CC BY
0
СИСТЕМИ IПРОЦЕСИ УПРАВЛ1ННЯ
УДК 681.326:519.613
МОДЕЛ1 ПРОЦЕСИНГУ
ДЛЯ РОЗР1ЗНЕННЯ К1БЕР-СОЦ1АЛЬНИХ
ЯВИЩ
ХАХАНОВА Г.В._
Пропонуються моделi i методи po3pi3HeHHH сощальних явищ, що використовують матричш структури даних для завдання еталонних патершв. Описуеться модель social-процесу, яка мютить компоненти: потiк, функцiонaльнiсть, фрагмент, фрейм, параметр, значения, лопка, графша, що знаходяться в логiчних ввдносинах один з одним. Пропонуеться Pattern Recognition Social-Processor, який використовуе xor-оперaцii для розпiзнaвaння соцiaльно-знaчущих фреймiв шформацп.
Описуеться матрична автоматна модель мониторингу процесiв i явищ для подальшо! aктюaцii соцiaльних дiй в рамках створення компонента соцiaльного комп'ютингу. Видаеться iерaрхiчнa модель структур-них компонента соцiaльного комп'ютингу, якi оформ-ленi в вiдносини включення кожного елемента нижнь-ого рiвня в компонент, що покривае його. Описуеться архитектура процесингу для визначення подiбностi фреймiв на основi унiтaрного кодування даних i xor-порiвняння для обчислення подiбностi-вiдмiнностi. Описуеться метрика для вимiрювaння подiбностi геометричних ф^р в кiберпросторi, яка оперуе нормованими параметрами: координата, орiентaцiя, суперпозицiя, масштабування. Пропонуеться перетворення скалярною матриц подiбностi в бiнaрну шляхом примусового введення threshold або порогового значення пaрaметрiв, що дае можливiсть ютотно спростити синтез автоматних моделей сощаль-ного процесингу.
Ключовi слова - сощальний процес, розпiзнaвaння пaтернiв, фрагмент i фрейм процесу, унiтaрнa кодування, схожють-вщмшшсть, aвтомaтнi моделi сощаль-ного комп'ютингу. 1. Вступ
Великi данi (десятки джеттабайпв), яю знаходяться в юберпростор^ на 96 вiдсоткiв е незатре-буваними, завдяки нестачi ефективних моделей i методiв 1х класифшаци, кластеризацii, розтзна-вання i структуризаци. Затребуванiсть таких тех-нологiй визначаеться запобiганням кримiнальних актiв, тероризму та антисощальних дiй, якi все бшьш мають вiдображення в кiберпросторi. По-ява продуктивних моделей i методiв дозволить в режимi онлайн розтзнавати в iнтернетi за клю-човими словами намiри до деструктивних дш i за-побiгати 1м. Цьому присвячено значну кiлькiсть
публiкацiй (13 644 - Springer, 95 052 - IEEE Xplore), серед яких е технологii на як слщ звер-нути увагу [1-12]. Тут основш iдеi пов'язанi i3 за-стосуванням техшк Machine Learning, глибоких нейронних мереж, а також з автоматним дискрет-ним розпiзнаванням патершв на основi хог-опе-раци i синтезу еталонних соцiальниx таблиць ютинносп [13-18].
Мета - iдeнтифiкацiя вхщного потоку Х social- даних шляхом ix хог-моделювання на основi зада-них патeрн-зразкiв social-функцiональностeй Q, що дае можливють визначити час виконання закiнчeноi соцiальноi функцп, час вщволшання на нeсуттевi операци, а також показати шляхи полшшення якост сeрвiсного обслуговування. Завдання: 1) Парсeрiзацiя або конвeртацiя виxiдниx даних в куб^но-матричну модель social-процесу. 2) Виконання хог-моделювання вхщного потоку Х матричних даних щодо еталонних па-тeрнiв Q. 3) Формування Y-матрицi, як результату хог-взаемоди компонeнтiв Y=Q©X, а також якюних i кiлькiсниx оцiнок ix вiдносин. 4) Створення software-модуля для формування таблицi iнтeгрального часу виконання social-функцю-нальностi, а також порцшного часу виконання кожного фрагмента social-патерну по заданому параметру у виглядi ID патерн-зразка. 5) Визначення оптимального i eргономiчного формату вихщних даних для вiзуалiзацii часу i крокiв виконання реального social-патерну. 6) Тестування модуля на прeдставницькоi вибiрцi патeрнiв i вхщних потокiв даних. 7) Дослiдна експлуатащя програмного додатка.
Аргументом для розробки ново' програми е на-явнють нeнульовоi поxiдною мiж базовим i новим варiантом. Базовий варiант визначаеться ручним проектуванням фактичних моделей social-про-цeсiв iз застосуванням допомiжниx сервюв, що дае можливiсть отримувати статистику ефектив-ностi роботи спiвробiтникiв для подальшого управлiння персоналом. Новий варiант вiдрiзняеться вiд базового напiвавтоматичним синтезом патершв, як двшкових еталонних моделей social-функцюнальностей, а також автоматич-ним аналiзом-модeлюванням вxiдниx даних, що дае можливють розтзнавати в ньому social-па-терни Q, формувати функщю приналежносп, статистику eфeктивностi процешв i online управляти кадрами Инфраструктурой компанii або державно' оргашзаци для отримання бiльшого прибутку. 2. Визначення моделi соцiального процесу 1) Характеристичне рiвняння моделювання social-процесу W для розтзнавання Q-функщонально-стей у вх1дних даних R, з метою отримання social-рeалiзацii Y з функщею приналeжностi, мае ви-гляд: Y=R©Q. Метрика для вимiрювання фраг-мeнтiв вxiдниx даних R, функщональностей Q i
вихщних даних Y мае параметри: Image=(Parameter, Value, Logic, Graphics). 2) Image - модель компонента, що мютить зобра-ження, параметри, значення i правила: Si={G,P,V,R}, Si е {F,Q,I} для освiти шформащй-них структур. З примiтивiв складаються бiльш складш структури, якi присутнi в трiадi: R, Q, Y. Xor-взаемодiя двох компонент R©Q=Y формуе патерн Y, як похщну вiд вхiдних даних R i зразко-вою функщональносп Q. 3) Social-process(or) -сукупнють social-функцiональностей, представ-лених у виглядi послiдовностей, якi формують сервiси, з метою отримання прибутку: Q={Q1, Q2,..., Qi,..., Qn}. 4) Фрейм - послщовнють фраг-ментiв, що задае виконання social-функцюналь-ностi (патерну), об'еднана лопкою T=(S1, S2,..., Si,., Sn), П#=1 S; = Rj заповнення полiв форми на картиш, яка мiстить imaGe, Parameters and Logic (зображення, параметри i правила): F=(S1, S2,..., Si,., Sm), Si={G,P,R}. 5) Потiк даних -послщовнють або безлiч фреймiв, якi формують фрагмент алгоритму social-функцiональностi. 6) Алгоритм - послщовно-паралельна комбiнацiя по-тоюв, що використовуе логiчнi умови для виконання альтернативних гшок social-функцюналь-ностi. 7) Патерн Y - практична реалiзацiя social-функцiональностi у виглядi послiдовностi фраг-ментiв, отриманих в результатi взаемодп потоку даних з фреймами R©Q=Y=(Y1, Y2,..., Yi,..., Yk), П&$1 Yj = Dj, створюють потiк. 8) Process -структурована запис R вхщний послщовност фреймiв в формi файлу, призначена для розтзна-вання в ньому social-функщональностей i шфор-мацiйного шуму. 9) Графша - зображення фрейму, щентифшоване моментом часу: G=g(t). 10) Parameters - сукупнють атрибутiв або змшних, ха-рактерiзуючих всi компоненти фрейму вер-бально-чисельними значеннями: P=(P1, P2,..., Pi,., Pn). 11) Logic - суперпозищя значень пара-метрiв за допомогою логiчних операцiй and (or, not, xor) для об'еднання послщовност фреймiв в алгоритм: R=(R1aR2a... л Шл... л Rk). 12) Pattern (Q) - структура фреймiв T для еталонно! реалiзацil social-функцiональностi, об'еднана одним D: Q=(T1, T2,..., Ti,., Tm), П™% T; = Dj. 13) Модель social-процесу мiстить наступнi компоненти: W = <R,Q,Y,E,S,F,M,P,V,L,G>, що вiдповiдно означае: Process, Pattern, Функщональ-нiсть, Фрагмент, Фрейм, Flow, Parameter, Value, Logic, Graphics. Компоненти моделi знаходяться в наступних (xor- and contain-) вщносинах один з одним: Y=R©Q, {R,Q,Y} = {E,S,F,M,P,V,L,G}. Реалiзацiя двох видiв вiдносин представлена на рис. 1.
Рис. 1. Архитектура вiдносин в social-процесi компанп
Структури i вiзуалiзацiя вихiдних даних форму-ються шляхом моделювання вхщного потоку даних, залежного вщ часу, на лопчно! матрично1 структурi патернiв, iнварiантних до часу: 1) Функщя якостi, характеризуюча всi види теоретико множиннi вiдносини мiж (Insnance, Sequence, Frame) i Pattern Y(I,Q), Y(T,Q), Y(S,Q): (Y1,Y2,Y3,Y4,Y5). 2) Кшькюна, приведена до ш-тервалу (0,1), оцiнка вiдносини як функщя або стутнь вiдмiнностi мiж вхщними даними i Pattern M(I,Q), m(T,Q), M(S,Q). 3) Час (t1, t2, t) початку i кiнця виконання функщонального фрагмента, а також його тривалють. 4) Параметри i значення матрищ Y, якi вiдрiзняються вщ патерну, максимально близького до функщонального фрагменту вхщного потоку. 5) Формат згаданих вихiдних даних зводиться до таблищ, яка мае наступну структуру колонок: <ID, Yi, ц, t1, t2, t, Y >.
No Q-ID Yi ц t1 t2 t Y
1 loan 3 0,15 11.15 11.20 5 0100
3. Матричний social-процесор
Вiзуалiзацiя вихiдних даних - результат моделювання в процесi розтзнавання вхiдного потоку даних flow (рис. 2) мае на мет створити ерго-номiчне прочитання експертом або керiвником макро-рисунка social-процесу, його деталiзацiю. при необхiдностi, а також вироблення коригу-вальних актюаторних впливiв, при ютотних вiдхиленнях вiд social-функцiональностi, вико-нуваних спiвробiтником компани.
