CC BY
183. Smeraldi O. Carmona, Big J. Saccadic search with Gabor features applied to eye detection and real-time head tracking // Image Vision Comput. 2000. Vol. 18. P. 323-329.
4. Burl C., Perona P. Recognition of planar object classes // IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition. 1996. № 6.
5. Метод главных компонент // Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ. URL: http ://library.graphicon.ru/catalog/19.
6. Moghaddam, Pentland A. Probabilistic visual learning for object representation // IEEE Trans. Pattern Anal. Mach. Intell. 1997. Vol. 19(1). P. 696-710.
7. Линейный дискриминантный анализ // Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ. URL: http://library.graphicon.ru/catalog/184.
References
1. Yang M. H., Kriegman D. J., Ahuja N. Detecting faces in images: A survey // IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1, pp. 34-58, Jan. 2002.Hjelmas and B. K. Low Face detection: A survey //
Journal of Computer Vision and Image Understanding, 2001, vol. 83, p. 236-274.
2. Smeraldi, O. Carmona, and J. Big.un, Saccadic search with Gabor features applied to eye detection and real-time head tracking // Image Vision Comput. 2000, 18, p. 323-329.
3. Burl C., Perona P. Recognition of planar object classes // in IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition, 6, 1996.
4. Method main a component. Digital library of laboratory of computer graphics and multimedia at VMIK Moscow State University faculty. URL: http ://library.graphicon.ru/catalog/19.
5. Moghaddam and A. Pentland Probabilistic visual learning for object representation // IEEE Trans. Pattern Anal. Mach. Intell. 1997. 19(1), p. 696-710.
6. The linear discriminant analysis, Digital library of laboratory of computer graphics and multimedia at faculty of VMIK MSU. URL: http ://library.graphicon.ru/catalog/184.
© Савельев А. С., Томилина А. И., 2014
УДК 004.051
ИНТЕЛЛЕКТУАЛЬНЫЕ АЛГОРИТМЫ, ПРИМЕНЯЕМЫЕ В ПРОЦЕССЕ МЕХАНИЧЕСКОЙ ОБРАБОТКИ ДЕТАЛЕЙ
А. С. Свиридова, О. А. Эмилова, А. С. Галаев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: mayckova@mail.ru
Рассматриваются возможности применения интеллектуальных алгоритмов и базовых подходов в процессе механической обработки деталей. Формулируются основные понятия интеллектуальных систем. Особое внимание уделяется ассоциативному способу доступа к информации, строятся модели. Описываются этапы их функционирования и взаимодействия.
Ключевые слова: интеллектуальная система, искусственный интеллект, ассоциативный способ доступа, нейронная сеть, информация, обратная связь.
INTELLEKTUAL ALGORITHMS USED IN THE PROCESS OF PART MACHINING
A. S. Sviridova, O. A. Emilova, A. S. Galaev
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: aaa@sibsau.ru
The possibility of using intellectual algorithms and the basic approaches in the process of machining parts are considered. The basic concept of intellectual systems is developed. The associative method of access to information is focused, the models are constructed. The stages of their operation and interaction are described.
Keywords: intellectual systems, artificial intelligence, associative access method, neural network, information systems, feedback.
Создание искусственного интеллекта - раздел науки, связанный с разработкой и изучением компьютерных систем, работающих по моделям процессов, аналогичным тем, что происходят в мозге человека.
В биологических системах, обладающих памятью, изменение нервной активности системы под влиянием внешних раздражителей зависит от воздействия предшествующих событий и от информации, храня-
Информационно-управляющие системы
щейся в памяти. Процесс запоминания связан с образованием следа (узора, энграммы) в мозговых структурах. Поток нервных импульсов, несущих информацию о запоминаемом объекте, проходит через нейронные сети, возбуждая на своем пути нервные клетки, из которых формируется нейронный след.
Проторенный нервный путь обладает меньшим сопротивлением по отношению к другим возможным путям. Повышение производительности возникшего нейронного следа возможно вследствие свойства нейронов достаточно быстро адаптироваться к повторно проходящим нервным импульсам. Механизмы памяти обеспечивают длительное сохранение увеличенной проводимости нейронов, вовлеченных в образованный узор.
Следы памяти, хранящие образы объектов, отражены в сложных параллельно-последовательных нейронных сетях, обладающих большой избыточностью. В организованных случайным образом нейронных сетях следы памятираспределяются по пространству мозга также случайно.
Ситуация еще больше усложняется тем, что одни и те же нейроны участвуют в хранении образов различных запоминаемых объектов. Это значит, что след, возникающий при запоминании одного объекта информации, может иметь общие звенья нейронной сети со следами от других объектов. Поэтому нельзя определенно указать, в каком участке мозга будет находиться след конкретного объекта информации - образа.
В этом случае механизм доступа к информации базируется не на указании места хранения информации в логико-запоминающей среде, а на анализе свойств самой искомой информации.
В биологических системах обработки данных таким механизмом является механизм ассоциации. Впервые термин «ассоциация» был введен Дж. Лок-ком в 1698 г. и определен как «связь, возникающая при определенных условиях между двумя или более психическими образованиями - ощущениями, актами, восприятиями, идеями» [1].
Применительно к системам обработки данных, в том числе к искусственным нейронным сетям, ассоциация трактуется как взаимосвязь между информацией (образом) на входе логико-запоминающей среды. Способ доступа к информации в запоминающей среде, базирующийся на механизме ассоциации, получил название ассоциативного способа доступа.
