автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.05, диссертация на тему:Способы, алгоритмические средства и мультипроцессор распознавания образов на основе нелинейных отображений

На правах рукописи УДК 681.3

Мальцев Евгений Михайлович

СПОСОБЫ, АЛГОРИТМИЧЕСКИЕ СРЕДСТВА И МУЛЬТИПРОЦЕССОР РАСПОЗНАВАНИЯ ОБРАЗОВ НА ОСНОВЕ НЕЛИНЕЙНЫХ ОТОБРАЖЕНИЙ

Специальность 05.13.05 "Элементы и устройства вычислительной техники и систем управления"

Автореферат диссертации на соискание ученой степени кандидата технических наук

КУРСК-2004

Работа выполнена на кафедре Программного обеспечения вычислительной

техники

Курского государственного технического университета

Научный руководитель:

Официальные оппоненты:

доктор технических наук, профессор В. М. Довгаль

доктор технических наук, профессор И.Г. Уразбахтин,

кандидат технических наук, доцент А.П. Жмакин

Ведущая организация: Орловский государственный технический университет (г. Орел)

Защита диссертации состоится « /6> » ^^^¿рА 2004 г. в^*"часов

на заседании диссертационного совета Д 212.105.02 при Курском государственном техническом университете по адресу: 305040, г. Курск, ул. 50 лет Октября, 94 (конференц-зал).

Заверенные отзывы на автореферат в двух экземплярах направлять по адресу: 305040, г. Курск, ул. 50 лет Октября, 94, ученому секретарю.

С диссертацией можно ознакомиться в библиотеке университета. Автореферат разослан « > » 2004 г.

Ученый секретарь, кандидат технических наук

Б. А. Титенко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность

Дальнейшее развитие средств вычислительной техники связывается с прикладными сферами эффективного применения. В частности в качестве основных компонентов компьютерных систем поддержки принятия решений, функционирующих на основе методов теории распознавания образов. Не смотря на давность постановки проблемы распознавания образов до сегодняшнего дня не найдено ее общего решения, что порождает необходимость в разработке методов, алгоритмических, программных и технических средств, находящихся в сильной зависимости от специфики решаемых задач в данной предметной области. Доминирующим направлением решения задачи распознавания образов является обучение. Между тем, методам обучения распознавания с учителем уделено недостаточно внимания.

В результате объективных психофизиологических ограничений лицо, осуществляющее обучение распознаванию образов, не может оперировать многомерными объектами. Поэтому для организации диалоговых процедур обучения используется визуализация, т.е. отображение многомерных объектов на плоскость монитора.

Визуализация позволяет рационально распределить функции между распознающей системой и лицом, осуществляющим обучение. При этом система синтезирует форму представления многомерных объектов, а человек определяет таксоны и их границы. Основная проблемная ситуация заключается в несоответствии сложности и стоимости существующих программных средств и самообучающихся устройств автоматического распознавания образов в виде монохромных точечных двухмерных объектов (изображений символов, дактилоскопических отпечатков, радужки глаза человека, товарных знаков и т.д.) реальным запросам и возможностям широкого круга пользователей. Основная решаемая задача заключается в создании способа многомерного представления точечных образов с последующей их визуализацией на плоскости монитора, позволяющей лицу, осуществляющему обучение, выполнять операции разграничения многомерных объектов, а также в разработке и исследовании устройств вычислительной техники массового применения, реализующих процедуры визуализации и автоматического распознавания.

Проблемам визуализации посвятили свои работы А. Пуанкаре, К. Фу, У. Торгенсон, К. Пирсон, к. Фукунага, А.Ю. Терехина, Р.С. Лбов, Н.Г. Заго-руйко, А.И. Галушкин и другие отечественные и зарубежные ученые.

Для решения основной задачи имеются необходимые основания и предварительные разработки. Теоретический фрагмент работы диссертационной работы связан с разработкой и обоснованием способов реализации процессов обучения и распознавания и их « созданием программно-аппаратных средств в распо-

С. Петербург

знавания образов и экспериментальными исследованиями скоростных характеристик алгоритмов и устройств.

На основании изложенного тема диссертационного исследования является актуальной и перспективной. "

Работа выполнялась в рамках грантов ГОО-1.4-1.5 (2000-2002 г.) Министерства образования РФ при непосредственном участии автора, и ГО2-4.2-5 (2002-2004 г.).

Цель диссертационной работы заключается в создании способов и алгоритмов: отображения двухмерных изображений исходных точечных объектов в кластеры многомерного пространства признаков; отображения многомерных форм представления кластеров на плоскость монитора (визуализация) для реализации процесса обучения с учителем; способа структурно-функциональной организации мультипроцессора, реализующего алгоритмы визуализации и автоматической классификации, а также в исследовании скоростных характеристик и параметров качества распознавания программных и аппаратных средств.

Задачи

1. Выполнить анализ форм представления точечных образов и определения структуры исходных данных, разработать способ построения многомерных форм представления объектов распознавания

2. Создать способ и осуществить его алгоритмизацию для построения отображения объектов многомерного пространства на плоскость и определения принадлежности к классу объектов многомерного пространства в диалоговом режиме.

3. Разработать способ автоматического распознавания точечных образов на основании обучения с учителем в режиме диалога.

4. Разработать аппаратную реализацию мультипроцессора распознавания.

5. Произвести исследование скоростных характеристик и уровня качества распознавания разработанных программных средств, а так же аппаратной реализации с целью обоснования ее использования в качестве сопроцессора-акселератора.

Методы исследования основываются на результатах современной топологии, теории распознавании образов, теории систем обработки символьной информации, теории алгоритмов и конструктивной математической логики, а также теории автоматов и проектирования ЭЦВМ.

Научная новизна заключается в следующих результатах:

1. Созданы способ и алгоритм отображения двумерных исходных точечных объектов в кластеры многомерного пространства признаков, позволяющие устранить ограничение на число образов и их топологические конфигурации.

2. Разработаны и формально обоснованы способ и алгоритм визуализации, обеспечивающие лицу, осуществляющему обучение в режиме

диалога, выполнять операции разграничения многомерных кластеров, отображенных на плоскость монитора.

3. Разработаны и экспериментально обоснованы способ и алгоритм, реализованный в виде программного продукта, автоматической классификации объектов на основе обучения с учителем, открывающие пути получения показателей уровня качества распознавания по отношению к таким образцам систем распознавания как FineReader 7.0.

4. Разработан способ структурно-функциональной организации мультипроцессора нового класса для распознавания образов с использованием программируемых логических интегральных схем (ПЛИС) с низким уровнем сложности и себестоимости, открывающий пути для дальнейших инженерных разработок или постановки НИОКР.

5. Проведено сопоставительное исследование характеристик разработанных программных средств и мультипроцессора распознавания. Установлено, что скоростные преимущества разработанного мультипроцессора до 2- раз по отношению к программной реализации на Pentium-4 и до 15 раз на других персональных компьютерах, а по отношению к устройству аналогу - 20 - 25 раз.

