Найти

Результаты поиска

• ОПЫТ ПРИМЕНЕНИЯ ОБУЧАЮЩИХ СИСТЕМ С ЭЛЕМЕНТАМИ ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ ДЛЯ ПОДГОТОВКИ СПЕЦИАЛИСТОВ РАКЕТНЫХ ВОЙСК И АРТИЛЛЕРИИ, ПРИМЕНЯЮЩИХ РОБОТОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ ВОЕННОГО НАЗНАЧЕНИЯ

  А.И. Наговицин, С. Н. Пестерев, Б. Б. Молоткова, И. В. Аксенов

  2020-07-10

  Аннотация ▼

  Представлены задачи, решаемые перспективными РТК ВН в интересах РВиА. Сформу-лирован вывод о том, что проблема подготовки и повышения качества знаний специалистов РВиА применяющих робототехнические комплексы военного назначения остается одной из актуальных проблем высшего военно-профессионального образования и приобретает новыеаспекты рассмотрения. Показано,что одним из эффективных путей решения проблемы под-готовки и повышения качества знаний специалистов РВиА является разработка и внедрение в образовательный процесс компьютерных обучающих систем с элементами виртуальной реаль-ности и 3D визуализации изучаемых образцов техники и вооружения. Кратко изложены основ-ные возможности, разработанной в Михайловской военной артиллерийской академиии используемой в образовательном процессе компьютерной информационно-справочной системы «Компендиум РВиА». Приведены предварительные результаты проводимого педагогического эксперимента с применением «Компендиума РВиА», Отмечены основные факторы, повышающие эффективность образовательного процесса. На основе результатов педагогического эксперимента сделан обоснованный вывод, что применение КИСС «Компендиум РВиА» позволяет повысить эффективность обучения, уменьшить сроки освоения техники, т.е.более эффективно использовать учебное время и как результат – сократить стоимость подготовки специали-стов и количество моторесурсов.

• МЕТОД ГЕНЕРАЦИИ ШУМА ПО НАБОРУ ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ БЕЗ ЧИСТЫХ ПРИМЕРОВ

  А.С. Коваленко , Я. М. Демяненко

  243-254

  2025-11-10

  Аннотация ▼

  Предлагается новый метод генерации шума по зашумленным изображениям без необходимости использования выровненных пар чистых и зашумленных данных. В отличие от традиционных подходов, требующих наличия согласованных наборов изображений или априорных моделей шума, разрабатываемый метод позволяет моделировать сложные характеристики шума, присущие конкретным КМОП‑сенсорам, основываясь исключительно на наблюдаемых зашумленных данных. Для синтеза шума используется генеративно‑состязательная архитектура
  U-Net-подобного типа, построенная на базе StyleGANv2 с модифицированным дискриминатором, учитывающим параметры камеры и исходных изображений. Основное внимание уделяется сохранению пространственно‑цветовой структуры изображения при генерации шума, что достигается введением специализированной функции потерь, сохраняющей характеристики цветопередачи и текстурных деталей. Предлагаемый подход позволяет обучать генератор шума в условиях полного отсутствия пар чистых и зашумленных изображений, что особенно актуально при работе с реальными данными, полученными с различных камер и в различных условиях освещения. В экспериментальной части проведен подробный сравнительный анализ качества синтезированных изображений по метрикам PSNR и SSIM, а также оценка распределения шума на основе статистических характеристик интенсивности и спектрального состава. Демонстрируется, что синтезированный набор изображений, созданный предложенным методом, может эффективно использоваться как самостоятельный тренировочный корпус для нейросетей подавления шума, а также в комбинации с реальным набором SIDD для повышения точности моделей подавления шума. Результаты показали, что комбинированное обучение на объединенном множестве сгенерированных и реальных примеров обеспечивает рост среднего PSNR на 1.5 дБ по сравнению с существующими методами, основанными на выровненных данных. При этом отсутствует зависимость от специфических оптических характеристик конкретного сенсора камеры, что существенно расширяет область применения разработанного метода. Полученные результаты подтверждают применимость предложенного подхода в задачах синтеза и подавления реалистичного шума в условиях отсутствия чистых эталонных изображений, а также открывают перспективы для дальнейших исследований в направлении адаптивной генерации шумовых моделей.

