Разработка алгоритма обработки сигнала на основе теории восприятия информации человеком
Анализ существующих алгоритмов обработки информации человеком и современных моделей памяти. Разработка алгоритмов и математической модели ассоциативного мышления. Имитационная модель обработки информации. Компьютерный эксперимент по тестированию модели.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | курсовая работа |
| Язык | русский |
| Дата добавления | 19.11.2014 |
| Размер файла | 2,3 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
3.6 Блок интерфейса и эталонных сигналов (уровень эго)
На уровне разума у нас получилось огромное количество настраиваемых параметров. Это показывает то, как сложно настроить наш разум, стать действительно разумными. Все эти параметры настраиваются с уровня Эго (интерфейса). Настолько важен этот уровень для восприятия. Опираясь на изученный материал можно сказать, что настройка параметров - это внутренняя составляющая, а накопленный опыт - внешняя. Они естественно взаимосвязаны и взаимозависимы. Это иллюстрирует момент важности опыта и внутренних мотивов, их влияние на наши решения. Внутренняя составляющая пронизывает все уровни, как было показано выше. Внешнюю составляющую - опыт - эталонный сигнал мы смоделировали следующим образом.
За эталон было выбрано сообщение 0011010 закодированное в меандр с амплитудой при 1 = 1 и 0 = 0,5. После завершения t=7мс сообщения выдаётся 0. Этот эталон используется в алгоритмах референции, а также в формировании полезного сигнала на выход блока осмысления. Формирование происходит следующим образом. Эталон помножается на амплитуду частотного параметра сигнала. Полученную частоту используем для генерирования синуса (блок Sine Wave Function Рис.2.6). На Рис.6.1),2) Приложение 1. показан результат.
Шумовой сигнал сформирован следующим образом. Вместо эталона была взята частота информационного сигнала и проделан тот же путь, что и с полезным сигналом. Рис. 6.1),2) Приложение 1.
Рис. 2.6 Эталонные сигналы. Формирование полезного и шумового сигнала
Следующий блок задержки сигнала Transport Delay удерживает сигнал на время накопления частотного отклонения. Далее этот сигнал поступает на Switch3 и 4 (Рис.2.7.), где они пропускаются в зависимости от значения частотного отклонения. Рис.7.1),2). Приложение 1.
Рис.2.7 Задержка полезного и шумового сигнала
3.7 Блок записи и восстановления информации (ассоциативное мышление)
Для наглядности мы рассмотрим ассоциативное мышление отдельно от уровня разума (референции). Мы имеем две составляющие сигнала: полезную и шумовую (Рис.7. Приложение 1). Далее эти сигналы необходимо занести в память, предварительно получив их корреляционную функцию. Эта операция выполняется блоками Correlation и Transport Dalay2 (Рис.2.8.). Роль памяти играет задержка. Время задержки определяется временем, когда нам нужно вспомнить сигнал. Мы установили это время на 18мс (Рис.8. а. Приложение 1). В назначенное время на вход детектора поступает шумовой сигнал, сходный с запомненным, по которому мы должны восстановить полезный сигнал. Но для начала восстанавливается шумовой сигнал, который содержался в корреляционной функции, если входной шумовой сигнал немного отличается. Это можно сделать разными способами. Мы упростили всё до задержки шумового сигнала на назначенное время. Кроме того, так как этот сигнал в интегральном преобразовании будет использован как делитель, необходимо заменить нулевые значения на единичные. Результат Рис.8. б. Приложение 1.
Теперь, когда есть всё необходимое для интегрального преобразования, описанного в конце главы "Разработка модели памяти", приступим к её имитации в программной среде. Отличие в том, что Simulink оперирует не функциями, а отсчетами. Это упрощает задачу. Сделаем преобразование Фурье над корреляционной функцией и шумовым сигналом (Рис.8. г, д. Приложение 1). Изменений не произошло, т.к. сигналы гармонические. Далее мы находим отношение ПФ корреляционной функции от ПФ шумового сигнала. В результате мы имеем ПФ полезного сигнала (Рис.8. е. Приложение 1). Находим обратное преобразование. Оно имеет комплексный вид, и при выводе на осциллограф программа выдает ошибку. Поэтому выводим реальную часть (Рис.8. в). Мнимая часть равна 0.
