Вход

Распознование плоских многопредметных изображений

Рекомендуемая категория для самостоятельной подготовки:
Дипломная работа*
Код 165777
Дата создания 2012
Страниц 63
Источников 110
Мы сможем обработать ваш заказ (!) 29 марта в 18:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
4 570руб.
КУПИТЬ

Содержание

ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР ТЕХНОЛОГИЙ ПО КЛАССИФИКАЦИИ ОБЪЕКТОВ
1.1 ПОСТАНОВКА ЗАДАЧИ
1.2 ОБЩИЕ ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧ, СВЯЗАННЫХ С КЛАССИФИКАЦИЕЙ ОБЪЕКТОВ
1.3 МЕТОД МАКСИМАЛЬНЫХ ПЛОЩАДЕЙ
1.4 МЕТОД ГИСТОГРАММ
1.5 ВОПРОСЫ СЕГМЕНТАЦИИ
1.6 ОПИСАНИЕ АЛГОРИТМОВ КЛАССИФИКАЦИИ С ОБУЧЕНИЕМ
ГЛАВА 2. РАЗРАБОТКА НОВОГО ПОДХОДА К КЛАССИФИКАЦИИ ОБЪЕКТОВ
2.1 ВЕКТОР ФИТЧЕРОВ ОБЪЕКТА
2.2 ДИФФУЗНЫЕ КАРТЫ
2.3 ИСПОЛЬЗОВАНИЕ МАХАЛАНОБИС-ДИСТАНЦИИ ДЛЯ КЛАССИФИКАЦИИ ВЕКТОРОВ ФИТЧЕРОВ СИЛУЭТОВ ОБЪЕКТОВ В ДИФФУЗНОЙ КАРТЕ
2.4 ИДЕНТИФИКАЦИЯ ОБЪЕКТА КАК КЛАССА ОБУЧАЮЩЕЙ БАЗЫ
2.5 КРИТЕРИЙ КАЧЕСТВА КЛАССИФИКАТОРА
ГЛАВА 3. РЕАЛИЗАЦИЯ, ТЕСТИРОВАНИЕ, ВНЕДРЕНИЕ АЛГОРИТМА И ОБРАБОТКА РЕАЛЬНОГО МАТЕРИАЛА
3.1 ОПИСАНИЕ АРХИТЕКТУРЫ РАЗРАБОТАННОЙ СИСТЕМЫ
3.2 СТРУКТУРА МОДУЛЕЙ И КЛАССОВ СИСТЕМЫ
3.3 ОПИСАНИЕ ОБУЧАЮЩЕЙ БАЗЫ
3.4 ОПИСАНИЕ ТЕСТОВОГО МАТЕРИАЛА
3.5 СРАВНЕНИЕ РЕЗУЛЬТАТОВ С СУЩЕСТВУЮЩИМИ МЕТОДАМИ
СПИСОК ЛИТЕРАТУРЫ

Фрагмент работы для ознакомления

Опишем теперь другой популярный подход к решению задачи классификациих[123], основанный на сингулярном разложении матрицы.Как и в предыдущем случае, состояния описываемой системы характеризуются определенным набором признаковXk, k = 1,2,3,…. Такой произвольный вектор значений признаков можно трактовать как образ, принадлежащий пространству признаков {X}. Множество образов представляется в виде множества векторов, состоящего из k подмножеств или классов:z1={X}1 ,..., zk={X}k.Для процедуры обучения с экспертом исходной информацией служат векторы значений признаков ситуаций по каждому из рассматриваемых эталонных классов и сформированная на основе мнения эксперта обучающая выборка. Исследуя и анализируя указанным образом, ряд таких систем с привлечением эксперта-человека, можно на основании его знаний и личного опыта выстроить классификацию и оценить, к какому из классов принадлежит исследуемый объект. Набор признаков системы, перечисленный выше, эксперт может оценивать либо по 10-бальной системе, либо в пределах от 0 до 1, как в рассматриваемом ниже примере. На основе полученной информации и с учетом мнения эксперта формируется обучающая выборка, которая представлена в таблице.Таблица 1.5. Обучающая выборкаНомер объектаЗначения признаковКлассификация экспертаz1z2z3zn10,311120,10,611230,20,80,90,7340,510,70,12:L110,50,11Задача обучения сводится к разбиению пространства признаков на классы (т.е. к проведению классификации), а задача распознавания сводится к определению классаzj ={X}j , j=1,...,k, с помощью векторной нормы:zk(X): mink//X - {X}k//.В качестве векторной нормы могут быть использованы следующие известные нормы:евклидова норма //Xi – Xki//Е = (Σi(Xi – Xki)2)1/2;норма расстояния //Xi – Xki//М = (Σi/Xi – Xki/);норма Чебышева //Xi – Xki//С = maxi/Xi – Xki/.В вычислительных процедурах иммунокомпьютинга в качестве аналога расстояния используется введенное в [123] понятие энергии связи, основанное на сингулярном разложении матрицы. Энергия связи между объектами A иMпредставляется следующим образом:ωi = - U Тi MVi, UiTUi = 1, ViT Vi = 1, i =1, ,r,где Ui, Vi– соответственно, правые и левые сингулярные векторыматрицы А, r–ранг матрицы.Как известно, для произвольной матрицы А размерности mnсуществует так называемое сингулярное разложение, т.е. представление матрицы в видеA = USVT,(1.1)гдеUmmи V – nxn– ортогональные квадратные матрицы, удовлетворяющие критерию ортогональности:VVT = VTV = Emm,UUT = UT U = Enn,где Eединичные матрицы соответствующих размерностей.Матрица S состоит из квадратного диагонального блока размерности rr(r = min(m, n)) с неотрицательными элементами на главной диагонали и, если , из дополнительных нулевых строк или столбцовS = [S’;0], еслиm < n,S = [S’;0]T, еслиm > n,S = S’, еслиm = n,S’=diag{s1,s2,…,sr, s1s2…sr}.Числа si, i = 1, 2,….,rназываются сингулярными числами матрицы A, которые определяются матрицей A однозначно.Сингулярное разложение вещественной прямоугольной матрицы A в покомпонентной форме имеет следующеепредставление:A= s1U1V1T + s2U2V2T + …. +srUrVrT, (1.2)где si–сингулярные числа матрицы A, Ui, Vi– соответственно, правые и левые сингулярные векторы, r–ранг матрицы. Эти сингулярные числа и сингулярные векторы удовлетворяют следующим соотношениям:s1 s2 …,sr, si = UiTAVi, UiTUi = 1, ViTVi = 1, (1.3)i = 1,….,r.