CC BY
50
♦ сложность структурно-адгоритмической реализации трех контурной обратной
связи АСППР в виде знаний об объекте управления, обобщенного опыта ЛПР, информационного пространства ЛПР для поиска творческих решений. Предложены оптимальные алгоритмы интеллектуальной поддержки функций управления на основе АСППР с их реализацией числами Фибоначчи по критериям быстродействия и точности вырабатываемых управляющих воздействий.
Обеспечение первого критерия связано с классификацией, распознаванием и оценкой ситуаций и способов их устранения. При этом целесообразен переход от рассмотрения траекторий или возможных вариантов решений, ведущих к различ-, . управляющих воздействий х, у, выбранных соответственно с использованием имеющихся или дополнительных ресурсов, типовые ситуации образуются сочетаниями из (х-1) элементов по nxy=(x+y)/2, где nxy - линии наименьшего роста чисел траекторий, ведущих к различным ситуациям, или диагональные линии. Типовые ситуации представляются в виде линейных комбинаций, которые адекватно отображаются алгоритмами и создают единую информационную базу для выработки управляющих воздействий в ситуационном пространстве, в котором суммарное число возможных траекторий может превышать 30 тысяч, а число самих ситуаций при этом едва достигает 60. Таким образом, устраняются неопределенность и неоднозначность в процессе формирования управляющих воздействий и повышается точность вырабатываемых решений [1].
Второй подход создания интеллектуальных информационно-управляющих систем на основе АСППР основывается на применении дискретно-непрерывных ,
распределение вероятностей Пойа, умноженное на весовую функцию.
ЛИТЕРАТУРА
1. Парфенов И.И., Парфенова М.Я., Глинкин В.И. Интеллектуальные системы управления на числах Фибоначчи. Уфа: Гилем, 1977. 293 с.
УДК 681.2
F. Бгьшшег, A.G. Buimov, V.E. Laevski
МЕТОДОЛОГИЯ АДАПТАЦИИ И ТЕСТИРОВАНИЯ АЛГОРИТМОВ ОКОНТУРИВАНИЯ НА ОСНОВЕ СИНТЕЗИРОВАННЫХ ИЗОБРАЖЕНИЙ
В ЗАДАЧАХ ПРИВЯЗКИ , -
ляционно-экстремальных навигационных, либо картографических систем, являются статистические характеристики используемых изображений [1, 12]. Они, в свою , ,
. -плексов, формировании эталонных изображений и т. д., необходимо учитывать ряд , , алгоритмы обработки сигнала, которые в данной ситуации дают наилучшие ре.
Одним из способов подготовки изображений к сравнению, является их специальная предобработка : фильтрация, контрастирование, выделение контуров, обра-
Известия ТРТУ
Тематический выпуск
ботка контурного рисунка (устранение разрывов, утоньшение линий), сегментация. Известны различные методы реализации подобной обработки, как во временной, так и в частотной областях. Однако, при их практическом применении возникают вопросы:
♦ какую предобработку изображения, какие детекторы перепада яркости, какие методы фильтрации и с какой полосой пропускания следует применять для данного класса изображений [1, 3, 4];
♦ как выглядит оптимальная структурная реализация алгоритмов и их возможные направления расширения и обучения;
♦
обработки поля яркостей в условиях геометрических и радиационных иска,
[1, 2];
♦ как влияет на выбор алгоритма природа и характер искажений поля яркостей. Сложность этих процессов такова, что их исследования аналитическими ме-, , лишь специалистам высокой квалификации, очень трудоёмки и не всегда могут быть доведены до конца, а эксперементальные исследования слишком дороги. Третий путь - путь имитационного моделирования. Он позволит теоретикам проводить быструю проверку гипотез, упрощающих выкладки, а экспериментаторам при проектировании макетов и планировании эксперементов.
В докладе обсуждаются результаты экспериментов по использованию ряда различных детекторов перепадов, таких как Nalwa, Iverson, Bergholm, алгоритм Rothwella и других [5 - 11], в совокупности с рядом методов pre & post - processinga применение которых позволяет получить лучшие результаты привязки в экстре, -фигурации (настройки, а более детально - адаптации) алгоритмов к типу обраба-.
шумовых составляющих в изображениях и при различных отношениях сигнал/шу м. Обсуждается технология и структура системы моделирования, вопросы сравнения контурных рисунков [13 - 17], рекомендации по выбору того или иного оператора выделения границ, его структурной реализации, выбора комбинации . -
.
ЛИТЕРАТУРА
1. Буймов АТ. , Корреляционно - экстремальная обработка изображений. Томск: Издательство томского университета, 1987. 134 с.