Рис.2.8 Блок записи и восстановления информации
Для оценки полученного сигнала нужно найти ОСШ. За сигнал возьмём восстановленный сигнал. За шум возьмём отклонение восстановленного сигнала от входного ЧТ-сигнала. (Рис.9. Приложение 1)
3.8 Общая схема
Соединив все уровни, имеем следующую модель.
Новизна данной модели заключается в ведении алгоритма ассоциативного мышления, т.е. блока Записи и восстановления информации. На Рис.2.9 этот блок выделен красным контуром.
Рис.2.9 Общая схема. Части схемы выделенные цветом соответствуют уровням и алгоритмам восприятия
Рис.2.10. Один из двух аналогичных блоков Индикации.
4. Проведение компьютерного эксперимента
4.1 Исследование имитационной модели для ЧТ-сигнала
Для тестирования модели мы дополнительно провели несколько экспериментов.
1. Возьмём ЧТ-сигнал с параметрами:
Информационная составляющая: меандр с частотой 0.5кГц и а=1 - блок Pulse Generator.
Далее кодовый сигнал идёт в модулятор - Modulator M-FSK Baseband. В окне его параметров задаем M=4, Fsep=6 - частота девиации, режим с непрерывной фазой (Continious), число отсчетов на символ 1. Модулятор формирует выходной сигнал с частотой, равной Fsep* (M-K), K - значение кодового слова, K = log2 (M).
Ограничим время сигнала до t=7мс.
Рис. 2.11. Cхема генератора входного ЧТ-сигнала
Рис. 2.12. График меандра и сформированного ЧТ-сигнала (1-3кГц, 0-9кГц)
Рис. 2.16. Оценка результатов
На рисунке 2.16. Мы видим, что полученный сигнал имеет значительные отклонения.
Не смотря на то, что он был узнан, при восстановлении были сделаны ошибки, из-за искажений в блоке Детектор (т.к. не учтены ограничения модели) и отсутствии точно соответствующего кода в базе данных (Блок Эталонных сигналов).
4.2 Исследование имитационной модели для АМ-сигнала
АМ-сигнал симулируем, просто чередуя во времени синус с разной амплитудой. Возьмём тот же код 0011010.0-1В, 1-2В и частотой f=3кГц:
Рис.2.17. Генерирование АМ-сигнал
Для работы системы в блоках Индикации и Эталонных сигналов, необходимо сделать следующие изменения Рис.2.18.:
1) Добавить ещё один блок нормировки Subsystem4 (Амплитудомер) 1, и подключить к его входу сигнал, входящий в данный диапазон (НЧ или СЧ).
2) Полученный код отправить на блок сравнения (Standard Deviation) вместо кода, полученного от блока, к которому подключен частотный сигнал
3) Эталонный код помножить на синусоиду, сформированную на частоте входного сигнала. Полученный сигнал отправить на блок сравнения
4) Сигналы, которые идут на выход, помножим на максимум амплитуды входного сигнала
5) Выделим 3мс для более точной нормировки, разместив блоки задержки Transport Delay в необходимых для этого местах.
Рис.2.18. Изменения в блоках Индикации и Эталонных сигналов. Каждый пункт выделен соответствующим цветом: 1-красный, 2-зелёный, 3-голубой, 4 синий, 5-фиолетовый
И так можем оценить входной сигнал Рис.2.19.
Рис.2.19. Оценка ОСШ входного сигнала
Рис.2.20. Блок Преобразования. Частотная характеристика сигнала. Сверху НЧ диапазона. Снизу СЧ диапазона. Этот параметр не является теперь основным, но используется для формирования полезного и шумового сигнала, а также эталона.