Известно из [23,21], что процессы сингулярного разложения для любой вещественной матрицы А обладают весьма полезными свойствами для теории и приложений, а именно, каждая матрица над полем вещественных чисел имеет вещественные сингулярные числа и векторы. Кроме того, сингулярное разложение матриц устойчиво к малым возмущениям матриц, т.е. сингулярное разложение каждой матрицы является хорошо обусловленной процедурой. Относительно практических аспектов, сингулярное разложение матрицы в общем случае может быть получено по достаточно простой и надежной схеме:VT(k+1) = UT(k)A, V(k+1) = V(k+1)/||/V(k+1)||U(k+1) = AV(k+1),U(k+1) = U(k+1)/ ||U(k+1)||(1.4)sk = UTkAVk, /sk+1 – sk/ ≤ εгдеk=0,1,2,... – номер итерации, ||U(k+1)|| - любая векторная норма, - заданная точность вычисления. Можно показать, что для произвольных начальных векторов U(0) , V(0) итерации по схеме(1.4) сходятся в общем случае к сингулярным векторам U, V, соответствующим максимальному сингулярному числу smax= UTAV.Следуют отметить, что такие свойства не свойственны спектральному разложению, которое в действительности формирует основу для многомерного статистического анализа. В отличие от сингулярного разложения матриц, собственные числа и собственные векторы спектрального разложения являются вещественными только для вещественных симметрических матриц, в общем случае не симметрические вещественные матрицы обладают комплексным спектром и определить его не просто.С использованием вышеприведенного итеративного алгоритма (4) сингулярное разложение матрицы А, представленное в форме (2,3) может быть получено с использованием метода исчерпывания.Сущность этого метода заключается в следующем:максимальное сингулярное число и соответствующие ему правый и левый сингулярный векторы матрицы А вычисляются с помощью итеративного алгоритма (1.4).Формируется матричная компонента А1=s1U1VT1;формируется матрица невязкиА2 = А А1 = А s1U1VT1,(1.5)для которой максимальное сингулярное число и соответствующие ему правый и левый сингулярный векторы матрицы А2вычисляются с помощью итеративного алгоритма (4) и т.д.Алгоритм вычислительной процедуры обучения с экспертом состоит их следующих шагов:Шаг 1. Сворачивание вектора в матрицу. Заданный вектор Х размерности (nx 1) сворачиваем в матрицу MразмерностиnUxnV.Шаг 2. Формируем матрицы A1, A2,….,Akдляэталонных классов с = 1,…,к и вычисляем их сингулярные векторы:{U1, V1} – для A1, {U2, V2} - дляA2, {Uк, Vк} - для Ak.Шаг 3. Распознавание. Для каждого входного образа М вычисляем к значений энергии связи между каждой парой сингулярных векторов: ω1 = - UТ1 MV1, ….., ωk = - UТк MVк.Шаг 4. Определяем класс, к которому принадлежит входной образ М. Минимальное значение энергии связи ω* определяет этот класс,:c = ω* = minc{ωc}.Сравним теперь наш алгоритм, основанный на диффузных картах, с наиболее применяемым алгоритмом для классификации- SWM.Как видно из графика, ROC- кривая нашего алгоритма ведет себя лучше, чем SWM.ВЫВОДЫ Разработан новый алгоритм классификации объетов на изображении, представленных силуэтами. Была протестирована база силуэтов, представляющих человека и собак.Показано, что на данной базе результаты разработанного классификатора лучше, чем SWM.СПИСОКЛИТЕРАТУРЫ 1.Бригхем Ю., Гапенcки Л. Финансовый менеджмент. С-П, Экономическая школа, 1999. 2.Граиберг А.Г. Моделирование социалистической экономики. М.: Экономику 1988.3.Гранберг А.Г. Динамические модели народного хозяйства. М.: Экономика, 19984.Егорова Н.Е., Хачатрян С.Р., Королева Н.В. Моделирование стратегии развития инновационно -ориентированных малых предприятий с использованием производственных функций. В сб. Микроэкономические предпосылки экономического роста. М., ЦЭМИ РАН, 1999 5.Иванилов Ю.П., Лотов А.В. Математические модели в экономике. М., 1979.6.Никайдо X. Выпуклые структуры и математическая экономика. М.: Мир, 1992.7.Солодовников А.С., Бабайцев В.А., Браилов А.В. Математика в экономике. М.: Финансы и статистика, 1998. Ч. 1.8.Солодовников В.В., Тумаркин В.И. Теория сложности и проектирование систем управления. —М: Наука, 1990. —168 с.9.Солодовников В.В., Тумаркин В.И. Теория сложности и проектирование систем управления. —М: Наука, 1990. —168 с.10.Тюрин Ю., Литвак Б.Г., Орлов А.И. Анализ нечисловой информации // Математика и кибернетика.- М.:Знание, 1981.- С. 41.11.Финансово-кредитный словарь. Том II. П/р В.Ф.Гарбузова. М.: Финансы и статистика, 1994.12.Финансы, денежное обращение и кредиты, под ред. А.Н. Трошин, В.И. Фомкина, 2000 г.13.Хелферт Э. Техника финансового анализа: /Под ред. Белых П.П. – М.: Аудит, ЮНИТИ, 1996 14.Цвиркун Л.Д. Структура сложных систем.