авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |   ...   | 6 |

«ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ »«¬–“» ¬—–  ...»

-- [ Страница 2 ] --

С другой стороны актуальным направлением исследований выглядит использование средств имитационного моделирования для поиска оп тимизации внутри узлов систем с частичным ограничением цикличности.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Вентцель Е.С. Теория вероятностей. – М.: Изда тельский центр "Академия", 2003.

2. Лифшиц Б. С., Пшеничников А. П., Харкевич А. Д.

Теория телетрафика. – М.: Связь. 1979.

3. Холодов А.Ю. Метод вероятностных графов для систем массового обслуживания (СМО) с циклической в дисциплиной обслуживания. Южно-Российский вестник геологии, географии и глобальной энергии. – 2006. – Рис. 5.:

8(21). – С. 355–360.

а – орграграф описывающий систему, б – преобразование в веро ятностный параллельно-последовательный граф и введение раз- 4. Риордан Дж. Вероятностные системы обслужива резов, в – установление потоков к приборам ния – М. Связь: 1996.

ИЗВЕСТИЯ ВолгГТУ УДК 66.02: М. В. Щербаков, Н. Л. Щербакова СРАВНЕНИЕ МОДЕЛЕЙ АППРОКСИМАЦИИ БЕЗРАЗМЕРНОЙ РАДИАЛЬНОЙ СКОРОСТИ ТЕЧЕНИЯ ЖИДКОСТЕЙ ВО ВРАЩАЮЩИХСЯ КРИВОЛИНЕЙНЫХ КАНАЛАХ Волгоградский государственный технический университет (max@gebeus.ru) В статье рассматриваются модели аппроксимации безразмерной радиальной скорости течения жидкостей во вра щающихся криволинейных каналах. Рассмотрена степенная модель, наиболее часто используемая в инженерных расче тах и нейросетевая модель. Показано что нейросетевая модель является более точной и даны рекомендации по ее ис пользованию в методиках.

Ключевые слова: реология, течение жидкости, математическое моделирование, аппроксимация, нейронные сети.

M. V. Sherbakov, N. L. Sherbakova THE COMPARISON OF APPROXIMATION MODELS FOR LIQUID FLOWS VELOCITY FUNCTION IN THE ROTATING MECHANISM’S CURVILINEAR PARTS The approximation models for the function of liquid flows velocity was represented in the article. The velocity function was defined in the curvilinear part of the rotating mechanism. The power model often used in engineering methods was compared with more accurate neural networks model. The results of comparison was described.

Reology, liquid flows, modeling, approximation, neural networks.

Конструкции многих аппаратов химиче- В качестве первой модели аппроксимации без ской, пищевой, нефтехимической, фармацевти- размерной радиальной скорости, была выбрана ческой промышленности включают в себя вра- степенная модель. Данная модель является наибо щающиеся криволинейные каналы. Важным лее распространенной в инженерных методиках параметром течения любых жидкостей в таких проектирования рассматриваемых конструкций.

каналах является радиальная скорость течения, Полученная модель представлена зависимостью:

определяющая вид течения [1]. Данный пара- f = 1,69 n Re*1,3n Pe *0,62 n Ed *0,09 n 0,32 n.

метр определяется зависимостью вида: При полученной модели аппроксимации n исходного численного решения среднеквадра r 2 n r = U 0 0 f ( ), (1) тичная ощибка равна 0.251.

r В качестве альтернативной модели ап где U0 – характерная для вращающихся потоков проксимации численного решения использо скорость;

r0 – радиус подводящей трубы в на валась трехслойная полносвязанная нейрон чале участка течения, r – расстояние до рас ная сеть [2]. Функционирование элементов сматриваемого сечения, n – индекс течения, – нейронной сети осуществляется следующим автомодельная переменная, f – безразмерная образом. Для нейронов входного слоя (ней радиальная скорость.

рон – рецептор):

В результате численного решения диффе y = x, ренциальных уравнений движения жидкости во где x – входной сигнал на нейрон, y – выходной вращающемся криволинейном канале, уравне сигнал.

ния неразрывности и уравнения теплопереноса были получены значения распределения ком- z понент скорости, в том числе и f. Решения бы- r ли получены для различных значений парамет ров: Re – модифицированное число Рейнольдса, Pe – модифицированное число Пекле, Ed – мо h дифицированное диссипативное число, – ко- r эффициент проницаемости.

Для методики инженерного расчета конст- R рукций указанного типа, актуальной является задача построения непрерывной функции, ап- проксимирующей полученные численные зна Рис. 1. Схема криволинейного канала чения безразмерной радиальной скорости.

26 ИЗВЕСТИЯ ВолгГТУ, f, f 0.6 0. 1 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.1 0. 0. 0.011 0.010 0.009 0.008 0.007 0.006 0.004 0.003 0.002 0. 0.011 0.01 0.009 0.008 0.007 0.006 0.004 0.003 0.002 0., f,f 1.8 1. 1 2 1.6 1. 1.4 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.011 0.010 0.009 0.008 0.007 0.006 0.004 0.003 0.002 0. 0.011 0.01 0.009 0.008 0.007 0.006 0.004 0.003 0.002 0., f, f 16 14. 12. 10. 2 8. 6. 4. 2 2. 0 0. 0,011 0,01 0,009 0,008 0,007 0,006 0,004 0,003 0,002 0, 0.011 0.010 0.009 0.008 0.007 0.006 0.004 0.003 0.002 0. а б Рис. 2. Соотношение значений численного решения и функции, аппроксимирующей численное решение:

а) степенной моделью;

б) нейросетевой моделью. Цифрой 1 обозначен ряд значений численного решения функции –, 2 – ряд значе ний аппроксимирующей функции – f Для нейронов скрытого и выходного слоев Выводы 1. Нейросетевая модель аппроксимации без (нейрон адаптивный сумматор):

J размерной радиальной скорости является более y k = f ( sk ), sk = w jk y j + k, точной, нежели степенная.

j 2. Для инженерной методики проектирова f ( x) = 1, 1 + exp(x) ния технических конструкций важно получить привычную для инженера и несложную при где = 1 параметр крутизны сигмоиды.

вычислениях зависимость. Для этого использу Были проведены несколько экспериментов ется степенная модель, отражающая физиче обучения нейронных сетей различной структу скую сущность процесса.

ры: варьировалось количество нейронов в скры 3. Нейросетевая модель является менее по том слое сети. Наиболее точной оказалась сеть нятной и громоздкой при вычислении. Для уп с 20 нейронами в скрытом слое. Обучение осу рощения работы с данной моделью целесооб ществлялось с использованием пакета Deductor разно снабжать методику инженерного расчета Studio компании BaseGroup Labs. Полученная программным пакетом, рассчитывающим зна в результате обучения нейронной сети функ чение функции.

ция, аппроксимирующая исходное численное решение имеет вид: БИБЛИОГРАФИЧЕСКИЙ СПИСОК 20 y = f w jk f wij xi + j + k 6 1. Рябчук Г. В., Щербакова Н. Л. Моделирование те чения неньютоновской жидкости в многосекционном цен i =1 j =1 тробежно-экструзионном грануляторе // Известия ВУЗов.

Химия и химическая технология. – 2004. – Т. 47, вып. 7. – Среднеквадратичная ошибка аппроксимации С. 99–101.

при нейросетевом подходе составила: 0,005. 2. Галушкин А. И. Теория нейронных сетей. Кн. 1:

Сравнение результатов аппроксимации двух Учеб. пособие для вузов / Общ. ред. А.И.Галушкина. – М.:

моделей представлены на рис. 2. ИПРЖР, 2000. – 416 с.

СИСТЕМНЫЙ АНАЛИЗ И ОБРАБОТКА ИНФОРМАЦИИ УДК 004. В. Л. Бердник, А. В. Заболеева-Зотова ЗАДАЧА ИДЕНТИФИКАЦИИ СУЩНОСТИ ЗАДАННОЙ СЛАБОСТРУКТУРИРОВАННЫМ ТЕКСТОМ Волгоградский государственный технический университет (bwlg@inbox.ru, zabzot@vstu.ru) В статье выполнена формализация задачи семантического сравнения высказываний идентификации сущности. В част ности представлено теоретико-множественное описание имен сущностей, денотативной семантики. В статье рассмотре на проблема неполноты информации семантического сравнения имен сущности.

Ключевые слова: определяющий предикат, высказывание идентификации сущности.

V. L. Berdnik, A. V. Zaboleeva-Zotova IDENTIFICATION ESSENCE PROBLEM SPECIFY BY SEMISTRUCTURED TEXT The article describes the formalization of semantic comparison problem of identification essence expression. Particularly, set-theoretic formulation of essence names and denotation semantic is considered. The article considers the problem of incom plete information in semantic comparison essence name.

Crucial predicate, identification essence expression.

С развитием компьютерных информацион- лены как единый элемент множества. Очевид ных систем, все чаще возникают практические но, что универсум U состоит из подмножеств T задачи, решение которых невозможно без при- высказываний-синонимов:

влечения методов анализа естественного языка. Ts ={t: (sS) (tU) [s = f(t)]} Так, в маркетинговых исследованиях иногда Примеры высказываний идентификации требуется сопоставить между собой большие сущности.

группы товаров конкурентов, единственной Специальный корпус текстов "Технологии идентификацией которых является строка с оп анализа текста":

ределенными лингвистическими особенностя • Технология лексического анализа Alex;

ми. В качестве товара могут выступать любые • Технология семантического анализа тек материальные и нематериальные ценности, в об ста SemLP.

щем случае – сущности.

Специальный корпус текстов "Компьютер Под высказыванием идентификации сущ ные комплектующие":

ности (далее – высказывание) будем понимать • Переходник клавиатуры AT-PS/2;

символьную строку конечной длины. Такая • Мат. плата Socket-AM2 MSI K9N SLI-2F строка должна идентифицировать сущность, (nVIDIA nForce 570SLI) ATX Ret.

либо группу семантически близких сущностей, Специальный корпус текстов "Радиофизика":

воспринимаемых, согласно предметной облас • Коаксиальный волновод с азимутально ти, как единое явление.

