CC BY
49
Программа обучения
Методика обучения
Право доступа
Учебное пособие
Конструи рование учебного курса
Электронный учебный курс
Учащийся, прошедший Проигрывание учебный курс учебного курса *
Рис. 1. ЮEF0-диаграмма декомпозиции организации _автоматизированного обучения_
тронного учебного курса, отражающего личный профессиональный опыт преподавателя, на основании которого ведется обучение студента по индивидуальной программе, и устанавливает наличие определенных функциональных составляющих (рис. 2):
Конструирование предметных
Конструирование методич еских знаний
Рис. 2. ЮEF0-дшграмма декомпозиции _конструирования учебного курса_
Взаимодействие обучаемого с ИОС осуществляется с помощью функциональной возможности проигрывания учебного курса. Реализация данной функции в ИОС предполагает наличие следующих функциональных составляющих, представленных на рисунке 3.
Результатом успешной регистрации является получение сведений о целях обучения и уровне подготовки учащегося. Алгоритм нечеткого управления обучением позволяет на основе анализа текущей подготовки обучаемого выявить пробелы в знаниях, найти части курса, дополнительное изучение которых позволит устранить эти пробелы, и автоматически перестроить состав и структуру учебного курса. Контроль знаний с использованием нечеткой логики позволяет на основе анализа результатов тестирования определить
степень овладения учебным материалом и сформировать последовательность тестовых заданий, соответствующих уровню подготовки обучаемого, исключая дублирование вопросов.
На основе функциональной модели построена информационная модель процесса обучения. Информационная модель разработана с учетом выделенных нечетких множеств и отношений, что позволяет извлекать информацию из базы данных с использованием качественных критериев и нечетко сформулированных условий, решая тем самым проблему ограниченности четких запросов. Посредством процедуры связывания модели данных и модели процессов установлена адекватность разработанных моделей на качественном уровне, что гарантирует завершенность анализа и является исходными данными для разработки приложения.
I Право I доступа
__Зарегистри-
реГисТрация рованньй пользователя учащийся
Электронный учебны
Обучение учащегося
Учащийся, изучивший теоретический материал
Контроль знаний
Успеваемость
I Учащийся, не I прошедший
Рис. 3. lDEF0-диаграмма декомпозиции проигрывания учебного курса
ИОС «Educate» реализована с помощью средства разработки Delphi. Основные функциональные возможности системы - формирование педагогических и персональных знаний на качественном уровне, их представление и адаптация к предметной области и обучаемому. ИОС «Educate» позволяет разрабатывать различные педагогические программные средства: электронные учебные курсы, контролирующие программы, справочники, энциклопедии и т.д. Применение системы в учебном процессе позволяет максимально автоматизировать процесс обучения, решая проблему организации процесса обучения без присутствия преподавателя. ИОС «Educate» зарегистрирована в Отраслевом фонде алгоритмов и программ.
Прав о Методика
доступа обучения
|рограм ма обучения
Учебное пособие
Предм
знаний
электронны
ИОС
НОРМАЛИЗАЦИЯ СИЛУЭТОВ ОБЪЕКТОВ В СИСТЕМАХ ТЕХНИЧЕСКОГО ЗРЕНИЯ
А.Ю. Ваничев (Санкт-Петербург)
Суть нормализации изображений в системах технического зрения заключается в автоматическом вычислении неизвестных параметров преоб-
разований, которым подвергнуты входные изображения, и в последующем приведении их к эталонному виду. Процедура преобразований произ-
водится с помощью операторов нормализации (нормализаторов), а вычисление параметров выполняется функционалами, действующими на множестве изображений. Параллельные и последовательные, параметрические и следящие нормализаторы нашли эффективное применение для базовых преобразований: смещений, поворотов, растяжений, косых сдвигов и некоторых их комбинаций. Остается открытым вопрос о поиске универсальных и надежных нормализаторов для сложных групп преобразований - аффинных и проективных. В настоящей статье рассмотрен подход к нормализации силуэтов объектов на основе методов многомерного шкалирования.