- М.: Сов. Радио, 1975. —100 с.15.Шумпетер Й.А. Теория экономического развития. Капитализм, социализм и демократия / предисл. В. С. Автономова. — М.:ЭКСМО, 2007. - 864 с.16.Von Neyman.A Model of General Equilibrium, Review of Economic Stadies, 13. P. 1-9, 1987.17.Иванов П.М. Алгебраическое моделирование сложных систем.- М.: Наука, 1996. —271 с.18.Санто Б. Инновация как средство экономического развития: Пер. с венг./общ. ред. и вступ. Б.В.Сазонова. – М.: Прогресс, 1990. – 296 с. 19.20.Игонина Л.Л. Инвестиции. Учебное пособие/ Под ред. д.э.н., проф. Слепова В.А. – М.: Экономист, 2003. 21.Игошин Н.В. Инвестиции: организация, управление и финансирование: Учеб. Для вузов по экон. спец. – 2-е изд. перераб. и доп. – М.: Юнити-Дана, 2001.22.Общая теория денег и кредита. Под редакцией профессора Е. Ф. Жукова 1995 г. 23.Остапенко В., Мешков В. Собственные источники инвестиций предприятий// Экономист. – 2003’8. с. 28.24.25.Интрилигатор М. Математические методы оптимизации и экономическая теория. М.: Прогресс, 1993.26.Канторович Л.В., Ланге О., Немчинов B.C. и др. Применение математики в экономических исследованиях / Под ред. В.С.Немчинова. М., 1990.27.Котов И.В. и др. Моделирование народохозяйственных процессов. Л.: ЛГУ, 199128.Красавина Л.Н. Международные валютно-кредитные и финансовые отношения, М.:”Финансы и статистика”, 1994.29.Ланкастер К. Математическая экономика. М.: Советское радио, 1972.30.Леонтьев В. и др. Исследование структуры американской экономики. М.: ГаЛ техиздат, 1958.31.Вожегова М.А. Информация как ресурс устойчивого развития компании // Экономика, статистика, информатика. Вестник УМО, - № 4, - 2011. (0,5 п.л.)32.Вожегова М.А. Оценка инновационной активности компании через призму ее информационной культуры // Экономика, статистика, информатика. Вестник УМО, - № 6, - 2011. (0,45 п.л.)33.Вожегова М.А. Формирования управленческих новаций для реализации стратегических решений // Межотраслевой научно-практический журнал «Интеграл». - № 5. – 2011. (0,3 п.л) 34.Вожегова М.А. Драйвер инноваций // Inelligent enterprise.- №3. – 2011. (0,2 п.л.) 35.Вожегова М.А. Инновационная активность компаний // Нематериальные ресурсы регионов: информационный аспект. Сборник научных трудов – Ярославль, изд. «Аверс плюс», 2010. (0,4 п.л.)36.Вожегова М.А. Практическая польза от взаимодействия ИТ компании Росгосстрах и студентов ВУЗов //VI Международная научно-методическая конференция «Совершенствование подготовки IT-специалистов по направлению: «Прикладная информатика для инновационной экономики»: Сборник научных трудов» / Московский государственный университет экономики, статистики и информатики. – М., 2010. (0,15 п.л.)37.Вожегова М.А. Информация как стратегический ресурс развития компании// Интеллектуальные ресурсы регионов. Сборник научных трудов – Ярославль, изд. «Аверс плюс», 2009. (0,5 п.л.)39.Лизинг и коммерческий кредит. М.: “Истсервис”, 199440.Литвак Б.Г. Автоматизированные системы экспертного оценивания и аккредитация.- М.: Исследовательский центр проблем качества подготовки специалистов (ИЦ). 2003. —142 с.41.Литвак Б.Г. Автоматизированные системы экспертного оценивания и аккредитация.- М.: Исследовательский центр проблем качества подготовки специалистов (ИЦ). 2003. —142 с.42.Литвак Б.Г. Экспертные системы.- М.: Радио и связь, 1982.184 с.43.Литвак Б.Г. Экспертные технологии в управлении. – М.: Дело, 2004. – 400 с. 44.Расева Е., Сикорский Р. Математика метаматематики. - М.: Наука, 1972.- 592 с.45.Гантмахер Ф.Р. Теория матриц. М.: Наука, 1989.46.Гожальчины М.Б., Кишки Е.Б., Стахович Н.С. Некоторые прблемы изучения адекватностей нечетких моделей//Нечеткие множества:Теория возможностей. Под ред. Ягера. — М.: Мир, 1988.С.21.47.Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. – М.: Радио и связь, 1985.48.Горелик А.Л., Скрипкин В.А. Методы распознавания. – М.: Высшая школа, 1984.49.Гофман А.Л. О приближении функций принадлежности по экспериментальным данным // Обработка информации и принятие решений в условиях неопределенности.- Фрунзе.: Илим,1981. С.33 — 36.50.Гудмен И.Э.Нечеткие множества как классы эквивалентности случайных множеств// Нечеткие множества:Теория возможностей. Под ред. Ягера. — М.: Мир, 1988.- С.241—.51.Дубровская И.С., Койфман Ю.И., Удовиченко Е.Т. Системное моделирование динамической меры качества объектов.//Системные исследования проблем управления качеством и автоматизации процессов управления.-М.: Изд-во стандартов, 2000.- С. 201 —214.52.Дуда Р., Харт П. Распознавание образов и анализ сцен. – М.:Мир, 1976.53.