намагниченным гиротропным наполнителем.

Исследования проводились на основе ориги Высказывания идентификации сущности нальной интерактивной адаптивной компьютер представляет собой произвольную последова ной системы, в которой фиксируется и накаплива тельность семантически самостоятельных единиц ется специальный лингвистический корпус выска (далее – термов). Строго говоря, границы термов зываний в соответствии с предметной областью.

синтаксически не заданы. Действительно, в пре Введем следующие обозначения:

дыдущем примере подстроки "Мат. Плата", U – универсум высказываний, в данном "Socket-AM2" и "MSI" указывают на различные случае, специальный корпус текстов;

семантические признаки, отделены пробелами, S – множество идентифицируемых сущностей;

но синтаксически между собой не связаны.

C – универсум семантических признаков Для любого высказывания V:

(универсум предикатов сущностей).

(V VU {p1,p2 … pk} P: V = p1 p2 … pk), Ограничим область исследований так, что между множествами U и S существует сюръек- где: V – произвольное высказывание;

ция f : U –S, где f – идентификация сущности. P – универсум термов;

– пустая строка;

Это достигается тем, что во множестве S неко торые группы семантически близких сущно- {p1, p2 … pk} – упорядоченное множество термов;

стей, согласно предметной области, представ- k – количество термов высказывания.

28 ИЗВЕСТИЯ ВолгГТУ В качестве терма может выступать: Множество S состоит из классов сущностей • предложение;

So по определяющему предикату.

• часть предложения (в том числе, прича- (SoS, СoC, oO, So = ({Co}), [O{Co} = o]) стный и деепричастный оборот);

Классы сущностей имеют собственные • словосочетание;

подмножества предикатов.

• слово;

L = СO, • сложносокращенное слово;

1, если C L, c C L, o C L, (C L ) Lc,o= • аббревиатура;

0, если C L, c C L, o C L, (C L ) = • сокращенное написание слова;

Следовательно • условное кодовое обозначение (So oO, So = (o,Сo)), • число.

Определяющий предикат сущности, не все Между термами P и предикатами C сущест гда представлен в высказывании и зависит от вует соответствие : P – C. В качестве эле контекста K.

мента множества C может выступать:

O = (U, L, K) • референт терма;

Для высказываний идентификации сущно • нарицательное значение условного кодо стей, справедливо:

вого обозначения;

(V1 = {w},V2 = {w} : f(V1) f(V2)) = V1 V • нарицательное значение числа (номер из П р и м е р:

делия), или, совместно с контекстом, указание • V1: “Кресло офисное Martin 100” ;

на морфологическое строение изделия.

• V2: “Кресло офисное Martin 100 с подло Различные сущности должны иметь раз котником”.

личный набор предикатов. Пусть s1, s2 –сущ • V3: “Кресло офисное Martin 100 белое”.

ности, С1, С2 – соответствующие множества В зависимости от контекста, для высказы предикатов.

вания "Кресло офисное Martin", возможна (s1 = (С1),s2 = (С2), s1 s2 ) = [С2 С1] идентификация двух различных сущностей:

В отличие от лингвистического описания • Любое офисное кресло торговой марки сущности, введем более строгие ограничения:

"Martin 100";

(s1= (С1),s2 = (С2), s1 s2 ) = • Кресло офисное Martin 100 без подлокот = (С2 С1 )(С1С2 )(С2С1) ника.

Это возможно, если в множествах C1 и C Высказывание V1 не содержит информацию задается как наличие, так и отсутствие семан о важном семантическом признаке – наличии тического признака. Аналогично, с помощью подлокотника, что может расцениваться либо характеристической функции множества:

как изделие без подлокотника, либо произволь 1, если s обладает с ное состояние изделия. Идентификация сущно M = СS, µMc,s = сти по высказыванию требует знаний о пред 0, если s не обладает с метной области и правил получения отсутст Множество предикатов состоит из двоек:

вующих семантических признаков [2].

C = {y, x}, Частным случаем семантической модели где x – унарный предикат, определяющий от- высказываний, является дерево, где недостаю ношение "иметь значение", характеризует щие признаки высказываний V2, V3 наследуют свойство выбора одной из альтернативных ся из родительской сущности V1.

сущностей. Например, сущность "цвет" опре деляется значениями (I1 = красный, I2 = синий, I3 = зеленый), фрагмент текста "зеленый цвет" – С = I (цвет) (x(I3)), y – идентификатор совокупности альтерна тивных сущностей [1].

Введем множество OC определяющих предикатов S, следующим образом.

((y x O = {y,x} OC) (s = (Cs)) [OCs ]) В высказываниях маркетинговых исследо ваний в качестве определяющего предиката указывается вид продукта или изделия. Рис 1.

ИЗВЕСТИЯ ВолгГТУ Центральный чип изделия, nVIDIA nForce Идентификация сущности сводится к реше 570SLI, нию следующих задач:

Стандарт размера и расположения деталей, ATX, s = f(V) = (CkCv) = ( ( (V), K ) ( (V) ) ) Комплектация, Retail} где:

o =Вид изделия, Материнская плата Ck = ( (V), K) – подмножество семантиче- Ck = ( (V),K)={Форм-фактор, ATX = число ских значений Ck, полученное из высказывания слотов, 5 slots, V и контекста K;

Класс чипсета, SLI = число PCI-E, 2 slots = Cv = ( (V)) – подмножество семантических число PCI, 3 slots} значений Cv, представленное в высказывании V;

По матрице M = С S, получаем искомое значе (V) – определение границ частей высказы- ние s.

вания.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК П р и м е р:

V = "Мат. плата Socket-AM2 MSI K9N SLI-2F 1. Кукушкина О. В., Поликарпов А. А., Столяров Л. Н., (nVIDIA nForce 570SLI) ATX Ret" Столярова Е. М. Новостная машина для экспресс-анализа P = (V) = {“ Мат. плата”,” Socket-AM2”,” MSI”,” текстовых потоков электронных СМИ // Труды конферен K9N SLI-2F”,” (nVIDIA nForce 570SLI)”,”ATX”,” Ret”} ции "Математические и информационные технологии Cv = (P) = {Вид изделия, Материнская плата, в энергетике, экономике, экологии", Иркутск, 2003 г.

Конструкция разъема процессора, Socket-AM2, 2. Заболеева-Зотова А.В. Естественный язык в авто матизированных системах. Семантический анализ тек Производитель, MSI(Microstar), стов. Монография. – Волгоград: ВолгГТУ, 2002. – 228 с.

Уникальное кодовое обозначение, K9N SLI-2F, УДК 678. Е. В. Дербишер*, И. В. Гермашев**, В. Е. Дербишер* АНАЛИЗ СВОЙСТВ ИНГРЕДИЕНТОВ ПОЛИМЕРНЫХ КОМПОЗИЦИЙ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКИХ МНОЖЕСТВ *Волгоградский государственный технический университет, **Волгоградский государственный педагогический университет (germashev@vupc.vlink.ru) В статье рассматриваются подходы к анализу влияния отдельных ингредиентов на совокупные свойства полимерной композиции. Изложенные методы, с использованием нечетких множеств, позволяют провести разностороннее вычислитель ное исследование как реального, так и виртуального органического соединения в качестве добавки к полимерной композиции.

Ключевые слова: полимерные композиции, нечеткие множества, ингредиенты полимерной композиции, прогноз свойств полимерной композиции.

E. V. Derbisher, I. V. Germashev, V. E. Derbisher ANALYSIS OF THE PROPERTIES OF THE INGREDIENTS OF POLYMER COMPOSITIONS USING FUZZY SETS This article discusses the approaches to the analysis of the individual ingredients' influence to the combined properties of the polymer composition. The above methods, using fuzzy sets, allow for diverse computing research both real and virtual or ganic compounds as an additive to the polymer composition.

Polymer composition, fuzzy sets.

влечены идеи, основанные на использовании Одним из направлений совершенствования теории нечетких множеств (НМ). В ходе рабо современных полимерных композиций (ПК) ты рассмотрены приведенные ниже задачи:

является поиск ингредиентов ПК, обеспечи 1. Ранжирование активных добавок к ПК вающих оптимальное соотношение потреби Сформулируем задачу в математическом виде.

тельских качеств и конкурентоспособности ко нечного продукта [1–2]. Пусть S = {si| i = 1, n } множество, со Здесь хорошо зарекомендовали себя ком- стоящее из n объектов (в нашем случае это ак пьютерные методы исследования зависимости тивные добавки к ПК). Для каждого объекта si "структура – активность" [3]. Для описания определено m характеристик Qij, j = 1, m. Вы структуры ингредиентов в этом случае исполь делим эталонный объект s0 и его характеристи зуется дескрипторный подход [4]. Этот метод ки Q0j. Характеристики Q0j подбираются таким широко применим, но каждый раз требует оп образом, чтобы s0 был оптимальным, с точки ределенной адаптации под конкретную задачу.

зрения предъявляемых требований к добавкам.

Для адаптации этих методов к решению за Построим для Qij НМ Qij, i = 0, n, j = 1, m.

дач выбора ингредиентов к ПК нами были при 30 ИЗВЕСТИЯ ВолгГТУ Таблица Для этого определим xj с областью значений Gj.

Значения переменной xj, удовлетворяющие ха- Активность в ряду фосфорсодержащих антипиренов рактеристике Qij, составят отрезок Xij. Опреде № Номер лим середину qij и радиус ij0 отрезка Xij: Ранг добав параметра, j Формула антипирена i ки, i Xij = [qij – ij;

qij + ij]. 1 2 Далее для Qij подбираем функцию принад O qj 16 6,2 6, лежности µij. Исходя из построения Xij, получа- O 1 0, ем, что в qij функция имеет точку максимума, в NH O P j 1 0,1 0, пределах Xij функция принадлежности прини- мает значения больше 0,5, а вне Xij – меньше: qj 17 18 22, O 2 0, µij: Gj[0;

1], µij(qij) = 1, µij(xj) 0,5 xjXij. OH P j 1 0,1 0, В рамках решения предлагаемых задач вос qj 20 28,1 пользуемся функцией [5]: O O 3 0, Met PH ln CH ( x j q ij ) j 1 0,1 0, O ij µij ( x j ) = e, i = 0, n, j = 1, m, qj 10 4,4 4, Br Qij ={xj| µij(xj)}, i = 0, n, j = 1, m.

