Помощь в учёбе, очень быстро...
Работаем вместе до победы

Алгоритмы и методы обработки информации в системах контроля качества процессов крашения: На примере химической технологии отделочного производства тканей и переплетных материалов

Диссертация: Алгоритмы и методы обработки информации в системах контроля качества процессов крашения: На примере химической технологии отделочного производства тканей и переплетных материалов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону, включающий в себя следующие стадии обработки информации об изображениях: линейная фильтрация, нелинейная обработка, обнаружение контура, векторизация волосных линий, формирование инвариантов с помощью амплитуд Фурье-спектра секторного преобразования, классификация с помощью искусственных… Читать ещё >

Содержание

  • Глава 1. Современное состояние вопроса контроля качества крашения V' тканей и переплётных материалов
    • 1. 1. Системы менеджмента качества в отделочных производствах
    • 1. 2. Характеристика основных показателей качества отделочного производства тканей и переплётных материалов
      • 1. 2. 1. Цветопередача, измерение и анализ
      • 1. 2. 2. Оценка колористических возможностей триад красителей и совместимости красителей в смесях
      • 1. 2. 3. Методы расчета количеств красителей по спектру отражения эталонного образца
      • 1. 2. 4. Расчет рецептуры крашения на основе координат цвета эталонного образца
      • 1. 2. 5. Некоторые дополнительные уравнения для расчетов
      • 1. 2. 6. Дефекты и искажения формы отпечатка рисунка с математической точки зрения
      • 1. 2. 7. Методы привязки изображений
    • 1. 3. Постановка задачи исследований
  • Глава 2. Разработка алгоритмов идентификации рисунков на полиэфирных тканях и их программная реализация
    • 2. 1. Понятие идентификации рисунков
    • 2. 2. Предварительная обработка отсканированных изображений
      • 2. 2. 1. Преобразование цветного изображения в градации серого
      • 2. 2. 2. Линейная фильтрация
      • 2. 2. 3. Нелинейная обработка с целью повышения контраста
      • 2. 2. 4. Обнаружение контура
      • 2. 2. 5. Программная реализация каскада фильтров
    • 2. 3. Исследование растровых изображений рисунков с помощью искусственных нейронных сетей
      • 2. 3. 1. Правило Кохонена
  • У/ 2.3.2 Модель на основе алгоритма конкурирующего обучения
    • 2. 3. 3. Модель на основе сетей квантования обучающего вектора
    • 2. 3. 4. Модель на основе радиально — базисной сети и сети конкурентного обучения
    • 2. 3. 5. Использование искусственных нейронных сетей для обнаружения областей непрокраса на образцах ткани по их растровым изображениям
    • 2. 3. 6. Область применения и ограничения алгоритмов Кохонена для определения дефектов рисунка
    • 2. 4. Векторизация изображений рисунков на полиэфирных тканях
    • 2. 5. Методы и алгоритмы сравнения формы эталонного рисунка с рисунком, отпечатанным на материале, в условиях аффинных искажений
    • 2. 5. 1. Синтез алгоритма привязки изображений образца и эталона
    • 2. 5. 2. Разработка метода кодирования фрагментов изображения
    • 2. 5. 3. Оптимальный поиск сопряжённых точек на изображениях
    • 2. 6. Разработка алгоритмической цепочки обработки информации для идентификации искажений рисунков
    • 2. 7. Классификация фрагментов рисунка на искусственных нейронных
  • Сетях
  • Выводы к главе 2
    • Глава 3. Экспериментально — статистические модели рецептур красителей для переплётных материалов
    • 3. 1. Обработка образцов с помощью компаратора цвета КЦ
    • 3. 2. Предварительная обработка результатов эксперимента
    • 3. 3. Обработка данных методом корреляционного анализа
    • 3. 4. Статистические модели рецептур красителей
  • Выводы к главе 3
    • Глава 4. Разработка программно — технических средств для системы контроля качества крашения
    • 4. 1. Описание и технические характеристики программно-технических средств
    • 4. 2. Функциональная структура ПТС
    • 4. 2. 1. Автоматизируемые процессы производственной деятельности колориста
    • 4. 2. 2. Автоматизируемые процессы производственной деятельности художника
    • 4. 2. 3. Процессы производственной деятельности лица принимающего решения
    • 4. 3. Информационное обеспечение ПТС
    • 4. 3. 1. БД «Колорист»
    • 4. 3. 2. БД «Художник»
    • 4. 3. 3. Клиентское
  • приложение для АРМа колориста
    • 4. 3. 4. Клиентское
  • приложение для АРМа художника
    • 4. 4. Архитектура распределённого ПО для контроля качества крашения
  • Выводы к главе 4
  • Основные результаты работы

