Фундаментальные основы нелинейной идентификации слабоконтрастных объектов: Событий, явлений тема диссертации и автореферата по ВАК РФ 05.13.16, доктор физико-математических наук Глазунов, Александр Сергеевич

• Глазунов, Александр Сергеевич
• доктор физико-математических наук
• 1997

Оглавление диссертации доктор физико-математических наук Глазунов, Александр Сергеевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЩИЕ ОСНОВЫ НЕЛИНЕЙНОЙ ИДЕНТИФИКАЦИИ

СЛАБОКОНТРАСТНЫХ ОБЪЕКТОВ

§ 1.1. Обоснование структурно-инвариантных динамических постулатов нелинейной идентификации с позиций теории восприятия

§1.2. Динамическое распознавание Среды

§ 1,3. Феноменологические модели информативных признаков в задачах нелинейной идентификации и прогнозирования на основе

эвристических критериев

§ 1.4. Обобщенные методы поиска информативных "точечных"

признаков слабоконтрастных объектов

§ 1.5. Выводы

ГЛАВА 2. МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРОЕКТИРОВАНИЯ СИСТЕМ КИБЕРНЕТИЧЕСКОГО ВИДЕНИЯ СЛАБОКОНТРАСТНЫХ ОБЪЕКТОВ

§ 2.1. "Точечные" сложные структуры кривых и базисные ортогональные разложения

§ 2.2. Свойства случайных полиномов от случайных величин

§ 2.3. Оптимальная фильтрация полинома

§ 2.4, Введение в цветное распознавание малоконтрастных объектов

(задача комплексирования)

§ 2.5. Методы цветного синтеза пространственно-временной неоднородной информации

§ 2.6. LUV - методы в системах дистанционного зондирования

§ 2.7. Цветное распознавание слабоконтрастных объектов и вычисление информативных признаков в цветных пространствах

§ 2.8. Идентификация слабоконтрастных объектов по комплексной информации, представленной случайными процессами в разных

ситуациях

§ 2.9. Выводы

ГЛАВА 3. ЗАДАЧА АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ

ЧЕЛОВЕЧЕСКИХ ЛИЦ

§ 3.1. Методы автоматического распознавания лиц

§ 3.2, Методы автоматического выделение элементов лица, (метод

деформируемых эталонов, метод активного контура)

§ 3.3. Методы описания лица на основе K-L композиции.

(параллельное обнаружение)

§ 3.4. Автоматическое распознавание лица человека на основе эталонов

§ 3.5. Аналитический метод определение ракурса изображения лица

(элемента лица) относительно заданного

§ З.б. Выводы

ГЛАВА 4. ИНТЕЛЛЕКТУАЛИЗАЦИЯ СИСТЕМ КИБЕРНЕТИЧЕСКОГО ВИДЕНИЯ СЛАБОКОНТРАСТНЫХ ОБЪЕКТОВ

§ 4.1. Конструктивный подход к интеллектуализации систем кибернетического видения слабоконтрастных обьектов

§ 4.2. Способы представления сложных полей пространственно-временных структур и верхние оценки в задаче моделирования

слабоконтрастных фонов и обьектов

§ 4.3. Оценки границ вероятности правильной классификации наблюдений пространственно-временных структур

§ 4.4. Оценка точности вычисления экстремальных информативных

признаков на сложных полях

§ 4.5. Выводы

ГЛАВА 5. НЕЛИНЕЙНАЯ ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ В КАРДИОЛОГИИ И ХИРУРГИИ

§ 5.1. Математический анализ закономерностей клинического течения инфаркта миокарда

§ 5.2. Пространственно-временные закономерности гемодинамики

§ 5.3. Математическое моделирование динамики развития инфаркта

миокарда

§ 5.4. Задача прогнозирования развития хирургического сепсиса

§ 5.5. Выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

Введение диссертации (часть автореферата) на тему «Фундаментальные основы нелинейной идентификации слабоконтрастных объектов: Событий, явлений»

ВВЕДЕНИЕ

Актуальность работы. Разработка систем кибернетического наблюдения слабоконтрастных объектов (СКНСО) при создании автоматических комплексов, способных самостоятельно проводить оценку ситуаций и обьектов в окружающей Среде, принимать решения и проводить технологические воздействия, является одной из центральных проблем в современных научных и прикладных исследованиях. О важности разработки принципов проектирования СКНСО можно судить по сфере их применения в настоящее время: медицинские системы мониторинга и диагностики, криминалистика, космический и воздушный мониторинг, высокоточное технологическое оборудование на принципах "выполнил-забыл", поиск и контроль природных ресурсов с помощью ДЗЗ, прогнозирование и распознавание природных катаклизмов, обработка и интерпретация экспериментальных данных и т.д.

