FEI-FEI L. Hacia la comprensión total de la escena: clasificación, anotación y segmentación en una conferencia automática de marco // IEEE sobre la visión de la computadora y el reconocimiento de patrones, CVPR, 2009. PP. 2036-2043.
137. Li Q., \u200b\u200bWang G., Zhang G.) Chen S. Estimación de movimiento global precisa basada en la pirámide con máscara con máscara // Jisuanji Fuzhu Sheji Yu Tuxingxue Xuebao / Journal of Addustry-asistencial de computadora y gráficos de computadora, Vol: 21 , no. 6, 2009. PP. 758-762.
138. LINDEMBERG T., AKBARZADE A. Y LOPTV I. Operadores de intereses de esparció-diagonalizados en diagonalización de Galilea // Procedimientos de la 17ª Conferencia Internacional sobre Reconocimiento de Patrones (ICPR "04), 2004. PP. 1051-1057.
139. LIM J., Barnes, N. Estimación de la epipole utilizando flujo óptico en puntos antípodales // Visión informática y comprensión de la imagen 114, no. 2, 2010. PP. 245-253.
140. Lowe D. G. Características distintivas de la imagen de Scale-Invariant Keypoints // Diario Internacional de Computer Vision, Vol. 60, no. 2, 2004. PP. 91-110.
141. LUCAS B.D., KANADE T. Una técnica de registro de imágenes alterativas con una aplicación a la Visión Estéreo // Conferencia conjunta Internacional sobre Inteligencia Artificial, 1981. PP. 674-679.
142. Mandelbrot B; b. La geometría fractal de la naturaleza / n.y.: Freeman ^ 1982. 468 p.; Russ, por: Mandelbrot B. Fractal, Geometría de la naturaleza: por. De inglés / M.: Instituto de Estudios informáticos, 202. - 658 p.
143. Mandelbrot v.v., Frame M.L. Fractales, Gráficos y Matemáticas Educación / N. Y.: Springer-Verlag, 2002. 654 p.
144. Mandelbrot B.B. Fractales y caos: el set de Mandelbrot. Y más allá de / N.Y.: Springer-Verlag, 2004. 308 p.
145. Memoli F. Sobre el uso de las distancias de Gromov-Hausdorff para la comparación de la forma // procedimientos del Simposio de EuroGraphics en gráficos basados \u200b\u200ben puntos. Praga, República Checa, 2007. PP. 81-90.
146. Mercer J. Funciones de tipo positivo y negativo y su conexión con la teoría de las ecuaciones integrales // transacciones de la Sociedad Filosófica de Londres (A), vol. 209, 1909. PP. 415-446.
147. Mikolajczyk K. Detección de características locales invariantes a las transformaciones afines, Ph.D.Thesis, Institut National Polytechnique de Grenoble, Francia. 2002.171 p.
148. Mikolajczyk K. y Schmid G. Un detector de puntos de interés invariante afín // procedimientos de ECCV. Vol. 1. 2002. PP. 128-142.
149. Minhas R., Baradarani A., Seifzadeh S., Jonathan Wu, Q.m. Reconocimiento de acción humana utilizando una máquina de aprendizaje extremo basado en vocabularios visuales // neurocomputación, vol. 73 (10-12), 2010. PP. 1906-1917.
150. Mladenic D., Skowron A., EDS: ECML. Vol. 4701 de notas de conferencias en Informática, Springer, 2007. PP. 164-175.
151. Moshe Y., Hel-o H. Estimación de movimiento de bloques de video basado en los kernels de código gris // IEEE Transacciones en el procesamiento de imágenes 18 (10), 2009. PP. 22432254.
152. Nakada T., Kagami S; Mizoguchi H. Detección peatonal utilizando secuencias de flujo óptico 3D para- Sensores de robot // IEEE, 2008. PP: 116-119:
153. Needleman, S.B :,. Wuntsch c.d; Un método general aplicable a la búsqueda de similitudes en la secuencia del * aminoácido de dos proteínas // diario "de biología molecular vol. 48, no: 3, 1970. pp. 443-453.