Алгоритмы и методы обработки информации в системах контроля качества процессов крашения: На примере химической технологии отделочного производства тканей и переплетных материалов (реферат, курсовая, диплом, контрольная)

Актуальность темы

В химической технологии отделочного производства тканей и переплётных материалов, основными стадиями крашения являются приготовление краски, изготовление печатных матриц или валов по эскизу художника, нанесение рисунка на материал, подбор колера. Потребительские свойства и соответственно конкурентоспособность готовой продукции во многом определяются качеством цветопередачи, равномерностью окрашивания, точностью передачи формы рисунка, наличием областей непро-краса и их количеством на ткани и переплётных материалах.

Методы испытания и контроля, применяемые в производствах химической отделки, как правило, трудоёмки и связаны с большим количеством визуальных наблюдений, проводимых контролером вручную, что влияет на точность и субъективность оценок. Количественно оценить форму рисунка и равномерность окраса материала затруднительно. Эти величины фиксируются контролером только на качественном уровне. По этой причине в отделочных производствах предприятий большое внимание уделяется модернизации и совершенствованию систем контроля качества процессов крашения с использованием современных компьютерных информационных технологий.

Отсюда вытекает актуальность разработки математического, алгоритмического и программного обеспечения автоматизированных информационно — измерительных систем для контроля цветопередачи, равномерности окраски и соответствия формы рисунка, предложенного художником, его отпечатку на ткани.

Существенное влияние на цветопередачу оказывает подбор колера для приготовления краски. Ручной способ подбора не обеспечивает оптимального состава колера и требует значительных трудозатрат, так как предусматривает многократное приготовление выкрасок при подгонке цвета под эталон. В работе предлагается способ сжатия базы колористических рецептур и автоматизированного подбора колера на основе математических моделей.

Цель диссертационной работы: разработать методы, алгоритмы и программные средства для получения, хранения и обработки информации, характеризующей показатели качества процесса крашения текстильных и переплётных материалов, и для автоматизации процесса подбора колера.

Для достижения поставленной цели решаются следующие задачи: 1) разработать последовательность операций обработки информации и структуру автоматизированной информационно — измерительной системы показателей качества процессов крашения текстильных и переплётных материалов;

2) разработать методы и алгоритмы сравнения формы эталонного рисунка с рисунком, отпечатанным на материале, в условиях аффинных искажений;

3) разработать алгоритмическое и программное обеспечение для контроля качества цветопередачи.

4) разработать программно-технические средства, автоматизирующие деятельность специалистов художников по сравнению рисунков на отпечатках с эталонными и колористов по контролю цветопередачи и подбору состава колера.

Научная новизна.

• Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону. Подход включает в себя следующие стадии обработки информации об изображениях: фильтрация, векторизация, формирование инвариантов, классификация и привязка.

• Разработан, обоснован и протестирован новый метод привязки изображений для идентификации и коррекции аффинных искажений (параллельный перенос, масштабирование, поворот осей), отличающийся от аналогов инвариантностью к повороту осей.

• Предложен подход к сжатию баз данных рецептур колеров с использованием их математических моделей.

• Предложен оригинальный способ хранения математических моделей рецептур колеров в виде взаимосвязанных реляционных сущностей (компонентов моделей), а не в виде таблиц исходных данных, графиков и текстовых полей.

