Пример готовой дипломной работы по предмету: Информационные технологии
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 2
ГЛАВА
1. ПОСТАНОВКА ЗАДАЧИ 5
1.1 ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 6
1.2 ОБЩИЕ ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧ, СВЯЗАННЫХ С ИДЕНТИФИКАЦИЕЙ ОБЪЕКТОВ 11
1.2.1. Метод сравнения исследуемого изображения с эталонным 12
1.2.2. Метод моделирования бакграунда 15
1.2.3. Трекинг 20
1.2.4. Приведение найденных объектов к общему виду 20
1.2.5. Вопросы сегментации 20
1.3. КО-ТРЕНИНГ 25
ГЛАВА
2. РАЗРАБОТКА НОВОГО ПОДХОДА К КЛАССИФИКАЦИИ ОБЪЕКТОВ 37
2.1 ВЕКТОР ФИТЧЕРОВ ОБЪЕКТА 38
2.1.1. Основные понятия 40
2.1.2. Фитчеры 40
2.1.3. Выбор оптимальных фитчеров, разделяющих классы 43
2.2 МЕТОД СПЕКТРАЛЬНОГО КЛАСТЕРИНГА ДЛЯ СЕГМЕНТАЦИИ. 45
2.3 ИДЕНТИФИКАЦИЯ ОБЪЕКТА КАК КЛАССА ОБУЧАЮЩЕЙ БАЗЫ 54
2.4 ИСПОЛЬЗОВАНИЕ МАХАЛАНОБИС-ДИСТАНЦИИ ДЛЯ КЛАССИФИКАЦИИ ВЕКТОРОВ ФИТЧЕРОВ СИЛУЭТОВ ОБЪЕКТОВ В СПЕКТРАЛЬНОМ КЛАСТЕРИНГЕ 59
2.5 КРИТЕРИЙ КАЧЕСТВА КЛАССИФИКАТОРА 62
ВЫВОДЫ 65
2.6 ОПИСАНИЕ ТЕСТА 65
3. ЭКОНОМИЧЕСКИЙ РАЗДЕЛ 79
3.1. ОПРЕДЕЛЕНИЕ СЕБЕСТОИМОСТИ И РАСЧЕТ ОПТОВОЙ ЦЕНЫ РАЗРАБОТКИ 79
3.2. ОПРЕДЕЛЕНИЕ ЭКОНОМИЧЕСКОГО ЭФФЕКТА ОТ ВНЕДРЕНИЯ 80
4. БЕЗОПАСНОСТЬ ЖИЗНЕДЕЯТЕЛЬНОСТИ 81
4.1. АНАЛИЗ ОПАСНЫХ И ВРЕДНЫХ ПРОИЗВОДСТВЕННЫХ ФАКТОРОВ ПРИ РАБОТЕ НА КОМПЬЮТЕРЕ 81
4.2. ФИЗИЧЕСКИЕ ОПАСНЫЕ И ВРЕДНЫЕ ПРОИЗВОДСТВЕННЫЕ ФАКТОРЫ ПРИ РАБОТЕ НА КОМПЬЮТЕРЕ 81
4.3. ПСИХОФИЗИОЛОГИЧЕСКИЕ ОПАСНЫЕ И ВРЕДНЫЕ ПРОИЗВОДСТВЕННЫЕ ФАКТОРЫ 82
ЗАКЛЮЧЕНИЕ 83
СПИСОК ЛИТЕРАТУРЫ 84
Содержание
Выдержка из текста
(CRM- система)
Следует отметить, что эффективная работа компании очень зависит от уровня оснащения компании информационными системами. В дипломной работе программируется и описывается информационная система для работы автодора одного из городов Московской области.
Во-первых, провести предпроектный анализ деятельности предприятия, в том числе: дать краткую характеристику деятельности предприятия, провести анализ финансово-хозяйственной деятельности, выделить потребляемые ресурсы, а также описать техническое обеспечение предприятия.