Практическая значимость работы заключается в том, что в результате исследования разработаны пригодные для использования программные средства с низким уровнем сложности и стоимости построения отображения объектов многомерного пространства, которые рекомендуются для широкого использования при решении практически важных задач распознавании и визуализации классов объектов, характеризуемых большим множеством признаков в различных прикладных областях. Разработанное техническое решение мультипроцессора позволяет существенно увеличить быстродействие процессов построения отображения объектов многомерного пространства на плоскость при ограничениях на время принятия решений, что создает основу для постановки НИОКР по разработке промышленных образцов мультипроцессоров распознавания.

Внедрение результатов работы. Полученные в диссертационной работе результаты используются в отделе программно-технического обеспечения Учреждения юстиции по регистрации прав на территории Курской области и в учебном процессе Курского государственного технического университета.

Апробация результатов работы. Результаты диссертационной работы обсуждались и получили положительную оценку на следующих научных кворумах: IV Международной научно-технической конференции «Распозна-вание-2001», Курск 2001 (дважды), VI Международной научно-технической конференции «Распознавание-2003», Курск 2003, VII Международной научно-технической конференции «Медико-экологические информационные технологии», Курск 2004.

Публикации. Результаты выполненных разработок и исследований нашли отражение в 7 работах.

Личный вклад автора в диссертационную работу. Все представленные в диссертационной работе совместные результаты включены в диссертацию с согласия соавторов. В работах [1-3] лично соискателем разработаны способы и алгоритмические средства построения отображения и визуализации объектов многомерного пространства на плоскость, являющегося основной процедурой распознавания образов.

Основные положения, выносимые на защиту

1. Способ и алгоритмы построения многомерных форм и отображения объектов многомерного пространства на плоскость.

2. Способ автоматического определения принадлежности к классу объекта многомерного пространства по результатам обучения с учителем.

3. Структурно-функциональная организация мультипроцессора построения и визуализации отображения объектов многомерного пространства на плоскость и схемные решения устройств.

4. Результаты сопоставительного исследования скоростных характеристик и уровня качества распознавания разработанных программных и аппаратных средств.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из_наименований,_

приложения. Диссертация изложена на_страницах и содержит_

рисунков и_таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность и перспективность темы, сформулированы цель и задачи исследования, научная новизна, практическая ценность, апробация и реализация результатов работы, перечень основных положений, выносимых на защиту, структура и объем диссертационной работы.

Первая глава носит обзорный характер и служит целям анализа современных методов и способов обработки символьной информации, кодирования графической информации, распознавания образов. По результатам анализа в данной главе определяется место и роль предлагаемого подхода к решению основной решаемой задачи и его сущность.

Следует отметить, что в различных задачах понятию образа придается различный смысл. Так например, в распознавании (в классических моделях) образ обычно описывается вектором признаков, каждый элемент которого представляет числовое значение одного из признаков, характеризующих соответствующий объект. С другой стороны, в качестве образа может выступать некоторое высказывание, порождаемое той грамматикой, которая характеризует класс, к которому принадлежит данный образ.

Распознавание образов всегда предполагает наличие некоторой системы обработки данных (информации), имеющей вход и выход. На вход системы данные могут поступать от множества различных источников: физического объекта, находящегося в некоторой среде, некоторого процесса или как результат эксперимента, или как метеорологические, экономические, или про-

сто некоторые отвлеченные данные. Данные, поступающие на вход системы распознавания, как правило, весьма сложны и включают сигналы, которые часто являются пространственными и/или временными функциями. Выходная информация сравнительно проста: она сводится к указанию одного из нескольких классов.

Важной составляющей теории распознавания образов является создание способов организации и построения специализированных устройств, реализующих известные и новые способы и методы распознавания объектов различных типов и классов.

Одним из распространенных в настоящее время подходов к решению задач распознавания образов является использование универсальных ЭВМ общего назначения и их программных средств. Традиционно, к классу универсальных ЭВМ относятся: персональные компьютеры, рабочие станции, серверы и суперкомпьютеры. Благодаря высокоразвитому программному обеспечению и высокому быстродействию систем этого класса, они применяются для решения широкого круга задач распознавания образов. Примерами универсальных ЭВМ такого рода являются персональные компьютеры на базе процессоров серий Pentium, (Intel, США), Cyrix CX6x86 (Cyrix, США), AMD5K86 (AMD, США), PowerPC (iBM/Motorola, США) и другие, которые производятся известными фирмами: IBM, DEC, Sun Microsystems, Hewlett-Packard, Texas Instruments, Compaq, Apple (США), Toshiba, Fujitsy (Япония) и др. В классе универсальных систем остро стоят проблемы разработки параллельных программ, оптимальных компиляторов и диспетчеров. Кроме того, при возрастании числа исполнительных устройств возникают проблемы разрешения конфликтов, что приводит в общем случае к существенным потерям производительности.

Использование специализированных процессоров распознавания образов в качестве устройств-акселераторов является эффективным средством повышения производительности компьютерных СППР. Устройства-акселераторы представляют собой самый широкий класс аппаратных средств современной вычислительной техники. Их практическое использование существенно расширяет функциональные возможности систем обработки информации как числовой, так и символьной ориентации. Устройства такого класса также имеют положительную перспективу практического использования в виде средств адаптации информационных систем к специфике предметных областей. Вместе с тем большое разнообразие спецпроцессоров приводит к нетривиальным проблемам их сопряжения в составе систем на всех уровнях организации вычислительных процессов.

Сущность предлагаемого подхода заключается разработке новой системы способов: способа описания формы представления объектов распознавания с использованием многомерного дескриптора, способов визуального обучения и автоматического распознавания объектов многомерного описания и способа структурно-функциональной организации нового класса мультипроцессора

осуществляющего формализованные алгоритмы автоматического распознавания.

Назначение второй главы заключается в описании способа построения отображения многомерных объектов на плоскость. В данной главе представлены построения из топологии и теории распознавания образов, для визуализации многомерных объектов на плоскость с целью организации диалоговых процедур различения и отождествления.

К числу основных проблем теории распознавания образов относится исследование и разработка новых способов и методов классификации объектов с обучением с учителем. В связи с этим постановка задачи предлагаемой диссертационной работы заключается в построении способа отображения многомерных объектов на плоскость, с последующей возможностью отождествления и различения полученных проекций в процессе обучения с учителем. Такая постановка задачи обусловлена необходимостью представлять визуально объект многомерного пространства на плоскости таким образом, что бы была возможность распознавать точечные объекты, как следствие различения или отождествления их проекции на плоскости, лицом осуществляющим обучение и определяющим границы кластеров.

Для представления исходного графического изображения объекта распознавания в многомерной форме необходимо определить вектор координат, определяющий положение точки исследуемого объекта в многомерном пространстве. Для определения вектора координат выполняются процедуры развертки. Под разверткой понимается процедура вычисления числа единиц в строке матрицы, задающей исходное монохромное изображение объекта распознавания. Процедура вычисления координат многомерной формы представления объекта распознавания представляет собой циклическое выполнение сканирования, с определенным направлением движения указателя очередной позиции, значений элементов матрицы с целью получения последовательности значений суммы единиц в виде вектора-строки. На практике используются следующие виды разверток: Z-разветка, диагональная развертка, спиральная развертка. На рисунке 1 представлена траектория движения указателя при выполнении процедуры развертки.