Существующие методы проектирования СКНСО на базе моделиро-

у и V

вания явлении и ситуации, теории распознавания образов, теории принятия решения и т.д. в случае слабоконтрастности обьектов и ситуаций зачастую не позволяют создать робастные системы видения. Хотя именно слабоконтрастность составляет основную содержательную часть информации, которая поступает человеку. В этой связи возникает крайняя необходимость разработки принципов и методического обеспечения проектирования систем видения слабоконтрастных обьектов и ситуаций, разработки на основе этих принципов методов и алгоритмов решения конкретных задач по кибернетическому видению слабоконтрастных обьектов, создания соответствующего алгоритмического обеспечения и демонстрации высокой эффективности разработанных принципов и методов при решении задач, характерных для слабоконтрастных обьектов и ситуация.

Таким образом, разработка моделей и методов проектирования систем кибернетического наблюдения слабоконтрастных обьектов и си-

туаций представляет собой важную и актуальную фундаментальную и прикладную проблему.

Современное состояние проблемы. Исследование и разработка систем кибернетического видения слабоконтрастных обьектов (СКВСО) в наземной обстановке для решения задач автоматического распознавания и идентификации в сложных фоноцелевых ситуациях с помощью аэрокосмических комплексов в настоящее время становятся все более актуальными. Данная область наиболее репрезентативная сфера применения СКВСО. Эта необходимость всякий раз становится все более очевидной после анализа природных катаклизмов, техногенных катастроф, межрегиональных конфликтов и других событий. Работы Бело-церковского О.М., Гуськова Г.Я., Гусева Л.И., Ефремова Г.А., Козлова Д.И., Савина А.И., Семенова Ю.П., Селиванова А.С,, Чернявского Г.М., Федосова Е.А., Черевкова К.В. и др. позволили разработать и создать современные системы аэрокосмического наблюдения. Кроме того, эти работы являются тем базисом, который позволяет продвинуться дальше в фундаментальных исследованиях.

Ускорение развития и совершенствования технологий проектирования СКВСО связано с несколькими обстоятельствами:

- темпы и объемы поступающей информации с датчиков аэрокосмических систем наблюдения и слежения столь высоки (Тгб), что легко спрогнозировать общее количество операторов-дешифровщиков, по аналогии с известными прогнозами о числе программистов в рамках программы ЭВМ 5-го поколения. Однако существующие методы автоматизированной дешифровки, основанные на стандартных методах описания и распознавания, не обеспечивают в настоящее время должной автоматизации и требуют углубленной дальнейшей проработки;

- повышение требований к функциональным возможностям современных аэрокосмических систем наблюдения и слежения, в частности автоматизация, интеллектуализация и оперативность работы аэрокосмических систем в условиях атмосферных помех, маскировочных меро-

приятиях и радиоэлектронного противодействия и т. п. Эти условия налагают достаточно жесткие требования к программно-аппаратным средствам, что, в свою очередь, приводит к необходимости поиска новых методических и алгоритмических разработок

- классические методы описания и распознавания, не проработаны в должной степени, в частности отсутствует критерии качества и эффективности и способы оценки эталонных изображений на предмет устойчивости.

- исследования в оптическом диапазоне привели к тому, что в условиях слабоконтрастности и малоразмерности объектов, потребовалась разработка новых методов обнаружения, связанных с переходом на другие спектральные диапазоны и использованием возможно новых физических принципов обнаружения, основанных на новых физических эффектах, сопровождающих и характерных для искомых объектов или целей. В настоящее время такими диапазонами принято считать РЛС, ИК, УФ-диапазоны. Однако работы в этих спектральных диапазонах, с учетом усиления помех, маскировки и противодействия, привели к тому, что условия слабоконтрастности стали в этих спектральных диапазонах идентичными оптическому диапазону. Поэтому проблема распознавания и идентификации слабоконтрастных обьектов не исчезла, а стала еще более насущной.

В этой связи здесь следует отметить основные исторические направления технологии проектирования СКВСО. Впервые технология распознавания появилась в конце 60 годов в области биомедкибернетики, где значительный вклад внесли Анохин П.К., Амосов Н.М., Бонград М.М., Вапник В.Н., Глушков В.М., Грановская P.M., Глезер В.Д., Ломов Б.Ф., Иваницкий A.M., Розенблат Ф. и др. В США затем эта технология вошла в частности в программу создания системы LANTIRN. Однако в 1984г. научно-технический комитет МО США после анализа технологии в рамках программы LANTIRN признал ее несовершенной для дальнейшей разработки в полном объеме. Но затем в технологии

СКВСО появились новые успехи, и в 1987г. признал ее вновь перспективной. Были преодолены трудности, связанные с распознаванием воздушных и крупных стационарных целей в условиях отсутствия или наличия незначительных местных помех. Наряду с этим остаются проблемы обнаружения и распознавания маскирующихся целей в сложных динамических обстановках. По мнению специалистов США для решения этой проблемы потребуется еще не менее 5-10 лет. Следует отметить, что в настоящее время не существует действующих СКВСО, но разработка их осуществляется в рамках программ отдельных перспективных бортовых систем. Сегмент технологии системы аэрокосмического видения показан на рис.1.

