| Русский Русский | English English |
   
Главная Архив номеров
23 | 09 | 2019
10.14489/vkit.2017.08.pp.030-039

DOI: 10.14489/vkit.2017.08.pp.030-039

Овчинникова Т. В., Скрынников А. А., Джурасович П. Д.
КРИТЕРИЙ ОЦЕНКИ АДЕКВАТНОСТИ НЕСТАЦИОНАРНЫХ ПРОЦЕССОВ ПО ИХ ВЕЙВЛЕТ-ПОРТРЕТАМ
(c. 30-39)

Аннотация. Определена адекватность нестационарных процессов на основании близости их портретов, полученных в результате применения к сравниваемым процессам вейвлет-преобразования. Дано сравнение полученных изображений по определенным текстурным признакам, предложенным Хараликом. Признаки рассчитаны с использованием матрицы пространственной смежности. Для построения критерия адекватности использованы пять признаков. При расчете порогового значения предложенного критерия применяется метод статистического моделирования. Приведен пример использования критерия при анализе результатов натурных испытаний.

Ключевые слова:  математическое моделирование; процесс; вейвлет-преобразование; математическая статистика; критерий согласия; изображение; текстурные признаки.

 

Ovchinnikova T. V., Skrynnikov A. A., Dzhurasovich P. D.
THE CRITERION OF ADEQUACY ESTIMATION OF THE NON-STATIONARY PROCESSES BY THEIR WAVELET PORTRAITS
(pp. 30-39)

Abstract. The adequacy of the non-stationary processes is defined based on the proximity of their portraits. The processes portraits are received as a result of wavelet transformation of the comparing processes. The received images are compared to each other by the definite for Haralick texture features. The features are widely used during the recognition, clustering, comparing the images. Haralick then described 14 statistics that can be calculated from the gray level co-occurrence matrix with the intent of describing the texture of the image. The features vector defines the statistic maintenance of the image and determines some metric space. The adequacy criterion is Euclidean proximity measure of metric spaces. There are five texture features for the criterion construction: average luminance of the image, energy, contrast, local homogeneity and maximum likelihood of pixels presence at the image with luminance i and j located at d distance from each other.We propose the method of statistic simulation for calculation of the threshold value criterion of adequacy for comparing processes. The random non-stationary signals of different kinds were generated by mathematical simulation methods. The criterion threshold value for each kind of signals was calculated by 1000 samples. The threshold value of the proximity measure is proved by series of simulation processes. If the significance level is α = 0.05, thus you can accept the value equal to 0.2 as a threshold value of the adequacy criterion.  If during the signals comparing the criterion value is less than mentioned value then the signals are considered as adequate. If the criterion value exceeds the threshold in that case the hypothesis about the processes proximity should be rejected and they are considered to be related to the different classes. This criterion is applied for evaluation of result’s adequacy as for mathematic modeling  as for hardware- in the loop simulation.

Keywords: Mathematical simulation; Process; Wavelet transformation; Mathematical statistics; Adequacy criterion; Image; Texture features .

Рус

Т. В. Овчинникова, А. А. Скрынников, П. Д. Джурасович (ФГУП «Государственный научно-исследовательский институт авиационных систем» ГНЦ РФ, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

T. V. Ovchinnikova, A. A. Skrynnikov, P. D. Dzhurasovich (State Research Institute of Aviation Systems State Scientific Center of Russian Federation, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. ГОСТ Р ИСО 16269-6–2005. Статистические методы. Статистическое представление данных. Определение статистических толерантных интервалов. Введ. 2005-09-01. М.: Стандартинформ, 2005. 28 с.
2. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАТЛИТ, 2006. 816 с.
3. ГОСТ Р ИСО 5479–2002. Статистические методы. Проверка отклонения распределения вероятностей от нормального распределения. Введ. 2002-07-01. М.: Госстандарт России, 2002. 31 с.
4. Прохоров С. А. Прикладной анализ неэквидистантных временных рядов. Самара: Изд-во Самарского гос. аэрокосм. ун-та, 2001. 375 с.
5. Иванов В. Э., Чье Ен Ун. Формирование рабочего алфавита признаков на основе вейвлет-преобразования в задачах классификации импульсных сигналов // Микропроцессорные и цифровые системы. 2006. № 2(12). С. 145 – 150.
6. Дьяконов В. П. Вейвлеты. От теории к практике. М.: Солон-Р, 2002. 448 с.
7. Овчинникова Т. В., Джурасович П. Д. Алгоритм оценки адекватности результатов моделирования натурным экспериментам на основе вейвлет-анализа временных рядов // Вестник компьютерных и информационных технологий. 2014. № 4. С. 8 – 14. doi: 10.14489/ vkit.2014.04.pp.008-014
8. Харалик Р. М. Статистический и структурный подходы к описанию текстур // Тр. института инженеров по электротехнике и радиоэлектронике. 1979. № 5. С. 98 – 118.
9. Вин Тхей. Признаки корреляционного типа в системе распознавания текстурных изображений // Научная сессия МИФИ-2007: сб. науч. тр. М., 2007. Т. 2. С. 17–18.
10. Родионова Н. В. Текстурная RGB-сегментация одноканальных TerraSAR-X изображений // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11, № 1. С. 301 – 307.
11. Фраленко В. П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. 2014. Т. 5, № 4-1. C. 19 – 39.
12. Гулаков В. К., Трубаков А. О., Огурцов С. Н. Информативная значимость текстурных характеристик на основе матрицы смежности уровней яркости пикселей изображения // Вестник Брянского гос. техн. ун-та. 2011. № 2(30). С. 81 – 85.
13. Лемешко Б. Ю., Постовалов С. Н. Компьютерные технологии анализа данных и исследования статистических закономерностей: учеб. пособие. Новосибирск: Изд-во НГТУ, 2004. 97 с.