Дюбуа Д., Прад А. Общий подход к определению индексов сравнения в теории нечетких множеств//Нечеткие множества:Теория возможностей. Под ред. Ягера. —М: Мир, 1988. С.9.54.Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. «Проблемы кибернетики». Вып. 33. – М.: Наука, 1978.55.Келли Дж. Общая топология.-М.: Наука, 1981. —432 с.56.Колмогоров А.Н., Драгалин А.Г. Введение в математическую логику. — М.: МГУ, 1982. —120 с.57. Журид Б.А., Силов В.Б. Метод построения логико-лингвистических моделей интеллектуальных роботов. —Изв. АН СССР: Техническая кибернетика,- 1983.- № 5.- С.188 — 193.58. Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. — М.: Знание, 1974. — С.5 — 49.59.Маркус М., Минк X. Обзор по теории матриц и матричных неравенств. М.: 1 ка, 1972.60.Математические вопросы построения системы моделей. Новосибирск, Наука, Сибирское отделение, 1976 61.Мыльник В.В., Титаренко Б.П, Волочиенко В.А. Исследование систем управления, 2-е изд., – М: Академический Проект; Екатеринбург: Деловая книга – 2003. 62.Мыльник В.В., Титаренко Б.П., Волочиенко В.А. Исследование систем управления. - М.: Академический Проект, 2003. - 352 с.63.Норвич А.М., Турксен И.Б. Построение функций принадлежности// Нечеткие множества и теория возможностей.- М:.»Радио и связь», 1988.- С.64 — 71.64.Васильев К.К. Статистические методы обработки многомерных изображений / К.К.Васильев, А.А.Спектор // Методы обработки сигналов и полей. – Ульяновск: УЛПИ, 1992, C. 3 - 1965.Васюков В.Н. Квазиоптимальный алгоритм двумерной фильтрации / В.Н. Васюков// Методы статистической обработки изображений и полей.- Новосибирск, 1984, C. 14 - 18.66.Васюков В.Н. Новые подходы к решению задач обработки и распознавания изображений / В.Н.Васюков, И.С.Грузман, М.А.Райфельд, А.А.Спектор // Наукоемкие технологии.- 2002. - № 3. - С. 44 - 51.67.Визильтер Ю.В., Лагутенков А.В. Автоматическое выделение и сопровождение малоразмерных объектов по признаку их движения на цифровых изображениях 68.Гай В.Е. Формирование тестовых изображений для оценки качества алгоритмов сегментации / В.Е. Гай, С.Н. Борблик // Цифровая обработка сигналов и ее применение: тр. 8 межд. науч.-техн. конф. – М., 2006. - т.2. - С. 356 - 359.69.Герчес В.Г. Обнаружение сигналов на многозональном изображении: дис. канд. техн. наук./ В.Г. Герчес. - Ульяновск, 1992. - 143с.70.Гонсалес Р. Цифровая обработка изображений / Р.Гонсалес, Р. Вудс, М.: Техносфера, 2005. – 1072 с.71.Градштейн И.С. Таблицы интегралов, сумм, рядов и произведений / И.С.Градштейн, И.М.Рыжик, М.: Наука, 1971. – 1108 с.72.Грузман И. С. Цифровая обработка изображений в информационных системах / И. С. Грузман [и др.], Новосибирск:НГТУ, 2002. - 456 с.73.Даджион Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро, М.: Мир. 1988. – 488 с.74.Желтов С.Ю., Сибиряков А.В., Выделение характерных черт на цифровых изображениях авиационной и космической съемки. 75.Завалишин Н.В. Модели зрительного восприятия и алгоритмы анализа изображений / Н.В.Завалишин, И.Б.Мучник, М.: Наука, 1974. - 344 с.76.Злобин В. К. Стохастическая модель спутниковых изображений и ее использование для сегментации природных объектов / В. К.Злобин, В. В. Еремеев, В. М. Васильев // Автометрия. – 2001.- №2.77.Зуев В.Е. Распространение видимых и инфракрасных волн в атмосфере / В.Е. Зуев, М.: Советское радио, 1970. - 784 с.78.Ким Н.В., Наблюдение за объектами на основе ситуационно-информационного подхода. 79.Киричук В.С.. Обнаружение малоразмерных объектов по последовательностям ТВ-Изображений ИК диапазона / В.С.Киричук, С.В.Парфененок, В.Ю.Ангеров // Распознавание образов и анализ сцен, тр.5 межд. науч.-техн. конф. – М., 2002.- т.1. - С. 273 - 27880.Книжников Ю.Ф. Принцип множественности в современных аэрокосмических методах и способы дешифрирования серии снимков при сельскохозяйственных исследованиях / Ю.Ф.Книжников, В.И. Кравцова // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. – М.: Наука, 1990. – С. 47-54.81.Коростелев А. П. Стохастические рекуррентные процедуры (локальные свойства) / А. П. Коростелев, М.: Наука, 1984. – 208 с.82.Кравченко В.Ф. Нелинейная фильтрация изображений с сохранением малоразмерных деталей в присутствии импульсных и мультипликативных помех / В.Ф.Кравченко, В.И.Пономарев // Радиотехника иэлектроника. - 2001. - № 4. - с. 476 – 48383.Крамер Г. Математические методы статистики / Г. Крамер, М. Мир, 1975, 648 с84.Ахметшин А.М., Федоренко А.Е. Применение теории марковских случайных полей для сегментации мультиспектральных изображений земной поверхности. http://gis.nmu.org.ua/lit/doc2.doc85.Ахметшин А.М., Фенога Д.А. Отображение и анализ мультиспектральных изображений земной поверхности в базисе Грамма – Шмидта. http://gis.nmu.org.ua/lit/doc1.doc86.