Антиплагиат (1229293), страница 3
Текст из файла (страница 3)
Методика направлена на создание алгоритмов самообучения на основе анализа э мпирических данных.Network analysis. Перечень методик анализа связей меж ду узлами одной сети.Optimization. Перечень численных методов для улучшения одного или нескольких показателей в слож ных системах и проц ессах.Pattern recognition. Перечень методик с э лементами самообучения для предсказания поведения объекта.Predictive modeling. Перечень методик, которые позволяют на перед создавать математическую модель в отличии от исходного сц енария.Regression. Перечень статистических методов для выявления закономерностей меж ду изменениями зависимой переменной отнезависимых.Signal processing.
Перечень методик для распознавания сигнала на фоне шума и его дальнейшего анализа.Spatial analysis. Методики анализа пространственных данных, такие как топология местности, географические координаты, геометрияобъектов.Statistics. Наука о сборе, интерпретац ии, систематизац ии данных, включая проведение э кспериментов.Supervised learning.
Методики, основанные на технологиях машинного обучения, позволяющ ие выявить взаимосвязи анализируемыданных.Simulation. Основной данной методики, является моделирование различных сц енариев поведения объекта исследований.Time series analysis.
Метод анализа повторяющ ихся с течение времени обработки данных.Visualization. Методы представления данных в графическом виде, т.е таблиц ами, графиками, диаграммами, анимац ией, для пониманияполученных данных.Перечисленные выше методики дополняют и дают возмож ность повысить э ффективность комплексного анализа информац ии дляавтоматического и автоматизированного распознавания образов. Однако большинство из них нуж даются в тщ ательной настройке,адаптац ии или «обучении», соответствующ ем предметной области, форматам данных, а такж е ц елям анализа.
Следующ ий разделпосвящ ен краткому обзору методов машинного обучения, которые рекомендуются в литературе для решения задач определенияпешеходов.1.3 Методы машинного обученияМашинное обучение – проц есс, в результате которого машина (компьютер)способна демонстрировать поведение, которое в нее не было явно залож ено (запрограммировано) [34]. Далее приведены методы,которые используется для обучения систем детектирования пешеходов.Метод опорных векторов (Support Vector Machines, SVM), данный метод решает задачи классификации и регрессии путемпостроения нелинейной плоскости, разделяющей объекты [5].
SVM обладает высокой степенью гибкости при решении задачразличного уровня сложности.Выделяются следующие типы SVM-моделей:– линейные;– полиномиальные;–[8]радиальные базисные функц ии (Radial asis Functions, RF);– сигмоидальные.Для построения оптимальной гиперплоскости разделяющ ей различные классы объектов SVM прибегает к итерац ионному алгоритмуобучения, позволяющ ему минимизировать ошибку классификац ии. Взависимости от вида функции вычисления ошибки SVM модели можно разделить на четыре группы:– классификация SVM типа 1 (также известна как C-SVM классификация);– классификация SVM типа 2 (также известна как Nu-SVM классификация);– регрессия SVM типа 1 (также известна как эпсилон-SVM регрессия);– регрессия SVM типа 2 (также известна как Nu-SVM регрессия).Метод опорных векторов[8]позволяет э ффективно решать многомерные задачи классификац ии при условии наличия обучающ ей выборки сравнительно большогообъема, который мож ет достигать нескольких сотен объектов.
Кроме того, требования к вычислительным ресурсам и ресурсам памятиустройств могут быть значительными, что налагает определенные ограничения на возмож ности его применения.Байесовский метод сформулирован, прежде всего, для решения задач классификации. Выдвигая строгие предположения (методопирается на предположение о том, что исследуемые переменные статистически независимы), модели байесовских процедур[8]являются э ффективным инструментом классификац ии, удобным в использовании и легкимдля интерпретации. Байесовский метод особенно актуален для задач высокой размерности пространства входных переменных.
Сэтим тесно связана проблема «проклятия» размерности. Байесовский метод часто превосходит по качеству другие болеесложные методы классификации. Существуют различные методы для моделирования условных распределений входных значений:нормального, логнормального, гамма-распределения и распределения Пуассона.Метод K-ближайших соседей – метод, основанный на использовании памяти и, в отличие от других статистических методов, ненуждаетсявпредварительномобучении.Работаметодаосновананаинтуитивномпредположенииотом,чтоблизкорасположенные объекты, скорее всего, принадлежат одной категории. Таким образом, прогнозы составляются на основенабора прототипных образцов, которые[8]определяют принадлеж ность новых значений тому или иному классу на основе принц ипа «победы большинством голосов». Методыявляется сравнительно простым и одним из наименее требовательных к вычислительным ресурсам и ресурсам памяти.