Методы исследований. В работе использован математический аппарат частотного анализа, теория искусственных нейронных сетей, теория графов, методы обработки изображений, теория цвета, методы математической статистики.

Практическая значимость. Синтезирована функциональная структура программно-технических средств системы контроля качества крашения, включающая автоматизированные рабочие места (АРМ) художника и колориста и позволяющая передавать информацию в блок принятия решений для формирования управляющих воздействий.

Предлагаемое ПО существенно сокращает трудозатраты на сравнение рисунков друг с другом, время выполнения заказа на подбор колера и способствует снижению себестоимости продукции.

Программное обеспечение для решения задачи идентификации искажений рисунков, нанесенных на материалы, и определения оптимального состава колера передано в отдел АСУТП ЗАО «Ивановоискож».

Разработанная структура технических средств и программное обеспечение (ПО) могут использоваться на текстильных фабриках, в полиграфии, при производстве переплётных материалов, обновлении топографических карт и коррекции искажений аэрофотоснимков.

Апробация работы. Результаты работы докладывались на конференциях: Международная студенческая конференция «Развитие, окружающая среда, химическая инженерия» Иваново. 2000 г.- Международная студенческая конференция «Фундаментальные науки — специалисту нового века». Иваново. 2002 г.- Международная научно-техническая конференция «Перспективы использования компьютерных технологий в текстильной и легкой промышленности» (пиктел-2003). Иваново. 2003 г.- XVII Международная научная конференция «Математические методы в технике и технологиях». Кострома. 2004 г.

Публикации. По материалам диссертационной работы опубликовано 6 печатных работ.

Структура и объём диссертации. Диссертация состоит из введения, 4 глав, заключения и списка литературы. Работа изложена на 113 страницах основного текста, содержит 56 рисунков, 7 таблиц, 3 приложения, библиографический список литературы включает 106 наименований.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону, включающий в себя следующие стадии обработки информации об изображениях: линейная фильтрация, нелинейная обработка, обнаружение контура, векторизация волосных линий, формирование инвариантов с помощью амплитуд Фурье-спектра секторного преобразования, классификация с помощью искусственных нейронных сетей Кохонена и привязка рисунков путем оптимального поиска сопряжённых точек.

Предложен и опробован алгоритм предварительной обработки и улучшения качества изображений рисунков на тканях. Алгоритм включает в себя стадии линейной фильтрации, адаптивной нелинейной обработки и обнаружения краев с помощью модифицированного фильтра Собела.

Разработан метод преобразования растрового изображения, представленного в виде матрицы цветов, в векторную форму, описывающую изображение как множество ломаных и многоугольников. Метод представляет собой модификацию волнового алгоритма векторизации.

Разработан метод кодирования элементов изображения для получения описания, инвариантного к аффинным преобразованиям, основанный на преобразовании Фурье ряда секторного преобразования, позволяющий определить систему признаков элементов и полных изображений, пригодную для классификации с помощью ИНС, и вести поиск изображений в БД колориста и художника.

Синтезирован алгоритм оптимального поиска сопряжённых точек на изображении образца окрашенной ткани и на эталонном рисунке для коррекции аффинных искажений и обнаружения отклонений формы рисунка на изображении образца от эталонной, основанный на наложении скорректированных изображений друг на друга. Разработана и опробована структура базы данных, позволяющая хранить уравнения математических моделей колеров в виде совокупности взаимосвязанных реляционных сущностей. Этот подход позволяет собирать уравнения почленно, рассчитывать оптимальный состав колера, расширять структуру моделей без изменения структуры БД и сжимать базы рецептур колеров.

Разработанные программные средства доведены до уровня распределенной информационно — измерительной системы, ориентированной на совместную работу нескольких пользователей. Система включает в себя серверные приложения — службы и клиентские приложения с развитым графическим интерфейсом.

