CC BY
24ГКНПЦ имени М. В. Хруничева, но в то же время они требуют больших вычислительных ресурсов и времени.
Для расчета подобных сборок применяется метод модальной суперпозиции в сочетании с методом динамической редукции.
Суть метода модальной суперпозиции заключается в том, что отклик системы выражается с помощью небольшого числа собственных форм её колебаний. При этом зачастую необходимо определять только те формы колебаний, частота которых близка к частоте внешней нагрузки (например, только несколько первых частот необходимы для определения линейного динамического отклика системы на воздействие низкочастотных нагрузок). Данный метод может иногда применяться и для решения нелинейных задач, однако принципы суперпозиции и ортогональности применимы только для линейных систем; таким образом, применение метода модальной суперпозиции в большинстве случаев относится к динамическому анализу линейных систем.
Метод динамического редуцирования подконст-рукций позволяет эффективно проанализировать КЭМ большого размера путем разбиения исходной конструкции на отдельные подконструкции. Для каждой подконструкции проводится динамическое редуцирование по формату Крейга-Бэмптона и создаются матрицы в формате БМЮ [3]. Динамическое редуцирование проводится с помощью средств комплекса БетарМХ Данные матрицы представляют
собой обобщенные матрицы масс и жесткости соответствующие граничным узлам и собственным формам КЭМ. Данные матрицы полностью описывают динамическое поведение рассматриваемой модели и могут использоваться для создания полной КЭМ, состоящей из отдельных подконструкций [4; 5]. Метод динамического редуцирования позволяет создать результирующую КЭМ с гораздо меньшим числом степеней свободы, чем исходная, а также полностью сохранить динамические свойства конструкции.
Такие модели позволяют рассчитать нагрузки не только на силовую конструкцию КА, но и на приборы, облучатели, рефлекторы, солнечные батареи,
учитывая упругие колебания в диапазоне до 100 Гц (обусловлено вычислительными возможностями разработчиков КЭМ).
Таким образом, использование динамического редуцирования позволяет провести анализ конструкции КА в сжатые сроки, в полном объеме и при ограниченных вычислительных ресурсах.
Библиографические ссылки
1. Ильенко Ю. Е., Кулакова К. П., Зуев Н. Н. Расчеты упругих колебаний и динамических нагрузок ракет-носителей космических аппаратов // Техника воздушного флота. 1999. № 5. С. 24-34.
2. Соловьева Т. И., Шатров А. К. Комплексный подход к анализу динамического поведения спутников // Вестник СибГАУ. 2007. № 2(15). С. 195-197.
3. Рыбников Е. К., Володин С. В. Инженерные расчёты механических конструкций в системе MSC. Patran-Nastran : учеб. пособие. М., 2003. Ч. II. 174 с.
4. Бате Н., Вилсон Е. Численные методы анализа и метод конечных элементов. М. : Стройиздат, 1982. 448 с.
5. Хог Э., Арора Я. Прикладное оптимальное проектирование. М. : Мир, 1983. 480 с.
References
1. Ilienko U. E., Kulakova K. P., Zuev N. N. Calculations of elastic vibrations and dynamic loads of spacecraft launch vehicles // Technika vozdushnogo flota. 1999. No. 5, рр. 24-34 (In Russ.).
2. Solovieva T. I., Shatrov A. K. An integrated approach to the analysis of the dynamic behavior of the satellites // Vestnik SibGAU. 2007. No. 2(15), рр. 195197 (In Russ.).
