автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка моделей различения спектральных данных для идентификации качества пищевых сред

ВВЕДЕНИЕ.

ГЛАВА I. Модели оптимального различения спектральных данных пищевых сред

1.1. Современные методы получения спектральных данных, характеризующих свойства пищевых сред.

1.2. Проблемы различения спектральных данных пищевых сред.

1.3. Модели оптимального различения спектральных данных.

1.4. .Постановка задач диссертационного исследования.

ГЛАВА И. Методология двухкритериальной оптимизации различения спектральных данных.

2.1. Предварительная фильтрация и синтез мер сходства спектральных данных путем максимизации критерия отношения правдоподобий.

2.2. Предварительная фильтрация, не изменяющая статистические характеристики спектральных данных.

2.3. Критерии селективности различения спектральных данных.

2.4. Основные результаты главы II.

ГЛАВА III. Численные методы различения спектральных данных при различных моделях их наблюдения и предварительной фильтрации.

3.1. Численные методы различения спектральных данных, наблюдаемых на фоне случайных некоррелированных помех известной интенсивности.

3.2. Численные методы различения спектральных данных, наблюдаемых на фоне случайных некоррелированных помех неизвестной интенсивности.

3.3. Численные методы различения спектральных данных с неизвестной амплитудой, наблюдаемых на фоне случайных некоррелированных помех неизвестной интенсивности

3.4. Основные результаты главы III.

ГЛАВА IV. Практическое применение моделей различения нечетких спектральных данных пищевых сред.

4.1. Экспериментальное исследование моделей различения спектральных данных пищевых сред.

4.2. Способ спектрально-структурного анализа для оценки качества пищевых сред по их цвето-структурной палитре.

4.3. Способ спектрально-зонального анализа жидких сред.

4.4. Основные результаты главы IV.

Основное направление и актуальность исследований. Практически все стандарты по сертификации качества продукции различных отраслей пищевых производств включают мероприятия по оценке органолептических свойств (признаков или характеристик) пищевых сред - сырья и готовых продуктов, которые гораздо больше, чем физико-химические свойства и пищевая ценность, влияют на выбор потребителей и. в конечном счете, формируют их спрос [1]. Органолептическими свойствами пищевых продуктов являются внешний вид, текстура, вкус и запах, аромат. К сожалению, осуществить грамотную оценку органолептических свойств пищевых продуктов, тем более оперативную и в условиях массового производства, могут далеко не все, даже подготовленные эксперты. Необходимы некоторые «эталонные» качества, основанные на опыте и природных способностях. В то же время, создать подобное количество датчиков различных органолептических свойств, какое имеется у органов осязания и обоняния человека практически невозможно.

На сегодняшний день наиболее информативными методами и средствами позволяющими получить описание различных физико-химических, биологических, органолептических свойств пищевых сред являются методы и средства спектроскопии, хроматографии, ферментативных реакций [2 + 4, 5]. Так, например, современная оптическая спектроскопия доставляет информацию о свойствах пищевых сред по 4000 каналам (в диапазоне электромагнитных длин волн от 200 нм до 1000 нм). Подобные спектральные данные являются по своей физической сути однородными, имеющими единый информационный носитель, например: длины или частоты электромагнитных волн в спектроскопии, подвижности или времена выхода фракций в хроматографии. С другой стороны, свойство пищевых сред возможно описывать и с помощью неоднородных спектральных данных, имеющих носитель различной физической природы, например: кислотность, вязкость, влажность и т.п.

Неоднородные спектральные данные, описывающие различные свойства пищевых сред, могут быть сформированы путем объединения компонентов как однородных спектральных данных (основанных на физически однородных, но различных носителях), так и разнородных спектральных данных.

При анализе свойств пищевых сред по рассмотренным выше спектральным данным возникают задачи как их простого сравнения, так и различения или распознавания. Так, очень часто необходимо количественно сравнивать степени отличия цветовых спектров колбас при различных красителях; уметь распознавать хроматограммы ликеро-водочных изделий при контроле качества продукции.

Как правило, все спектральные данные пищевых сред носят нечеткий характер в силу их многокомпонентного состава и сложного атомно-молекулярного строения. Впервые нечеткость различных спектральных характеристик пищевых сред была выявлена в работах Рогова И.А. [2].