тогда 4 0, O O Br j 1 0,1 0, Вычислим индекс равенства ij соответст- P вующих НМ:

ij = max min (µ ij ( x j ), µ 0 j ( x j )), – 2. Классификация ингредиентов в одно Gj родном наборе причем значение 1 будет соответствовать абсо- 1. Классификация проводилась как по функ ции (пластификатор, стабилизатор, антипирен лютному равенству, а 0 – абсолютному нера и т. д.), так и по степени воздействия добавки венству. Для функций принадлежности приве на конечный продукт.

денного вида получено, что значение ij дости Для конкретного случая (табл. 1) применя гается в точке пересечения функций принадлеж лись следующие показатели : высоко активные – ности, указанных в качестве его аргументов, 0,70–1,00, умеренно активные – 0,60–0,69, мало откуда вытекает:

активные – 0,40–0,59, неактивные – 0,00–0,39.

ij = µ0j( x* ), Результаты классификации антипиренов ij qij 0 j + q0 j ij (табл. 1) приведены в табл. 2.

где x* =, i = 1, n, j = 1, m.

ij 0 j + ij Таблица В итоге получим интегральную оценку i Классификация фосфорсодержащих антипиренов ПУ соответствия совокупности характеристик si № добав совокупности характеристик s0: Классификация Апробация ки, i m i = j ij, 1 Мало активная отрицательная j = 2 Мало активная отрицательная m где j 0, j = 1. Здесь j является весом 3 Умеренно активная положительная j = 4 Высоко активная положительная j-того критерия.

Проведя вычисления получим число i, по- 3. Экспертиза веществ казывающее ранг соединения si. Под экспертизой понимается заключение В табл. 1 приведен пример ранжирования о том, насколько вещество удовлетворяет тех выборки антипиренов [6] для композиций на нологическим, экологическим и другим усло основе промышленного полиуретана (ПУ) (n = 4 виям. Этот вопрос может быть рассмотрен сле и m = 3). дующим образом. Пусть некоторое вещество В качестве критериев использованы сле- (соединение) s0 удовлетворяет всем требовани дующие характеристики: условный кислород- ям. Тогда для экспертизы соединения s, надо ный индекс (%) (x1);

концентрация (%) антипи- вычислить ранг для s относительно s0, так, рена в полимерной композиции (x2);

мольная как это было показано выше. Проведем их экс доля (%) фосфора в антипирене (x3). пертизу упомянутых выше антипиренов (табл. 1) ИЗВЕСТИЯ ВолгГТУ Добавим соединение s в класс Sk и получим по следующим выборочным условиям: как можно большее значение х1;

наименьшее зна- новый класс S sk :

чение х2 и х3. Приведенные здесь условия совпа S sk =Sk{s}.

дают с параметрами ранжирования добавок Вычислим k – индекс изменений, произо (табл. 1). Поэтому показатель i является также шедших в классе Sk. В качестве оценки k возь и экспертной оценкой. Наилучшая добавка № мем индекс несходства НМ D k и Dsk [7]:

(табл. 1) отвечает условиям экспертизы на 70 %.

4. Прогноз свойств веществ CD k CDsk Метод прогноза основан на том факте, что k k k =1– S (CD, CDs ) = 1, при добавлении к множеству элемента, уже CD k CDsk принадлежащего этому множеству, множество где CD k, CDsk – дополнения НМ D k и Dsk со никак не изменится. На этой основе, например путем объединения множеств дескрипторов ответственно. При этом, пусть X={x} универ каждой добавки к ПК, можно создать множест- сум и задано некоторое НМ A ={x| µA(x)}, тогда во дескрипторов класса добавок к ПК. A = µ ( x), k[0;

1].

Рассмотрим методику в математическом виде. A xX Пусть имеется множество добавок (химиче- k Получили, что принимает значение 0, ес ских соединений) к ПК S = {si| i = 1, n } и мно- ли НМ никак не изменилось и значение 1, если НМ настолько изменилось, что новое НМ не жество дескрипторов D = {dj| j = 1, m }. Частоту имеет ни одного общего элемента со старым.

появления дескриптора dj в соединении si обо Таким образом, sSr, где r = arg min k.

значим через ij. Построим четыре множества: k =1, S 0 = {si0, i = 1, n 0 } – множество неактивных до 5. Конструирование виртуальных ингре бавок, диентов ПК S 1 = {si1, i = 1, n1} – множество мало активных Методика конструирования добавок к ПК основана на методе ограниченного перебора.

добавок, Пусть сконструировано соединение sk. Пу S 2 = {si2, i = 1, n 2 } – множество умеренно актив- тем добавления элемента строим соединение ных добавок, sk+1. Шаг итерации sksk+1 состоит из несколь ких этапов: выбор элемента конструирования;

S 3 = {si3, i = 1, n3 } – множество высоко актив конструирование sk+1;

анализ sk+1 и принятие ных добавок.

решения: (признать sk+1 перспективным и стро 3 n = n k. Вычислим S = Sk, Причем, ить sk+2 или признать sk+1 неперспективным, k = k = принять sk+1=sk и строить sk+2);

принятие реше частоту появления k дескриптора dj среди Sk: ния о прекращении конструирования.

j В качестве элемента конструирования бе nk k = ij, k рем элемент с наибольшим значением функции j i = принадлежности его дескриптора. Конструиро Для каждого класса добавок Sk построим вание sk+1состоит в переборе вершин молеку НМ D k дескрипторов, описывающих соедине- лярного графа для sk и попытки присоединения ния данного класса: к каждому из них поочередно элемента конст D k = {d j | µ k (d j ) | j = 1, m} руирования. Получим s1k +1, s2 +1, …, srkk+1, где rk – k D k, по сути, является статистическим обра- число вершин в графе для sk. Проведем прогноз зом добавки класса Sk. sik +1, как это было показано выше. Найдем та Определим функцию принадлежности µk(dj), кой номер i* = 1, rk, при котором индекс изме как оценку вероятности появления дескриптора dj среди дескрипторов класса Sk: нений будет наименьшим, и примем sk+1= sik*+1.

Анализ sk+1 на предмет перспективности со kj, j 0 стоит в сравнении индекса изменений для sk+1 и j, где j = k.

µ (d j ) = k sk: если для sk окажется больше, то sk+1 следует j k = 1, = 0 признать перспективным, иначе – нет. Далее вос 4 j станавливается полный список элементов конст 32 ИЗВЕСТИЯ ВолгГТУ руирования. В случае неперспективности полага- Таким образом, изложенные методы позво ем sk+1=sk, удаляем элемент конструирования, ляют провести разностороннее вычислительное участвовавший при конструировании переходим исследование как реального, так и виртуально на следующий шаг итерации. При переходе на го органического соединения в качестве добав следующий шаг итерации необходимо задаться ки к ПК. На данном этапе создается расширен вопросом о целесообразности продолжения кон ная методика использования нечетких мно струирования. Критериями окончания служат, жеств при создании конкурентоспособных ин например, чрезмерная сложность sk, невозмож гредиентов ПК.

ность синтеза, достаточно низкий показатель, исчерпание списка элементов конструирования.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК Данный подход был реализован в полуавто матическом режиме с помощью разработанного 3. Молотков А. П. Прогнозирование эксплуатацион компьютерного модуля прогноза свойств актив- ных свойств полимерных материалов. – Минск: Вышэйша школа, 1982. – 192 с.

ных добавок к ПК. В табл. 3 приведены отдель 4. Krieger James Drug design software debuts in Chi ные результаты конструирования выборки актив- cago/ Chem. and Eng. News. – 1993. – 71, N38. – С. 37–39.

ных добавок для поливинилхлорида (ПВХ). 5. Дербишер В. Е., Гермашев И. В., Колесникова Е. А.

Компьютеризированная методика прогнозирования ак Таблица тивных добавок к полимерным композициям // Пластиче Виртуальные добавки к ПВХ ские массы. – 1999. – № 2. – С. 32–36.

6. Васильев П. М., Орлов В. В., Дербишер В. Е. Про № Функциональное Формула соединения п/п назначение гноз канцерогенной опасности органических соединений методом шансов // Хим.-фарм. журн. – 2000. – Т. 34, № 7. – Высоко активный CH С. 19–22.

светостабилиза N 1 7. Гермашев И. В., Дербишер В. Е. Оптимизация со тор става полимерных композиций с использованием теории H3 C CH нечетких множеств // Теоретические основы химической O H 3C Высоко активный технологии. – 2001. – Т. 35, № 4. – С. 440–443.

термостабилиза 2 8. Гермашев И. В., Дербишер В. Е., Орлова С. А.

тор Оценка активности антипиренов в эластомерных компо S зициях с помощью нечетких множеств // Каучук и резина. – Высоко активный 2001. – № 6. – С. 15–17.

пластификатор 9. Нечеткие множества и теория возможностей. По 3 O CH следние достижения / Под ред. Р. Р. Ягера. – М.: Радио и связь, 1986. – 408 с.

O УДК 687. С. А. Ефремова, Л. В. Кетат, В. Е. Дербишер МОДЕЛИРОВАНИЕ ВЯЗАНИЯ СЛОЖНЫХ ДЕТАЛЕЙ ТРИКОТАЖНЫХ ИЗДЕЛИЙ ДЛЯ СОЗДАНИЯ АВТОМАТИЗИРОВАННОГО РАБОЧЕГО МЕСТА ТЕХНОЛОГА Волгоградский государственный технический университет (efr-s-a@t-k.ru, derbisher2@vstu.ru) В статье рассматривается моделирование вязания сложных деталей трикотажных изделий с целью оптимизации за трат на их производство. Приведенные модели дают возможность находить оптимальный вариант технологического процесса вязания участка детали трикотажного изделия в зависимости от вида оборудования и способа сбавки, что и приводит к снижению материальных затрат.

Ключевые слова: трикотажные изделия, оптимизация, математическая модель.

