Россия
, Россия
В настоящее время существует множество моделей интеллектуальных интерфейсов поисковых информационных систем для поиска с помощью естественных для пользователя модальностей речи, лица, жестов и их распознавания. В данной статье на примере интеллектуального интерфейса беспилотного летающего аппарата будут исследованы две модели распознавания модальностей пользователя, это скрытые марковские модели и байесова сеть. Эти модели должны будут распознать жесты кисти руки оператора беспилотного летающего аппарата.
Интеллектуальный интерфейс, модели исследования, скрытые марковские модели, сеть байеса, поисковые информационные системы
1. Аркадьев, А. Г. Обучение машины распознаванию образов / А. Г. Аркадьев, Э. М. Браверман. – Москва : Наука, 1964. – 112 с.
2. Баруча-Рид, А. Т. Элементы теории марковских процессов и их приложения / А. Т. Баруча-Рид. – Москва : Наука, 1969. – 512 с.
3. Борисов, А. В. Методы анализа и оценивания в скрытых марковских системах при обработке разнородной информации: автореф. … д-ра ф.-м.. наук: 05.13.01 / А. В. Борисов. – М., 2008. – 31 с.
4. Борисов, А. В. Анализ и оценивание состояний специальных скачкообразных марковских процессов I: мартингальное представление / А. В. Борисов // Автоматика и телемеханика. – 2004. – Т. 65, № 1. – С. 45-60.
5. Борисов, А. В. Анализ и оценивание состояний специальных скачкообразных марковских процессов II: оптимальная фильтрация в присутствии винеровских шумов / А. В. Борисов // Автоматика и телемеханика. – 2004. – Т. 65, № 5. – С. 61-76.
6. Папагеоргиу, К. Обучаемая система для обнаружения объектов / К. Папагеоргиу, Т. Поджио // Computer Vision. – 2000. – T. 38, № 1. – Pp. 15-33.
7. Борисов, А. В. Минимаксное апостериорное оценивание в скрытых марковских моделях / А. В. Борисов // Автоматика и телемеханика. – 2007. – Т. 68, № 11. – С. 31-45.
8. Вапник, В. Н. Теория распознавания образов (статистические проблемы обучения) / В. Н. Вапник, А. Я. Червоненкис. – Москва : Наука, 1974. – 416 с.
9. Ту, Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес. – Москва: Мир, 1978. – 414 с.
10. Форсайт, Д.А. Компьютерное зрение. Современный подход / Д.А. Форсайт, Д. Понс. – Москва : Вилямс, 2004. – 928 с.
11. Гефке, Д. А. Применение скрытых марковских моделей для распознавания звуковых последовательностей / Д. А. Гефке, П. М. Зацепин // Известия алтайского государственного университета. – 2012. – № 1-2 (73). – С. 72-76.
12. Шлезингер, М. Десять лекций по статистическому и структурному распознаванию / М. Шлезингер, В. Главач. – Киев : Наукова думка, 2004. – 535 с.
13. Шлезингер, М. И. Взаимосвязь обучения и самообучения в распознавании образов / М. И. Шлезингер // Кибернетика. – 1968. – № 2. – С. 81-88
14. Su, J. Full Bayesian Network Classifiers /J. Su, H. Zhang // Proc. of the 23rd internat. conf. on Machine learning. – 2005. – Pp. 897-904.
15. Ong, S. Automatic sign language analysis: a survey and the future beyond lexical meaning / S. Ong, S. Ranganath // IEEE Transactions on Pattern Analysis and Machine Intelligence. –2005. – Vol. 27, №6. – Pp. 873–891.
16. Сербулов, Ю. С. Мера информации в задачах выбора и распределения информационных ресурсов / Ю. С. Сербулов, О. Ю. Лавлинская, В. В. Лавлинский // Инженерная физика. – 2010. – № 4. – С. 7-8.
17. Лавлинский, В. В. Теоретические предпосылки решения проблем формирования моделей и методов взаимодействия информационных процессов / В. В. Лавлинский // Моделирование систем и процессов. – 2013. – № 2. – С. 30-36.
18. Лавлинский, В. В. Теоретические основы математического моделирования для описания целенаправленных систем / В. В. Лавлинский, Е. А. Рогозин, С. Н. Яньшин // Вестник Воронежского института МВД России. – 2017. – № 2. – С. 143-153.