Как известно, многомерное шкалирование -совокупность методов, позволяющих по заданной информации о мерах различия (близости) между объектами рассматриваемой совокупности приписывать каждому из этих объектов вектор характеризующих его количественных показателей. При этом размерность искомого координатного пространства задается заранее, а «погружение» в него анализируемых объектов производится таким образом, чтобы структура взаимных различий (близостей) между ними, измеренных с помощью приписываемых им вспомогательных координат, в среднем наименее отличалась бы от заданной в смысле того или иного функционала качества. Процедуры многомерного шкалирования отличаются от методов линейного и нелинейного проецирования данных в пространство меньшей размерности в основном тем, что исходной информацией для них служит только матрица различий (близостей) между исследуемыми объектами и не требуется знания значений признаков для этих объектов. Когда информация задана в виде матрицы попарных расстояний между объектами, используются методы так называемого метрического шкалирования. Если же элементы матрицы выражают порядковые отношения между объектами, то применяются методы неметрического шкалирования. Охарактеризуем классический подход к решению задачи метрического шкалирования.
Обычно пространство Кр предполагается евклидовым. Для этого случая справедливы следующие преобразования, которые необходимы для перехода от матрицы расстояний Б=(бу) к координатам объектов в пространстве для визуального анализа хх,...,хр'.
Метод определения координат точек хх,...,хк (с точностью до ортогонального вращения) и размерности пространства, в которое они отображаются, основан не на непосредственном использовании матрицы Б, а на преобразовании ее в матрицу В скалярных произведений центрированных векторов Ьу = (х, -ц)т(ху-ц), где ц - вектор
средних значений.
Между элементами матрицы В и расстояниями ^ установлено следующее соотношение:
bu=
1
N
- df; +- У df N j=1 j
f +-
lN.f 1
У df-—У df N У dj n2 уdJ j=1 N
J у
Процедура перехода от D к B называется двойным центрированием D. Матрица B размера (NxN) обладает следующими свойствами.
1. Неотрицательно определена.
2. Ранг матрицы B равен размерности искомого пространства отображения.
3. Ненулевые собственные числа матрицы B, упорядоченные в порядке убывания, совпадают с соответствующими собственными числами матрицы S=XXT, где X - центрированная матрица данных (не известная нам). Матрица S/N есть матрица ковариаций для X.
4. Пусть ur есть r-й собственный вектор матрицы S, соответствующий r-му собственному числу Xr. Тогда вектор значений r-й главной компоненты будет zr=XTur.
В то же время, пусть yr - r-й собственный вектор матрицы B, соответствующий тому же собственному значению Xr, то есть Byr = Xryr.
Тогда zr =JXryr .
Из свойства 4 следует, что, решая задачу собственных чисел и собственных векторов для матрицы B и ограничиваясь ненулевыми собственными числами A,1v..,A,p, получаем координатное представление точек в пространстве главных компонент, основываясь на приведенных формулах.
Элементы матрицы B могут быть представле-p'
ны в виде b,j = У zirzJr .
r=1
Очевидно, решение Z является линейной функцией X и определяется лишь с точностью до ортогонального преобразования, поскольку после применения к матрице Z преобразования вращения преобразованная матрица Z столь же точно восстанавливает матрицу B, как и матрица Z. Поэтому такое шкалирование называют линейным.
Решение задачи шкалирования, полученное классическим линейным методом, часто используется как начальное приближение в процедурах нелинейного многомерного шкалирования, которые строятся аналогично рассмотренным процедурам нелинейного проецирования данных в пространство меньшей размерности. Особенности этих процедур описаны в литературе по многомерному шкалированию.