154. Neuhaus M., Bunke H. Editar funciones de kernel basadas en la distancia: para la clasificación de patrones estructurales // reconocimiento de patrones. Vol. 39, no. 10, 2006. PP: 1852-1863.
155. Nevatia R., Hobbs J., y Bolles B. Una Ontología para la representación de eventos de video // en el taller sobre la detección y el reconocimiento de los eventos. IEEE, vol.12, no. 4, 2004. PP. 76-86.
156. nguyen.n.-t., Laurendeau D:, BRANZAN-ALBU A. Un método robusto para la estimación del movimiento de la cámara en películas basadas en el flujo óptico // el 6º internacional
Tenga en cuenta que los textos científicos presentados anteriormente se publican para la familiarización y se obtienen reconociendo los textos originales de tesis (OCR). A este respecto, pueden contener errores asociados con la imperfección de algoritmos de reconocimiento. En PDF la disertación y los resúmenes del autor que ofrecemos tales errores.
Los modelos de series temporales que caracterizan la dependencia de la variable efectiva del tiempo incluyen:
a) el modelo de la dependencia de la variable del componente de tendencia o el modelo de tendencia;
b) Modelo de dependencia de la dependencia. variable de componentes estacionales o modelo de estacionalidad;
c) Un modelo de dependencia de una variable efectiva de una tendencia y un componente estacional o un modelo de tendencia y estacionalidad.
Si las declaraciones económicas se reflejan dinámicas (dependiendo del factor de tiempo), la relación de las variables incluidas en el modelo modelo, entonces los valores de tales variables están fechadas y se llaman filas dinámicas o temporales. Si las declaraciones económicas reflejan la estática (relacionadas con un período de tiempo), la relación de todas las variables incluidas en el modelo, entonces los valores de tales variables se denominan datos espaciales. Y no hay necesidad de sus citas. Se retrasó las variables exógenas o endógenas del modelo económico fechadas por puntos de tiempo anteriores y en la ecuación con las variables actuales. Los modelos que incluyen las variables de retraso pertenecen a la clase de modelos dinámicos. Predefinidose llaman las variables exógenas rezagadas y actuales, así como las variables endógenas de retraso
23. Tendencia y espacio-EM temporales en la planificación económica.
Las observaciones estadísticas en los estudios socioeconómicos generalmente se llevan a cabo regularmente a través de períodos de tiempo iguales y se representan como Serie de tiempo XT, donde T \u003d 1, 2, ..., p. Como herramienta de predicción estadística de series de tiempo, regresión de tendencias Se utilizan modelos, cuyos parámetros se evalúan de acuerdo con la base estadística existente, y luego las tendencias principales (tendencias) se extrapolan a un intervalo de tiempo dado.
La metodología del pronóstico estadístico implica la construcción y la prueba de muchos modelos para cada serie de tiempo, su comparación se basa en criterios estadísticos y la selección de los mejores para el pronóstico.
Al simular fenómenos estacionales en estudios estadísticos, se distinguen dos tipos de oscilaciones: multiplicativo y aditivo. En el caso multiplicativo, el alcance de las oscilaciones estacionales varía en el tiempo proporcional al nivel de la tendencia y se refleja en el modelo estadístico del multiplicador. Con la estacionalidad aditiva, se supone que la amplitud de las desviaciones estacionales es constante y no depende del nivel de la tendencia, y las oscilaciones se presentan en los modelos del modelo.
La base de la mayoría de los métodos de pronóstico es la extrapolación asociada con la propagación de patrones, conexiones y relaciones que operan en el período estudiado, o, en un sentido más amplio de la palabra, esto está obteniendo ideas sobre el futuro sobre la base de la información relacionada con El pasado y el presente.
La tendencia más famosa y ampliamente aplicada y los métodos adaptativos de pronóstico. Entre los últimos, es posible distinguir tales como métodos de autorregresión, promedio móvil (boxeo - jenkins y filtración adaptativa), métodos de alisado exponencial (Holta, Medio Marrón y Exponencial), etc.
Para evaluar la calidad del modelo de predicción en estudio, se utilizan varios criterios estadísticos.