3. Rybnikov E. K., Volodin S. V. Engineering in system MSC Patran-Nastran : handbook. Part II. Moscow, 2003. 174 p.
4. Bate N., Wilson E. Numeric method of analyze and finite element method. Moscow : Stroiizdat Publ., 1982. 448 p.
5. Hogg E., Arora J. Applied optimal desighn. Moscow : Mir Publ., 1983. 480 p.
© Баляков Д. Ф., 2015
УДК 004.932.2
ОПРЕДЕЛЕНИЕ ГЛОБАЛЬНЫХ ПРИЗНАКОВ ПОДПИСИ НА ДОКУМЕНТЕ
Р. П. Баранов, А. Н. Болгов, Е. С. Казмирук
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: zeatool@gmail.com
Рассматривается подход к решению задачи идентификации человека по подписи. Основное внимание уделяется распознаванию статической подписи, полученной с изображения. Данная задача востребована в сфере бизнеса, маркетинга, банковских операций, контроля безопасности и аутентификации документа. Особенно остро проблема идентификации личности стоит в электронном документообороте. Чаще всего на документах стоят электронные подписи, однако далеко не все документы имеют исключительно электронный вид,
Решетнеескцие чтения. 2015
как правило, это внешние входящие и исходящие документы. Именно на таких документах чаще всего и необходимо определить личность человека, который оставил на нем свою подпись.
Ключевые слова: обработка изображений, скелетизация, идентификация пользователя, распознавание подписи, биокриптография.
IDENTIFYING GLOBAL SIGNATURE FEATURES IN DOCUMENT
R. P. Baranov, A. N. Bolgov, E. S. Kazmiruk
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: zeatool@gmail.com
The research deals with the approach to the problem of human signature identification. The off-line signature verification is demanded in business and marketing, bank transactions, security control, and document authentication. The off-line signature verification is a difficult process in comparison to the on-line verification. In this paper, the extension offeature set, including global, local, and special features for simple and cursive types of signatures, is proposed. The global features are required to create a decision tree, which limits a field of the search. An approach for a human identification by person signature is considered. The methods of signature identification dependently on the way, how this signature is received, are described.
Keywords: image processing, skeletonization, person identification, biocryptography.
Несмотря на наличие большого числа методов биометрической идентификации личности (по отпечаткам пальцев, по радужной оболочке глаза, по сетчатке глаза, по геометрии руки, по термограмме лица, по голосу и т. п.), в задачах идентификации широко применяется подпись. С появлением множества новых устройств ввода данных активно изучаются методы задачи идентификации подписи вместе с динамкой ее создания. Однако возникают случаи, когда получить динамику подписи с устройства невозможно, и имеется только изображение документа, содержащее подпись [1]. В таких случаях необходимо получить структуру подписи из обработанного изображения.
Первым этапом для идентификации человека по изображению подписи является определение графических особенностей этой подписи. Для этого изображение подвергается предварительной обработке, после чего находится сама подпись и переводится в представление набора простых примитивов. Далее, анализируя векторную форму подписи, требуется найти некоторые особенности, которые бы позволяли идентифицировать человека по подписи [2].
В целом предварительную обработку изображения можно разделить на несколько этапов:
1) получение исходного изображения;
2) фильтрация изображения и бинаризация;
3) скелетизация изображения;
4) векторизация скелетного изображения.
Этапы предварительной обработки подписи напрямую зависят от качества изображения подписи. В частном случае изображение можно обрабатывать без предварительной обработки, но чаще всего необходимо выполнять различные операции для улучшения качества изображения подписи. Четкого и определенного порядка работы фильтров нет, пользователь может выбирать его сам, однако последней операцией должна быть бинаризация, так как для дальнейшей обработки подписи необходимо именно бинаризованное изображение [3].
После того, как выбран структурный элемент и подсчитано количество необходимых морфологических операций, необходимо обработать ими изображение. В результате выполнения алгоритма на выходе получается скелетное изображение обрабатываемого объекта. На основе полученного скелета уже можно построить векторное представление подписи.
Одним из глобальных признаков является уклон подписи, который является отношением между длиной подписи и ее шириной с учетом фактора давления. Данный признак используется в качестве имитации нажатия пера при обработке статической подписи [4]. Для построения вектора признаков также используются и другие характеристики.
Наклонная подписи отображает три основных уклона подписи: правый (ЯО), вертикальный (УК) и левый (ЬЕ), = {КО, УК, ЬЕ}.
Отношение между длиной подписи и ее шириной GF2 включает в себя пять отношений: значительно меньше (БМ), меньше (57), равно (ЕТ), больше (ЬТ) и значительно больше (ЬМ), GF2 = {БМ, БТ, ЕТ, ЬТ, ЬМ}.
Соотношение ширины подписи к средней ширине GF3 отображает три типа: малое (ЬГ), нормальное (ИГ), высокое (ЯГ), GF3 = {ЬГ, ИГ, НГ}.