Проектирование СКВСО требует четко определенной основы, предусматривающей ответы на следующие вопросы: - каковы требования к выполнению функциональной задачи данным технологическим комплексом или системой; - насколько сложна классификация обьектов для разрабатываемой системы; - потребуется ли для технологического комплекса, выбранного для выполнения поставленной задачи, дедуктивный или индуктивный ход рассуждений; - если в процессе принятия решений предусматривается участие человека, то в какой степени машина осуществляет управление технологическим комплексом; - какие характеристики датчиков (например, разрешающая способность изображения) требуется; - какие методы корреляции лучше всего подходят к отдельным датчикам; - как комплексировать разнородную и гетерогенную информацию с разных датчиков, установленных, возможно, на разных платформах, для решения задачи СКВСО; -и др.

Рис.1.

Если первые четыре вопроса в основном касаются выполнения технологических задач, то последние вопросы относятся собственно к технологии проектирования СКВСО.

В настоящее время, после почти трех десятилетий, разрозненных и разнородных исследований в области создания СКВСО достигнуты определенные успехи. Можно выделить четыре основных типа методов идентификации в системах СКВСО: - методы обработки изображений, предполагающие использование эталонов для целей, поиск которых осуществляется; - методы статистического распознавания образов для выборки из изображения цели данных, соответствующих характерным ее признакам; - методы видения на основе моделей, при которых признаки целей сравниваются с признаками, рассчитанными на основе хранимых в памяти ЭВМ моделей; - методы видения на основе нейронных сетей, представляющих собой модели человеческого мозга.

Огромную роль в разработку и создание этих методов внесли Амосов Н.М., Айзерман М.А., Белоглазов И.Н., Браверман Э.М., Бондур В.Г., Василенко Г.И., Галушкин А.И., Глезер В.Д., Гренандер У., Горелик A.JL, Гончаренко A.A., Долгих H.A., Дунин-Барковский B.JL, Журавлев Ю.И., Кринский В.И., Красовский A.A., Кондранин Т.В., Кравченко В.Ф., Лупанов О.Б., Матросов В.М., Мирошников М.М., Натан A.A., Поспелов Г.С., Поспелов Д.А., Пономарев В.И., Попов Э.В., Прэтт У., Пытьев Ю.П., Рвачев В.А., Рвачев В.Л., Рудаков К.В., Рязанов В. В., Смоктий О.И., Орлов В.М., Фабриков В.А., Файн B.C., Фомин В.Н., Хант Б., Черевков К.В., Тараторин A.M., Тарасенко В.П., Трифонов Ю.В., Щенников В.В., Хургин Я.И., Цыпкин Я.З. Ярославский Л.П., Яковлев В.П. и др.

Практически во многих работах отмечается, что методы нелинейной идентификации и распознавания не обладают значительной устойчивостью и могут использоваться в СКВСО лишь в ограниченном числе сценариев в условиях малоизменяющейся обстановки. Для повышения устойчивости алгоритмов необходимо обеспечить обучение их работе в

большом диапазоне изменения обстановки и в условиях появления новых целей. Для этого следует обеспечить крайне большой объем информации о вероятных целях, которую практически либо трудно получить, либо это будет связано с большими затратами. По мнению специалистов лаборатории бортового электронного оборудования (авиабаза Райт-Патерсон) более целесообразно вести разработку методов видения для систем СКВСО на основе моделей целей. Обучение этих алгоритмов производится на моделях изображений, синтезируемых с помощью ЭВМ, с учетом изменяющейся обстановки. Данный метод обучения более простой и надежный, логически ясный, к тому же он позволяет производить синтезирование изображений отсутствующих целей, при наличии сильных местных помех и быстро меняющейся обстановки. И хотя эти методы видения недостаточно отработаны, они уже реально существуют.

Огромный вклад в разработку теоретических и прикладных методов расчета моделей обьектов, явлений (их сценариев) внесли Белоцерков-ский О.М., Годунов С.К., Красовский A.A., Кондратьев К.Я., Курдюмов С.П., Самарский A.A., Рождественский Б.Л., Рябенький B.C., Рытов С.М., Марчук Г.И., Щенников В.В., Толстых А.И., Холодов A.C., Зуев В.Е., Журавлев Ю.И., и др.

Следует заметить, что разработка СКВСО затрудняется тем, что специалисты, создающие методическое и алгоритмическое обеспечение СКВСО, не участвуют должным образом в разработке датчиков. В то же время, из-за отсутствия должного уровня качества алгоритмов СКВСО, включая отсутствие методик оценки качества, требования к датчикам со стороны специалистов в области алгоритмов СКВСО пока очень расплывчаты и общи.

Тем не менее, в настоящее время в США выполняется ряд программ по разработке систем СКВСО с усовершенствованными системами FLIR, LANTIRN, датчиками миллиметрового диапазона, а также с применением лазерных локаторов. Полагают, что эти системы второго по-

коления в значительной мере предопределяют решения по проектированию СКВСО. С этой целью начались более интенсивные исследования алгоритмов на основе моделей целей, а также нейронных алгоритмов. Мы не будем здесь более подробно останавливаться на описаниях зарубежных разрабатываемых системах СКВСО. Более подробное описание новых методов и их методического обеспечения будет дано в главах диссертации. Отметим только, что DARPA предполагает установить постоянную проверку методов и алгоритмов видения для высокоточных интеллектуальных технологических систем, с целью перехода от лабораторных разработок к этапу натурных испытаний в 1995-2000гг.

