CC BY
23Осуществление прогнозирования цены на конкретный товар предлагается проводить в несколько этапов:
1. Определение принадлежности товара к той или иной номенклатурной группе. Например, фотоаппараты зеркальные.
2. Определение принадлежности товара к линейке товаров конкретного производителя (если она есть) и позиционирование товара в этой линейке (топовый, бюджетный и т. п.), а также определение товара-предшественника, которому текущий товар пришёл. В вырожденном случае линейка может содержать единственный (выбранный для анализа) товар.
3. Определение товаров-аналогов, не принадлежащих номенклатурной линейке данного производителя.
4. Сбор цен на товары, определённые в шагах 1-3. Крайне желательно организовать отслеживание изменения цены в нескольких источниках одновременно, так как в реальных интернет-магазинах возможны не только общерыночные отклонения цены, но и флуктуации, связанные с локальными акциями, наличием/отсутствием товара в магазине и т. п. Территориальная принадлежность источника при этом не столь принципиальна, так как нам более необходим тренд изменения цены, а не её абсолютные значения. Возможно также использование заранее собранных данных, получаемых от соответствующих сервисов, таких, например, как БетапйсзЗ.
5. Фильтрация «шумовых» данных (связанных с локальными изменениями цен, временным отсутствием информации о цене и т. п.).
6. Построение тренда цены на выбранный товар.
7. Построение объединённого тренда для последовательности товаров-предшественников. Данный шаг необходим для определения цикличности обновления версий товаров.
8. Построение усреднённого тренда всей линейки товаров данного производителя.
9. Построение разностного тренда между средними ценами на линейку товаров текущего производителя и конкурентов.
Полученную информацию можно использовать для прогнозирования методом технического анализа [3] так же, как это делается для рынка ценных бумаг или рынка валют.
Фактически, аксиомы технического анализа («движение цен на рынке учитывает всю информацию», «движение цен подчинено тенденциям» и «история повторяется») для цен на потребительские товары выражены даже более ярко, чем для ценных бумаг или валюты, где «точки разворота» трендов могут быть инспирированы внешними относительно рынка событиями.
В итоге, конечному пользователю может быть предоставлена информация в виде двух типов утверждений:
1) цена на данный товар повысится/снизится на N рублей в течение K дней;
2) в данный момент покупка этого товара рекомендуется/не рекомендуется.
Библиографические ссылки
1. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям (+ СБ). СПб. : Изд. Питер, 2009. 624 с.
2. Ian H. Witten, Eibe Frank and Mark A. Hall Data Mining: Practical Machine Learning Tools and Techniques. 3rd Edition. Morgan Kaufmann, 2011. P. 664.
3. Швагер Дж. Технический анализ. Полный курс. М. : Альпина Паблишер, 2012. 804 с.
References
1. Paklin N. B., Oreshkov V. I. Biznes-analitika: ot dannyh k znaniyam (+CD). SPb. : Izd. Piter, 2009, 624s.
2. Ian H. Witten, Eibe Frank and Mark A. Hall Data Mining: Practical Machine Learning Tools and Techniques. 3rd Edition. Morgan Kaufmann, 2011. P. 664. ISBN 978-0-1237-4856-0.
3. Shwager G. Technicheskiy analiz. Polnyi kurs. -М. : Alpina pablisher, 2012. 804 s. ISBN 978-5-96141544-5, 0-471-02051-6.
© Богданов К. В., 2013
УДК 004.932.2
АДАПТАЦИЯ АЛГОРИТМА КАРТ КОХОНЕНА ДЛЯ ВОССТАНОВЛЕНИЯ ФОНОВЫХ ПИКСЕЛЕЙ ИЗОБРАЖЕНИЯ
А. Н. Болгов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Рассматривается решение задачи восстановления фоновых пикселей изображения, базирующееся на алгоритме на основе карт Кохонена. Приводится адаптация алгоритма обучения карты Кохонена и восстановления пикселей фонового пространства изображения на основе обученной карты.