Бакут П. А. Теория обнаружения сигналов / П.А. Бакут. – М.: Радио и связь, 1984. – 440 с.87.Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей / П.А. Бакут, Г.С. Колмогоров. // Зарубежная радиоэлектроника. – 1987, - №10.- С. 16-2388.Балакришнан А.В. Теория фильтрации Калмана: Пер. с англ./А.В.Балакришнан – М.: Мир, 1988, 168 с.89.Бейтмен Г. Таблицы интегральных преобразований / Г.Бейтмен, А. Эрдейи, М.: Наука, 1989, T1, 343 с.90.Белов В.В.Обнаружение аномалий подстилающей поверхности земли в ансамбле космических снимков алгоритмами разладки для геоинформационных систем (ИОА СО РАН, Томск)91.Бендат Д. Прикладной анализ случайных данных / Д. Бендат, А. Пирсол – М.: Мир, 1989. - 540 с.92.Богомолов Р.А. Ковариационные функции авторегрессионных случайных полей/ Р.А. Богомолов, В.Р. Крашенинников //Методы обработки сигналов и полей: сб. научн. тр. – Ульяновск: УЛПИ, 1990. – С. 5 - 9.93.Бокс Д. Анализ временных рядов / Д. Бокс, Г. Дженкинс // Пер. с англ.: Под ред. В.Ф. Писаренко. – М.: Мир, 1974, кн. 1. – 406 С.94.Бондур В. Г. Моделирование многоспектральных аэрокосмических изображений динамических полей яркости. / В. Г. Бондур, Н. И Аржененко, В. Н. Линник, И. Л. Титова // Исследование Земли из космоса. - 2003, -№ 2.- С. 3 - 1795.Брокштейн И. М. , Мерзляков С. Н., Попова Н. Р. Обнаружение и локализация малоразмерных объектов на неоднородном фоне // Цифровая оптика. Обработка изображений и полей в экспериментальных исследованиях.96.Бронников А.В. Комбинированные алгоритмы нелинейной фильтрации зашумленных сигналов и изображений / А.В.Бронников, Ю.Б Воскобойников // Автометрия. – 1990, №1.97.Буряк Д.Ю., Визильтер Ю.В. Автоматизированное конструирование близких к оптимальным процедур идентификации и обнаружения объектов на изображении с использованием генетических алгоритмов.98.Крашенинников В. Р. Адаптивный компенсатор коррелированных помех / В. Р.Крашенинников, А. Г. Ташлинский // Методы обработки сигналов и полей: сб. научн. тр. – Ульяновск: УлПИ, 1992.- С. 120 - 12899.Кучеренко К.И. Двумерные медианные фильтры для обработки изображений / К.И. Кучеренко, Е.Ф. Очин // Зарубежная радиоэлектроника. – 1986.- №6.100.Леман Э. Теория точечного оценивания /Э. Леман, М.: Наука, 1991. - 448 с.101.Лепский А.Е. О нахождении минимального представления контура изображения как решение задачи нечеткой кластеризации. http://semery.narod.ru/lampai/rus/public.html102.Марпл-мл С.Л. Цифровой спектральный анализ и его приложения / С.Л. Марпл-мл, М.: Мир, 1990. - 584 с.103.Миньсу Ш. Алгоритм обнаружения объекта, основанный на графе смежности областей/ Ш. Миньсу, Ч. Дайхун // ТИИЭР.- 1984.- №7.- с. 263 - 268.104.Монахов С.В. Методология анализ и проектирования сложных информационных систем / С.В. Монахов, В.П. Савиных, В.Я. Цветков, М.Просвещение, 2005, - 264 с.105.Мудров В. И. Методы обработки измерений: Квазиправдоподобные оценки / В. И.Мудров, В.Л.Кушко, М.: Радио и связь, 1983, - 304 с.106.Мурашов Д.М. Метавыделения фона на последовательностяхизображений с использованием фильтра Калмана / Д.М.Мурашов, А.В.Хилков, И.А.Шамтиев // Распознавание образов и анализ сцен, тр.5 межд. науч.-техн. конф. –М., 2002.- т.2.- С. 389 - 393107.Руспини Э.Т. Последние достижения в нечетком кластер-анализе//Нечеткие множества:Теория возможностей. Под ред. Ягера. М: Мир. 1998. 108.Селекция и распознавание на основе локационной информации / А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев и др.; Под ред. А.Л. Горелика. – М.: Радио и связь, 1990.109.Современное состояние теории исследования операций. Под ред. Н.Н.Моисеева. -М.: Наука,1979. —464 с.110.Современное состояние теории исследования операций. Под ред. Н.Н.Моисеева. -М.: Наука,1979. —464 с.

Список литературы [ всего 110]

Бригхем Ю., Гапенcки Л. Финансовый менеджмент. С-П, Эконо-мическая школа, 1999.
2.Граиберг А.Г. Моделирование социалистической экономики. М.: Экономику 1988.
3.Гранберг А.Г. Динамические модели народного хозяйства. М.: Экономика, 1998
4.Егорова Н.Е., Хачатрян С.Р., Королева Н.В. Моделирование стра-тегии развития инновационно -ориентированных малых предприятий с ис-пользованием производственных функций. В сб. Микроэкономические пред-посылки экономического роста. М., ЦЭМИ РАН, 1999
5.Иванилов Ю.П., Лотов А.В. Математические модели в экономи-ке. М., 1979.
6.Никайдо X. Выпуклые структуры и математическая экономика. М.: Мир, 1992.
7.Солодовников А.С., Бабайцев В.А., Браилов А.В. Математика в экономи¬ке. М.: Финансы и статистика, 1998. Ч. 1.
8.Солодовников В.В., Тумаркин В.И. Теория сложности и проекти-рование систем управления. —М: Наука, 1990. —168 с.