Сейчас уже известно, что даже спектры простых веществ, например, таких как жидкости (растворители, вина) являются сплошными и носят нечеткий характер [6,7]. Хроматографические спектры пищевых сред, хотя и являются линейчатыми, но также являются нечеткими, поскольку различаются лишь по своим огибающим [8].

С позиций фундаментальных физических знаний и современных информационных технологий по-новому выглядят проблемы спектральных исследований состава пищевых сред. Так, ранее основное внимание при исследовании данных сред уделялось спектральному методу характеристических частот, позволяющему интерпретировать отдельные фрагменты сложных спектральных распределений в терминах спектров известных компонентов [9]. Сразу же возникла проблема эталонов в виде веществ с четко выраженными (резонансными) спектральными характеристиками, которая для большинства многокомпонентных сред так и не была решена. Оказалось, что спектры этих сред чрезмерно изменчивы и не содержат четко выраженные разрешаемые фрагменты своих составляющих компонентов. В этой ситуации необходимо использовать современные методы статистической теории распознавания образов.

Аналогичные проблемы сравнения схожих данных возникают и в задачах информационного поиска, при использовании баз данных и знаний, построении экспертных систем самого широкого назначения [10].

В этих условиях становится актуальной проблема синтеза специальных методов оптимального различения нечетких спектров пищевых сред. При успешном решении проблемы диапазоны применения и различающие способности многих известных инструментальных спектральных методов и средств получения априорной информации о свойствах пищевых сред могут быть существенно расширены за счет апостериорной компьютерной обработки информации. Так, на использовании спектральных данных основана идея компьютерной квалиметрии, заключающейся в разработке специальных или же использовании уже известных инструментальных средств (методов, датчиков и приборов) оперативного контроля разнообразных физико-химических, оптических, реологических и биологических характеристик пищевых сред совместно с автоматизированными (компьютерными) экспертными системами для связывания получаемых инструментальных характеристик с соответствующими органолептическими признаками и другими (потребительскими) характеристиками, оцениваемыми опытными экспертами [11]. В дальнейшем, с накоплением данных и знаний, такие экспертные системы должны самостоятельно давать оперативные оценки органолептических и потребительских свойств исследуемых пищевых сред, как отклик на входные запросы в виде соответствующих инструментальных характеристик данных сред.

Научная база и начальное состояние проблемы. Известно несколько подходов к решению задач сравнения спектральных данных. Все они основаны на синтезе специальных мер сходства или различия данных. Наиболее распространенные в настоящее время подходы (фильтрационный - Винеровский, теории статистических решений - Байесовский, эвристический) основаны на синтезе мер сходства путем оптимизации одного функционального критерия за один шаг [12 ч- 14]. В результате синтезируются различные оптимальные меры сходства, основанные на корреляционных статистиках спектральных данных. Однако было замечено, что, в условиях даже незначительных помех (при отношении амплитуд шум/сигнал в 10 % 4- 12 %), происходит потеря селективности различения - возможны 10% ошибки в различении похожих данных [15]. Наиболее эффективный подход теории статистических решений оказался чрезвычайно сложным в вычислительном отношении для практического использования, т.к. требует решения системы огромного числа обновляющихся уравнений.

Нестационарные спектральные данные различной физической природы (с временными, пространственными, разноразмерными носителями или компонентами) встречаются в радиотехнике, в оптике и спектроскопии, в технической диагностике и информатике.

Данные, получаемые от различных приборов, измеряющих, многочисленные характеристики пищевых сред также имеют нестационарный характер - каждая компонента данных имеет свое математическое ожидание и дисперсию. Даже если спектральные данные имеют один физический носитель, например, как при оптической спектроскопии, то различные диапазоны спектров измеряются с разной точностью. В силу различной спектральной чувствительности применяемых кремниевых фотодетекторов, спектральные данные имеют различные погрешности в ультрафиолетовом (УФ), видимом (В) и ближнем инфракрасном (ИК) диапазонах длин волн.

В работах Краснова А.Е. [16] впервые были разработаны методы сравнительного анализа нечетких однородных спектральных данных на основе оптимальных корреляционных мер сходства, применяемых не непосредственно к самим сравниваемым данным, а к данным, подвергнутым нелинейным преобразованиям - нелинейной фильтрации. Это позволило повысить селективность сравнения данных, наблюдаемых в условиях значительных помех и даже искажений. Однако в работах [16] основное внимание было уделено новым методам описания и сравнительного анализа лишь только электромагнитных полей.

