Регистрация / Вход
Прислать материал

Разработка математического, алгоритмического и программного обеспечения для решения задачи аудио дактилоскопии орнитофауны биоценоза

ФИО: Павлов А. О.

Направление: Информационные технологии

Научный руководитель: к.т.н. Баранникова Ирина Владимировна

Институт: Институт информационных технологий и автоматизированных систем управления

Кафедра: Кафедра Инженерной кибернетики

Академическая группа: ММ-10-1

Ухудшение экологической ситуации в мире и, как следствие, изменение компонентов биосферы, приводит к необходимости человеческого контроля над окружающей средой. Одним из аспектов этого контроля является регулирование численности и разнообразия животных популяций, в частоности, состав и количество пернатых сообществ. Наблюдение за птицами – непростая задача, часто она осложняется невозможностью визуальной идентификации птиц в среде их обитания. Орнитологи при определении вида и рода птицы ориентируются на её песню, ведь она является харакатерной особенностью каждого вида. При автоматическом изучении численности и состава орнитофауны выбранного региона или биоценоза анализ аудио записей пения птиц значильно проще, нежели распозование видеоряда жизни птиц. Вследствии чего, представляется разумной задача автоматического распознавания вида птиц по аудиозаписи ее пения. В дальнейшем, это позволит получать данные о составе птичиьх сообществ при помощи использования простейших устройств с функцией микрофонной записи, размещенных в среде обитания птиц.

В работе рассматривается задача аудио дактилоскопии вида птицы по микрофонной записи её пения. Для этого требуется разработать математичекое, алгоритмическое и программное обеспечение, решающее следующие задачи:

1) унифицирование входного сигнала

2) поиск пиков входного сигнала по формуле:

где St, ω биологическая среда – плесень, микроорганизмы, насекомые.

1. Физико-техническими характеристиками разрабатываемых горных пород.

Прогнозирование технического состояния является наиболее эффективным методом повышения надежности оборудования. На практике существует два вида прогноза – на короткий интервал времени, до нескольких дней, и на интервал от недели до нескольких месяцев с целью планирования технического обслуживания и ремонта.

Методы прогнозирования делятся на интуитивные (экспертные) и формализованные. Для решения задач прогнозирования технического состояния оборудования наиболее часто применяют формализованные методы прогнозирования. К формализованным методам относятся статистические методы и методы моделирования. Они базируются на количественной зависимости переменных.

Основной проблемой прогнозирования технического состояния карьерного оборудования является большое количество случайных факторов, влияющих на надежность объекта. Прогнозирование технического состояния карьерного оборудования не поддается надежному анализу и моделированию традиционными методами, что вызывает необходимость разработки новых моделей и алгоритмов.

Одним из перспективных способов повышения эффективности систем технического обслуживания и ремонта оборудования является применение нейронных сетей. Под искусственными нейронными сетями подразумевают вычислительные структуры, состоящие из большого количества однотипных элементов, каждый из которых выполняет определенные функции.

Нейронные сети позволяют создавать высоко адаптивные нелинейные прогнозные модели, способствующие моделированию и выполнению прогнозов сложных временных зависимостей с большей эффективностью и точностью по сравнению с известными статистическими методами [3].

Процесс прогнозирования с помощью нейронных сетей состоит из следующих этапов:

• Выбор типа нейронной сети;

• Сбор и анализ входных обучающих данных;

• Обучение нейронной сети (создание базы правил);

• Тестирование на контрольном множестве данных и при необходимости доработка базы;

• Эксплуатация системы в качестве средства прогнозирования, с возможностью доработки.

Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений или каких-то существующих в настоящий момент факторов.

Главные преимущества нейронных сетей:

1) нейронные сети позволяют вычислить сложные зависимости, а также моделировать зависимости с большим числом переменных.

2) нейронные сети учатся на примерах.

Использование нейронных сетей позволит создать новую систему для прогнозирования состояний комплексов карьерного оборудования и отдельных деталей. Результаты прогнозирования явятся основой поддержки принятия решений в системах технического обслуживания и ремонта оборудования.