Простийпошук |
Розширенийпошук |
Покажчики
|
Професійний пошук |
Рубрикатор НБУВ |
Розподілений пошук |
Бази даних
Наукова періодика України - результати пошуку
Книжкові видання та компакт-дискиЖурнали та продовжувані виданняАвтореферати дисертаційРеферативна база данихНаукова періодика УкраїниТематичний навігаторАвторитетний файл імен осіб
 |
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
| Знайдено в інших БД: | Книжкові видання та компакт-диски (1) | Реферативна база даних (14) |
Список видань за алфавітом назв: Авторський покажчик Покажчик назв публікацій  |
Пошуковий запит: (<.>A=Машталир С$<.>) | |||
|
Загальна кількість знайдених документів : 11 Представлено документи з 1 до 11 |
|||
| 1. | 
Гончаренко М. О. Детектирование изменений сцены в потоке видеоданных [Електронний ресурс] / М. О. Гончаренко, С. В. Машталир // Электротехнические и компьютерные системы. - 2012. - № 7. - С. 143-147. - Режим доступу: http://nbuv.gov.ua/UJRN/etks_2012_7_27 Предложен новый адаптивный подход к анализу потока видеоданных. Основная идея заключается в анализе контекста видеоданных. Видео представляется как последовательность сегментированных растровых изображений, после чего формируется VAR-модель, позволяющая решать задачу обнаружения изменений в видеопотоке, используя математический аппарат многомерных временных рядов.Запропоновано новий адаптивний підхід до аналізу потоку відеоданих. Основна ідея полягає в аналізі контексту відеоданих. Відео подається як послідовність сегментованих растрових зображень, після чого формується VAR-модель, що дає змогу детектувати зміни у відеопотоці з використанням математичного апарату багатовимірних часових рядів.А new adaptive approach to video stream analysis is proposed. The basic idea is to access video data by their contents using one of the visual content features. Video is represented as sequence of segmented frames to form VAR-model and realize detecting changes in the properties of multivariate time series. Results allow determining fragments of the last, that correspond to video content changes. | ||
| 2. |
Мантула Е. В. Матричная прогнозирующая модель и ее обучение в задачах экологического мониторинга [Електронний ресурс] / Е. В. Мантула, С. В. Машталир // Электротехнические и компьютерные системы. - 2013. - № 10. - С. 152-156. - Режим доступу: http://nbuv.gov.ua/UJRN/etks_2013_10_25 Предложен подход к синтезу матричных прогнозирующих моделей двумерных полей наблюдений и введены процедуры оценивания параметров этих моделей, которые являются обобщением известных адаптивных алгоритмов идентификации на матричный случай, для решения задач экологического мониторинга, в которых исходные данные «зашумлены» интенсивными возмущениями, а сами контролируемые последовательности достаточно нестационарны. Данные процедуры характеризуются простотой численной реализации.Запропоновано підхід щодо синтезу матричних прогнозованих моделей двовимірних полів спостережень і введено процедури оцінювання параметрів цих моделей, що є узагальненням існуючих адаптивних алгоритмів ідентифікації на матричний випадок, для вирішення проблем екологічного моніторингу, де вихідні дані «зашумлені» інтенсивними перешкодами, а самі контрольовані послідовності досить нестаціонарні. Ці процедури характеризуються простотою числової реалізації.An approach to the synthesis of matrix predictive models of two-dimensional fields of observation is offered and introduced the procedure of estimating the parameters of these models which are generalizations of adaptive algorithms identify the matrixcase, for the solution of problems of environmental monitoring, that have a problem related to the fact that the raw data are"noised" by intense interference and controlled by themselves sufficient non-stationary sequences. These procedures are characterized by simple numerical implementation. | ||
| 3. | 
Мантула Е. В. Адаптивная полиномиальная нейросетевая прогнозирующая модель временных рядов и ее обучение [Електронний ресурс] / Е. В. Мантула, С. В. Машталир // Восточно-Европейский журнал передовых технологий. - 2014. - № 2(4). - С. 16-20. - Режим доступу: http://nbuv.gov.ua/UJRN/Vejpte_2014_2(4)__4 Предложен метод синтеза полиномиальных нейронных сетей для решения задач прогнозирования нестационарных временных рядов, являющихся альтернативой многослойным персептронам и радиально-базисным нейронным сетям, использование которых ограничивается при решении многих практических задач. Предложенный метод прост с точки зрения численной реализации и позволяет усложнять архитектуру нейронной сети без необходимости пересчета уже настроенных синаптических весов. | ||
| 4. | 
Ведмедь А. Г. Восстановление изображений с использованием анализа главных и независимых компонент [Електронний ресурс] / А. Г. Ведмедь, С. В. Машталир, Е. С. Сакало // Системи обробки інформації. - 2010. - Вип. 6. - С. 66-72. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2010_6_16 Модифицированы процедуры обучения элементарных нейронных сетей слепой сепарации и предложена архитектура на стандартных элементах цифровой техники, позволяющие решать задачу в режиме самообучения реального времени с использованием полиномиальных активационных функций. Получил дальнейшее развитие нейросетевой метод обработки многомерных смесей сигналов на основе совместного использования анализа независимых и главных компонент и показано, что он может быть реализован как в рамках элементарной однослойной архитектуры путем поочередного использования различных алгоритмов обучения, так и в рамках архитектур типа "бутылочное горлышко". Модифицированы рекуррентные процедуры "отбеливания", сепарации и оценивания базисных векторов независимых компонент, обеспечивающие высокую скорость сходимости и характеризующиеся простотой численной реализации. | ||