Рис. 2. Pattern Recognition Social-Processor
Архтектура social-процесора (Pattern Recognition Matrix-Social-Processor) мютить наступш компо-ненти: Flow - це потш вхiдних даних, що мiстить символьно-графiчну iнформацiю, яка подаеться на Parser-модуль, що конвертуе дат в матричну форму, де рядки представлеш значеннями змiнних, якi структуровано i метрично описують вхiднi даш про фрейм, якi далi здшснюють пара-лельне xor-взаемодiя з ушма патерн-матрицями логiчного процесора (Matrix processor), результатом якого е формування функцш приналежносп вхiдного фрейму до кожного патерни, що створюе двовимiрну двiйкову (багатозначну) просторово-часову таблицю значень функцiй приладдя (Y-waveforms), з яких формуються вiдповiднi вейвформи, що шюструють збiг вхiдних потоюв фреймiв з social-патернами, що далi використо-вуеться для синтезу матрищ Instances, яка пред-ставляе собою компактну запис кожно! вейвформи, з яко! виключенi активностi, що не мають вiдношення до виконання конкретно! social-функцiональностi, що мiститься в матрищ Instances, яка дат обробляеться в модулi оп-тимiзацii з метою отримання мшмально! матрищ крокiв виконання social-патерну шляхом групування фреймiв за правилом наявност еквiвалентних значень змшних в скрiншотах, що дае можливють зменшити таблицю вихiдних даних Y, а також використовувати ii для корекци матриць патернiв Q i вхiдних даних X вщповщно до рiвнянням social-комп'ютингу Q©X©Y = 0, в разi фiксацii помилкових дш операторiв.
Найбiльш оптимальною в просторово-часово! метрики е тимчасова дiаграма social-процесу по вихiдним змiнним, число яких вщповщае кшь-костi social-патершв (виявлених) у вхiдному потоцi. Кожна змiнна приймае значення {0,1}, яю iнтерпретуються низьким або високим потен-цiалом тимчасово! дiаграми. Як правило, social-процес, знятий з одного каналу даних, е послщов-ним. Це означае, що в кожен момент часу активною е лише одна вихщна змшна, вщповщна паттерну. Однак, при впровадженш робота в social-процес тдприемства активними можуть бути вс social-патерни (вихiднi змiннi). Можна передба-чити i третiй стан вихiдноi змшно!, що буде вiдповiдати пасивного значенням social-патерну в режимi очiкування.
Детатзащя вихiдних даних дае можливiсть пока-зувати стану всiх атрибутiв social-процесу: змшш. правила, фрейми в табличному виглядi при вказiвцi мишкою на точку (А) дiаграми конкретно! вихщно! змiнноi. Можна зробити зрiз даних (Cross section) по вам змшним social-процесу в заданий момент часу.
Процесор online-вiзуалiзацii призначений для ро-зумiння структури social-процесiв експертом i керiвником, з метою вироблення коригувальних актюаторних впливiв по оптимiзацii роботи персоналу. Структурш компоненти процесора: 1) Вхщний потiк даних flow, який тдлягае моделю-ванню з метою визначення приналежносп фреймiв в заданих social-паттернам. 2) Матрищ патершв складають зразки функщональностей social-процесу, щодо яких здшснюеться порiвняння фрагментiв вхiдного потоку даних. 3) Вихщш змiннi, вiдповiднi social-патернам, фор-мують тимчасовi дiаграми, яю в режимi online iдентифiкують сво!ми одиничними значеннями стану функцiй приладдя вхщних впливiв до па-тершв. 1деальне рiшення пов'язане з такою тимчасово! дiаграмою, яка показуе штервальну оцiнку приналежностi вхiдного впливу до кожного па-терну. При цьому рiвень дискретност тимчасово! дiаграми вже визначаеться значнiстю з бшьш двох варiантiв, що iстотно шдвищуе адекватнiсть мо-делi реальним social-процесам. Сукупнiсть тимча-сових дiаграм на фреймi комп'ютера е iдеальною i найбiльш ергономiчною моделлю вiзуалiзацi! процесу розтзнавання патернiв, переваги яко! да-ють можливiсть: 1) Спостерiгати на часовому зрiзi функцii приналежностi кадру з вхщного потоку даних flow до кожного social-патерну. 2) Ба-чити на кожнш патерновой Yi-вейвформе кшь-костi поруч розташованих фреймiв з одиничним значенням, що тдлягають гуртування в фрагмент. 3) Спостериати в режимi online актившсть
виконання сшвробггниками кожно! social-функцiональностi в масштабi робочого мiсця i / або компанп. 4) Перевiряти валiднiсть моделей social-патернiв шляхом перетинання одиничних значень на вейвформах для !х подальшого корек-тування. 5) Управляти по зворотньому зв'язку дiями сшвроб^ниюв компанп i спостерiгати якiснi змши на вейвформi з затримкою на реакщю оператора. 6) Здiйснювати ручне групування фреймiв шляхом вказiвки зони об'еднання на вейвформi змшно!. 7) Визначати ефектившсть виконання сшвроб^ником social-функцiональностi шляхом пiдрахунку кiлькостi перемикань на вейвформi змшно! social-патерну. 8) Пщрахо-вувати iнтегральний час роботи сшвроб^ника за робочий день шляхом шдсумовування активностей по вшх вейвформам змiнних. 9) Пщрахо-вувати час виконання social-функцiональностi шляхом шдсумовування активностей на вейвформi змшно!. 10) Визначати ефектившсть роботи сшвроб^ника^в) на просторово-часовому форматi social-процесу шляхом тдрахунку вщно-шення площi, зайнято1 одиничними значеннями, до загально1 площi вейвформ: E = z&==i;kmwti
кхт
Вхвдний потш даних flow в результатi його фшь-трування (просторового розподiлу) на патерн-процесорi диференцiюються в реалiзацil social-функцiональностей, якiсть яких необхщно оцiнювати за часом !х виконання i кiлькостi поми-лкових дш, неявно задаються функцiями при-ладдя. Валiднiсть вейвформ пов'язана з юнуван-ням лише однiе! одиницi на вертикальному зрiзi, що означае приналежшсть фрейма тiльки одному патерну.
Природньо, що замють тимчасових дiаграм мож-ливо виводити послщовнють чисельних значень функцш приладдя вхiдних даних до social-па-тернiв, що е менш читабельною формою шфор-маци для експерта або керiвника. Чисельнi значення функцш приналежносп е ак-тюаторнимi сигналами для формування instance-сегментiв, як пiдлягають гуртуванню за правилами е^валентност значень iстотних змiнних. Послщовнють одиничних значень на тимчасовiй дiаграмi по однiй змiннiй Yi вiзуалiзуе мож-ливiсть групування фреймiв в один фрагмент. Таким чином, в процес проектування online social-аналiтики створюються структури даних, як диференцiюються на три типи: 1) Вербальш вхщш послiдовнi данi- social-потоку. 2) Матричш паралельнi моделi патернiв, що формують лопчний social-процесор. 3) Послiдовнi вихщш данi, вiдповiднi кадрам, якi отримаш в результатi
групування за правилами екв1валентност1 значень ютотних змшних.
Актюащя або управлшня social-процесом е голов-ним мехашзмом комп'ютингу. Комп'ютер ство-рюеться для виконання певних дш при наявносп апрюрно заданих умов. Це означае, що таблиця ютинност формуе вхщш умови для функци ви-ход1в, яка може дор1внювати нулю або одинищ. 1накше, одиничний сигнал виходу лопчного еле-мента включае лампочку, запускае двигун, звшь-няе пращвника, присуджуе премда. Тому ство-рення сощального комп'ютингу пов'язано з ана-лопчним детермшзмом закшченого циклу пе-рев1рки (мошторингу) умов i вироблення керую-чого впливу при !х виконанш. При використанш апарату матриць значень змшних, як екв1ва-лентш деяким умовам, необхщно !х доповнювати актюаторним1 сигналами функци виход1в для управлшня мехашзмами сощально! шфраструк-тури з метою отримання яюсних, матер1альних, тимчасових або моральних бонушв. Для м1н1м1зацИ таблищ ютинносп можна формувати умови, як визначають одиничш значення функци виход1в, що вщповщае диз'юнктивнш нормальнш формь Такий шдхщ е бшьш конструктивним при створенш матрищ позитивних умов, яю формують 1-значення вихщний актюаторной функци. Звщси випливае простий висновок - кожен па-терн, як зразок social-функцiональностi, повинен мати актюаторний сигнал, спрямований на виконання конкретно! ди роботом, людиною, керiвни-ком, соцiальною групою, яке слщ явно вказувати в патерн-матрицi. 1нше рiшення пов'язане з фор-муванням матрищ актюаторних впливiв, в якш перелiченi всi управлiнськi сигнали, вщповщш впорядкованiй послiдовностi патернiв, що мають мюце бути в компани. Конкретний сигнал вико-нуеться i активуе компонент шфраструктури, якщо сукупнiсть вхщних впливiв покривае вiдповiдний патерн. Також можливим е варiант формування матрищ актюаторних впливiв, де показан сигнали управлiння iнфраструктурою компани, вiдповiднi виконанню певних умов розгля-нутого патерну. В даному випадку мова йде о двох матрицях, де кожному вектор-рядку Q-мат-рищ умов (патерну) ставиться у вщповщшсть ря-
M Q D(Q) - A D(A)
1 Q1 D(Q1) - A1 D(A1
2 Q2 D(Q2) - A2 D(A2
3 Q2 D(Q3) - A3 D(A3
Дана структура нагадуе матрицю переходiв-ви-ходiв алгоритму для синтезу цифрового пристрою управлшня обчислювальним процесом, яка вiдрiзняеться вiд двшково! по виходах таблищ
ютинносп багатозначнютю завдання функцiй ви-ходiв.
4. IepapxÏ4Ha модель social-процесiв
Для створення social-комп'ютингу необхiдно ро-зум^и ieрархiчну модель структурних компо-ненпв, якi можуть бути оформленi в наступш вщносини включення:
1) Компашя - social-процеси. Як правило, ком-панiя мае кiлька складових, а також шдпорядко-ваних social-процесiв, яю призначенi для створення продукцп та сервiсiв з метою отримання прибутку. З позицн цифрового мошторингу керiв-нику (менеджеру) необидно бачити online картину активносп social-процесiв на фреймi (рис. 3) з метою оперативного прийняття актюаторних впливiв, спрямованих на мiнiмiзацiю простшв.
Institution - Social Processes
1
2
i
n
Рис. 3. Вщношення «оргашзащя - процеси»
2) Social-процес - виконавцi. Кожен social-процес забезпечуеться i виконуеться сшвроб^никами. активнiсть яких може бути асоцшована з даними, знятими з шформацшного каналу (рис. 4). Це дае можливють штегрально визначити активнiсть кожного сшвробггника з метою оперативного прийняття актюаторних впливiв, спрямованих на мiнiмiзацiю простшв.
Social Process - Employees
1
2
i
n
Рис. 4. Ставлення «процес - виконавцi»
3) Виконавець - social-патерни. Кожен виконавець забезпечуе i реатзуе кiлька social-функщонально-стей або патершв, активнiсть i стадп виконання яких можна виводити на моштор (рис. 5). Це дае можливють штегрально визначити активнють i спроможнють сшвроб^ника для виконання
social-функцiональностi з метою оперативного прийняття актюаторних впливiв, направлених на пiдвищення продуктивностi.
