CC BY
15Информационно-управляющие системы
УДК 004.93'12
С. Н. Зинин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ БУСТИНГА В ЗАДАЧАХ КЛАССИФИКАЦИИ
РАЗНОРОДНЫХ ДАННЫХ
Рассматривается программное средство, предназначенное для распознания объектов на видеопоследовательностях. Приводятся примеры использования работы программы с данными в текстовом формате, а также обоснование выбора архитектуры приложения.
Задача классификации объектов встречается во многих предметных областях. В системах, работающих в реальном времени, таких как системы видеонаблюдения, важно сократить количество операций, заложенных в реализацию алгоритма с целью ускорения работы программы. Серверные системы, напротив, имеют цель меньше загружать оборудование, а выполнять алгоритм можно в фоновом и отлаженном режимах [1]. Всем этим требованиям в большей степени удовлетворяет семейство алгоритмов усиления слабых классификаторов (бустинг). Бустинг используется в широком спектре задач: от классификации почтовых сообщений в спам-фильтрах до классификации сложных графических объектов [2].
Усиление слабых классификаторов - это подход к решению задачи классификации путём комбинирования примитивных классификаторов в один более сильный комитет. Основная идея метода заключается в итеративной минимизации выпуклого функционала ошибки классификации путем добавления в комитет очередного слабого классификатора [1; 3].
В ходе реализации программы был построен каскад из комитетов слабых классификаторов, работающих по принципу последовательных приближений. Каскад состоит из нескольких ступеней, каждая ступень - комитет простых классификаторов, построенных алгоритмом AdaBoost (в более поздних вариантах использовалась его модификации).
С помощью разработанного программного средства можно создать обучающую выборку по множеству изображений, а также текстовые данные. Программа позволяет не только получать результаты проведения классификации, но и статистические данные, проводить коррекцию хода алгоритма вручную.
Библиографические ссылки
1. Bigun J. A. Local Symmetry Features in Image Processing // ISBN91, 2006. P. 334-340.
2. Barron J. L. Transactions on Image Processing // IEEE05, 2005. P. 12-16.
3. Haritaoglu L. S. Detecting and Tracking People // CVPR08, 2008. P. 962-968.
S. N. Zinin
Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
USAGE OF BOOSTING ALGORITHMS IN DIFFERENT DATA TYPES CLASSIFICATION PROBLEMS
It is covered a software tool for AdaBoost algorithm testing. This program solves many classification problems such as text content analysis and image recognition. The choice of algorithm is carried out by AdaBoost application example.
© Знннн C H, 2010
УДК 004.032.26
В. Н. Игнатенко, И. С. Уколов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
СИСТЕМА ОБМЕНА ИНФОРМАЦИЕЙ МЕЖДУ НЕЙРОСЕТЯМИ РАЗЛИЧНЫХ ТОПОЛОГИЙ
Рассматривается система обмена унифицированными сообщениями между нейронными сетями различных топологий, входящих в состав единого проекта.
В настоящее время существует большое количество классов задач, для решения которых спроектированы определенные модели нейронных сетей. Различные модели нейронных сетей отличаются архитектурой, форматом обрабатываемых данных и представ-
лением входных параметров и результатов. Однако в ситуации, когда в рамках одного проекта приходится решать задачи, требующие одновременного использования различных моделей нейронных сетей, возникает необходимость консолидации результатов работы
Решетневские чтения
нейронных сетей для достижения единого решения. Также может возникнуть необходимость корректировки параметров одних моделей нейронных сетей на основе полученных результатов работы других нейронных сетей.
Отсюда вытекает необходимость создания системы, обеспечивающей следующие возможности:
- предоставление унифицированного интерфейса обмена данными между нейронными сетями;
- предоставление общей шины асинхронного обмена данными между нейронными сетями, входящими в состав проекта;
- предоставление шиной доступа к циркулирующим в ней данным системам оценки эффективности работы нейронных сетей;
- предоставление возможностей брокера для изменения структуры циркулирующих информационных пакетов.
Реализованная таким образом система позволит улучшить эффективность работы всего проекта на основе организации взаимодействия отдельных его элементов - нейронных сетей различных топологий. Также за счет асинхронности обмена сообщениями достигается параллелизм выполнения работы сетями, входящими в проект.
V. N. Ignatenko, I. S. Ukolov Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
THE SYSTEM OF INFORMATIONAL INTERCHANGE OF DIFFERENT TOPOLOGY NEURAL NETWORKS
It is covered the system of unified messages interchange of different topologies neural networks which belong to the united project.
© Игнатенко В. Н., Уколов И. С., 2010
УДК 681.518
А. Г. Иптышева
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ОБЪЕКТНО-ОРИЕНТИРОВАННОЕ МОДЕЛИРОВАНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ ПО ОЦЕНКЕ НАДЕЖНОСТИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
Обоснована актуальность задачи разработки информационной системы по оценке надежности программного обеспечения. Предлагается UML-диаграмма информационной системы.
В настоящее время существует множество моделей для оценки надежности программного обеспечения, с помощью которых можно решить проблему выявления ошибок на этапах жизненного цикла. Применение этих моделей требует громоздких вычислений и значительных временных затрат. Для того чтобы упростить вычисления и ускорить процесс выбора правильного решения, необходимо разработать информационную систему, которая позволит как определять нужную модель, так и рассчитывать надежность интересуемого программного продукта.
На этапе проектирования создается модель будущей системы, в которой учтены ее основные функции. Необходимо выполнить моделирование системы для описания ее основных функций и определения предусмотренных в ней ролей. Описание поведения системы может быть выполнено с помощью ЦМЬ-диаграмм.
Язык ЦМЬ позволяет построить легкие в исследовании и понимании модели объектов, благодаря чему упрощается их программная реализация [1].
Одним из видов диаграмм является ЦМЬ-диаг-рамма активности (см. рисунок).
Диаграмма активностей - это тип диаграмм, позволяющий показать не только последовательность процессов, но также их ветвление и синхронизацию. На рисунке отображены процессы, которые описывают порядок выполнения действий в системе.
После ввода входных данных тестируемого программного продукта система проверяет их на кор-ректность. В положительном случае ввода система обращается к базе знаний, с ее помощью производится выбор нужной модели по оценке надежности. По полученным результатам тестирования производится вывод по надежности программного продукта. В случае неправильного ввода входных данных предлагается ввести другие параметры, иначе тестирование заканчивается. По выводам можно определить дальнейшие действия, которые необходимо провести с тестируемым программным продуктом.
Информационная система по оценке надежности программного обеспечения, которая реализует данную ЦМЬ-диаграмму, находится на этапе разработки.
Библиографическая ссылка
1. Шмуллер Дж. Освой самостоятельно ЦМЬ за 24 часа. 3-е изд. М. : Вильямс, 2005.