Eng

1. Statistical methods. Statistical data representation. Determination of statistical tolerance intervals. (2005). Ru Standard No. GOST R ISO 16269-6–2005. Moscow: Standardinform. [in Russian language]
2. Kobzar' A. I. (2006). Applied mathematical statistics for engineers and scientists. Moscow: FIZMATLIT. [in Russian language]
3. Statistical methods. Verification of the probability distribution deviation from normal distribution. (2002). Ru Standard No. GOST R ISO 5479–2002. Moscow: Gosstandart Rossii. [in Russian language]
4. Prokhorov S. A. (2001). Applied analysis of non-equidistant time series. Samara: Izdatel'stvo Samarskogo gosudarst-vennogo aerokosmicheskogo universiteta. [in Russian language]
5. Ivanov V. E., Ch'e En Un. (2006). Formation of a working alphabet of the signs on the basis of wavelet transform in impulse signal classification tasks. Mikroprotsessornye i tsifrovye sistemy, 12(2), pp. 145-150. [in Russian language]
6. D'iakonov V. P. (2002). Wavelets. From theory to practice. Moscow: SOLON-R. [in Russian language]
7. Ovchinnikova T. V., Dzhurasovich P. D. (2014). The adequacy of estimation algorithm of simulation results to full-scaled experiments based on the wavelet-analysis of time sequences. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (4), pp. 8-14. doi: 10.14489/ vkit.2014.04.pp.008-014 [in Russian language]
8. Kharalik R. M. (1979). Statistical and structural approaches to the description of textures. Trudy instituta inzhenerov po elektrotekhnike i radioelektronike, 67(5), pp. 98-118. [in Russian language]
9. Mishulina O. A., Vin Tkhei. (2007). Priznaki korreliat-sionnogo tipa v sisteme raspoznavaniia teksturnykh izobrazhenii. Scientific session MEPhI-2007: collection of scientific articles in 17 volumes. Vol. 2, pp. 17-18. Moscow: MIFI. [in Russian language]
10. Rodionova N. V. (2014). Textured RGB segmentation of single-channel TerraSAR-X images. Sovremennye problemy distantsionnogo zondirovaniia Zemli iz kosmosa, 11(1), pp. 301-307. [in Russian language]
11. Fralenko V. P. (2014). Methods of texture analysis of images, data processing of remote sensing of the Earth. Programmnye sistemy: teoriia i prilozheniia, 5(4-1), pp. 19-39. [in Russian language]
12. Gulakov V. K., Trubakov A. O., Ogurtsov S. N. (2011). Informative significance of texture characteristics based on the matrix of adjacency of the brightness levels of the image pixels. Vestnik Brianskogo gosudarstvennogo tekhnicheskogo universiteta, 30(2), pp. 81-85. [in Russian language]
13. Lemeshko B. Iu., Postovalov S. N. (2004). Computer technologies of data analysis and research of statistical laws: textbook. Novosibirsk: Izdatel'stvo NGTU. [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2017.08.pp.030-039

и заполните  ФОРМУ 

Отправляя форму вы даете согласие на обработку персональных данных.

.

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

14489/vkit.2017.08.pp.030-039

and fill out the  FORM  

.

 

 

 
Поиск
Баннер
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Rambler's Top100 Яндекс цитирования