Employee - Social Functions
1
2
i
n
Рис. 5. Ставлення «виконавець - патерни»
4) Social-патерн - параметри (змшш). Кожен параметр сво!ми багатозначними значеннями формуе social-функщональнють або патерн, активнють якого виводиться на моштор (рис. 6). Це дае можливють штегрально визначити активнють кожно! змшно! в чаш для виконання social-функцюналь-ност з метою оперативного прийняття актюаторних впливiв, направлених на шдвищення продук-тивност виконавця при реатзацп патерна (рис. 7,8,9). Крiм того, vaweforms social-патерну дають можливють ютотного зменшення iнформацiï шляхом групування фреймiв на основi фiксацiï одна-кових значень змшних.
Social Function - Variables (Values)
1
2
i
n
Рис. 6. Вiдношення «фрейм - уштарна кодування па-раметрiв»
Social Function - Variables (Frame)
1 5 3 5 9
2 3 7 6
i 8 2 1 3
n 2 4 5 7
Рис. 7. Вщношення «патерн - чисельш коди значень параметрiв в фреймах»
Social Function - Variables (Frame)
1 3 3 3 3 2 2
2 7 7 7 7 4 4
i 1 1
n 5 5
Рис. 8. Вщношення «патерн - однаковi параметри фреймiв»
Social Function - Frames (Grouped)
1 3 2
2 7 4
i 1
n 5
flow pattern
No UUID AT Name GUID
1 abc 5 Excel a12 0
2 ert 7 Application D34 0
Друга таблиця е додатковою i формуе Bei шш1 вiдношеннядля потоку, включаючи нефункщо-нальний «смотя» i iншi патерни:
flow pattern
N UUID AT Name GUID
3 fgh 2 Error A56 0,75
4 hjt 6 User Name g386 0,25
Об'еднання двох таблиць формуе повну картину розшзнавання фреймiв потоку. При цьому функщя вiдмiнностi ^(R,P) = 0, якщо фрейм нале-жить патерну. В шшому випадку, коли ^(R,P) = 0, робиться висновок про неналежшсть аналiзова-ного фрейма заданому патерну. Параметр AT -позначае час виконання поточного фрейма потоку.
Ефектившсть алгоритму розшзнавання патершв в потощ. Для пiдрахунку продуктивностi вводяться
наступш позначення, що мають вщображення в структурах даних, представлених на рис. 10. Параметри матрищ патерну: n - число змшних, m - кшьюсть значень в кожнш змшнш, що формуе n * m стовпщв матрицi, якi е шаблоном для запису n рядюв або кроюв патерну, що формують закш-чену функцiональнiсть.
String Array [n.rri /
string process [n т /]
Sequence 1 Sequence 1 —i Y(R.Q) Frame 1
Sequence 2 .2 Sequence 2 Frame 2
Sequence i Sequencei t
Sequence n Sequence n
.2
£
£ ©
—> <- <—
—
о
«
£
1
о
g
£ —' Frame p
Frame 1
Frame 2
_Ешще1_
Frame p
Рис. 9. Вщношення «патерн - 3rpynoBaHi фрейми»
Програмний модуль PATT розпiзнавання патерну у вхщному потоцi, довжиною p фреймiв, формуе на виходi двi таблицi. Перша з них е результативною для вщношення «патерн - потш»:
Рис. 10. Структури даних PATT-додатки
Обчислювальна складнiсть розшзнавання патерну в базовому варiантi визначаеться наступ-ною формулою:
Q (basic)= (n*m*k*q) x (n*m*p), яка використовуе символьш структури даних i мультиплшативний алгоритм порiвняння патерн-матриць i потоку, багаторазово повторюваний для фшсацп збiгу або вiдношення включення. Обчислювальна складнють нового алгоритму розпiзнавання патершв в потощ включае надмiрнiсть, пов'язану з адитивними оцiнками конвертацiï (n * m * k * q + n * m * p) символьних значень змшних патершв i потоку в двшков1 уштарш бiтовi коди, а також паралельне виконання xor-процедури над рядками матриць для фшсацп п'яти варiантiв вщносин мiж черговим фреймом i патерном k*q*p. Таким чином, за-гальна оцiнка обчислювальноï складност мае ви-гляд:
Q(new)= (n*m*k*q + n*m*p) + (k*q*p), Виграш у швидкодiï нового алгоритму виходить за рахунок разового перетворення даних iз сим-волiв в бгги, що дае можливiсть iстотно зменшити обчислювальну складнiсть процедури xor-вщно-син в б^овому форматi даних:
Q (basic)/ Q(new)=[(nmkq) x (nmp)]/ (kqp)= nm*nm = (nm)**2. Якщо не враховувати разовi тимчасовi витрати на уштарне кодування патернiв i потоку, то продук-тивнiсть нового алгоритму розшзнавання патершв в потощ, в порiвняннi з базовим зростае квадратично вщ розмiрностi сукупних значень да-них одного фрейма.
KpiM того, якщо число двiйково-кодованих патершв бiльше одиницi, q> 1, тодi за рахунок ïx ба-гаторазового використання продуктивнiсть xor-розшзнавання фреймiв потоку збiльшуeться в q-1 раз в порiвняннi з базовим алгоритмом, де Bci па-терни схильш до аналiзу в повному формат сим-вольних даних на кожному фреймi потоку. Таким чином, штегрально, продуктивнiсть про-грамного продукту PATT для розшзнавання патершв в потоцi в порiвняннi з базовим варiантом. збiльшуeться в
Q (basic)/ Q(new) = (q-1) x (nm)**2 раз, де q - число актуальних патернiв, n - загальна кшь-кiсть змiнниx для щентифшаци фрейма, m - ште-гральне число значень всix змшних. У сукупносп добутку m * n являе собою сукупний обсяг даних, представлених в фреймi потоку або патерну. В аб-солютних оцiнкаx швидкодiю унiтарного матричного процесора розшзнавання патершв в потощ на 2-4 порядки вище, шж в базовому алгоршм символьного аналiзу. Отриманi оцiнки продук-тивностi необхщш для доказу можливостi онлайн реалiзацiï систем монiторингу та управлiння social-процесами.
Щоб пiти вiд тривимiрниx масивiв при аналiзi взаемодiï патернiв з потоком, матриця значень па-раметрiв скрiншота або кроку розпускаеться в один двшковий вектор унiтарниx кодiв, роз-мiрнiстю (n * m). Це дае можливють сформувати матрицю бiльш високого рiвня, де сукупнють крокiв патерна формуе повну функщональнють, а кожен крок, який мае свш початок, мае формат рядка, над якою паралельно виконуються лопчш операцiï.
Два вчених з Princeton University, David Wentzlaff и Adi Fuchs, провели дослiдження щодо продуктивносн програмних i апаратних продукта. Висновки, якi вони доповiли на представ-ницькому форумi IEEE International Symposium on High-Performance Computer Architecture наступш: 1) розробка спецiалiзованоï апаратури ASIC не виршуе проблем ютотного пiдвищення швид-кодiï в порiвняннi з програмними алгоритмами; 2) Найбшьш iстотними е арxiтектури, орiентованi на мшмальне число логiчниx операцiй, що застосо-вуються до пам'ятi, де розмщуються великi данi; 3) Наступна ефективна за значимютю теxнологiя грунтуеться на використаннi вже ранiше обробле-них даних, записаних в пам'ян, для подальших обчислень, як альтернатива повторного час-вит-ратного перерахунку. Таким чином, програмний модуль розпiзнавання патершв виявився по-внiстю вiдповiдним двом технолопям обчислень, згаданими авторами, як найбшьш ефективними в сучаснш кiберкультурi комп'ютингу [19-20].
Практичнi висновки 1) Програмний модуль PATT призначений для розшзнавання патершв у вхщному потощ social-процесу компани. 2) Швидкодiя паралельного алгоритму обробки двiйкових матриць, реатзованого в програмному продуктi в 100 - 10000 разiв вище, шж у базового варiанту, що використовуе символьнi (текстов1 значення змiнних) даш для розпiзнавання па-тернiв. 3) Використання програмного продукту дае можливють: визначати загальний час вико-нання аналiзу взаемоди фреймiв потоку даних з матрицями патернiв, визначати якюну i кiлькiсну оцiнки приналежностi фреймiв до заданих па-тернiв; визначати штегральний час виконання патерну або функщональносн спiвробiтником компани; визначати загальний час виконання не-функцiональних обов'язкiв спiвробiтником; визначати ефективнють роботи спiвробiтника за робочий день. 4) Подальшi роботи, пов'язанi з програмуванням, будуть спрямованi на: автома-тичну побудова довiчних патерн-матриць; фор-мування зручного iнтерфейсу вiзуалiзацil social-процесу в режимi онлайн; побудову вiзуальних точних (нестатистичних) дiаграм ефективносп роботи спiвробiтникiв i компани. 5. Арх^ектури розшзнавання патершв i ф^ур Однiею з основних проблем е розшзнавання ком-понентiв фрейма з метою 1х логiчного ште-грування в семантичну структуру social-патерну або потоку для 1х подальшого аналiзу за допомо-гою програми PATT, що використовуе матричш бiтовi структури даних.
Структура процесу представлена наступним рис. 11, який показуе перетворення компоненпв фреймiв в регулярнi матричш структури даних потоку або патерна.
Рис. 11. Процес розшзнавання компоненпв фрейму
Завдання: Розробити i закодувати модуль визна-чення подiбностi або подоби мiж двома шфор-мацiйними фреймами. Мета - мiнiмiзувати обсяг даних (паспорт або щентифшатор), декодувати з фреймiв, для подальшого аналiзу потоку recording R щодо еталонного образу E, що дае можливють отримати функци приладдя m (Ri, E) i структур-ний вектор вiдмiнностi Y (Ri, E) двох фреймiв.
Ршення завдання виконуеться шляхом програ-мування алгоритму розтзнавання поточного фрейму R щодо еталона Е, що мае квадратичну обчислювальну складнiсть. Алгоритм мютить три обчислювальнi процедури, якi використовують архiтектуру, представлену на рис. 12.
,(Р) = 1
X2 - X1 ^ Y2 - Y1
L L
де в чисельнику ф^урують катети, наведет до за-гально! гiпотенузи, яка е вiдстанню мiж двома од-нойменними точками-координатами двох pi3H^ прямокутникiв.
