ЭФФЕКТИВНОСТЬ МЕТОДА КОМПЕНСАЦИИ ИНФОРМАЦИОННЫХ ПОТОКОВ СИСТЕМЫ ГЕНЕРАЦИИ ЭТАЛОННОГО ИЗОБРАЖЕНИЯ 

Александр Александрович Железняк, кандидат технических наук, доцент, доцент кафедры электрооборудования судов и автоматизации производства, Керченский государственный морской технологический университет (Россия, г. Керчь, ул. Орджоникидзе, 82), E-mail: zheleznyak13@mail.ru 

681.5 

DOI

10.21685/2307-5538-2021-3-2

Актуальность и цели. Одним из основных путей повышения эффективности компенсации информационных потоков является построение системы распознавания метода компенсации информационных потоков генерации эталонных изображений. Материалы и методы. В случае если класс систем характеризуется перечнем входящих в него членов, то он может быть основан на принципе принадлежности к этому перечню – этот метод называется методом сравнения с эталоном. Согласно этому методу множество образов, принадлежащих одному классу, запоминается системой идентификации. При предъявлении системе новых образов она последовательно сравнивает их с эталонными образами, хранящимися в памяти. Система относит новый образ к тому классу, к которому принадлежал эталонный образ, совпавший с предъявленным. Результаты и выводы. Этот метод работает хорошо, только когда выборка близка к идеальной или идеальны условия предъявления изображений. В том случае, когда для членов одного класса характерны некие общие признаки, система распознавания строится на принципе общности свойств. Эти общие свойства хранятся в памяти системы. В процессе обработки изображений система должна быть способна выделять признаки из предъявленного изображения и работать с ними. Система зачисляет вновь предъявленное изображение в класс, признаки которого подобны признакам, выделенным у нового изображения. 

Ключевые слова

оптимизация, алгоритм, образ, информационный поток, эффективность 

 Скачать статью в формате PDF

1. Кульба В. В. Теоретические основы проектирования информационно-управляющих систем космических аппаратов // Институт проблем управления имени В. А. Трапезникова РАН. М. : Наука, 2006. 579 с.
2. Муравьев Е. А. Один подход к управлению информативностью признаков в распознавании образов // Искусственный интеллект. 2002. № 4. С. 493–498.
3. Жиленков А. А., Титов И. Л., Черный С. Г. Моделирование процесса повышения надежности автоматических систем управления в автономных системах объектов морского транспорта // Вестник государственного университета морского и речного флота имени адмирала С. О. Макарова. 2015. № 4. С. 198–207.
4. Зайченко Ю. П. Нечеткие модели и методы в интеллектуальных системах. Киев : Слово, 2008. 344 с.
5. Роженцов А. А. Предельно достижимые возможности при распознавании многомерных сигналов // Математические методы распознавания образов ММРО-11 : тр. Всерос. конф. Пущино, 2003. С. 169–171.
6. Розенфельд А., Дейвис Л. С. Сегментация и модели изображений // Труды Института инженеров по электронике и радиоэлектронике. 1979. Т. 67, № 5. С. 71–82.
7. Zhilenkov A., Chernyi S. Investigation performance of marine equipment with specialized information technology // Procedia Engineering. 2015. Vol. 100. P. 1247–1252.
8. Горева Т. И. Нейросетевые модели диагностики технических систем // Вестник КРАУНЦ. Физико-математические науки. 2012. № 1. С. 31–43.