S. A. Efremova, L. V., Ketat V. E. Derbisher SIMULATION OF COMPLEX PARTS KNITTING KNITWEAR TO CREATE A WORKSTATION TECHNOLOGIST The article deals with simulation of knitting the complex details of knitwear with a view to optimizing the cost of their pro duction. These models make it possible to find the optimal process of the details of knitwear knitting, depending on the type of equipment and sbavki method, which results in lower material costs.

Knitwear, optimizing, sbavki method.

Активное развитие информационных тех- Так, при вязании трикотажных изделий приме нологий, вычислительной техники тесно связа- няются плосковязальные автоматы в комплекте но с совершенствованием систем автоматизи- с программным обеспечением, которое предла рованного проектирования технических объек- гается производителями оборудования и решаю тов в большинстве отраслей производства, в том щее ряд технических задач. Однако по-преж числе и трикотажной промышленности [1, 2]. нему, особенно в российской действительно ИЗВЕСТИЯ ВолгГТУ Число участков m, число рядов Рi и число сти, весь подготовительный этап производства игл в работе Иi на каждом участке можно вы трикотажных полуфабрикатов и изделий осу числить по формулам (2):

ществляется технологом большей частью на Ш Шк Д основании своего личного опыта в данной об- Д + 1, Рi = i = д, m= н ласти, и частично на основе лабораторного или В mВ А х промышленного эксперимента. Современные Шн Иi = (i 1) х (2) рыночные конкурентные условия, однако, тре А буют от производителя часто изменять ассорти где х – число сбавляемых игл;

А – петельный шаг, мент выпускаемой продукции, что с одной сто мм;

Шн – длина начала участка, мм;

Шк – конец роны значительно затрудняет работу технолога, участка детали, мм, Дi – длина i-го участка, мм;

а с другой – ведет к повышению себестоимости Дд – длина изделия, мм;

В – высота петли, мм.

продукции. Для помощи технологу и минимиза Рассмотрим вторую составляющую себе ции затрат на подготовку производства при час стоимости С2 (3):

той смене ассортимента трикотажной продукции T С 2 = (t мо + t мд ) c, необходимо разрабатывать и внедрять новые (3) и совершенствовать существующие методы про где tмо – затраты основного машинного време ектирования как изделий, так и технологическо ни, мин;

tмд – затраты дополнительного машин го процесса, используя, упомянутые выше ком ного времени, связанные с холостыми ходами пьютерные технологии.

вязальной каретки Кх при сбавке, мин;

Тс – тру Для решения одной из задач автоматизиро дозатраты, руб/час. При этом число холостых ванного проектирования технологии трикотаж ходов каретки Кх зависит от числа сбавляемых ного производства рассмотрим процесс вязания игл, от вида оборудования и от способа сбавки.

деталей сложной формы, являющихся элемен После подстановки и преобразования полу тами изделий, на плосковязальном оборудова чаем общую формулу для расчета С (4):

нии с целью снижения затрат при их изготов Ц с Д д L T 10 9 Ш н лении. Любую сложную деталь трикотажного C= + x) ( изделия можно разбить на участки, имеющие B А в первом приближении вид прямоугольника Ц Д L T 10 9 (m + 1) или трапеции. В дальнейшем каждый такой с д x + B участок будем называть деталью.

Д T m K x Tc K x Tc Наибольший интерес с точки зрения оптими + д c+, (4) зации процесса изготовления трикотажных дета- 60 B n 60n 60n лей сложной формы вызывает вязание деталей с где n – частота движения каретки, об/мин.

уменьшением ширины вязания. Получение дета- Далее необходимо учесть, что современное ли, имеющей трапециевидную форму возможно плосковязальное оборудование делиться на два следующими способами: во-первых, вязание без вида: автоматы с варьируемым ходом каретки сбавок, в виде прямоугольника;

во-вторых, вяза- и автоматы с постоянным ходом каретки. Для ния по контуру детали;

в-третьих, вязание со оборудования с постоянным ходом каретки n сбавками, но на меньшее число игл, чем во вто- является постоянной (n = const), в случае варь ром случае. В связи с этим постоянно возникает ируемого хода каретки n зависит от Иi и вычис задача об определении оптимального числа сбав- ляется по формуле (5):

ляемых игл, что можно сделать на основе анализа V ni =, (5) затрат средствами вычислительной техники. Ме И i t игл + 2 S тодическая база этого рассмотрена ниже.

где V – скорость движения каретки, м/с;

S – ши Себестоимость вязания участка изделия С рина каретки, мм;

tигл – игольный шаг, мм.

складывается из стоимости сырья С1 и стоимо При выработке деталей трикотажных изделий сти затрат на работу оборудования С2. В свою процесс сбавки может осуществляться либо по очередь стоимость сырья прямопропорцио следовательным, либо параллельным способом нальна материалоемкости М.

переноса петель. При последовательной сбавке Стоимость сырья рассчитывается по фор петель на последней игле в итоге накапливается муле (1):

все количество сбавляемых петель, что создает m C1 = M Ц с = Ц с L T 10 9 ( Pi И i ). (1) трудность при провязывании. При параллельном i = переносе с отобранных игл петли переносятся на где Цс – удельная стоимость (цена) сырья, иглы противоположной игольницы. Затем иглы, руб/кг;

L – длина нити в петле, мм;

Т – линей- имеющие по две петли, переносят эти петли на ная плотность нити, текс. соседние иглы (этой же исходной игольницы).

34 ИЗВЕСТИЯ ВолгГТУ Таблица Оптимальное количество сбавляемых игл при вязании со сбавками Способ сбавки петель Число участков m последовательный параллельный постоянный ход каретки Шн Шк m= +1 x=1 x= А х Цс Дд L T 10 6 2Tc Если, то х = 1.

Дд Исб 2B 60n m= x= m Цс Дд L T 10 6 2Tc B Исб, то x = Если m 2B 60n варьируемый ход каретки Шн Шк m= +1 x=1 x= А х 0.9 10 3 Ц с L T V x max = + Tc t игл Ш н 2S B +( + +.

) t игл Д д B A Исб Дд Исб Исб x= m= – хmax [1, ]. x = или х = 1 m B m 1 m Исб – хmax (-,1). x = m Исб – хmax (, +). х = 1.

m Необходимо отметить, что осуществление этого 10 9 V Д д L T + Tc Д д t игл 4.78 Tc (Ш н Ш к ) C ( x) = x + + (9) способа возможно при использовании достаточно 2 V B 3.6 10 3 A x 3 (Ш н + Ш к ) Ц с Д д L T V 10 + 0.38 10 Tc V B (Ш н Ш к ) растяжимого сырья или при вязании эластичной + 7.2 10 6 V B A петельной структуры, так как в противном случае 4Tc Д д S A + Tc Д д t игл (Ш н + Ш к ) невозможно произвести перенос петель. +.

7.2 10 6 V B A Обобщение результатов исследования про- Исследование функции (9) показало, что цесса сбавки на различных плосковязальных минимальное значение себестоимости функция автоматах показали, что при последовательном принимает при (10):

способе сбавки число холостых ходов каретки 9.56 10 3 Tc V B ( Ш н Ш к ) можно вычислять по формуле (6): x= К х = 2( х 1). А Д д (3.6 10 3 V L T Ц с + Tc t игл ) (6) При параллельном переносе петель Кх вы- Исб (х[1, ]) (10) числяется в соответствии с (7):

m Кх = 0, при х = При расчетах оптимального количества Кх = 1, при х 1 (7) сбавляемых игл с помощью полученных фор Результаты моделирования и оптимизации мул значение х может быть как целым, так процесса вязания при последовательном и па и дробным, что не допустимо. Поэтому для раллельном способе переносе петель представ лены в табл. 1. приведения х к целочисленному значению нами Помимо последовательного и параллельно- использованы два метода: метод перебора и "воз го способов переноса петель в настоящее время можность округления решений" [4].

еще используется плосковязальное оборудова- Таким образом, полученные модели (4,9) ние, осуществляющее групповые сбавки. В этом дают возможность находить оптимальный ва случае в соответствии с данными экспертов [3] риант технологического процесса вязания уча затрачиваемое дополнительное время tдоп может стка детали трикотажного изделия сложной быть определено по формуле (8): формы в зависимости от вида оборудования и t доп = 0,19 х + 4,8. (8) способа сбавки и приводит к снижению мате риальных затрат. На основе выше рассмотрен В данном случае зависимость себестоимо ного создан алгоритм оптимизации процесса сти от числа сбавляемых игл принимает сле вязания деталей сложной формы, который дующий вид:

ИЗВЕСТИЯ ВолгГТУ изделий / Е. Н. Колесникова, Т. Ю. Чердынцева // Изв. ву можно использовать при создании автоматизи зов. Технология текстильной промышленности. – 2003. – рованного рабочего место технолога (АРМТ). № 5. С. 72–75.

3. Петров, Л. П. Технология и оборудование произ БИБЛИОГРАФИЧЕСКИЙ СПИСОК водства: учеб. пособие / Л. П. Петров;

МГТУ им. Косыги 1. Кудрявин, Л. А. Автоматизированное проектирование на. – М.: ЦБНТИ, 1987. – 86 с.

основных параметров трикотажа (с использованием ЭВМ) / 4. Ковалев, М. М. Дискретная оптимизация. Целочис Л. А. Кудрявин. – М.: Легпромбытиздат // 1992. – 192 с.

ленное программирование / М. М. Ковалев. – 2-е изд. – 2. Колесникова, Е. Н. Постановка задач при разработ М.: УРСС, – 2003. – 536 с.

ке технологических модулей для выработки регулярных УДК 004. И. Г. Жукова, А. М. Дворянкин, М. Б., Сипливая А. В. Аникин ПОИСК И ИНТЕГРАЦИЯ РАЗНОРОДНЫХ РАСПРЕДЕЛЕННЫХ ОБРАЗОВАТЕЛЬНЫХ РЕСУРСОВ НА ОСНОВЕ ОНТОЛОГИЧЕСКИХ МОДЕЛЕЙ Волгоградский государственный технический университет (dvam@vstu.ru, Anton@Anikin.name) В статье рассмотрен подход к генерации электронных персонифицированных адаптивных образовательных коллек ций на основе интеграции разнородных распределенных ресурсов с использованием онтологических описаний.