Рис.2.21. Сравнение входного сигнала с эталоном. Справа НЧ диапазон. Слева СЧ диапазон. Этот этап был преобразован. Теперь, как мы видим, сравнивается отнормерованный по амплитуде сигнал и сгенерированный на основе кода из базы данных с помощью снятой с сигнала частоты.
Рис.2.28. Оценка ОСШ восстановленного сигнала.Э
Среднее ОСШ=80дБ. Остаточный шум, возникший на этапе восстановления, незначительный. Это доказывает многофункциональность нашей схемы и алгоритма в целом.
В процессе моделирования и проведения экспериментов были использованы следующие источники c [25] по [51].
Выводы по эксперименту
В теоретической части работы были проанализированы алгоритмы обработки информации человеком.
1. Уровень Чувств: Перцептивный аппарат. Происходит разделение на сенсорный "шум" - не распознаваемый сигнал, и полезный сигнал - то, что можно оценить.
2. Уровень Ума: Смыслообразующий блок. Разделение на избыточный сигнал - излишняя информация о сигнале. И оцениваемый сигнал - преобразованный в определённые параметры сигнал.
3. Уровень Разума: Референция (оценка параметров сигнала). Разделение на игнорируемый сигнал - сигнал несоответствующий эталону в памяти, который записывается в долговременную память, и подтверждаемый сигнал - не противоречащий эталонному.
Также на этом уровне обработки информации, мы разработали алгоритм ассоциативного мышления, применимый для восстановления информации по сопровождаемому шуму.
4. Уровень Эго: Голлюценирование. Достройка до эталона. Регуляция влияния конкретного уровня на весь процесс восприятия в целом, т.е. насколько уровень искажает сигнал.
В практической части мы перенесли полученный алгоритм на техническую сферу и построили модель в программной среде MATLAB Simulink:
Рис.2.14. Общая схема. Части схемы выделенные цветом соответствуют уровням и алгоритмам восприятия: 1-жёлтый, 2-зелёный, 3 - синий, 4-фиолетовый
Рис.2.15. Один из двух аналогичных блоков Индикации.
Работа с моделью оценивалась по графикам и приборам, а также при сравнении ОСШ входного сигнала и итогового восстановленного сигнала.
Получили следующие результаты оценки ОСШ:
1. ЧТ-сигнал с заданными параметрами соответствующим параметрам схемы: ограничения амплитуды напряжения входного сигнала от - 4В до 4В
ЧТ-сигнал или шумовой сигнал находятся в диапазоне частот от 1 до 8кГц или от 8 до 15кГц соответственно. Наличие кода ЧТ-сигнала в базе данных (БД).
ОСШ:
Входной сигнал среднее ОСШ=-10,7дБ
Восстановленный сигнал среднее ОСШ=90дБ
Опыт воспроизводим для сигналов соответствующих параметрам схемы.
2. ЧТ-сигнал с частотой максимальной частотой превышающей ограничения схемы (f1=9кГц) и несоответствие соотношения минимальной и максимальной частоты (0 и 1) с кодом в БД (f0/f1=3, в БД: f0/f1=2).
ОСШ:
Входной сигнал среднее ОСШ=-10,7дБ
Восстановленный сигнал среднее ОСШ=2дБ (мощность сигнала больше мощности шума почти в 2 раза)
Чем больше отклонения от установленных параметров, тем меньше ОСШ восстановленного сигнала. Особенно сильное влияние имеет соответствие с кода сигнала с кодом в БД.
3. АМ-сигнал. Сигнал соответствует параметрам модели.
ОСШ:
Входной сигнал среднее ОСШ=-5дБ
Восстановленный сигнал среднее ОСШ=80дБ
Оценка ОСШ велась без учёта погрешностей, т.к. её цель показать общую работоспособность системы объективным способом. Также из-за долгой работы модели, не было возможности провести большое количество экспериментов. Субъективную оценку по графикам можно провести в главах с построением модели и экспериментами.