Соотношение длины подписи к средней длине GF4 отображает три типа: малое (ЬЬ), нормальное (ИЬ), высокое (НЬ), GF4 = {ЬЬ, ИЬ, НЬ}.
Окружность с максимальным радиусом, описывающая изображение подписи, GF5 включает в себя два параметра: центр координат (хс, ус) в эвклидовом пространстве с максимальным радиусом (Ятах),
GF5 = {( Хс, Ус), Ятах}.
Глубина нажатия пера GF6 вычисляется как отношение между фрактальной размерностью и скелетом подписи (ЕБ), каждая характеристика описывается квадратом площадью 16x16 пикселей. Нормализованное изображение подписи представляется в виде квадратной сетки данной размерности и описывает множество GF6, включающее в себя соотношение ЕБ
для каждой ячейки сетки, GF6 = {FS1, ..., FS„}. Скелетное представление подписи, изображенное на рисунке, является эффективным методом для того, чтобы найти структурное соотношение между основными компонентами объекта (в данном случае подпись).
Скелет изображения подписи
В задаче распознавания подписи строится дерево решений, включающее в себя векторы GFl ... GF6, и на различных иерархических уровнях выгружаются образцы эталона подписи, которые в дальнейшем помещают в базу данных.
Значение метрики дает процентное соотношение эталона и образца. В зависимости от качества исходного изображения и количества эталонов выставляется пороговое процентное соотношение, при достижении которого эталон и образец считаются идентичными.
Был разработан программный продукт, в котором реализован данный подход идентификации пользователя по изображению подписи. Было проведено тестирование, в котором в качестве входных параметров выступали пары изображений, где первое изображение содержало эталон подписи. По результатам тестирования было выявлено, что средняя погрешность алгоритма составляет 10 %.
Библиографические ссылки
1. Баранов Р. П. Идентификация личной подписи человека // Решетневские чтения : XV Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2011. С. 603-604.
2. Фаворская М. Н. Методы распознавания изображений и видеопоследовательностей : монография. Красноярск, 2010. 176 с.
3. Болгов А. Н., Баранов Р. П., Казмирук Е. С. Структурирование изображений на основе поиска ассоциативных правил // Решетневские чтения : материалы XVI Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2012. С. 594-595.
4. Daramola S. Person Identification System using Static and dynamic Signature Fusion // International J. of Computer Science and Information Security. 2010. Vol (6)7. P. 88-92.
References
1. Baranov R. P. [Identification of human personal signature] // V materialah XV mezhdunarodnoj nauchnoj konferencii "Reshetnevskie chtenija" [The materials of the XV International Scientific Conference "Reshetnev reading"]. Krasnoyarsk, 2011, pp. 603-604.
2. Favorskaja M. N. Metody raspoznavanija izobraz-henij i videoposledovatel 'nostej [Methods of image recognition and video sequences]. Krasnoyarsk, 2010, 176 p.
3. Bolgov A. N., Baranov R. P., Kazmiruk E. S.. [Structuring images based on mining association rules] // V materialah XVI mezhdunarodnoj nauchnoj konferencii "Reshetnevskie chtenija" [The materials of the XVI International scientific conference "Reshetnev reading"]. Krasnoyarsk, 2012, pp. 594-595.
4. Daramola S. Person Identification System using Static and dynamic Signature Fusion // International Journal of Computer Science and Information Security. 2010. Vol (6)7, рp. 88-92.
© Баранов Р. П., Болгов А. Н., Казмирук Е. С., 2015
УДК 004.414.23
НЕЧЕТКАЯ СИСТЕМА УПРАВЛЕНИЯ НЕЙРОСЕТЕВЫМИ РЕСУРСАМИ*
С. В. Богаченко, Л. В. Липинский
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-таП: sveta.bogachenko@mail.ru
Предложен подход выбора структуры нейронной сети системой, основанной на нечеткой логике. Приведены результаты исследования рассматриваемого метода на одной из тестовых задач.
Ключевые слова: нейронные сети, структура нейронной сети, нечеткий контроллер, лингвистическая переменная.
* Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.