З огляду, що в прямокутнику число реперних то-чок, якi формують ф^уру, всього двi, то для визначення подiбностi двох прямокутникiв, необ-хщно обчислити двi вiдстанi мiж двома вщповщними точками-координатами (top-left and bottom-right), як формують знаменник нормова-них вiдносин для отримання штервально! ощнки подiбностi двох фiгур в двовимiрному просторi:
Рис. 12. Арх1тектура процесшгу для визначення под1бносл фрейм1в
1) Препроцесшг-фаза, коли виконуеться аналiз ушх фiгур в кадрi з текстами з метою уштарного кодування значень. По^м виконуеться аналiз чер-гового фрейму для пошуку таких фшур i значень, якi вiдсутнi в рашше оброблених фреймах. В результат виходить и-вектор текстових значень змшних або фiгур для уштарно! кодування всiх фреймiв.
2) Процесшг унiтарного кодування для отримання двшкових образiв фреймiв в ушверсаль-ному форматi и-вектора унiкальних текстових значень. В результат виходить двшкова матриця унiтарного кодування всiх фреймiв i еталонного образу, що тдлягають аналiзу по визначенню сту-пеня подiбностi або приналежностi кожного фрейму до вибраного еталону.
3) Заключний xor-аналiз двшково! матрищ фреймiв щодо обраного двшкового еталон-фрейма з метою виставляння кожному рядку мат-рицi фреймiв функци приналежностi до еталону, визначено! в iнтервалi (0,1). Крiм того, функщо-нальний модуль, реалiзований програмно, дае можливють отримувати структурну ощнку функци приналежностi, що дозволяе коригувати вихщш вектори або фрейми, в разi необхiдностi. Подоба двох фиур. Метрика для визначення подiбностi двох фтур використовуе обчислення вiдстанi мiж двома точками в декартовому про-сторi шляхом застосування тако! формули:
Ь = ^(Х2 - Х:)2 + (У2 - У:)2 .
При цьому, для отримання наведено! ощнки вщмшносп прямокутниюв на перше мюце ставиться вiдношення проекцш вiдстанi на осi абс-цис i ординат в декартовiй системi координат до скалярно! оцiнки даного вщсташ:
L
L
b
1 = J(X2 - Xj)2+cyJ. - у/)2,
= V(X2 - Xb)2 + (Y2b - Yb)2
Таким чином iнтегрально, сума наведених вщмш-ностей мiж однойменними координатами (top-left and bottom-right) двох прямокутниюв на сусщтх у час фреймах формуе нормовану в штервал1 (0,1) оцiнку подiбностi фiгур в декартовому простора
^(R) = 1-
1
Xj - Xl + Yj - Yf
L
L
Xj-
Xf
Yb
Yf
L
L
1нша iнтерпретацiя оцiнки подiбностi мае такий вигляд:
X2 - Xl + Y2-Yt + X2 - Xb + Y2b - Yl
ц(Р) = 1 -1
4 Ь Ь Ьь Ьи
Тут береться модуль рiзницi мiж однойменними координатами X, Y двох прямокутниюв. На прак-тицi це означае, що ощнка формуеться шляхом знаходження середнього значення суми вiдносин катеив до гiпотенузи трикутника, побудовано! на двох однойменних точках, якi тдлягають порiвнянню. При цьому число таких прямокутних трикутникiв дорiвнюе кiлькостi реперних (ютот-них) точок в постатях, яю пiдлягають порiвнянню. Наприклад, для прямокутника до-статньо двох таких точок, для трикутника - трьох, для неправильного чотирикутника - чотирьох, рис. 13.
А(1,6)
В(7,4)
В(11,1;
1 3 5 7 9 11 13
Рис. 13. Обчислення ввдсташ м1ж об'ектами
+
Пдшсть наведено! ушверсально! формули-мет-рики визначення середнього значення нормовано! вiдстанi полягае в 11 використаннi для обчислення скалярно! оцiнки (у вiдсотках!) подiбностi двох будь-яких об'ектiв, для яких задаш репернi точки. Другим завданням е створення метрики розшзна-вання схожих прямокутникiв з текстовими блоками. В даному випадку вщсутня прив'язка гео-метрично! фiгури до позицн в фреймi. Важливими компонентами при цьому може виступати площа прямокутника, що вiдповiдае за розмiр, i його дiагональ, яка характеризуе структуру фиури по довжинi або висоп. Однак бiльш простою метрикою для вимiрювання прямокутника е ширина 1 висота, щодо яких вс iншi характеристики фiгури е похщними. Використання дано! пари дае мож-ливiсть порiвнювати подобу двох геометричних фiгур навiть в змшених масштабах з метою визначення скалярно! нормовано! оцiнки в iнтервалi вiд 0 до 1. Наступна формула задае метрику для порiвняння двох фиур:
Q=(1/2)[X1/X2 + Y1/Y2]. Другий варiант оцiнки мае вигляд:
Q=(1/2)[(X1-X2)/L + де L = (g1**2+g2**2)**(1/2).
Сутнiсть метрики подiбностi для двох прямокут-никiв полягае у визначенш загально! площi шляхом перетину при !х накладаннi один на одного при сумщенш лiвими верхшми кутами або точками.
подiбностi текстових фрагмента з подальшою iM-плементащею !! в iнтегральну метрику подiбностi фреймiв. 2) Створити формулу-метрику для нор-мованого оцiнювання подiбностi двох будь-яких фреймiв, включаючи нерiвне число геометричних компонента, фиур i текста. 3) Формула-метрика повинна також враховувати: систематичне i ло-кальне змщення фiгур по осях абсцис i ординат; систематичне i локальне розтягування фiгур i текстiв на фреймi по ширинi i висотi. 4) Визна-чення взаемозалежно! структури реперних точок-фиур фрейму для формування системно! ощнки подiбностi фреймiв, як цшсних образiв. Нижче представлений рис. 14 для чотирьох можливих взаемодш прямокутниюв, iнварiантних до позицi! в фрейм^ а також формули, яю дають можливiсть визначати подiбнiсть прямокутниюв r and R на сусщтх фреймах. Перша i друга формули щен-тичнi за функцiональними можливостями i вщно-сяться до лiвого верхнього найскладнiшого перетину.
Х1
Y1
Х2
Y2-
X1
Y1
Y2
X2
def intersection(self, box):
x1 = max(self.x1, box.xl) x2 = min(self.x2, box.x2) y1 = max(self.y1, box.yl) y2 = min(self.y2, box.y2) if x1 < x2 and y1 < y2:
return Box(x1, y1, x2, y2) return Box(0,0,0,0)
def union(self, box):
x1 = min(self.x1, box.xl) x2 = max(self.x2, box.x2) yl = min(self.y1, box.yl) y2 = max(self.y2, box.y2) return Box(x1, yl, x2, y2)
def iou(self, box): return float(self.intersection(box).area) / (float(self.union(box).area) + 0.0001)
Обчислення метрики подiбностi фреймiв мае наступнi пункти: 1) Вставити в додаток функщо-нальний Java-модуль для визначення оцiнки
X1
Y1 Y2
X2
X2
Y2
Yl
X1
Рис. 14. Bapiarnrc взаeмодii фiгур
Таким чином, штегральна метрика для вимiрювання двох геометричних фiгур на сусщшх скрiншотах оперуе трьома нормованими параметрами, яю в сукупностi зi значеннями текстових параметрiв здатнi визначити скалярную ощнку iдентичностi (Q=1) або подiбностi прямокутникiв в (0,1) -iнтервале: 1) Координата. На основi iснуючих координат (Xi, Yi) двох реперних точок двох фиур визначаеться близьюсть або схожгсть мiж ними у вигщщ скалярно! (0,1)-норми.
Ц(Р) = 1 - 4
х2-
+ Yl
-А+Xb
;Xb + Yb
■Yl
L
L
L
L
2) Орieнтащя. Положення на площиш прямокутниюв в декартовiй системi координат мае двi орiентащ!: прямокутник лежить або сто!ть, що iстотно впливае на подiбнiсть фiгур, яке враховуе орiентацiю фiгур в двовимiрному просторi у вигщщ скалярно! (0,1)-норми близькостг по орiентащ!, де Xi, Yi - довжини сторш двох прямокутникiв. Далi наведенi три форми метрики ощнювання подiбностi двох прямокутникiв, якi оперують вiдносинами сторiн прямокутникiв, що дае можливють визначити наскiльки близько даш фiгури вiдповiдають один одному:
^(8) = шш
' XI Х2Х
VI У2
/ шах
' XI Х2Х
VI У2
Ш1П
= -
шах
'XI Х2Х % Х2х
Ц(8) =
Л1 У2. т1п[(Х1/У1),(Х2/У2)]
к:
тах[(Х1/У1),(Х2/У2)]
Крiм того, наведеш вище формули iнварiантнi до масштабування двох фiгур, що дае можливють оцшювати схожють дрiбних i великих прямокут-никiв шляхом дшення вiдносин довжин сторiн прямокутникiв. Якщо пропорци дотримуються, то частка вщ дiлення вiдносин формуе одиничну (максимальну) ступiнь подiбностi розглянутих фiгур.
3) Суперпозищя. Визначаеться шляхом накладення площ двох фiгур, коли !х лiвi верхнi координати поеднуються один з одним, що дае можливiсть визначити якiсть перетину площ або близькост двох фшур у виглядi скалярно! (0,1)-норми, де Х^ Yi - довжини сторш фшури. {0 - (Х1,У1) > (Х2.У2) V (Х1,У1) < (Х2.У2); {1 - (Х1 > Х2)л (У1 < У2) V (Х1 < Х2) л (У1 > У2);
* шах(ХьХ2)шах(УьУ2)-к [| Х1 -Х^|У1 - У21]'
Якщо точка з максимальними координатами по X = Х1 i Y = Y2 не належить прямокутникам, то таю ф^ури взаемодiють за правилом непорожнього перетину. Останш формули обслуговують всi варiанти вiдносин збiгу щодо запропонованих фiгур стрiншота, включаючи непорожнш перетин мiж двома прямокутниками i масштабован1 подiбностi з вiдношенням включення. Масштабо-вана подiбнiсть геометричних прямокутниюв визначаеться накладенням двох фiгур один на одного, коли одна фшура повнютю мiститься в ш-ший i виконуеться пропорцiя сшввщношення сторiн, що в сукупностi визначае подiбнiсть пря-мокутникiв.
Середне значення трьох наведених норм близькостi формуе оцшку iдентичностi (Q = 1), подiбностi або схожостi двох фшур, що надае експерту-аналiтику аргументи для розтзнавання i класифiкацi! фреймiв:
р = 3 [ц(Б) + + ц(Я)],
д = -5 [ц(Б) + + ц(Я) + ц(Т) + ц(С)].
Далi необхiдно визначити метрику порiвняння двох фреймiв, яка повинна враховувати оцшки подiбностi текстових фрагментiв, включаючи нерiвне число геометричних компонентiв, фiгур i текстiв, систематичне i / або локальне змiщення, розтягування i / або стиснення фiгур по осях абс-цис i ординат.