Показать весь текст

Список литературы

  1. ИСО 9000 «Общее руководство качеством и стандарты по обеспечению качества. Руководящие указания по выбору и применению» М.: изд-во Стандартов, 1994.
  2. Система качества. Сборник нормативно-методических документов. М.: изд-во Стандартов, 1992.
  3. В.Е. «Менеджмент качества» в системе современного менеджмента. Стандарты и качество, 1997, № 6, с. 48.
  4. Управление качеством. Учебник. Под ред. д. э. н., проф. Ильенковой С. Д. М.: Банки и биржи: ЮНИТИ 1999. 199 с.
  5. Ю.А.Павлов, ГЛ. Иезуитова, Я. М. Ребарбар, В. Н. Романов. Автоматизированная система контроля качества готовых тканей. М.:Лёгкая и пищевая промышленность, 1981. 264с.
  6. Е.А.Кириллов. Теоретические вопросы колориметрии. Иваново.: ИХТИ. Кафедра хим. технологии волокнистых материалов. 1977- 60 с.
  7. Г. И.Ашкенази. Цвет в природе и технике 4-е изд., перераб. и доп. М.: Энергоатомиздат, 1985. — 96 с.
  8. Е.А. Цветоведение: Учеб. Пособие для вузов. М.: Легпромбытиздат, 1987. — 128 с.
  9. Sinclair R.S., Wright W.D. Color measurement in Europe //Applied optics. 1969. Vol.8, N4. p.751−756
  10. Р.М.Ивенс. Ведение в теорию цвета. М.:Мир 1964. 442с.
  11. М.М., Мейер Л. Н. Фотоэлектрический компаратор цвета. Светотехника. 1955. N6. с. 18−23.
  12. Д.Джадд, Г. Вышецки. Цвет в науке и технике. М.:Мир, 1978. 594с.
  13. В.А. Цветоведение. М.:Книга, 1972. 250 с.
  14. Н.В. Завалишин, И. Б. Мучник. Модели зрительного восприятия и алгоритмы анализа изображений. М.:Наука. 1974. 344 с.
  15. Хорн Б.К. П. Зрение роботов М.:Мир, 1989.-487 с.
  16. Н.Г., Скоробогатов В. А., Хворостов П.В.Вопросы анализа и распознавания молекулярных структур на основе общих фрагментов. Алгоримы анализа структурной информации: Вычислительные системы. Новосибирск: ИМ СО АН СССР, 1984. Вып. 103. с. 26−50.
  17. А.А. Теория конечных графов. Новосибирск: Наука 1969. -543 с.
  18. Берзетис А. Т. Структуры данных.М.:Статистика, 1974. 467 с.
  19. Оре. О. Теория графов. М.:Наука, 1980. 352 с.
  20. Визинг В. Г. Сведение проблемы изоморфизма и изоморфного вхожденияк задаче нахождения неплотности графа // Тез. Докл. III Всесоюз.конф. По проблемам теоретической кибернетики. Новосибирск: ИМ СО АН СССР, 1974.-е.124−125.
  21. Barrow H.G., Burstall R.M. Subgraph isomorphism, matching relational structures and maximal cliques Inform. Press.Lett.-1976.-V.4, N4.-p.83−84.
  22. А.Г. Анализ и синтез линейных радиоэлектронных цепей с помощью графов: Аналоговые и цифровые фильтры. М.: Радио и связь, 1985. -250 с.
  23. Зыков А. А. Основы теории графов М.: Наука 1987. 384 с.
  24. П.Н., Тараненко B.JI. Корреляционно-экстремальные системы. М.: Сов. радио. 1974. 392 с.
  25. И.С. Квазиоптимальный алгоритм совмещения изображений //Тез. докл. регион, конф. ОИДИ-87. Новосибирск: ВЦ СО АН СССР, 1987. -с. 78.
  26. А.В., Ефимов В. М., Киричук B.C., Пустовских А. И., Резник A.JI. Методы оценивания взаимного смещения фрагментов изображений. Автометрия, 1988, N 3. с. 70−73.
  27. М.Б., Хасьминский Р. З. Стохастическая аппроксимация и рекуррентное оценивание. М.: Наука, 1972. 304 с.