Ключевые слова: реконструкция изображений, карты Кохонена.
Программные редктва и информационные технологии
ADAPTATION OF ALGORITHM OF KOHONEN MAPS FOR RESTORATION OF BACKGROUND PIXELS OF IMAGE
A. N. Bolgov
Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia
One of the solutions of the restoration of background pixels of image based on Kohonen map algorithm is considered in this paper. Adaptation of algorithm for training Kohonen map and restoration of the background pixel space by using the trained map is given.
Keywords: image restoration, Kohonen maps.
На сегодняшний день существует множество систем, в которых реализованы различные алгоритмы обработки изображений. Предварительная обработка изображений для решения прикладных задач является неотъемлемым этапом работы таких систем. Одной из важных задач предварительной обработки является удаление объектов и восстановление фонового пространства, располагающегося за ними.
Одним из эффективных подходов к решению задачи восстановления данных является технология на основе карт Кохонена [4]. Карта Кохонена - это особая самообучающаяся нейросетевая архитектура, основанная на информации о расположении нейронов в пространстве. При обучении такой сети происходит каскадное изменение весов сразу группы нейронов, связанных друг с другом своим местоположением. Результатом обучения такой сети является карта нейронов, хранящая в себе информацию о принадлежности к определенному кластеру для входных векторов данных.
При решении задачи восстановления пропусков в данных обычно применяется подход на основе двух этапов. На первом этапе производится предварительное обучение карты Кохонена, при этом пропуски в данных естественным образом не учитываются при ее построении. Затем на втором этапе на вход обученной сети подаются вектора данных с пропусками, которые могут быть однозначно отнесены к какому-либо узлу карты, из которого восполняются отсутствующие данные.
При восстановлении фоновых данных изображения данный подход обеспечивает наиболее точные результаты при правильной настройке карты и корректно выбранных критериев обучения и восстановления изображений.
Для успешного выполнения данных этапов необходимо определить следующие аспекты и компоненты процесса.
Механизм преобразования изображения в массив векторов данных. Одним из наиболее эффективных вариантов является механизм разбиения изображения на блоки определенной аналитиком размерности и формирования на основе пикселей блока его векторного представления [2]. При этом поврежденные пиксели не должны учитываться при формировании вектора данных. Вектор строится по формулам:
t = у-[5/2] , (3)
где - размер блока пикселей; P[i, у] - пиксель, расположенный в i-м столбце и у-й строке на изображении; х, у - координаты, для которых строится вектор.
При использовании представленного выше метода построения векторов необходимо учитывать следующие ограничения, заданные формулами
/2_|< х < Ж-[5/2] , (4)
/2_|< у < Н-[5/2], (5)
где 5 - размер блока пикселей; Ж - ширина изображения; Н - высота изображения.
Данные условия вводятся в силу того, что размер рассматриваемого блока больше одного пикселя, и, соответственно, количество таких блоков будет меньше, чем количество пикселей в изображении.
Дополнительно накладывается условие, что 5 должно быть четным для более точного описания окружности пикселя, а именно, для симметричности окружности пикселя.
Механизмом инициализации карты двумя наиболее распространенными вариантами является инициализация случайными значениями и инициализация стартовыми блоками.
Одним из этапов обучения карты Кохонена является этап грубой настройки, для него требуется выполнить выбор наиболее информативных векторов данных. Обычно для этого выбираются максимально не похожие друг на друга векторы данных [1].
Мера расстояния между входным обучающим вектором (или вектором данных при восстановлении) и узлом карты, необходимая для выбора нейрона-победителя, обычно определяется как расстояние между векторами и рассчитывается по формуле
dij = J£ (xk - wijk)2
(6)
k=1
ю. (x, y) = P[l + i © S, t + i + S l = xS/2j ,
(1) (2)
где xk - k-е значение вектора входных данных; wijk - k-е значение вектора весов нейрона из i-й и j-й позиции карты; S - размерность вектора весов.
