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

Разработка методов и алгоритмов модулярной фильтрации для задач распознавания и классификации образов

Диссертация: Разработка методов и алгоритмов модулярной фильтрации для задач распознавания и классификации образов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В 80-х годах прошлого столетия появилось новое направление в области цифровой обработки сигналов — вейвлет-анализ. В отличие от традиционно применяемого при анализе данных преобразования Фурье, результаты, полученные с помощью вейвлет-анализа, обладают большей информативностью и способны выявлять такие особенности данных, которые при стандартных подходах анализировать. затруднительно. Не отвергая… Читать ещё >

Содержание

  • Применяемые обозначения и сокращения
  • Глава 1. Анализ методов распознавания и классификации образов
    • 1. 1. Введение
    • 1. 2. Общая характеристика проблемы распознавания и классификации образов
    • 1. 3. Основные задачи, решаемые в процессе синтеза систем распознавания и классификации образов
    • 1. 4. Этап экстракции классообразующих признаков в обобщённой системе распознавания образов
    • 1. 5. Аналитический обзор методов экстракции классообразующих признаков из изображений
      • 1. 5. 1. Преобразование Фурье
      • 1. 5. 2. Косинусное преобразование
      • 1. 5. 3. Вычисление градиента изображения
      • 1. 5. 4. Вейвлет-преобразование
      • 1. 5. 5. Вычисление моментов изображения
    • 1. 6. Сравнительный анализ методов экстракции классообразующих признаков для систем распознавания и классификации образов

    1.7. Обоснование целесообразности применения системы остаточных классов для вычислениядискретного вейвлет-преобразования в системах распознавания и классификации образов, функционирующих в реальном режиме времени.

    1.8. Выводы по первой главе.

    1.9. Постановка задачи исследования.

    Глава 2. Разработка математических моделей вейвлет-анализа и модулярных вычислений для задач распознавания образов.

    2.1. Введение.

    2.2. Вейвлет-анализ в системах распознавания изображений.

    2.2.1. Кратномасштабный анализ и вейвлеты.

    2.2.2. Развитие методов быстрого вейвлет-преобразования с помощью фильтров Добеши D4.

    2.3. Разработка математических моделей непозиционного кодирования для цифровой фильтрации.

    2.3.1. Модели параллельных вычислений в системе остаточных классов.

    2.3.2. Разработка методов повышения скорости вычислений в модулярных вычислительных каналах.

    2.4. Развитие методов КИХ-фильтрации для ПЛИС.

    2.5. Выводы по второй главе.

    Глава 3. Разработка модулярных алгоритмов вейвлет-анализа.

    3.1. Введение.

    3.2. Разработка методов дискретного вейвлет-преобразования на основе битовой арифметики.

    3.3. Модулярный сдвиговый сумматор с накоплением.

    3.4. Разработка рекурсивного алгоритма дискретного вейвлет-преобразования на основе модулярной арифметики.

    3.5. Разработка двуфазного рекурсивного модулярного алгоритма дискретного вейвлет-преобразования.

    3.6. Разработка параллельного модулярного алгоритма дискретного вейвлет-преобразования с экстенсивным использованием LUT-таблиц.

    3.7. Выводы по третьей главе.

    Глава 4. Моделирование и синтез высокоскоростных модулярных структур цифровой вейвлет-фильтрации на ПЛИС.

    4.1. Введение.

    4.2. Разработка архитектуры цифрового сигнального процессора для модулярной вейвлет-фильтрации.

    4.3. Методы организации вычислений в модулярных каналах.

    4.3.1. Алгоритмы, основанные на технике быстрой КИХ-фильтрации.

    4.3.2. Алгоритмы с техникой демультиплексирования.

    4.3.3. Вычислительные архитектуры на основе битовой арифметики.

    4.4. Методы организации вычисления двумерного дискретного вейвлет-преобразования.

    4.5. Моделирование модулярных вычислительных элементов на ПЛИС.

    4.6. Выбор набора оснований СОК для вейвлет-фильтрации.

    4.7. Исследование производительности разработанных алгоритмов.

    4.8. Выводы по четвёртой главе.

Разработка методов и алгоритмов модулярной фильтрации для задач распознавания и классификации образов (реферат, курсовая, диплом, контрольная)

Диссертация посвящена разработке модулярных алгоритмов дискретного вейвлет-преобразования в системе остаточных классов для задач распознавания и классификации образов.

Актуальность темы

На данном этапе развития информационных технологий не вызывает сомнений важная и даже первостепенная роль подсистемы распознавания образов в кибернетических системах следующих поколений и роботов, самостоятельно ориентирующихся в пространстве и осваивающих его [78, 99]. За прошедшие 30−40 лет искусство распознавания образов уже выделилась во вполне самостоятельное направление, причисляемое к проблематике искусственного интеллекта [12, 21, 30, 73, 77]. Вместе с тем, в значительной мере оно основывается на исследованиях в области цифровой обработки сигналов, методах принятия решений, нейроинформатике и других инженерных дисциплинах.

В 80-х годах прошлого столетия появилось новое направление в области цифровой обработки сигналов — вейвлет-анализ [95]. В отличие от традиционно применяемого при анализе данных преобразования Фурье, результаты, полученные с помощью вейвлет-анализа, обладают большей информативностью и способны выявлять такие особенности данных, которые при стандартных подходах анализировать. затруднительно [106]. Не отвергая значимости анализа Фурье, вейвлет-преобразование его успешно дополняет и зачастую способно полностью заменить в решениях многих задач. Успешное применение вейвлет-преобразования, к примеру, в таких приложениях, как анализ сигналов и сжатие информации, стимулирует поиск новых идей и решений его использования в различных научно-технических1 областях знаний, в том числе и в задачах распознавания изображений. У.

Одним из наиболее актуальных направлений использования устройств распознавания изображений является анализ статических изображений. В связи с этим, перед многими исследователями стоит задача совершенствования методов обработки изображений [79, 96, 97]. Один из путей повышения эффективности обработки является использование алгоритмов обработки и методов оценки изображений, основанных на кратномасштабном вейвлет-преобразовании [130]. С его помощью может быть решён широкий круг задач синтеза, анализа и обработки изображений. Кроме того, кратномасштабное представление обеспечивает сокращение объёмов обрабатываемых изображений за счёт удаления избыточной информации, тем самым снижая вычислительные затраты на последующую обработку [168, 178]. Оптические приборы и человеческое зрение обладают возможностями кратномасштабности, позволяя расфокусироваться и сфокусироваться при необходимости рассмотреть мелкие детали либо всю картину целиком. Изображению с индексом масштаба J соответствует сумма всех полученных представлений изображения от самого первого (самого низкочастотного) до представления изображения уровня J включительно. Система распознавания может использовать для анализа изображения любой масштаб, переходя с одного уровня на другой и, возможно, приходить к необходимости вычисления следующего уровня мелких подробностей [59, 86].