Заключение
Основным объективным показателем работоспособности системы является величина ОСШ.
Из эксперимента №1, который мы произвели в процессе моделирования, видим, что в рамках установленных параметров результаты подтверждают корректную работу схемы. Из этого следует, что алгоритм и методика проецирования алгоритмов рабаты психики на техническую среду (и среду ИТ) также доказывают свою работоспособность.
В ходе создания имитационной модели мы нашли ряд оригинальных методов устранения искажений сигналов, сравнения, хранения и восстановления информации.
Из эксперимента №2 мы выявили следующие недостатки модели:
1) Высокая сложность системы, долгая обработка;
2) Малая база данных сигналов и помех. Ошибка в коде из БД приводит к некорректной достройке и восстановлению сигнала, что резко влияет на процесс обработки;
3) Для достижения универсальности необходимо создать дополнительные блоки принятия решения.
Из эксперимента №3 мы выявили следующие достоинства модели и методы решения проблем:
1) Система легко перестраивается, подстраивается подзадачу, легко расширяется её универсальность;
2) Хороший эффект произведёт работа по улучшению качества фильтрации и измерения амплитуды параметров.
3) Система также может работать с сигналами с малым уровнем напряжения при помощи шумового сигнала.
В ходе работы установлено:
1) возможность применения в технике знаний из других сфер науки;
2) соответствие этапов обработки информации человеком и технических систем;
3) возможность переноса алгоритмов обработки информации психики человека на среду информационных технологий;
4) Работоспособность моделей разработанных на основе алгоритмов восприятия информации человеком для различных сигналов.
Общий итог:
• Предложенный алгоритм позволяет в грубом приближении использовать особенности восприятия информации человеком для восстановления сигнала в системах передачи и обработки информации, разработки новых моделей радиоприёмных устройств, решения задач космической связи, ПВО, РЛС и т.п.
• Этот алгоритм вводит в процесс обработки сигнала определение шумового сигнала, который задействован в восстановлении полезного сигнала.
• Дальнейшее развитие данной темы может привести к нахождению новых алгоритмов, которые можно эффективно применить для решения задач обработки, записи, хранения и восстановления информации техническими и информационными системами.
• Перспективной может оказаться работа с полученной моделью, расширение её универсальности: увеличение базы данных сигналов, создание базы данных шумовых и помеховых сигналов, настройка блоков управления, проектирование памяти для хранения информации основанной на принципе записи взаимной корреляционной функции.
Список литературы
1. Попов Д.Н. Разработка модели обработки сигнала на основе теории восприятия человека. Путь в науку: Сборник тезисов международной студенческой научной конференции (секция "Естественные науки. Физический Факультет".21 апреля 2012 г.: Тез. докладов. - Ярославль: ЯрГУ, 2012. - 90с.
2. Бехтерева Н.П. и др. Мозговые коды психической деятельности. Наука, Л., 1977.
3. Васин В.А., Власов И.Б., Егоров Ю.М. и др. Информационные технологии в радиотехнических системах: Учебное пособие / Под ред. Федорова И.Б. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. - 672 с: ил. - (Сер. Информатика в техническом университете.)
4. http://ru. wikipedia.org/wiki/Восприятие
5. Хакимов А.Г. Уровни сознания. Структура человеческой личности. Омск: "Золотой тираж", 2011 г. - 136 с.
6. http://dic. academic.ru/dic. nsf/enc1p/19890
7. http://ru. wikipedia.org/wiki/ Информационные технологии
8. Томсон Р.Л. Презентация "Виртуальные миры" (Пр-во Govardhan Hill Publishing - США)
9. Ливанова М.Н. Наука и жизнь, 10, 88, 1977.
10. spectrum. powernet.com.ru›library/show. php? id=424
11. Бехтерева Н.П. Наука и жизнь, 10, 90.1977.