Настоящее диссертационное исследование полностью основано на идеях работ [16], однако основное внимание уделено развитию этих идей применительно к сравнительному анализу однородных и неоднородных спектральных данных, характерных для пищевых сред.

Цель и задачи исследования. Целью настоящей диссертационной работы является разработка оптимальных по достоверности и различающей способности моделей сравнительного анализа спектральных данных пищевых сред, наблюдаемых в реальных условиях помех, когда спектральные данные носят нечеткий или размытый характер, а также -являются нестационарными (по дисперсии).

В соответствии с поставленной целью основными задачами исследования являются:

- разработка методологии и методов двухкритериальной оптимизации сравнительного анализа нечетких спектральных данных, включающих как известный критерий достоверности (правдоподобия) различения, так и критерий различительной способности;

- разработка численных методов сравнительного анализа нечетких спектральных данных при различных моделях их наблюдений и предварительной фильтрации; экспериментальное исследование численных методов сравнительного анализа нечетких спектральных данных пищевых сред.

Результаты работы.

Научная новизна. В диссертационной работе получены три основных результата: разработаны методология и методы двухкритериальной оптимизации сравнительного анализа нечетких спектральных данных, заключающиеся в том, что анализируемые спектральные данные подвергаются фильтрации, которая не изменяет их статистические характеристики, но позволяет максимизировать новый критерий -различающую способность, означающий относительное различие мер сходства между одними и теми же эталонными и разными эталонными данными. Саму меру сходства спектральных данных синтезируют путем оптимизации критерия отношения правдоподобий, что обеспечивает максимизацию достоверности различения. разработаны численные методы различения спектральных данных, наблюдаемых на фоне нестационарных нормально распределенных некоррелированных помех при различных моделях наблюдения: известных амплитудах спектральных данных и мощность помех, известных амплитудах спектральных данных и неизвестных мощностях помех, неизвестных амплитудах спектральных данных и мощности помех;

- теоретически и экспериментально показано, что предлагаемая методология и методы при линейной фильтрации нестационарных спектральных данных обеспечивают ту же достоверность их различения, что и известные методы, но с превышением отношения шум - сигнал (по амплитуде) в 1,5 раза. При нелинейной фильтрации сигналов получен эффект "сверхразличения", когда обеспечивается достоверность различения данных с превышением порогового уровня помех (по мощности) в 2 т 10 раз (в зависимости от статистики помех) по сравнению с линейной фильтрацией.

Практическая ценность работы.

На основе модели различения спектральных данных при их нелинейной фильтрации разработан способ спектрально-текстурного анализа пищевых сред по их внешнему виду, заключающийся в сравнение цветных изображений их поверхностей или срезов, формируемых в видимом диапазоне. В отличие от известных, способ позволяет сравнивать цветовые, текстурные и цветотекстурные характеристики сред независимо от их ориентации, что необходимо при автоматизации анализа для экспресс диагностики качества пищевых сред. Способ защищен патентом РФ №2178562, 2001.

Способ показал свою высокую эффективность в задачах экспресс диагностики влияния красителей на качество вареных колбас.

Также разработан способ спектрально-зонального анализа многокомпонентных растворов, заключающийся в сравнении зон их спектральных распределений.

Способ показал свою высокую эффективность в задачах экспресс диагностики влияния примесей малых концентраций на физиологические растворы.

На защиту выносятся: методология и методы двухкритериальной оптимизации сравнительного анализа нечетких спектральных данных, включающих как известный критерий достоверности (правдоподобия) различения, так и новый критерий различительной способности; новый критерий различающей способности, означающий относительное различие мер сходства между одними и теми же и разными спектральными данными, наблюдаемых на фоне нестационарных нормально распределенных некоррелированных помех;

- численные методы предварительной линейной и нелинейной фильтраций, обеспечивающие повышение критерия различающей способности спектральных данных;

- численные методы сравнительного анализа нечетких спектральных данных при различных моделях наблюдения: известных амплитудах спектральных данных и мощности помех, известных амплитудах спектральных данных и неизвестных мощностях помех, неизвестных амплитудах спектральных данных и мощности помех; способ спектрально-текстурного анализа пищевых сред, позволяющий сравнивать цветовые, текстурные и цветотекстурные характеристики сред независимо от их ориентации, что необходимо при автоматизации анализа для экспресс диагностики качества пищевых сред; способ спектрально-зонального анализа многокомпонентных растворов, позволяющий диагностировать влияние примесей малых концентраций в растворах.