Ключевые слова: semantic Web, E-Learning, дистанционное обучение, адаптивное обучение.

I. G. Zhukova, A. M. Dvoryankin, M. B. Siplivaya, A. V. Anikin ONTOLOGY-BASED RETRIEVAL AND INTEGRATION OF THE HETEROGENEOUS DISTRIBUTED EDUCATIONAL RESOURCES In this paper, proposed ontology-based approach for creation electronic adaptive educational collections based on heteroge neous distributed resources integration.

Semantic Web, E-Learning, distance learning, adaptive learning.

С ростом масштаба информационных сетей, грации разнородных распределенных инфор например, Интернета, и объема их информаци- мационных ресурсов. Использование правил онного наполнения становятся актуальны про- вывода в рамках онтологической модели обра блемы их эффективного использования, поиска зовательной коллекции позволяет использовать информации в них. Особенно актуальны эти модель пользователя как расширенный поиско проблемы при использовании электронных ин- вый запрос для генерации данной коллекции.

формационных ресурсов в образовании. Тради- Для описания онтологий выбран стандарт ционный учебник или учебное пособие не мо- OWL (Web Ontology Language), используемый жет заменить собой такие ресурсы ввиду не- в SemanticWeb и рекомендованный консорциу возможности использования различных спосо- мом W3C [3]. Позволяя описывать концепты бов подачи материала, форм его представления, и отношения онтологической модели, OWL на стратегий обучения, индивидуальных для каж- кладывает ряд серьезных ограничений на опи дого обучаемого в зависимости от его целей, сание правил [4], в связи с чем для описания текущих знаний, умений, навыков, психологи- правил вывода выбран также язык SWRL ческих и других характеристик. Использование (Semantic Web Rule Language) [5].

разнородных распределенных ресурсов (как Для описания онтологий с использованием локальных, так и ресурсов локальных и гло- стандарта OWL и правил вывода с использова бальных сетей, например интернет-ресурсов) нием языка SWRL выбрано программное сред в образовательном процессе позволяет решить ство Protg 3.2, являющееся фактическим эти проблемы и имеет ряд других преимуществ стандартом в области создания и редактирова [1, 2], однако существующие поисковые систе- ния OWL-онтологий. В качестве машины вы мы общего назначения недостаточно эффек- вода выбрано средство RacerPro 1.9, поддержи тивны в этой области. вающее обработку правил на языке SWRL.

Для решения данной проблемы предлагает- Описаны фрагменты онтологии информа ся использовать онтологии как средство описа- ционных ресурсов, онтологии предметной об ния предметной области, характеристик поль- ласти "Алгоритмические языки программиро зователя и информационных ресурсов, а также вания высокого уровня" и примеры информа персонифицированной образовательной кол- ционных ресурсов данной предметной области лекции, создаваемой на основе поиска и инте- (рис. 1).

36 ИЗВЕСТИЯ ВолгГТУ Также реализованы простейшие правила вывода для формирования персонифициро ванной образовательной коллекции по языку, уровню сложности изложения материала и др. В частности, с использованием языка SWRL правила для формирования персони фицированной коллекции с учетом знаний пользователя, уровня его подготовки, языку могут быть представлены в виде:

hasUser(?c,?user) ^ LM:hasObjectiveKnowledge(?user,?concept1) ^ ER:hasConcept(?r,?concept2) ^ con cept:isSynonimOf(?concept1,?n1) ^ con cept:isSynonimOf(?concept2,?n2) ^ sameAs(?n1,?n2) hasResourceByConcepts(?c,?r) hasUser(?c,?u) ^ LM:hasAssessment(?u,?e) ^ ER:hasExpirience(?r,?e) - hasResourceByExpirience(?c,?r) hasUser(?c,?u) ^ LM:hasLanguage(?u,?l) ^ ER:hasLanguage(?r,?l) -hasResourceByLanguage(?c,?r) hasResourceByLanguage(?c,?r) ^ hasReource ByExpirience(?c,?r) ^ hasResourceByConcepts(?c,?r) hasResource(?c,?r) Фрагмент персонифицированной коллек ции, построенной с помощью машины вывода Рис. 1. Фрагмент описания предметной области RacerPro, представлен на рис. 2.

"Алгоритмические языки программирования" PersonalCollec PersonalCollec hasRe hasUser hasRe- hasUser hasLanguage hasLanguage hasRe- eng User_1 User_ hasLanguage rus hasAssessment hasAssessment hasLanguage hasLanguage beginner hasAssessment advanced hasAssessment ER hasAssessment hasAssessment ER2 ER ER ER Рис. 2. Пример построения персонифицированной коллекции с использованием средства вывода RacerPro ИЗВЕСТИЯ ВолгГТУ Использование концептов онтологии пред- быть использованы для построения персони метной области и онтологии целей как дидак- фицированных электронных коллекций в сис тической составляющей [1,6] как в описании темах дистанционного высшего и дополни информационных ресурсов (знаний, умений, тельного образования, для курсов повышения навыков, требуемых для изучения каждого ре- квалификации и профпереподготовки, построе сурса и получаемых в процессе его изучения), ния справочных электронных коллекций, учеб так и в модели пользователя (текущие и целе- ников и учебных пособий и т. п.

вые знания, навыки, умения), а также соответ ствующих правил вывода позволит не только БИБЛИОГРАФИЧЕСКИЙ СПИСОК проводить отбор информационных ресурсов по 1. Аникин, А. В. Разработка качественной модели об этим параметрам и создавать персонифициро- разовательного объекта для открытых адаптивных обу ванные образовательные коллекции, но и стро- чающих систем на основе дидактической составляющей / ить в рамках этих коллекций образовательные А. В. Аникин, И. Г. Жукова, М. Б. Сипливая // Сборник последовательности, создавая связи между ре- научных трудов конференции "Сочи-2004".

2. Аникин, А. В. Механизмы интеграции гетероген сурсами, представляющие собой возможные ных распределенных ресурсов в открытой адаптивной об переходы между ними в процессе обучения.

разовательной системе / А. В. Аникин, И. Г. Жукова, Планируется разработка средств ручного М. Б. Сипливая // Сборник научных трудов конференции аннотирования информационных ресурсов, по- "Сочи-2004".

зволяющих создавать метаописания ресурсов 3. OWL Web Ontology Language. W3C Recommenda на основе предметных онтологий для после- tion [Electronic Resource] / 2004 – Mode of access:

http://www.w3.org/TR/owl-features/ дующего создания репозиториев ресурсов и опи 4. Pushing the limits of OWL, Rules and Protg. A sim сание правил вывода на языке SWRL для по ple example [Electronic resource] / Anne Cregan [etc.] – 2005 – строения персонифицированных образователь- Mode of access: http://www.mindswap.org/2005/OWLWork ных коллекций на основе онтологической shop/sub22.pdf модели пользователя. Также необходима разра- 5. SWRL: A Semantic Web Rule Language Combining ботка программной оболочки, взаимодейст- OWL and RuleML [Electronic Resource] / 2004 – Mode of вующей с сервером RacerPro и предоставляю- access: http://www.w3.org/Submission/2004/SUBM-SWRL 20040521/ щей интерфейс пользователя для обучаемого.

6. Аникин, А. В. Формальная модель описания учеб Результаты работы позволят повысить эф ных объектов / А. В. Аникин, И. Г. Жукова, М. Б. Сип фективность использования интернет-ресурсов ливая // Сборник научных трудов международной конфе в образовании и эффективность дистанционно- ренции "Информационные технологии в образовании, го образовательного процесса в целом, могут технике и медицине", Волгоград, 2004.

УДК 004. А. В. Заболеева-Зотова, И. Д. Лягин ТРАНСЛЯТОР ГРАФИЧЕСКОГО ИЗОБРАЖЕНИЯ В МУЗЫКАЛЬНОЕ ПРОИЗВЕДЕНИЕ Волгоградский государственный технический университет (zabzot@vstu.ru, Lyag-in@mail.ru) Статья посвящена исследованию в области трансляции графических изображений в музыкальное произведение, ко торое основано на анализе процесса просмотра изображения человеком, выявлении аналогий при создании графических и музыкальных произведений и замещении элементов одного аналогичными элементами другого. Рассмотрены методы формирования ритмической и интервальной последовательностей музыкального произведения.

Ключевые слова: трансляция, распознавание образов, графический образ, звуковой образ, структура, динамическая последовательность, ритм.

A. V. Zaboleeva-Zotova, I. D. Lyagin THE GRAPHIC REPRESENTATION COMPILER IN A PIECE OF MUSIC Article is devoted research in the field of translation of graphic representations in a piece of music which is based on the analysis of process of viewing of the image by the person, revealing of analogies at creation graphic both pieces of music and replacement of ele ments by one similar elements of another. Methods of formation of rhythmic and interval sequences of a piece of music are considered.

Translation, recognition of images, graphic image, sound image, structure, dynamic sequence, rhythm.

Человечество давно притягивала мысль стям – не покидают нас вот уже на протяжении синтеза искусств, создания искусства на грани 250 лет" – пишет создатель теории светозвуко двух, создания произведения одного искусства вого музыкального строя музыкант и художник средствами другого. "Мечты об объединении В.В. Афанасьев. Достаточно вспомнить такие звука и цвета – по общим для них закономерно- имена, как Скрябин, Чюрленис, Матюшин, 38 ИЗВЕСТИЯ ВолгГТУ из, и может претерпеть серьезные изменения Оствальд и др. "…всякое искусство, достигшее в процессе своей реализации и развития.

своих пределов, должно подать руку другому – Если рассматривать структуру музыкально сродному" – писал Р. Вагнер.

го произведения, не касаясь композиционных Данная работа посвящена исследованию элементов (формы, темы и т. д.), то можно вы в области трансляции графического изображе делить ряд последовательностей при построе ния в музыкальное произведение, которое нии музыкального произведения: интерваль главным образом основывается на анализе про ную, динамическую, ритмическую, изменения смотра изображения человеком, выявлении темпа, длительностей звуков и т. д. Эти после аналогий при создании графических и музы довательности и предполагается определить кальных произведений и замещении элементов исходя из входной графической информации одного аналогичными элементами другого. Ра в рамках данной работы. В данной статье пока боты на схожие темы уже проводились ранее.