12. megaslov.ru›html/g/gal7cinirovat5.html
13. Ющенко А.В., Устюжанин А.Е., Распознавание и интеграция метаданных разнородных источников // МФТИ, XLVIII конференция, 2005
14. Томсон Ричард Л. Механистическая и немеханистическая наука. / Пер. с англ.Р. Волошин. Москва: "Философская книга", 1998 - 302.
15. http://ru. wikipedia.org/wiki/Ассоциативное_мышление
16. Выпуск электронного журнала imperialcommiss за 6 февраля, 2011. Статья Голографическая вселенная (окончание): Память
17. Прибрам К. Языки мозга. Экспериментальные парадоксы и принципы нейропсихологии / А.Р. Лурия. - М.: Прогресс, 1975. - 464 с.
18. Турухано Б.Г. Голографические аспекты памяти: 2. Модели памяти
19. Турухано Б.Г. Материалы III Всесоюзной конференции по голографии, стр.243.Л., 1978.
20. Николаев С.Н., Толчин В.Г., Турухаио Б.Г. Материалы III Всесоюзной конференции по голографии.Л., стр.241, 1978.
21. Габор Д. Nature, 217, 584, 217, 584, 217, 1288, 1968.
22. Кохонен Т., Ассоциативная память. - М.: Мир, 1980
23. Устюжанин А.Е., Ассоциативная память контурных объектов на основе вейвлет представлений // МФТИ-2005, с.88-101.
24. Чистяков А., Бодякин В. Ассоциативные информационные структуры и модели памяти.7 июля 2004.
25. http://ru. wikipedia.org/wiki/Эллиптический_фильтр
26. Диткин В.А., А.П. Прудников. Интегральные преобразования и операционное исчисление. Государственное издательство физико-математической литературы. Москва 1961. стр.25-27.
27. http://www.ufatech.ru/printcip-peredachi-informatcii-po-radiovolnam.25.12.2011
28. Дъяконов В.П. Simulink 5/6/7. Самоучитель. М.: ДМК, 2008
29. Дъяконов В.П. MATLAB 6.5 SP1/7 + Simulink 5/6. Основы применения. Москва: СОЛОН - Пресс, 2005
30. Дъяконов В.П. MATLAB 6.5 SP1/7 + Simulink 5/6. Обработка сигналов. Москва: СОЛОН - Пресс, 2005
31. Черных И.В. "Simulink: Инструмент моделирования динамических систем". Электронная книга.
32. Гришин Ю.П., Ипатов В.П., Казаринов Ю.М. и др. Радиотехнические системы: Учеб. для вузов по спец. "Радиотехника" /; Под ред. Ю.М. Казаринова. - М.: Высш. шк., 1990. - 496 с.: ил.
33. Power System Blockset. For Use with Simulink. User's Guide Version 2. COPYRIGHT 1998-2001 by TEQSIM International Inc., Hydro Ouebec and The Works, Inc.
34. Жданов А.А., Устюжанин А.Е., Использование технологий детерминированного хаоса для построения ассоциативных баз знаний систем автономного адаптивного управления. // Тр. Конференции IEEE AIS'02: М.: Физматлит, 2002. С.121-127.
35. Рожков И.Т. Методы обработки радиосигналов: Учеб. пособие. Ярославль, 1987.98 с.
36. Рожков И.Т. Контроль качества систем передачи информации: Методические указания к спецкурсу "Методы обработки радиосигналов" Ярославль, 1987.32 с.
37. Картьяну Г. Частотная модуляция. - Бухарест: Издательство академии Румынской народной республики. 1961. - 578 с.
38. Гоноровский И.С. Радиотехнические цепи и сигналы. - М.: Сов. Радио. 1966. ч.1 - 439 с.
39. Афонский А.А., Дьяконов В.П. Цифровые анализаторы спектра, сигналов и логики / Под ред. проф.В.П. Дьяконова. - М.: СОЛОН-Пресс, 2009. - С.248.
40. Дьяконов В.П. MATLAB 6.5 SP1/7.0 + Simulink 5/6. Обработка сигналов и проектирование фильтров. - М.: СОЛОН-Пресс, 2005. - С.576.