  28. .Т., Цыпкин Я.3. Псевдоградиентные алгоритмы адаптации и обучения. Автоматика и телемеханика, 1973, N 3. с. 45−68.
  29. .Т., Цыпкин Я. З. Оптимальные псевдоградиентные алгоритмы адаптации. Автоматика и телемеханика, 1980, N 8. с. 74−84.
  30. И.С., Киричук B.C., Косых В. П., Перетягин Г. И., Спектор А. А. Цифровая обработка изображений в информационных системах: Учебное пособие. Новосибисрк: Изд-во НГТУ, 2000. 168.
  31. Mostafavi Н., Smith F.W. Image correlation with geometric distorsion.-IEEE Transactions, 1978, v. AES-14, p.487−500.
  32. Дж.К., Дейвис Л. С., Мартин У. Н. Методы установления соответствия при анализе динамических сцен // ТИИЭР, 1981, Т. 69, N 5. — с. 77−90.
  33. Дж. К., Нандакумар Н. Определение параметров движения по последовательности изображений. Обзор // ТИИЭРД988, Т.16, N 8. с. 6990.
  34. JI.E. Использование непараметрических статистик для совмещения изображений // Тез. докл. Междунар. конф. ОИДИ-90. Новосибирск: ВЦ СО АН СССР, 1990. с. 70.
  35. В.А., Бойко Ю. И., Бочкарев A.M., Однорог А. П. Совмещение изображений в условиях неопределенности. Зарубежная радиоэлектроника, 1985, N 4. с. 32−41.
  36. И.А., Владимиров И. Г. Адаптивное оценивание вектора сдвига. Техническая кибернетика, 1990, N4. с.47−64.
  37. Mottl V.V., Kopilov A.V., Blinov А.В., Zheltov S.U. Quasi-statistical approach to the problem of stereo image matching // SPIE, Image Processing and Computer Optics, v. 2363, 1994. p 51.
  38. Т.Д., Резник A.JI. Эффективность алгоритмов прецизионного совмещения цифровых изображений. Автометрия, 1991, N 5. -с. 39−43.
  39. П.Г. Совмещение изображений телевизионного и тепловизионного каналов. Автометрия, 1993, N 1. с. 35−39.
  40. Ю.П. Морфологический анализ изображений. Докл. АН СССР, 1983, т.269. с. 1061−1064.
  41. Ю.П., Чуличков А. И. ЭВМ анализирует форму изображения. М.: Знание, 1988.-48 с.
  42. А.Г., Браверман Э. М. Обучение машины классификации образов. М.:Наука, 1971. -232 с.
  43. Shapiro L.G.Data structures for data processing: a survey. Сотр.Graph. Image Proc., 1979, 11,2, p. 162−184.
  44. А.Н.Писаревский, А. Ф. Чернявский, Г. К. Афанасьев и др. Системы технического зрения. JI. Машиностроение, 1988. 424 с.
  45. С.И. Системы технического зрения для автоматизации машиностроительного производства // Обзор с. 6−3. Технология металлообрабатывающего производства. М.: НИИМАШ, 1982. 88 с.
  46. Ю.Д., Исаев Ю. В. Адаптивные промышленные роботы и их применение в микроэлектронике. М.: Радио и связь, 1985. 104 с.
  47. Системы очувствления промышленных роботов и гибких производственных систем. В сб. научных трудов. // отв. Ред. И. М. Макаров, Е. П. Попов. М.:Наука 1989, 142 с.
  48. Д.Е. Охоцимский, А. В. Волков, С. С. Камышин и др. Инспекционное видение для задач промышленной сборки. Препринт Ин. Пркл.матем. Им. Келдыша АН СССР. 1984, N 137. 26 с.
  49. Г. П. Восприятие и анализ оптической информации автоматической системой. М.:Машиностроение, 1986. — 415 с.
  50. A.M. Видеоанализ в робототехнике и ГАП // в сб. ВНИИ системных исследований. 1986. N 18 с.82−89.
  51. М., Вольф Э. Основы оптики. М.:Наука, 1973. 855 с.
  52. Дж. Введение в фурье-оптику. Пер с англ. М.:Мир. 1970. -327 с.
