Інформаційний синтез інтелектуальної системи автофокусування електронного мікроскопа - Коммуникации, связь, цифровые приборы и радиоэлектроника дипломная работа
Главная
Коммуникации, связь, цифровые приборы и радиоэлектроника
Інформаційний синтез інтелектуальної системи автофокусування електронного мікроскопа
Методи машинного навчання систем керування. Інформаційне забезпечення інтелектуальної системи автофокусування електронного мікроскопа. Реалізація алгоритму самонастроювання з оптимізацією контрольних допусків. Перевірка даних на електронограмі алюмінію.
посмотреть текст работы
скачать работу можно здесь
полная информация о работе
весь список подобных работ
Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
«Інформаційний синтез інтелектуальної системи автофокусування електронного мікроскопа»
автофокусування електронний мікроскоп самонастроювання
Нехай клас, який характеризується найвищою функціональною ефективністю E max системи. Дано структурований вектор параметрів настроювання , відповідні обмеження на них і клас X 0 , який характеризує початковий стан ІСК, що настроюється. Треба в межах заданої оперативності за кроків настроювання перевести ІСК із класу X 0 у клас за умови досягнення максимального значення КФЕ
де E(S) інформаційна міра між класами Х 0 і поточним класом .
У результаті виконання дипломної роботи повінно бути виконано научний дослід методів. Після вибору оптимального методу необхідно реалізувати програмний пакет для обробки зображень цим методом.
2. Розроблення інформаційного та програмного забезпечення інтелектуальної системи автофокусування електронного мікроскопа
Важливою проблемою в електронній мікроскопії є автофокусування електронного мікроскопа за зображенням зразка, що досліджується. Це особливо актуально для забезпечення незмінних і однакових умов автоматичної класифікації об'єктів дослідження. Розглянемо алгоритм автофокусування електронного мікроскопа за зображенням зразка, що досліджується, в рамках МФСВ [35]. При цьому як параметр настроювання виступає струм об'єктивної (фокусуючої) лінзи . Ідея автофокусування мікроскопа полягає в обчисленні інформаційної міри між початковим (базовим) розфокусованим зображенням і поточним зображенням , яке встановлюється на -му кроці класифікаційного настроювання, порівнянні її значення з попереднім і прийнятті рішення про зміну струму на задану величину. На рис. 9 наведено такі позначення: номінальне значення параметра ; нижній і верхній експлуатаційні (нормовані) допуски на параметр відповідно; області, в яких значення оцінюються у формі “Менше норми”, “Норма” і “Більше норми” відповідно.
Рисунок 2.2.1 - Область значень параметра, що настроюється
Процес автофокусування продовжується до тих пір, поки значення струму не потрапить в область .
Оскільки контрольні допуски на відповідні значення ознак розпізнавання прямо впливають на геометричні параметри контейнерів класів розпізнавання, а отже і на асимптотичні точні сні характеристики СПР, то питання вибору СКД набуває важливого значення при розробці інформаційного забезпечення ІСК. Якщо задача визначення системи нормованих (експлуатаційних) допусків на значення ознак знайшла свій розв'язок, принаймі, в рамках параметричного підходу математичної статистики, то аналітичне розв'язання проблеми вибору СКД, дослідження її впливу на функціональну ефективність ІСК і вірогідність результатів контролю все ще не отримано. Основними причинами такого стану є:
· відсутність методів оптимізації параметрів функціонування складних систем за прямим та об'єктивним КФЕ;
· статистична нестійкість, неоднорідність і обмеженість навчальної вибірки, що не дозволяє використовувати відомі строгі методи параметричного підходу.
· виправдане з метрологічної точки зору допущення статистичної гіпотези про нормальність закону розподілу ймовірностей значень ознак розпізнавання при машинному прийнятті рішень призводить до збільшення помилки другого роду, оскільки контрольне поле допусків у цьому випадку береться завищеним.
Розглянемо підхід до оптимізації (в інформаційному розумінні) СКД на ознаки розпізнавання в рамках МФСВ [26]. Розглянемо симетричне (двостороннє) полє допусків на значення і-ї ознаки яке наведено на рис. 2.2.2.
Рисунок 2.2.2 - Симетричне поле допусків на значення ознаки розпізнавання
Тут прийнято такі позначення: А 0 номінальне значення ознаки y i ; А Н , А В нижній і верхній нормовані допуски відповідно; А НК , А ВК нижній і верхній контрольні допуски відповідно; Н,і , К,і нормоване та контрольне поля допусків відповідно. Існує декілька можливих стратегій зміни поля допусків К,і , серед яких відокремимо дві
· симетрична стратегія S 1 (), яка є виправданою, наприклад, за умови підтвердження розвідувальним аналізом збігання номінального значення А 0 з центром розсіювання значень навчальної вибірки ;
· асиметрична стратегія S 2 (), яка має місце при неспівпаданні значення А 0 з емпіричним центром розсіювання значень вибірки .