1) Для цього спочатку визначаеться кшькють ком-понентiв-фiгур п на зразковому фрейм^ а також !х число т на поточному фреймi, маючи на увазi пари координат прямокутниюв. 2) Для побудови двiйкового вектора структурно! оргашзаци фiгур на зразок-фреймi всi прямокутники нумеруються в порядку: злiва-направо, зверху-вниз. Далi всi ф^ури на аналiзованому фреймi нумеруються вже по метрищ еталона. 3) Можливi варiанти взаемодi! компонентiв на фреймах, тсля вимiрювання подiбностi всiх текста i фiгур, визначаються формулами метричного
оцiнювання.
Перший вираз визначае функщю приналежностi або стушнь подiбностi мiж парою прямокутникiв в фреймах, яка залежить вiд:
О! = 5 <Р) + И + И + ^ (Т) + Ш (С)].
координат, якi формують вiдстань мiж фiгурами; становища фпур в двовимiрному просторi; спiввiдношення загальних площ при !х суперпо-зици; текстуально! подiбностi або вiдстанi мiж прямокутниками, отримано! за допомогою Java-функцi!; кодово! вiдстанi мiж двшковими векторами, якi формують структурну оцiнку присут-ностi фiгур на фреймах, де нульове значення ко-ординати свiдчить про вiдсутнiсть прямокутника на вже згадуваному фреймi. Кодова вщстань мiж структурними векторами визначаеться за допомогою рiвняння:
и(С) = -|с = 1 - се © с, =И(С).
т
,=1
Другий вираз задае вiдносини мiж компонентами (тексти-фшури) еталонного i аналiзованого фрейма, виражет за допомогою апарату теорi! множин, якi формують вiдносини приналежностi (двi перших формули), рiвностi, порожнього i непорожньо! перетину:
Яе С И; ^ Яе п И; = Яе; И; С Яе ^ Яе П= Я;; = ^ ^ Яе п = Яе = ;
Яе ф Я; ^ Яе П = 0; С Яе ^ Яе П *0.
1нтегральний критерiй якостi взаемодн мiж фреймами в цiлях визначення оцiнки подiбностi су-марно штегруе функцп приладдя в метрищ текста-фиур:
ц(ЯеД0 = 1 2 Qi . п1=1
Розгорнутий вираз для обчислення ступеня под!6-ностi скршшота являе собою середне значення ощнок для п функцiй, якi формують ступiнь близькостi всiх компонентiв на парi фреймiв:
Ц^, ) = 1 2 1 [И1(0> + Ц, (Б) + Ц, (И) + Ц, (Т) + Ц, (С)] . п1=15
Сумарно, метрика для визначення подiбностi фреймiв на основi використання п'яти функцiй приладдя для еталонного i поточного фрейму мае вигляд:
Ь (х2 - х!)2+(У2 - у/)2,
Ь
ц(Б) = 1 -4
Ь
-V(хЬ -хЬ)2+(У2Ь -У:Ь}2 . х2 - XI + + хЬ - хЬ + У2Ь - УЬ
ь
XI Х2
Х1 Х2
, = ,0 - (ХЬ¥1) > (Х2,¥2) V (XI,Ух) < (Х2,У2);
{ ■ (Х1 > Х2)л (¥1 < ¥2) V (Х1 < Х2) л (¥1 > ¥2);
=
т1п(Х1,Х2)т1п(У1,У2)
тах(Х1,Х2)тах(У1,У2)-к [| Х1 -Х^|У1 - У21]' И; (С) = - 5 С = 1 - Се © С; = ц;(С)
т
;=1
= 5 [щ (Б)+ц;(Э)+щ (И)+ц (Т)+ц (С)]
ц(Ие, И;) =1 2 1 [ц, (Б) + Ц, (Б) + Ц, (И) + Ц, (Т) + Ц, (С)] п1=15
Якщо кiлькiсть прямокутникiв вiдмiнна на фреймах, то метрика працюе за сценарiем включення в якостi пiдмножини фиур. Тут обслуговуються дв1 вiдносини включення, а також порожнього або непорожнього перетину прямокутниюв. Зви-чайно, що вiдношення рiвностi в даному випадку не може з'явитися. Результат виходить шляхом шдрахунку одиничних значень, видiлених на за-
гальне число координат-фiгур в векторi структурно! взаемодii фиур i текстiв двох фреймiв. Однак в загальному випадку, структурна ощнка обслуго-вуе всi п'ять вцщв взаемодii компонентiв на фреймах, включаючи рiвне число текстiв-фiгур. Для визначення взаемодй двох фреймiв будуеться матриця оцiнок подiбностi, розмiрнiстю пхт, де п - число текст-ф^ур (рядкiв) на першому фрейму т - (стовпцiв) на другому. Таким чином, матриця подiбностi формуе сильне вщношення мiж компонентами двох фреймiв, що дорiвнюе декартовому добутку двох множин. На рис. 15 представлен! дводольш: сильний граф, а також два графа, яю формують можлив! вщносини м!ж компонентами фреймiв, де кожен з них може бути шаблоном.
Рис. 15. Графовi моделi ввдношення компонентiв на двох фреймах Визначення под!6носп двох фреймiв зводиться до побудови або пошуку взаемно однозначно! вщповщност на повному дводольному граф1 вщносини двох множин компонента, розташова-них на двох фреймах:
^(а, Ь) 1 2 3 4 5 6 7 8 шах^)
1 2 3 4 1,0 0,7 0,8 0,9 0,3 0,2 0,1 0,2 0,5 0,1 0,4 0,6 0,7 0,9 0,2 0,3 0,1 0,4 0,2 0,9 0,5 0,6 0,5 0,2 0,3 0,4 0,5 0,1 0,7 0,2 0,4 0,3 1(1,0) 6(0, 9) 4(0,9) 5(0,7)
шах(1) 1(1,0) 1(0,7) 1(0,8) 1(0,9) 2(0,7) 2(0,9) 3(0,5) 2(0,3) ц,(а,Ь) = 0,875 ц,(Ь,а) = 0,725
Матриця подiбностi е достовiрною моделлю пов-них вiдносин мiж компонентами (фшури-тексти) master-slave фреймiв для пошуку i класифшаци фреймiв. З дано! матрищ можна витягти двi оцiнки подiбностi фреймiв, залежно вiд порядку вщносини: (acb, азЬ). Координата матрицi визна-чена скалярною оцiнкою, що представляе середне значення чотирьох (п'яти) параметрiв, кожен з яких нормований в iнтервалi вщ 0 до 1.
mj = -5 [wij (D) + Wij (S) + ^ij(R) + Wij (T) + Hij (C)],
Wij = 5 [wij (D) + Wij (S) + ^ij(R) + Wij (T)].
Оцiнка подiбностi двох фреймiв обчислюеться формулою, яка визначае середне значення макси-мумiв, знайдених для кожно! з n рядюв матрицi. Дана оцiнка формуе функщю приналежностi acb, яка не мае властивост симетричностi:
1 n
|(a, b) = — 2 max ij . n i=1 j=1,m
Тому ощнка подiбностi двох фреймiв при змш порядку щодо включення bca обчислюеться подiбною формулою, але яка визначае, як правило, шше середне значення максимумiв, знайдених для кожного з m стовпщв:
1 m
|(b,a) = — 2 max |ij . m j=1i=1, n
З п'яти можливих теоретико-множинних взаемодiй мiж двома множинами два з них, якi формують вiдношення включення (acb, aQb), не е симетричними. Тому в наведенш вище таблицi максимальна оцiнка подiбностi за координатами рядкiв acb дорiвнюе 0,875, а за координатами стовпщв bca = 0,725. Це означае, що стушнь подiбностi iстотно залежить вщ спiввiдношення числа компонентiв в зразковому i вже згадува-ному фрейма чим менше компонентiв в зразку, тим вище може бути ощнка подiбностi, завдяки бшьшш вибiрцi, що надаеться рядками матрицi, що мае m стовпцiв i n рядюв, де m> n. Важливо вщзначити, що визначаеться тiльки одна фшура на вже згадуваному фрейм^ подiбна фiгурi на зразковому фрейм^ що формуе взаемно-одно-значну вщповщшсть мiж прямокутниками i текстами на двох фреймах. Дана фшура вибираеться за критерiем максимально! ощнки подiбностi, от-римано! в результат порiвняння еталонного пря-мокутника з ушма аналогами на вже згадуваному фреймг
Асиметрiя вiдношення мiж фреймами, що за-даеться матрицею подiбностi
a С b ^ b С a = ^(a, b) ^ ^(b, a) = ^(i, j) ^ j, i) ,
виражаеться пошуком максимумiв по рядках або стовпцях, яю, в загальному випадку, не рiвнi один одному
max * max |j .
i=1, n j=1,m
При аналiзi матрицi подiбностi двох фреймiв, один з яких - master або зразковий, а другий -slave, який е поточним аналiзованим фреймом з потоку великих даних, можливi випадки: 1) Одному компоненту на master-фреймi вщповщае кшька подiбних об'ектiв на slave-фрейм^ якi ма-ють однаковi ощнки (ш'ективна вiдповiднiсть). 2) Одному компоненту на slave-фреймi вiдповiдае кiлька подiбних об'ектiв на master-фреймi, якi ма-ють однаковi оцiнки (функцiональна вщповщшсть). 3) Одному компоненту на master-фреймi вiдповiдае тiльки один подiбний об'ект на slave- фреймi (взаемно-однозначна вщповщшсть). 4) Компоненту на master-фреймi не знайдений подiбний об'ект на slave-фрейма 5) Компоненту на slave-фреймi не знайдений подiбний об'ект на master-фрейма 6) Компоненти на двох фреймах взаемоддать за схемою, що включае всi згаданi вище види вщповщностей.
Таким чином, iнтегральний критерш подiбностi фреймiв повинен враховувати вс види згаданих вiдповiдностей, якi об'еднуються в такiй формулi:
1 n 1 m
|(a,b) = — 2 max |j , |(b,a) = — 2 max |j .
n ¡=1 j=1, m mj=1i=1, n
Наступна таблиця iлюструе вс можливi види вiдносин мiж компонентами скршшоив, якi та-кож показаш в формi дводольних графiв на рис. 16.
|(a, b) 1 2 3 4 5 6 7 8 max(j)
1 1,0 0, 7 0,8 0, 9 0,3 0, 2 0,1 0, 2 |(1,1)=1,0
2 0,5 0,1 0,4 0, 6 0,7 0, 9 0,2 0,3 |(2,6) = 0,9
3 0,1 0,4 0, 2 0, 9 0, 5 0, 6 0, 5 0,2 |(3,4) = 0,9
4 0,3 0, 4 0, 5 0,1 0, 7 0, 2 0, 4 0,3 |(4,5) = 0,7
max(i) |(1, 1) |(2,1) |(3,1) |(4,{1,3}) |(5,{2,4}) |(6,2) |(7,3) |(8 {2,4}) = 1,0 = 0,7 = 0,8 = 0,9 = 0, 7 = 0,9 = 0,5 = 0, 3 |(a,b) = 0,875 |(b, a) = 0,725
Проблема аналiзу матрицi подiбностi полягае в неоднозначностi типу вщповщност вiд бiльшо! множини компонентiв до меншо!, яка пов'язана, в даному випадку, з вщношенням мiж великим числом стовпщв i меншою кiлькiстю рядкiв. Даний факт зафшсований в нижньому рядку таблицi. Щоб усунути таку невизначенiсть необхiдно по-будувати зустрiчну вiдповiднiсть, з метою перетину двох отриманих множин, яка прибирае всi компоненти, яю не е загальними для двох вщповщностей.