Траектории движения указателя для процедур развертки.

Используя указанные процедуры развертки, определяется вектор признаков объекта распознавания, при этом значение каждого признака является значением соответствующей координаты в многомерном признаковом пространстве.

Предлагается способ отображения многомерных форм объектов распознавания. Имеется исходное множество х, назовем его множеством экземпляров, содержащее эмпирических объектов, описываемых параметрами. Каждый элемент такого множества можно описать вектором признаков (Х, ... Хт)- Таким образом, все множество объектов X представляется в

табличном виде:

Визуализацией элемента множества X называется отображение следующего вида:

где А - оператор отображения, X" - отображаемый объект, п - размерность пространства, - проекция на плоскость.

В общем случае оператор имеет следующий вид:

(2)

где п>т и для каждого объекта множества X должно быть выполнено преобразование

В случае общего положения будем иметь реализацию линейного отображения

В результате линейного Ь-отображения множество X, содержащее т объектов, описываемых п параметрами необходимо получить координаты точки на плоскости

Проекция имеет следующую графическую интерпретацию. В плоскости чертежа (экрана) проводим пересекающихся в точке прямых, каждая из которых имеет угол по отношению к первой прямой

где А: = 0, и -1 ■

Для каждой прямой задано положительное направление. Будем считать, что каждая такая прямая является отображением координатной оси п-мерного признакового пространства:

Углы между осями в такой системе координат равны л^, положительные

полуоси лежат в интервале относительно первой положительной

полуоси. Для получения отображения на плоскости экрана точки

пространства с координатами (х, .,. хп) на соответствующей оси координат откладывается значение

где I = 1,и, то есть получается вектор отображения этой координатной оси на плоскость. Положение точки отображения х0 на плоскости определяется

как сумма векторов отображенных всех п координат точки х - При этом координаты отображения вычисляются по формуле

Следовательно, приведенное геометрическое построение позволяет получить проекцию точки п-мерного пространства на плоскость образов с базисом

В ходе диссертационного исследования был использован следующий способ обучения. Полагается, что каждый элемент множества X относиться к определенному классу из конечного множества классов С. Тогда при построении отображения проекции множества X на плоскость получим множество точек. Основываясь на гипотезе компактности, точки одного класса должны расположиться геометрически ближе друг к другу, чем, точки другого класса. Это положение основывается на том, что инвариантом отображений является расстояние от некоторой точки до всех других.

Выбирается объект в исходном пространстве. Далее начало координат переносится в выбранный объект. В результате такого преобразования пространства в визуальной проекции на плоскость точки объектов соответствующих классов будут расположены геометрически ближе друг к другу, чем точки объектов другого класса при отсутствии пересечений.

Для предложенного способа отображения (визуализации) проекции объектов многомерного пространства на плоскость инвариантом преобразования предлагается использовать радиус окружности описывающей группу (класс) точек одного класса геометрически близко расположенных друг к другу. При такой постановке задача обучения распознающей системы сводится к поиску центрального объекта класса. На рисунке 2 представлена иллюстрация визуализации взаимного смещения объектов многомерного пространства при перемещении начала координат в центр выбранного кластера.

Визуализация отображения объектов с переносом координат.

• XI

Предлагается способ распознавания точечных объектов использующий критерий распознавания по минимальному расстоянию. При этом принад-лежиость объекта к тому или иному классу оценивается по расстоянию к каждому классу. Пусть X - вектор измерений признаков объекта, а Р = - множество векторов, характеризующих центральные объекты, где п - количество известных классов. Пусть так же известно множество .....(?„} - множество значений инварианта преобразования известных классов. Пусть X' - вектор измерений признаков объекта, полученный в результате преобразования исходного множества относительно центрального объекта Объект, характеризуемый вектором принадлежит классу если выполняется условие

где е,,е2 - координаты точки объектййна плоскос; - расстояние точки объекта на плоскости до начала координат; - инвариант преобразования класса р1. Формула (9) представляет случай абсолютного отнесения объекта X' к классу р1. Из выражения (9) следует, что для условия принадлежности объекта классу необходимо, что бы абсолютное значение характеристики, определяющей границы класса (разделяющая функция) было больше расстояния точки объекта X' от начала координат. В метрике Евклида расстояние можно выразить как

Следует отметить, что при использовании предложенного способа распознавания, как и большинство известных методов, возможно возникновение ситуации отказ от распознавания. Снижение частоты возникновения такой ситуации возможно достичь изменением признакового пространства, при котором классы объектов четко различаются между собой, и оптимального определения центрального эталона из всех объектов определенного класса.

Назначение третьей главы диссертационной работы заключается в получении пригодных для алгоритмизации форм представления исходных и промежуточных данных, используемых в процессах кодирования изображений исследуемых образов (объектов), отображения объектов многомерного пространства на плоскость, классификации и определения принадлежности исследуемого объекта к известным класса, а также в разработке соответствующих алгоритмических и программных средств предложенных способов.

Разработаны алгоритмические средства построения отображения многомерного объекта на плоскость. Вычислительная сложность алгоритма визуализации имеет линейную зависимость от размерности матрицы описание объекта распознавания.

При разработке алгоритмических средств, реализующих процедуру определения принадлежности к классу, использовались следующие обозначения: /ш^ОЬ/ - матрица значений признаков исследуемого объекта; W- вектор координат центрального эталона текущего класса; X, У- вещественные числа, определяющие координаты точки на плоскости; Л, Я.' - вещественные числа, определяющие расстояние от начала координат на плоскости; целое число, переменная цикла.

Работа алгоритма начинается с ввода начальных значений матриц lmgObj, W, установка в 0 переменных X, У, R, L Переменой п устанавливается значение равное количеству элементов вектора 1т%ОЬ]. Переменной к устанавливается значение равное числу известных классов. Организуется цикл по переменной ] с условием выхода ]=к-1. Далее организуется цикл по переменной / с условие выхода /<=и-/. На каждой итерации цикла рассчитывается новое значение соответствующего элемента вектора По выходу из цикла

осуществляется вызов функции построения отображения объекта из многомерного пространства на плоскость, устанавливаются значения переменных X, У. Рассчитывается значение переменной Я' - расстояние точки с координатами X, Гот начала координат. Далее происходит проверка истинности выражения Е!<Я, где Я - параметр текущего класса, определяющий радиус окружности, описывающий границы класса. В случае истинности считается, что анализируемый объект принадлежит текущему классу. На этом работа алгоритма заканчивается.

Вычислительная сложность определяется по формуле

где N размерность матрицы описания объекта распознавания.

На основе разработанных базовых алгоритмов создан комплекс программных средств для моделирования работы способов отображения и распознавания объектов многомерного пространства. В качестве графических изображений объектов распознавания были использованы монохромные изображения символов различных шрифтов, монохромные графические изображения отпечатков пальцев, монохромные графические изображения радужки глаза. Примеры, используемых в исследовании, графических изображений представлены на рисунке 3.