9.Солодовников В.В., Тумаркин В.И. Теория сложности и проекти-рование систем управления. —М: Наука, 1990. —168 с.
10.Тюрин Ю., Литвак Б.Г., Орлов А.И. Анализ нечисловой инфор-мации // Математика и кибернетика.- М.:Знание, 1981.- С. 41.
11.Финансово-кредитный словарь. Том II. П/р В.Ф.Гарбузова. М.: Финансы и статистика, 1994.
12.Финансы, денежное обращение и кредиты, под ред. А.Н. Трошин, В.И. Фомкина, 2000 г.
13.Хелферт Э. Техника финансового анализа: /Под ред. Белых П.П. – М.: Аудит, ЮНИТИ, 1996
14.Цвиркун Л.Д. Структура сложных систем.- М.: Сов. Радио, 1975. —100 с.
15.Шумпетер Й.А. Теория экономического развития. Капитализм, социализм и демократия / предисл. В. С. Автономова. — М.: ЭКСМО, 2007. - 864 с.
16.Von Neyman.A Model of General Equilibrium, Review of Economic Stadies, 13. P. 1-9, 1987.
17.Иванов П.М. Алгебраическое моделирование сложных систем.- М.: Наука, 1996. —271 с.
18.Санто Б. Инновация как средство экономического развития: Пер. с венг./общ. ред. и вступ. Б.В.Сазонова. – М.: Прогресс, 1990. – 296 с.
19.
20.Игонина Л.Л. Инвестиции. Учебное пособие/ Под ред. д.э.н., проф. Слепова В.А. – М.: Экономист, 2003.
21.Игошин Н.В. Инвестиции: организация, управление и финанси-рование: Учеб. Для вузов по экон. спец. – 2-е изд. перераб. и доп. – М.: Юни-ти-Дана, 2001.
22.Общая теория денег и кредита. Под редакцией профессора Е. Ф. Жукова 1995 г.
23.Остапенко В., Мешков В. Собственные источники инвестиций предприятий// Экономист. – 2003’8. с. 28.
24.
25.Интрилигатор М. Математические методы оптимизации и эконо-мическая тео¬рия. М.: Прогресс, 1993.
26.Канторович Л.В., Ланге О., Немчинов B.C. и др. Применение ма-тематики в экономических исследованиях / Под ред. В.С.Немчинова. М., 1990.
27.Котов И.В. и др. Моделирование народохозяйственных процес-сов. Л.: ЛГУ, 1991
28.Красавина Л.Н. Международные валютно-кредитные и финансо-вые отношения, М.:”Финансы и статистика”, 1994.
29.Ланкастер К. Математическая экономика. М.: Советское радио, 1972.
30.Леонтьев В. и др. Исследование структуры американской эконо-мики. М.: ГаЛ техиздат, 1958.
31.Вожегова М.А. Информация как ресурс устойчивого развития компании // Экономика, статистика, информатика. Вестник УМО, - № 4, - 2011. (0,5 п.л.)
32.Вожегова М.А. Оценка инновационной активности компании че-рез призму ее информационной культуры // Экономика, статистика, инфор-матика. Вестник УМО, - № 6, - 2011. (0,45 п.л.)
33.Вожегова М.А. Формирования управленческих новаций для реа-лизации стратегических решений // Межотраслевой научно-практический журнал «Интеграл». - № 5. – 2011. (0,3 п.л)
34.Вожегова М.А. Драйвер инноваций // Inelligent enterprise.- №3. – 2011. (0,2 п.л.)
35.Вожегова М.А. Инновационная активность компаний // Немате-риальные ресурсы регионов: информационный аспект. Сборник научных трудов – Ярославль, изд. «Аверс плюс», 2010. (0,4 п.л.)
36.Вожегова М.А. Практическая польза от взаимодействия ИТ ком-пании Росгосстрах и студентов ВУЗов //VI Международная научно-методическая конференция «Совершенствование подготовки IT-специалистов по направлению: «Прикладная информатика для инновацион-ной экономики»: Сборник научных трудов» / Московский государственный университет экономики, статистики и информатики. – М., 2010. (0,15 п.л.)
37.Вожегова М.А. Информация как стратегический ресурс развития компании// Интеллектуальные ресурсы регионов. Сборник научных трудов – Ярославль, изд. «Аверс плюс», 2009. (0,5 п.л.)
39.Лизинг и коммерческий кредит. М.: “Истсервис”, 1994
40.Литвак Б.Г. Автоматизированные системы экспертного оценива-ния и аккредитация.- М.: Исследовательский центр проблем качества подго-товки специалистов (ИЦ). 2003. —142 с.
41.Литвак Б.Г. Автоматизированные системы экспертного оценива-ния и аккредитация.- М.: Исследовательский центр проблем качества подго-товки специалистов (ИЦ). 2003. —142 с.
42.Литвак Б.Г. Экспертные системы.- М.: Радио и связь, 1982.184 с.
43.Литвак Б.Г. Экспертные технологии в управлении. – М.: Дело, 2004. – 400 с.
44.Расева Е., Сикорский Р. Математика метаматематики. - М.: Нау-ка, 1972.- 592 с.
45.Гантмахер Ф.Р. Теория матриц. М.: Наука, 1989.
46.Гожальчины М.Б., Кишки Е.Б., Стахович Н.С. Некоторые прблемы изучения адекватностей нечетких моделей//Нечеткие множест-ва:Теория возможностей. Под ред. Ягера. — М.: Мир, 1988.С.21.
47.Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состоя-ние проблемы распознавания. – М.: Радио и связь, 1985.
48.Горелик А.Л., Скрипкин В.А. Методы распознавания. – М.: Выс-шая школа, 1984.
49.Гофман А.Л. О приближении функций принадлежности по экс-периментальным данным // Обработка информации и принятие решений в условиях неопределенности.- Фрунзе.: Илим,1981. С.33 — 36.