Для эффективного обучения карты необходимо определить используемую функцию соседства. Самыми распространенными являются следующие функции: Гаусса (Gaus, формула расчета (7)), «французская шляпа» (FrenchHat, формула расчета (8)) и дискретная (Discrete, формула расчета (9)):
h( p, t) = e
= e 2°2(t)
(7)
2
P
h( p) =
h( p) =
p| < a,
- "3'a < |p| <3a'
0,|p\ < 3a.
1,|P\ < 1, 1 <| p\ < 2,
2 <| p\ < 3,
3 < |p\ < 4,
(8)
(9)
где p - расстояние между узлами карты; t - номер итерации; a - заранее определенная константа (обычно a = 2).
Критерии останова обучения или параметры скорости обучения нейронной сети. Основными критериями выступают: максимальное количество итераций, при котором система считается обученной, и минимальная точность, рассчитываемая как сумма средних изменений весов в итерации обучения [3].
Определение данных компонентов, аспектов и настроек позволяет адаптировать технологию восстановления пропусков в данных для решения прикладной задачи реконструкции поврежденного изображения.
На основе данного исследования был реализован программный продукт MultiаgentImаgeRestorer, в кото-
ром используется механизм на основе адаптированного алгоритма карт Кохонена и мультиагентной платформы.
Библиографические ссылки
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений : пер. с англ. под ред. П. А. Чочиа. М. : Техносфера, 2006. 1072 с.
2. Форсайт Д. А., Понс Дж. Компьютерное зрение. Современный подход. М. : Вильямс, 2004. 928 с.
3. Яне Б. Цифровая обработка изображений : пер. с англ. М. : Техносфера, 2007. 584 с.
4. Kohonen T. Self-Organizing Maps. New York : Springer Series in Information Sciences, 2001. 501 p.
References
1. Gonsales R. Cifrovaja obrabotka izobrazhenij [Tekst] : Per. s angl. pod red. P. A. Chochia / R. Gonsales, R. Vuds. M. : Tehnosfera, 2006. 1072 s.
2. Forsajt D.A. Komp'juternoe zrenie. Sovremennyj podhod / D.A. Forsajt, Dzh. Pons. M. : izdatel'skij dom «Vil'jams», 2004. 928 s.
3. Jane, B. Cifrovaja obrabotka izobrazhenij [Tekst]: Per. s angl. / B. Jane. M. : Tehnosfera, 2007. 584 s.
4. Kohonen, T. Self-Organizing Maps [Text] / T. Kohonen. New York : Springer Series in Information Sciences, 2001. 501 p.
© Болгов А. Н., 2013
УДК 004.93
АЛГОРИТМ ИДЕНТИФИКАЦИИ АВТОМОБИЛЯ ПО ЕГО РЕГИСТРАЦИОННОМУ НОМЕРУ НА АВТОПАРКОВКЕ
К. М. Болдырев, М. А. Лаптева
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Разрабатывается программный продукт для обеспечения безопасности на закрытой автопарковке. Безопасность осуществляется путем идентификации автомобилей по регистрационному номеру.
Ключевые слова: номера автомобилей, безопасность, идентификация с помощью нейронной сети. IDENTIFY ALGORITHM OF THE VEHICLE BY ITS REGISTRATION NUMBER IN THE PARKING
K. M. Boldyrev, M. A. Lapteva
Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: [email protected]
The developed software provides the security into the closed parking areas. Security is carried out by identifying the vehicle based on its registration number.
Keywords: license plate vehicle, security, neural network identification.
Технология идентификации автомобильных номеров давно перестала быть экзотикой и постепенно становится частью нашей будничной жизни также, как когда-то это произошло с автомобилем. Постоянно растущее число транспортных средств требует от
разработчиков эффективных решений для обеспечения безопасности и комфорта автовладельцев. Одним из результатов интенсивных исследований в этой области стали современные интеллектуальные системы для «считывания» номерных знаков, которые могут