Ассоциативный способ доступа к информации обеспечивает: практически одновременный доступ ко всей хранящейся в памяти информации; относительную независимость времени поиска информации от емкости памяти; внесение элементов обработки информации непосредственно в среде её хранения. Ассоциативная память может быть определена как система для записи, хранения, поиска, обработки и считывания информации, в которой данные (знания) об объекте могут быть инициализированы по заданному фрагменту этих данных (знаний), используемому в качестве поискового. Исходя из этого определения, можно сформулировать решаемые ассоциативной памятью задачи [2]:
- соотнесение поисковой информации с хранимой и дополнение её (инициализация) до точного описания объекта, т. е. всей информации, которая доступна ассоциативной памяти;
- фильтрация (коррекция) поисковой информации относительно всего объема хранимой в ассоциативной памяти информации, выделение недостоверной и на основании оставшейся решение первой задачи.
Модель состоит из ассоциативной логико-запоминающей среды (нейронной сети), связанной с двумя каналами ввода и одним каналом вывода информации (рис. 1, 2).
Рис. 1. Модель ассоциативной памяти
Рис. 2. Модель ассоциативной памяти с обратной связью
На этапе записи (обучения) из первого канала ввода на вход К подается входная информация, а по второму каналу - признаковая информация С, представляющая контекст, в котором входная информация записывается в память. На этапе функционирования (считывания) при появлении ключа К (или его фрагмента) на входе памяти формируется ответная реакция Я, связанная с ключом К. Таким образом, записанная в память информация может быть получена с использованием любых её фрагментов, используемых в качестве поисковых. Задавая различный контекст С, можно точнее конкретизировать информацию, которую необходимо получить [3].
Рассмотренная системная модель реализует ассоциативную память, пригодную для записи и выборки структурированных знаний. Модели ассоциативной памяти, реализуемые нейронными сетями, могут гораздо сложнее. Кроме того, память может иметь несколько входов и выходов, состоять из нескольких подсистем. Данные в одном канале могут порождать контекстную информацию для другого канала. Этап записи может выполняться отдельно от выборки или быть совмещенным.
Библиографические ссылки
1. Логинов В. Н. Информационные технологии управления. М. : КноРус, 2013. 240 с.
2. Амириди Ю. В. Информационные аналитические системы. М. : Синергия, 2013. 38 с.
3. Станкевич В. С. Интеллектуальные системы для производства. М. : Юрайт, 2014. 178 с.
References
1. Loginov V. N. Informacionnie upravlenia. Moscow, KnoRus, 2013, 240 p.
tehnologii
2. Amiridi U. V. Informacionnie analiticheskie sistemi. Moscow, Sinirgia, 2013, 384 p.
3. Stankevich V. S. Intetellectualnie sistemi dly proizvodstva. Moscow, Urait, 2014, 178 p.
© Свиридова А. С., Эмилова О. А., Галаев А. С., 2014
УДК 004.418
СИСТЕМА ИНФОРМИРОВАНИЯ ПАССАЖИРОВ ГОРОДСКОГО ТРАНСПОРТА
С. В. Тананыкин, С. И. Рыбаков, В. С. Тынченко
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: sergei66666@yandex.ru
Рассмотрена и решена проблема достоверного определения положения транспортного средства на маршруте по его координатам. Реализован алгоритм и разработана система информирования пользователей.
Ключевые слова: общественный транспорт, система информирования, положение на маршруте.
PASSENGER INFORMATION SYSTEM OF CITY TRANSPORT
S. V. Tananykin, S. I. Rybakov, V. S. Tynchenko
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: sergei66666@yandex.ru
The problem of authentic determination to provide the vehicle on a route with its coordinates is considered and solved. The algorithm is realized and the system of informing users is developed.
Keywords: public transport, informing system, position on the route.
В настоящее время в Красноярске практически все транспортные средства общественного транспорта оснащены оборудованием, которое позволяет отслеживать их текущее местоположение. Это позволяет пассажирам планировать свои поездки. Оборудование, которое установлено в общественном транспорте, отправляет только свои координаты. В связи с этим появляется необходимость создания системы, которая сможет преобразовать координаты в положение транспортного средства на маршруте, т. е. указать, к какой остановке оно движется.
Для того чтобы пользователю было удобно отслеживать местоположение транспорта, необходимо показывать транспорт как на карте, так и в виде списка остановок.
На сегодняшний день в Красноярске существует 2 подобных системы, предназначенных для информирования пассажиров городского транспорта.
К недостаткам данных систем относятся:
1. Наличие в списке остановок транспортного средства, которое съехало с маршрута. Этот недостаток приводит к тому, что пользователь ожидает транспорт, который не приедет на остановку.
2. Часто на карте неверно отображается направление движение транспорта в случае низкой скорости движения.
3. Отсутствие системы оповещения о прибытии транспорта.
Перечисленные недостатки побудили к разработке и введению в эксплуатацию системы, в которой были устранены перечисленные недостатки. Система была реализована в виде веб-приложения, которое позволяет отследить общественный транспорт, а также сможет оповестить пользователя о прибытии транспорта [1].
Сервис позволяет просматривать текущее положение городского транспорта как в виде списка, так и на карте. Внешний вид клиентской части приведен на рис. 1, 2. Обновление местоположения происходит автоматически с заданным промежутком на стороне клиента.
Рис. 1. Просмотр остановок и транспорта в виде списка
