CC BY
106
High-performance discrete transformations on NeuroMatrix processors with NMC3 core
Sergey Viktorovich Mushkaev, Leading software engineer Scientific and Technical Center «Modul»
The author discusses the performance evaluation of vector computing on NeuroMatrix processors . The examples of discrete Fourier, cosine, Walsh-Hadamard and wavelet transformations are analysed. The principle of optimal algorithms design is dwelled on. The effectiveness of vector calculations on NeuroMatrix processors is demonstrated.
Keywords: fast transformation, DCT, FFT, Wavelet, Walsh-Hadamard, NMC, NMC3, NeuroMatrix, NM6406, MB7707.
УДК 004.93
МЕТОДОЛОГИЯ АНАЛИЗА ГРАФИЧЕСКОЙ ИНФОРМАЦИИ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
Александр Валерьевич Кучуганов, канд.техн .наук, доц. кафедры «АСОИУ» Тел. (3412)58-89-10, e-mail: [email protected] Ижевский государственный технический университет имени М. Т. Калашникова
www.istu.ru
В работе описаны результаты исследования с целью повышения степени автоматизации, универсальности и эффективности систем обработки изображений двухмерных и трехмерных объектов на основе известных и гипотетических моделей механизмов зрения биологических систем.
Ключевые слова: Анализ изображений, биоинспирированные алгоритмы, вербализация изображений, дескрипционная логика, лингвистические переменные, нечеткий пространственно нагруженный граф, распознавание.
Работа выполнена при поддержке РФФИ (проекты № 11-07-00632-а, 11-07-00783-а), Госзаказ МОиН РФ №4043
Целью работы является автоматизация процессов анализа, формализации, поиска и сопоставления графической информации для поддержки принятия управленческих решений в исследовательской и проектной деятельности, что позволит обеспечить промышленность и население новым видом и качеством информационных услуг.
На основе современных достижений когнитивистики и методов извлечения знаний из изображений (Image Mining) разработана методология, содержащая комплекс взаимосвязанных моделей и методов, а также технология на ее основе, позволяющая повысить универсальность, самоадаптацию и автоматизацию систем анализа изображений.
Сформулированы общие принципы организации обработки графической информации, придерживаться которых особенно нужно при комплексировании систем обработки графической информации с целью обеспечения структурированности компонентов системы, упрощения взаимодействия между ними и достижения необходимой степени достоверности и качества результатов:
1. Многоуровневая обработка - распределение функциональности по уровням, каждый из которых специализируется на решении своего круга родственных задач.
2. Иерархия конструктивная и гетерархия по управлению - обеспечение взаимосвязи между уровнями анализа для уточнения информации, поступающей с младших уровней.
Кучуганов
3. Рекурсивный анализ информации - с целью унификации алгоритмов управления ходом решения задач.
4. Оперативная смена разрешающей способности - динамическая смена степени аппроксимации при избыточности информации и степени детализации при недостаточности информации для получения компонентов описания анализируемых объектов.
5. Переход от количественных признаков к качественным (лингвистическим) -для удобства лица, принимающего решение.
6. Возможность организации параллельной обработки - предпочтение методам, удобным для распараллеливания в связи с большими объемами информации.
Схема анализа графической информации представлена на рис. 1.
ш
Локальный анализ
Фрагментарный анализ
^■Семаншче-, с кое кодирование
IV
Оперативная память
Распознавание образов 1 —1^ 1 Долговременная память
Ф 1
Вербализация н логический анализ 1 1 1
Л лпр|
Рис. 1. Схема анализа, вербализации и поиска графической информации
В данной схеме, помимо известных, на I - IV уровнях используются новые модели и методы. Для уточнения и корректировки информации введены обратные связи [1].
Уровень локального анализа. Здесь выполняется анализ лучей, исходящих из центрального пикселя окрестности 3x3 или 5x5, вычисление направлений смещения окрестности, выделение особых точек и признака границ площадных объектов. Весь процесс осуществляется с помощью оператора-анализатора локальных областей, основанный на нейрофизиологических моделях сетчатки глаза. Попутно вычисляются статистические и интегральные характеристики этих областей.
Уровень фрагментарного анализа осуществляет выделение структурных элементов (деталей) изображения объекта в условиях зашумленности, затенения или недостаточной разрешающей способности.
Выполняются операции подготовки к семантическому кодированию изображения: оптимизация положения особых точек; уточнение особых точек (углов и разветвлений) путем экстраполяции лучей, исходящих из особых точек; выделение последовательностей точек; утончения и других операций. Зачастую при этом активизируются функции первого уровня, возвращаясь непосредственно к анализируемой области изображения. В частности, данный уровень может затребовать смену разрешающей способности или чувствительности анализатора предыдущего уровня, позволяя находить слабо выраженные, размытые по площади особенности.
Уровень семантического кодирования информации выполняет операции по сжатию описания изображения: аппроксимацию контуров отрезками прямых, дуг; выделение скелетона, цветовую сегментацию. В ходе аппроксимации снова, но уже на основе цепочек уточняются особые точки и рекурсивно подбираются оптимальные точки перегиба - концы аппроксимирующих отрезков. Формируется семантическая модель изображения в виде иерархической информационной структуры.
Уровень распознавания и вербализации. Распознавание графической информации, представленной в виде нечетких пространственно нагруженных графов [2] заключается в оригинальном методе сопоставления графов изображений с помощью лучевого графа, учитывающего пространственную ориентацию ребер и выделении таких связных подграфов, которые имеют наибольшую степень сходства с какими-либо из имеющихся в долговременной памяти.
Вербализация, т. е. словесное описание объектов изображения, представленного нечетким пространственно нагруженным графом, сводится к извлечению значений тех или иных
атрибутов вершин и ребер и присвоению этим значениям наименований с помощью соответствующего предметной области словаря. Далее с использованием разработанного формального языка (на основе дескрипционной логики) производится их анализ и описание.