Описанные возможности вейвлет-анализа позволяют говорить о нём как о перспективном и заслуживающем дальнейшего изучения инструменте для систем распознавания и классификации образов в реальном режиме времени.

До недавней поры получение вейвлет-коэффициентов было затруднительно, т.к. было связано с необходимостью вычисления большого количества интегралов с необходимой точностью и работой с очень малыми величинами [51]. Быстрое вейвлет-преобразование, предложенное Малла в 1989 году [149], позволило' вычислять коэффициенты вейвлет-разложения без интегрирования, используя алгебраические операции на основе свёртки. Поскольку свёртка осуществляется только операциями умножения и сложения, открывается возможность применения модулярных вычислений в системе остаточных классов, где эти операции могут быть реализованы крайне эффективно. Современное развитие технологий программируемых логических интегральных схем позволяет эффективно реализовывать модулярные алгоритмы вычислений с помощью однотактовых выборок из LUT-таблиц [46, 47, 90].

Таким образом, исследования, проведённые в диссертационной работе, являются актуальными и практически значимыми.

Целью работы является повышение эффективности систем распознавания и классификации образов путём разработки эффективных модулярных алгоритмов дискретного вейвлет-преобразования в непозиционной системе остаточных классов.

Задачи диссертационной работы. Для достижения указанной цели решаются следующие задачи:

1. Анализ методов выделения классообразующих признаков в системах распознавания и классификации образов.

2. Исследование и развитие подходов и методов, применяемых для повышения эффективности модулярных вычислений.

3. Построение математической модели вейвлет-анализа, пригодной для её реализации в непозиционной системе остаточных классов.

4. Развитие эффективных методов КИХ-фильтрации для программируемых логических интегральных схем.

5. Разработка модулярных алгоритмов выполнения дискретного вейвлет-преобразования с оптимизацией по производительности и по количеству вентилей.

6. Разработка модулярного сдвигового сумматора с накоплением для повышения скорости работы модулярного алгоритма дискретного вейвлет-преобразования.

7. Компьютерное моделирование и экспериментальное исследование разработанных алгоритмов.

Объектом исследования в данной диссертации выступает система распознавания и классификации образов, а предметом исследованияэффективные методы. реализации этапа экстракции классообразующих признаков методами частотного вейвлет-анализа.

Методы исследования. Для решения поставленных в работе научных задач использованы методы теории цифровой фильтрации сигналов, теории вероятностей, математического моделирования, вейвлет-анализа, алгебры, теории чисел, теории модулярных вычислений в системе остаточных классов, а также математический и системный анализ.

Достоверность и обоснованность полученных в диссертационной работе теоретических результатов и формулируемых на их основе выводов обеспечивается строгостью производимых математических выкладок. Справедливость выводов' относительно эффективности предложенных методов подтверждена компьютерным моделированием.

Моделирование и вычислительный эксперимент проводились с использованием математического пакета Mathworks MATLAB v7.0 R14, интегрированной среды проектирования ПЛИС Xilinx ISE v8.1 и среды симуляции, отладки и исследования характеристик ПЛИС ModelSim ХЕ III 6.0 Xilinx Edition.

Теоретическая значимость работы заключается в следующем: 1. Разработана математическая модель и алгоритмы модулярного вейвлет-преобразования для выполнения экстракции в системах распознавания и классификации образов.

2. Разработаны и исследованы методы реализации модулярного вейвлет-преобразования на вычислительной базе ПЛИС.

Практическая значимость работы состоит в том, что разработанные методы и алгоритмы могут быть с успехом применены в автономных системах распознавания образов, в том числе, в виде модулей SoC (System-on-Chip, вся система на одном чипе), а также при проектировании специализированных высокопроизводительных СОК-архитектур цифровой обработки сигналов в реальном режиме времени.

Положения, выносимые на защиту:

1. Обобщённая система распознавания и классификации образов.

2. Обоснование целесообразности применения методов кратномасштабного вейвлет-анализа для извлечения классообразующих признаков на этапе экстракции.

3. Математическая модель вейвлет-преобразования по алгоритму Малла с помощью ортогональных вейвлет-фильтров Добеши.

4. Математическая модель модулярных вычислений.

5. Алгоритм модулярного вейвлет-преобразования и его дву фазная модификация для уменьшения размеров используемых LUT-таблиц.

6. Параллельный алгоритм модулярного дискретного вейвлет-преобразования с экстенсивным использованием LUT-таблиц.

7. Алгоритм и схема работы модулярного сдвигового сумматора с накоплением для повышения скорости работы модулярного алгоритма дискретного вейвлет-преобразования.

8. Результаты моделирования разработанных алгоритмов.

9. Алгоритм двумерного вейвлет-преобразования изображений и метод симметричного расширения границ изображений.

Личный вклад соискателя. Все изложенные в работе результаты исследований получены при непосредственном участии автора. Автору принадлежат: разработка математической модели, методов и алгоритмов модулярной фильтрации, разработка принципов повышения производительности ПЛИС-вычислений в системе остаточных классов, создание специализированного вычислительного элемента «модулярный сдвиговый сумматор с накоплением" — выбор и проведение экспериментальных исследованийинтерпретация результатовформулирование научных положений и выводов.

Реализация результатов. Теоретические и практические разработки диссертационной работы использованы при выполнении НИР по гранту Федерального агентства по образованию А04−2.8−755 и реализованы в ООО «МОБИ» и ООО «РР-ИКС», а также в учебном процессе Ставропольского государственного университета.

Апробация результатов работы. Результаты работы были представлены в журнале «Инфокоммуникационные технологии» (Самара, 2005 г.), в журнале «Нейрокомпьютеры: разработка и применение» (Москва, 2005 г.), в трудах участников 50-й юбилейной научно-методической конференции преподавателей и студентов Ставропольского государственного университета «Университетская наука — региону», посвященной 60-летию Победе в Великой Отечественной войне (Ставрополь, 5−25 апреля 2005 г.), на 51-й научно-методической конференции преподавателей и студентов Ставропольского государственного университета «Университетская наука — региону» (Ставрополь, 3−24 апреля 2006 г.), на международной научно-технической конференции «50 лет модулярной арифметике» (Зеленоград, 2005 г.) и на постоянно действующем межвузовском семинаре «Моделирование и нейросетевые технологии» (СГУ, Ставрополь, 2005;2006 гг.).