В общем случае в основе проектирования СКВСО лежат решения задач, которые изложим в виде двух постановок, отражающие методы решения:

Задача 1. Статистическая постановка. Будем называть случайный вектор X, принадлежащий области sx N - мерного евклидова пространства rn , х ssx c:rn наблюдаемым образом обьекта. Координаты этого вектора -это измерения, которые проводятся в пространстве измерений для получения формального описания исследуемого обьекта. Пространство r n называют также пространством исходных описаний.

Пусть в области sx имеется также m эталонных (идеальных) образов или классов wl,...jtfm . Каждый из этих образов может иметь

т

место с вероятностью Рг, ]Грг =1 Предположим также, что известны

г= 1

р(х - плотности распределения вероятностей образа X при условии, что он является наблюдаемой реализацией эталона w.. При задании априорной информации в таком виде можно рассматривать задачу классификации как задачу теории статистических решений (проверка m статистических гипотез). Эта задача состоит в принятии решения

d(X) о том, какой из эталонных образов w. имеет место, если наблюдается образ X.

Задача 2. Алгебраическая постановка (по Журавлеву Ю.И.).

Пусть дано множество M обьектов со ; на этом множестве существует разбиение на конечное число подмножеств (классов) Q., i=l,...,m,

m

м = |Jni. Разбиение определено не полностью. Задана лишь некото-i—1

рая исходная информация ^ о классах 0,{. Обьекты со задаются значениями некоторых признаков xj? j=l,...,N . Набор признаков является

одним и тем же для всех обьектов, рассматриваемых при решении задачи распознавания. Совокупность значений признаков Xj определяет

описание Цсо обьекта со. Каждый из признаков может принимать значения из различного множества допустимых значений, в частности обычно рассматриваются следующие множества: 1. {0,1, д}, где Д-информация о признаке отсутствует; 2. {0,l,...,d} - признак имеет значения по градациям; 3. { а1,...,ап}, п>2, признак имеет конечное число значений; 4. [a,b],(a,b],[a,b), (a,b) - признак принимает произвольные значения в указанных интервалах. 5. Значениями признака Xj являются функции некоторого класса; 6. Значениями признака Xj являются

< У О W я

функции распределения некоторой случайной величины. 7. и т.д.

Описание обьекта I(со = (х^пг ,...,xN (ш ) называется стандартным, если Xj (m принимает значения из множества допустимых значений.

Задача распознавания со стандартной информации состоит в том, чтобы для данного обьекта со и набора классов nj,...,Qm по обучающей информации i0(Q1,...,Om) о классах и описанию i(со вычислить значения предикатов р.( со еЦ), i=l,...,m.

Определение слабоконтрастности обьектов (ситуаций) наиболее наглядно можно ввести, используя полутоновые изображения. Пусть яркость смежных областей i, j определяется совокупностью точек каждой

области с соответствующими им математическими ожиданиями яркости Ц,!,. и их дисперсиями а?, с2. Тогда слабоконтрастное изобра-

жение характеризуется условием Ц - Ц|< ^ст* + а. , В этом случае, как показано на рис.2., разделить классы дискриминантными поверхностями не удается. Несепарабельность классов может быть связана не только с неоптимальным пространством описания, но и с топологией пространства классов обьектов. Таким образом, нелинейность задач идентификации слабоконтрастных обьектов связана не только с

нелинейными дискриминантными правилами, но и с сложной топологии классов обьектов и ситуаций.

Одним из важных и ответственных моментов при проектировании СКВСО является вопрос о том, как описывать и "закладывать" в память ЭВМ образ искомого объекта. При этом интуитивно мы руководствуемся здесь правилами и

понятиями, которые нам подсказывают соб-Рис.2.Интерпретация двух- „

мерного пространства приз- ственныи опыт и логические рассуждения. В

наков Х1гХ2 для трех тоже время, попытки формализовать наш ин-классов А1, А2, А3. Случай

слабоконтрастных классов, туитивныи °пыт в описании объектов и сцен, и на этой базе строить формальные методики распознавания и идентификации приводят в ряде случаев к результатам с низкой эффективностью, либо к нарушениям формальных рассуждений. В свою очередь, это ведет нас либо к разработке эвристических подходов к описанию объектов и сцен, либо к попыткам решать вопрос аппаратно, исходя из физических признаков, т.е. фактически к задаче полного перебора и резкого сужения диапазона применимости СКВСО, так называемые "тепличные" боевые роботы, годные в работе только в специальных условиях или просто лабораториях.