С точки зрения задачи нормализации силуэтов объектов методы многомерного шкалирования могут быть использованы для центрирования, ориентирования и приведения к единому масштабу силуэтов того или иного объекта, изображение которого получено в разных ракурсах. В качестве многомерных объектов для изображения могут выступать все точки контура (взятые с определенным шагом) либо некоторые характерные точки
силуэта, вычисленные тем или иным способом. Между этими точками вычисляется матрица попарных расстояний Б и далее применяется процедура многомерного шкалирования для вычисления новых координат исходных точек. При этом силуэт автоматически центрируется, и первая ось нового пространства ориентируется таким образом, что на нее приходится максимальный разброс координат новых точек, а вторая ось ортогональна первой, и разброс точек на ней соответствует второму собственному числу матрицы 8=ХХТ.
Предложенный метод нормализации силуэтов может иметь развитие в направлении, связанном с неметрическим многомерным шкалированием. В частности, расстояния матрицы Б могут быть проранжированы по величине и тем самым переведены в ранговую шкалу. По-видимому, использование рангов расстояний делает процедуру нормализации силуэтов объектов более устойчивой к достаточно широкому кругу возможных искажений, что вообще характерно для различных ранговых методов.
ИНФОРМАЦИОННЫЕ ПОТОКИ, ОБРАБАТЫВАЕМЫЕ ИНФОРМАЦИОННО-ДИСПЕТЧЕРСКОЙ СИСТЕМОЙ
И.А. Сикарев, к.т.н., О.В. Петриева (Санкт-Петербург)
Обеспечение безопасности и повышение эффективности транспортного процесса на внутренних водных путях (ВВП) выполняют автоматизированные системы управления движением судов (АСУ ДС). Технологическим ядром АСУ ДС является информационная диспетчерская система, которая является частью корпоративной речной информационной системы (ИС). Отраслевой формой реализации этого класса ИС являются организационно-технические образования, получившие названия «Речные информационные службы».
Важным элементом функционирования информационно-диспетчерской системы АСУ ДС являются информационные потоки (ИП), обрабатываемые системой. В общем случае для информационно-диспетчерской системы АСУ ДС свойственно наличие ИП, которые с точки зрения функционирования системы можно разделить на три типа: входящие ИП (ВхИП), внутренние ИП межмодульного взаимодействия (ВнИП) системы, исходящие ИП (ИсИП).
Перечисленные ИП представлены на рисунке в виде диаграммы потоков данных.
К наиболее важным источникам получения информации можно отнести систему судовых со-
3 ИсИП1
Передача информации ИсИП2
ИсИПЗ
Диаграмма потоков данных ИДС
общений, автоматизированную идентификационную систему (АИС), средства радиолокационного наблюдения и контроля. Так, например, основу получения информации в управлении «Вол-го-Балт» составляет система судовых сообщений, поставляющая два вида информации - статическую и динамическую.
Статическая составляющая системы содержит информацию о рейсах, грузе и т.д. Статическая информация формируется в начале рейса и необходима для прогнозирования обстановки на ВВП, для планирования наиболее рационального графика движения судов, предотвращения аварий.
Динамическая информация является источником данных о местонахождении судна во время рейса. Динамическая информация используется для планирования работы шлюзов и портов, а также для своевременной коррекции графика движения судов.
Каналом поступления динамической информации является голосовой обмен между диспетчерами линейных пунктов управления движением и судоводителями по УКВ-радиосвязи. Полученная информация далее вводится диспетчером в систему вручную для последующего использования. Основным недостатком существующей системы судовых сообщений является отсутствие автоматического ввода получаемой информации непосредственно в систему. Ручной ввод информации может явиться источником ошибок и при определенных условиях не в состоянии обеспечить необходимую оперативность и достоверность данных.
АИС является навигационной системой, которая использует взаимный обмен на канале УКВ между судами, а также между судном и береговыми службами. АИС используется для передачи информации для опознавания судна, получения сведений о нем и его рейсе, параметрах движения с целью решения задач по предупреждению столкновений судов, контроля за соблюдением режима