Публикации. Основные результаты работы отражены в 6 публикациях суммарным объёмом 37 страниц, из них четыре в журналах, одобренных ВАК.

Содержание работы. Диссертационная работа состоит из введения, 4-х глав, заключения, списка литературных источников и приложений. Содержит 45 рисунков, 7 таблиц, 4 приложения. Список используемой литературы содержит 205 источников. В диссертации принята двойная нумерация формул, рисунков и таблиц: первая цифра указывает номер главы, а вторая — порядковый номер рисунка, таблицы или формулы внутри данной главы.

Основные результаты этой главы следующие:

1. На основе требований, предъявляемых к параллельным вычислительным структурам для цифровой фильтрации, строится общая архитектура цифрового сигнального процессора для модулярной вейвлет-фильтрации.

2. Разрабатываются и анализируются методы организации вычислений в модулярных вычислительных каналах, в том числе, методы на основе техники быстрой КИХ-фильтрации, множественного доступа с разделением каналов по времени и на основе битовой (сериализованной) арифметики.

3. Разрабатывается алгоритм вейвлет-фильтрации двумерного сигнала (изображения) с помощью последовательного использования банков фильтров для вычисления одномерного ДВП.

4. Приводится оценка количества проходов анализирующих и синтезирующих фильтров при осуществлении двумерного дискретного вейвлет-преобразования.

5. Предлагается подход для эффективной реализации вычислительных элементов в модулярных каналахэтот подход иллюстрируется на примере модулярного сумматора.

6. Разрабатываются методы симметричного расширения границ обрабатываемого массива для устранения нежелательных граничных искажений.

7. Анализируются проблемы выбора набора оснований СОК для вейвлет-фильтрации, приводится алгоритм выбора эффективного набора.

8. Исследуется производительность и требования к вентильным ресурсам разработанных алгоритмов, на основании чего делается вывод о преимуществах модулярных алгоритмов.

Экспериментальное исследование разработанных алгоритмов показало, что 5-битных вычислительных СОК-каналов прирост производительности в 156.27% при более чем вдвое меньшем количестве вентильных ресурсов по сравнению с аналогичным позиционным алгоритмом с 14-битовыми входными значениями (табл. 4.3). Алгоритм, в котором идея параллельности и массовости использования LUT-вычислений доведена до максимально возможного значения, прирост производительности по сравнению с позиционными алгоритмами (с аналогичным динамическим диапазоном) составляет более чем в 10 раз. Количество памяти, необходимое для этого алгоритма, превышает таковое для позиционного алгоритма, обрабатывающего 14-битовые входные значения, в 2,5 раз.

Таким образом, в этой диссертационной работе была разработана серия высокопроизводительных модулярных алгоритмов дискретного вейвлет-анализа для задач распознавания и классификации образов с разными требованиями к количеству вентильных ресурсов.

Заключение

.

В диссертационной работе проведены исследования, обеспечивающие повышение эффективности выполнения этапа экстракции классообразующих признаков методами частотного вейвлет-анализа. В итоге получены следующие научные и практические результаты:

1. На основе анализа сущности и основных задач, решаемых системами распознавания и классификации образов, построена обобщённая система распознавания и классификации образов.

2. Обосновано, что применительно к системам распознавания и классификации образов вейвлет-преобразование является наиболее предпочтительным из-за своих частотно-локальных свойств и возможности кратномасштабного исследования образов.

3. Построена математическая модель вычисления вейвлет-преобразования с помощью специальных методов быстрой КИХ-фильтрации.

4. Показана возможность построения в системе остаточных классов вейвлет-преобразования ортогональными вейвлет-фильтрами Добеши по алгоритму Малла.

5. Разработана и проанализирована с точки зрения производительности и ресурсоёмкости серия модулярных алгоритмов вейвлет-анализа, демонстрирующих преимущества над позиционными аналогами.

6. Разработаны алгоритм и математическая модель модулярного сдвигового сумматора с накоплением для модулярных алгоритмов вейвлет-анализа.

7. Обобщены и получают дальнейшее развитие стратегии эффективной реализации дискретного вейвлет-преобразования на современной вычислительной базе ПЛИС.

8. Разработан алгоритм двумерного вейвлет-преобразования на основе последовательно организованной серии одномерных преобразований.

9. Получена оценка количества проходов анализирующих и синтезирующих фильтров при осуществлении двумерного дискретного вейвлет-преобразования.

10. Разработан метод симметричного расширения границ обрабатываемого массива для устранения нежелательных граничных искажений.

Таким образом, в диссертационной работе предложены алгоритмы модулярного вейвлет-преобразования для этапа экстракции классообразующих признаков в системах распознавания и классификации образов. Разработанный двуфазный модулярный алгоритм ДВП требует памяти в 20,8 раз меньше при 1,5-кратном увеличении скорости работы, чем соответствующий позиционный алгоритм. Параллельный модулярный алгоритм обеспечивает более чем 10-кратное преимущество в скорости работы, используя при этом для 5-битных модулярных вычислительных каналов в 57,6 раз больше памяти. Каждый из трёх разработанных модулярных алгоритмов демонстрирует преимущество по одному или нескольким показателям (скорость работы, память, количество логических элементов) над другими модулярными алгоритмами и соответствующими позиционными алгоритмами, что позволяет в зависимости от условий реализации алгоритма дискретного вейвлет-преобразования на ПЛИС выбрать наиболее подходящий вариант.