Al presentar un conjunto de resultados de observación en forma de series de tiempo, la suposición se utiliza en realidad que los valores observados pertenecen a alguna distribución, cuyos parámetros y su cambio pueden estimarse. Según estos parámetros (como regla general, por valor promedio y dispersión, aunque a veces se usa y se puede construir una descripción más completa), se puede construir uno de los modelos de la presentación del proceso probabilístico. Otra representación probabilística es un modelo en forma de una distribución de frecuencia con parámetros PJ para la frecuencia relativa de observaciones que caen en el intervalo de JTH. En este caso, si no se espera que el progreso cambie la distribución, la decisión se realiza sobre la base de la distribución empírica existente.
Al realizar pronósticos, debe tenerse en cuenta que todos los factores que afectan el comportamiento del sistema en la base (en estudio) y los períodos previstos deben sin cambios o modificados de acuerdo con una ley conocida. El primer caso se implementa en la predicción de un solo factor, la segunda, con un multifactor.
Los modelos dinámicos multifactor deben tener en cuenta los cambios espaciales y temporales en los factores (argumentos), así como (si es necesario), retrasan la influencia de estos factores en la variable dependiente (función). La predicción multifactor nos permite tener en cuenta el desarrollo de procesos y fenómenos interrelacionados. La base de IT es un enfoque sistemático para el estudio del fenómeno estudiado, así como el proceso de comprender el fenómeno, tanto en el pasado como en el futuro.
En la predicción de múltiples factores, uno de los principales problemas es el problema de elegir factores que causan el comportamiento de un sistema que no se puede resolver un medio puramente estadístico, sino solo con la ayuda de un estudio profundo de la criatura del fenómeno. Aquí es necesario enfatizar la primacía del análisis (comprensión) antes de los métodos puramente estadísticos (matemáticos) de estudiar el fenómeno. En los métodos tradicionales (por ejemplo, en el método del método de baja cuadrado) se cree que las observaciones son independientes entre sí (una por el mismo argumento). De hecho, existe una autocorrelación y no será científica que conduzca a la no optimalidad de las evaluaciones estadísticas, dificulta la creación de intervalos de confianza para los coeficientes de regresión, así como para verificar su importancia. La autocorrelación está determinada por las desviaciones de las tendencias. Puede tener lugar si la influencia de un factor sustancial o varios factores menos significativos, pero con el objetivo de "una forma", o el modelo establece la relación entre los factores y la función se selecciona incorrectamente. Para identificar la presencia de autocorrelación, se aplica el criterio de Durbin-Watson. Para excluir o reducir la autocorrelación, se usa la transición a un componente aleatorio (exclusión de la tendencia) o la introducción del tiempo a la ecuación de regresión múltiple como un argumento.
En los modelos multifactor, hay un problema y multicolinataridad, la presencia de una fuerte correlación entre los factores que pueden existir fuera de toda la relación entre la función y los factores. Habiendo revelado qué factores son multicolina, se puede determinar la naturaleza de la interdependencia entre elementos multicolinos de muchas variables independientes.
En un análisis multifactorico, junto con la evaluación de los parámetros de suavizado (estudiados) para construir el pronóstico de cada factor (de acuerdo con algunas otras funciones o modelos). Naturalmente, los valores de los factores obtenidos en el experimento en el período base no coinciden con los mismos valores que se encuentran en los modelos de predicción para factores. Esta diferencia debe explicarse por las desviaciones aleatorias, cuyo valor se detectó por las diferencias especificadas y debe tenerse en cuenta inmediatamente al evaluar los parámetros de la función de suavizado, o esta distinción no es accidental y no hay pronóstico. Es decir, en el problema de la predicción multifactorial, los valores iniciales de los factores, así como los valores de la función de suavizado, deben tomarse con los errores correspondientes cuya ley de distribución debe determinarse con el análisis apropiado que precede al procedimiento de predicción.
24. Entidad y contenido de EM: estructural y desplegado.
Los modelos econométricos son sistemas de ecuaciones interconectadas, cuántos parámetros de los cuales están determinados por los métodos de procesamiento estadístico de datos. Actualmente, muchos cientos de sistemas econométricos se desarrollan en el extranjero con fines analíticos y pronosticados. Los modelos croeconomométricos de MA, por regla general, se representan por primera vez en una forma natural, sustantiva, y luego en la forma estructural anterior. La forma natural de las ecuaciones econométricas le permite calificar su lado significativo, para evaluar su significado económico.