Среди других перспективных применений систем кибернетического видения следует отметить проблему введения зрительной информации в непосредственно в мозг человека. Первая попытка введения зрительной информации в мозг, по-видимому, была предпринята в 1962г. Дж.Баттоном и Т.Путанамом [Button J., Putnam Т., 1962]. Последующие исследования ряда зарубежных и отечественных авторов [Brinley G., Lewin W„ 1968, 1973, Marg E., 1970, Fransis Ruffing, 1972, Dobelle W., 1974, Компанеец Е.Б., Коган А.Б., 1983 и др.] привели к созданию экспериментальной системе, показанной на рис.3. Понятие

U ** >5

зрительный протез - это понятие, охватывающее не только действующие модели систем введения зрительной информации, но и теоретические модели. Результаты исследований указывают, что основное внимание необходимо уделять изучению закономерностей воспроизведения пространственной структуры мозаик фосфенов и синтезированию на такой основе элементарные зрительные образы. Однако наряду с пространственными характеристиками, любой зрительный образ обладает качественными признаками, учет и реализация которых необходимо при протезировании зрения в истинном смысле слова. Поэтому важным и необходимым этапом в развитии кибернетических систем видения слабоконтрастных объектов является разработка методов и технических систем, позволяющих выяснить возможные способы кодирования зрительных образов в параметрах мультиэлектродной электрической стимуляции зрительной коры. Следует также оценить возможность ввода информации в мозг человека безэлектродным путем. Отметим также, что подобные системы

Рис.3. Схематичное изображения зрительного протеза ЭоЬеИе, 1974] 1 - фотоматрица, 2- микропроцессор, 3-матрица стимулирующих электродов.

кибернетического видения могут быть чрезвычайно актуальны не только для устранения слепоты, но и для выполнения супер - операторских функций.

Цель работы состоит в разработке новых математических методов проектирования систем нелинейной идентификации слабоконтрастных обьектов и ситуаций; в разработке новых математических моделей и методов нелинейной идентификации и классификации слабоконтрастных обьектов; установлению общих закономерностей поиска и выявления новых информационных процессов и физических эффектов; в разработке математического методико - алгоритмического обеспечения для решения задач нелинейной идентификации обьектов и прогнозирования их состояний в системах дистанционного зондирования, биомед-кибернетике, криминалистике.

Методы исследований. В исследованиях применяется методы теории идентификации и распознавания обьектов для сепарабельных классов, методы теории восприятия. Используется теория интегральных уравнений, методы решения нелинейных уравнений, метод и преобразование Фурье, спектральная теория линейных дифференциальных операторов, теория функции комплексной переменной, методы вычислительной математики. Исследования проведены аналитическими методами, модельными и натурными экспериментами. Там, где затруднительно было получить строгое теоретическое обоснование, применялись экспертные оценки и логическое обоснование. Научная новизна работы заключается в следующем: ♦ Разработаны новые модели и методы проектирования систем нелинейной идентификации слабоконтрастных обьектов и ситуаций. Разработана новая концепция нелинейного взаимодействия системы наблюдения со Средой для конструктивного решения задач идентификации и прогнозирования слабоконтрастных обьектов и ситуаций.

♦ Исследована задача нелинейной идентификации и прогнозирования состояний объектов, заданных наборами непрерывных кривых. Разработана новая феноменологическая теория моделей статических и динамических признаков, позволяющая проводить поиск и выявлять информационные процессы, для решения задач нелинейной идентификации объектов, характеризующимися слабоконтрастными физическими эффектами.

♦ Разработаны новые методы нелинейной цветной идентификации слабоконтрастных обьектов и новые методы синтеза пространственно-временной гетерогенной информации в проективных пространствах. Доказано существование единственности критерия информативности в цветовой нелинейной идентификации обьектов для моделей классов в гауссовском приближении. Решены задача оптимального цветового синтеза информации систем дистанционного зондирования и задача получения асимптотически оптимального последовательного правила.

♦ Разработан метод представления внутренней информационной обстановки для проектирования интеллектуализированных систем наблюдения слабоконтрастных обьектов на основе негауссовских случайных полей. Решена задача определения экстремальных точек на случайных полях. Вычислены условия на случайные поля, при которых экстремальные точки случайных полей определяются единственным образом.

♦ Разработаны новые методы синтеза геометрических п - мерных структур на основе исследования структуры ядер гомоморфизмов алгебр признаков для произвольных случайных полиномов от случайных величин. Решена задача оценки неизвестных случайных коэффициентов полиномиальной аппроксимации полезного сигнала. Решена задача конструктивной декомпозиции произвольных геометрических п-мерных структур.

♦ Исследована проблема идентификации лиц в сложных фоновых ситуациях. Разработаны методы проектирования систем автоматического распознавания лица человека.

♦ Разработаны методы прогнозирования исхода течения инфаркта миокарда. Разработана и исследована Модель динамики развития инфаркта миокарда в остром некротическом периоде. Создан сценарий развития инфаркта миокарда. Созданы и исследованы неинва-зивные методы определения массы некроза.

♦ Разработана и исследована нелинейная модель развития гнойных ран и хирургического сепсиса. Создан сценарий развития гнойных ран и исследован прогноз динамики развития раневой инфекции.

Достоверность результатов. Исследования проведены с использованием классических моделей теории идентификации и теории информационно-процессуальной обработки информации и последовательным применением математических методов. Полученные данные согласуются с экспериментальными и натурными данными, а также выводами работ других авторов, являются их продолжением и развитием. Достоверность результатов подтверждается также большим количеством численных экспериментов на реальных данных систем космического наблюдения в оптическом, инфракрасном и радиолокационном диапазонах, большим количеством медико-биологических экспериментов, криминалистических данных.

