Таким образом, мы получили модель нечеткого логического вывода Мамдани, которая позволяет провести моделирование угроз с использованием нечеткой логики.
Рисунок 4 - Модель нечеткого логического вывода
Анализ работы разработанной модели проводился с использованием различных входных данных значений. Выходное значение показывает возможность причинения вреда системе. Таким образом, данная система может быть эффективно использована для качественной оценки рисков.
Список использованной литературы:
1. В.А.Седов, Н.А.Седова, Программные системы и вычислительные методы, 4, 456-463 (2014)
2. Л.А.Амаева, Вестник Казанского технологического университета, 18, 1, 320-322 (2015)
© Амаева Л.А., 2018
УДК 004.056
Л.А. Амаева
ст.преподаватель, НХТИ (филиал) ФГБОУ ВО «КНИТУ»,
г. Нижнекамск, Респ. Татарстан E-mail: achaevala@yandex.ru А.И.Закиров
магистрант 2 курса НХТИ (филиал) ФГБОУ ВО «КНИТУ»,
г. Нижнекамск, Респ. Татарстан E-mail: arturzakirov0@gmail.com
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ АВТОМОБИЛЬНЫХ НОМЕРОВ
Аннотация
В данной работе рассмотрен подход к распознаванию автомобильных номеров с использованием нейронной сети. Реализация системы выполняется с использованием инструментов программного продукта MATLAB.
Ключевые слова:
Нейронная сеть, обучающая выборка, Matlab Neural Network, распознавание, классификация, алгоритм Харриса.
Распознавание номерных знаков автотранспорта представляет собой не сложную задачу, если автомобильный номер расположен строго горизонтально, имеет равномерное освещение, различимые
~ 21 ~
границы либо чистую поверхность. Но на практике такие условия встречаются редко: чаще всего освещение неравномерно, на изображении с камеры имеются различные шумы, а сам номер может быть расположен под углом к горизонту, либо покрыт грязью, что затрудняет не только распознавание символов номерного знака, но и определение его местонахождения на изображении.
Для реализации будем использовать возможности математического пакета MATLAB. Пусть в систему распознавания поступает скорректированное с помощью алгоритма Харриса изображение автомобильного номера, которое преобразуем к бинарному виду.
Одной из важных задач при проведении нейросетевого моделирования является формирование обучающей выборки для нейронной сети [1, с.278]. Для этого подготовим шаблоны букв и цифр вида (рис 1.), преобразуем их в бинарный вид и подготовим матрицу шаблонов.
:]
Рисунок 1 - Шаблон буквы «В» и цифры «2»
Реализуем функцию сегментации буквы на изображении. На этом этапе происходит разделения найденного номерного знака на отдельные символы с помощью построения разделителей.
Для классификации и распознавания будем использовать нейронную сеть. На вход нейронной сети поступает сегмент изображения полученный этапе извлечения объектов.
Основной этап работы с нейросетью это ее обучение. При обучении происходит прогон множества примеров через сеть с коррекцией весов нейронов и с указанием значений, которые подаются на вход, и значений, которые должны быть получены на выходе нейросети [2, с.321]
Для обучения нейронной сети используем Matlab Neural Network, где входными данными будет набор шаблонов, таргет дата - сегмент изображения. Выходными данными будет символ.
Crane ftewotcUaa - ~ DI
ЕХ
pz ry:
V«. !>n« Освя
Рисунок 2 - Matlab Neural Network Произведем процесс обучения сети (рис.3.).
Рисунок 3- Обучение нейронной сети
В результате получим обученную нейронную сеть. Проверим работу сети.
Подавая на вход изображение автомобильного номера, получим распознанное изображение символов (рис.4).
5] Figure 4 - п
File Edit View Insert Tools Desktop Window Help
J13di И ч \ о ® « s. ■1 a □ в do
ИЯагЛгйВ
text.txt — Блокнот _ П j , 5?
Файл Правка Формат В д Справка
|ЕК947АВ178
Рисунок 4 - Работа нейронной сети
Завершающим этапом предлагаемой системы распознавания является стадия постобработки. Она печатает соответствующие распознанные символы в структурированной текстовой форме.
Список использованной литературы:
1. Н.А. Седова, В.А.Седов. Нейросетевое решение задачи расхождения двух судов в зоне чрезмерного сближения//Перспективы развития информационных технологий: Тр. всеросс. молод. научно-практич. конф. -Кемерово, 2014. -С.278-279
2. Амаева Л.А. Использование методов интеллектуального анализа данных для моделирования пользователя// Вестник Казанского технологического университета. 2015. Т. 18. № 1. 320-322
© Амаева Л.А., Закиров А.И., 2018
УДК 621.314.2
А.И. Жданов
Академия ФСО России, сотрудник, г. Орёл, РФ E-mail: egpet.petrov2010@yandex.ru Е. В. Петров
Академия ФСО России, сотрудник, г. Орёл, РФ
А.Н. Головачев Академия ФСО России, сотрудник, г. Орёл, РФ
А. Н. Симаков
Академия ФСО России, сотрудник, г. Орёл, РФ E-mail: egpet.petrov2010@yandex.ru
ВЛИЯНИЕ СОВРЕМЕННЫХ ТЕХНОЛОГИЙ И СУЩЕСТВУЮЩИХ СТАНДАРТОВ НА МОДЕРНИЗАЦИЮ ДЕЙСТВУЮЩИХ СИСТЕМ ЭЛЕКТРОСНАБЖЕНИЯ ОБЪЕКТОВ ТЕЛЕКОММУНИКАЦИЙ С УЧЕТОМ ИМПОРТОЗАМЕЩЕНИЯ
Аннотация
Рассмотрено влияние современных технологий и существующих стандартов на модернизацию действующих систем электроснабжения объектов телекоммуникаций с учетом импортозамещения.
Ключевые слова
Иимпортозамещение, системы электроснабжение объектов телекоммуникаций,
источники электроэнергии.