  53. Ю.В., Аллик Ю. К. Зрительное восприятие текстур. Труды ГОИ им. С. И. Вавилова, 1984, т.57, вып.191, с 55−65.
  54. С.Е. Донченко, Е. Ф. Очин и др. Ускоренный гистограммный алгоритм ранговой фильтрации. Системы технического зрения. М.:Наука, 1991. с.68−71.
  55. В.Б. Брагин, Ю. Г. Войлов, Ю. Д. Жаботинский и др. Системы очувствления и адаптивные промышленные роботы. М.: Машиностроение. 1985−256 с.
  56. О.А.Кутенко. Алгоритмы очистки речевого сигнала от квазипериодической помехи. В сб. Вычислительные системы. Новосибирск ИМ СО РАН Вып. 163, 1998 с. 78−96.
  57. Р., Эноксон JI. Прикладной анализ временных рядов. Основные методы: М.: Мир, 1982. — 428 с.
  58. Т.С. Хуанг, Дж.О. Эклунд. Г. Дж. Нуссбаумер и др. Быстрые алгоритмы в цифровой обработке изображений //Под ред. Т. С. Хуанга. Пер. с англ. М.:Радио и связь, 1984. 224 с.
  59. Д.Е. Охоцимский, В. М. Заткис. Системы технического зрения. М.:Наука, 1991.-200 с.
  60. Ван Трис Г. Теория обнаружения, оценок и модуляции. Пер. с англ. под. ред. В. Т. Горяинова. М.: Сов. радио, 1977, т.З. 664 с.
  61. К.К. Байесовское различение и оценивание случайных последовательностей. Радиотехника и электроника, 1985, т. 30, N 3. с. 476 485.
  62. Д.Хьюбел, Т. Визель, Ф. Крик, Э. Кенделл и др. Мозг. М.:Мир, 1982. -279 с.
  63. B.JI. Слесаренко А. П. Алгебра логики и интегральные преобразования в краевых задачах. Киев: Наукова думка, 1976. 287 с.
  64. В.А. Компьютерная обработка изображений, ч. 2. Методы и алгоритмы. Соросовский образовательный журнал, № 3, 1996. с. 110−121.
  65. Ф. Нейрокомпьютерная техника: Теория и практика, 1992 184 с.
  66. В.В., Борисов В. В. Искуссивенные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. — 382 с.
  67. В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями — Брест: БПИ, 1999,-260 с.
  68. В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей -Брест: БПИ, 1999,-228 с.
  69. N. М. Allinson. Self-organising neural maps and their applications. In J. G. Taylor and C. L. T. Mannion, editors, Theory and Applications of Neural Networks, pages 101−120. Springer, London, UK, 1992.
  70. N. R. Ball. Reinforcement learning in Kohonen feature maps. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume I, pages 663−666, London, UK, 1994. Springer.
  71. J. M. Bishop and R. J. Mitchell. Neural networks an introduction. In Proc. IEE Colloquium on 'Neural Networks for Systems: Principles and Applications' (Digest No. 019), pages 1−3, London, UK, 1991. IEE.
  72. Marco Budinich and John G. Taylor. On the ordering conditions for Self-Organizing Maps. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume I, pages 347−349, London, UK, 1994. Springer.
  73. Kyung Ah Han, Jong Chan Lee, and Chi Jung Hwang. Image clustering using-self-organizing feature map with refinement. In Proc. ICNN'95, IEEE Int. Conf. on Neural Networks, volume I, pages 465−469, Piscataway, NJ, 1995. IEEE Service Center.
  74. N. R. Ball. Competitive learning in classifier feature maps. In I. Aleksander and J. Taylor, editors, Artificial Neural Networks, 2, volume I, pages 703−706, Amsterdam, Netherlands, 1992. North-Holland.