Показать весь текст

Список литературы

  1. Автоматический анализ сложных изображений: Сборник переводов / Под ред. Э. М. Бравермана. -М.: Мир, 1969.
  2. И .Я., Юдицкий Д. И. Машинная арифметика в остаточных классах. -М. Советское радио, 1968. -439 с.
  3. В.М. Теоретические основы машинной арифметики. Алма-Ата: Наука, 1976.-324 с.
  4. .В., Курганов В. Ф., Злобин В. К. Распознавание и цифровая обработка изображений. -М.: Высшая школа, 1983.
  5. Н.М. Вейвлет-анализ: основы теории и некоторые приложения // Успехи физических наук, 1996, № 11. С. 1145−1170.
  6. О.А. Специализированные процессоры для высокопроизводительной обработки данных. Новосибирск: Наука, 1988. -204 с.
  7. Р. Быстрые алгоритмы цифровой обработки сигналов: Пер. с англ. -М.: Мир, 1989.-448 с.
  8. Е. А. Островский В.И., Фадеев И. Л. Обработка изображений на ЭВМ. -М.: Радио и связь, 1987. 240 с.
  9. Быстрые алгоритмы^ цифровой обработке изображений / Т. С. Хуанг, Дж.-0. Эклунд, Г. Дж. Нуссбаумер и др.- Под ред. Т. С. Хуанга: Пер. с англ. М.: Радио и связь, 1984. — 224 с.
  10. П.П. Цифровые фильтры, блоки фильтров и полифазные цепи с многочастотной дискретизацией: Методический обзор // ТИИЭР, 1990, № 3. С. 77−120:
  11. Г. И. Голографическое опознавание образов. -М.: Сов. радио, 1977.
  12. В.И. Распознающие системы. Киев: Наукова Думка, 1983.
  13. Введение в контурный анализ- приложения к обработке изображений и сигналов / Я. А. Фурман, А. В. Кревецкий, А. К. Передреев, А. А. Роженцов, Р. Г. Хафизов, И. Л. Егошина, А.Н. Леухин- Под ред. Я. А. Фурмана. 2-е изд. -М.: Физматлит, 2003. — 592 с.
  14. Введение в цифровую фильтрацию / Под ред. Р. Богнера и А. Константинидиса- Пер. с англ. -М.: Мир, 1976.
  15. А.В., Великих С. А. Высокопараллельные вычислительные структуры в классе вычетов / Сборник тезисов. СПб.: ВИКА, 1995. -С.47−49.
  16. Вопросы статистической теории распознавания / Ю. Л. Барабаш, Б. В. Варский, В. Т. Зиновьев и др.- Под ред. Б. В. Барского. М.: Сов. радио, 1977.
  17. В.И., Грибунин В. Г. Теория и практика вейвлет-преобразования. -СПб, ВУС, 1999.-204 с.
  18. А. И., Томашевич Д. С., Томашевич Н. С. Методы реализации инвариантности к аффинным преобразованиям двумерных изображений // Приложение к журналу «Информационные технологии», 2001, № 1, с. 1−19.
  19. В.Д. Механизмы опознавания зрительных образов. -Л.: Наука, 1966.
  20. Л.М., Матюшкин Б. Д., Поляк М. Н. Цифровая обработка сигналов: Справочник. -М.: Радио и связь, 1985. 312 с.
  21. А.Л., Скрипкин В. А. Методы распознавания. -М.: Высшая школа, 2004.
  22. ., Рэйдер Ч. Цифровая обработка сигналов / Пер. с англ.- Под ред. A.M. Трахтмана. -М.: Сов. радио, 1973.
  23. У. Лекции по теории образов. В 3-х тт. Том 1 Синтез образов. -М.: Мир, 1979.-3 $ 4 с.
  24. У. Лекции по теории образов. В 3-х тт. Том 2 Анализ образов. -М.: Мир, 1981.-448 с.
  25. У. Лекции по теории образов. В 3-х тт. Том 3 Регулярные структуры. -М.: Мир, 1983. — 432 с.
  26. Р.И., Мурсаев А. Х., Угрюмов Е. П. Проектирование систем на микросхемах с программируемой структурой. -2-е изд. -СПб.: БХВ-Петербург, 2006.-736 с.
  27. Д.А., Низовкин В. А. Сегментация изображений на ЭВМ // Зарубежная радиоэлектроника. 1985. — № 10. — С.5−30.
  28. И. Десять лекций по вейвлетам. -М.: Ижевск: РХД, 2001.
  29. И.М., Иванов О. В., Нечитайло В. А. Вейвлеты и их использование. // Успехи физических наук, Том 171, № 5, Май 2001 г. С. 465−501.
  30. Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976.
  31. И.В. Применение искусственных нейронных сетей в ИТ // Материалы научной конференции 2 февраля 2001 г., СГУ, Ставрополь, С. 245−249.
  32. В.А. О вейвлетах на базе периодических сплайнов // Докл. РАН, 1994, № 1. С.9−13.
  33. Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. Вып. 33. М.: Наука, 1978.-С. 5−68.
  34. Н.В., Мучник И. Б. Модели зрительного восприятия и алгоритмы анализа изображений. -М.: Наука, 1974.
  35. Т.В., Чувыкин Б. В., Щеголев В. Е. Применение теории Wavelets в задачах обработки информации. -Пенза: Изд-во Пензенского госуниверситета, 2000.
  36. А.А., Пак И.Т. Модулярные структуры конвейерной обработки цифровой информации. Минск: Университетское, 1992. — 256 с.
  37. Компьютерра. 1998. — № 8 (235). Сборник статей по вейвлетной тематике Электронный ресурс. // Режим доступа: http ://www .computerra.ru/offline/1998/236/.
  38. Л.Б. Математические модели нейросетевой реализации модулярных вычислительных структур для высокоскоростной цифровой фильтрации. Дисс. на соискание н.с. канд. ф.-м. наук, Ставрополь, 2001. -264 с.
  39. В.Ф., Рвачев В. А., Пустовойт В. И. Ортонормированные системы типа wavelet на основе атомарных функций // Докл. РАН, 1996, № 1. С. 1618.
  40. А.С. Основы компьютерной томографии. Учебное пособие. -М. 1999.
  41. А.В. Распознавание образов, заданных множеством характерных точек на плоскости изображения // Автометрия. 1999. -№ 2. -С. 28−36.
  42. А.В. Распознавание трёхмерных объектов по форме пространственных контуров //Автометрия. -2001. -№ 2. С. 21−31.
  43. В.И. Ортогональные фильтры. -Киев: Техника, 1967.
  44. С.Л. мл. Цифровой спектральный анализ и его приложения. -М.: Мир, 1990.
  45. Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: Пер. с англ. -М.: Радио и связь, 1987.
  46. Модулярные параллельные вычислительные структуры нейропроцессорных систем / Н. И. Червяков, П. А. Сахнюк, А. В. Шапошников, С.А.Ряднов- Под ред. Н. И. Червякова. -М.: Физматлит, 2003.-288 с.
  47. Нейрокомпьютеры в остаточных классах. // Червяков Н. И., Сахнюк П. А., Шапошников А. В., Макоха А. Н. Под ред. А. И. Галушкина. Учеб. пособие для вузов. -М.: Радиотехника, 2003. 272 с.