Примеры графических изображений объектов распознавания.

Рис. 3.

Разработанные программные средства моделирования способов отображения и распознавания работают в диалоговом режиме, что позволяет поэтапно наблюдать за процессом работы способов. На рисунке 4 приведена

проекции многомерных форм представления графических изображений символов шрифта Arial на плоскость.

Проекции многомерных форм представления графических изображений.

Рис. 4.

На рисунке 5 представлены визуализации проекций отдельных кластеров при переносе начала координат в центр кластеров.

Иллюстрация способа распознавания графических изображений символов латинского алфавита.

Рис. 5.

На рисунке 5 представлено: а) конфигурация с объектов кластера А, б) -кластера Б. Из приведенного рисунка видно, что при взаимном изменении местоположения экземпляры анализируемого кластера сохраняют различимость границ относительно экземпляров других кластеров, а так же формируют четкую границу группы.

В процессе моделирования работы распознающей системы проведен сопоставительный анализ качества распознавания программной системы FineReader и предложенного способа распознавания графических изображений объектов. В качестве объектов распознавания были использованы графические изображения символов шрифта Times New Roman латинского алфавита размером 64x64 пикселей (4 Kb). Результат анализа приведен на рисунке 6 сплошная линия - предложенный способ распознавания, пунктирная линия - методы распознавания системы FineReader.

Зависимость частоты правильного распознавания от уровня шума.

1,2

5 7 9 11 13 15 17 19 21 23 25 Уровень шума, %

Рис. 6.

Установлено, что при уровне шума, превышающем значение 10%, методы классификации, использованные в системе FineReader, не позволяют обеспечить правильное распознание. Полученные результаты свидетельствуют о высокой зависимости правильности распознавания от уровня зашумленности графического изображения объекта распознавания способов распознавания FineReader7.0 по сравнению с предлагаемым способом отождествления и различения графических изображений.

В четвертой главе приведены: способ структурно-функциональной организации и принципиальная схема мультипроцессора, реализующего алгоритм построения отображения объектов многомерного пространства на плоскость и алгоритм определения принадлежности к классу объекта многомерного пространства. Для аппаратной реализации основных алгоритмов отображения и распознавания разработаны структурно-функциональные схемы. Для сопряжения разработанного мультипроцессора с компьютером используется шина ISA. Устройство имеет две локальные шины, 8 процессоров, контролер, осуществляющий управление загрузкой процессоров и чтение/запись данных по шине управляющего компьютера. В качестве иллюстрации аппаратной платформы контроллера используется ПЛИС производства фирмы ХШпх семейства ХС4020Е. Для функционирования контроллера используется кварцевый генератор частотой 24 МГц ГК-56.

Для хранения входного массива используется ОЗУ статического типа достаточного объёма с небольшим временем выборки адреса и небольшой стоимостью, этим требованиям, например, отвечают микросхемы производства фирмы CYPRES типа CY7C199-20VI. Эти ОЗУ подключаются к процессорам, которые реализуют алгоритм управления памятью. ПЗУ выбрано типа, например, AM27S43A, которое удовлетворяет требованиям достаточного быстродействия, малой стоимости и высокой технологичности. Обобщенное техническое решение представлено на рисунке 7.

Общая схема архитектуры мультипроцессора.

Рис. 7.

На рисунке 7 обозначено: DA[7:0], DB[7:0] - локальные шины данных, LAA[7:0], LAB[7:0] - локальные шины адреса, СА[7:0], СВ[7:0] - локальные шины управления.

Устройство функционирует следующим образом: управляющий компьютер по шине ISA передает контролеру мультипроцессора массивы значений признаков объекта распознавания, массив значений координат центральных эталонов классов в многомерном признаковом пространстве, массив значений инвариантов преобразования для каждого кластера в интерфейсном ОЗУ контролера. Далее в ОЗУ свободного на данный момент процессора (выбор этого процессора осуществляет автоматом управления) происходит запись вектора значений признаков объекта распознавания. Процессор выполняет чтение значения вектора координат центрального эталона очередного кластера, из интерфейсной памяти контролера устройства. Выполняется процедура определения принадлежность объекта распознавания к текущему классу. В результате формируется логический сигнал, который передается по локальной шине данных контролеру устройства.

По завершении вычислений процессор выдает контроллеру запрос на выдачу результатов вычислений в ЭВМ. В случае отсутствия свободного процессора входная информация буферируется в ОЗУ самого контроллера. Контроллер, представленный на структурной схеме, на шине ISA работает в режиме Slave и расположен в адресном пространстве устройств ввода/вывода шины ISA. Выполнение контролером функции управления очередью загрузки процессоров осуществляется в соответствии с заданной логикой автомата

управления состояния. В зависимости от управляющих сигналов контролера процессоры могут быть загружены следующими способами:

1. Каждый процессор получает данные для обработки одного объекта распознавания. При таком подходе параллельно выполняется распознавание нескольких объектов.

2. Данные об одном объекте распознавания получают несколько пар процессоров, расположенных на разных локальных шинах устройства. При таком подходе обеспечивается надежность работы устройства и достоверность полученных результатов.

Структурно-функциональная организация мультипроцессора относится к открытой архитектуре, что создает запас отказоустойчивости и возможности расширения функциональных возможностей. В качестве процессоров реализующих основные созданные способы и алгоритмы распознавания использованы ПЛИС, являющиеся элементами без использования «жесткой» логики, использующие программный способ многократного задания логики функционирования. Данный способ организации устройства мультипроцессора обеспечивает возможность функционального изменения без модификации аппаратной (номенклатурной) архитектуры устройства.

Проведены оценки мультипроцессора по скоростным характеристикам, разработан способ организации структурно-функционального устройства мультипроцессора. Исходя из того, что основную часть структуры устройства составляют однотипные по номенклатуре элементы, следует отметить, что значения скоростных характеристик будут зависеть от оценки работы набора однотипных элементов.

В результате проведенного машинного моделирования установлено, что скоростные преимущества разработанного мультипроцессора по отношению к устройству аналогу составляют 20-25 раз. В качестве устройство- аналога выбран мультипроцессор реализующий алгоритмы отображения и визуализации п-мерных объектов на плоскость экрана монитора. График зависимости времени выполнения алгоритма отображения от размера исходного изображения приведен на рисунке 8.

Зависимость времени выполнения от размера исходного изображения

(сплошная линия - разработанный мультипроцессор, пунктирная линия -

устройство -аналог).

ооов

0007

ооов

8 0 005 | 0004 $ 0003

оосо

0001 о

32 04 128 250 Б12 1024

№ИЦМС1Ъ

В заключении приводятся основные результаты диссертационного исследования.

В приложении приведен листинг программных средств для моделирования работы разработанных алгоритмов и устройств.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

С единых позиций решена важная научно-техническая задача по созданию способа многомерного представления точечных образов с последующей их визуализацией на плоскости монитора, позволяющей лицу, осуществляющему обучение, выполнять операции разграничения многомерных объектов, а также в разработке и исследовании устройств вычислительной техники массового применения, реализующих процедуры визуализации и автоматического распознавания, получены следующие новые результаты:

1. Созданы способ и алгоритм отображения двумерных исходных точечных объектов в кластеры многомерного пространства признаков, позволяющие устранить ограничение на число образов и их топологические конфигурации.