Другим немаловажным фактором является правильно подобранная система видеонаблюдения, которая усиливает надежность комплексной системы безопасности организации.Предмет исследования – информационная система на «ЧОП «Кедр»».Целью курсовой работы является изучение информационной системы предприятия и проведение анализа объекта с последующим проектированием системы комплексной защиты информации.
Теоретической и методологической основой исследования являются положения, изложенные в трудах как отечественных, так и зарубежных ученых, посвященных вопроса внедрения ИС на предприятиях: В. Беренса, П.М. Хавранека, А.А Пересада. В.Г. Федоренко, В.Н. Лившица, Д. Окладникова, Н.Э. Михайловского.
Во-вторых, провести анализ бизнес-процессов агрофирмы «Родные края — Туган як», т.е. выделить состав бизнес-процессов, их задачи, исполнителей, составить классификационную таблицу задач по группам, а также построить структурную таблицу информационных потоков бизнес-процессов предприятия и схему взаимодействия задач бизнес-процессов.
1.IBM PC совместимый персональный компьютер следующей конфигурации: процессор от Celeron 333; ОЗУ от
6. Мб (в зависимости от операционной системы см. ниже); жесткий диск со свободным объемом не менее
25. Мб.
Диаграммы прецедентов. Это один из пяти типов диаграмм, применяемых в UML для проектирования информационных систем. Диаграммы прецедентов играют основную роль в моделировании поведения системы, подсистемы или класса. Каждая такая диаграмма показывает множество прецедентов, актеров и отношения между ними. Диаграммы прецедентов применяются для моделирования вида системы с точки зрения прецедентов (или вариантов использования).
Чаще всего это предполагает моделирование контекста системы, подсистемы или класса либо моделирование требований, предъявляемых к поведению указанных элементов. Диаграммы прецедентов имеют большое значение для визуализации, специфицирования и документирования поведения элемента. Они облегчают понимание систем, подсистем или классов, представляя взгляд извне на то, как данные элементы могут быть использованы в соответствующем контексте. Кроме того, такие диаграммы важны для тестирования исполняемых систем в процессе прямого проектирования и для понимания их внутреннего устройства при обратном проектировании.
Элемент системы — часть системы, имеющей определенное функциональное назначение. Сложные элементы систем, в свою очередь состоят из более простых взаимосвязанных элементов, часто называют подсистемами. Информационная система создается для конкретного объекта. Эффективная информационная система принимает во внимание различия между уровнями управления, сферами действия, а также внешними обстоятельствами и дает каждому уровню управления только ту информацию, которая ему необходима для эффективной реализации функций управления. Внедрение информационных систем осуществляется с целью повышения эффективности производственно-хозяйственной деятельности фирмы за счет не только обработки и хранения рутинной информации, автоматизации конторских работ, но и за счет принципиально новых методов управления, основанных на моделировании действий специалистов компании при принятии решений (методы искусственного интеллекта, экспертные системы и т.п.), использовании современных средств телекоммуникаций (электронная почта, телеконференции), глобальных и локальных исчислении сетей и т.д.
Срок практики с « 02» февраля 2015г.
СПИСОК ЛИТЕРАТУРЫ
1. Расева Е., Сикорский Р. Математика метаматематики. — М.: Наука, 1972.- 592 с.
2. Гантмахер Ф.Р. Теория матриц. М.: Наука, 1989.
3. Гожальчины М.Б., Кишки Е.Б., Стахович Н.С. Некоторые прблемы изучения адекватностей нечетких моделей//Нечеткие множества:Теория возможностей. Под ред. Ягера. — М.: Мир, 1988.С.21.
4. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. – М.: Радио и связь, 1985.
5. Горелик А.Л., Скрипкин В.А. Методы распознавания. – М.: Высшая школа, 1984.