50.Гудмен И.Э.Нечеткие множества как классы эквивалентности случайных множеств// Нечеткие множества:Теория возможностей. Под ред. Ягера. — М.: Мир, 1988.- С.241—.
51.Дубровская И.С., Койфман Ю.И., Удовиченко Е.Т. Системное моделирование динамической меры качества объектов.//Системные исследо-вания проблем управления качеством и автоматизации процессов управле-ния.-М.: Изд-во стандартов, 2000.- С. 201 —214.
52.Дуда Р., Харт П. Распознавание образов и анализ сцен. – М.:Мир, 1976.
53.Дюбуа Д., Прад А. Общий подход к определению индексов срав-нения в теории нечетких множеств//Нечеткие множества:Теория возможно-стей. Под ред. Ягера. —М: Мир, 1988. С.9.
54.Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. «Проблемы кибернетики». Вып. 33. – М.: Наука, 1978.
55.Келли Дж. Общая топология.-М.: Наука, 1981. —432 с.
56.Колмогоров А.Н., Драгалин А.Г. Введение в математическую ло-гику. — М.: МГУ, 1982. —120 с.
57. Журид Б.А., Силов В.Б. Метод построения логико-лингвистических моделей интеллектуальных роботов. —Изв. АН СССР: Техническая кибернетика,- 1983.- № 5.- С.188 — 193.
58. Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. — М.: Знание, 1974. — С.5 — 49.
59.Маркус М., Минк X. Обзор по теории матриц и матричных нера-венств. М.: 1 ка, 1972.
60.Математические вопросы построения системы моделей. Новоси-бирск, Наука, Сибирское отделение, 1976
61.Мыльник В.В., Титаренко Б.П, Волочиенко В.А. Исследование систем управления, 2-е изд., – М: Академический Проект; Екатеринбург: Деловая книга – 2003.
62.Мыльник В.В., Титаренко Б.П., Волочиенко В.А. Исследование систем управления. - М.: Академический Проект, 2003. - 352 с.
63.Норвич А.М., Турксен И.Б. Построение функций принадлежно-сти// Нечеткие множества и теория возможностей.- М:.»Радио и связь», 1988.- С.64 — 71.
64.Васильев К.К. Статистические методы обработки многомерных изображений / К.К.Васильев, А.А.Спектор // Методы обработки сигналов и полей. – Ульяновск: УЛПИ, 1992, C. 3 - 19
65.Васюков В.Н. Квазиоптимальный алгоритм двумерной фильтра-ции / В.Н. Васюков// Методы статистической обработки изображений и по-лей.- Новосибирск, 1984, C. 14 - 18.
66.Васюков В.Н. Новые подходы к решению задач обработки и рас-познавания изображений / В.Н.Васюков, И.С.Грузман, М.А.Райфельд, А.А.Спектор // Наукоемкие технологии.- 2002. - № 3. - С. 44 - 51.
67.Визильтер Ю.В., Лагутенков А.В. Автоматическое выделение и сопровождение малоразмерных объектов по признаку их движения на циф-ровых изображениях
68.Гай В.Е. Формирование тестовых изображений для оценки каче-ства алгоритмов сегментации / В.Е. Гай, С.Н. Борблик // Цифровая обработка сигналов и ее применение: тр. 8 межд. науч.-техн. конф. – М., 2006. - т.2. - С. 356 - 359.
69.Герчес В.Г. Обнаружение сигналов на многозональном изобра-жении: дис. канд. техн. наук./ В.Г. Герчес. - Ульяновск, 1992. - 143с.
70.Гонсалес Р. Цифровая обработка изображений / Р.Гонсалес, Р. Вудс, М.: Техносфера, 2005. – 1072 с.
71.Градштейн И.С. Таблицы интегралов, сумм, рядов и произведе-ний / И.С.Градштейн, И.М.Рыжик, М.: Наука, 1971. – 1108 с.
72.Грузман И. С. Цифровая обработка изображений в информаци-онных системах / И. С. Грузман [и др.], Новосибирск:НГТУ, 2002. - 456 с.
73.Даджион Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро, М.: Мир. 1988. – 488 с.
74.Желтов С.Ю., Сибиряков А.В., Выделение характерных черт на цифровых изображениях авиационной и космической съемки.
75.Завалишин Н.В. Модели зрительного восприятия и алгоритмы анализа изображений / Н.В.Завалишин, И.Б.Мучник, М.: Наука, 1974. - 344 с.
76.Злобин В. К. Стохастическая модель спутниковых изображений и ее использование для сегментации природных объектов / В. К.Злобин, В. В. Еремеев, В. М. Васильев // Автометрия. – 2001.- №2.
77.Зуев В.Е. Распространение видимых и инфракрасных волн в ат-мосфере / В.Е. Зуев, М.: Советское радио, 1970. - 784 с.
78.Ким Н.В., Наблюдение за объектами на основе ситуационно-информационного подхода.
79.Киричук В.С.. Обнаружение малоразмерных объектов по после-довательностям ТВ-Изображений ИК диапазона / В.С.Киричук, С.В.Парфененок, В.Ю.Ангеров // Распознавание образов и анализ сцен, тр.5 межд. науч.-техн. конф. – М., 2002.- т.1. - С. 273 - 278
80.Книжников Ю.Ф. Принцип множественности в современных аэ-рокосмических методах и способы дешифрирования серии снимков при сельскохозяйственных исследованиях / Ю.Ф.Книжников, В.И. Кравцова // Аэрокосмические методы в почвоведении и их использование в сельском хо-зяйстве. – М.: Наука, 1990. – С. 47-54.
81.Коростелев А. П. Стохастические рекуррентные процедуры (ло-кальные свойства) / А. П. Коростелев, М.: Наука, 1984. – 208 с.