  75. Su-Jeong You and Chong-Ho Choi. LVQ with a weighted objective function. In Proc. ICNN'95, IEEE Int. Conf. on Neural Networks, volume V, pages 2763−2768, Piscataway, NJ, 1995. IEEE Service Center.
  76. Andreas Zell and Michael Schmalzl. Dynamic LVQ a fast neural net learning algorithm. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume II, pages 1095−1098, London, UK, 1994. Springer.
  77. Ce Zhu, Lihua Li, Cuntai Guan, and Zhenya He. A study of LVQ-based architectures for robust speech recognition. In Proc. WCNN'93, World Congress on Neural Networks, volume IV, pages 177−180, Hillsdale, NJ, 1993. Lawrence Erlbaum.
  78. M. Hernandez-Pajares and E. Monte. Application of the LVQ neural method to a stellar catalogue. In A. Prieto, editor, Proc. IWANN'91, Int. Workshop on Artificial Neural Networks, pages 422−429, Berlin, Heidelberg, 1991. Springer.
  79. М.Ф.Гайнуллин, А. Н. Лабутин, Т. В. Сокольская, Л. А. Гарцева. К определению количественных оценок окраса образцов хлопко полиэфирных тканей. Химия и химическая технология. Том 47. Вып. 8. Иваново ИГХТУ 2004 г. с. 52−54.
  80. М.Ф.Гайнуллин. Определение областей непрокраса ткани на основе распознавания образов. Тезисы международной студенческой конференции «Фундаментальные науки специалисту нового века». Иваново 2002 г. с. 128 — 129.
  81. JI.M. Скелетизация многоугольной фигуры на основе обобщенной триангуляции Делоне. Программирование, 1999, № 3, с. 16−31.
  82. И.И., Рукавишников В. О. Группировка, корреляция, распознование образов. М.: Статистика, 1977. — 144 с.
  83. Е.В., Боресков А. В. Компьютерная графика. М.: Мир, 1995. -287 с.
  84. Дж. Линейные и нелинейные волны. М.: Мир, 1977. 624 с.
  85. Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. 399 с.
  86. Н. Теория графов. Алгоритмический подход. М.: Мир, 1978−432 с.
  87. Ф.Харари, Э.Палмер. Перечисление графов. М.: Мир 1977. 327 с.
  88. Ю.В. Структуры данных для представления изображений. -Зарубежная радиоэлектроника, 1983, N 8, с.85−107.
  89. Т.М. Рапознавание изоморфизма графов. Изв. АН УзССР. Сер.техн.наук. 1980. N4. с. 3−7.
  90. Л.П. Введение в цифровую обработку изображений. М.: Сов. Радио, 1979.-312 с.
  91. Р., Харт П. Распознавание образов и анализ сцен. М.: Мир 1976. -512с.
  92. В. И., Лиханов В. П., Никонова Е. И. Образцы белой поверхности. Оптико-механическая промышленность. 1984. N 6. с.53−58.
  93. С.Л., Кафаров В. В. Методы оптимизации эксперимента в химической технологии: М.:Высш.школа, 1985. 327 с.
  94. Арене., Лейтер Ю. Многомерный дисперсионный анализ. М.:Финансы и статистика, 1985 г. -230 с.
  95. Н.Дрейпер, Г. Смит. Прикладной регрессионный анализ. М.:Статистика. 1973. 392 с.
  96. В.М., Калинина В. Н., Нешумова Л. А., Решетникова И. О. Математическая статистика. 2-е изд., перераб. и доп. М.: Высш. школа, 1981. -371 с.
  97. С. В. Курс лекций по методам оптимизации. — Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001, 368 с.
  98. Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.-509 с.
  99. . Методы оптимизации. Вводный курс: М.: Радио и связь, 1988.- 128 с.
Заполнить форму текущей работой

Пора сдавать?