Разработка библиотеки классов для приема GPS-координат c помощью технологии SMS Текст научной статьи по специальности «Компьютерные и информационные науки»

представляют изображение в виде векторов, каждый из которых содержит вхождение слов. В рамках задачи аннотирования ландшафтных изображений оптимальным является статистический подход, включающий в себя модель машинного перевода [2].

В данной модели процесс распознавания рассматривается как аналог машинного перевода. При аннотировании изображения разделяются на регионы, после чего для каждого полученного региона извлекаются признаки. На завершающем этапе процесса аннотирования осуществляется машинный перевод (для этого заранее создается «лексикон» - таблица перевода, содержащая оценки вероятности перевода между регионом изображения и словом). В данной модели ключевыми моментами являются сегментация изображения и признаки регионов. Для получения лучшего результата необходимо подобрать метод сегментации, оптимальный для разделения ландшафтных изображений, а также признаки, наиболее точно описывающие естественные изображения.

Сегментация ландшафтных изображений является сложной проблемой из-за наличия текстур. Если изображение содержит только однородные цветные области, пороговые методы сегментации (например, кластеризация цветного пространства) достаточны для решения проблемы. В действительности, естественные сцены насыщены цветом и текстурой. Из-за того, что различные текстуры зачастую не имеют четких границ, подходы, основанные на выделении границ, также не дают удовлетворительного результата. Однако в этом случае хорошую сегментацию можно получить наращиванием областей. Одним из вариантов метода слияния/расщепления является алгоритм ^ЕО, показывающий хорошие результаты сегментации естественных изображений [3].

После сегментирования изображения необходимо описать полученные регионы. В случае ландшафтных изображений, когда большую часть изображения занимают естественные текстуры, оптимальными для их описания являются статистический и фрактальный подходы. Статистический подход основан на вычислении порядковых статистических признаков изображения. Существует более 20 статистических признаков, однако наиболее информативными являются пять [4]: момент обратной разности, корреляция, энтропия, информационная мера корреляции и однородность. Фрактальный подход основан на том, что большинство естественных поверхностей являются пространственно изотропными фракталами. В связи с этим, тек-

стура представляется фракталом и для ее описания используются характеристики фракталов: фрактальная размерность и лакунарность.

В результате проведенного исследования было разработано программное приложение, позволяющее автоматически аннотировать ландшафтные изображения. В данном приложении на начальном этапе аннотирования создается уменьшенная копия загруженного изображения, после чего она сегментируется методом JSEG. Предварительное уменьшение изображения производится с целью исключения выделения мелких регионов и их последующего отдельного анализа. После создания карты уменьшенной копии изображения, границы регионов переносятся на оригинальное изображение, и для каждого полученного региона вычисляется вектор текстурных признаков, состоящий из 7 вышеописанных статистических и фрактальных признаков. На завершающем этапе аннотирования происходит перевод векторов признаков в слова, используя таблицу перевода. Даная таблица заполняется заранее на основе эталонных изображений путем выделения региона и присваивания ему тега.

В ходе тестирования приложения было выявлено, что точность описания изображений находится в диапазоне от 84 % до 88 %, что демонстрирует целесообразность использования данного метода.

Библиографические ссылки

1. Tang J. Automatic Image Annotation and Object Detection: PhD Thesis, University of Southampton, ECS, United Kingdom, May 2008. 135 p.

2. Duygulu P., Barnard K., Freitas N., Forsyth D. Object recognition as ma-chine translation: Learning a lexicon for a fixed image vocabulary // In The Seventh European Conference on Computer Vision, Copenhagen, Denmark, 2002. P. 97-112.

3. Deng Y., Manjunath B.S. Unsupervised Segmentation of Color-Texture Re-gions in Images and Video // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23.№ 8. 2001. P 800-810.

4. Проскурин А. В., Белоконь А. В. Оценка эффективности статистических признаков текстур первого и второго порядков при анализе ландшафтных текстур // Решетневские чтения : материалы XVI Междунар. науч. конф. : в 2 ч. Ч. 2. Красноярск, 2012. С. 593-594.

