+
Действующая цена700 499 руб.
Товаров:
На сумму:

Электронная библиотека диссертаций

Доставка любой диссертации в формате PDF и WORD за 499 руб. на e-mail - 20 мин. 800 000 наименований диссертаций и авторефератов. Все авторефераты диссертаций - БЕСПЛАТНО

Расширенный поиск

Агент системы анализа сложных изображений

  • Автор:

    Латынцев, Андрей Александрович

  • Шифр специальности:

    05.13.17

  • Научная степень:

    Кандидатская

  • Год защиты:

    2006

  • Место защиты:

    Красноярск

  • Количество страниц:

    141 с. : ил.

  • Стоимость:

    700 р.

    499 руб.

до окончания действия скидки
00
00
00
00
+
Наш сайт выгодно отличается тем что при покупке, кроме PDF версии Вы в подарок получаете работу преобразованную в WORD - документ и это предоставляет качественно другие возможности при работе с документом
Страницы оглавления работы

1. АГЕНТНЫЙ ПОДХОД К РЕШЕНИЮ ЗАДАЧ
1.1 Анализ понятия «агент»
1.2 Виды агентных архитектур
1.2.1 Делиберативная архитектура
1.2.2 Реактивная архитектура
1.2.3 Гибридная архитектура
1.3 Стратегии функционирования мультиагентных систем
1.4 Агентный подход к анализу изображений
1.5 Выводы к главе
2. АГЕНТ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ
2.1 Понятие агента и его среды
2.2 Задачи агента и его функциональная модель
2.3 Структура агента
2.4 Обобщённый алгоритм работы агента
2.5 Работа агента в активизированном режиме
2.6 Функционирование агента при нисходящем анализе
2.7 Функционирование агента при восходящем анализе
2.8 Выводы к главе
3. ЭКПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
3.1. Цели и задачи экспериментального исследования
3.2. Описание программно - аппаратной системы для проведения эксперимента
3.3. Описание экспериментального исследования
3.4 Выводы к главе
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
Актуальность темы. Автоматическая обработка визуальной информации является важным направлением в области искусственного интеллекта, и ей в последние годы уделяется все возрастающее внимание. Интенсивное освоение космического пространства повышает актуальность задач распознавания и оценки состояния земной поверхности по сигналам, получаемым с различных спутников-наблюдателей. К таким задачам можно отнести: анализ техногенного загрязнения окружающей среды, анализ экологических проблем, мониторинг использования природных ресурсов и контроль выполнения международных соглашений. Задачи распознавания изображений возникают и в смежных прикладных областях: компьютерное зрение, автоматический контроль
безопасности дорожного движения, медицинская диагностика, томография и ряд других. Хорошо известно, что решение таких задач связано с обработкой большого объёма информации сложной структуры, которую трудно интерпретировать.
В настоящее время одним из наиболее перспективных подходов к решению сложных задач (которыми, бесспорно, являются и задачи анализа изображений), в области искусственного интеллекта является мультиагентный подход. Сущность мультиагентного подхода к решению задач состоит в том, чтобы редуцировать исходную сложную задачу до некоторой упорядоченной совокупности более простых задач, совокупное решение которых приведёт и к решению исходной сложной задачи. Ответственность за решение каждой такой «простой» задачи возлагается на некоторую относительно «простую» решающую систему, называемую агентом (более простую по сравнению с решающей системой, способной решить исходную сложную задачу самостоятельно). Это позволяет снизить трудоёмкость разработки и модификации решающей системы, необходимой для решения исходной сложной задачи, за счёт того, что она представляется совокупностью относительно простых и однотипных решающих систем. Кроме того, во многих случаях использование мультиагентного подхода позволяет решать задачи более

сложные, чем те, которые могут быть решены при помощи классических экспертных систем, например, задачи, обладающие неопределенностью по статической структуре оригинала. Однако, единого мнения относительно интерпретации понятия «агент», являющегося базовым для реализации данного подхода, на текущий момент ещё не сформировано. Нет указания на полный перечень процессов, поддержку которых должны обеспечивать агенты, входящие в состав мультиагентной системы анализа изображений. Не указывается сложность задач, на решение которых должны быть ориентированы отдельные агенты. Невыясненными остаются вопросы относительно структуры таких агентов и состава их внешней среды.
В связи с этим, и в виду актуальности задачи распознавания изображений в целом, разработка агента системы анализа изображений носит актуальный характер.
Цель работы. Целью работы является разработка моделей агента и исследование его свойств, применительно к задаче анализа сложных изображений.
Поставленная цель достигается решением следующих задач:
1. Исследование проблемы анализа изображений.
2. Анализ существующих наработок в теории агента.
3. Определение понятия «агент», применительно к задаче анализа изображений.
4. Описание состава среды агента мультиагентной системы анализа изображений (МСАИ).
5. Выявление видов задач, возникающих перед агентом в такой среде.
6. Разработка функциональной модели агента МСАИ.
7. Разработка структурной модели агента системы анализа изображений.
8. Разработка алгоритма взаимодействия агента с его средой.
Методы исследований. При решении поставленных задач использовались методы: теории распознавания образов, теории классификации, теории решения задач, теории алгоритмов, теории экспертных систем, теории искусственного

фрейма используются лингвистические переменные, фрейм может быть связан с подмножеством правил-продукций и процедур, а правила-продукции могут вызывать внешние программы, в которых могут выполняться вычислительные и моделирующие возможности, предобработка данных, связь с внешним оборудованием и т.п. Фреймы позволяют описывать знания об объектах, принадлежащих некоторой предметной области, в виде иерархии классов и иерархии владения.
Все фреймы базы знаний можно разделить на три типа: фреймы-классы, фреймы-экземпляры, фреймы-шаблоны. Основу базы знаний составляют фреймы-классы, поскольку в них описываются объекты предметной области и элементы диалога в виде слотов, их возможных значений, вопросов, задаваемых пользователю и комментариев. Слоты могут быть символьными, численными, лингвистическими переменными, датой, временем. Также к фреймам могут быть присоединены правила-продукции и процедуры, обрабатывающие определенные события, связанные с фреймами. В процессе интерпретации базы знаний фреймы-классы могут порождать фреймы-экземпляры, предназначенные для описания фактов. Некоторую разновидность фреймов-классов представляют собой фреймы-шаблоны, в которых описываются в виде слотов и их значений конкретные ситуации (случаи, примеры и т.п.).
Фреймы-классы и фреймы-шаблоны составляют постоянную часть базы знаний. В базе данных (переменной части БЗ) могут храниться только фреймы-экземпляры. Фреймы-экземпляры также можно помещать и в постоянную часть базы знаний, в таком случае эти фреймы-экземпляры остаются неизменными в процессе логического вывода. В общем виде фрейм выглядит следующим образом:
Frame (<тип фрейма>) = ашя фрейма>
Parent: <имя фрейма-родителя>
Chvner: ашя фрейма-владелы(а>
<имя слота 1> {<комментарий>} (<тип слота>) [<вопрос слота>?]:

Рекомендуемые диссертации данного раздела

Время генерации: 0.105, запросов: 967