CC BY
27
ЛИТЕРАТУРА
1. Engen, G.F., Application of an Arbitrary Six-Port Junction to Power Measurement Problems / G.F. Engen, C.A. Hoer // IEEE Trans, on Instrum. and Meas. - 1972. May, Vol. 21. P. 470-474.
2. Hanson, E.R.B. An Ideal Six-Port Network Consisting of a Matched Reciprocal Lossless Five-Port and a Perfect Directional Coupler E.R.B. Hanson, G.P. Riblet. // IEEE Trans. of Microwave Theory and Tech. - 1983. Mar. Vol. MTT-31, P. 284-288.
3. Кабанов, Д.А. Опыт разработки автоматических анализаторов СВЧ цепей с 12-полюсными рефлектометрами / Д.А. Кабанов, С.М. Никулин, В.В. Петров, А.Н. Салов // Измерительная техника, № 10, 1985. - С. 38-40.
4. Рейзенкинд, Я.А. Состояние и перспективы развития методов измерения параметров двухполюсников и четырехполюсников на СВЧ / Я.А. Рейзенкинд, В.А. Следков // Зарубежная радиоэлектроника, № 8, 1988.-
С. 30-60.
5. Li, S. Calibration of Multiport Reflectometers by Means of Four Open Short Circuits / S. Li, R.G. Воsisiо // IEEE Trans. Microwave Theory Tech. - 1982. Jul. Vol. MTT-30, P. 1085-1090.
6. Griffin, E.J. Six-Port Reflectometers and Network Analysers / E.J. Griffin // In IEE Vacation School Lecture Notes on Microwave Measurement London Inst. Elec. Eng.. 1983, P 11/1-11/22.
7. Xiao, F. Application of a Six-Port Wave-Correlator for a Very Low Velocity Measurement Using the Doppler Effect / F. Xiao, F.M. Ghannouchi, T. Yakabe // IEEE Trans. Instr. Meas., 2003. Apr. Vol. 52, no. 2, P. 546-554.
8. Yakabe, T. Six-Port Based Wave-Correlator with Application to Beam Direction Finding / T. Yakabe ; F. Xiao ; K. Iwamoto; et.al. // IEEE Trans. Instrum. Meas., 2001. Apr. No. 2, Vol. 50, P. 377-380.
9. Львов, П.А. Применение многополюсных рефлектометров специального вида для решения ряда прикладных задач / П.А. Львов // Вестник Саратовского государственного технического университета, №2(45), Вып. 1, 2010, С. 181 - 193.
10. Львов, А.А. Автоматический измеритель параметров СВЧ двухполюсников на основе многополюсника / А.А. Львов // Измерительная техника, 1996 г., №2, С.10-12.
11. Стюхин В.В. Выбор оптимального варианта построения электронных средств / В.В. Стюхин, И.И Кочегаров, В.Я. Баннов // Труды международного симпозиума Надежность и качество. 2014. Т. 2. С 383-385.
12. Stelzer, A. A Microwave Position Sensor with Submillimeter Accuracy / A. Stelzer, C.G Diskus, K. Lubke, H.W. Thim // IEEE Trans. Microwave Theor. & Tech., 1999. Dec. Vol. MTT-12 (47) P. 2621-2624,
13. Львов, А.А. Метод калибровки автоматической многозондовой измерительной линии / А.А. Львов К.В. Семёнов // Измерительная техника, 1999, №4. - С. 34-39.
14. Львов, А.А. Высокотемпературные датчики давления / Р.С. Коновалов, А.А. Львов // Труды Международного симпозиума «Надежность и качество»: в 2-х т., Пенза: Изд-во Пенз. ГУ, 2014, Т. 2. - С. 48 -50.
15. Львов, А.А. Компенсация температурной погрешности интеллектуальных датчиков давления / А.Ю. Николаенко, А.А. Львов, П.А. Львов // Труды Международного симпозиума «Надежность и качество»: в 2-х т., 2014, Пенза: Изд-во Пенз. ГУ, Т. 2. - С. 57-59.
УДК 621.396
Андрианов Д.Е., Еремеев С.В., Купцов К.В.