Задача оптимізації СКД на ознаки розпізнавання є частковою задачею інформаційного синтезу, в якій необхідно визначити екстремальні значення
де - область допустимих значень контрольних допусків. В процесі навчання оптимізація СКД здійснюється за ітераційною процедурою.
Розглянемо такі алгоритми оптимізації СКД:
· послідовний алгоритм, при якому контрольні допуски оптімізуються послідовно для кожної ознаки розпізнавання при фіксованих значеннях інших ознак;
· паралельний алгоритм, при якому контрольні допуски оптимізуються для всіх ознак одночасно;
· алгоритм оптимізації за зведеним полем допусків.
При класифікаційному управлінні об'єктами, для яких словник складається із груп і окремих ознак з різними шкалами виміру, доцільно застосовувати алгоритми послідовної або послідовно-паралельної оптимізації контрольних допусків. При розпізнаванні зображень за умови жорстких вимог до оперативності оброблення великих масивів відеоінформації виправданим є використання паралельного алгоритму оптимізації СКД.
Алгоритм оптимізації контрольних допусків за зведеним полем допусків доцільно застосовувати як послідовно-паралельний алгоритм за наявності різних шкал виміру груп ознак розпізнавання.
Алгоритм оптимізації контрольних допусків за МФСВ полягає у наближенні глобального максимуму інформаційного критерію оптимізації до найбільшого його значення в області значень функції. Тому важливого значення набуває дослідження збіжності такого алгоритму. Розглянемо збіжність алгоритму послідовної оптимізації контрольних допусків на ознаки розпізнавання. Введемо такі позначення:
- структурований вектор ознак розпізнавання;
- структурований вектор стартових параметрів контрольних допусків на ознаки розпізнавання;
- кількість прогонів ітераційної процедури послідовної оптимізації контрольних допусків;
- максимальне значення КФЕ в робочій області його визначення при l-му прогоні ітераційної процедури;
- найбільший глобальний максимум функції КФЕ в області її значень;
- значення параметра поля контрольних допусків для і-ої ознаки, яке отримано при l-му прогоні ітераційної процедури та дорівнює половині інтервалу ;
- екстремальне значення параметра поля контрольних допусків для і-ї ознаки;
- оптимальне значення поля контрольних допусків для і-ї ознаки:
і введених позначень алгоритм послідовної оптимізації поля контрольних допусків на ознаки розпізнавання приймає вигляд
де - області допустимих значень поля контрольних допусків для і-ої ознаки, критерію оптимізації і кодової відстані відповідно; - символ операції повторення.
Оскільки за властивістю інформаційного критерію , то відношення рівності може бути тільки за умови, що стартове значення дорівнює екстремальному. Так само справедливо для всіх N екстремальних значень
Таким чином, послідовність є спадною і обмеженою знизу, оскільки її члени позитивні. Але не ясно, чи є послідовність стаціонарною, тобто чи існує таке , що для будь-якого .
. Але звідси не обов'язково витікає, що , оскільки функція не є взаємно-однозначною. Покажемо концептуально, що все-таки існує для будь-якого .
У силу максимально-дистанційного принципу розпізнавання образів у процесі оптимізації розбиття для найближчих сусідніх класів і повинна виконуватися умова з обмеженнями
Нехай існує для функції множина екстремальних параметрів:
. Оскільки збільшення параметра збільшує ймовірність переходу і-ї координати еталонного вектора в одиницю, то за умови, що еталонний вектор є одиничним, має місце
Таким чином, можна стверджувати, що припущення про стаціонарність послідовності є справедливим, оскільки в силу максимально-дистанційного принципу розпізнавання образів за умови існує оптимальне значення параметру поля контрольних допусків .
Так само, виходячи із концепції методу автоматичної класифікації (у даному випадку МФСВ), що є найбільш ефективним методом евристичного виведення, можна довести, що алгоритм паралельної оптимізації контрольних допусків на ознаки розпізнавання збігається за ймовірністю, тобто , де -будь-яке мале позитивне число. Таким чином, послідовність не є стаціонарною. Тут l - кількість кроків одночасного збільшення контрольних допусків для всіх N ознак розпізнавання.
Паралельний алгоритм LEARNING-2 оптимізує параметри контейнерів класів розпізнавання за умови ітераційної процедури визначення для базового класу оптимальних контрольних допусків на всі ознаки одночасно. Вхідні дані такі самі як і для алгоритму LEARNING-1, але за область визначення параметра приймається інтервал , де ширина нормованого поля допусків.
Розглянемо кроки реалізації цього алгоритму:
1. Обнулюється лічильник кроків зміни параметра : l:=0.
