Разработка приложения для построения экономических прогнозов Текст научной статьи по специальности «Компьютерные и информационные науки»

Схема нанесения ЦВЗ с применением биометрического шифрования

На первом этапе цифровой отпечаток пальца необходимо преобразовать в уникальную битовую последовательность с помощью дескриптора особых точек BRIEF [5]. Далее необходимо произвести побитовую логическую операцию исключающего ИЛИ (XOR) над битами водяного знака и битами отпечатка пальца. Полученную последовательность бит встраиваем в контейнер с использованием выбранного метода встраивания ЦВЗ. Извлечение знака осуществляется в обратном порядке: после извлечения ЦВЗ необходимо применить повторно операцию XOR для расшифровки полученного ЦВЗ.

Таким образом, данная модификация алгоритма нанесения ЦВЗ увеличивает робастность передаваемой информации от несанкционированного доступа, так как без цифрового отпечатка пальца злоумышленник не имеет возможности прочесть водяной знак.

Библиографические ссылки

1. Грибунин В. Г., Оков И. Н., Туринцев В. И. Цифровая стеганография. М. : СОЛОН-Пресс, 2002. 272 с.

2. Конахович Г. Ф., Пузыренко А. Ю. Компьютерная стеганография. Теория и практика. К. : МК-Пресс, 2006. 288 с.

3. Langelaar G. C., Setyawan I., Lagendijik R. I. Watermarking digital image and video data // IEEE Signal Processing Magazine. 2000. Vol. 17, no. 5, рр. 20-46.

4. Koch E., Zhao J. Towards Robust and Hidden Image Copyright Labeling // IEEE Workshop on Nonlinear Signal and Image Processing. 1995. P. 123-132.

5. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features // Proc. European Conf. on Computer Vision. 2010. P. 778-792.

References

1. Gribunin V. G., Okov I. N., Turincev V. I. Digital steganography. M. : SOLON-Press, 2002. 272 p.

2. Konahovich G. F., Puzirenko A. U. Komp'uternaya steganografiya. Teoriya i praktika [Computer's steganography. Theory and practice]. K : MK-Press, 2006. 288 p.

3. Langelaar G. C., Setyawan I., Lagendijik R. I. Watermarking digital image and video data // IEEE Signal Processing Magazine. 2000. Vol. 17, No. 5, рр. 20-46.

4. Koch E., Zhao J. Towards Robust and Hidden Image Copyright Labeling // IEEE Workshop on Nonlinear Signal and Image Processing. 1995. Pр. 123-132.

5. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features [Text] // Proc. European Conference on Computer Vision. 2010. Pр. 778-792.

© Орешкина Е. И., 2015

УДК 519.246.8

РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ ПОСТРОЕНИЯ ЭКОНОМИЧЕСКИХ ПРОГНОЗОВ*

И. А. Панфилов, Т. В. Пен

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected]

Рассмотрен метод получения прогноза экономики предприятия, работающего в кооперации ракетно-космического комплекса. Используется математический аппарат обработки временных рядов и получения прогнозных оценок.

Ключевые слова: рынок труда, прогнозирование, метод наименьших квадратов, уравнение регрессии, система моделирования.

APPLICATION DEVELOPMENT TO CREATE ECONOMIC FORECASTS

I. A. Panfilov, T. V. Pen

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected], [email protected]

Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации, в рамках проекта ММЕП57414Х0037.

Решетнеескцие чтения. 2015

In the article the authors review the method of getting economic forecast for a company of rocket and space complex. Authors use the mathematical apparatus to process time series and get an economic assessment.

Keywords: labor-market, forecast, least square method, the regression equation modeling of system.

Эффективная деятельность предприятий ракетно-космической отрасли в современных условиях в значительной степени зависит от построения модели прогноза [1]. Роль прогнозирования в управлении предприятием очевидна. Прогнозируемые показатели способствуют успешному существованию предприятия в долгосрочной перспективе. К ним относятся: величина прибыли, объем реализации продукции, фондоотдача, рентабельность, производительность труда, показатели рынка труда и т. д.

Наличие неопределенностей у перечисленных факторов значительно усложняют процесс управления организации. В первую очередь, это связано с тем, что в связи с развитием предприятия ракетно-космической промышленности возникают новые цели и конкретные задачи, налаживаются новые хозяйственные связи, формируются новые механизмы управления.

Результаты, полученные благодаря прогнозированию, позволят принимать наиболее верные экономические и управленческие решения [2].

Процесс прогнозирования основывается на статистическом методе и проходит в два этапа.

Первый этап состоит в сборе информации и обобщении данных за некоторый период времени. Затем на этой основе строится сама модель процесса, представляемая в виде аналитической зависимости оцениваемой величины от одного или нескольких факторов. Построение модели процесса для прогнозирования включает в себя выбор формы уравнения, которое описывает динамику и взаимосвязь явлений.

Вторым этапом является сам прогноз. На данном этапе на основе полученных закономерностей определяют показатели прогнозируемого значения.

Вектор (Х) есть множество временных интервалов -в нашем случае один месяц. Соответственно (У) - это интересующие нас данные за каждый соответствующий промежуток времени.