• МЕТОД АВТОМАТИЧЕСКОЙ ОПТИМИЗАЦИИ БАЗЫ НЕЧЕТКИХ ПРАВИЛ ИНТЕЛЛЕКТУАЛЬНЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ СУБТРАКТИВНОЙ КЛАСТЕРИЗАЦИИ

  А.С. Игнатьева , В.В. Шадрина , В. В. Игнатьев , А.В. Максимов

  181-197

  2025-07-24

  Аннотация ▼

  Целью работы является разработка метода оптимизации базы нечетких правил интеллектуального регулятора для управления техническим объектом с использованием субтрактивной кластеризации. В статье приведен обзор и краткий анализ состояния дел в области оптимизации работы интеллектуальных систем управления. Для достижения цели исследования разработана гибридная модель, в которой управление техническим объектом реализуется с помощью классического ПИ-регулятора и нечеткого ПИ-регулятора с сгенерированной структурой системы нечеткого вывода типа Cyгено и разработанной моделью адаптивной системы нейро-нечеткого вывода. Данная конфигурация модели позволяет формировать базу нечетких правил, которая не зависит от знаний эксперта в предметной области. В статье предложен новый метод оптимизации базы правил нечеткого регулятора на основе методов кластеризации, в частности субтрактивной кластеризации, позволяющий уменьшать количество правил нечеткого логического вывода и увеличить быстродействие системы управления техническим объектом. Сначала проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов до применения субтрактивной кластеризации. Применение субтрактивной кластеризации по разработанному в исследовании способу для значений классического регулятора и нечеткого, позволило добиться их количественного сокращения в 1,7 и 5,25 раз соответственно. Затем проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов после применения субтрактивной кластеризации. Результаты, полученные в процессе моделирования показали высокую эффективность предложенного метода оптимизации базы правил нечеткого регулятора. За счет применения субтрактивной кластеризации в гибридной модели для интеллектуального регулятора удалось значительно уменьшить количество функций принадлежности, требуемых для описания входных лингвистических переменных (с пяти до четырех) и уменьшить количество правил нечеткого логического вывода (с двадцати пяти до шестнадцати). Анализ полученных графиков переходных процессов, полученных для гибридных моделей до и после применения субтрактивной кластеризации, показал, что основные показатели качества процесса управления остаются неизменными при существенном сокращении проводимых вычислений.

• АЛГОРИТМ ПОДГОТОВКИ ДАННЫХ ОБУЧЕНИЯ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ БУКВ И СИМВОЛОВ

  Д.А. Безуглов , М.С. Мищенко , С.Е. Мищенко

  134-144

  2025-07-24

  Аннотация ▼

  Точность распознавания текстовых изображений на практике остается ограниченной. Это связано с тем, что в алфавит символов могут входить строчные и прописные буквы со схожим начертанием, а также составные символы, образованные из нескольких более простых символов. Для решения этой проблемы систему распознавания символов дополняют системами семантического или структурного анализа, что существенно усложняет информационную систему для распознавания текста. В настоящее время для распознавания одиночных символов широко применяют сверточные нейронные сети, для обучения которых используют базу данных с изображениями распознаваемых символов. В работе предложен алгоритм, отличающийся тем, что в изображение одиночного символа для обучающей выборки включают фрагменты символов, которые могут быть расположены в строке в непосредственной близости от распознаваемого символа. Формирование изображений для обучающей выборки имитирует процесс сегментации символа по яркости, который обычно используют при выделении символа для дальнейшего распознавания. При этом оценивают размеры символа, дополняют его изображениями соседних символов, а затем оценивают размеры области, изображения, которое будет помещено в обучающую выборку. Полученное изображение масштабируют и обрезают таким образом, чтобы на вход нейронной сети поступали изображения заданного размера. В работе для распознавания алфавита символов, включающего прописные и строчные символы русского и английского алфавитов, цифры, символы и знаки препинания предложено использовать множество сверточных нейронных сетей, каждая из которых обучена распознавать один символ. Выбор символа осуществляется путем сравнения откликов всех нейронных сетей и выбора максимального отклика. Проведено сравнение предложенного алгоритма подготовки данных для обучения с известным алгоритмом, основанным на использовании изображений одиночных символов. Установлено, что предложенный алгоритм подготовки данных для обучения обеспечивает повышение точности распознавания алфавита из 138 символов более, чем в два раза.

