Научный журнал
ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ.
СЕВЕРО-КАВКАЗСКИЙ РЕГИОН.

ТЕХНИЧЕСКИЕ НАУКИ


ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ СЕВЕРО-КАВКАЗСКИЙ РЕГИОН. 2016; 1: 3-9

 

http://dx.doi.org/10.17213/0321-2653-2016-1-3-9

 

АЛГОРИТМ ДИНАМИЧЕСКОЙ МАСШТАБНОЙ АДАПТАЦИИ ФУНКЦИЙ-ПРОТОТИПОВ КЛАССОВ ОБРАЗОВ

М.М. Гавриков, Р.М. Синецкий

Гавриков Михаил Михайлович – канд. техн. наук, доцент, кафедра «Программное обеспечение вычислительной техники», Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, г. Новочеркасск, Россия. Тел. (8635)25-52-95. E-mail: gmm1000@yandex.ru

Синецкий Роман Михайлович – канд. техн. наук, кафедра «Программное обеспечение вычислительной техники», Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, г. Новочеркасск, Россия. Тел. (8635)25-52-95. E-mail: rmsin@srspu.ru

 

Аннотация

Предложен алгоритм масштабной адаптации функций-прототипов, представляющих классы образов, выполняющий идентификацию параметров нелинейных масштабных искажений, содержащихся в функциях, представляющих наблюдаемые реализации образов, и последующее преобразование исходной функции-прототипа с использованием ранее предложенной модели. Алгоритм работает на классе образов регулярных фазовых процессов, обладающих свойством квазиподобия формы. Рассмотрены две модели масштабных нелинейных преобразований – симметричная и несимметричная. Выполнена экспериментальная апробация алгоритма на образах прототипов фрагментов речевых сигналов и электрокардиосигналов. Приведены примеры и экспериментальные данные, подтверждающие эффективность алгоритма.

 

Ключевые слова: компьютерное моделирование; регулярные фазовые процессы; анализ сигналов; распознавание речи; обработка электрофизиологических сигналов

 

Полный текст: [in elibrary.ru]

 

Ссылки на литературу

1. Гавриков М.М. Структурная аппроксимация и распознавание одномерных временных образов. Концепция и применения // Изв. вузов. Электромеханика. 2003. № 6. С. 52 – 60.

2. Гавриков М.М., Иванченко А.Н. Конструирование алгоритмов структурной аппроксимации сигналов // Изв. вузов. Электромеханика. 1995. № 1-2. С. 104 – 112.

3. Гавриков М.М., Синецкий Р.М. Алгоритмы моделирования сигналов и спектральных функций с «пульсирующими» масштабными искажениями // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2013. № 3. С. 3 – 9.

4. Гавриков М.М., Синецкий Р.М. Алгоритмы сегментации структурных временных образов и их применение в обработке речевых сигналов // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2010. № 1. С. 18 – 24.

5. Файнзильберг Л.С. Информационные технологии обработки сигналов сложной формы. Теория и практика. Киев: «Наукова думка», 2008. 336 с.

6. Гавриков М.М., Синецкий Р.М. Алгоритмическая и численная реализация структурно-аппроксимационного метода распознавания речевых образов // Изв. вузов. Электромеханика. 2007. № 2. С. 52 – 59.

7. Allen J.B. Short-term spectral  analysis, synthesis, and modification by discrete Fourier transform // IEEE Trans. on Acoustics, Speech, Signal Processing. 1997. Vol. ASSP-25. N 3. P. 235 – 238.

8. Гавриков М.М., Синецкий Р.М. Технология синтеза структурно-аппроксимационных  эталонов речевых образов в командно-речевых интерпретаторах // Изв. вузов. Электромеханика. 2005. № 1. C. 40 – 46.

9. Златоустова Л.В., Потапова Р.К., Трунин-Донской В.Н. Общая и прикладная фонетика: учеб. пособие. М.: Изд-во МГУ, 1986. 304 с.

10. Гавриков М.М., Иванченко А.Н. Метод структурной аппроксимации в обработке сигналов и экспериментальных кривых // Изв. вузов. Электромеханика. 1991. № 5. С. 67 – 79.

11. Fainzilberg L.S. Heart functional state diagnostic using pattern recognition of phase space ECG-images // Proc. 6th European Congress on Intelligent Techniques and Soft Computing (EUFIT ’98). Aachen (Germany). 1998. 3, N B-27. P. 1878 – 1882.