Предлагаемый формальный язык (Description Logic of Image - DLL) на основе дескрипционной логики ALC служит для построения формализованных описаний объектов, содержащихся на изображении, характерен наличием множества геометрических функций и, помимо булевских операций над понятиями, содержит теоретико-множественные операции над экземплярами понятий - конкретными фрагментами растрового или векторного изображения. С помощью такой базы знаний мы можем осуществить вербализацию (словесное описание) изображения и получить формализованные описания объектов, содержащихся на изображении.
Дескрипторы отношений и закономерностей можно считать логикой предикатов второго порядка, проще говоря, «предикатов над предикатами», поскольку они оперируют с результатами дескрипторов понятий - объектами предметной области [3]. С их помощью можно автоматически вычислять такие отношения, как: расстояние между объектами; направление от одного объекта к другому; является ли один объект продолжением другого (штриховая или штрих-пунктирная линия чертежа, слабовыраженная проселочная дорога или тропа, пересохшая речка на аэрокосмоснимке и т.п.), а также закономерности вида: кластер однотипных объектов; расположение объектов на прямой, на дуге, на сетке.
Повышение качества и детальности словесного описания может быть достигнуто за счет пополнения набора доступных составных признаков, подбора оптимальных функций принадлежности, дополнения алгоритма анализа формы, а также усложнения грамматики словесного портрета изображения.
Системный анализ графической информации, выявление особенностей, зависимостей, закономерностей на изображениях объектов необходимы для поддержки принятия решений на основе графической информации. В системах поддержки принятия решений (СППР) используются средства (рис. 2):
- Data Mining - извлечения знаний (информации) из данных;
- технология Text Mining - набор инструментальных средств, позволяющих анализировать текстовую информацию и извлекать закономерности, тенденции, шаблоны, правила, взаимосвязи;
- технология Image Mining - набор инструментальных средств, для обработки изображений, выделения объектов, определения их характеристик, взаимосвязей, закономерностей.
Рис. 2. Структурная схема СППР
В связи с этим, все больше внимания уделяется развитию методов и средств системного анализа графической информации для выделения информативных характеристик: анализ цвета, формы, структуры изображенных объектов, словесного описания, поиска в хранилищах данных и сети Интернет, сравнения, заимствования, выявления закономерностей, выбора оптимальных решений и т.д., например, [4; 5].
Таким образом, методология и разработанная на ее основе четырехуровневая технология анализа, распознавания и вербализации здесь рассматривается как инструментарий технологии Image Mining - извлечения знаний из изображений, необходимых для поддержки принятия решений на основе графической информации.
Считаем, что в данной работе новыми являются следующие положения и результаты: методология, основанная на гипотетических моделях механизмов зрения в биологических системах и на ее основе многоуровневая технология обработки, анализа, содержательного описания, вербализации и поиска графической информации о технических объектах на основе новых моделей и методов, содержащая обратные связи между уровнями с целью автоматического возврата и уточнения информации в области изображения, указанной последующими уровнями.
Литература
1. Кучуганов А.В., Биоинспирированные методы в задачах обработки, вербализации и поиска графической информации // Приволжский научный журнал. - Н.Новгород: ННГАСУ, 2013. № 1. С. 49-55.
2. Л. Заде. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976. - 165 с.
3. Дескрипционная логика: материал из Википедии. Date Views 16.04.2013 http://ru.wikipedia.org/
4. wiki/Дескрипционная_логика#cite_note-DLHandbook-4, последнее изменение этой страницы 13.03.2013.
5. Дуд А. Р. Распознавание образов и анализ сцен / пер. с англ. А. Р. Дуд, П. Харт. - М.: Мир, 1976. - 368 с.
6. Васильева Н. А. Методы поиска изображений по содержанию / под ред. Н. А. Васильева // Программирование. 2009. № 3. С. 1-30.
Methodology of graphics information analysis in decision support systems
Alexandr Valeryevich Kuchuganov, PhD, «CAD Systems Department» Izhevsk State Technical University
This paper describes the results of the study to improve the automation degree of universality and effectiveness of the two-dimensional image processing and three-dimensional objects on the basis of famous and hypothetical models of mechanisms of biological systems.
Keywords: image analysis, bioinspired algorithms, images verbalization, description logics, linguistic variables, fuzzy attributed relational graph, pattern recognition.
УДК 62-501.72:681.326.7
ПРОБЛЕМА ОТКАЗОУСТОЙЧИВОСТИ В СЕТЕЦЕНТРИЧЕСКИХ ИНФОРМАЦИОННО-УПРАВЛЯЮЩИХ СИСТЕМАХ
Анатолий Васильевич Лобанов, д-р.техн. наук, ученый секретарь, Тел.: 8-499-731-15-03, e-mail: [email protected] Владимир Григорьевич Сиренко, д-р.техн. наук, генеральный директор Тел.: 8-499-731-15-03, e-mail: [email protected] ОАО «НИИ «Субмикрон» http://submicron.ru
Рассматриваются проблема организации сбое- и отказоустойчивых одноранговых, распределенных сетецентрических информационно-управляющих систем, динамически организуемых и выполняющих многозадачную целевую работу ответственного применения в распределенных оверлейных компьютерных сетях, наиболее важные их характеристики, принципы построения и особенности, философские сущности с точки зрения отказоустойчивости. Приводятся сведения об основных теоретических результатах в рассматриваемой области.
Ключевые слова: cетецентрическая система, распределенная система, комплекс ЦВМ, информационная безопасность, одноранговая сеть, враждебная неисправность, сбое- и отказоустойчивость, многозадачность