2. Разработаны и формально обоснованы способ и алгоритм визуализации, обеспечивающие лицу, осуществляющему обучение в режиме диалога, выполнять операции разграничения многомерных кластеров, отображенных на плоскость монитора.

3. Разработаны и экспериментально обоснованы способ и алгоритм, реализованный в виде программного продукта, автоматической классификации объектов на основе обучения с учителем, открывающие пути получения высоких показателей качества распознавания по отношению к таким образцам систем распознавания как FineReader 7.0.

4. Разработан способ структурно-функциональной организации мультипроцессора распознавания образов нового класса с использованием ПЛИС с низким уровнем сложности и себестоимости, открывающий пути для дальнейших инженерных разработок или постановки НИОКР.

5. Проведено сопоставительное исследование характеристик разработанных программных средств и мультипроцессора распознавания. Установлено, что скоростные преимущества разработанного мультипроцессора до 2- раз по отношению к программной реализации на Pentium-4 и до 15 раз на других персональных компьютерах, а по отношению к устройству аналогу - 20 - 25 раз.

6. Разработано техническое решение мультипроцессора распознавания образов на уровне функциональных схем, что обеспечивает использование для производства устройства прогрессивных FPGA-технологий.

Таким образом, цель, поставленная в диссертационной работе, достигнута.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Продукционные алгоритмические технические средства обработки информации в ГИС / Мальцев Е.М. и др. // Распознавание-2001: Материалы IV Международной конференции. Курск, 2001. С. 151-153.

2. Архитектура класса мультипроцессоров быстрых символьных вычислений / Довгаль В.М., Мальцев Е.М., Шанцев А.В. // Распознавание-2003: Материалы VI Международной конференции. Курск, 2001. С. 93-95.

3. Метод быстрой обработки двухмерных массивов / Мальцев и др. // Распознавание-2003: Материалы VI Международной конференции. Курск, 2003. С. 90-92.

4. Мальцев Е.М. Распознавание образов, как один из наиболее значимых типов задач систем обработки символьной информации // Молодежная наука и современность: Материалы 69-й Межвузовской научной конференции студентов и молодых ученых. Курск, 2004. С.249

5. Метод точечного описания графических образов символов. / Мальцев Е.М.; Курск гос. техн ун-т. Курск, 2004 . 6 с. Деп. В ВИНИТИ 23.06.04, №1068-В2004.

6. Метод автоматического распознавания графических образов. / Мальцев Е.М.; Курск гос. техн ун-т. Курск, 2004 . 4 с. Деп. В ВИНИТИ 23.06.04, №1067-В2004.

7. Мальцев Е.М. Метод распознавания монохромных изображений символов // Медико-экологические информационные технологии: Материалы VII Международной научно-технической конференции. Курск, 2004. С. 100-102.

Соискатель:

ИД №06430 от 10.12.01. Подписано в печать ¿У /-/ ОУ Формат 60x84 1/16. Печать офсетная. Усл. печ. л. . У ч . - и з д /л . Т и р а ж 100 экз. Заказ

Курский государственный технический университет. Издательско-полиграфический центр Курского государственного технического университета. 305040, г. Курск, ул. 50 лет Октября, 94.

»20984

ВВЕДЕНИЕ.

ГЛАВА 1. Обзор средств распознавания образов.

1.1. Концепции в теории распознавании образов.

1.2. Идентификация и классификация.

1.2.1. Дискретные, нечеткие и непрерывные классы.

1.2.2. Основные особенности распознавания в случае дискретных классов.

1.3. Распознавание образов с учителем и без учителя.

1.4. Признаки.

1.5. Изменчивость реализаций образов.

1.6. Обзор методов в теории распознавания образов.

1.6.1. Методы предварительной обработки.

1.6.2. Обзор методов распознавания (постобработки).

1.7. Обзор технических средств распознавания образов.

1.7.1. Высокопроизводительные универсальные ЭВМ.

1.7.2. Универсальные процессоры с дополнительным набором команд распознавания образов.

1.7.3. Специализированные процессоры распознавания образов в составе универсальных вычислительных систем.

1.7.4. Машины распознавания образов.

1.8. Сущность предлагаемого подхода.

1.9. Выводы.

ГЛАВА 2. Разработка структуры и формы представления графических объектов и математическая модель отображения многомерных объектов на плоскость.

2.1. Многомерная форма представления графических образов.

2.2. Способ отображения многомерных объектов на плоскость.

2.2.1. Линейное D-отображение на плоскости.

2.2.2. Нелинейное К-отображение на плоскость.

2.3. Ортогональная проекция точки в n-мерном пространстве на плоскость.

2.4. Способ обучения и распознавания.

2.4.1. Обучение.

2.4.2. Генерация объектов класса.

2.4.3. Распознавание.

2.5. Выводы.

ГЛАВА 3. Алгоритмизация способов построения форм представления многомерных объектов и способов распознавания.

3.1. Алгоритмизация способа многомерного представления объекта распознавания.

3.1.1. Формализация исходных данных алгоритма построения многомерного представления объекта распознавания.

3.1.2. Алгоритмизация процедуры Z-развертки.

3.1.3. Алгоритмизация процедуры диагональной развертки.

3.1.4. Алгоритмизация процедуры спиральной развертки.

3.2. Алгоритмизация способа построения отображения многомерного объекта на плоскость.

3.3. Алгоритмизация способа определения принадлежности к классу.

3.4. Оценка работы алгоритмических средств.

3.4.1. Качество распознавания.

3.4.2. Анализ результатов работы алгоритмов построения форм многомерного представления объектов распознавания.

3.5. Выводы.

ГЛАВА 4. Аппаратная реализация алгоритмов построения формы представления многомерных объектов и алгоритмов распознавания.

4.1.1. Описание устройства.

4.1.2. Описание функциональной схемы устройства.

4.1.3. Детализация структурно-функциональных компонентов ПЛИС

ХС4020Е.

4.2. Выбор средств акселерации.

4.3. Оценки надежности компонентов устройства мультипроцессора.

4.4. Сопоставительный анализ с устройством-аналогом.

4.5. Выводы.

Дальнейшее развитие средств вычислительной техники связывается с прикладными сферами эффективного применения. В частности в качестве основных компонентов компьютерных систем поддержки принятия решений, функционирующих на основе методов теории распознавания образов. Не смотря на давность постановки проблемы распознавания образов до сегодняшнего дня не найдено ее общего решения, что порождает необходимость в разработке методов, алгоритмических, программных и технических средств, находящихся в сильной зависимости от специфики решаемых задач в данной предметной области. Доминирующим направлением решения задачи распознавания образов является обучение. Между тем, методам обучения распознавания с учителем уделено недостаточно внимания.

