Аттестационная комиссия
Комиссия по аккредитации
Комиссия по экспертов
Распоряжения, инструкции
Нормативные акты
ПОДГОТОВКА КАДРОВ
Номенклатура
Организации
Ученые советы
Семинары
Диссертации		 Научные руководители
Ученые
Докторанты
Постдокторанты
CNAA logo

 română | русский | english


Когнитивно-структурный подход построения интеллектуальных систем восстановления изображени


Автор: Mardare Igor
Степень:доктор хабилитат технических наук
Специальность: 05.13.13 - Вычислительные машины и системы, информационные сети
Год:2009
Научный консультант: Veaceslav Perju
доктор хабилитат, доцент, Технический Университет Молдовы
Институт:
Ученый совет:

Статус

Диссертация была зашищена 7 ноября 2008
Утверждена Национальным Советом 22 января 2009

Автореферат

Adobe PDF document – 5.01 Mb / на румынском
Adobe PDF document – 5.08 Mb / на русском

Диссертация

CZU 004.89 (075.8)

Adobe PDF document 16.00 Mb / на русском
370 страниц

Ключевые слова

восстановление изображений сцен, системы искусственного интеллекта, нейронные сети, ассоциативная память, когнитивные модели, операторные модели, доменные модели, знания об объектах, знания о связях объектов, главный объект, подчиненный объект, отношение главенствования-подчинения, функциональный домен, домен явления, интеллектуальная система восстановления изображений.

Аннотация

Работа посвящена важной и актуальной научной проблеме восстановления дефектных изображений сцен. Поставленная в работе исследовательская задача предусматривает восстановление изображений сцен технической системой, перед которой ставиться задача воспроизведения некоторых феноменов человеческого интеллекта, используемых для восстановления-распознавания изображений.

Для решения задачи восстановления изображения получены когнитивные, интегральные операторные и доменные модели процесса восстановления. Когнитивные модели, включающие базовые элементы (два объекта, связанные отношением доминантности), восстанавливают дефектные изображения по формальным именам и функциям объектов, на основании знаний об идентифицированных объектах сцены, их связях, а также путем управления параметрами объектов. Интегральные операторные модели репродуцируют последовательность взаимодействия ассоциативной памяти и операционной интеллектуальной системы человеческого мозга при поиске решения задачи. В доменных моделях реализуется поиск домена явления внешнего мира, в котором хранится реальный объект (оригинал). В случае отсутствия в данный момент времени во внешнем мире домена явления с требуемыми параметрами, – такой домен воссоздается. Предложенные неоднозначные, связанные и направленные ассоциации устанавливают ассоциативные связи между объектами различных классов, обеспечивая большой выбор ассоциативных объектов для восстановления изображений сцен.

Когнитивные, интегральные операторные и доменные модели реализуются интеллектуальными процессорами, построенными с использованием нейронных сетей и ассоциативной памяти, которые симулируются программным нейросетевым симулятором NNToolbox, входящим в пакет MATLAB 7.0. Интеллектуальные процессоры являются основными структурными элементами интеллектуальной системы восстановления изображений (ИСВИ). В состав ИСВИ также входит разработанная оригинальная база данных изображений, базовых элементов, ассоциативных объектов, функциональных доменов и доменов явлений Date Domen. Реализация когнитивных моделей при помощи ИСВИ обеспечивает восстановление и семантическое конструирование изображений сцен по дефектным изображениям отдельных объектов, входящих в базовые элементы. Это позволяет восстанавливать дефектное изображение сцены в рамках композиционного и смыслового соответствия с истинным изображением сцены. На 1-ом этапе восстановления ИСВИ идентифицирует истинные изображения и восстанавливает отдельные изображения сцены с относительно небольшой степенью дефектности, восстановлению которым ИСВИ обучена. На 2-ом этапе восстановления ИСВИ применяет базовые элементы для восстановления дефектных изображений с высокой степенью дефектности. На 3-ем этапе восстановления ИСВИ осуществляет процесс семантического конструирования сцены. В рамках этого процесса рассматриваются гипотезы возможного присутствия объектов базовых элементов.

ИСВИ эффективно реализует когнитивные, интегральные операторные и доменные модели восстановления изображений сцен. Это подтверждается полученными экспериментальными данными.

Содержание


ГЛАВА 1. Анализ методов и средств решения задачи восстановления изображений
  • 1.1. Анализ задачи восстановления изображений
  • 1.2. Анализ методов решения задачи восстановления изображений
  • 1.2.1. Детерминированные методы
  • 1.2.2. Вероятностные методы
  • 1.2.3. Аналитические методы
  • 1.2.3.1. Нейросетевые методы распознавания изображений
  • 1.3. Анализ нейросетевых платформ
  • 1.3.1. Аппаратная реализация нейронных сетей
  • 1.3.1.1. Нейропроцессоры
  • 1.3.1.2. Нейросетевые ускорители
  • 1.3.1.3. Нейрокомпьютеры
  • 1.3.2. Программная реализация нейронных сетей
  • 1.3.2.1. Пакет MATLAB 7.0
  • 1.3.2.2. Пакет NeuroSolution
  • 1.3.2.3. Пакет EasyNN-plus
  • 1.4. Сопоставительный анализ тенденций в области восстановления изображений и постановка задач исследований