Frame а - template
© © © © (ЕГ^® СЕ И ©
Frame b
' Frame b - temp (b7) (te) (i < Uh\0.X. 0,8 ate ? 0,9 Ь4 © V<0.9 0.9/ \У N "ьб1 ГьГ) fbel 0.5 _
\ \ / / ^ —'— Z"'
' Frame a G V 5 0.7/ 32 © N0.7/0.3 3 J
Рис. 16. Дводольш графи взаемодп компонента фреймiв
Структура програмного додатку для анатзу великих даних з метою синтезу матриц подiбностi та подальшого визначення скалярно! оцiнки, як функци приналежностi або подiбностi двох фреймiв, що диференцiюються на master and slave, представлена на рис. 17.
Рис. 17. Структура моделей програмного додатка для визначення подiбностi м1ж фреймами
6. Метрика подiбностi пари фреймов
Формула для метричного оцiнювання подiбностi геометричних фiгур - прямокутниюв (з можли-вими текстами) включае чотири компоненти подiбностi - функци приладдя двох фреймiв (по координат^ орiентацi!, площi i тексту):
^Ч = 4[^и^г) + + ^у(Кг) + ^у(Тг)] .
Дана формула використовуеться для побудови матрищ подiбностi, кожна координата яко! вклю-
чае штегральний критерiй для кожно1 пари прямо-кутникiв на двох аналiзованих скрiншотах. Аналiз матрицi подiбностi фреймiв за такими формулами:
1 n i m
цг (a,b) = — 2 max , ^r(b,a) = — 2 max ^[j . ni=lJ=1,m mj=ii=in
дае можливiсть сформувати iнтегральнi оцiнки подiбностi двох фреймiв в метрицi геометричних ф^ур - прямокутникiв. Оскiльки однш фiгурi на еталонному (master) фреймi може вiдповiдати кiлька компонентiв з однаковими ощнками на вже згадуваному (slave) фреймi то перша формула створюе необхiднi, а друга формула - достатш умови подiбностi двох фиур на фреймi, яка уточ-нюе, шляхом зустрiчного вибору максимально! ощнки вiдповiдностi slave-master, справжню пару подiбних компонентiв, якщо вiдношення master-slave мало кшька однакових максимальних оцiнок. Якщо компоненти на двох фреймах мають максимальнi оцiнки в двох вщносинах (master-slave i навпаки), то фiгури подiбнi один одному за умовою необхiдностi i достатностi. 1нша штер-претацiя: необхщшсть i достатнiсть подiбностi фреймiв визначаеться перетином фiгур, отрима-них шляхом !х master-slave i slave-master анатзу. Наприклад, для останньо! таблицi, з метою визначення подiбностi фреймiв, виконуеться теоре-тико-множинна операцiя перетину: MS n SM = =(1-1), (2-6), (3-4), (4-5) n SM = (1-1), (2-1), (3-1), (4-1,3), (5-1,4), (6-2), (7-3), (8-2,4) = =(1-1), (2-6), (3-4), (4-5). Такий перетин особливо необхщний, коли master-slave вщповщшсть визначена на рiзних потужно-стях множин, де n> m, наприклад, |a| > |b| або |MS|>|SM|=8>4. В цьому випадку, перша вщповщшсть може мати неоднозначносп по фиу-рах меншо! множини, яю мають бути довизначеш шляхом побудови зворотньо! вiдповiдностi. З метою мiнiмiзацi1 витрат часу можна попередньо визначати потужносп множин |MS| i |SM| (|a| i |b|), а потiм синтезувати тiльки одну вiдповiднiсть вiд меншо! множини до бшьшо!:
1 п
Ur (a, b) = — 2 max u[j ^ n < m; n j=1 j=1,m 1 m
Ur (b, a) = — 2 max u [j ^ n < m. m j=1i=1,n
1 n
Ur (a,b) = — 2 max u[j ^ |a| < |b|; n j=1 j=1,m 1 m
Ur(b,a) = — 2 maxu[j ^ lb < lal. m j=1i=1,n
r
u
r
u
Дана формула обчислюе середне значення мiж максимумами метрично! подiбностi Bcix компонента фреймiв. Якщо число фшур на master-фреймi менше або дорiвнюе, нiж на slave-фреймi, шяких додаткових дiй не потрiбно робити. Якщо число ф^ур на master-фреймi бiльше, нiж на slave-фреймi, то штегральна оцiнка за фактом формуеться середнiм значенням максимумiв, яке може бути менше за рахунок меншо! вибiрки зна-чень, також за рахунок бшьшого знаменника -кшькосп master-компонентiв. Таким чином, якщо розглядати два фрейми, то ощнка, отримана з боку master-фрейма з великою кшьюстю ф^ур, завжди буде об'ективно меншою, нiж з боку master-фрейма з меншим числом компонентiв. 1накше, математично тут фiгурують два види вiдповiдностей, якi не симетричнi i не рiвнi один одному по визначенню.
Обробка текстфiлдiв на master-slave (MS) фреймах здшснюеться аналогiчним чином (master-фрейм один, а slaved може бути будь-яке кшцеве число). При цьому враховуються три параметра: координати текста, кшьюсть рядкiв i власне розшзнаний текст:
^Ч = 3[^ij(Dt) + Wj(St) + Rj(Tt)] .
Далi виконуеться шдрахунок схожостi всiх текстiв на MS-фреймах шляхом побудови матрицi подiбностi з подальшим винесенням середньо! оцiнки:
t 1 n t t i m .
ц (a,b) = — 2 max ц^ , ц (b,a) = — 2 max ц^. ni=lj=1,m mj=ii=l,n
Обробка iнших фшур на master-slave (MS) фреймах здшснюеться подiбно процедурi аналiзу пря-мокутникiв. При цьому враховуються три параметра на фреймах: координати фшури, !х взаемодiя по площах i статус: «активш-пасивш»:
^fj = 3 [[*ij(Dc) + ^ij(Rc) + Rj(Sa)] .
Далi виконуеться пiдрахунок схожостi вих фiгур на MS-фреймах шляхом побудови матриц подiб-ностi з подальшим винесенням середньо! ощнки:
с 1 п c 1 m
ц (a,b) = — 2 max ц;; , цс (b,a) = — 2 max цЯ. n ¿=1 j=1, m m j=1i=l, n
Пюля роздiльного виконання аналiзу трьох клашв компонентiв на MS- фреймах: прямокутниюв, текстiв i фiгур обчислюеться штегральна ощнка подiбностi MS-фреймiв шляхом знаходження се-реднього значення вiд суми ощнок подiбностi прямокутникiв, текстiв i фiгур: .2
r t c
З урахуванням наперед задано! верхньо! межi подiбностi фреймiв, наприклад, рiвнiй 0,95, ро-биться висновок про подiбнiсть поточного або аналiзованого slave-фрейма першому master-кадру.
Алгоритм обчислення метрики для визначення подiбностi текстiв використовуе вщстань (Levenshtein Distance) мiж словами, пропозищями i текстами. Таку вщстань враховуе мiнiмальну кiлькiсть букв, необхщних для трансформування текстового фрагмента X в Y. При цьому викону-ються елементарнi процедури: вставка, видалення або замiна символу в рядку.
Таким чином, можна зробити наступш висновки: 1) Нерiвнозначностi множин компонента на двох фреймах призводить до асиметри вщносин в пе-реважнш бiльшостi випадкiв вимiрювання, за ви-нятком випадку, коли число компонента збтаеться на двох фреймах: вони можуть перети-натися - мати загальну частину; не перетинатися -не мати шчого спiльного один з одним; бути щен-тичними або збшатися - повнiстю перетинатися по вшх елементах, якi е однаковими. 2) Варiант, коли потужнють безлiчi компонентiв master-фрейма менше, шж на slave-фреймi, означае - для кожного елемента першого фрейму юнуе бшьше варiантiв порiвняння, шж навпаки, коли потуж-нiсть компонента master бшьше, шж на slave. Природно, даний факт е лопчним доказом того, що оцiнка вщповщносп, при m <s буде практично завжди бшьшою, нiж для випадку m> s. 3) Бiльш того, обидвi обчислюванi оцiнки в сукупност формують критерiй якостi вiдносин мiж двома фреймами, а саме: якщо q (m, s)> q (s, m), то m is contained in s, в шшому випадку, якщо q ( m, s) <q (s, m), то s is contained in m. Це дуже важливо i ушверсально працюе для визначення подiбностi будь-яких об'екта. Для обчислення системно! оцiнки подiбностi мiж фреймами необхiдно отри-мати середню оцiнку двох (прямого i зворотного) вiдповiдностей. Отриманий критерiй може слу-жити основою для класифшащ! фреймiв за рiв-нями подiбностi, що може бути зведено до виршення вiдомо! задачi побудови клашв е^ва-лентностi, яка мае квадратичну обчислювальну складнiсть. 4) Третя взаемодiя пов'язана, в загаль-ному випадку, з наявшстю завжди однакового непорожнього перетину мiж нерiвнозначними множинами, який (перетин) формуе нерiвно-значнi частки вщ двох, нерiвних один одному множин, що беруть участь у вимiрi подiбностi. Це означае, що ощнки, яю ми отримуемо при непо-рожньому перетинi: q (m, s) i q (s, m), в загальному випадку також будуть неоднаковими, оскшьки q(m,s)/m не дорiвнюе q(s,m)/s! Окремий випадок
можливий, коли m=s, то q(m,s)/m = q(s,m)/s, що описано в пункт 1. 5) Таким чином, алгоритм визначення подiбностi мiж двома об'ектами зво-диться до метрицi визначення прямого i зворот-ного вщношення включення за варiантом 2, яку слщ вважати унiверсальною для щентифшаци будь-якого типу вiдповiдностi. 6) Залишаеться вiдкритим питання iдентифiкацi! якостi взаемоди фреймiв, оскiльки нерiвнозначностi прямого i зво-ротного оцiнок не е характерною тшьки для вiдносини включення. Хотшося б диферен-цiювати мiж собою вiдносини включення i непо-рожнього перетину мiж двома множинами шляхом аналiзу двох ощнок. Тут не обiйтися без бшьш детального аналiзу двох множин компонента master i slave. Завдання-драфт форму-люеться так: на основi вiдомого двудольного графа (вiдповiдностi), отриманого з матрищ подiбностi, визначити двi множини в ушверсаль-нiй метрищ, закодувати елементи множин в уштарному кодi, а далi виконати паралельш логiчнi операцi! над двома вектор-множинами з метою обчислення одного з п'яти титв вiдносин мiж множинами.