В результате объективных психофизиологических ограничений лицо, осуществляющее обучение распознаванию образов, не может оперировать многомерными объектами. Поэтому для организации диалоговых процедур обучения используется визуализация, т.е. отображение многомерных объектов на плоскость монитора.

Визуализация позволяет рационально распределить функции между распознающей системой и лицом, осуществляющим обучение. При этом система синтезирует форму представления многомерных объектов, а человек определяет таксоны и их границы. Основная проблемная ситуация заключается в несоответствии сложности и стоимости существующих программных средств и самообучающихся устройств автоматического распознавания образов в виде монохромных точечных двухмерных объектов (изображений символов, дактилоскопических отпечатков, радужки глаза человека, товарных знаков и т.д.) реальным запросам и возможностям широкого круга пользователей. Основная решаемая задача заключается в создании способа многомерного представления точечных образов с последующей их визуализацией на плоскости монитора, позволяющей лицу, осуществляющему обучение, выполнять операции разграничения многомерных объектов, а также в разработке и исследовании устройств вычислительной техники массового применения, реализующих процедуры визуализации и автоматического распознавания.

Проблемам визуализации посвятили свои работы А. Пуанкаре, К. Фу, У. Торгенсон, К. Пирсон, к. Фукунага, А.Ю. Терехина, Р.С. Лбов, Н.Г. Загоруйко, А.И. Галушкин и другие отечественные и зарубежные ученые.

Для решения основной задачи имеются необходимые основания и предварительные разработки. Теоретический фрагмент работы диссертационной работы связан с разработкой и обоснованием способов реализации процессов обучения и распознавания и их алгоритмизации, а практический фрагмент - с созданием программно-аппаратных средств в виде мультипроцессора распознавания образов и экспериментальными исследованиями скоростных характеристик алгоритмов и устройств.

На основании изложенного тема диссертационного исследования является актуальной и перспективной.

Работа выполнялась в рамках грантов ГОО-1.4-1.5 (2000-2002 г.) Министерства образования РФ при непосредственном участии автора, и Г02-4.2-5 (2002-2004 г.).

Цель диссертационной работы заключается в исследовании свойств нелинейных отображений объектов распознавания, создании способов их визуального различения, отождествления и классификации и реализации их в виде программного средства и мультипроцессора распознавания с последующим исследованием их характеристик.

Задачи:

1. Анализ существующих форм представления точечных образов и разработка способа построения многомерных форм представления объектов распознавания.

2. Разработка способа и алгоритма построения отображения объектов многомерного пространства в двумерное и определения принадлежности к классу объектов в диалоговом режиме.

3. Разработка способа автоматического распознавания точечных образов на основании обучения с учителем.

4. Разработка структурно-функциональной организации устройства распознавания и экспериментальное исследование его характеристик. Методы исследования основываются на результатах современной топологии, теории распознавании образов, теории систем обработки символьной информации, теории алгоритмов и конструктивной математической логики, а также теории автоматов и проектирования ЭЦВМ. Научная новизна заключается в следующих результатах:

1. Разработан способ и алгоритм отображения двумерных исходных точечных объектов в кластеры многомерного пространства признаков, позволяющие устранить ограничение на число образов и их топологические конфигурации.

2. Разработаны и формально обоснованы способ и алгоритм визуализации, обеспечивающие лицу, осуществляющему обучение в режиме диалога, выполнять операции разграничения многомерных кластеров, отображенных в двумерное пространство.

3. Разработаны и экспериментально апробирован способ и алгоритм автоматической классификации объектов на основе обучения с учителем, обеспечивающий более высокую достоверность распознавания по сравнению с программной системой распознавания Fine Reader 7.0.

4. Разработан способ структурно-функциональной организации мультипроцессора для распознавания образов на основе программируемых логических интегральных схем (ПЛИС) с низким уровнем сложности построения отображения объектов многомерного пространства.

5. Проведено исследование характеристик разработанных программных средств и мультипроцессора распознавания.

Практическая значимость работы заключается в том, что в результате исследования разработаны пригодные для использования программные средства с низким уровнем сложности построения отображения объектов многомерного пространства, которые рекомендуются для широкого использования в различных прикладных областях при решении практически важных задач распознавании и визуализации классов объектов, характеризуемых большим множеством признаков. Разработанное техническое решение мультипроцессора позволяет существенно увеличить быстродействие процессов построения отображения объектов многомерного пространства на плоскость при ограничениях на время принятия решений. Установлено, что скоростные преимущества разработанного мультипроцессора составляют от 2-х раз по отношению к программной реализации на Pentium-4 и от 15 раз на других персональных компьютерах, а по отношению к устройству аналогу - 20 - 25 раз при выполнении процедуры визуализации многомерных объектов.

Полученные в диссертационной работе результаты используются в отделе программно-технического обеспечения Учреждения юстиции по регистрации прав на территории Курской области и в учебном процессе Курского государственного технического университета.

Результаты диссертационной работы обсуждались и получили положительную оценку на следующих научных кворумах: IV Международной научно-технической конференции «Распознавание-2001», Курск 2001 (дважды), VI Международной научно-технической конференции «Распознавание-2003», Курск 2003, VII Международной научно-технической конференции «Медико-экологические информационные технологии», Курск 2004.

Результаты выполненных разработок и исследований нашли отражение в 7 работах.

Личный вклад автора в диссертационную работу: все представленные в диссертационной работе совместные результаты включены в диссертацию с согласия соавторов. В работах [1-3] лично соискателем разработаны способы и алгоритмические средства построения отображения и визуализации объектов многомерного пространства на плоскость, являющегося основной процедурой распознавания образов.

Основные положения, выносимые на защиту:

1. Способ и алгоритмы построения многомерных форм и отображения объектов многомерного пространства в двумерное.

2. Способ автоматического определения принадлежности к классу объекта многомерного пространства по результатам обучения с учителем.

3. Структурно-функциональная организация мультипроцессора построения и визуализации отображения объектов многомерного пространства в двумерное.

4. Результаты экспериментального исследования скоростных характеристик и уровня качества распознавания разработанных программных и аппаратных средств.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 78 наименований, 1 приложения. Диссертация изложена на 125 страницах и содержит 45 рисунок и 6 таблиц.

4.5. Выводы

Структурно-функциональная организация мультипроцессора распознавания образов наследует все конструктивные и технологические преимущества устройств, реализованных на основе ПЛИС, и создает основу для постановки НИОКР с переходом на применение FPGA-технологий с высокоскоростной перенастройкой.

Осуществлена детализация функциональных компонентов мультипроцессора распознавания образов, что открывает пути для моделирования работы блоков и узлов с использованием Foundation (САПР ПЛИС) фирмы Xilinx.

Приводятся показатели надежности элементной базы ПЛИС, полученных по результатам стендовых испытаний фирмой Xilinx.

Выбранный аналог для сопоставительного анализа реализует подобный алгоритм визуализации, но не выполняет распознавание на уровне классификации в автоматическом режиме. Скоростные преимущества разработанного мультипроцессора по отношению к аналогу составляют кратность в 20-25 раз.

Достоверность и обоснованность полученных результатов подтверждается корректным использованием методов исследования, а так же совпадением теоретических положений и предложенных способов с практическими результатами работы программно реализованных алгоритмов и результатами моделирования работы мультипроцессора.

