Метод идентификации на основе многомерной функции плотности распределения

Тип работы:
Реферат
Предмет:
Физико-математические науки


Узнать стоимость

Детальная информация о работе

Выдержка из работы

32. Shejchenko M.S., Alfimova N.I., Popov M.A., Kalatozi V.V. Melkoshtuchnye izdelija na osnove kompozicionnyh vjazhushhih s ispol'-zovaniem othodov kovdorskogo mestorozhdenija // V sbomike: Innovacionnye materialy i tehnologii (HH nauchnye chtenija) Materialy Mezhdunarodnoj nauchno-prakticheskoj konferencii. — 2013. — S. 302 — 305.
Кудаев Н. Ю. 1, Елизаров А. И. 2, Калайда В. Т. 3
'-Аспирант- 2кандидат технический наук, доцент- 3 доктор технических наук, профессор, Национальный исследовательский
Томский Государственный Университет
МЕТОД ИДЕНТИФИКАЦИИ НА ОСНОВЕ МНОГОМЕРНОЙ ФУНКЦИИ ПЛОТНОСТИ РАСПРЕДЕЛЕНИЯ
Аннотация
В статье предлагается метод идентификации, базирующийся на построении классов объектов, как многомерной функции плотности распределения векторов параметров.
Ключевые слова: идентификация, многомерная функция плотности распределения.
Kudayev N. Y. 1, Elizarov A.I. 2, Kalayda V.T. 3
'-Postgraduate student- 2 Candidate of Technical Sciences, associate professor- 3Doctor of Technical Sciences, professor, National
Research Tomsk State University
IDENTIFICATION TECHNIQUE BASED ON THE MULTIDIMENSIONAL PROBABILITY DENSITY FUNCTION
Abstract
In this paper we propose a method of identification based on the construction of classes of objects as multidimensional density function parameter vectors.
Keywords: Identification, multidimensional density function.
Идентификация является актуальной проблемой в различных сферах современного общества. Например, идентификация объектов в системах безопасности, в системах мониторинга. На практике, большое количество задач идентификации, решается применительно к изображениям. Предлагаемый метод идентификации на основе многомерной функции плотности распределения подходит для решения задачи идентификации независимо от типа исходных данных.
Для описания классов можно использовать многомерную функцию плотности распределения. В свою очередь каждый объект характеризуется своим вектором параметров (характеристик). Набор таких векторов описывает класс. Дальнейшая задача будет сводиться к отнесению идентифицируемого объекта к одному из известных классов по его набору параметров.
Примем во внимание гипотезу о том, что априори условия получения векторов параметров, описывающих объекты, неизвестны. Следовательно, имеется множество различных векторов, полученных при множестве условий. Группы векторов, полученных при схожих параметрах, образуют множество незивестных распределений. В соотвествии с предельной теоремой можно предположить, что множество векторов параметров является нормальным (то есть описывается многомерной Гауссовской функцией плотности распределения). Это частично подтверждается в работе [1], когда гиперповерхность аппроксимируется полиномом второго порядка. В таблице 1 для одной из выборок векторов параметров изображений, из работ [1] и [2], представлены экспериментальные частоты по равным интервалам.
Таблица 1 — Экспериментальные частоты характеристик Hu-моментов набора изображений одного класса.
№ п-ра Распределение частот по равным интервалам значений Hu-моментов
1 0 0 5 5 8 1 18 18 16 3 5 3 3 1 3 5
2 0 0 4 9 5 0 17 15 21 10 3 3 0 0 0 1
3 0 0 0 11 16 10 5 6 11 8 7 11 4 1 1 3
4 0 0 4 7 6 12 16 7 7 14 5 4 4 4 1 2
5 0 1 1 4 3 17 9 22 9 7 8 2 3 0 1 5
6 1 2 1 1 6 5 24 19 7 7 5 1 4 3 5 3
7 1 1 1 2 7 11 10 15 16 9 6 1 3 6 2 0
Предположим, что по множеству векторов (наборов параметров) можно построить многомерную нормальную функцию распределения. Числовые характеристики такой функции описываются ковариационной матрицей, которую для упрощения, можно повернуть и сделать диагональной. Полученная диагональная матрица будет содержать на главной диагонали собственные числа исходной матрицы. Для получения собственных чисел используется метод Данилевского. В результате чего матрица приводится к виду Фробениуса. Собственные числа матрицы Фробениуса равны собственным числам исходной ковариационной матрицы [3]. Таким образом, класс изображений описывается значениями средних (мат. ожиданий) и стандартных отклонений для каждой из характеристик. В дальнейшем планируется для получения собственных чисел ковариационной матрицы использовать готовые алгоритмы, входящие в математические пакеты. Это позволит повысить точность и быстродействие вычислений, а также уменьшит затраты на сопровождение этой части алгоритма.