Para crear pronósticos de variables endógenas, debe expresar las variables endógenas actuales en forma de funciones obvias de variables predefinidas. La última especificación obtenida por la inclusión de perturbaciones aleatorias se obtuvo como resultado de la formalización matemática de los patrones económicos. Esta especificación de forma se llama estructural. En el caso general, en la especificación estructural, las variables endógenas no se expresan explícitamente a través de predefinidas.
En el modelo del mercado de equilibrio, solo la variable de la propuesta se realiza explícitamente a través de una variable predefinida, por lo tanto, para representar variables endógenas a través de predefinidas, es necesario realizar algunas conversiones de la forma estructural. Resolvemos el sistema de ecuaciones para la última especificación en relación con las variables endógenas.
Por lo tanto, las variables endógenas se expresan expresamente a través de variables predefinidas. Esta forma de la especificación fue nombrada dirigió.En el caso particular, las formas estructurales y presentadas del modelo pueden coincidir. Con la especificación del modelo correcto, siempre es posible la transición de la estructura a la forma siempre posible, la transición inversa no siempre es posible.
El sistema de juntas, ecuaciones simultáneas (o forma estructural del modelo) generalmente contiene variables endógenas y exógenas. Las variables endógenas se indican en el sistema previamente reducido de ecuaciones simultáneas como. Estas son variables dependientes, el número de cual es igual al número de ecuaciones en el sistema. Las variables exógenas generalmente se indican como X. Estas son variables predefinidas que afectan a las variables endógenas, pero independientes de ellas.
La forma estructural más simple del modelo tiene la forma: 
donde y son variables endógenas; X - Variables exógenas.
La clasificación de variables en endógena y exógena depende del concepto teórico del modelo adoptado. Las variables económicas pueden actuar en un modelo como endógeno, y en otras como variables exógenas. Fuera las variables oficiales (por ejemplo, las condiciones climáticas) se incluyen como variables exógenas. Los valores de las variables endógenas pueden considerarse como variables exógenas para el período anterior de tiempo (variables de retraso).
Por lo tanto, el consumo del año en curso (Y T) puede depender no solo de una serie de factores económicos, sino también en el nivel de consumo en el año anterior (Y T-1)
La forma estructural del modelo hace posible ver el efecto de los cambios en cualquier variable exógena en el valor de la variable endógena. Es recomendable como variables exógenas elegir tales variables que puedan ser el objeto de control. Al cambiarlos y conducirlos, puede tener los valores objetivo de las variables endógenas con anticipación.
La forma estructural del modelo en el lado derecho contiene con variables endógenas y exógenas B y A J, (b i - coeficiente en una variable endógena, un coeficiente J con una variable exógena), que se denominan coeficientes estructurales del modelo. Todas las variables en los modelos se expresan en desviaciones desde el nivel, es decir, bajo X, se entiende X- (y debajo de Y, respectivamente, (por lo tanto, no hay miembro libre en cada ecuación del sistema.
El uso de MNC para evaluar los coeficientes estructurales del modelo da, ya que es habitual en la teoría, los coeficientes estructurales desplazados del modelo de los coeficientes del modelo estructural, la forma estructural del modelo se convierte en la forma del modelo anterior.
El formulario modelo es un sistema de funciones lineales de variables endógenas de exógeno: 
En su opinión, la forma anterior del modelo no difiere del sistema de ecuaciones independientes, cuyos parámetros son estimados por la MNA tradicional. Uso de MNK, es posible estimar δ, y luego evaluar los valores de las variables endógenas a través de exógenas.
Desplegado em (sus bloques)
Aspecto de error durante el lanzamiento del programa
Fragation Plugin para Firefox
Cómo mostrar carpetas y archivos ocultos en Windows
Maneras Cómo hacer una pantalla en una computadora portátil más brillante o más oscura
Cómo formatear una unidad flash, protección contra el disco
Si la instalación de Windows a este disco no es posible
Durante la instalación de Windows "Asegúrese de que el controlador de este disco esté incluido en el menú BIOS de la computadora.