Перетворення скалярно! матрицi подiбностi в бшарну дае можливiсть iстотно спростити об-числювальний процес для пошуку подiбних па-тернiв: 1) Скалярну матрицю подiбностi можна трансформувати в бшарну шляхом примусового введення threshold або граничного (порогового) значення, коли необхщно говорити про подiбнiсть компонента фрейма. При цьому координата матрищ щентифшуеться одиницею, якщо, наприклад, m(ij) >= 0,7, то m(ij) = 1 i якщо m(ij) < 0,7, то m(ij) = 0. 2) Отримана бшарна матриця подiбностi е зручною формою для отримання структурно! якiсно! взаемодi! двох фреймiв. Краще рiшення - дiагональна одинична матриця, яка iдентифiкуе взаемно однозначну вiдповiднiсть або структурний рiвнiсть двох фреймiв. 3) Можливе структурне ршення по бiнарнiй матрицi подiбностi, коли одному компоненту на фреймi поставлено у вiдповiднiсть кшька фiгур на сумiжному фреймi - кшька одиничних координат в рядку. 1нший варiант, коли одному компоненту на сумiжному фреймi поставлено у вщповщшсть кiлька фiгур на першому фреймi -кiлька одиничних координат в стовпщ. Можливi бiльш складш структурнi органiзацi! одиничних значень бшарно! матрицi подiбностi. 4) Бiнарна матриця подiбностi, як форма опису структурно! взаемоди, може бути використана для синтезу структури - декартова квадрата подiбностi послщовносп або безлiчi фреймiв. У такiй, завжди квадратичнiй матрищ, будуть ф^урувати
скалярнi iнтегральнi ощнки подiбностi, якi мо-жуть бути перетвореш в бiнарну матрицю M, де поодиною координати будуть показувати класи е^валентносп або групи подiбних мiж собою фреймiв.
M a b c d e f x y z
a 1 0 0 1 0 0 1 0 0
b 0 1 0 0 0 0 0 1 0
c 0 0 1 0 0 1 0 0 1
d 1 0 0 1 0 0 1 0 0
e 0 0 0 0 1 0 0 0 0
f 0 0 1 0 0 1 0 0 1
x 1 0 0 1 0 0 1 0 0
y 0 1 0 0 0 0 0 1 0
z 0 0 1 0 0 1 0 0 1
З метою вiзуалiзацi! iстотних координат матрицi далi використовуеться позначення нульово! коор-динати за допомогою точки (.):
M a b c d e f x y z
a 1 1 1
b 1 1
c 1 1 1
d 1 1 1
e 1
f 1 1 1
x 1 1 1
y 1 1
z 1 1 1
Аналiз тако! матрицi на основi визначення безлiчi однакових стовпцiв дае можливють визначити класи еквiвалентних об'ектiв, яю далi можна запи-сати у формi пiдмножин або у виглядi сукупностi рядкiв або довiчних векторiв, 1-координати яких iдентифiкують компоненти, що входять в кожен клас. Кшьюсть таких векторiв дорiвнюе числу клашв еквiвалентностi, при цьому перетин будь-яко! пари векторiв мiж собою дорiвнюе порожнiй безлiчi:
M a b c d e f x y z
1 1 1 1
2 1 1
3 1 1 1
4 1
Координати векторiв можна перегрупувати шляхом концентрацп одиниць для отримання бiльш структуровано! таблицi, що дае можливiсть вiзуалiзацi! еквiвалентностi сусiднiх компонентiв або об'екта:
P a d x b y c f z e
a 1 1 1
b 1 1
c 1 1 1
e 1
1нша форма е^валентування безлiчi об'ектiв в OT^^i пов'язана з перетворенням бшарно! вихiдно1 матрицi подiбностi в матрицю дiагональ-но! симетрi1, де фиурально i структурно представлено взаемодда всiх класiв еквiвалентностi в межах матрищ декартового квадрата множини компонента:
P a d x b y c f z e
a 1 1 1
d 1 1 1
x 1 1 1
b 1 1
y 1 1
c 1 1 1
f 1 1 1
z 1 1 1
e 1
Наслщком викладеного матерiалу е факти: 1) Поеднання розтзнаних фiгур i текстiв на скрш-шотi дае можливють уникнути помилково! подiб-ност фреймiв i iстотно пiдвищити яюсть автоматичного розпiзнавання додаткiв за рахунок роз-ширення метрики фиур (структура, площа, орiентацiя, координати), яка доповнена параметром подiбностi текста на основi вимiрювання вiдстанi по Левенштайну. 2) 1нтегральна оцiнка подiбностi скрiншотiв дае можливiсть автоматично класифшувати фрейми по додаткам i буду-вати мережевий графiк роботи оператора в чаш i простор^ який дозволяе компактно записувати (мiнiмiзувати) серi1 скрiншотiв однiе1 програми в горизонтальних вiдрiзках мережевого графiка, де похвдш за оцiнками подiбностi близью до нуля. 3) 1нтегральш ощнки подiбностi фактично дають можливiсть щентифшувати (розпiзнавати) 4 види взаемодi1 мiж компонентами скрiншотiв: 1) Рiвнiсть компонента скршшота a = b, коли ощнка подiбностi дорiвнюе Q = 1. 2) Включення фреймiв aeb або be a, коли оцiнка подiбностi знаходиться в iнтервалi значень 0,5<Q<1. При необхiдностi, тут можна створити процедури подiлу даних видiв взаемодп. 3) Непорожне пере-тин фреймiв anb^0, коли оцiнка подiбностi знаходиться в штерват значень 0,1<Q<0,5. 4) Пу-
стий перетин фреймiв anb=0, коли оцiнка подiб-ностi знаходиться в штерват значень 0<Q<0,1. Даний вид взаемодп скршшота дае шдстави вва-жати перехiд оператора до шшого додатку, що формуе вертикалью дуги мережевого графiка. Недолiком зонно! метрики визначення подiбностi скрiншотiв е ручна попередня обробка скрiншотiв з метою визначення надлишкових i вiртуальних зонних шаблонiв, що специфiкують закономiр-ностi додаткiв, якi використовуються в компанп. Переваги зонно! метрики визначаються урахуван-ням закономiрностей у формуванш шаблонiв до-даткiв на основi розумiння макро-топологiчно1 структури, що дае можливють зменшити рiвень деталiзацi1 компонента скршшота без зменшення точностi i адекватностi оцiнок подiбностi фреймiв. 7. Висновок
Запропоновано моделi та методи розрiзнення соцiальних об'ектiв, що використовують матричш структури даних для завдання еталонних па-тернiв, якi забезпечують паралельне виконання логiчних операцiя для шдвищення продуктив-ностi програмних додаткiв. Описана модель social-процесу, яка мiстить iерархiчнi компо-ненти, що знаходяться в теоретикомножинних вiдношеннях включення один з одним. Запропоновано Pattern Recognition Social-Processor, який використовуе xor-операци для розтзнавання сощально-значущих фреймiв iнформацi1. Описана матрична автоматна модель мошторингу процесiв i явищ для подальшо! актюацii сощаль-них дiй в рамках створення механiзмiв сощаль-ного комп'ютингу. Описана аритектура про-цесингу для визначення подiбностi фреймiв на ос-новi унiтарного кодування даних i xor-порiвняння для обчислення подiбностi-вiдмiнностi. Описана метрика для вимiрювання подiбностi геометричних фiгур в юберпростор^ яка оперуе нормова-ними параметрами: координата, орiентацiя, су-перпозицiя, масштабування. Запропоновано процедуру перетворення скалярною матрицi подiб-ностi в бшарну шляхом примусового введення threshold або порогового значення параметрiв, що дае можливють ютотно спростити синтез автомат-них моделей соцiального процесингу. Наукова новизна:
1) Запропоновано алгорштшчну, детермiновану i повторювану структуризацiю логiчно1 моделi функщонально! взаемодi1 компонентiв iнфор-мацiйного фрейму, яка дае можливють перейти вщ невпорядковано! матрично! структури даних до впорядковано! векторно! форми, яка в юлька разiв пiдвищуе продуктивнiсть обчислювальних процесiв для визначення подiбностi фреймiв.
2) Розроблено структурно-функщональний метод визначення подiбностi фреймiв, який мае суттeвi переваги у швидкоди перед аналогами з пошуку вiдмiнностей мiж структурними компонентами, завдяки використанню тiльки двох паралельних операцш (ог, хог) над двшковими даними матриць сумiжностей.
3) Представлений метод визначення подiбностi фреймiв, який дае можливють обчислювати нор-моваш оцiнки вiдмiнностi об'eктiв на основi бiнарних матриць сумiжностей графiв компонента, а також структурно-метричш ощнки шляхом використання вiдстаней мiж функцiонально взаемопов'язаними геометричними фiгурами на об'ектах.