© Проскурин А. В., Белоконь А. В., 2013

УДК 004.056

Р. С. Савицкий Научный руководитель - В. В. Вдовенко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

РАЗРАБОТКА БИБЛИОТЕКИ КЛАССОВ ДЛЯ ПРИЕМА GPS-КООРДИНАТ C ПОМОЩЬЮ ТЕХНОЛОГИИ SMS

Приводится описание технологии SMS, формулируется возможность применения в целях безопасности и рассматривается разработанная библиотека классов.

Актуальные проблемы авиации и космонавтики. Информационные технологии

В настоящее время существует необходимость следить за разными движущимися объектами. Наши транспортные средства постоянно находятся под угрозой угона. Разработка средств мониторинга в таких условиях является актуальной. Средство мониторинга позволит сообщать владельцу о начале движения автомобиля или о выходе из разрешенной области. Для реализации средства мониторинга необходимо подробно изучить технологию SMS и разработать библиотеку классов для отправки и приема SMS-сообщений.

SMS (Short Messaging Service) - позволяет осуществлять прием и передачу коротких текстовых сообщений с помощью GSM оборудования мобильного телефона или SG-модем.

Технологию SMS можно использовать в целях безопасности. GPS-трекеры отправляют координаты местоположения объекта по SMS при возникновении различных тревожных событий. Тревожными событиями могут быть: начало движения, остановка движения или выход объекта за пределы разрешенной области.

Технология SMS реализуется следующим образом. SMSC (Short Message Service Center) обеспечивает хранение принятых сообщений и дальнейшую их передачу адресатам. Таким образом, отправленное сообщение сначала принимается оборудованием SMSC, который затем передает сообщение адресату. Сервисы базируются на обмене PDU (Protocol Data Units или Packet Data Unit). PDU имеют бинарное представление для повышения скорости передачи данных.

Процесс передачи PDU скрыт от пользователя мобильной сети и для отправки сообщения достаточно

правильно сформировать PDU пакет и при помощи АТ-команд отправить их мобильному оборудованию, все остальное произойдет без участия пользователя. Аналогично происходит и прием сообщений - необходимо при помощи AT-команд получить PDU пакет и распаковать его [1].

Устройство GPS-трекер имеет компактный размер и может работать автономно в течение длительного времени. Такие достоинства позволяют закрепить устройство на объекте мониторинга. Объектами мониторинга, например, могут являться личный автомобиль, ребенок или домашние животные.

Для обмена сообщениями с GPS-трекером необходимо специальное программное обеспечение. На текущем этапе разработана библиотека классов для автоматизации приема и отправки SMS-сообщений (см. рисунок). Библиотека классов позволяет управлять GSM-оборудованием посредством AT-команд.

Библиотека классов содержит следующие основные классы:

1. SerialDriver - этот класс используется для приема и отправки потока данных последовательного порта.

2. Modem - данный класс является наследником класса SerialDriver. Он используется для подключения модема или телефона через последовательный порт и содержит список AT-команд.

3. GSMModem - этот класс позволяет принимать и отправлять SMS-сообщения, и содержит в себе память SMS.

' command Hand 1er

ATHandler ©

Class 7

Поля

* CMGD_COM M AN D

r CMGF_COM M AN D

ip CMGF.RESPONSE

CMGL_COM M AN D

* CMGL.RESPONSE

* CMGS_COM M AN D

# CMGS_RESPONSE

iP CMGW_COM M AN D

# CM SS_COM M AN D

iP ERROR.RESPONSE

gsmModem

SMSMessage

Class

~ Поля

©

index

ph on eN umber

SMSC text

timeStamp timeZone Q Методы Delete

<è <è

0

■J9 gsmModem

Message St ore BÏ

Class

-+ Col lectio nBase

ji messageStore

f

GSMModem 1»

Class

-> Modem

0 Поля

isAutoDel eteSentM essage

0 Свойства

il* MessageStore

S Методы

Ch ec IcATCommand s

Dec od eP DU

a* DeleteSMS

à* GetSM SM essag es

'О GSMModem

¿0 ParseATRespon se

• SendSM S

Send SM Sin PDU

S* SendTextSMS

- Modem Class a'

Свойства

]=? IsConnected

ЙР Port

О Методы

3Ф Connect

Disconnect

^ Modem

V /

уУ SerialDriver \ /

SerialDriver

Class

H> Serial Port

Q Поля

$ portEncoding ® Методы Ф Send

и®* SendCmd (+ 1 перегружен) ^ SerialDriver

I PDU Encoder

I Static Class

I PDUDecoder

I Static Class

® 1

SMSPDU

С las:

Поля

ф tp_DA 0 tp_DCS ф tp_MR tp_MTI Ф tp_PI ф tp_RD Ф tp_SCA tp_SRI tp_SRR tp_UD tp_UDHI tp_UDL ф tp_VP Ф tp_VPF " Свойства ^ Destination Address ЙР UserData Методы

ByteToHex ¿^ EncodeUCS2 ä* GetSMSPDUCode f* PDU_Type SMSPDU Swap

Диаграмма классов

4. MessageStore - класс представляет собой коллекцию SMS-сообщений.

5. SMSMessage - данный класс представляет собой SMS-сообщение.

6. SMSPDU - данный класс представляет собой PDU-пакет.

7. PDUEncoder - позволяет запаковывать SMS-сообщения в PDU-пакеты для дальнейшей отправки через технологию SMS.

8. PDUDecoder - позволяет распаковывать PDU-пакеты в SMS-сообщения.

9. ATHandler - содержит список необходимых AT-команд.

Разработанная библиотека классов обладает следующими функциями:

1. Подключается к указанному последовательному порту.

2. Отправляет AT-команды через последовательный порт на GSM-оборудование.

3. Получает данные с GSM-оборудования через последовательный порт.

4. Кодирует и декодирует PDU пакеты.

5. Отправляет и принимает PDU пакеты через SMS. Библиотека классов может быть использована для

любых задач, где необходимо использовать обмен данными посредством SMS. Например, для отправки рекламы, новостей или поздравлений с праздниками.

Библиографическая ссылка

1. Ле-Бодик Г. Мобильные сообщения: службы и технологии SMS, EMS и MMS / пер. с англ. М. : КУДИЦ-Образ. 2005. 448 с.

© Савицкий Р. С., 2013

УДК 004.896, 004.942

С. А. Саиян Научный руководитель - И. В. Лезина Самарский государственный аэрокосмический университет имени академика С. П. Королева (национальный исследовательский университет), Самара

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ НА ОСНОВЕ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА ДЛЯ ПРОГНОЗИРОВАНИЯ СТАТИСТИЧЕСКИХ ДАННЫХ НА ПРИМЕРЕ ПОГОДЫ

Рассмотрена применимость нейронных сетей на основе многослойного персептрона для решения задач прогнозирования погоды. Была разработана автоматизированная система, моделирующая работу нейронной сети.

Задача прогнозирования широко распространена в области метеорологии, исследовании поведения биржевых котировок, оценки времени сбоя оборудования на предприятиях. Решить эту задачу позволяет использование нейронных сетей на основе многослойного персептрона (MLP).

Математической моделью нейронной сети является полином, рассчитывающий выходной сигнал сети на основании входных данных и полиномиальных коэффициентов. Степень полинома равна размеру выборки, подаваемой на вход сети. Основной задачей является подбор полиномиальных коэффициентов -так называемое обучение нейронной сети.

Рис.1. Структура нейронной сети

Нейронная сеть на основе MLP представляет собой систему из связанных между собой слоев нейронов. Каждый нейрон характеризуется функцией активации, преобразующей входной сигнал нейрона в выходной. Связи нейронов с другими нейронами харак-

теризуются коэффициентами - так называемыми весами связи.

Важным фактором в обучении нейронной сети является вид входных данных. Для достижения лучших результатов необходимо предварительно провести отображение данных на диапазон [ -1 ; 1 ] при помощи операций центрирования и масштабирования.

( x - mx )

(1)

Процесс обучения представляет собой итеративную последовательность операций расчета выходного сигнала сети и последующей корректировки весов связей. В качестве алгоритма корректировки весов в сетях на основе MLP обычно применяется алгоритм обратного распространения ошибки. Данный алгоритм относится к классу градиентных алгоритмов, т. е. изменения весов связей производятся в направлении минимизации градиента ошибки. Ошибка прогноза при обучении равна разности сигнала на выходе сети и эталонного значения выхода, соответствующего входным данным [1].

ei =( y - di).

(2)

Обучение сети необходимо выполнять до тех пор, пока средняя величина ошибки за одну эпоху обучения уменьшается. Дальнейшее обучение обычно при-

x

m