Кроме того,поскольку объем обучающ ей выборки, при ее наличии, сравнительно мал, длительность фазы обучения является короткой.1.3.1 Методы распознавания образов в геомаркетингеОдной из задач геомаркетинга является анализ пешеходных потоков. Для решения задачи обнаруж ения и распознавания пешеходов наулиц ах города, необходимо использовать методы распознавания образов, которые позволят э ффективно анализировать видеопоток вреальном времени. Ниж е приведены основные определения, используемые в дальнейшем [1].В общ ем случае под классом понимают множ ество объектов, которые имеют общ ие свойства.
При э том объекты одного класса имеютсхож ие значения характеристик. Для задачи распознавания мож ет быть определено любое количество классов, которое принятообозначать буквой S.Классификац ия – э то проц есс определения, какому классу принадлеж ит тот или иной объект, в соответствии со значениями его свойств(характеристик, атрибутов).Верификац ия – э то проц есс сопоставления э кземпляра объекта с его моделью или описанием класса.Образ –наименование области в пространстве признаков, вкоторое отображается множество объектов или явлений материальногомира.[55]Признак – количественное описание того или иного свойства исследуемого объекта, предмета или явления.Распознавание образов мож но рассматривать как задачу поиска соответствия меж ду э лементом исходных данных и определеннымклассом посредством выделения их сущ ественных признаков или свойств.
В литературе выделяют, следующ ие группы методовраспознавания образов [7]:– сравнение с образц ом, в данную группу входят методы классификац ии на основе расстояния до ближ айшего соседа или группы соседей.Такж е в данную категорию мож но отнести структурные методы распознавания;– статистические методы, использующ ие некоторую статистическую информац ию при решении задачи распознавания;– нейронные сети имеют особую модель организац ии, которая аналогична нейронной структуре мозга.
Главным образом, нейронная сеть«обучается» на основе заранее собранной обучающ ей выборки, состоящ ей из пар объектов и классов, которым они принадлеж ат.Причем принадлеж ность объектов – э лементов обучающ ей выборки – тому или иному классу известна заранее. Множ ество проблем, неподдающ ихся решению посредством традиц ионных вычислительных методов, могут быть э ффективно решены с помощ ью нейросетей.1.4.
Обзор систем распознавания пешеходовВ настоящ ее время сущ ествует достаточно много предприятий, которые предлагают программно-аппаратные решения дляинтеллектуального видеонаблюдения в таких системах, как «Безопасный город» и системы контроля доступа. Далее будутрассматриваться лишь примеры, предназначенные для развертывания систем «Безопасный город».1.4.1 СинезисСинезис – разработчик интеллектуальных системвидеонаблюдения и бизнес-аналитики на основе компьютерного зрения [45].Продукты компании позволяют регистрироватьданные о перемещении людей и транспортных средств в поле зрения камеры, а также выявлять различные ситуации без участияоператора. Результаты [36]анализа видео используются корпоративнымипользователямидляоперативныхуведомлений,поискавархиве,визуальногоаудитабизнес-процессаиподготовкианалитических отчетов.[36]Проект «Безопасный город» – э то программный комплекс с применением видеоаналитических решений, который помогает быстроопределить и оперативно отреагировать на нештатные ситуац ии, а такж е вовремя принять меры по устранению их последствий [45].Предлагаемое компанией решение представляет собой комплексную информац ионную систему, способнуюаккумулировать, объединять, анализировать и группировать разнородные данные, поступающие от множества источников.[54]На рисунках 1.5 и 1.6 представлена организац ионная структура системы «Безопасный город».Рисунок 1.5 – Централизованная архитектура системы «Безопасный город» [45]Рисунок 1.6 – Дец ентрализованная архитектура системы «Безопасный город» [45]Видеоаналитика Синезис для общ ественных мест позволяет в автоматическом реж име распознавать и сигнализировать о возникновениитаких тревож ных ситуац ий, как:––––запрещ енная парковка,скопление людей,быстрое движ ение (бег),проникновение на запрещ енную территорию,– падение людей на рельсы,– оставленный предмет и т.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