Научная и практическая ценность работы состоит в разработанных эффективных и конструктивных моделей проектирования систем идентификации слабоконтрастных объектов и ситуаций, новых методов и алгоритмов решения задачи нелинейной идентификации в условиях слабоконтрастности наблюдения. В разработке нового и оригинального математического методико-алгоритмическое обеспечение решения задач нелинейной идентификации слабоконтрастных объектов и ситуаций, эффективность которых подтверждена решением важных народ-

нохозяйственных задач в области систем дистанционного зондирования, криминалистики, кардиологии и хирургии. Они существенно расширяют фундаментальные знания об информационных процессах человеческого восприятия и мышления. Выводы работы могут быть использованы при планировании натурных исследований, интерпретации данных наблюдений и лабораторного моделирования. Реализация результатов работы состоит в:

• формировании научно-технических программ проектирования перспективных автоматических космических систем наблюдений;

• разработке перспективных систем идентификации объектов на космических изображениях;

• разработке научно-методологических рекомендаций по формированию проектного облика перспективных систем цифровой обработки изображений;

• формировании программы создания средств программно - алгоритмического обеспечения процессов автоматизации распознавания изображений;

• методах оценки электрокардиограмм;

• неинвазивных методах вычисления массы некроза при инфаркте миокарда;

• разработке медицинской экспертной системе " Дифференциальный диагноз инфаркта миокарда".

Практическое применение результаты диссертации могут найти в следующих организациях: в/ч 08340, в/ч 45807, в/ч 54023, в/ч 73790, ЦСКБ, НПО Машиностроения, НПО им.Лавочкина, РНИИ КП, ЭЛАС, НПО"Комета", Росгидрометеоцентр, НИИ ТП, Н-Медицинском государственном университете, 4-ой Городской больнице г.Москва, ВЦХ им.Бакулева, ВНИИ хирургии им.Вишневского, НИИСТ МВД, ЭКЦ МВД, ВНИИ судебной экспертизы, ВЦ РАН, ИПМ РАН, ИППИ

И Др.

Апробация работы. Основные результаты работы доложены на Международных, Всесоюзных и Всероссийских совещаниях и конференциях, в том числе Международных конференциях "Математические методы распознавания образов" (1987,1991,1993,1995); Всероссийском совещании "Компьютерные технологии решения задач органов внутренних дел" (1992); Международных конференциях "Информатизация правоохранительных систем" (Москва, 1993-1997гг.); пленарном заседании Московского городского общества терапевтов (Москва, 1981); 1Х-Всемирном конгрессе кардиологов, (Москва,! 982); Всесоюзной конференции "Проблемы комплексирования бортовых кибернетических систем" (Тбилиси, 1984); семинаре "Вычислительная аэродинами-ка"(Самарканд,1985); Всесоюзной конференции "Зрение организмов и роботов" (Вильнюс, 1985); Всесоюзной конференции "Бионика и био-медкибернетика" (Ленинград, 1985); Всесоюзной конференции "Методы и микроэлектронные устройства цифрового преобразования и обработка информации" (Зеленоград, 1985); на XII сьезда терапевтов УССР (Киев, 1987); Международной конференции по аэрокосмическим кибернетическим системам (Сухуми, 1991); конференции " Транспьютерные и нейронные ЭВМ в решении задач поиска, разведки и разработки месторождений нефти и газа" (Москва, 1994); на научной сессии отделения ИВТА Президиума РАН и НТС РКА "Информатизация систем дистанционного зондирования Земли" (1995); НТС и Ученых советах ИАП РАН, ЦПИ, ЦСКБ (1987-1997гг.); научно-технических конференциях МФТИ, МИРЭА 1978-1997гг.

Основные положения диссертации докладывались и обсуждались на семинарах академика О.М.Белоцерковского в ИАП РАН и МФТИ. Публикации. Основные результаты диссертации опубликованы в работах [1-56], список которых приведен в конце автореферата. Структура диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 309 названий. Она изложена на

418 страницах машинописного текста, включая 115 рисунков, 20 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ.

ГЛАВА 1. В главе дается обоснование структурно-инвариантных динамических принципов нелинейной идентификации. Проводится анализ основных теорий восприятия, разрабатывается синтетический подход, на базе которого сформулированы и обоснованы принципы проектирования систем кибернетического видения слабоконтрастных объектов (СКВСО). Отмечается, что динамическое событие - основная единица информации, с которой имеет дело активная СКВСО. Объектом восприятия становятся целостные динамические сцены Среды. Тенденция синтеза порождает новый инструментарий проектирования исследования - метод эскизного сценария.