  48. Нейрокомпьютеры в системах обработки изображений. Кн. 7. Коллективная монография (серия «Нейрокомпьютеры и их применение») / Общая ред. А. И. Галушкина. -М.: Радиотехника, 2003. 192 с.
  49. Нейрокомпьютеры в системах обработки сигналов. Кн. 9. Коллективная монография (серия «Нейрокомпьютеры и их применение») / Под ред. Ю. В. Гуляева и А. И. Галушкина. -М.: Радиотехника, 2003. 224 с.
  50. И.Я., Стечкин С. Б. Основы теории всплесков // Успехи математических наук. 1998. V. 53. № 6. С 9−13.
  51. JI.B. Основы вейвлет-анализа сигналов. Учебное пособие. СПб., 1999.- 152 с.
  52. П., Китге К. Алгебраическая алгоритмика (с упражнениями и решениями): Пер. с франц. М.: Мир, 1999. — 720 с.
  53. Г. Быстрое преобразование Фурье и алгоритмы вычисления свёрток. -М.: Радио и связь, 1985. 248 с.
  54. Э. Применение цифровой обработки сигналов. -М.: Мир, 1980. -552 с.
  55. Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. -М.: Радио и связь, 1986.
  56. Э. Основы теории распознавания образов: Пер. с англ. / Под ред. Б. Р. Левина. -М.: Сов. радио, 1980. 408 с.
  57. А.В. О систематизации вейвлет-преобразований // Вычислительные методы и программирование, Т. 2, 2001. С. 15−40.
  58. А.П. Периодические дискретные всплески // Алгебра и анализ, 1996, № 3. С. 151−183.
  59. В.Я., Малышев А. В. Алгоритм распознавания изображений с использованием вейвлет-преобразования. // 3-я Международная Конференция DSPA-2000. 4 с.
  60. Дж. Цифровая связь. -М.: Радио и связь, 2000. 800 с.
  61. У. Цифровая обработка изображений. Том 2. М.: Мир, 1982. -570 с.
  62. Рид Р., Шенкс Дж., Трейтел С. Двумерная рекурсивная фильтрация. В кн. Обработка изображений с цифровой фильтрацией / Под ред. Хуанга. -М.: Мир, 1979.
  63. А. Распознавание и обработка изображений. -М.: Мир, 1972.
  64. Р.Х., Селингер M.JI. Исследование свойств различных моментных функций при распознавании рукописных символов // Цифровая обработка изображений. Минск: ИТК, 2000. С.75−85.
  65. В.В., Чернов А. В. Методы восстановления изображений, основанные на принципах теории распознавания образов / Тез. докл. РОАИ-3. Нижний Новгород, 1997. — Ч. 1. — С.256−260.
  66. А.Б. Цифровая обработка сигналов. -СПб.: Питер, 2003. 604 с.
  67. Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение) / А. Н. Писаревский, А. Ф. Чернявский, Г. К. Афанасьев и др.- Под общ. ред. А. Н. Писаревского, А. Ф. Чернявского. Л.: Машиностроение, 1988.
  68. Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. -М.: ДМК Пресс, 2005. 304 с.
  69. В.В. Локальные геометрические методы цифровой обработки и анализа изображений. Мн, 1997. — 284 с.
  70. А.Л., Корнилов А. И., Семёнов М. Ю. Особенности реализации устройств цифровой обработки сигналов в интегральном исполнении с применением модулярной арифметики. // Информационные технологии, № 2, 2004. С. 2−9.
  71. Техническое зрение роботов / Под ред. А. Пью. М.: Машиностроение, 1987.
  72. Н.Н. К вопросу о структурах цифровых фильтров // Зарубежная радиоэлектроника. 1985. — № 11. -С. 16−29.
  73. Ту Д., Гонсалес Р. Принципы распознавания образов. -М.: Мир, 1978.
  74. ., Стирнз С. Адаптивная обработка сигналов: Пер. с англ. -М.: Радио и связь, 1989. 440 с.
  75. B.C. Опознавание изображений (основы непрерывно-групповой теории и её приложения). -М.: Наука, 1970. 299 с.
  76. Фор А. Восприятие и распознавание образов. -М.: Машиностроение, 1989.
  77. Фу К. Структурные методы в распознавании образов. -М.: Мир, 1977.
  78. Фу К., Гонсалес Р., Ли К. Робототехника: Пер. с англ. -М.: Мир, 1989.
  79. Я.А., Юрьев А. Н., Яншин В. В. Цифровые методы обработки и распознавания бинарных изображений. -Красноярск: Изд-во Краснояр. унта, 1992.-248 с.
  80. Н.Н. Пирамидальное кодирование. -М.: Мысль, 1997. 160 с.
  81. Р.В. Цифровые фильтры. -М.: Сов. радио, 1980. 224 с.
  82. Я.З. Основы теории обучающихся систем. -М.: Наука, 1970. 252 с.
  83. Н.И., Дьяченко И. В. Принципы построения модулярных сумматоров и умножителей. // Труды юбилейной конференции «Модулярная арифметика», Москва, 2005. 13 с.
  84. Н.И., Дьяченко И. В. Применение вейвлет-анализа в задачах распознавания изображений. // Материалы 50-й юбилейной научно-методической конференции «Университетская наука региону». -Ставрополь: СГУ, 2005. С. 134−137.
  85. Н.И., Дьяченко И. В. Модулярные технологии в устройствах цифровой фильтрации. // Вестник Ставропольского государственного университета, 2006. С. 100−103.
  86. Н.И., Дьяченко И. В. Применение вейвлет-анализа в задачах распознавания и классификации изображений // Инфокоммуникационные технологии, г. Самара, № 4,2005. С. 6−12.
  87. Н.И., Велигоша А. В., Калмыков И. А., Иванов П. Е. Цифровые фильтры в системе остаточных классов // Радиоэлектроника. 1995. Т. 38, № 8.-С. 11−20.
  88. Н.И., Велигоша А. В., Тынчеров К. Т., Великих С. А. Новый класс высокоскоростных ЦФ на основе непозиционной арифметики // Сборник статей ВИПС. Орёл, 1995. — С. 17−27.
  89. Н.И., Велигоша А. В. Цифровые фильтры в непозиционной системе счисления // Тематический сборник. Орёл: ВИПС, 1995. — С. 41.
  90. Н.И. Применение системы остаточных классов в цифровых системах обработки и передачи информации. Ставрополь: СВВИУС, 1984.-84 с.
  91. Н.И., Лавриненко И. Н., Дьяченко И. В. Эффективные методы обработки данных при множественном их представлении в модулярных нейрокомпьютерах. // Нейрокомпьютеры: разработка и применение, № 7, 2005. С. 51−63.