жем формирование ритмической и интерваль Б. Галеев и НПО "Прометей" создали совокуп ной последовательностей.

ность программ, обеспечивающих извлечение Если говорить о ритме, то в первую очередь звуков на основе прочерченных линий. В. В. Афа необходимо отметить: ритм в живописи и в му насьев создал запатентованную им систему, зыке не тождественны, поэтому нельзя напря ставящую в соответствие звуку в зависимости мую вести сопоставление средств передачи рит от определенных связей с другими звуками цвет, ма в музыке и в живописи. Для решения этого с дальнейшим ее применением в области светому несоответствия предлагается рассматривать не зыки. Наконец, под руководством Н. А. Наумова отдельно ритм музыкальный и ритм живопис творческой группой "Эйдос" был создан муль ный, а ритм вообще без пересадки его на какую тимедийный преобразователь "Графовокс", не либо почву, то есть рассматривать ритм как рав посредственно решающий рассматриваемую номерное чередование каких-нибудь элементов.

в данной работе задачу.

В качестве таких элементов в музыке предлага Многие люди внесли вклад в формирование ется рассматривать моменты появления нот на идей, имеющих отношение к решению рас горизонтальной оси нотного стана (рис. 1).

сматриваемой в данной работе задачи, однако качественным полным аналогом по видам входной и выходной информации и решаемой задаче является только система "Графовокс".

Ни в коем случае не умаляя заслуг создателей данной системы, хотелось бы отметить, что в по лученных при помощи "Графовокса" музы кальных произведениях не наблюдается четкой Рис. 1.

пульсации, которая необходима для построения метра, являющегося составляющей ритма, ко- С живописью сложнее. На картине может торый в свою очередь является одним из важ- наблюдаться чередование пятен света и тени, нейших компонентов при создании музыкаль- линий, изображаемых объектов. Чтобы все это ного произведения.


Рассмотренный ниже под- совместить предлагается рассматривать чере ход помогает решить эту проблему. дование объектов, определенных следующим Перед началом изложения предложенной образом: объект есть совокупность точек, каж в данной работе концепции хотелось бы отме- дая из которых имеет хотя бы одну смежную тить, что полного однозначного соответствия точку этого объекта "не сильно отличающего между элементами музыки и живописи не мо- ся" цвета. Следует пояснить, что под смежно жет быть установлено. Кроме того, не сущест- стью понимается такое расположение двух вует даже единой музыкальной интерпретации пикселей, при котором модуль разности гори произведения живописи (как и вообще любых зонтальных и модуль разности вертикальных событий, касающихся человека), так как каж- координат пикселей не превышают единицы:

дый человек (то есть создатель произведения) y 1, x 1.

сугубо индивидуален и несет в себе неповто Что же касается "не сильно отличающихся" римый внутренний мир и соответственно соз цветов, то под ними понимаются цвета, отли дает неповторимые в точности произведения чающиеся по оттенку, яркости и контрасту не искусства. Поэтому хотелось бы ОСОБЕННО больше чем на строго определенные (сравни ПОДЧЕРКНУТЬ, что изложенная ниже кон тельно небольшие) величины:

цепция не претендует на место единственной, h h, s s, l l.

самой правильной, а является всего лишь одной ИЗВЕСТИЯ ВолгГТУ Так как ритм предполагает чередование оди- Теперь перейдем к интервальной (звуковы наковых элементов, то необходимо ввести поня- сотной) последовательности. При сканирова тие одинаковых объектов. Одинаковыми объек- нии пространства вышеописанным образом бу тами (объектами, входящими в одну группу) бу- дем измерять длины отрезков, отсекаемых от дем называть объекты, с определенной степенью сканирующего луча контуром объекта, через схожие по форме. При такой трактовке одинако- область которого луч в данный момент прохо вых объектов учитывается и чередование пятен 2 дит (см. рис. 3, где li = yi + xi ).

света и тени, и чередование схожих линий, и че редование схожих изображаемых объектов, кроме того, достигается согласованность с неко торыми факторами, влияющими на организацию зрительных ощущений в образы объектов в моз гу человека, хотя и накладываются некоторые ограничения на входное изображение.

Теперь определимся с чередованием. Если в музыке рассматривается чередование относи тельно горизонтальной оси нотного стана, по сути представляющую собой ось времени, то относительно чего отслеживать чередование при рассмотрении произведения живописи?

Предлагается следующий вариант. На любой картине (как и на других изображениях) имеет- Рис. ся главная точка, выделяющаяся на фоне ос Длинам этих отрезков будем сопоставлять тальных (наиболее яркая, если на картине пре на основании пропорции звуковысотные интер обладают темные тона, и наименее яркая в про валы, беря минимальную длину равной нулю, тивном случае), на которой в основном будет а максимальную – равной максимальному рас фокусироваться внимание при рассмотрении стоянию от главной точки до какой-нибудь картины. Объект, содержащий главную точку, точки изображения. Соответственно нулевой будем называть главным объектом. Рассмотре длине будет соответствовать нулевой интервал нию контура главного объекта также будет относительно начальной высоты звука, макси уделено довольно много внимания. Поэтому мальной длине – максимально возможный ин предлагается сканировать изображение лучом, тервал относительно начальной высоты звука.

соединяющим главную точку с точкой контура Начальная высота звука, относительно которой главного объекта, последовательно переходя от строится интервальная последовательность, одной точки контура к другой, таким образом выбирается исходя из усредненного цвета точек отслеживая чередование объектов, входящих объекта в соответствии с системой В. В. Афа в одну группу, пересекаемых лучом (рис. 2).

насьева, описанной им в книге "Светозвуковой Затем это чередование необходимо сопос музыкальный строй" (интервал ноты определя тавить с чередованием появления нот на гори ется в данном случае не относительно преды зонтальной оси нотного стана. Таким образом дущей ноты, а относительно ноты, соответст будет получена ритмическая последователь вующей начальной высоте звука). Таким обра ность одного голоса, которому ставится в соот зом, строится интервальная последовательность ветствие одна группа объектов.

одного голоса, которому соответствует одна группа объектов (рис. 4).

Рис. 4.

Почему предлагается использовать именно такой способ построения интервальной последо вательности? Представьте себе, что смотрите на гору. Если попытаться на основе данного на блюдаемого объекта построить какой-либо не Рис. 40 ИЗВЕСТИЯ ВолгГТУ На сегодняшний момент в рамках данной большой музыкальный отрезок, то на ум придет работы практически полностью реализованы что-то, что при наложении на музыкальный стан в программном варианте вышеописанные мето будет напоминать графическое отображение го дики по формированию ритмической и интер ры. Примерно то же самое происходит при фор вальной последовательностей. Методики по мировании интервальной последовательности предложенным выше способом. формированию метра, динамической последо В заключении хотелось бы обратить внима- вательности, последовательности изменения ние на то, что при использовании описанного темпа и т. д. находятся на стадии доработки выше подхода влияние на формирование рит- (некоторые мысли по этому поводу уже имеют мической и интервальной последовательностей ся), и в будущем планируется их реализация.

одного голоса, соответствующего группе объ ектов, оказывает как сам объект, представитель БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Арнхейм Р. Искусство и визуальное восприятие.

группы, так и главный объект. Расположение М., 1974.

их друг относительно друга, то есть их взаим- 2. Афанасьев В. В. Светозвуковой музыкальный строй.

ная связь тоже играет определенную роль в про- М.: Музыка, 2002.

цессе формирования последовательностей. Так 3. Бонфельд М. Ш. Введение в музыкознание. М.:

например, если объект, представитель группы, Гуманит. изд. центр ВЛАДОС, 2001.

4. Волошинов А. В. Математика и искусство. М., 2000.

находится сравнительно далеко от главного 5. Должанский А. Краткий музыкальный словарь. – объекта, то длина интервальной последова- М.: Музыка, 1966.

тельности будет сравнительно мала для этого 6. Зайцев А. С. Наука о цвете и живопись. М., 1986.

объекта, длительности также будут сравни- 7. Немов Р. С. Психология: Учеб. для студ. высш.

тельно малы вследствие уменьшения количест- пед. учеб. заведений: В 3 кн. – М.: Гуманит. изд. центр ВЛАДОС, 1999.

ва пересечений сканирующего луча с областью 8. Хаустен Р. А. Свет и цвета. М., 1935.

сканируемого объекта, что соответствует час- 9. Энциклопедический музыкальный словарь. М., тичному изъятию объекта из рассмотрения 1959.

и уменьшению его участия в формировании це- 10. www.eidos.kiam.ru.

лостного представления об отраженных на изо- 11. www.philosophy.ru.

12. www.prometheus.kai.ru.

бражении событиях и явлениях.

УДК 004.8;

004. А. В. Заболеева-Зотова, Ю. А. Орлова МОДЕЛИРОВАНИЕ ЛЕКСИЧЕСКОГО АНАЛИЗА ТЕКСТА ТЕХНИЧЕСКОГО ЗАДАНИЯ Волгоградский государственный технический университет (zabzot@vstu.ru, yulia.orlova@gmail.com) В работе рассматривается алгоритм лексического анализа текста технического задания, целью которого является повышение эффективности проектирования программных систем за счет автоматизации.

Ключевые слова: лексический анализ, текст, техническое задание.

A. V. Zaboleeva-Zotova, Y. A. Orlova MODELLING LEXICAL TEXT ANALYSIS OF A TECHNICAL SPECIFICATION In work the algorithm of lexical text analysis of a technical specification which purpose is to increase efficiency of software engineering due is considered.

Lexical analysis, text, technical specification.