Далее в главе (раздел 1.2) рассматриваются динамические и статические аспекты восприятия Среды. Исходя из принципов нелинейной идентификации, рассматриваются феноменологические модели информативных признаков (раздел 1.3). Модели рассматриваются на базе содержательной задачи медицинской диагностики. Для работы с информацией, представленной в виде непрерывных кривых используется теория моделей алгоритмов распознавания Ю.И.Журавлева и его учеников. Рассмотрены вопросы представления кривых для задач нелинейной идентификации и доказывается ряд теорем приближения. Вводятся методы вычисления информативности участков кривых на основе оптимальных, субоптимальных оценок и проводятся эксперименты по вычислению информативности участков кривых в различных приближениях. В §1.4 рассмотрены обобщенные методы поиска информативных " точечных" признаков слабоконтрастных обьектов на основе теоретико - вероятностных моделях идентификации. В разделе 1.5 рассматриваются методики нелинейной фильтрации информативных

измерений на базе систем, описываемых стохастическими разностными уравнениями.

Заключение диссертации по теме «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)», Глазунов, Александр Сергеевич

§5.5. Выводы

На базе разработанных методов восстановления зависимостей проведен анализ закономерностей течения инфаркта миокарда (ИМ) по электрокардиографическим и биохимическим данным, полученных на клиническом материале для случаев летального и благополучного исхода болезни. С помощью разработанных методик распознавания вычислены клинические границы выживаемости больных, когда болезнь переходит из обратимой в необратимую и заканчивается летальным исходом.

Обнаружены принципиально новые факторы, оказывающие существенное влияние на исход болезни, в том числе, помимо относительной массы некроза, шансы больного остаться в живых или умереть во многом определяются скоростью и ускорением образования у него массы некроза при ИМ, ч

Влияние скорости и ускорения на исход болезни сказывается примерно на 80% больных ИМ, т.е. если параметры динамики массы некроза при ИМ превышают граничные значения, то у 80% больных исход болезни был летальным. В оставшихся 20% больных летальность определялась другими осложняющимися факторами течения, болезни (возраст, повторный ИМ, кардиогенный шок и др.). Оценивая влияние этих факторов на течение болезни, решающее значение следует придавать тому обстоятельству, что эта категория больных не адаптируется к стрессовой ситуации, которая развивается в период резкого ускорения темпов некротизации. Это обьясняет картину течения ИМ и его исход в оставшиеся 20% случаев.

Впервые созданы и теоретически обоснованы неинвазивные методы расчета текущей массы некроза ИМ по ЭКГ и биохимическим методикам, что позволило определить новые эффективные направления поиска спо-' собов лечения и профилактики больных инфарктом миокарда, изучение которых будет способствовать понижению все еще высокой инвалид- , ности и смертности от ИМ.

Разработана концепция среднего времени прохождения индикатора при радионуклидных исследований гемодинамики. Созданные на этой основе методы обработки измерений имеют обобщающий характер и позволяют получить точные оценки параметров, характеризующих состояние гемодинамики. Большинства из них проверено экспериментально.

Созданы новые математических моделей транспорта индикатора. Показано, что физиологически содержательная, количественная интерпретация результатов возможна только на основе данного класса моделей. Другие способы приводят к ошибкам в оценке функционального состояния системы кровообращения. Все модели проверены на Исчерпывающем клиническом материале ч

Разработанные методы обработки радиографических кривых позволяют корректно исключить влияние рециркуляции индикатора и выделить информацию, относящуюся к исследуемым физиологическим структурам. Методы интерпретации радиокардиограмм, отличающийся физиологической адекватностью, позволяют получить временные показатели транзита индикатора через сегменты центральной гемодинамики, наиболее близкие к идеальным показателям. Полученные соотношения между средними временами прохождения и удержания индикатора для любых форм входного сигнала и импульсной функции удержания позволяют определить наиболее важный в клинической физиологии кровообращения параметр - среднее время транзита индикатора практически любого элемента сердечно - сосудистой системы.

Впервые создана математическая модель динамики развития инфаркта 4 миокарда в остром некротическом периоде/ Модель основана на изучении динамики изменения концентрации метаболитов и их взаимодействии с клеточными структурами, что вызывает формирование диффузионных волны с нелинейными взаимодействиями и вызывающие нек

В« V данной модели процесс ишемии представлен действием совокупности факторов. При этом нелинейные связи, например, через коэффициенты диффузии и функции источников, приводят к крайне сложной нелинейной модели, с режимами обострения и эффектами взаимодействия нелинейных диффузионных волн.

Причиной ИМ и некроза может быть метаболическая волна, для образования которой достаточно одновременной гибели пула всего из 3-4 кардиомиоцитов.

На основе данных моделирования и клиники впервые описан сценарий развития ИМ. Впервые количественно рассмотрены способы влияния на течение инфаркта миокарда и его профилактику.

Впервые разработана нелинейная математическая модель развития гнойных ран и хирургического сепсиса, возникающих в процессе внедрения инфекции в хирургическую рану. Модель учитывает защитные иммунные реакции организма, оперативное воздействие на рану и мета-стазирование и построена на нелинейных уравнениях Стефана.

Впервые создан сценарий развития раневой инфекции, на основе результатов численного моделирования с оценкой различных воздействий на динамику раневого процесса и клинических данных.

Прогнозирование динамики развития раневой инфекции на основе данного класса моделей позволяет впервые хирургу выбрать адекватную схему лечения: - консервативный метод; - оперативное вмешательство; -комбинированный подход.

ЗАКЛЮЧЕНИЕ

Сформулируем основные результаты диссертации в форме выводов, которые выносятся на защиту.