6. Гофман А.Л. О приближении функций принадлежности по экспериментальным данным // Обработка информации и принятие решений в условиях неопределенности.- Фрунзе.: Илим,1981. С.33 — 36.
7. Гудмен И.Э.Нечеткие множества как классы эквивалентности случайных множеств// Нечеткие множества:Теория возможностей. Под ред. Ягера. — М.: Мир, 1988.- С.241—.
8. Дубровская И.С., Койфман Ю.И., Удовиченко Е.Т. Системное моделирование динамической меры качества объектов.//Системные исследования проблем управления качеством и автоматизации процессов управления.-М.: Изд-во стандартов, 2000.- С. 201 — 214.
9. Дуда Р., Харт П. Распознавание образов и анализ сцен. – М.:Мир, 1976.
10. Дюбуа Д., Прад А. Общий подход к определению индексов сравнения в теории нечетких множеств//Нечеткие множества:Теория возможностей. Под ред. Ягера. —М: Мир, 1988. С.9.
11. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. «Проблемы кибернетики». Вып. 33. – М.: Наука, 1978.
12. Келли Дж. Общая топология.-М.: Наука, 1981. — 432 с.
13. Колмогоров А.Н., Драгалин А.Г. Введение в математическую логику. — М.: МГУ, 1982. — 120 с.
14. Журид Б.А., Силов В.Б. Метод построения логико-лингвистических моделей интеллектуальных роботов. —Изв. АН СССР: Техническая кибернетика,- 1983.- № 5.- С.188 — 193.
15. Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. — М.: Знание, 1974. — С.5 — 49.
16. Маркус М., Минк X. Обзор по теории матриц и матричных неравенств. М.: 1 ка, 1972.
17. Математические вопросы построения системы моделей. Новосибирск, Наука, Сибирское отделение, 1976
18. Мыльник В.В., Титаренко Б.П, Волочиенко В.А. Исследование систем управления, 2-е изд., – М: Академический Проект; Екатеринбург: Деловая книга – 2003.
19. Мыльник В.В., Титаренко Б.П., Волочиенко В.А. Исследование систем управления. — М.: Академический Проект, 2003. — 352 с.
20. Норвич А.М., Турксен И.Б. Построение функций принадлежности// Нечеткие множества и теория возможностей.- М:.»Радио и связь», 1988.- С.64 — 71.
21. Васильев К.К. Статистические методы обработки многомерных изображений / К.К.Васильев, А.А.Спектор // Методы обработки сигналов и полей. – Ульяновск: УЛПИ, 1992, C. 3 — 19
22. Васюков В.Н. Квазиоптимальный алгоритм двумерной фильтрации / В.Н. Васюков// Методы статистической обработки изображений и полей.- Новосибирск, 1984, C. 14 — 18.
23. Васюков В.Н. Новые подходы к решению задач обработки и распознавания изображений / В.Н.Васюков, И.С.Грузман, М.А.Райфельд, А.А.Спектор // Наукоемкие технологии.- 2002. — № 3. — С. 44 — 51.
24. Визильтер Ю.В., Лагутенков А.В. Автоматическое выделение и сопровождение малоразмерных объектов по признаку их движения на цифровых изображениях
25. Гай В.Е. Формирование тестовых изображений для оценки качества алгоритмов сегментации / В.Е. Гай, С.Н. Борблик // Цифровая обработка сигналов и ее применение: тр. 8 межд. науч.-техн. конф. – М., 2006. — т.2. — С. 356 — 359.
26. Герчес В.Г. Обнаружение сигналов на многозональном изображении: дис. канд. техн. наук./ В.Г. Герчес. — Ульяновск, 1992. — 143с.
27. Гонсалес Р. Цифровая обработка изображений / Р.Гонсалес, Р. Вудс, М.: Техносфера, 2005. – 1072 с.
28. Градштейн И.С. Таблицы интегралов, сумм, рядов и произведений / И.С.Градштейн, И.М.Рыжик, М.: Наука, 1971. – 1108 с.