  92. Н.И., Сахнюк П. А., Шапошников А. В., Копыткова Л. Б., Мезенцева О. С. Нейрокомпьютерные вычислительные средства с модулярной арифметикой для вычисления БПФ // Материалы XXX НТК Сев.-Кав. ГТУ за 1999 г. Ставрополь: Сев.-Кав. ГТУ, 2000. — С. 135.
  93. Н.И., Сахнюк П. А., Шапошников А. В., Копыткова Л. Б., Мезенцева О.С. Реализация вычислений по модулю чисел Ферма и
  94. Мерсенна с помощью нейроматематики // Материалы XXX НТК Сев.-Кав. ГТУ за 1999 г. Ставрополь: Сев.-Кав. ГТУ, 2000. — С. 137.
  95. Н.И., Тынчеров К. Т., Велигоша А. В. Высокоскоростная обработка сигналов с использованием непозиционной арифметики // Радиотехника. 1997. № 10. -С.23−27.
  96. Чуй К. Введение в вэйвлеты. -М.: Мир, 2001.
  97. В.В., Калинин Г. А. Обработка изображений на языке Си для IBM PC: Алгоритмы и программы. М.: Мир, 1994. — 241 с.
  98. Л.П. Введение в цифровую обработку изображений. -М.: Сов. радио, 1979.-312 с.
  99. Alder M.D. Principles of Pattern Classification: Statistical, Neural Net and Syntactic methods of getting robots to see and hear. 1994. 470 p.
  100. Altera Corp. Altera Digital Library, June 2000.
  101. Andersson E. A Digital Filter Implemented in Parallel Form // Symposium on Digital Filtering, 1971.
  102. Baneiji D.K. A Novel Implementation Method for Addition and Subtraction in Residue Number System, // IEEE Trans, on Computers, vol. 23, #1, 1974. pp. 106−109.
  103. Bayoumi M.A., Jullien G.A., Miller W.C. A VLSI Implementation of Residue Adders, // IEEE Transactions on Circuits and Systems, vol. CAS-34, # 3, 1987.
  104. Bow S.-T. Pattern Recognition and Image Preprocessing, 2nd Edition, Revised and Expanded. Marcel Dekker Publishing, 2002. 698 p.
  105. Brislawn C.M. Symmetric extension transforms. In «Wavelet Image and Video Compression», P. N. Topiwala (Eds.), pp. 83−91, London: Kluwer Academic, 1998.
  106. Brown Ch.M., Ballard D.H. Computer Vision. Prentice Hall, 1982. 528 p.
  107. Bryliuk D. Access Control by Face Recognition Using Neural Networks and Negative Examples // The 2nd International Conference on Artificial Intelligence, September 16−20, 2002, Crimea, Ukraine. P. 428−436.
  108. Cabrera C.E., Bruguera J.D. VLSI Systolic Array Architecture for the Lattice Structure of the Discrete Wavelet Transform // Proc. of the 2000 IEEE International Symposium on Circuits and Systems, vol. IV, 2000. Pp. 605−608.
  109. Chakrabarti C., Vishwanath M. Efficient Realizations of the Discrete and Continuous Wavelet Transform: From Single Chip Implementations to Mappings on SIMD Array Computers // IEEE Transactions on Signal Processing, vol. 43, 1995, pp. 759−771.
  110. Data Conversion Handbook. A Volume in the Analog Devices Series. Ed. Kester W. Elseivier Press & Newnes Press, 2005. 953 p.
  111. Daubechies I. Onchonormal Bases of Compactly Supported Wavelets // Comm. Pure Appl. Math., 1988, vol. 41. P. 906−966.
  112. Daubechies I. The Wavelet Transform, Time-Frequency Localization and Signal Analysis // IEEE Trans. Inform. Theory, 1990, № 5. P. 961−1005.
  113. Denk T.C., Parhi K.K. VLSI Architectures for Lattice Structure Based Orthogonal Discrete Wavelet Transforms // IEEE Transactions on Circuits and Systems II, vol. 44, no. 2,1997, pp. 129−132.
  114. Di Claudio E., Piazza F., Orlandi G. Fast Combinational RNS Processors for DSP Applications // IEEE Transactions on Computers, 1995, pp. 624−633.
  115. Dick C. FPGAs: The High-End Alternative for DSP Applications // DSP Engineering, Spring 2000.
  116. Duda R.O., Hart P.E., Stork D.G. Pattern Classification, 2nd Edition. Wiley, 2002.-738 p.
  117. Dugdale M. VLSI Implementation of Residue Adders Based on Binary adders, // IEEE Trans, on Circuits and Systems II, vol. 39, #5,1992. pp. 325−329.
  118. Eickeler S., Muller S., Rigoll G. High performance face recognition using Pseudo 2-D Hidden Markov Models. Gerhard-Mercator-University Duisburg, Germany, 1998. — 6 p.
  119. Eickeler S., Muller S., Rigoll G. Recognition of JPEG Compressed Face Images Based on Statistical Methods. Gerhard-Mercator-University Duisburg, Germany, 1999. — 17 p.
  120. Foltyniewicz R. Efficient High Order Neural Network for Rotation, Translation and Distance Invariant Recognition of Gray Scale Images. Lecture Notes in Computer Science Computer Analysis of Images and Patterns, 1995, pp. 424 431.
  121. Fridman J., Manolakos E.S. Distributed Memory and Control VLSI Architectures for the 1-D Discrete Wavelet Transform // VLSI Signal Processing, vol. VII, 1994, pp. 388−397.
  122. Garcia A., Meyer-Base U., Lloris A., Taylor F. RNS Implementation of FIR Filters Based on Distributed Arithmetic Using Field-Programmable Logic // Proc. of the 1999 IEEE International Symposium on Circuits and Systems, 1999, vol. 1, pp. 486−489.
  123. Gauss C.F. Disquisitiones Arithmeticae. Yale University Press, New Haven, 1966.
  124. Goswami J.C., Chan A.K. Fundamentals of Wavelets. Theory, Algorithms, and Applications. Wiley, 2000. 306 p.
  125. Hartley R., Corbett P. Digit-Serial Processing Techniques // IEEE Transactions on Circuits and Systems, vol. 37, 1990. Pp. 707−719.
  126. Hernandez E., Weiss"G. A First Course on Wavelets. CRC Press, 1996. 454 p.
  127. Hiasat A.A. New Efficient Structure for a Modular Multiplier for RNS, // IEEE Transactions on Computers, vol. 49, #2, 2000. pp. 170−174.
  128. Hupkens Th. M. Properties of Zernike and Legendre moments of gray-scale images // Advances in Visual Form Analysis, 1997. P. 267−276.
  129. Jain A.K. Fundamentals of Digital Image Processing. New Jersey: Prentice Hall, 1989.-570 p.