2. Ярославский Л.П. , Цифровая обработка сигналов в оптике и голографии. М.: Радио и связь, 1987. 296 с.
3. . . , . . , :
областей. - Зарубежная радиоэлектроника, 1987. № 10. С.25-46.
4. Ден исов ДА., Низовкин В.А., Сегментация изображений на ЭВМ. - Зарубежная радиоэлектроника, 1995, № 10.С.5-29.
5. Bergholm F., ”Edge Focusing,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 9, no. 6, pp. 726 - 741, Nov. 1987.
6. Rothwell C.A., Mundy J.L., W. Hoffman, and V. D. Nguyen, ’’Driving Vision by Topology,” Int’l Symp. Computer Vision, pp. 395 - 400, Coral Gables, Fla., Nov. 1995.
7. Canny J., ”A Computational Approach to Edge Detection,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 8, no. 6, pp. 679 - 698, Nov. 1986.
8. Nalwa V.S. and Binford T.O. , ”On Detecting Edges,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 8, no. 6, pp. 699 - 714, Nov. 1986.
9. Iverson L.A. and Zucker S.W., ”Logical/Linear Operators for Image Curves,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 17, no. 10, pp. 982 - 996, Oct. 1995.
10. Stewart C. V., ”A new robust operator for computer vision: Application to range images”, Proc. IEEE Conf. Computer Vision and Pattern Recognition pp. 167 - 173, 1994.
11. Jiang X.Y, A. Hoover, G. Jean-Baptiste, D. Goldgof K. Bowyer, and H. Bunke, ”A methodology for Evaluating Edge Detection Techniques for Range Images,” Proc. Asian Conf. Computer Vision, pp. 415 - 419, 1995.
12. J.L. Solka, D. J. Marchette, B. C. Wallet, V. L. Irwin, and G. W. Rogers, ” Identification of Man-Made Regions in Unmanned Aerial Vehicle Imagery and Videos”, IEEE Trans. Signal Processing, vol. 20, no. 8, pp. 852 - 857, 1998.
13. V. Ramesh andR. M. Haralick, ’’Performance Characterization of Edge Detectors,” SPIE, vol. 1,708, Applications of Artificial Intelligence X: Machine Vision and Robotics, pp. 252 - 266, 1992.
14. R.N. Strickland and D. K. Cheng, ’’Adaptable Edge Quality Metric,” Optical Eng., vol. 32, no. 5, pp. 944 - 951, May 1993.
15. T. Kanungo, M.Y. Jaisimha, J. Palmer, and R.M. Haralick, ”A Methodology for Quantitative Performance Evaluation of Detection Algorithms,” IEEE Trans.Image Processing, vol. 4, no. 12, pp. 1,667 - 1,674, Dec. 1995.
16. P.L. Palmer, H. Dabis, and J. Kittler, ”A Performance Measure for Boundary Detection Algo-rithms,”Computer Vision and Image Understanding, vol. 63, no. 3, pp. 476 - 494, May 1996.
17. K. Cho, P. Meer, and J. Cabrera, ’’Quantitative Evaluation of Performance Through Bootstrapping: Edge Detection,” IEEE Int’l Symp. Computer Vision, pp. 491 - 496, Coral Gables, Fla., Nov. 1996.
UDK 681.3.06
Alexander Marchenko and Mikhail Udovikhin
A TOPOLOGICAL ALGORITHM OF MULTIWAY HYPERGRAPH
PARTITIONING
A chip may contain tens of millions of transistors. Layout of the entire circuit cannot be handled in a flat mode due to the limitation of memory space as well as a computation power available. This problem can be solved by using partitioning as a first step in physical design phase.
Partitioning is a complex problem which is NP-complete. There are several well known heuristics such as Kernigan-Lin [1] and Fiduccia-Mattheyes [2] which produce good results as well as the best known approach hMetis [3] - a multilevel partitioning algorithm. All these algorithms need to know the number of parts on which graph to be partitioned. Usually this problem is solved manually.
In this paper we propose an algorithm of multiway hypergraph partitioning that does not need predefined number of subgraphs. The approach comprises the following steps which can be repeated recursively:
♦ mapping hypergraph to metric space by introducing special distance between its nodes;
♦ building a set of subgraphs having {2, 3,..., n-1} nodes where each subgraph has minimum average distance between its nodes;
♦ computation of Maximum of the Average Distance Increment (MADI);
♦ introducing a separability criterion based on MADI;
♦ separation an appropriate subgraph in accordance with separability criterion.