41. Сергиенко А.Б. Цифровая обработка сигналов. - 2-е изд. - СПб.: Питер, 2006. - С.751.
42. М. Павлейно А., Ромаданов В.М. Спектральные преобразования в MatLab. - СПб., 2007. - С.160.
43. http://ru. wikipedia.org/wiki/Отношение_сигнал/шум
44. Рожков И.Т. Методические указания к спецкурсу "Методы обработки радиосигналов" по теме "Помехоустойчивость приема ФМ сигналов". - Ярославль, Яр ГУ, 1987 - 30 с.
45. Miroslav D. Lutovac Filter Design for Signal Processing using MATLAB© and Mathematica©. - New Jersey, USA.: Prentice Hall, 2001.
46. Steven W. Smith The Scientist and Engineer's Guide to Digital Signal Processing. - Second Edition. - San-Diego: California Technical Publishing, 1999.
47. Haykin S. Adaptive Filter Theory. - 4rd Edition. - Paramus, NJ: Prentice-Hall, 2001.
48. Richard J. Higgins Digital Signal Processing in VLSI. - Paramus, NJ: Prentice-Hall, 1990.
49. Попов.Д.Н. Разработка алгоритма обработки сигнала на основе теории восприятия человека. Путь в науку: Сборник тезисов международной студенческой научной конференции (секция "Естественные науки. Физический Факультет".21 апреля 2013 г.: Тез. докладов. - Ярославль: ЯрГУ, 2013. - 90с.
50. http://www.cognitivist.ru/er/kernel/1f_noise. xml
51. http://ru. wikipedia.org/wiki/Радиоизлучение
Приложения
Приложение 1
Рис.1. Сенсорный сигнал: а) шум б) шумовой сигнал в) полезный сигнал г) входной сигнал д) сенсорный сигнал.
Рис.2. График изменения ОСШ (в дБ) входного сигнала.
Рис. 3. Разбиение сенсорного сигнала по диапазонам частот. Каждому диапазону соответствует пара сигналов: верхний результат фильтрации, нижний сигнал до обработки. Соответственно а) НЧ, б) СЧ, в) ВЧ.
Рис. 4. Изменение частоты информационного сигнала разделённого на два диапазона.
Рис. 5.1,2. Справа графики СЧ диапазона, слева НЧ диапазона. Сверху эталонная частота и частота поступающего сигнала. Посередине их девиация. Ниже накопление девиации
1)
2)
Рис.6.1) - формирование эталонного (полезного) сигнала,2) - формирования шумового. Снизу генерируемая частота. Сверху полученный сигнал.
1)
2)
Рис. 7.
1) Выход первого блока Индикации, на который был подан сигнал НЧ диапазона
2) Выход второго блока Индикации, на который был подан сигнал СЧ диапазона. Оба выхода разделены на два сигнала: сверху полезный сигнал, снизу шумовой.
Рис.8. а) Функция корреляции б) Шумовой сигнал в) Восстановленный сигнал г) ПФ от корреляционной функции д) ПФ от шумового сигнала е) Фурье образ восстановленного сигнала
Рис.9. Сверху отмечен восстановленный сигнал и ЧТ-сигнал. Посередине отклонение восстановленного сигнала от ЧТ. Снизу ОСШ (дБ).
Приложение 2
Замечания
Самой долгой и трудоёмкой частью работы было проектирование модели на основе разработанного алгоритма. В ходе неё приходилось решать разные проблемы, часто возникающие в ходе моделирования, выбирать между различными вариантами реализации алгоритма. Некоторые идей и даже элементарные переходы было сложно воплотить с помощью выбранной программной среды. Были созданы разные варианты моделей, из которых самой полной является предложенная модель.
Стоит отметить сложности, возникшие при работе с теоретическим материалом, т.к. данная тема в современной науке поднимается для рассмотрения не так часто.