  130. Jawerth В., Sweldens W. An Overview of Wavelet Based Multiresolution Analysis // SIAM Rev., 1994, № 3. P. 377−412.
  131. Johnson E. A Digital Quarter Squarer Multiplier // IEEE Transactions on Computers, Marzo 1980.
  132. Johnston J. A Filter Family Designed for Use in Quadrature Mirror Filter Banks // Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing, 1980. P. 291−294.
  133. Jouko Lampinen, Jorma Laaksonen, Erkki Oja. Neural Networks Systems, Techniques and Application' in Pattern Recognition. Helsinki University of Technology, Department of Electrical Engineering, Laboratory of Computational Engineering, 1997. 61 p.
  134. Jullien G.A. Implementation of Multiplication, Modulo a Prime Number, with Applications to Number Theoretic Transforms, // IEEE Transactions on Computer, vol. C-29,'#10, 1980. pp. 899−905.
  135. Kim J.T., Lee Y.H., Isshiki Т., Kunieda H. Scalable VLSI Architectures for Lattice Structure-Based Discrete Wavelet Transform // IEEE Transactions in Circuits and Systems II: Analog and Digital Signal Processing, vol. 45, #8, 1998. Pp. 1031−1043.
  136. Knowles G. VLSI Architecture for the Discrete Wavelet Transform // Electronic Letters, vol. 26, #15, Pp. 1184−1185, 1990.
  137. Krishna H. Digital Signal Processing Algorithms, Number Theory, Convolution, Fast Fourier Transforms, and Applications. CRC Press, 1998.
  138. Krishna H., Krishna В., Lin K.Y., Sun J.D. Computational Number Theory and Digital Signal Processing. Fast Algorithms and Error Control Techniques. -CRC Press, 1994.
  139. Krueger N. An Algorithm for the Learning of Weights in Discrimination Functions Using a Priori Constraints // IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 764−768.
  140. Kuchariew G., Forczmanski P. Hierarchical method of Reduction of Features Dimensionality for Image Recognition and Graphical Data Retrieval // Pattern Recognition and Image Processing, 2002. -Vol. 1. P. 57−72.
  141. Lakhani G. Some Fast Residual Arithmetic Adders, // International Journal of Electronics, vol 77, #2,1994. pp. 225−240.
  142. Lawrence S., Giles C. L., Tsoi A. C., Back A. D. Face Recognition: A Convolutional Neural Network Approach // IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, 1997. P. 1−24.
  143. Lee E.A., Varaiya P. Structure and Interpretation of Signals and Systems. University of California Press, 2000. 441 p.
  144. Lewis A.S., Knowles G. VLSI Architecture for 2-D Daubechies Wavelet Transform without Multipliers // Electronic Letters, vol. 27, # 2, 1991. Pp. 171 173.
  145. Lyons R.G. Understanding Digital Signal Processing. Prentice Hall, 1997. 517 P
  146. Machine Learning, Neural and Statistical Classification. Editors: D. Michie, D.J.Spiegelhalter, C.C.Taylor. 1994. 290 p.
  147. Majani E. Biorthogonal Wavelets for Image Compression // Proc. SPIE Visual Communications and Image Processing, 1994.
  148. Mallat S. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation // IEEE Trans. Pattern Analysis and Machine Intelligence, 1989, № 7. P. 674−693.
  149. Mallat S. Multiresolution approximation and wavelet orthonormal basis of LA2® // Trans. AMS. Vol. 315. — 1989. -pp.69−87.
  150. Mann S. Intelligent Image Processing. Wiley, 2002. 342 p.
  151. Marino F. A «Double-Face» Bit-Serial Architecture for the 1-D Discrete Wavelet Transform // IEEE Transactions on Circuits and Systems II, vol. 47, no. 1, 2000, pp. 65−71.
  152. Meisel W.S. Computer-Oriented Approaches to Pattern Recognition. Academic Press, 1972.-250 p.
  153. Meyer-Base U. Digital Signal Processing with Field Programmable Gate Arrays, Springer-Verlag, 2001.
  154. Meyer-Base U., Garcia A., Taylor F. Implementation of a Communications Channelizer Using FPGAs and RNS Arithmetic // Journal of VLSI Signal Processing, vol. 28,2001, pp. 115−118.
  155. Moghaddam В., Pentland A. Probabilistic Visual Learning for Object Representation // IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp- 696−710.
  156. Myler H.R., Weeks A.R. Computer Imaging Recipes in C. Prentice Hall, 1993. -284 p.
  157. Nielsen A.M. Number systems and Digit Serial Arithmetic. Th.D. Thesis. Dept. of Mathematics and Computer Science, Odense University, Denmark, Aug. 1997.
  158. Nixon M.S., Aguado A.S. Feature Extraction and Image Processing. Newnes Publishing, 2002. 350 p.
  159. Nussbaumer H. Digital filters using Read-Only Memories, // Electronics Letters, vol. 12, 1976.
  160. Pan Z., Rust A. G., Bolouri H. Image Redundancy Reduction for Neural Network Classification using Discrete Cosine Transforms // Proceedings of the IJCNN, 2000. Vol. 3. P. 149−154.
  161. Parhi K.K., Nishitani T. VLSI Architectures for Discrete Wavelet Transforms // IEEE Transactions on Very Large Scale Integration (VLSI) Systems, vol. 1, 1993, pp. 191−202.
  162. Parhi K.K. VLSI Digital Design Processing Systems. Design and Implementation. Wiley, 1999.
  163. Pedroni V.A. Circuit Design with VHDL. MIT Press, 2004. 363 p.
  164. Peled A., Liu B. A New Hardware Realization of Digital Filters // IEEE Transactions on Acoustics, Speech and Signal Processing, vol. ASSP-22, no. 6, 1974, pp. 456162.
  165. Perkins Ch., Fricke T. Wavelets // Department of Electrical Engineering University of California at Berkeley, December 1, 2000, 18 p.
  166. Perry S.W., Wong H.-S., Guan L. Adaptive Image Processing. A Computational Intelligence Perspective. CRGPress, 2002. 536 p.
  167. Pollard J.M. Implementation of Number-Theoretic Transforms, // Electronics Letters, vol. 12, #22,1976. pp. 378−379.