| 5. |
Богучарский С. И. Иерархическая агломеративная кластеризация изображений в больших базах данных [Електронний ресурс] / С. И. Богучарский, А. Г. Каграманян, С. В. Машталир // Системи обробки інформації. - 2014. - Вип. 8. - С. 93-97. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2014_8_22 Рассмотрена задача анализа больших баз данных изображений с точки зрения решения задачи интеллектуального поиска. Для решения этой задачи удобно представить все множество изображений в виде некоторых классов по мере их сходства. Для этого возможно применить аппарат кластерного анализа, методы которого и рассмотрены в данной работе. При этом предложены две матричные модификации известных подходов, позволяющие упростить анализ изображений за счет исключения операций векторизации-девекторизации исходных данных. | ||
| 6. | 
Богучарский С. И. Анализ текстур в последовательности изображений на основе векторного квантования [Електронний ресурс] / С. И. Богучарский, С. В. Машталир // Радіоелектроніка, інформатика, управління. - 2014. - № 2. - С. 94-99. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2014_2_16 | ||
| 7. |
Богучарский C. И. Иерархическая агломеративная кластеризация в базах данных мультимедиа [Електронний ресурс] / C. И. Богучарский, С. В. Машталир // Электротехнические и компьютерные системы. - 2015. - № 19. - С. 239-242. - Режим доступу: http://nbuv.gov.ua/UJRN/etks_2015_19_53 Рассмотрены методы иерархической агломеративной кластеризации больших баз данных. Введен их матричный аналог, что позволяет проводить обработку не просто больших объемов данных, но и больших баз многомерных данных, а соответственно позволяет работать с мультимедиа контентом таким как изображения или видеоинформация.Agglomerative hierarchical clustering methods on large databases are discussed. we introduce their matrix analog that allows not only processing huge data amounts, but also multidimensional data large database, and therefore allows you to work with multimedia content such as images or videoinformation.Розглянуто методи ієрархічної агломеративної кластеризації великих баз даних. Введений іх матричний аналог, який дозволяє проводити обробку не тільки великих об’ємів даних, але й великих баз багатовимірних даних, а тому дозволяє працювати з мультимедіа контентом таким як зображення чи відеоінформація. | ||
| 8. |
Богучарский C. И. Модифицированный метод кластеризации Х-средних в задачах сегментация изображений [Електронний ресурс] / C. И. Богучарский, С. В. Машталир // Електротехнічні та комп’ютерні системи. - 2015. - № 20. - С. 106-110. - Режим доступу: http://nbuv.gov.ua/UJRN/etks_2015_20_16 | ||
| 9. |
Машталир С. В. Aдаптивные матричные модели в задаче контроля потоков видео [Електронний ресурс] / С. В. Машталир, М. И. Столбовой // Радіоелектроніка, інформатика, управління. - 2018. - № 4. - С. 188-194. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2018_4_20 | ||
| 10. | 
Машталир С. В. Кластеризация последовательностей видеоданных на основе гармонических k-средних [Електронний ресурс] / С. В. Машталир, М. И. Столбовой, С. В. Яковлев // Кибернетика и системный анализ. - 2019. - Т. 55, № 2. - С. 36-43. - Режим доступу: http://nbuv.gov.ua/UJRN/KSA_2019_55_2_6 Работа посвящена сегментации - кластеризации видеопоследовательностей с помощью анализа многомерных временных последовательностей. Предложен подход к использованию глубокой итеративной временной деформации совместно с матричным методом гармонических k-средних. Такая процедура сегментации-кластеризации в отличие от традиционного подхода нечувствительна к начальному выбору центроидов, что особенно удобно в условиях анализа произвольных данных больших объемов. | ||
| 11. | 
Машталир С. В. Гибридный подход к кластеризации видеорядов различной длины [Електронний ресурс] / С. В. Машталир, М. И. Столбовой, С. В. Яковлев // Проблемы управления и информатики. - 2019. - № 2. - С. 80-88. - Режим доступу: http://nbuv.gov.ua/UJRN/PUI_2019_2_9 Существенное увеличение объема данных, подлежащих анализу и обработке, требует внедрения новых эффективных средств и методов их сбора и хранения. Особенно актуальна такая задача при анализе мультимедийных, в частности видеоданных, в силу их большой избыточности. Одним из путей снижения объема обрабатываемой информации является кластеризация/сегментация видеопоследовательностей для выделения однородных по содержанию частей. При этом возникает задача выбора необходимого количества кластеров в качестве исходной информации. Цель работы - разработка гибридного метода кластеризации для анализа видеопоследовательностей различной длины. Этот метод сохраняет преимущества и исключает недостатки агломеративной иерархической и нечеткой кластеризаций. Для определения сходства между сегментами видеопоследовательностей используется метрика Левенштейна, позволяющая рассчитывать расстояния между многомерными последовательностями разной длины. Критерий завершения процесса кластеризации в целом и соответственно качество получаемого результата определяются индексом Данна. Предлагаемый гибридный подход к кластеризации видеопоследовательностей отличается вычислительной простотой реализации и позволяет решать задачи анализа многомерных временных рядов произвольной природы в том случае, когда заранее сложно определить необходимое количество кластеров для разбиения и в условиях неопределенности относительно возможного их перекрытия, т.е. в случае, когда результатом кластеризации является построение покрытия, а не разбиение данных. | ||
Попередній перегляд: 
Реферативна БД
 |
| Відділ наукової організації електронних інформаційних ресурсів |
 Пам`ятка користувача |