Вследствие этого, совсем немного времени осталось на проведение экспериментов и придание более удобной формы изложенного материала.
Также в начале работы было сложно понять, к чему приведёт её результат, и приходилось просто доверяться научному руководителю и продолжать. Из-за большого количества информации, которую необходимо было обрабатывать, в уме появлялись желания выбрать более простую тему для диплома, пока не поздно. И только с помощью разума, понимания необходимости выполнение долга, следования по выбранному пути, данные сложности были преодолены.
Самой большой трудностью остаётся преодоление лени, неаккуратности, нерешительности, гордости и недостатка почтительности.
Благодарности
Я очень благодарен всем тем, кто морально поддерживал меня входе долгой работы над дипломом. Прежде всего, моего научного руководителя Елену Ивановну Кротову, которая потратила много времени и сил для того, чтобы я просто понял, что от меня требуется, не говоря уже об остальном. Она также отредактировала всю эту работу и привела её в читабельный вид.
Также, я благодарен моему одногруппнику Стерину Дмитрию, который искренне пытался понять мои идей и помочь мне в их реализации в программной среде.
Размещено на Allbest.ru
Подобные документы
Работа средств обработки информации. Передача с помощью света по нити из оптически прозрачного материала в основе оптоволоконной сети. Принцип функционирования коаксиального кабеля и витой пары. Сравнение шины с нервными волокнами. Кэш данных и команд.
реферат [543,6 K], добавлен 22.04.2013Описание формальной модели алгоритма на основе рекурсивных функций. Разработка аналитической и программной модели алгоритма для распознающей машины Тьюринга. Разработка аналитической модели алгоритма с использованием нормальных алгоритмов Маркова.
курсовая работа [1,5 M], добавлен 07.07.2013Разработка программы на языке Си++ и осуществление постановки и выбора алгоритмов решения задач обработки экономической информации, создание и редактирование базы данных, сортировка записей по определенному запросу, анализ эффективности обработки данных.
контрольная работа [316,8 K], добавлен 28.08.2012Общая характеристика и функциональные возможности системы "Компьютерное тестирование". Связи между информационными объектами. Проектирование алгоритмов обработки данных. Реализация алгоритмов обработки информации, разработка соответствующих макросов.
контрольная работа [542,8 K], добавлен 19.10.2010Анализ особенностей восприятия человеком окружающего мира. Обзор процессов, связанных с получением, хранением, обработкой и передачей информации. Описания технических устройств для автоматической обработки информации. Роль информации в жизни человека.
доклад [10,9 K], добавлен 20.09.2012Получение изображения объекта с помощью оптико-электронных систем, построенных на основе ПЗС-приемника. Методы обработки первичной измерительной информации. Реализация алгоритма обработки графической информации с помощью языка программирования Python.
лабораторная работа [1,1 M], добавлен 30.05.2023Проблема улучшения качества отпечатков пальца с целью повышения эффективности работы алгоритмов биометрической аутентификации. Обзор алгоритмов обработки изображений отпечатков пальцев. Анализ алгоритма, основанного на использовании преобразования Габора.
дипломная работа [4,5 M], добавлен 16.07.2014Осуществление постановки и выбор алгоритмов решения задач обработки экономической информации; разработка программы для работы с базой данных о маршруте: начало, конец, номер, суммарное количество мест. Поиск маршрутов по названиям конечного пункта.
курсовая работа [2,5 M], добавлен 17.01.2013Анализ предметной области: порядок медицинского обследования донора крови и ее компонентов. Описание документооборота и обработки информации в стандарте DFD. Разработка смешанной модели описания процесса на основе стандартов IDEFO, DFD и IDEF3.
курсовая работа [29,3 K], добавлен 10.11.2009Обзор существующего программного обеспечения для автоматизации выделения границ на изображении. Разработка математической модели обработки изображений и выделения контуров в оттенках серого и программного обеспечения для алгоритмов обработки изображений.
дипломная работа [1,7 M], добавлен 27.03.2013