В настоящее время проектирование про- При этом задача автоматизации начального граммного обеспечения представляет собой сла- этапа проектирования – формирования и анали бо-формализованный трудоемкий процесс, тре- за текста технического задания остается откры бующий от пользователя глубокого знания пред- той. Это связано с необычайной сложностью метной области и навыков в проектировании. проблемы синтеза и анализа семантики техни Наиболее известные из коммерческих про- ческого текста, для решения которой необхо граммных продуктов, используемых при проек- димо использовать сембиоз методов искусст тировании программного обеспечения, в ос- венного интеллекта, прикладной лингвистики, новном предназначены для визуализации про- психологии и т. п. Однако, возможно прибли межуточных и конечных результатов процесса зиться к достижению данной цели, выделив не проектирования. Некоторые из них позволяют которые небольшие подзадачи, вполне доступ полностью автоматизировать последние этапы ные для решения известными методами транс проектирования: генерация кода, создание от- ляции. Одной из таких подзадач является лек четной и сопровождающей документации и т. д. сический анализ текста технического задания.

ИЗВЕСТИЯ ВолгГТУ Целью исследования явилось повышение эффективности проектирования программного обеспечения за счет разработки средств авто матизации анализа текста технического зада ния. Такое средство представляется в виде трех блоков: лексического, синтаксического и гене ратор диаграмм потоков данных. В данной ра боте рассматривается первый блок.

Лексический анализатор предназначен для того, чтобы разделить исходный текст техниче ского задания на отдельные лексемы. В данной работе эта операция выполняется в три этапа:

разделение на разделы, предложения и отдель ные лексемы.

Уже после первого этапа производится ра бота не со всем текстом технического задания, а с его частями, представленными по разделам.


По ходу работы лексического анализатора текст ТЗ дробится сначала на все более мелкие разделы, затем на отдельные предложения (с со хранением структуры разделов) и лексемы с ука занием принадлежности к предложениям.

Алгоритм лексического анализатора и опи сание входных/выходных данных представлены на рис. 1.

Входной информацией для алгоритма явля ется текст технического задания на ограничен ном естественном языке, выходная информация – таблицы разделов, предложений и лексем рас- Рис. 1. Алгоритм лексического анализа сматриваемого технического задания.

Разделения технического задания на разде Построение дерева разделов лы осуществляется с помощью конечного ав по структурной нумерации томата, описанного на рис. 2.

На вход данного блока подается текст тех- Входной символ конечного автомата: c1 – нического задания как последовательность пустое пространство, c2 – пробел, c3 – новая символов, на выходе получаем дерево разделов строка, c4 – конец текста, c5 – ‘1’..’9’, c6 – ‘П’, c0 – в виде таблицы, содержащей поля: код раздела – любой другой символ.

уникальный числовой идентификатор;

код ро- Промежуточные состояния автомата: a1 – на чало разбора номера раздела, a2 – последователь дительского раздела – число, равное коду раз ность символов – текст, a3 – последовательность дела, в который непосредственно входит дан символов – нумерация, a4 – начало разбора назва ный раздел;

номер раздела – число, равное но ния раздела, a5 – последовательность символов – меру раздела для сохранения порядка разделов название раздела, a6 – начало разбора текста раз в структуре документа;

название – имя раздела;

дела или приложения, a7 – последовательность текст – содержимое раздела.

символов – продолжение текста раздела или при Алгоритм работает следующим образом: сна ложения, a8 – начало разбора названия приложе чала весь текст ТЗ делится на разделы первого ния, a9 – последовательность символов – название уровня ("1.", "2.", "3." и т. д.), затем делится каж приложения, a0 – конец ТЗ.

дый раздел и так далее до третьего уровня.

Анализ текста технического задания начи Таблица разделов имеет рекурсивную связь нается с разбора разделов первого уровня и раз типа "петля" по полям "код раздела" и "код ро- бора приложений. После формирования табли дительского раздела". Таблица разделов связана цы первого уровня начинается анализ текста по полю "код родительского раздела" отноше- каждого из разделов первого уровня.

нием типа "многие к одному" рекурсивно с таб- Так как в тексте раздела первого уровня лицей разделов, что используется для хранения не может быть приложений, разбор приложе и графического отображения дерева разделов. ний не производится. После формирования 42 ИЗВЕСТИЯ ВолгГТУ таблицы разделов второго уровня анализиру- Построение списка предложений Список предложений по разделам в виде таб ется текст каждого раздела второго уровня и лицы предложений формируется на основе опи формируется таблица разделов третьего санной выше таблице разделов. Таблица предло уровня. В конце работы алгоритма все табли жений содержит поля: код предложения – уни цы объединяются.

кальный числовой идентификатор;

код раздела – При попадании автомата в состояние, в ко число, равное коду раздела, в который непосред тором происходит изменение таблицы разде ственно входит данное предложение;

номер лов, в таблицу разделов вносятся изменения предложения – число, равное номеру предложе соответственно предыдущему промежуточному ния в разделе;

текст – тест предложения.

состоянию.

Рис. 2. Автомат разбора технического задания на разделы Рис. 3. Автомат разбора технического задания на предложения ИЗВЕСТИЯ ВолгГТУ Предложением называется фрагмент текста, Рассмотрим конечный автомат для разбора не содержащий точек и символов "точка с запя- на лексемы.

той". Как правило, в реальных документах спи- Входной символ конечного автомата: c0 – c10 – сок функций системы оформляется как марки- как в автомате разбора на предложения, c11 – ‘ – ’.

рованный список, где описание каждой функ- На вход автомата подается каждое предло ции начинается с маленькой буквы, а заканчи- жение из таблицы предложений. Производится вается точкой с запятой или точкой. накопление символов до точки, пробела или Таблица предложений связана по полю "код конца предложения и сохранение в таблицу раздела" отношением типа "многие к одному" лексем. Разбор производится до тех пор, пока с таблицей разделов.

не встретится конец предложения.

Конечный автомат разбора на предложения Для адекватной работы алгоритма необхо представлен на рис. 3.

димо анализировать текст технического зада Входной символ конечного автомата: c0 – c4 – ния, написанного в соответствии с гостом.

как в автомате разбора на разделы, c7 – буква или Данные, получаемые на выходе алгоритма цифра, c8 – прописная буква, c9 – ‘;

’, c10 – ‘.’.

в дальнейшем используются для проведения На вход автомата подается таблица разделов, синтаксического анализа.

полученная на предыдущем этапе. Создаем новое Д. Харелом была предложена унифициро предложение в таблице предложений и накаплива ванная система разработки программного ем символы до точки, точки с запятой или символа новой строки. При попадании в автомат точки обеспечения, главной целью которой было ос производится проверка на наличие сокращения. вободить программиста от необходимости Если сокращение, то продолжаем накапливать рассуждать на чрезмерно глубоком уровне де символы, если нет, то сохраняем накопленную по- тализации, предоставить возможность раз следовательность в таблицу и начинаем разбор но- мышлять над решением проблемы и представ вого предложения. Производим разюор до тех пор, лять свои идеи при помощи соответствующей пока не встретим конец текста. высокоуровневой нотации, а именно моделей.

"Использование подходящего графического Разбор предложений. Построение списка лексем формализма может оказать впечатляющий эф На основе таблицы предложений формиру фект на инженеров и программистов". Кроме ется таблица лексем, содержащей поля: код самих моделей для эффективной работы необ лексемы – уникальный числовой идентифика ходимы средства для их изучения и анализа, тор;

код предложения – число, равное коду среди которых одной из наиболее полезных, предложения, в котором находится лексема;

по мнению Д. Харела, является возможность номер лексемы – число, равное номеру лексемы исполнения модели.

в предложении;

текст – текст лексемы.

Рис. 4. Автомат разбора технического задания на лексемы 44 ИЗВЕСТИЯ ВолгГТУ Многие современные реализации испол- того, при рассмотрении программной системы няемых моделей базируются на синтезе автома- возможен разрыв, связанный с различиями в сте тов. Конечные автоматы можно интерпретиро- пени абстракции, используемой в автоматных вать непосредственно или использовать для и других спецификациях.

последующей генерации кода. Применение ав БИБЛИОГРАФИЧЕСКИЙ СПИСОК томатов в данном случае обусловлено следую щими их преимуществами: они представляются 1. Заболеева-Зотова, А. В. Естественный язык в ав в хорошо формализованном виде, имеется раз- томатизированных системах. Семантический анализ тек витый математический аппарат для работы с ко- стов [Текст] / А. В. Заболеева-Зотова – Волгоград: ВолгГТУ, 2002.

нечными автоматами, который позволяет про 2. Заболеева-Зотова А. В. Лингвистические системы:

водить над ними формальные исследования модели, методы, приложения [Текст] / А. В. Заболеева и преобразования, и, наконец, автоматные мо- Зотова. – Волгоград: ВолгГТУ, 2004. с. 220.

дели довольно хорошо отображаются в код на 3. Заболеева-Зотова А. В., Орлова Ю. А. Разработка целевых языках. Но важно подчеркнуть, что средств автоматизированного проектирования программ ного обеспечения на основе анализа текста технического хотя автоматные модели являются хорошо задания / А. В. Заболеева-Зотова, Ю. А. Орлова // "Интел формализованным и мощным средством спе- лектуальные системы"(AIS’05) и “Интеллектуальные цификации, они могут оказаться сложнее в ра- САПР”(CAD’2005): сб. трудов международных научных боте и менее наглядными для неподготовлен- конференций. Т.2 – М.: Физматлит, 2005. – С. 41–43.

ных пользователей, чем другие модели. Кроме УДК 004. П. П. Кудряшов, С. А. Фоменков ГИБРИДНЫЙ АЛГОРИТМ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ НА ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ Волгоградский государственный технический университет (pal_ok@mail.ru, saf@vstu.ru) В работе предложен ряд подходов, позволяющих усовершенствовать существующий алгоритм Viola-Jones по кри териям скорости и точности обнаружения. Предложен ряд новых алгоритмов: прогнозирования размеров и положения лица человека, подтверждения обнаружения с использованием механизма поворотов, гибридный алгоритм распознава ния человеческих лиц. На базе предложенных подходов и алгоритмов реализован модуль быстрого обнаружения чело веческих лиц, а также система полностью автоматической коррекции красных глаз.

Ключевые слова: Обнаружение лиц, анализ изображений, сегментация, нейронные сети, классификаторы, поиск лиц, ма шинное обучение.