29. Грузман И. С. Цифровая обработка изображений в информационных системах / И. С. Грузман [и др.], Новосибирск:НГТУ, 2002. — 456 с.
30. Даджион Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро, М.: Мир. 1988. – 488 с.
31. Желтов С.Ю., Сибиряков А.В., Выделение характерных черт на цифровых изображениях авиационной и космической съемки.
32. Завалишин Н.В. Модели зрительного восприятия и алгоритмы анализа изображений / Н.В.Завалишин, И.Б.Мучник, М.: Наука, 1974. — 344 с.
33. Злобин В. К. Стохастическая модель спутниковых изображений и ее использование для сегментации природных объектов / В. К.Злобин, В. В. Еремеев, В. М. Васильев // Автометрия. – 2001.- № 2.
34. Зуев В.Е. Распространение видимых и инфракрасных волн в атмосфере / В.Е. Зуев, М.: Советское радио, 1970. — 784 с.
35. Ким Н.В., Наблюдение за объектами на основе ситуационно-информационного подхода.
36. Киричук В.С.. Обнаружение малоразмерных объектов по последовательностям ТВ-Изображений ИК диапазона / В.С.Киричук, С.В.Парфененок, В.Ю.Ангеров // Распознавание образов и анализ сцен, тр.5 межд. науч.-техн. конф. – М., 2002.- т.1. — С. 273 — 278
37. Книжников Ю.Ф. Принцип множественности в современных аэрокосмических методах и способы дешифрирования серии снимков при сельскохозяйственных исследованиях / Ю.Ф.Книжников, В.И. Кравцова // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. – М.: Наука, 1990. – С. 47-54.
38. Коростелев А. П. Стохастические рекуррентные процедуры (локальные свойства) / А. П. Коростелев, М.: Наука, 1984. – 208 с.
39. Кравченко В.Ф. Нелинейная фильтрация изображений с сохранением малоразмерных деталей в присутствии импульсных и мультипликативных помех / В.Ф.Кравченко, В.И.Пономарев // Радиотехника и
40. — 2001. — № 4. — с. 476 – 483
41. Крамер Г. Математические методы статистики / Г. Крамер, М. Мир, 1975, 648 с
42. Ахметшин А.М., Федоренко А.Е. Применение теории марковских случайных полей для сегментации мультиспектральных изображений земной поверхности. http://gis.nmu.org.ua/lit/doc 2.doc
43. Ахметшин А.М., Фенога Д.А. Отображение и анализ мультиспектральных изображений земной поверхности в базисе Грамма – Шмидта. http://gis.nmu.org.ua/lit/doc 1.doc
44. Бакут П. А. Теория обнаружения сигналов / П.А. Бакут. – М.: Радио и связь, 1984. – 440 с.
45. Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей / П.А. Бакут, Г.С. Колмогоров. // Зарубежная радиоэлектроника. – 1987, — № 10.- С. 16-23
46. Балакришнан А.В. Теория фильтрации Калмана: Пер. с англ./А.В.Балакришнан – М.: Мир, 1988, 168 с.
47. Бейтмен Г. Таблицы интегральных преобразований / Г.Бейтмен, А. Эрдейи, М.: Наука, 1989, T1, 343 с.
48. Белов В.В.Обнаружение аномалий подстилающей поверхности земли в ансамбле космических снимков алгоритмами разладки для геоинформационных систем (ИОА СО РАН, Томск)
49. Бендат Д. Прикладной анализ случайных данных / Д. Бендат, А. Пирсол – М.: Мир, 1989. — 540 с.
50. Богомолов Р.А. Ковариационные функции авторегрессионных случайных полей/ Р.А. Богомолов, В.Р. Крашенинников //Методы обработки сигналов и полей: сб. научн. тр. – Ульяновск: УЛПИ, 1990. – С. 5 — 9.