82.Кравченко В.Ф. Нелинейная фильтрация изображений с сохране-нием малоразмерных деталей в присутствии импульсных и мультипликатив-ных помех / В.Ф.Кравченко, В.И.Пономарев // Радиотехника и
электроника. - 2001. - № 4. - с. 476 – 483
83.Крамер Г. Математические методы статистики / Г. Крамер, М. Мир, 1975, 648 с
84.Ахметшин А.М., Федоренко А.Е. Применение теории марковских случайных полей для сегментации мультиспектральных изображений земной поверхности. http://gis.nmu.org.ua/lit/doc2.doc
85.Ахметшин А.М., Фенога Д.А. Отображение и анализ мультиспек-тральных изображений земной поверхности в базисе Грамма – Шмидта. http://gis.nmu.org.ua/lit/doc1.doc
86.Бакут П. А. Теория обнаружения сигналов / П.А. Бакут. – М.: Ра-дио и связь, 1984. – 440 с.
87.Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей / П.А. Бакут, Г.С. Колмогоров. // Зарубежная ра-диоэлектроника. – 1987, - №10.- С. 16-23
88.Балакришнан А.В. Теория фильтрации Калмана: Пер. с англ./А.В.Балакришнан – М.: Мир, 1988, 168 с.
89.Бейтмен Г. Таблицы интегральных преобразований / Г.Бейтмен, А. Эрдейи, М.: Наука, 1989, T1, 343 с.
90.Белов В.В.Обнаружение аномалий подстилающей поверхности земли в ансамбле космических снимков алгоритмами разладки для геоин-формационных систем (ИОА СО РАН, Томск)
91.Бендат Д. Прикладной анализ случайных данных / Д. Бендат, А. Пирсол – М.: Мир, 1989. - 540 с.
92.Богомолов Р.А. Ковариационные функции авторегрессионных случайных полей/ Р.А. Богомолов, В.Р. Крашенинников //Методы обработки сигналов и полей: сб. научн. тр. – Ульяновск: УЛПИ, 1990. – С. 5 - 9.
93.Бокс Д. Анализ временных рядов / Д. Бокс, Г. Дженкинс // Пер. с англ.: Под ред. В.Ф. Писаренко. – М.: Мир, 1974, кн. 1. – 406 С.
94.Бондур В. Г. Моделирование многоспектральных аэрокосмиче-ских изображений динамических полей яркости. / В. Г. Бондур, Н. И Арже-ненко, В. Н. Линник, И. Л. Титова // Исследование Земли из космоса. - 2003, -№ 2.- С. 3 - 17
95.Брокштейн И. М. , Мерзляков С. Н., Попова Н. Р. Обнаружение и локализация малоразмерных объектов на неоднородном фоне // Цифровая оптика. Обработка изображений и полей в экспериментальных исследовани-ях.
96.Бронников А.В. Комбинированные алгоритмы нелинейной фильтрации зашумленных сигналов и изображений / А.В.Бронников, Ю.Б Воскобойников // Автометрия. – 1990, №1.
97.Буряк Д.Ю., Визильтер Ю.В. Автоматизированное конструирова-ние близких к оптимальным процедур идентификации и обнаружения объек-тов на изображении с использованием генетических алгоритмов.
98.Крашенинников В. Р. Адаптивный компенсатор коррелирован-ных помех / В. Р.Крашенинников, А. Г. Ташлинский // Методы обработки сигналов и полей: сб. научн. тр. – Ульяновск: УлПИ, 1992.- С. 120 - 128
99.Кучеренко К.И. Двумерные медианные фильтры для обработки изображений / К.И. Кучеренко, Е.Ф. Очин // Зарубежная радиоэлектроника. – 1986.- №6.
100.Леман Э. Теория точечного оценивания /Э. Леман, М.: Наука, 1991. - 448 с.
101.Лепский А.Е. О нахождении минимального представления кон-тура изображения как решение задачи нечеткой кластеризации. http://semery.narod.ru/lampai/rus/public.html
102.Марпл-мл С.Л. Цифровой спектральный анализ и его приложения / С.Л. Марпл-мл, М.: Мир, 1990. - 584 с.
103.Миньсу Ш. Алгоритм обнаружения объекта, основанный на гра-фе смежности областей/ Ш. Миньсу, Ч. Дайхун // ТИИЭР.- 1984.- №7.- с. 263 - 268.
104.Монахов С.В. Методология анализ и проектирования сложных информационных систем / С.В. Монахов, В.П. Савиных, В.Я. Цветков, М.Просвещение, 2005, - 264 с.
105.Мудров В. И. Методы обработки измерений: Квазиправдоподоб-ные оценки / В. И.Мудров, В.Л.Кушко, М.: Радио и связь, 1983, - 304 с.
106.Мурашов Д.М. Метавыделения фона на последовательностях
изображений с использованием фильтра Калмана / Д.М.Мурашов, А.В.Хилков, И.А.Шамтиев // Распознавание образов и анализ сцен, тр.5 межд. науч.-техн. конф. –М., 2002.- т.2.- С. 389 - 393
107.Руспини Э.Т. Последние достижения в нечетком кластер-анализе//Нечеткие множества:Теория возможностей. Под ред. Ягера. М: Мир. 1998.
108.Селекция и распознавание на основе локационной информации / А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев и др.; Под ред. А.Л. Горелика. – М.: Радио и связь, 1990.
109.Современное состояние теории исследования операций. Под ред. Н.Н.Моисеева. -М.: Наука,1979. —464 с.
110.Современное состояние теории исследования операций. Под ред. Н.Н.Моисеева. -М.: Наука,1979. —464 с.
Очень похожие работы
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00491
© Рефератбанк, 2002 - 2024