ЗАКЛЮЧЕНИЕ.

С единых позиций решена важная научно-техническая задача по созданию способа многомерного представления точечных образов с последующей их визуализацией на плоскости монитора, позволяющей лицу, осуществляющему обучение, выполнять операции разграничения многомерных объектов, а также в разработке и исследовании устройств вычислительной техники массового применения, реализующих процедуры визуализации и автоматического распознавания, получены следующие новые результаты:

1. Разработан способ и алгоритм нелинейного отображения многомерных форм представления исходных двумерных точечных объектов, заключающийся в введении многомерной координатной оси и построении множества проекций многомерного вектора по каждой координате, задающего своим конечным значением результирующее положение точки в двумерном пространстве, что позволяет уменьшить ограничение на число и типы визуализируемых и распознаваемых объектов.

2. Разработан и формально обоснован способ и реализующий его алгоритм визуализации многомерных объектов, отображенных в двумерное пространство, основанный на поиске лицом, осуществляющим обучение, центральных эталонов кластеров и позволяющий в режиме диалога разграничивать и отождествлять объекты распознавания.

3. Разработан способ и алгоритм автоматического распознавания точечных объектов с использованием нелинейных отображений их многомерных форм представления, основанный на критерии минимальности расстояния. Установлена возможность неразличимости распознаваемых объектов, устраняемая на этапе дообучения путем изменения признакового пространства и центральных эталонов кластеров лицом, осуществляющим обучение.

4. На основе предложенных способов разработана и экспериментально апробирована программная реализация автоматической классификации объектов на основе обучения с учителем, обеспечивающая получение высоких показателей качества распознавания зашумленных объектов по отношению к системе распознавания Fine Reader 7.0. Установлено, что при уровне зашумления превышающем 12%, программная реализация, использующая способы нелинейного отображения с последующей визуализацией и классификацией, имеет преимущество по частоте правильного распознавания в среднем в 1,4 раза в сравнении с системой Fine Reader 7.0.

5. Разработан способ структурно-функциональной организации мультипроцессора распознавания образов, позволяющий за один цикл выполнить процедуру классификации по множеству эталонов, за счет параллельной работы вычислительных блоков на основе ПЛИС типа Xilinx ХС4020Е.

6. Проведено исследование характеристик разработанной программной реализации и мультипроцессора распознавания. Установлено, что скоростные преимущества разработанного мультипроцессора составляют от 2-х раз по отношению к программной реализации на Pentium-4, а по отношению к устройству аналогу - 20 - 25 раз при выполнении процедуры визуализации многомерных объектов.

Таким образом, цель, поставленная в диссертационной работе, достигнута.

1. Вапник В.Н. Задача обучения распознаванию образов. М.: Знание,1971.-64с.

2. Вапник В.Н., Червоненкис А .Я. Теория распознавания образов. -М.: Наука, 1974.-416 с.

3. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989. -272 с.

4. Загоруйко Н.Г. задача Методы распознавания и их применение. -М.: Советское радио, 1972. 208 с.

5. Розенфельд А. Распознавание и обработка изображений. М.: Мир,1972.-230 с.

6. Бутаков Е.А. и др. Обработка изображений на ЭВМ. М.: Радио и связь, 1987.-250 с.

7. Прэт У. Цифровая обработка изображений: В 2-х кн.: Пер. с англ. -М.: Мир, 1972. Кн. 1. - 312 е.; Кн.2. -480 с.

8. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. М.: Мир, 1976.-512 с.

9. Розенблат Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. М.

10. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе // Классификация и кластер / Под ред. Дж. Вэн Райзин. М.: Мир, 1980.

11. Арлазаров В.Л., Троянкер В.В., Котович Н.В. Адаптивное распознавание символов // www.cuneiform.ru. 2001.

12. Минский М., Пейперт С. Персептроны. М.: Мир, 1971. - 202 с.

13. Распознавание образов: состояние и перспективы / Под ред. К. Верхаген. М.: Радио и связь, 1985.

14. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986.-312 с.

15. Джонсон К. Нечеткая логика в системах распознавания образов //ComputerWeek. 1995. N 47. С.32.

16. Дмитриев А.К., Юсупов P.M. Идентификация и техническая диагностика. М.: МО СССР, 1987. 521 с.

17. Бугаевский J1.M., Вахромеева JI.A. Картографические проекции. М.: Недра, 1992. 293 с.

18. Ва Б.У., Лоурай М.Б., Гоцзе Ли. ЭВМ для обработки символьной информации //ТИИЭР. 1989. т.77, N 4. С.5-40.

19. Вагин В.Н., Головина Е.Ю., Салапина Н.О. Искусственный интеллект в CASE технологии// Программные продукты и системы, 1996. N3. С. 13-21.

20. Вагин В.Н., Захаров В.Н.,Поспелов Д.А. и др. Проект "ПАМИР" // Известия АН СССР. Техническая кибернетика. 1988. N2. С. 161171.

21. Вишняков В.А. и др. Аппаратно-программные средства процессоров логического вывода. М.: Радио и связь, 1991. 263 с.

22. Эйсымонт Л.К. Компьютеры для обработки символьной информации // Зарубежная радиоэлектроника. 1990. N4. С.3-28.

23. Гренандер У. Лекции по теории образов, т.2. Анализ образов: пер. с англ. М.: Мир, 1981, - 448 с.

24. Харалик Р. Структурное распознавание образов, Кибернетический сборник. Новая серия: Пер. с англ. - М.: Мир, 1983, вып. 19, с. 170199

25. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации, в кн.: Проблемы кибернетики, -М.: Наука, 1978, вып. 33, с.5-68.

26. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.319 с.

27. Ва Б.У., Лоурай М.Б., Гоцзе Ли. ЭВМ для обработки символьной информации //ТИИЭР. 1989. т.77, N 4. С.5-40.

28. Радиоэлектроника за рубежом/Достижения в области архитектуры мощных микропроцессоров/ Обзор, 1992, вып. 6 (62)-8 (64). С. 3-32.

29. Integradet Circuit International, 1989, N 9. P. 2-3.

30. Veronis A. Survey of Advanced Microprocessors. Van Norstrand Reinhold, New York, 1991.

31. Computer Design, 1991, N 3. P. 28, 30, 32.

32. Electronic Design, 1991, N 3. P. 41-43, 46.

33. Computer Design, 1991, N 5, l/III. P. 38, 40, 41, 43.

34. Electronic News, 1991, 22/IV. P. 18.

35. Digital анонсирует персональные рабочие станции Alpha XL 300 и 366 //ComputerWeek-Москва. 1996.№21. С. 6.

36. Working stations of S-group/Noboru N, Hiroyki S., Katsuhisy A. //Fujitsy Scientific and Technical. 1996. Vol.47, N 1.

37. Бердышев Е.М. Технология MMX. Новые возможности процессоров Р5 и Р6. М.: Диалог-МИФИ, 1998. 234 с.

38. Бойл П. Могущество сервера //PC Magazine (Москва). 1996. N 7. С.57-91.