  168. Pratt W.K. Digital Image Processing, 3rd Edition. Wiley, 2001. 738 p.
  169. Radhakrishnan D., Yuan Y. Fast and Highly Compact RNS Multipliers, // International Journal of Electronics, vol. 70, #2, 1991. pp. 281−293.
  170. Ramirez J., Garcia A., Fernandez P.G., Lloris A. FPL Implementation of a SIMD RISC RNS-enabled DSP, // Proc. of the 4th World Multiconference on Circuits, Systems, Communications and Computers, 2000. pp. 1281−1286.
  171. Ramirez J., Garcia A., Fernandez P.G., Lloris A. FPL Implementation of a SIMD RISC RNS-enabled DSP, // Signal Processing, Communications and Computer Science (Ed: N. Mastorakis), World Scientific and Engineering Society Press, 2000. pp. 31−36.
  172. Ramirez J., Garcia A., Fernandez P.G., Parrilla L., Lloris A. A Novel RNS-Based SIMD RISC Processor for Digital Signal Processing, // Proc. of the 33rd Asilomar Conference on Signals, Systems and Computers, vol. 2, 1999. pp. 1307−1311.
  173. Rioul 0., Duhamel P. Fast Algorithms for Discrete and Continuous Wavelet Transform // IEEE Transactions on Information Theory, vol. 38, Pp. 569−586, 1992.
  174. Rioul 0., Vetterli M. Wavelets and Signal Processing // IEEE Signal Processing Magezine, 1991, № 10. P. 14−38.
  175. Pirsch P. Architectures for Digital Signal Processing. Wiley, 1998.
  176. Rorabaugh C.B. Digital Filter Designer’s Handbook. Featuring С Routines. McGraw Hill, 1991.-332 p.
  177. Safiri H., Ahamadi H., Jullien G., Dimitrov V. Design and FPGA Implementation of Systolic FIR Filters Using the Fermat ALU // Proc. of the Asilomar Conference on Signals, Systems and Computers, Pacific Grove, 1996.
  178. Salomon D. Data Compression. The Complete Reference, 3rd Edition. Springer, 2004. 899 p.
  179. Scott E. U. Computer Vision and Image Processing. Upper Saddle River: Prentice Hall, 1999.-500 p.
  180. Seul M., O’Gorman L., Sammon M.J. Practical Algorithms for Image Analysis. Description, Examples, and Code. Cambridge University Press, 1999. 295 p.
  181. Smith S.G. Denyer P.B. Serial Data Computation. Kluwer Academic. 1988.
  182. Smith S.W. The Scientist and Engineer’s Guide to Digital Signal Processing, 2nd Edition. California Technical Publishing, 1999. 650 p.
  183. Soderstrand M., Jenkins W., Jullien G.A., Taylor F.J. Residue Number System Arithmetic: Modern Applications in Digital Signal Processing // IEEE Press, 1986.
  184. Stewart R.W., Hoffman M.W. Digital Signal Processing. An «A» to «Z». BlueBox Multimedia Production, 1998. 450 p.
  185. Strang G., Nguyen T. Wavelets and Filter Banks. Wellesly-Cambridge Press, 1997.
  186. Szabo N.S., Tanaka R.I. Residue Arithmetic and its Applications to Computer Technology, New York: McGraw-Hill, 1967.
  187. Taylor F. Digital Filter Design Handbook, Marcel Dekker, 1983.
  188. Taylor F. Large Moduli Multipliers for Signal Processing, // IEEE Transactions on Circuits and Systems, vol. CAS-28, #7, 1981. pp. 731−736.
  189. The Transforms and Applications Handbook, 2nd Edition. Ed. A.D. Poularikas. CRC Press & IEEE Press, 2000. 1335 p.
  190. Tsapatsoulis N., Alexopoulos V., Kollias S. A vector based approximation of KLT and its application to face recognition // EUSIPCO, 1998. -Vol 3. P. 1581— 1584.
  191. Vaidyanathan P.P., Hogan P. Lattice Structures for Optimal Design and Robust Implementation of Two-channel Perfect Reconstruction QMF Banks // IEEE Transactions on Acoustics, Speech and Signal Processing, vol. ASSP-36, 1988. Pp. 81−94.
  192. Vetterli M. Splitting a Signal into Subband Channels Allowing Perfect Reconstruction // Proc. IASTED Conf. Appl. Signal Proc., 1985, Paris.
  193. Vetterli M., Herley C. Wavelets and Filter Banks: Theory and Design // IEEE Trans, on Signal Processing, 1992, vol. 40. P. 2207−2232.
  194. Vetterli M., Kovacevic J. Wavelets and Subband Coding. Englewood Cliffs, NJ: Prentice Hall, 1995.
  195. Vishwanath M., Owens R.M., Irwin M.J. VLSI Architectures for the Discrete Wavelet Transform // IEEE Transactions on Circuits and Systems II, vol. 42, no. 5, 1995, pp. 305−316.
  196. Wasserman A.I. Neural Computing: Theory and Practice. Van Nostrand Reinhold, New York, 1989.
  197. White S.A. Applications of Distributed Arithmetic to Digital Signal Processing: A Tutorial Review // IEEE Acoustics, Speech and Signal Processing Magazine, 1989, pp. 4−19.
  198. Wiskott L., Fellous J.-M., Krueger N., Malsburg C. Face Recognition by Elastic Bunch Graph Matching // IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 775−779.
  199. Wurtz R. P. Object Recognition Robust Under Translations, Deformations, and Changes in Background // IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 769−775.
  200. Xilinx Inc. The Programmable Logic Data Book, 1999.
  201. Yali Amit. 2D Object Detection and Recognition. Models, Algorithms, and Networks. The MIT Press, 2002. 325 p.
  202. Yong L., Lai E. Moduli Set Selection and Cost Estimation for RNS-Based FIR Filter and Filter Bank Design. // Design Automation for Embedded Systems, Vol. 9, # 2, June 2004, pp. 123−139.
  203. Young I.T., Gerbrands J.J., van Vliet L.J. Fundamentals of Image Processing. 1998, Delft University of Technology. ISBN 90−75 691−01−7. 111 p.
  204. Yu C., Chen S. Efficient VLSI Architecture for 2-D Inverse Discrete Wavelet Transforms // Proc. of the 1999 IEEE International Conference on Circuits and Systems, vol. Ill, 1999. Pp. 524−527.
  205. Zohar S. New Realization of Nonrecursive Digital Filters // IEEE Transactions on Computers, vol. 22, 1973. Pp. 328−347.
Заполнить форму текущей работой

Пора сдавать?