2. Запускається лічильник: l:=l+1 і обчислюються нижні та верхні контрольні допуски для всіх ознак
4. Реалізується базовий алгоритм навчання.
5. Якщо , то виконується пункт 5, інакше пункт 6.
6. Якщо , то виконується пункт 2, інакше пункт 6.
Формування еталонного двійкового вектора здійснюється за правилом:
Аналогічно обробляється поточне зображення . Таким чином, на кожному кроці автофокусування формуються вхідні дані, необхідні для обчислення інформаційної міри між базовим і поточним зображеннями. Умовою запуску алгоритму автофокусування є вихід мікроскопа із стану, що відповідає класу . При цьому за базовий клас приймається зображення зразка на момент запуску алгоритму. Вхідними даними є матриця яскравості , еталонна реалізація і відповідні нормовані допуски і для струму .
Методи моделювання динамічних систем. Огляд методів синтезу. Математичне забезпечення вирішення задачі системи управління. Моделювання процесів за допомогою пакету VisSim. Дослідження стійкості системи управління. Реалізація програмного забезпечення. дипломная работа [3,8 M], добавлен 07.11.2011
Загальна характеристика принципу роботи електронного замка. Написання коду програми, який забезпечить працездатність пристрою й подальшу його експлуатацію. Розробка принципової схеми і друкованої плати, системи керування створеним електронним замком. дипломная работа [1,1 M], добавлен 03.05.2015
Забезпечення індикації інформації навігаційних систем літака, електронні пілотажні прилади: пульт керування, генератор символів, метеолокатор, перемикач вибору режиму; типова індикація електронного директорного авіагоризонту і горизонтального положення. практическая работа [588,7 K], добавлен 13.01.2011
Технологічні різновиди електронної мікроскопії як найважливішого інструменту нанотехнологій. Проблеми вимірів лінійних розмірів нанооб'єктів, їх візуалізація. Принцип роботи скануючого електронного мікроскопа. Особливості використання нанотерезів. контрольная работа [1,0 M], добавлен 13.05.2012
Обзір мікропроцесорних систем запалювання. Порядок підключення електронного осцилографу до діагностичних виводів контролера. Причини й методи усунення несправностей системи запалювання. Складання тестів по структурним діагностичним параметрам. дипломная работа [343,6 K], добавлен 02.06.2011
Процес формування сигналу-коду та його перевірка. Ескізне проектування, електрична структурна схема, основні аспекти роботи системи. Розробка моделі на мові VHDL, генерація кодової послідовності, схеми мультиплексорів та реалізація приймача сигналу. курсовая работа [422,6 K], добавлен 18.09.2010
Вибір конфігурації контролера і схем підключення. Схеми підключення зовнішніх пристроїв. Розроблення прикладного програмного забезпечення для реалізації алгоритму керування. Налагодження програмного забезпечення. Розрахунок надійності системи. курсовая работа [3,8 M], добавлен 18.01.2014
Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д. PPT, PPTX и PDF-файлы представлены только в архивах. Рекомендуем скачать работу .
© 2000 — 2021
Інформаційний синтез інтелектуальної системи автофокусування електронного мікроскопа дипломная работа. Коммуникации, связь, цифровые приборы и радиоэлектроника.
Практическое задание по теме Международное право (конспект)
Реферат: Спрос, кривая спроса и эластичность. Скачать бесплатно и без регистрации
Дипломная работа по теме Сравнительная характеристика институтов освобождения от административной и уголовной ответственности
Доклад по теме Межиров А.П.
Курсовая работа по теме Проектирование технологии печатных процессов для книжного издания
Реферат: Важнейшие элементы риторического образования
Дипломная работа по теме Формирование финансовых результатов фермерского хозяйства 'Чичковых'
Курсовая работа по теме Ветви государственной власти
Правила Оформления Реферата Для Школьников
Дипломная работа: Особенности компенсации морального вреда при нарушении прав потребителей
Правовой Статус Сотрудника Полиции Реферат
Контрольная работа: Методы анализа инновационных проектов
Курсовая работа: Динамика изменения значений индекса загрязненности морской воды акватории Северного Каспия с 2001 по 2004 год
Контрольная работа: Обязательства вследствие причинения вреда. Индивидуализация юридического лица
Контрольная работа: Конституции императоров
Реферат: Kafka
Презентация Структура Итогового Сочинения 2022 2022
Реферат: Развитие советского военного флота
Контрольная работа по теме Правила работы с обращениями граждан
Реферат по теме Шекспировский театр 'Глобус'. История, специфика и особенности
Авторское право как институт правовой защиты прикладного программно-математического обеспечения ЭВМ - Государство и право курс лекций
Криминологическая характеристика рецидивной и профессиональной преступности - Государство и право дипломная работа
Дифференциация уголовной ответственности за мошенничество: проблемы и пути их решения - Государство и право контрольная работа