39. Еще один рекорд Cray //ComputerWeek-MocKBa.1995. N 36. С.З.

40. Дубова Н. Суперкомпьютеры nCube. //Открытые системы. 1995. N 2, С.42-47.

41. Векторные суперкомпьютеры. /Кручинин С., Озерецковский С. //ComputerWeek-Москва. 1995. N 17. С.39-52.

42. Ron Wilson. Системы команд процессоров пополняются мультимедиа-инструкциями //ComputerWeek-MocKBa.1996. N 32. С. 34-35,41.

43. Иванов П. UltraComputing: новая парадигма Sun "приходит" в Москву //ComputerWeek-Москва. 1995. N 45. С.ЗЗ.

44. Голобов А. Корпорация SPEC и ее тесты. //CompuUnity.1996. N 4. С.74-77.

45. Кларк П. ARM создает процессоры для сетевых компьютеров/ Computer Week-Москва. 1996. N 25. C.6.

46. Hayashi H7, Haffoiy A., Akivmoto H. Lisp mashine "ALPHA" //Fujitsu Scientific and Technical.1984. Vol.20, N 2.

47. Попов В.Э. Экспертные системы реального времени //Открытые системы, 1995. N 10. С.66-71.

48. Эйсымонт J1.K. Компьютеры для обработки символьной информации // Зарубежная радиоэлектроника. 1990. N4. С.3-28.

49. Мануэль Т. Процессор, сочетающий возможности числовых и символьных данных //Электроника. 1987.Т.60, N 8.

50. Myamlin A.N., Smirnov V.K., Golovkov S.L. A Specializied Symbol Processor // 5th Generation Computer Architectures / Ed. J.V. Woods.-Amsterdam, New York, Oxford, Tokio: North Holland, 1986.

51. The AM3 associative processor /Klauer В., Bleck A., Waldshmidt K. //IEEMicro. 1995 vol. 15, N 2.

52. The IMX2 parallel associative processor for AI /Huguchi Tetsuya, Hauda Kennichi, Thakahashi Natoetal //Computer. 1994. 27, N 11.53. 11ат. 5142664, Япония, МКИ5 G06 F15/18 /Processor unit using truth-valued flow /Zhang Hondmin: Apt Instruments Corp.

53. Пат. 5210853, Япония, МКИ5 G06 F12/00 /Electronic device/dictionary with improved information storage: memory capacity ratio /Nakasuji Masataka, Fudjiwara Toshiaki, Kihara Voshioro: Sharp K. K.

54. Nobuyuki O. To the new paradigm in the information processing//Joho shori. 1993. 34. N 12. P. 1473-1478.

55. Пат. 5293314, США, МКИ5 G06 F15/38 /Word processor having a word frequency count unit /Sokai Toshiyuki: Brother Rogyo K.K.

56. Пат. 5335314, Япония, МКИ5 G06 F9/44 /Устройство для логического вывода /Tsutsumi Yasuhiro, Nishimura Tunichi: Omron Corp.

57. Нариньяни A.C. Лингвистические процессоры ЗАПСИБ (часть 1):

58. Препринт N 199. Новосибирск, 1979. 22 с.

59. Нариньяни А.С. Лингвистические процессоры ЗАПСИБ (часть 2): Препринт N202. Новосибирск, 1979. 48 с.

60. Алыиакова Е.Л., Довгаль В.М., Захаров И.С.: Методы линейного и нелинейного отображения n-мерных объектов: Препринт 31-97 / Курск. Гос. техн ун-т. Курск, 1997. 12 с.

61. Feigenbaum Е.А. McCourduck P. The Fifth Generation Artificial Intelligence and Japan's Computer Challeenge to the World. Addison-Wesley, 1983.

62. Фути К., Судзуки H. Языки программирования и схемотехника СБИС: Пер. с япон. М.: Мир, 1998. 224 с.

63. Митчелл Р. и др. Компьютеры: прорыв в быстродействие// BusinesWeek, 1992. N 4. С. 14-22.

64. Тамура Н.и др. Последовательная Пролог-машина РЕК // Язык Пролог в пятом поколении ЭВМ. М.: Мир, 1988. С.310-325.

65. Вишняков В.А., Буланже Д.Ю., Герман О.В. Аппаратно-программные средства процессоров логического вывода. М.: Радио и связь, 1991. 260с.

66. Вагин В.Н., Захаров В.Н.,Поспелов Д.А. и др. Проект "ПАМИР" // Известия АН СССР. Техническая кибернетика. 1988. N2. С. 161171.

67. С.В. Моисеева, Е.А. Титенко, С.Н. Громенко. Удаление шумов из машинописных текстов // Сборник материалов 4-ой международной конференции «Распознавание-99». Курск, гос. техн. ун-т. Курск, 1999, С.154-155.

68. В.В. Шеин, В.М. Довгаль, В.В. Керекеша. К вопросу о задче распознавания текста // Сборник материалов 4-ой международной конференции «Распознавание-99». Курск, гос. техн. ун-т. Курск, 1999, С.61-62.

69. Bing Zeng, «Image interpolation based on median-type filters», SPIE

70. Optical Engineering, vol. 37, No. 9, 2472-2481 (1998).

71. С.А.Бачило, В.М.Калашников, Д.М.Симоненко. Алгоритм ускоренной медианной фильтрации изображения // Сборник материалов 3 международной конференции «Распознавание-97». Курск, гос. техн. ун-т. Курск, 1997, С.85-87.

72. С.С. Тевс, B.C. Титов. Метод повышения контрастности изображения // Сборник материалов 4-ой международной конференции «Распознавание-99». Курск, гос. техн. уг-т. Курск, 1999, С.40-41.

73. Мальцев Е.М. и др. Продукционные алгоритмические технические средства обработки информации в ГИС // Материалы IV Международной конференции «Распознавание-2001». Курск, 2001. С.151-153.

74. Довгаль В.М., Мальцев Е.М., Шанцев А.В. Архитектура класса мультипроцессоров быстрых символьных вычислений // Материалы VI Международной конференции «Распознавание-2003». Курск, 2001. С. 93-95.

75. Мальцев и др. Метод быстрой обработки двухмерных массивов // Материалы VI Международной конференции «Распознавание-2003». Курск, 2003. С. 90-92.

76. Мальцев Е.М. Распознавание образов, как один из наиболее значимых типов задач систем обработки символьной информации // Материалы 69-й Межвузовской научной конференции студентов и молодых ученых «Молодежная наука и современность». Курск, 2004. С.249

77. Мальцев Е.М. Метод точечного описания графических образов символов. // Деп. ВИНИТИ. 23.06.04 №1068-В2004. КГТУ. Курск. 2004.

78. Мальцев Е.М. Метод автоматического распознавания графических образов. // Деп. ВИНИТИ. 23.06.04 №1067-В2004. КГТУ. Курск.2004.

79. Мальцев Е.М. Метод распознавания монохромных изображений символов // Материалы VII Международной научно-технической конференция «Медико-экологические информационныетехнологии». Курск, 2004. С. 100-102.