Муромский институт (филиал) ФГБОУ ВПО Владимирский Государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых
ПОВЫШЕНИЕ НАДЕЖНОСТИ АЛГОРИТМОВ ОБРАБОТКИ ДАННЫХ ПРОСТРАНСТВЕННО-РАСПРЕДЕЛЕННЫХ ОБЪЕКТОВ
НА ОСНОВЕ ТОПОЛОГИЧЕСКИХ ПРИЗНАКОВ
В статье рассматривается проблема распознавания пространственно-распределенных объектов в геоинформационных системах. Приведены варианты решений этого вопроса, выполнена некоторая классификация методов и алгоритмов и сделаны предложения по вариантам развития для нахождения подходящего решения по этой проблеме. В первую очередь, это повышение качества распознавания. Во-вторых, это создание общих правил, которые будут обладать необходимым порогом точности, для исключения ошибочной классификации пространственных объектов определенного вида. В-третьих, создание правил, которые определяют взаимосвязи объектов различных видов.
Рассматривается проблема важности не только распознавания объектов, но и учета их взаимного расположения и вычисления пространственных признаков относительно друг друга. Предложены некоторые правила, обеспечивающие топологическую согласованность объектов при переходе на разные масштабы.
Ключевые слова:
геоинформационные системы; пространственно-распределенные объекты; распознавание объектов; топология; топологические отношения.
Введение а также предлагаются алгоритмы с использованием
Человеку свойственно воспринимать информацию топологии и топологических отношений. визуально, поэтому немалую часть информации он 1 Методы распознавания пространственных объ-
изучает посредством зрения, рассматривая снимки, ектов на аэроснимках
чертежи, карты, графики [1]. Распознавание про- В методе [2] рассматривается вопрос распозна-
странственно-распределенных объектов - это один вания объектов дорожной сети. Эта задача ослож-из наиболее трудных вопросов в сфере цифровой нена тем, что дорожная сеть относится к сложным обработки изображений. Поэтому реализация поиска пространственным объектам с различными протяжен-необходимых объектов на изображениях карты яв- ностью, геометрическими и яркостными характери-ляется актуальной задачей, требующей подходящего стиками. Кроме этого, затрудняет обнаружение пе-решения. рекрытий дорожной сети различными объектами дру-
Распознавание пространственно-распределенных гих классов. В работе сформированы признаки до-объектов на изображении является вопросом клас- рожной сети, в частности, значительная протяжен-сификации экземпляров некоторого вида (класса). ность прямолинейных участков, одинаковая ширина Существует множество алгоритмов и методов выде- на участке протяжения, равномерное распределение ления объектов на снимке. Число предложенных ре- яркости в пределах объекта, четкие контуры до-шений для распознавания объектов не меньше, но, рожного полотна.
обычно, решение можно использовать для конкрет- Приведены математические формулы, которые
ной прикладной задачи. В этой статье приводятся применяются при отборе объектов. Используется некоторые из существующих методов и алгоритмов фильтр с конечной импульсной характеристикой, для распознавания объектов на растровых картах, результатом применения которого к исходному
изображению являются: карта средних квадратиче-ских отклонений для точек с ненулевым откликом функции и карта направлений углов поворота окна фильтра.
В методе [3] рассматривается информационная технология для распознавания снимков зданий в топографических картах городов. Она базируется на комбинаторных и геометрических подходах.
Недостатком этих методов является потеря части точек пространственных объектов, из-за чего производится дополнительная обработка данных. Она заключается в применении карты углов поворота окна фильтра, содержащей информацию о направлении дорожной сети относительно оси абсцисс изображения. Кроме того, следует обратить внимание на необходимость повышения точности распознавания пространственно-распределенных объектов.
Произведен анализ существующих методов по выделению пространственных объектов на растровом изображении. Предложен алгоритм поиска транспортных средств на высокоточных снимках в задачах анализа чрезвычайных ситуаций [4]. В качестве результата реализации метода приводится преобразованный высокоточный снимок [5] с выделенными на нем пространственными объектами типа «транспортные средства». Распознавание изображений происходит автоматически, после чего определяется расположение пространственного объекта интересующего пользователя типа. Алгоритм включает такие шаги как: бинаризацию изображения, применение метода Canny, отсеивание контуров, используя выведенные математические формулы.
2 Проверка топологической согласованности на одном слое
Одна из фундаментальных задач в топологическом анализе данных состоит в том, чтобы информацию о пространственно-распределенных объектах трактовать в топологическом пространстве. Важной особенностью топологического анализа информации является согласованность объектов. Возможны такие виды топологических отношений как примыкание, содержание одного объекта внутри другого объекта, пересечение, отсутствие топологии. Распознавание данных видов топологических связей позволит установить взаимоотношения для объектов одного слоя, а ввод этой информации в базу данных даст развитие нового витка в сфере анализа данных.