Алгоритм идентификации заключается в принятии решения голосованием о принадлежности изображения к классу. Каждая характеристика вектора параметров идентифицируемого объекта проверяется на вхождение в соответствующий ей интервал
[m -1,92а- m +1,92а]. В такой интервал входят 95% всех значений для нормального распределения. При решении реальной задачи, могут возникнуть ситуации, когда несколько характеристик удовлетворяют интервалу, а несколько — нет. Решение принимается голосованием: если больше половины характеристик одного вектора удовлетворяют своим интервалам, то считается, что изображение принадлежит к классу. В противном случае — не принадлежит.
К преимуществам данного метода можно отнести следующее:
• независимость от типа входных данных-
• устойчивость к условиям получения входных данных (слабая зависимость от условий съёмки изображений) —
• устойчивость к изменению ориентации и положения идентифицируемого объекта-
• высокая точность метода при достаточном наборе параметров.
Недостатки предлагаемого метода:
• при увеличении количества классов метод чувствителен к информационности выбранных параметров-
• как и для большинства методов идентификации, для более точного описания класса требуется большее количество векторов параметров.
В дальнейших исследованиях предложенный метод будет использоваться для решения задач идентификации личности человека и классификации типов облачности.
44
Литература
1. Калайда, В. Т. Метод опорной гиперповерхности для идентификации изображения лица человека / В. Т. Калайда, А. И. Елизаров // Вычисл. технологии. — 2012. — Том 17, № 5. — С. 65−70.
2. Калайда, В. Т. Идентификация лица человека методом опорной гиперплоскости / В. Т. Калайда, Н. Ю. Губанов // Вычисл. технологии. — 2007. — Том 12, Специальный выпуск № 1: Труды отдела проблем информатизации ТНЦ СО РАН. — С. 96−101.
3. Мицель, А. А. Вычислительная математика: учебное пособие /А.А. Мицель// Томск: Томский межвузовский центр дистанционного образования. — 2001. — 228с.
References
1. Kalajda, V.T. Metod opomoj giperpoverhnosti dlja identifikacii izobrazhenija lica cheloveka / V.T. Kalajda, A.I. Elizarov // Vychisl. tehnologii. — 2012. — Tom 17, № 5. — S. 65−70.
2. Kalajda, V.T. Identifikacija lica cheloveka metodom opornoj giperploskosti / V.T. Kalajda, N. Ju. Gubanov // Vychisl. tehnologii. -2007. — Tom 12, Special'-nyj vypusk № 1: Trudy otdela problem informatizacii TNC SO RAN. — S. 96−101.
3. Micel'-, A.A. Vychislitel'-naja matematika: uchebnoe posobie /A.A. Micel'-// Tomsk: Tomskij mezhvuzovskij centr distancionnogo obrazovanija. — 2001. — 228s.
Минько Н. И. 1, Лавров Р. В. 2
Доктор технических наук1, профессор- аспирант2, Белгородский государственный технологический университет (БГТУ) им.
В.Г Шухова
НОВОЕ В ТЕХНОЛОГИИ СИЛИКАТНОГО СТЕКЛА
Аннотация
Предложен способ получения силикатного стекла с улучшенным осветлением и одновременным снижением температуры варки стекла по сравнению с традиционным способом. Рассматриваемый способ позволяет исключить или уменьшить традиционные осветлители из состава стекольной шихты, провести предварительную обработку традиционных материалов для получения стекла с целью повышения интенсификации стекловарения, полностью заменить кальцинированную соду на каустик или щелочесодержащий отход.
Ключевые слова: интенсификация процессов стекловарения, щелочной концентрат, гидроксиды щелочных и
щелочеземельных металлов, декрепитация, осветление, газовые включения,"мошка".
Minjko N. L1, Lavrov R.V. 2,
doctor of engineering1, professor — graduate student2, Belgorod State Technological University named after V. G. Shoukhov LOW SEEDS AND BUBBLES SILICATE GLASS WITH LOW MELT TEMPERATURE
Abstract
A manner producing low seeds and bubbles glass was obtained. It allows to reduce glass melt temperature, eliminate or use less amount fining agents, to intensify silicate process batch materials before melting, to replace soda on the caustic or waste liquor.