P. P. Kudryashov, S. A. Fomenkov HYBRID ALGORITHM FOR RAPID FACE DETECTION ON DIGITAL IMAGES A number of new approaches that allow extremely rapid and precise face detection in comparison with the Viola-Jones algo rithm were suggested. Three new algorithms were designed: face size and position prediction, bounding ellipses and image rota tion scheme, hybrid algorithm of face detection. Based on the suggested approaches and algorithms a module of rapid face detec tion and fully automatic red eye correction system were developed.

Face detection, digital images analysis, segmentation, neural networks, classifiers, face search, machine learning.

В настоящее время в связи со стремитель- такие подходы, как метод главных компонент, ным развитием цифровой фотографии и цифро- методы с использованием гистограмм, нейросе вого видео очень перспективной является зада- ти, байесовские сети, алгоритм Haar, статисти ча распознавания объектов на цифровых изо- ческие методы и т. д.

бражениях. Анализ и выявление объектов на Часть этих алгоритмов распознавания инва цифровых изображениях может использоваться риантны по отношению к объекту, другие ис для решения широкого круга практических за- пользуют такие априорные знания об объекте, дач, начиная от автоматической коррекции эф- как: форма, цветовая гамма, взаимное располо фекта красных глаз на фотографиях миллионов жение частей и др.

людей и заканчивая сложнейшими системами Впервые представленный в 2001 году алго слежения и идентификации человека по его фо- ритм Haar [2] является инвариантным и облада тографии в государственных системах безопас- ет не только высокой скоростью работы, но ности и базах данных. и хорошей точностью распознавания. Однако Последние десять лет в этой области ведут- анализ работы этого алгоритма и использова ся активные разработки и предложены различ- ние априорных знаний о форме и цвете челове ные методы распознавания [1], использующие ческого лица позволило нам выявить возмож ИЗВЕСТИЯ ВолгГТУ На следующем этапе следует проверка на ные пути улучшения характеристик работы ал процент заполнения эллипса пикселами цвета горитма и создать гибридный алгоритм распо "кожи". В случае, если процент ниже некоторо знавания человеческих лиц.

го допустимого порога (такое происходит в слу Исследования проводились по двум на чае, если два и более лиц людей соединяются правлениям: повышение скорости и точности на изображении), производятся морфологиче распознавания. Гибридный алгоритм предлага ские операции, позволяющие уточнить истин ется формировать из трех частей. Первая часть ные контуры лиц. Так, на рис. 1 в центре три является грубой и позволяет быстро отсекать человеческих лица образуют контур, который области, не содержащие лиц, используя стати- отмечается алгоритмом обнаружения эллипсов.

стические характеристики изображения. Вторая Дальнейшее уточнение ввиду низкого процента часть улучшает изображение для повышения заполненности эллипса пикселами маски "ко качества работы следующей части. Третья жи" приводит к уточнению эллипсов, изобра женному на рис. 2.

часть использует непосредственно алгоритм Необходимо отметить, что для еще больше Haar, модифицированный для повышения ско го повышения скорости работы первой части рости и точности. При этом обрабатываются алгоритма на этапе обнаружения пикселов цве только "перспективные" области изображения, та "кожи" и обводящих их эллипсов возможно а также дополнительная информация, получен предварительное уменьшение разрешения кар ная первой частью алгоритма.

тинки в 2, 4 или 8 раз. При этом происходит В первой части гибридного алгоритма для повышения скорости работы предлагается пред- квадратичное снижение объема вычислений, варительная обработка изображения, направ- связанных с анализом цветовых характеристик ленная на исключение областей, в которых лицо пикселов. Также не требуется удаление слиш человека заведомо не может быть найдено. ком маленьких ограничивающих эллипсов, т. к.

На первом этапе производится поиск облас- подобные области цветового шума исчезают тей, непригодных для обработки алгоритмом в результате операции понижения разрешения.

Haar для любых типов объектов. При этом ис В дальнейшей обработке обнаруженные эллип ключаются монотонные области изображения, сы масштабируются для соответствия разреше которые не содержат достаточного количества нию исходного изображения.

контуров и, следовательно, непригодны для По результатам работы первой части алгорит дальнейшей обработки, а также области, содер ма формируется набор прямоугольных подобла жащие слишком большое количество контуров.

стей исходного изображения, которые содержат Второй этап использует ограничения (апри орные знания) задачи обнаружения человече- эллипсы, ограничивающие области маски "кожи".

ских лиц. Как известно, лица людей на цифро- Данные прямоугольники являются потенциаль вых изображениях имеют так называемый ными областями, содержащими лица людей.

"цвет кожи" [3], который достаточно компактно Во второй части работы алгоритма для по описывается в цветовых пространствах RGB, вышения точности распознавания алгоритма HSV и других. Сначала на изображении выде- Haar авторы предлагают использование пре ляются маски "кожи" – те пиксели изображе процессинга найденных прямоугольников изо ния, которые могут быть кожей. После этого бражений перед их обработкой. Под препро полученные пиксели обрабатываются алгорит цессингом понимается изменение изображения мом, обнаруживающим контуры эллипсов во с целью повышения качества распознавания.

круг границ компактного расположения таких Предлагается два основных направления пре пикселей. На этой стадии алгоритм выдает зна процессинга: снижение шума изображения и цве чительное количество эллипсов, большинство из которых не являются контурами человече- токоррекция. С математической точки зрения ских лиц. Далее отсекаются слишком малень- цветокоррекция обуславливает улучшение рас кие эллипсы, которые соответствуют цветово- познавания за счет создания более естественно му шуму. Также удаляются эллипсы со слиш- го, "гладкого" цвета объекта, что позволяет по ком большим отношением большого и малого лучить значительно более плавные градиенты радиусов. Такие вытянутые эллипсы часто со- переходов интенсивности цвета. Такой прием ответствуют конечностям человека, различным дает возможность корректно обрабатывать уча деревянным панелям мебели и др. По итогам стки изображения небольшого размера для ко получается маска "кожи", обведенная эллипса торых очень велико влияние даже единичных ми, каждый из которых обводит предполагае шумных пикселов.

мое лицо человека (см. рис. 1).

46 ИЗВЕСТИЯ ВолгГТУ Рис. 1. Области цвета "кожи", обведенные эллипсами Рис. 2. Уточненные регионы "кожи" после работы алго- Рис. 3. Приоритетные направления обнаружения лица ал ритма обнаружения эллипсов горитмом Haar ИЗВЕСТИЯ ВолгГТУ В третьей части работы найденные прямо- тельную фазу перебора всех его возможных угольные подобласти исходного изображения положений и размеров.

проверяются алгоритмом Haar. Необходимо Также авторами предлагается два способа отметить, что алгоритм обнаружения эллипсов, улучшения качества работы алгоритма Haar.

выполненный на первом этапе, позволяет не Первый основан на том факте, что распознава только значительно сократить площадь изо- ние объектов, на которые настроен алгоритм, бражения для последующей обработки алго- достаточно устойчиво (около 20 градусов) к по ритмом Haar, выделив потенциальные подобла- воротам изображения. Случайные, ложные сра сти. Он дает возможность использовать допол- батывания, в отличие от истинных, не облада нительную информцию, а именно расположе- ют такой устойчивостью. Следовательно, для ние больших осей найденных эллипсов. Это обнаруженных предполагаемых объектов пред объясняется тем, что алгоритм Haar чувствите- лагается произвести повторную проверку обна лен к ориентации объекта на изображении и об ружения в соответствующих областях на изо ладает определенной (около 20 градусов) ус бражении, повернутом на 10 градусов по и про тойчивостью к его поворотам. Следовательно, тив часовой стрелки. В случае если срабатыва чтобы обнаружить лицо в произвольном поло ние ложное, с высокой степенью вероятности жении требуется 360 / 20 = 18 поворотов изо ни на одном из повернутых изображений оно бражения. Такого количества поворотов можно не будет повторным.

избежать, проанализировав направление боль Второй способ модифицирует процесс из шей оси эллипса. Проверка данного предполо менения размера поискового окна алгоритма.

жения на наборе из более чем 500 фотографий Так, базовый алгоритм использует постоянный говорит о том, что в 90 % случаев данная ось шаг изменения размера и движения окна поис совпадает с осью головы человека.

ка вдоль изображения. Для сокращения числа Таким образом, для значительного (на по ложных обнаружений предлагается значитель рядок) повышения работы алгоритма Haar, сна но уменьшать шаг увеличения окна в окрест чала проверяются два приоритетных направле ностях однократно найденного объекта и тре ния, соосных большей оси эллипса и располо бовать, чтобы в большинстве полученных та женных под углом в 180 градусов друг к другу, ким образом окон алгоритм также обнаружи а потом все остальные (см. рис. 3). Кроме того, вал объект. При ложных срабатываниях в линейные размеры эллипса оказываются близ большинстве случаев анализируемые окна в кими к размерам лица человека, что позволяет окрестностях не дадут положительного ре запускать алгоритм Haar с наиболее вероятным зультата.

размером поискового окна, исключая дополни Рис. 4. Устойчивость алгоритма к небольшим поворотам изображения 48 ИЗВЕСТИЯ ВолгГТУ Описанный алгоритм позволяет значитель- щади областей изображения, поступающих на но сокращать количество расчетов, требуемых обработку алгоритмом Haar, и проверки наи для обнаружения человеческих лиц на цифро- более вероятных направлений расположения вых изображениях. При этом высвободившиеся лица. Отметим также, что использование по вычислительные ресурсы можно направить на воротов изображения и гибкого масштабиро повышение качества работы алгоритма за счет вания размера окна в целях повышения точ гибкого изменения шага масштабирования по- ности, позволяет отсечь до 50 % ложных сра искового окна и механизма поворотов. батываний.

Данный алгоритм реализован на языке C++ с использованием библиотеки компьютерного БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Вежневец В. Оценка качества работы классифика зрения OpenCV [4]. Экспериментальные ре торов. [Электронный ресурс]. – [2006]. – Режим доступа:



Pages:     | 1 || 3 | 4 |   ...   | 6 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.