3 Проверка топологической согласованности в многомасштабных геоинформационных системах
В многомасштабной ГИС очень важной и актуальной задачей является сохранение топологической корректности между объектами. Нарушение топологической корректности может произойти по нескольким причинам. Это можно наблюдать при автоматической генерализации карт, где происходит упрощение объектов, что влечет за собой ошибки по их расположению. Также это происходит при
ручном вводе информации в случае наложения большого количества слоёв, где достаточно сложно предусмотреть взаимодействие всех связанных объектов.
При переходе от одного масштаба к другому возможны такие варианты топологических отношений как сохранение, исчезновение или преобразование топологической связи, при этом сохраняя или изменяя тип объекта; некорректное отображение взаиморасположения объектов.
Если известно взаимодействие пространственных объектов при одном масштабе, то важно применить эти знания в другом масштабе в качестве наследования топологических отношений. Поэтому поднимается вопрос о формирование математических правил, которые позволят произвести корректный переход с одного масштаба карты на другой, при этом, не создавая ошибок на карте. Данные правила будут учитывать наследование топологических отношений между объектами карты и возможное изменение типов пространственных объектов. Это позволит повысить точность топологической согласованности между объектами на разных масштабах карты, что, в конечном счете, улучшает качество генерализации карт.
Пусть К(А, В) - это топологическое отношение между объектами А и В на некотором масштабе. Помимо значения топологического отношения будем также учитывать тип геометрии объектов, то есть их размерность. Тогда представленное отношение будет выглядеть так:
А,В) =<г,ёА,§в > ,
где Ь - тип топологического отношения; £а , - размерность геометрии объектов А и В соответственно, которая может принимать следующие значения: 0 - точечный объект, 1 - линия, 2 - полигон.
Пусть известна пространственная сцена после генерализации. Тогда отношение между объектами будет описано следующим образом:
R(A,B') =<t,gA,,gB,> ,
где А преобразуется в А', В преобразуется в В'.
Рассмотрим пример проверки топологической согласованности карт различных масштабов. Объекты городской инфраструктуры показаны на рисунке 1. Карта позволяет продемонстрировать проверку согласованности и показывает возможности алгоритма.
На рисунке 1а представлена исходная карта, а на рисунке 1б - карта в другом масштабе. Реакция алгоритма на неправильное изменение типа объекта показана на рисунке 1б. Объекты Л и B (рисунок 1а) неправильно изменили геометрический тип (объекты Л' и В' на рисунке 1б). Объект Л изменил тип с линейного на полигональный, а объект В -с полигонального на линейный. Объекты С и D исчезли с карты. Объект Е видоизменил форму, но отображен корректно.
Рисунок 1 - Карта и несоответствие объектного типа. Исходная карта (а), где А, Е имеют линейный тип; В, С, Б имеют полигональный тип. Результирующая карта (б): тип объекта А' изменен (неправильно); тип объекта В' изменен корректно, С и Б исчезли, Е' преобразован (правильно).
Заключение прогресса по данной задаче. Взаимное расположе-
Распознавание объектов является одной из са- ние пространственных объектов будет вычисляться мых сложных и интересных задач при работе с кар- топологическими отношениями. Важной стадией яв-тами. Используется большое число всевозможных ляется разработка математического описания [11, методов для освоения данного направления, неко- 12], правил и алгоритмов топологических связей торые из которых приведены в [6,7,8]. Первооче- между объектами и их преобразований. Это дает редными вопросами, стоящими перед проблемами возможность прогрессировать при интеграции геораспознавания, являются идентификация и класси- метрических типов информации в базу картографи-фикация пространственных объектов различных ви- ческих данных и повышает скорость работы с раст-дов [4,9,10]. ровыми и векторными картами и с базами данных,
Заслуживает внимания вопрос распознавания которые на сегодня содержат данные с координат-
пространственных объектов с использованием то- ной привязкой, что занимает ощутимый объем ре-
пологических признаков. Эта группа методов сурсов памяти и снижает скорость выдачи резуль-
имеет особые перспективы. Исчезновение привязки татов запроса. Применение геометрических типов
к координатам и ввод геометрических типов ин- информации позволит повысить скорость работы и
формации в базы данных, которые содержат в себе уменьшит объем занимаемых ресурсов в памяти. пространственные объекты, станут новой стадией
ЛИТЕРАТУРА
1. Купцов К.В., Буланова Ю.А. Исследование алгоритмов выделения объектов на изображении // Научный потенциал молодежи - будущее России. VI Всероссийские научные Зворыкинские чтения: сб. тез. докл. Всероссийской межвузовской научной конференции. Муром, 25 апр. 2014 г.- Муром: Изд.- полиграфический центр МИ ВлГУ, 2014. - С. 635 - 636
2. Ященко А.А., Мирошниченко С.Ю. Метод распознавания объектов дорожной сети на космических снимках // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2012. № 2-1. С. 158-163.