• МОДУЛЬ КОРРЕКТИРОВКИ ПАРАМЕТРОВ АЛГОРИТМОВ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ

  В. А. Тупиков, В. А. Павлова , А.И. Лизин , П.А. Гессен

  71-81

  2022-04-20

  Аннотация ▼

  В целях создания инновационного модуля автоматической корректировки алгорит-
  мов автоматического обнаружения и сопровождения объектов с обучением в реальном
  времени произведено исследование мирового опыта в области автоматического сопрово-
  ждения общего назначения с возможностью распознавания объекта сопровождения для
  применения во встраиваемых вычислительных устройствах оптико-электронных систем
  перспективных робототехнических комплексов. На основе проведенных исследований ото-
  браны и протестированы методы и подходы, которые позволяют с наибольшей точно-
  стью, при сохранении высокой вычислительной эффективности, обеспечивать обучение
  классификаторов на лету (online learning) без априорного знания о типе объекта слежения
  и обеспечивать последующую корректировку во время слежения и обнаружение исходного
  объекта в случае его кратковременной потери. В число таких способов входит гисто-
  грамма направленных градиентов – дескриптор ключевых признаков, основывающийся на
  анализе распределения градиентов яркости изображения объекта. Его использование по-
  зволяет сократить количество используемой информации без потери ключевых данных об
  объекте и увеличить скорость обработки изображений. В статье обоснован выбор одного
  из алгоритмов классификации в режиме реального времени, позволяющего решить задачу
  бинарной классификации – метода опорных векторов. В виду высокой скорости обработки
  данных и необходимости небольшого количества исходных обучающих данных для по-
  строения разделяющей гиперплоскости, на основе которой и происходит классификация
  объектов, данный метод выбран как наиболее подходящий для решения поставленной за-
  дачи. Для осуществления online-обучения была выбрана модификация метода опорных
  векторов, реализующая стохастический градиентный спуск на каждом шаге работы алго-
  ритма – Pegasos. Еще одним вспомогательным способом является метод кластеризации
  ключевых точек – таким образом обеспечивается ускоренный выбор объектов для обуче-
  ния и классификации. Авторами исследования проведена разработка и полунатурное моде-
  лирование предлагаемого модуля, проведена оценка эффективности его работы в задачах
  корректировки и обнаружения объекта интереса в режиме реального времени с предвари-
  тельным online-обучением в процессе слежения за объектом. Разработанный алгоритм
  показал высокую эффективность при решении поставленной задачи. В заключении пред-
  ставлены предложения по дальнейшему повышению точности и вероятности обнаруже-
  ния объекта интереса разработанным алгоритмом, а также по повышению его произво-
  дительности путем оптимизации вычислений.

• КОРРЕЛЯЦИОННЫЙ АЛГОРИТМ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ С ОБУЧЕНИЕМ В РЕАЛЬНОМ ВРЕМЕНИ

  В. А. Тупиков , В. А. Павлова , А.Ю. Гагарина , П. А. Гессен , А.И. Лизин , М. В. Созинова

  2022-04-21

  Аннотация ▼

  Целью данной разработки является создание устойчивого алгоритма автоматиче-
  ского обнаружения и сопровождения недетерминированных объектов с обучением в реаль-
  ном времени, для встраиваемых вычислительных устройств оптико-электронныч систем.
  В рамках представленной работы произведено исследование и анализ имеющегося мирового
  научно-технического опыта в области алгоритмов автоматического сопровождения об-
  щего назначения. В статье показано что современные алгоритмы автоматического со-
  провождения представляют собой систему, принимающую решение о текущем положе-
  нии, размерах и других параметрах сопровождаемого образа на основе обучаемой модели.
  Авторами исследования выделены наиболее эффективные из применяемых базовых алго-
  ритмов, подходящие для применения во встраиваемых вычислительных системах робото-
  технических комплексов, и разработан новый алгоритм автоматического обнаружения и
  сопровождения недетерминированных объектов. Проведено полунатурное тестирование
  разработанного алгоритма и оценена его эффективность в решении задач не только ав-
  томатического сопровождения объектов, но и задач автоматического обнаружения объ-
  ектов по нескольким эталонным образам. В заключении представлены предложения по
  дальнейшему повышению точности разработанного алгоритма и по его оптимизации и
  внедрению в состав специального программного обеспечения бортовых вычислительных
  систем летательных аппаратов.