ГЛАВА 2. Разработка теоретических основ когнитивно-структурного подхода восстановления изображений
  • 2.1. Когнитивные модели восстановления изображений
  • 2.1.1. Анализ объектов восстановления
  • 2.1.1.1. Анализ изображения отдельного объекта и классов объектов
  • 2.1.1.2. Анализ изображения сцены
  • 2.1.2. Когнитивная модель познания объектов внешнего мира
  • 2.1.3. Когнитивная модель восстановления изображения объекта
  • 2.1.4. Когнитивная модель восстановления главного объекта
  • 2.1.5. Когнитивная модель восстановления подчиненного объекта
  • 2.1.6. Когнитивная модель восстановления изображения объекта на основе выполняемых функций
  • 2.2. Интегральные операторные модели восстановления изображений
  • 2.2.1. Операторные модели управления объектами
  • 2.2.1.1. Определение объекта 2-го порядка 1-го типа
  • 2.2.1.2. Определение объекта 2-го порядка 2-го типа
  • 2.2.2. Выявление связей между объектами сцены 86
  • 2.2.3. Получение знаний для восстановления изображений объектов 1-го порядка
  • 2.2.3.1. Модель получения знаний о восстанавливаемом объекте
  • 2.2.3.2. Модель получения знаний о связях идентифицированного Объекта
  • 2.2.3.3. Модель получения знаний о способе восстановления Объекта
  • 2.2.4. Определение операторов управления при помощи нейронных сетей
  • 2.2.5. Применение энергетической функции Ляпунова в задаче восстановления изображений
  • 2.2.6. Операторная модель сравнения объектов
  • 2.2.6.1. Определение объекта 2-го порядка 3-го типа
  • 2.2.7. Определение операторов сравнения при помощи ассоциативной памяти
  • 2.2.8. Определение интегральных операторных моделей восстановления изображений
  • 2.3. Доменные модели восстановления изображений объектов 2-го порядка
  • 2.3.1. Операторная модель преобразования объектов
  • 2.3.1.1. Определение объекта 3-го порядка
  • 2.3.2. Получение знаний для восстановления изображений объектов 2-го порядка
  • 2.3.2.1. Модель получения полных знаний об объектах 2-го порядка из внешнего мира
  • 2.4. Выводы по 2-ой главе

ГЛАВА 3. Разработка интеллектуальной системы восстановления изображений
  • 3.1. Теоретические аспекты интеллектуальной системы восстановления изображений
  • 3.2. Интеллектуальный процессор когнитивной модели восстановления изображений
  • 3. Интеллектуальный процессор когнитивной модели восстановления изображений на основе выполняемых функций
  • 3.4. Интеллектуальный процессор на базе объектов 2-го порядка 1-го и 2-го типов
  • 3.5. Интеллектуальный процессор на базе объекта 2-го порядка 3-го типа
  • 3.6. Интеллектуальный процессор на базе объекта 3-го порядка
  • 3.7. Функциональная схема интеллектуальной системы восстановления изображений
  • 3.7.1. Инструментальная база интеллектуальной системы восстановления изображений
  • 3.7.1.1. Программный пакет Date Domen
  • 3.8. Создание базы данных интеллектуальной системы восстановления изображений
  • 3.8.1. База данных ассоциативной памяти
  • 3.8.2. База данных нейронной сети прямого распространения
  • 3.8.3. База данных соревновательной нейронной сети
  • 3.8.4. База данных базовых элементов
  • 9. Выводы по 3-ой главе

ГЛАВА 4. Экспериментальные исследования когнитивно-структурных принципов и средств восстановления изображений
  • 4.1. Определение требуемой точности аппроксимации функции восстановления изображения 208
  • 4.1.1. Планирование эксперимента
  • 4.1.2. Проведение эксперимента
  • 4.1.3. Обработка и анализ экспериментальных данных
  • 4.2. Восстановление изображений при помощи рекуррентной нейронной сети (ассоциативной памяти)
  • 4.2.1. Планирование эксперимента
  • 4.2.2. Проведение эксперимента
  • 4.2.3. Обработка и анализ экспериментальных данных
  • 4.3. Восстановление изображений при помощи нейронной сети прямого распространения
  • 4.3.1. Планирование эксперимента
  • 4.3.2. Проведение эксперимента
  • 4.3.3. Обработка и анализ экспериментальных данных
  • 4.4. Восстановление изображений при помощи соревновательной нейронной сети
  • 4.4.1. Планирование эксперимента
  • 4.4.2. Проведение эксперимента
  • 4.5. Сравнительный анализ результатов нейросетевого восстановления изображений
  • 4.6. Восстановление изображения сцены
  • 4.6.1. Планирование эксперимента
  • 4.6.2. Проведение эксперимента
  • 4.7. Выводы по 4-ой главе