3. Bashkirov O.A., Vasin Yu.G., Khoroshenkov N.V. DETECTING BUILDINGS ON TOPOGRAPHIC MAPS OF CITIES // Pattern Recognition and Image Analysis (Advances in Mathematical Theory and Applications). 2001. Т. 11. № 2. С. 284.
4. Купцов К.В. Алгоритм поиска транспортных средств на высокоточных снимках в задачах анализа чрезвычайных ситуаций // Алгоритмы, методы и системы обработки данных. 2 (2015) 50-58.
5. Кумисбек Г.М., Касымов У.Т., Ергалиев Д.С., Мадиярова З.С. Квадрокоптеры как доступные устройства для подготовки операторов беспилотников для дистанционного зондирования земли // Труды международного симпозиума «Надежность и качество». 2015. Т.2. С. 22-24
6. Andrianov D.E., Eremeev S.V., Kuptsov K.V. The review of spatial objects recognition models and algorithms // International Conference on Industrial Engineering, Procedia Engineering 129 ( 2015 ) 374 - 379
7. Купцов К.В., Буланова Ю.А. Исследование алгоритмов выделения объектов на изображении // Научный потенциал молодежи - будущее России. VI Всероссийские научные Зворыкинские чтения: сб. тез. докл. Всероссийской межвузовской научной конференции. Муром, 25 апр. 2014 г.- Муром: Изд.- полиграфический центр МИ ВлГУ, 2014. - С. 635 - 636
8. D.E. Andrianov, S.V. Eremeev, K.V. Kuptsov Models of Complex Spatially Distributed Objects and their Features Calculation // 2015 International Conference on Mechanical Engineering, Automation and Control Systems (MEACS) 1-5
9. Чернов А. В., Титова О. А., Чупшев Н. В Автоматическое распознавание контуров зданий на картографических изображениях // Математические методы распознавания образов, 13-я всероссийская конференция, 30 сентября -6 октября 2007 г., г. Зеленогорск, Ленинградская область, сборник докладов, 424-427
10. Андрианов Д.Е., Еремеев С.В., Баринов А.Е., Титов Д.В. Алгоритмы поиска объектов по пространственным характеристикам в задачах муниципальных ГИС // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение, номер 2-3, 2012
11. Дедков В.К. Компьютерное моделирование характеристик надежности нестареющих восстанавливаемых объектов / В.К. Дедков, Н.А. Северцев // Труды международного симпозиума Надежность и качество. 2010. Т. I. С. 368-370.
12. Андрианов Д.Е. Математическое описание топологических отношений в ГИС для целей повышения качества обработки картографической информации // Труды международного симпозиума «Надежность и качество». 2008. Т.1. С. 400-401
УДК: 681.31
Мясникова Н.В., Мясникова М.Г.
ФГОУ ВПО «Пензенский государственный университет», Пенза, Россия
МОДАЛЬНЫЙ АНАЛИЗ: ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА СИГНАЛОВ
Усовершенствована процедура разделения на эмпирические моды для выделения близких частотных составляющих на основе предварительной обработки — дифференцирования или интегрирования, выполняемых для акцентирования высокочастотных или подавления низкочастотных компонент. Ключевые слова:
эмпирические моды, модальный анализ, дифференцирование, интегрирование
Введение
В последнее время возрастает интерес к разложению на эмпирические моды. Авторы уже давно используют такое разложение как предварительную обработку сигналов, позволяющую увеличить отношение сигнал/помеха, упростить алгоритм параметрического анализа (за счет сведения сложной задачи оценивания параметров модели порядка р к простым задачам оценивания параметров составляющих первого и второго порядков) и при этом существенно сократить время анализа. Предварительное разложение использовалось авторами для спектрального анализа, для оценивания параметров
сигналов сложной формы, формирования диагностических признаков, а также для сжатия и восстановления сигналов в распределенных ИИС[1-6].
Однако очевидно, что моды не всегда разделяются четко. Это происходит, если, например, есть быстро затухающие колебания. В этом случае происходит выталкивание более низкочастотных составляющих на более высокочастотные моды. Также не происходит разделения и близких по частоте составляющих с соизмеримыми амплитудами.
Первый пример иллюстрирует рисунок 1, а второй - рисунок 2. На всех графиках в статье по