Реализация работы и личный вклад автора.

Исследования по теме диссертационной работы выполнялись автором с 1998 г. по настоящее время в Московской Государственной Технологической Академии Министерства Образования Российской Федерации (МГТА) и в Отделении Квантовой Радиофизики Физического института им. П.Н. Лебедева Российской Академии Наук (ОКРФ ФИАН).

Практические результаты работы реализованы в виде ряда фундаментальных и хоздоговорных НИР, выполненных МГТА (гос. регистрация НИР № 02.20.0109093, № 02.20.0004912 и № 01.99.0009055)

Автором лично получены результаты, связанные с новым критерием различающей способности; численными методами предварительной линейной фильтрации, сравнительного анализа нечетких спектральных данных при различных моделях их наблюдения, способом спектрально-зонального анализа многокомпонентных растворов, а также всеми экспериментальными исследованиями.

Результаты, связанные с методологией и методами двухкритериальной оптимизации сравнительного анализа нечетких спектральных данных, численными методами предварительной нелинейной фильтрации, способом спектрально-текстурного анализа пищевых сред получены автором совместно с Красновым А.Е., Компанцом И.Н., Красулей О.Н.

Исследования по теме диссертационной работе были поддержаны программами: СЦП «Интеграция» (подпрограмма «Интегрированные радиоэлектросистемы нового поколения» - (МГАИ, ФИАН и др.) и подпрограмма «Физический учебно-научный центр Фундаментальная оптика и спектроскопия» (МГУ, МИФИ, ФИАН, МФТИ)); ФЦНТП (подпрограмма «Исследование и разработки по приоритетным направлениям развития науки и техники», блок 1 - «Ориентированные фундаментальные исследования», раздел «Фундаментальные исследования в области физических наук», подраздел «Создание физических основ квантовых и нелинейно-волновых технологий»).

Апробация работы. Основные результаты диссертационной работы докладывались на следующих научных форумах:

1. 5-ой Международной научно- практической конференции «Современные проблемы в пищевой промышленности», Москва, МГЗИПП, 1999.

2. 6-ой Международной научно-практической конференции «Пищевая промышленность на рубеже третьего тысячелетия», Москва, МГЗИПП, 2000.

3. Международной конференции «Параллельные вычисления и задачи управления», Москва, ИПУ, 2001.

4. VII международной научно-практической конференции «Инновационные технологии в пищевой промышленности третьего тысячелетия», Москва, МГТА, 2001.

5. Научно-практической конференции «Технологии, научно-техническое и информационное обеспечение в образовании и производстве», Вязьма, ВФ МГТА, 2001.

6. Научно-практической конференции «Проблемы глубокой переработки сельскохозяйственного сырья и экологической безопасности в производстве продуктов питания XXI века», Углич, РАСХН, 2001.

7. IV Международной научно-технической конференции «Пища. Экология. Человек», Москва, МГУПБ, 2001.

8. II Международной конференции «Идентификация систем и задачи управления», Москва, ИПУ, 2003.

Публикации.

Результаты по теме диссертации опубликованы в 14-ти научных работах, которые включают в себя 3 статьи, 10 тезисов и 1 патент Российской Федерации.

Структура диссертации. Диссертация состоит из введения, 4-х глав, заключения, списка литературы, приложения.

4.4. Основные результаты главы IV

Полученные в данной главе результаты показывают, что предлагаемая методология и численные методы при линейной фильтрации нестационарных спектральных данных обеспечивают ту же достоверность их различения, что и известные методы, но с превышением отношения шум - сигнал (по амплитуде) в 1,5 раза. При нелинейной фильтрации сигналов получен эффект "сверхразличения", когда обеспечивается достоверность различения данных с превышением порогового уровня помех (по мощности) в 2 -f- 10 раз по сравнению с линейной фильтрацией.

На основе предложенной модели различения спектральных данных при их нелинейной фильтрации разработан способ спектрально-текстурного анализа пищевых сред по их внешнему виду, который заключается в сравнении цветных изображений их поверхностей или срезов, формируемых в видимом диапазоне. В отличие от известных, способ позволяет сравнивать цветовые, текстурные и цветотекстурные характеристики сред независимо от их ориентации на плоскости, что необходимо при автоматизации анализа для экспресс диагностики качества пищевых сред.

Способ показал свою высокую эффективность в задачах экспресс-оценки органолептических (цветовых) характеристик вареных колбас в зависимости от различных видов используемых красителей.