Keywords: pre-processing of raw materials, alkali concentrate, hydroxides alkali and earth-alkali metals, decrepitation, seeds, gas bulbs.
Получение стекла представляет собой сложный физико-химический процесс, основными стадиями которого являются силикатообразование, стеклообразование, осветление, гомогенизация и охлаждение стекломассы. Если процессы силикато- и стеклообразования для натрий-кальций-силикатных стекол могут заканчиваться при 1150 — 1250 °C, то для освобождения
стекломассы от газовых включений (осветления) — необходима температура 1450 — 1550 °C [1]. Протекающие процессы осветления и гомогенизации занимают при указанной температуре длительное время, для ускорения процесса осветления необходимо использовать различные «грязные» с точки зрения экологии осветляющие добавки, например, сульфат. Выбросы выделяющегося SO3, например в Европе, ограничены согласно директиве ЕС № 2008/50/EC от 21 мая 2008 года, превышение которых ведет к остановке деятельности предприятия.
Качество подготовки традиционных сырьевых материалов и стекольной шихты напрямую влияет на процессы осветления и гомогенизации. Например, сегрегация компонентов стекольной шихты отрицательно сказывается на протекании всех стадий получения стекла.
Традиционные сырьевые материалы, такие как карбонаты щелочных и щелочноземельных металлов, при нагревании выделяют большое количество углекислого газа, который с одной стороны, положительно влияет на процессы осветления и гомогенизации, с другой стороны, уносит пылевидные составляющие шихты, служит источником загрязнения окружающей среды.
На процессы осветления и гомогенизации отрицательно влияет декрепитация карбонатов щелочноземельных металлов при нагревании. Процесс термического разложения известняка, магнезита, доломита, содержащие карбонаты Mg и Ca, сопровождается растрескиванием, образованием пылевидных частиц, часть которых уносится печными газами и откладывается на огнеупорах и в регенеративной системе стекольной печи, а другая часть, оставшаяся в расплаве, является источником «мошки» в стекломассе.
Целью исследования являлось получение силикатного стекла с пониженной температурой варки, гомогенизации и осветления без использования или с уменьшением количества осветляющих добавок по сравнению со стеклом, сваренным по традиционному способу.
Снижение температуры варки стекла возможно при проведении предварительной обработки основного сырьевого компонента стекольной шихты, содержащего SiO2 [2]. Наиболее эффективным является взаимодействие источника кристаллического
кремнезема с каустиком, заменяющим кальцинированную соду в стекольной шихте, с получением промежуточного продукта -щелочного концентрата (ЩК), состоящего из основных кристаллических фаз в виде кварца и метасиликата натрия со следами дисиликата [3−5].
Несмотря на многочисленные плюсы использования щелочного концентрата: (интенсификация процессов
силикатообразования на стадии подготовки стекольной шихты, повышение однородности состава стекольной шихты, уменьшение уноса твердых составляющих шихты, снижение выбросов СО2, снижение температуры варки) получение и применение ЩК имело ряд недостатков.
В связи с отсутствием в шихте на основе ЩК карбоната натрия и одновременным присутствием карбонатов щелочноземельных металлов сваренное стекло содержало большое количество мошки [6]. Содержание Na2O в стекле не соответствовало расчетному, ЩК содержал остаточный NaOH в количестве более 5%.
Проведенные исследования с целью устранения недостатков ЩК показали, что введение в состав ЩК карбонатов щелочноземельных металлов позволило уменьшить значение остаточного каустика в ЩК до значения, не обнаруживающимся методом РФА — получить промежуточный продукт -ЩК с основными кристаллическими фазами в виде Р-кварца, метасиликата натрия со следами дисиликата и силикатами щелочноземельных металлов.
Уменьшение остаточного NaOH в составе ЩК стало возможным:
за счет протекания дополнительных реакций силикатообразования между каустиком, кварцевым песком и сырьевым источником карбонатов щелочноземельных металлов — за счет высвобождающегося CO2 при разложении карбоната магния (450−550 °С), который связывает остаточный каустик до Na2CO3.
45

ПоказатьСвернуть
Заполнить форму текущей работой