4) Запропоновано матрицю структурно! щентич-ностi об'екта, яка представляе собою шаблон-модель для подальшого створення аналогiв: матрицi площ геометричних фшур; матрицi орieнтацi! фiгури в двовимiрному просторi; матрицi тексто-вих компонентiв; матрицi даних. В результат ви-ходить структурно-функцiональна модель фрейму, де в единому матричному формат представлена як структура його компонента, так i вс його функщональност. Створеш матрицi по мет-рицi, що мiстять 5 перелiчених параметрiв, слiд використовувати для отримання двох похщних матриць по кожному параметру, яю використову-ються для обчислення п'яти локальних оцiнок за такою формулою:
МП
1=1,П
Mij - M'
Q(m,s) = 1 -
j=1,n
max(Mm
i=1,n
m Mij)
Далi для перелiчених вище локальних оцiнок об-числюеться !х середне значення Q=1/5(Q1+Q2+Q3+Q4+Q5), яке остаточно фор-муе критерiй подiбностi об'eктiв. 5) Подальшi дослiдження слщ спрямувати на роз-ширення спектра параметрiв для бiльш адекватного опису компонента об'екта на основi вектор-но! форми з метою ютотного пiдвищення швид-костi i якостi розпiзнавання образiв, пов'язаних з шформацшними фреймами в кiберпросторi. При цьому необхщно мати на увазi аксiому: два упо-рядкованих безлiчi чисел формують нормований критерiй !х s-подiбностi (D-вiдмiнностi) шляхом дiлення суми мiнiмумiв (модулiв рiзниць) цих чисел на суму максимумiв дшсних чисел. Приклад обчислення подiбностi мiж двома векторами_
N =
M =
S =
D=
1
11
19
8/19=
2
15
14
1/15=
3
12
13
1/13=
4
17
18
1/18=
5
18
16
0,16 0,42 0,06 0,07 0,05 0,1
s=0,84 11/19= 0,58 14/15= 0,94 12/13= 0,93 17/18= 0,95 16/18= 0,9
2/18=
за формулою вщносини мiж сумою рiзниць i сумою максимальних значень представлений в наступному виглядк
D = {[(19-11) + (15-14) + (13-12) + (18-17) + +(18-16)]/(19+15+13+18+18)} = 1 - 13/83 = =1 - 0,16 =0,84; s = {[11 + 14 + 12 + 17 + 16]/(19+15+13+18+18)}=
= 70/83 = 0,84. Подальшi дослщження будуть спрямованi на фор-мування алгоритмiчно! повторюваностi послщов-но! обробки фiгур i текста з метою отримання щентичних моделей об'екта при довшьному мас-штабуванш останнiх. Крiм того, необхiдно нав-читися розпiзнавати фрагменти додатку, пред-ставленого окремим об'ектом, який е складовою частиною iншого, з бiльш складною конфшу-рацiею компонентiв. 1ншими словами, як визна-чити - чи е заданий фрагмент складовою части-ною юнуючо! складно! структури. Лтратура: 1. Ulisses Braga-Neto. Fundamentals of Pattern Recognition and Machine Learning. Springer, 2020. 300 p. 2. Теория управления. Дополнительные главы. Учебное пособие. Под редакцией Д.А. Новикова. М.: ЛЕНАРД. 2019. 552с. 3. VentoM., Percannella
G., Colantonio S., Giorgi D., Matuszewski B.J., Kerdegari
H., RazaakM. Computer Analysis of Images and Patterns. Proceedings CAIP 2019 International Workshops. 2019. 129p. 4. Marinai Simone, Fujisawa Hiromichi. Machine Learning in Document Analysis and Recognition. Springer. 2008. 434p. 5. Maji Pradipta, Paul Sushmita. Scalable Pattern Recognition Algorithms. Applications in Computational Biology and Bioinformatics. Springer. 2014. 304 p. 6. Fratavchan V. and Fratavchan T. One pattern recognition method for complex geometric clusters configuration // 2018 International Conference on Development and Application Systems (DAS), Suceava, 2018. P. 200-203. 7. Sasidharan A. and Palakkeel P. Performance of Pattern Recognition Algorithms in Identifying Banking Networks // 2018 International Conference on Advances in Computing, Communications and Informatics (ICACCI), Bangalore, 2018. P. 14631467. 8. Gao Y., Chen Y., Wang J., Tang M. and Lu H. Dense Chained Attention Network for Scene Text Recognition // 2018 25th IEEE International Conference on Image Processing (ICIP), Athens, 2018. Р. 679-683. 9. Tautkute I., Trzcinski T. and Bielski A. I Know How You Feel: Emotion Recognition with Facial Landmarks // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Salt Lake City, UT, 2018. Р. 1959-19592. 10. Panhwar M.A., Memon K.A., Abro A., Zhongliang D., Khuhro S.A. and Memon S. "Signboard Detection and Text Recognition Using Artificial "Neural Networks // 2019 IEEE 9th International -Conference on Electronics Information and Emergency Communication (ICEIEC), Beijing, China. 2019. Р. 16-19. _11. Zhao H., Ye N. and Wang R. A Survey on Automatic
Emotion Recognition Using Audio Big Data and Deep Learning Architectures // 2018 IEEE 4th International Conference on Big Data Security on Cloud (BigDataSecurity), IEEE International Conference on High Performance and Smart Computing, (HPSC) and IEEE International Conference on Intelligent Data and Security (IDS), Omaha, NE, 2018. P. 139-142. 12. Liu M, Xie Z., Huang Y., Jin L. and W Zhou. Distilling GRU with Data Augmentation for Unconstrained Handwritten Text Recognition // 2018 16th International Conference on Frontiers in Handwriting Recognition (ICFHR), Niagara Falls, NY. 2018. P. 56-61. 13. Qadir F. and Peer M.A. Complex Pattern Formation Using Cellular Automata // 2013 International Conference on Machine Intelligence and Research Advancement, Katra, 2013. P. 545-548. 14. Vidal E., Thollard F., C. de la Higuera, F. Casacuberta and Carrasco R. C. Probabilistic finite-state machines -part II // in IEEE Transactions on Pattern Analysis and Machine Intelligence. July 2005. Vol. 27, no. 7. P. 10261039. 15. Zare M., Jampour M., Arezoomand A. S. and Sabouri M. Handwritten Recognition based on Hand Gesture Recognition using Deterministic Finite Automata and Fuzzy Logic // 2019 4th International Conference on Pattern Recognition and Image Analysis (IPRIA). Tehran, Iran. 2019. P. 93-99. 16. Cui Q, El-Arroudi K. and Joos G. An effective feature extraction method in pattern recognition based high impedance fault detection // 2017 19th International Conference on Intelligent System Application to Power Systems (ISAP). San Antonio, TX.
2017. P. 1-6. 7. Ahangaran M. and Beigy H. Cellular learning automata with external input and its applications in pattern recognition // 2009 Fifth International Conference on Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control. Famagusta. 2009. P. 1-4. 18. Hahanov V. Cyber Physical Computing for IoT-driven Services. Springer. New York.
2018. 279 p. 19.https://spectrum.ieee.org/nanoclast/semi-conductors/processors/the-accelerator-wall-a-new-prob-lem-for-a-post-moores-law-world?utm source=cir-cuitsandsensors&utm campaign=circuitsand sensors-02-19-19&utm medium=email 20. Susan Stepney, Steen Rasmussen, Martyn Amos. Computational Matter. Natural Computing Series. Switzerland, Springer, 2018. 336 p. Transliterated bibliography:
1. Ulisses Braga-Neto. Fundamentals of Pattern Recognition and Machine Learning. Springer, 2020. 300 p.
2. Teorija upravlenija. Dopolnitel'nye glavy. Uchebnoe posobie Pod redakciej D.A. Novikova. M.: LENARD.
2019. 552s.
3. Vento M., Percannella G., Colantonio S., Giorgi D., Matuszewski B.J., Kerdegari H., Razaak M. Computer Analysis of Images and Patterns. Proceedings CAIP 2019 International Workshops. 2019. 129p.
4. Marinai Simone, Fujisawa Hiromichi. Machine Learning in Document Analysis and Recognition. Springer. 2008. 434p.
5. Maji Pradipta, Paul Sushmita. Scalable Pattern Recognition Algorithms. Applications in Computational Biology and Bioinformatics. Springer. 2014. 304p.
6. V. Fratavchan and T. Fratavchan, "One pattern recognition method for complex geometric clusters configuration," 2018 International Conference on Development and Application Systems (DAS), Suceava, 2018, pp. 200-203.
7. A. Sasidharan and P. Palakkeel, "Performance of Pattern Recognition Algorithms in Identifying Banking Networks," 2018 International Conference on Advances in Computing, Communications and Informatics (ICACCI), Bangalore, 2018, pp. 1463-1467.
8. Y. Gao, Y. Chen, J. Wang, M. Tang and H. Lu, "Dense Chained Attention Network for Scene Text Recognition," 2018 25th IEEE International Conference on Image Processing (ICIP), Athens, 2018, pp. 679-683.
9. I. Tautkute, T. Trzcinski and A. Bielski, "I Know How You Feel: Emotion Recognition with Facial Landmarks," 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Salt Lake City, UT, 2018, pp. 1959-19592.
10. M. A. Panhwar, K. A. Memon, A. Abro, D. Zhongliang, S. A. Khuhro and S. Memon, "Signboard Detection and Text Recognition Using Artificial Neural Networks," 2019 IEEE 9th International Conference on Electronics Information and Emergency Communication (ICEIEC), Beijing, China, 2019, pp. 16-19.
11. H. Zhao, N. Ye and R. Wang, "A Survey on Automatic Emotion Recognition Using Audio Big Data and Deep Learning Architectures," 2018 IEEE 4th International Conference on Big Data Security on Cloud (BigDataSecurity), IEEE International Conference on High Performance and Smart Computing, (HPSC) and IEEE International Conference on Intelligent Data and Security (IDS), Omaha, NE, 2018, pp. 139-142.
12. M. Liu, Z. Xie, Y. Huang, L. Jin and W. Zhou, "Distilling GRU with Data Augmentation for Unconstrained Handwritten Text Recognition," 2018 16th International Conference on Frontiers in Handwriting Recognition (ICFHR), Niagara Falls, NY, 2018, pp. 56-61.
13. F. Qadir andM. A. Peer, "Complex Pattern Formation Using Cellular Automata," 2013 International Conference on Machine Intelligence and Research Advancement, Katra. 2013. P. 545-548.
14. E. Vidal, F. Thollard, C. de la Higuera, F. Casacuberta and R. C. Carrasco, "Probabilistic finite-state machines -part II," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 27, no. 7, pp. 1026-1039, July 2005.
15. M. Zare, M. Jampour, A. S. Arezoomand andM. Sabouri, "Handwritten Recognition based on Hand Gesture Recognition using Deterministic Finite Automata and Fuzzy Logic," 2019 4th International Conference on Pattern Recognition and Image Analysis (IPRIA), Tehran, Iran, 2019, pp. 93-99.
16. Q. Cui, K. El-Arroudi and G. Joos, "An effective feature extraction method in pattern recognition based high impedance fault detection," 2017 19th International Conference on Intelligent System Application to Power Systems (ISAP), San Antonio, TX, 2017, pp. 1-6.
17. M. Ahangaran andH. Beigy, "Cellular learning automata with external input and its applications in pattern recognition," 2009 Fifth International Conference on Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control, Famagusta, 2009, pp. 1-4.
18. Hahanov V. Cyber Physical Computing for IoT-driven Services. Springer. New York. 2018. 279 p.
19.https://spectrum.ieee.org/nanoclast/semiconduc-tors/processors/the-accelerator-wall-a-new-problem-for-a-post-moores-law-world?utm source=circuitsand-
sensors&utm campaign=circuitsand_sensors-02-19-
19&utm medium=email
20. Susan Stepney, Steen Rasmussen, Martyn Amos. Computational Matter. Natural Computing Series. Switzerland, Springer, 2018. 336 p.
Надшшла до редколегп 03.12.2019 Рецензент: д-р техн. наук, проф. Дрозд О.В. Хаханова Ганна Володимiрiвна, канд. техн. наук, доцент кафедри АПОТ ХНУРЕ. HayraBi штереси: стис-нення та ввдновлення двiйковоi iнформaцii. Адреса: Украна, 61166, Харшв, пр. Науки, 14. e-mail: anna.ha-hanova@nure.ua
Khakhanova Anna Vladimirovna, PhD., Associate Professor, Design Automation Department, NURE. Scientific Interests: compressed and binary information recovery. Address: Ukraine, 61166, Kharkov, Nauky Ave., 14, email: anna.hahanova@nure.ua