Также разработан способ спектрально-зонального анализа жидких сред, заключающийся в сравнении зон их спектральных распределений.

Способ показал свою высокую эффективность в задачах: экспресс диагностики влияния примесей малых концентраций на свойства физиологических растворов и двухкритериальной оптимизации бинарных смесей пищевых красителей.

ЗАКЛЮЧЕНИЕ Основные результаты диссертационного исследования

1. Впервые разработана методология двухкритериальной оптимизации сравнительного анализа нечетких спектральных данных, заключающаяся в том, что анализируемые спектральные данные подвергаются фильтрации, которая не изменяет их статистические характеристики, но позволяет максимизировать новый критерий - различающую способность, означающий относительное различие мер сходства между одними и теми же эталонными и разными эталонными спектральными данными. Саму меру сходства спектральных данных синтезируют путем оптимизации критерия отношения правдоподобий, что обеспечивает максимизацию достоверности различения.

2. Разработаны модели различения спектральных данных на фоне нестационарных нормально распределенных помех при различных моделях их наблюдения: известных амплитудах спектральных данных и мощности помех, известных амплитудах спектральных данных и неизвестных мощностях помех, неизвестных амплитудах спектральных данных и мощности помех. Показано, что при линейной фильтрации спектральных данных возможно повысить отношение шум-сигнал в 1,5 раза по сравнению с известной Винеровской моделью различения. Нелинейная фильтрация позволяет повысить отношение шум - сигнал в 2 -г 10 раз по сравнению с линейной фильтрацией.

3. На основе модели различения спектральных данных разработан способ цвето-текстурной идентификации пищевых сред по их внешнему виду, заключающийся в сравнении цвето-текстурных изображений их поверхностей или срезов, формируемых в видимом диапазоне, с эталонными изображениями. Способ позволяет сравнивать текстурные и цвето-текстурные характеристики сред независимо от их ориентации на плоскости, что необходимо при автоматизации анализа для экспресс диагностики качества пищевых сред. Способ защищен патентом России №2178562, 2001.

1. Шидловская В.П. Органолептические свойства молока и молочных продуктов. Справочник. М.: Колос. 2000. 280 с.

2. Электрофизические, оптические и акустические характеристики пищевых продуктов. Справочник. Под ред. И.А. Рогова. М.: Легкая и пищевая промышленность, 1981. - 288 с.

3. Кантор Ч.э Шиммел П. Биофизическая химия: в 3-х т. Т. 3./ Пер. с англ. М.: Мир, 1984. - 336 с.

4. Zweig G., Archer Т.Е., Raz D.J. J.Agr. Food Chem., 1962, -199 p.

5. Колеснов А.Ю. Идентификация и анализ качества соков и напитков с применением ферментативных методов. JL: ЛТИХП, 2000. -41 с.

6. Кириллов В.В., Макашева И.Е., Покровская М.В. Спектральные методы анализа, используемые в пищевой промышленности: Текст лекций/ Под ред. Н.П. Новоселова, В.В. Кириллова. Л.: ЛТИХП, 1990.-42 с.

7. Авраменко Е.Н., Есельсон М.П. Спектральный анализ в пищевой промышленности. -М.: Пищевая промышленность, 1979. -183 с.

8. Физика простых жидкостей. Статистическая теория. Под ред. Г. Темперли, Дж. Роулинсона, Дж. Рашбрука.: Пер. с англ. М.: Мир, 1992.-686 с.

9. Бриллиантов Н.В., Ревокатов О.П. Молекулярная динамика неупорядоченных сред: Учебное пособие. М.: Изд-во Моск. Ун-та, 1996.- 160 с.

10. Успехи хроматографии (К 100-летию со дня рождения основателя хроматографии М.С. Цвета). -М.: Наука, 1972 -296 с.

11. П.Митрука Б.М. Применение газовой хроматографии в микробиологии и медицине. /Пер. с англ. М.: Медицина, 1978. - 600 с.

12. Кириллов В.В., Макашева И.Е., Покровская М.В. Хроматографические методы разделения и анализа, используемые в пищевой промышленности: Текст лекций / Под ред. Н.П. Новоселова, В.В. Кириллова. Л.: ЛТИХП, 1990. -41 с.

13. Озкарахан Э. Машины баз данных и управление базами данных. /Пер. с англ. М.: Мир, 1989. - 545 с.