51. Бокс Д. Анализ временных рядов / Д. Бокс, Г. Дженкинс // Пер. с англ.: Под ред. В.Ф. Писаренко. – М.: Мир, 1974, кн. 1. – 406 С.
52. Бондур В. Г. Моделирование многоспектральных аэрокосмических изображений динамических полей яркости. / В. Г. Бондур, Н. И Аржененко, В. Н. Линник, И. Л. Титова // Исследование Земли из космоса. — 2003, -№ 2.- С. 3 — 17
53. Брокштейн И. М. , Мерзляков С. Н., Попова Н. Р. Обнаружение и локализация малоразмерных объектов на неоднородном фоне // Цифровая оптика. Обработка изображений и полей в экспериментальных исследованиях.
54. Бронников А.В. Комбинированные алгоритмы нелинейной фильтрации зашумленных сигналов и изображений / А.В.Бронников, Ю.Б Воскобойников // Автометрия. – 1990, № 1.
55. Буряк Д.Ю., Визильтер Ю.В. Автоматизированное конструирование близких к оптимальным процедур идентификации и обнаружения объектов на изображении с использованием генетических алгоритмов.
56. Крашенинников В. Р. Адаптивный компенсатор коррелированных помех / В. Р.Крашенинников, А. Г. Ташлинский // Методы обработки сигналов и полей: сб. научн. тр. – Ульяновск: УлПИ, 1992.- С. 120 — 128
57. Кучеренко К.И. Двумерные медианные фильтры для обработки изображений / К.И. Кучеренко, Е.Ф. Очин // Зарубежная радиоэлектроника. – 1986.- № 6.
58. Леман Э. Теория точечного оценивания /Э. Леман, М.: Наука, 1991. — 448 с.
59. Лепский А.Е. О нахождении минимального представления контура изображения как решение задачи нечеткой кластеризации. http://semery.narod.ru/lampai/rus/public.html
60. Марпл-мл С.Л. Цифровой спектральный анализ и его приложения / С.Л. Марпл-мл, М.: Мир, 1990. — 584 с.
61. Миньсу Ш. Алгоритм обнаружения объекта, основанный на графе смежности областей/ Ш. Миньсу, Ч. Дайхун // ТИИЭР.- 1984.- № 7.- с. 263 — 268.
62. Монахов С.В. Методология анализ и проектирования сложных информационных систем / С.В. Монахов, В.П. Савиных, В.Я. Цветков, М.Просвещение, 2005, — 264 с.
63. Мудров В. И. Методы обработки измерений: Квазиправдоподобные оценки / В. И.Мудров, В.Л.Кушко, М.: Радио и связь, 1983, — 304 с.
64. Мурашов Д.М. Метавыделения фона на последовательностях
изображений с использованием фильтра Калмана / Д.М.Мурашов, А.В.Хилков, И.А.Шамтиев // Распознавание образов и анализ сцен, тр.5 межд. науч.-техн. конф. –М., 2002.- т.2.- С. 389 — 393
65. Руспини Э.Т. Последние достижения в нечетком кластер-анализе//Нечеткие множества:Теория возможностей. Под ред. Ягера. М: Мир. 1998.
66. Селекция и распознавание на основе локационной информации / А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев и др.; Под ред. А.Л. Горелика. – М.: Радио и связь, 1990.
67. Современное состояние теории исследования операций. Под ред. Н.Н.Моисеева. -М.: Наука,1979. — 464 с.
68. Современное состояние теории исследования операций. Под ред. Н.Н.Моисеева. -М.: Наука,1979. — 464 с.
69. Справочная книга по математической логике. Теория моделей.- М.: Наука, 1981. — 382 с.
70. Тюрин Ю., Литвак Б.Г., Орлов А.И. Анализ нечисловой информации // Математика и кибернетика.- М.:Знание, 1981.- С. 41.
