ной. Степень соответствия обработанных трендов признаков эталон-
ной модели ситуации вычисляется по формуле
η
= min
t
2
[
t
s
,t
e
]
η
t
= min
t
2
[
t
0
,t
149
]
η
t
= 0
,
91
.
Чем ближе показатель
η
к единице, тем точнее тренды признаков
соответствуют эталонной модели ситуации и тем выше достоверность
распознавания ситуации. Полученное значение
η
= 0
,
91
свидетель-
ствует о высокой достоверности распознавания ситуации.
Заключение.
Настоящая работа представляет основы подхода для
анализа ситуаций в среде движущихся объектов, начиная с описа-
ния анализируемых ситуаций, последующего моделирования трендов
и заканчивая их распознаванием и визуализацией результатов. Раз-
работана методика для формального представления ситуаций в виде
двухуровневых иерархических нечетких конечных автоматов. Подго-
товлена и испытана платформа для моделирования ситуаций с участи-
ем движущихся объектов в виртуальной среде. Предложен подход к
анализу ситуаций по траекториям движения объектов.
В дальнейшем планируется провести более полное тестирование
предложенных подходов на виртуальных данных, их соответствия ре-
альным данным, а также автоматизированное извлечение данных для
построения эталонных трендов и соответствующих им автоматов по
результатам виртуального моделирования.
ЛИТЕРАТУРА
1.
Ениколопов С.Н.
,
Кузнецова Ю.М.
Задача распознавания ситуаций насилия с
применением автоматизированных систем и методов искусственного интеллек-
та. [Электронный ресурс] Режим доступа:
. Про-
верено 10.03.2013.
2.
Бескид П.П.
Алгоритмическое обеспечение информационной поддержки оцени-
вания динамической ситуации в многосенсорных системах при автоматическом
сопровождении надводных объектов. Дис. . . . д-ра техн. наук. СПб., 2006.
3.
Tumer M.B.
,
Belfore L.A.
,
Ropella K.M.
A syntactic methodology for automatic
diagnosis by analysis of continuous time measurements using hierarchical signal
representations // IEEE Transactions on Systems, Man and Cybernetics. 2003.
Vol. 33B, no. 6. P. 951–965.
4.
Bailador G.
,
Trivioo G.
Pattern recognition using temporal fuzzy automata // Fuzzy
Sets and Systems. 2010. Vol. 161, no. 1. P. 37–55.
5.
Zhi-Qiang L.
,
Bruton L.T.
,
Bezdek J.C.
Dynamic image sequence analysis using fuzzy
measures // IEEE Transactions on Systems, Man, and Cybernetics. 2001. Vol. 31B,
no. 4. P. 557–572.
6.
Bai L.
,
Lao S.
,
Jones G.J.
,
Smeaton A.F.
A Semantic content analysis model for
sports video based on perception concepts and finite state machines // ICME. 2007.
P. 1407–1410.
7.
Li X.
,
Hu W.
,
Zhang Z.
,
Zhang X.
,
Luo G
. Trajectory-based video retrieval using
Dirichlet process mixture models // BMVC. 2008.
40 ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2013. № 3