14. Краснов А.Е., Красуля О.Н., Большаков О.В., Шленская Т.В. Информационные технологии пищевых производств в условиях неопределенности (системный анализ, управление и прогнозирование с элементами компьютерного моделирования). -М.: ВНИИМП, 2001. 496 с.

15. Wiener N. Extrapolation, interpolation and smoothing of stationary time series. New York: J.Wiley, 1949.

16. Вайнштейн Л.А., Зубаков В.Д. Выделение сигналов на фоне случайных помех. М.: Советское радио, 1960. - 447с.

17. Charles D.H., Kumar B.V.K.V. Design and evaluation of three-level composite filters obtained by optimizing a compromise average perfomance measure. Optical Engineering, June 1994, vol. 33, №6, pp. 1757 1766.

18. Yaroslavsky L.P. Is the phase only filter and its modifications optimal in terms of discrimination capability in pattern recognition. Appl. Opt., vol. 31, 1992, p. 1677.

19. Краснов A.E. Метод фазового портрета в экспериментальном оценивании матриц плотности состояний электромагнитных полей для их инвариантного детектирования и распознавания. Автореферат диссертации д-ра ф.-м. наук. М.: 1997. - 50 с.

20. Болыдая медицинская энциклопедия: в 30-т. Гл. ред. Б.Б Петровский. М.: Советская энциклопедия, 1989. - Т.4.

21. Кантор Ч., Шиммел П. Биофизическая химия: В 3-х т. Пер. с англ. -М.: Мир, 1984.-Т. 2.-496 с.

22. Руководство по методам анализа качества и безопасности пищевых продуктов. // Под ред. И.М. Скурихина, В.А. Тутельяна. М.: Брандес, Медицина, 1998. - 340.

23. Красуля О.Н. Методологические основы анализа и определения перспектив развития технологий мяса и мясных продуктов в условиях информационной неопределенности. Автореферат диссертации д.-ра тех. наук. М.: МГУПБ, 1999. 46 с.

24. Антипова J1.B., Глотова И.А., Рогов И.А. методы исследования мяса и мясных продуктов. -М.: Колос, 2001. 376.

25. Келих С. Молекулярная нелинейная оптика. — М.: Наука, 1981. — 672 с. 20.

26. Kompanets I.N., Krasnov А.Е., and Malov A.N. The Interaction of Laser Light with Biologic Tissue. Photonics and Optoelectronics. Allerton Press, Inc. — New York, 1995, vol. 3,№3, 115-122.

27. Косой В.Д. Научные основы совершенствования и оптимизации процессов производства варёных колбас методами инженерной реологии. Автореф. дисс. д.т.н. — М.: 1984. — 42 с.

28. Хофманн Д. Измерительно-вычислительные системы обеспечения качества. — М.: Энергоатомиздат, 1991. — 272 с.

29. Косой В.Д., Горбатов А.В., Ивашкин Ю.А., Сергеян К.Р. Производство колбас с заданными структурно-механическими характеристиками и химическим составом. //Мясная индустрия СССР, 1987, № 1, с. 25-29.

30. Пантел Р., Путхов Г. Основы квантовой электроники. Пер. с англ. — М.: Мир, 1972, —384 с.31 .Wiener N. Extrapolation, interpolation and smoothing of stationary time series. New York: J.Wiley, 1949.

31. Вайнштейн Л.А., Зубаков В.Д. Выделение сигналов на фоне случайных помех. М.: Советское радио, 1960. - 447с.

32. Тихонов В.И., Кульман Н.К. Нелинейная фильтрация и квазикогерентный прием сигналов -М.: Сов. радио, 1975. -704с.

33. Helstrom C.W. Quantum detection and estimation theory. Academic Press, N.Y., S.-Fr., London, 1976.

34. Репин В.Г., Тартаковский Т.П. Статистический синтез при априорной неопределенности и адаптация информационных систем. М.: Советское радио, 1977. - 432с.

35. Зб.Омельченко В.А. Основы спектральной теории распознавания сигналов. Харьков: Вища школа. Изд-во при Харьковском ун-те, 1983.- 156 с.

36. Мальцев Г.Н. Оптимальная преддетекторная обработка сигналов в оптических информационных системах. 1,11. Оптика и спектроскопия, том 72, вып. 1, 1992, с. 243-253; III том 73, вып5, 1992, с. 940-946.

37. Javidi В. Generalization of the linear matched filter concept to nonlinear matched filters. Appl. Opt., vol. 29, 1990, p. 1215.