71. Цвиркун Л.Д. Структура сложных систем.- М.: Сов. Радио, 1975. — 100 с.
72. Von Neyman.A Model of General Equilibrium, Review of Economic Stadies, 13. P. 1-9, 1987.
73. Von Neyman.A Model of General Equilibrium, Review of Economic Stadies, 13. P. 1-9, 1987.
74. R.Raged, M.Cupta. Fuzzy set theory introduction.//In: Fuzzy
75. Automata and Decission Processes/ Ed. by M.Gupta, G.Saridis,B.Gaines.- Amsterdam: Nord-Holland, 1977,-p.105— 131.
76. Target recognition in hyperspectral images Amir Z. Averbuch Michael V. Zheludev , School of Computer Science Tel Aviv University, Tel Aviv 69978,2010, Israel
77. Aapo Hyvarinen, J. Karhunen, and E. Oja. Independent Component Analysis. John Wiley& Sons, Inc., 2001.
78. Jessica D. Bayliss, J. Anthony Gualtieri, and Robert F. Cromp. Analysing hyperspectral data with independent component analysis. In Proc. of the SPIE conference 26th AIPR Workshop:
- 79. Exploiting New Image Sources and Sensors, volume 3240, pages 133{143, 1997.
80. V. Botchko, E. Berina, Z. Korotkaya, J. Parkkinen, and T. Jaaskelainen. Independent component analisys in spectral images. In Proc. of the 4th International Symposium on Independent Component Analysis and Blind Signal Separation.
81. Michael V. Zheludev, Classification with diffusion maps Computer Science Department Technion – Israel Institute of Technology, VULCAN 28.04.10
82. R.R. Coifman, M. Maggioni, Diffusion wavelets, Appl. Comput. Harmon. Anal., in press.
83. R.R. Coifman, M. Maggioni, Multiresolution analysis associated to di_usion semigroups:
- 84. Construction and fast algorithms, Technical report YALE/DCS/TR-1289, Yale University, 2004.
85. Amir Averbuch and Michael Zheludev. Two Linear Unmixing Algorithms to Recognize Targets Using Supervised Classification and Orthogonal Rotation in Airborne Hyperspectral Images, Remote Sens. 2012, 4(2), 532-560; doi:10.3390/rs 4020532
86. Target recognition in hyperspectral images Amir Z. Averbuch Michael V. Zheludev. School of Computer Science
Tel Aviv University, Tel Aviv 69978, Israel
87. Muhammad Ahmad , Dr. Ihsan Ul Haq Linear Unmixing and Target Detection of Hyperspectral Imagery, 2011 International Conference on Modeling, Simulation and Control IPCSIT vol.10 (2011) (2011) IACSIT Press, Singapore
88. Muhammad Ahmad , Dr. Ihsan ul Haq and Qaisar Mushtaq 1 AIK Method for Band Clustering Using Statistics of Correlation and Dispersion Matrix,2011 International Conference on Information Communication and Management vol.10 (2011) (2011) IACSIT Press, Singapore
89. HSUAN REN, CHEIN-I CHANG, Automatic Spectral Target Recognition in Hyperspectral Imagery, IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS VOL. 39, NO. 4 OCTOBER 2003
90. Amjad Hajjar, Tom Chen, A VLSI architecture for real-time edge linking.// IEEE Transaction on pattern analysis and machine intelligence, Vol. 21, № 1, 1999, p.89-94.
91. Chenyang Xu, Jerry L. Prince, Snakes, Shapes, and Gradient Vector Flow // IEEE Transactions on Image Processing. — 1998. — Vol. 7. № 3. — p.359-369.
92. Denzler J., H. Niemann, Active Rays: A new approach to contour tracking // Proceeding on the 3-rd German-Slovenian Workshop on Speech and Image Analysis. — 1996.
93. Dikshit S.S. A Recursive Kalman Window Approach to Image Restoration // IEEE Trans., 1984, Vol. com – 32, Jan., pp. 125 — 139.