Данный массив чисел является временным рядом, позволяющим, с одной стороны, выявить тренд и возможные периодичности в колебании спроса и предложения на рынке труда и, с другой стороны, построить прогноз спроса и предложения на рынке на заданный интервал времени.

Если же временные ряды содержат значительный шум, то первым шагом для выделения тренда является процедура сглаживания, представляющая собой способ усреднения данных, при котором несистематические компоненты взаимно погашают друг друга, что способствует повышению точности оценки коэффициентов уравнения регрессии.

Для повышения точности прогноза целесообразно применять формализованные методы: методы прогнозной экстраполяции и методы математического моделирования. Сущность экстраполяции заключается в анализе тенденций развития объекта в прошлом, в настоящем и переносе их на будущее. Среди мето-

дов экстраполяции наиболее широкое распространение получил метод наименьших квадратов. Он базируется на минимизации суммы квадратов отклонений между расчетными и наблюдаемыми величинами, а именно, строится функционал невязки и минимизируется по параметрам уравнения регрессии, подлежащих следующему определению:

X (У - у™ )2 ^ тш, (1)

где yi - расчетные значения; ух - наблюдаемые величины.

В результате получаем аналитическое выражение, являющееся математической моделью динамики спроса и предложения на рынке труда:

у = а + Ьх , (2)

где а, Ь - коэффициенты уравнения регрессии.

Для построения прогноза спроса и предложения на рынке труда необходимо реализовать определенный алгоритм:

— рассчитать коэффициент корреляции; он необходим для определения зависимости между соседними уровнями ряда;

— проанализировать коррелированности отклонений при помощи критерия Дарбина-Уотсона;

— проверить нормальность распределения остаточной компоненты при помощи -критерия. Но также хотелось бы отметить, что применение метода наименьших квадратов не требует нормального закона распределения ошибок [3];

— проверить модель на адекватность при помощи критерия Фишера;

— оценить качество уравнения регрессии с помощью ошибки абсолютной аппроксимации. Ошибка аппроксимации в пределах 8-10 % свидетельствует о хорошем подборе уравнения регрессии к исходным данным;

— оценить качество построенной модели, применив сумму квадратов полученных абсолютных ошибок, другими словами, необходимо рассчитать коэффициент детерминации. Чем выше полученный коэффициент, тем точность подбора уравнения регрессии выше;

— оценить статистическую значимость коэффициентов уравнения регрессии при помощи критерия Стьюдента [4; 5].

Для реализации данного алгоритма было разработано веб-приложение, работающее на программной платформе Yii-framework.

На основе отсортированных данных, вводимых пользователем, формируется график. По оси абсцисс расположено время, по оси ординат - количество данных на этот промежуток времени. На основании этих статистических показателей формируется временной ряд и при помощи метода наименьших квадратов находятся коэффициенты уравнения регрессии, по которому в дальнейшем строятся прогнозные значения.

Прогноз

260

Щ Количество В Пиния тренда

у = Ь0 + Ы*х

Ъ0 = 1 £>4.48484848485

Ы =23356643356643

Коэффициент корреляции г = 0.31152036128067 Значимость F = 1.006789871S111

Пример работы веб-приложения для прогнозирования рынка труда ИТ-специалистов

Данный проект был апробирован для анализа и решения задач прогнозирования спроса и предложения на рынке труда ИТ-специалистов в г. Красноярске (см. рисунок), а также принятия управленческих решений на основе прогнозируемых данных.

Библиографические ссылки

1. Орлов А. И. Эконометрика. 3-е изд. М. : Экзамен, 2004. 576 с.

2. Орлов А. И. Эконометрическая поддержка контроллинга // Контроллинг. 2002. № 1. С. 42-53.

3. Бородюк В. П., Лепцкий Э. К. Статистическое описание промышленных объектов. М. : Энергия, 1971. 156 с.

4. Плотников В. В. Основы эконометрики : учеб. материал. Владивосток : ДВГАЭУ, 2003.

5. Минзов А. С. Эконометрика. М. : Изд-во МФА, 2001. C. 54.

References

1. Orlov A. I. Jekonometrika. 3-e izd. M. : Jekzamen, 2004. 576 s.

2. Orlov A. I. Jekonometricheskaja podderzhka kontrollinga // Kontrolling. 2002. № 1. S. 42-53.

3. Borodjuk V. P., Lepckij E. K. Statisticheskoe opi-sanie promishlennih obektov. M. : Energiya, 1971. 156 s.

4. Plotnikov V. V. Osnovi ekonometriki. Uchebniy material. Vladivostok : DVGAEU, 2003.

5. Minzov A. S. Ekonometrika. M. : Izdatel'stvo MFA, 2001. S. 54.

© Панфилов И. А., Пен Т. В., 2015

УДК 004.93'12

ПРИМЕНЕНИЕ МЕТОДА ВИОЛЫ-ДЖОНСА ДЛЯ ДЕТЕКТИРОВАНИЯ ЛЮДЕЙ

В СЛОЖНЫХ СЦЕНАХ

А. С. Петров

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: [email protected]

Представлен пример использования метода Виолы-Джонса для детектирования людей в сложных сценах. Метод обучен с помощью алгоритма AdaBoost, проведено тестирование и представлены результаты тестирования.

Ключевые слова: распознавание образов, пешеходы, метод Виолы-Джонса, каскад признаков Хаара, AdaBoost.