38. Refregier P. Filter design for optical pattern recognition: Multicriterion optimization approach. Opt. Lett., vol. 15, 1990, p. 854.

39. Refregier P., Javidi В., and Laude V. Non linear joint Fourier transform correlation: an optimal solution for adaptive image discrimination and input noise robustness. Opt. Lett., vol. 19, 1994, p. 405.

40. Refregier P. Application of the stubilizing functional approach to pattern recognition filters. J. Opt. Soc. Am., vol. A11, 1994, p. 1243.

41. Charles D.H., Kumar B.V.K.V. Design and evaluation of three-level composite filters obtained by optimizing a compromise average perfomance measure. Optical Engineering, June 1994, vol. 33, №6, pp. 1757-1766.

42. Downie J.D. Design of ternary correlation filters to reduce probability of error. Optical Engineering, June 1994, vol. 33, №6, pp. 1777-1784.

43. Kondo K., Ichioka Y., and Suzuki T. Image restoration by Wiener filtering in the presence of signal-dependent noise. Applied Optics, 1977, vol. 16, №9, pp. 2554-2558.

44. Шубников Е.И. Отношение сигнал/помеха при корреляционном сравнении изображений. Оптика и спектроскопия, 1987, том 62, вып. 2, с. 450-460.

45. Шубников Е.И. Влияние аддитивных и мультипликативных помех при корреляционном сравнении изображений. Оптика и спектроскопия, 1987, том 62, вып. 3, с. 653-658.

46. Кулешов A.M., Шубников Е.И. Отношение сигнал/помеха при опознавании фрагментов изображений, состоящих из нескольких однородных участков. Оптика и спектроскопия, 1988, том 65, вып. 6, с. 1338-1342.

47. Yaroslavskii L.P. Applied Problems of Digital Optics. Advances in Electronics and Electron Physics, v.66. Ed. by P.W. Hawkes. Academic Press, 1986.

48. Yaroslavsky L.P. Is the phase only filter and its modifications optimal in terms of discrimination capability in pattern recognition. Appl. Opt., vol. 31, 1992, p. 1677.

49. Krasnov A., Glotov A., Starodubtsev V. Integral Invariant Description of Grey-Scale Images. Mathematical Research, Band 40, Akademia-Verlag, Berlin, 1987, pp. 55-61.

50. Краснов А.Е. Статистически-причинное описание структуры сигналов колебательной природы. Автометрия, № 6, 1990, стр. 15-20.

51. Krasnov А.Е. Method of phase portrait for analysis of nonstationary dynamics of coherent optical fields. Trans, of International conference onadvanced and laser technologies: "ALT 92". (Moscow, September 8-11, 1992). -M., 1992, v.l, p. 91.

52. Krasnov A. Method of Phase Portrait for Analysis of Nonstationary Coherent Optical Fields. Proc. SPIE, (Coherent Measuring and Data Processing.Methods and Devices), v. 1978, 1993, pp. 193-200.

53. Krasnov A. Statistical causal description of space-time structure of quasi-coherent optical fields. Proc. SPIE, (Coherent Measuring and Data Processing. Methods and Devices), v. 1978, 1993, pp. 57-65.

54. Краснов A. E. Методы исследования состояний когерентных электромагнитных полей. В сб.: "Голография: теоретические и прикладные вопросы". Под ред. И.Н.Компанца, А.Н.Малова. Школа по голографии, Москва-Тирасполь, 1995, с. 32-51.

55. Krasnov А.Е. Physical principles of the conformation analysis of the coherent electromagnetic field. Tech. Dig. 15th Int. Conf. "Laser Optics" (June 27 July 1, 1995; St. Petersburg), Moscow, 1995, v.2, pp. 184-185.

56. Krasnov A.E., Kompanets I.N., Druzhinin. Applied problems of the conformation analysis of the coherent fields. Tech. Dig. 15th Int. Conf. "Laser Optics" (June 27 July 1, 1995; St. Petersburg), Moscow, 1995, v.2, pp. 182-183.

57. Краснов А.Е. Фазовые портреты огибающих когерентного электромагнитного поля на плоскости: обобщенное инвариантное описание поля в фазовом пространстве. Радиотехника, 1996, № 12, с. 23-27.

58. Краснов А.Е. Фазовые портреты огибающих когерентного электромагнитного поля на плоскости: использование фазовых портретов для оптимального различения состояний поля. Радиотехника, 1997, № 2, с. 49-54.