94. Jeffrey E. Boyd, Jean Meloche, Binary restoration of thin objects in multidimensional imagery. // IEEE Transaction on pattern analysis and machine intelligence, Vol. 20, № 6, 1998, p. 647- 651.
95. Joachim Denzler, Heinrich Niemann. Real-Time Pedestrian Tracking in Natural Scenes // Proceedings on the 7th International Conference on Computer Analysis of Images and Patterns. — 1997.
96. Kirichuk V., Parfenenok S., Algorithm of small-size objects detection in sequences of images with projective distortions, Conference proceeding PRIA-7-2004, Volume 2, P. 268-272
97. Landgrebe D., Information Extraction Principles and Methods for Multispectral and Hyperspectral Image Data, Chapter 1 of Information Processing for Remote Sensing, edited by C. H. Chen, published by the World Scientific Publishing Co., Inc., 1060 Main Street, River Edge, NJ 07661, USA, 2000
98. Lei Zheng, J.C.Liu, A.K.Chan, W. Smith. Object – based image segmentation using DWT/RDWT multiresolution Markov random field. Texas: Departament of Electrical Engeneering, 2001
99. Ma W. Y. and B. S. Manjunath, Edge Flow: A Framework of Boundary Detection and Image Segmentation. IEEE Int. Conf. on Computer Vision and Pattern Recognition, 1997.
100. Mahamud S., Thornber К. К. and Williams L. R., Segmentation of salient closed contours from real images, Proc. 7-th IEEE Int’l Conf. Сотр. Vis. (Corfu, Greece), 1999
101. Morton J., Fernerkundung mit neuronalen Netzen 1999, 208 с.,
102. Tony F. Chan, Luminita A. Vese, Active contours without edges. IEEE Transactions on Image Processing. — 1998.
103. Vasilew K., Dementew V. The analisys of correlation properties of autoregression causal fields. — Conference proceeding PRIA-7-2004, Volume 2, P. 415 — 418
104. Vasilyev K.K., Ageev S.A. The Adaptive Decorrelation Algorithm of Signal Detection — Proceedings of the 1st Int. Conf. «Digital Signal Processing and Its Applications». — Moscow: ICSTI, 1998. vol. 2E, pp. 133 — 136.
105. Woods J.W. Two-dimensional Kalman filtering //Topics in Applied Physics, Berlin, 1981, v.42, pp. 155 — 208.
106. Xu R., Wunschll D. Survey of Clustering Algorithm. Trans on Neural Networks, IEEE V. 16, Is. 3, May 2005, pp 645 – 678.
107. Ronald R. Coifman , Stephane Lafon Diffusion maps Mathematics Department, Yale University, New Haven, CT 06520, USA
Received 29 October 2004; revised 19 March 2006; accepted 2 April 2006
108. Ronald R. Coifman , Mauro Maggioni Diffusion wavelets Program in Applied Mathematics, Department of Mathematics, Yale University, New Haven, CT 06510, USA
Received 28 October 2004; revised 11 April 2006; accepted 12 April 2006
109. James C. Bremer , Ronald R. Coifman, Mauro Maggioni, Arthur D. Szlam Diffusion wavelet packets
James Program in Applied Mathematics, Department of Mathematics, Yale University, New Haven, CT 06510, USA
Received 28 October 2004; revised 15 March 2006; accepted 5 April 2006
110. Boaz Nadler a, Stephane Lafon a,1, Ronald R. Coifman a, Ioannis G. Kevrekidis Diffusion maps, spectral clustering and reaction coordinates of dynamical systems Department of Mathematics, Yale University, New Haven, CT 06520, USA b Chemical Engineering and PACM, Princeton University, Princeton, NJ 08544, USA, Received 28 October 2004; revised 10 February 2005; accepted 29 July 2005
список литературы