59. Krasnov А.Е. Description of the envelopes of coherent field passing the nonstationary nonuniform volume. Tech. Dig. 15th Int. Conf. "Laser Optics" (June 27 July 1, 1995; St. Petersburg), Moscow, 1995, v.l, pp. 338-339.

60. Krasnov A., Lunin A., Druzhinin Yu. Description of non-stationary scattering fields in light beating spectroscopy problems. Proc. SPIE, (Coherent Measuring and Data Processing. Methods and Devices), v. 1978, 1993, pp. 66-76.

61. Krasnov A.E., Druzhinin Yu.O. Raster-type, vector and recognizing filtrations in optoelectronic processor. Photonics and Optoelectronics, Allerton Press, Inc., New York, vol. 2, № 1, 1994, pp. 7-20.

62. Краснов A.E., Компанец И.Н., Чернопятов A.B., Дружинин Ю.О., Малов А.Н. Способ голографической защиты изделий. Российский патент по заявке №95119477 от 16.11.95.

63. Krasnov A.E. The Synthesis of the Optimal detectors of the Coherent Electromagnetic Field States. Photonics and Optoelectronics, Allerton Press, Inc., New York, vol. 3, № 1, 1995.

64. Евтихиев H.H., Евтихиева O.A., Компанец И.Н., Краснов А.Е., КульчинЮ.Н., Одиноков С.Б., Ринкевичус Б.С. Информационная оптика: Учебное пособие: Под ред. Н.Н. Евтихиева. — М.: Издательство МЭИ, 2000. 612с.

65. Краснов А.Е., Компанец И.Н. Новый метод анализа образов на основе статистик их фазовых портретов. Радиотехника, 2000, №1, с. 55 -60.

66. Сороко JI.M. Основы голографии и когерентной оптики. -М.: Наука, Главная редакция физико-математической литературы, 1971. 616с.

67. Сороко JI.M. Гильберт-оптика. -М.: Наука, Главная редакция физико-математической литературы, 1981.- 159с.

68. Добровидов А.В., Кошкин Г.М. Непараметрическое оценивание сигналов. М.: Наука. Физматлит, 1997. -336 с.

69. Краснов А.Е., Красников С.А. Синтез нечетких мер оптимальногоразличения зашумленных данных // Параллельные вычисления и задачи управления. М.: Институт проблем управления, 2001. С. 33 -57.

70. Краснов А.Е., Красников С.А., Компанец И.Н. Статистический синтез оптимальных по селективности мер сходства для различения нестационарных зашумленных сигналов // Радиотехника. 2002. № 1. С. 13-24.

71. Краснов А.Е., Красуля О.Н., Красников С.А., Николаева С.В. Спектральная квалиметрия пищевого сырья и готовых продуктов. В сб.: «Пища. Экология. Человек». Доклады IV Международной научно-технической конференции. М.: МГУПБ, 2001, с. 295 297.102

72. Краснов А.Е., Красников С.А., Красуля О.Н. Патент РФ № 2178562, 2001.

73. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.-511с.

74. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.-411 с.

75. Krasnov А.Е., Krasnikov S.A., Kompanets I.N. Correlation-statistical methods of complicated and noisy spectra' distinguishing. J. of Optics A: Pure and Applied Optics, Briton (Great Britain), № 3, 2002, pp. 70 80.1. АКТ

76. О ПРОВЕРКЕ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

77. Комиссия в составе: яу? .-. Qctpc<Jrc- лл

78. Й? c,,c>cjС?/Т. ss)c>tj /2> А осуществила проверкуразработанного Красниковым С.А. способа спектрально-зонального анализа жидких биологических сред заключающегося в сравнении частей (зон) спектральных распределений в «скользящем» окне.

79. Способ необходим для обнаружения влияния малых воздействий (примесей малых концентраций) на исследуемые жидкие среды.

80. Как показали результаты обработки спектров, по методу, предложенному Красниковым С.А., удалось обнаружить 8 зон различия между спектральными распределениями, что соответствует количеству примесей, вводимых в физраствор.

81. Таким образом, способ показал свою высокую эффективность в задачах экспресс диагностики влияния примесей малых концентраций на физиологические растворы.1. Члены комиссии

82. О ПРОВЕРКЕ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ В ПРОИЗВОДСТВЕННЫХ УСЛОВИЯХ