Разработаны математические методы проектирования систем нелинейной идентификации для решения задач классификации и распознавания слабоконтрастных объектов и ситуаций, основанные на новых моделях нелинейного взаимодействии системы наблюдения со Средой.

На основе исследования проблемы идентификации и прогнозирования состояний объектов, представленных наборами непрерывных кривых, разработана новая феноменологическая теория статических и динамических моделей информативных признаков для решения задач нелинейной идентификации слабоконтрастных объектов и установлению общих закономерностей поиска и выявления новых информационных процессов и физических эффектов. Построена новая модель нелинейной идентификации при негауссовских ошибках.

Создана новая концепция проектирования систем нелинейной идентификации слабоконтрастных объектов и ситуаций по комплексной информации, основанная на принципах серого геометрического, цветного и динамического синтеза информации.

Разработаны новые методы цветной нелинейной идентификации объектов и ситуаций на основе пространственно - временной гетерогенной информации в проективных пространствах. Решена задача оптимального цветового синтеза информации систем дистанционного зондирования Земли. Проведены экспериментальные исследования по цветовому синтезу комплексной цифровой информации спутниковых данных, максимально обеспечивающие видимую часть цветового пространства.

Разработаны новые классы моделей статических и динамических признаков объектов. Решена задача конструктивной декомпозиции произвольной геометрической п-мерной структуры. Создан новый метод синтеза произвольной геометрической п-мерной структуры из набора базисных симметричных структур на результатах исследования структуры ядер гомоморфизма алгебры признаков эскизов объектов, для случая полиномиального приближения.

Решена задача оценки неизвестных случайных коэффициентов полиномиальной аппроксимации полезного сигнала. Получено аналитическое решение задачи оптимальной фильтрации. Исследованы свойства случайных полиномов от случайной величины. Создана модель цветного распознавания, основанная на нелинейной идентификации и гауссовской модели классов объектов. Доказана единственность критерия информативности и дана методика его численного расчета. В цветной постановке для проблемы нелинейной идентификации сигналов в многоканальной системе наблюдения решена задача получения асимптотически оптимального последовательного правила. Задача решена в условно-экстремальной постановке.

Разработана концепция интеллектуализации систем кибернетического наблюдения слабоконтрастных объектов (СКНСО). Исследования в проблемы интеллектуализации СКНСО сосредоточены на решение задачи поиска динамических инвариантов соответствующих эволюционных задач. Разработан и исследован комплекс проектирования, в котором реализуются предложенные подходы к интеллектуализации. Формируемая структура комплекса универсальна и обладает свойством адаптивности к предметной области.

Разработан новый класс математических моделей, позволяющие генерировать различные двухмерные негауссовские случайные поля сложной пространственной структуры. Результаты моделирования тестированы на реальных космических снимках КА "Ресурс-01" и др. Результаты тестирования показали реальную применимость разработанной модели и использовались в проектировании автоматических космических комплексов.

Для гауссовского стационарного центрированного поля с заданной ковариационной функцией получены точные аналитические оценки локальных верхних функций. Для гауссовских стационарных полей получены точные аналитические оценки верхних глобальных функций. Вычислены асимптотически совпадающие при стремящемся к нулю значении параметра сдвига нижняя и верхняя оценки нижней границы вероятности правильной классификации при решении задача определения нижней границы вероятности правильной классификации п-классов наблюдений пространственно-временных структур. Решена задача определения экстремальных точек на случайных полях. Определены условия на случайные поля, при которых экстремальные точки случайных полей определяются единственным образом.

Разработаны новые методы проектирования систем автоматического распознавания лиц в сложных фоновых ситуациях. Предложены новые критерии эффективности, на основе иерархии которых обеспечивается эффективное проектирование систем автоматического распознавания лиц. Созданы новые методы автоматической идентификации лиц и их элементов для процедур автоматической идентификации лиц инвариантных относительно ракурса и масштаба съемки. Определены области устойчивости идентификации лица и его элементов в зависимости от ракурса, масштаба, поворота, разрешения. Исследование точности аппроксимации метода главных компонент показало, что человеческое лицо с ошибкой в 1 % точно описывается 35-40 компонентами разложения. Данный установленный факт позволяет оценитьобьем баз данных при композиционной портретной экспертизе и автоматическом распознавгниилица.

Проведен анализ закономерностей течения инфаркта миокарда (ИМ) по электрокардиографическим и биохимическим данным, полученных на клиническом материале для случаев летального и благополучного исхода болезни. Вычислены клинические границы выживаемости больных, когда болезнь переходит из обратимой в необратимую и заканчивается летальным исходом. Обнаружены принципиально новые факторы, оказывающие существенное влияние на исход болезни, в том числе, что шансы больного остаться в живых или умереть во многом определяется скоростью и ускорением образования у него массы некроза при инфаркте.

Созданы и теоретически обоснованы неинвазивные методы расчета текущей массы некроза ИМ по ЭКГ и биохимическим методикам, что позволяет определить новые эффективные направления поиска способов лечения и профилактики больных инфарктом миокарда.

Создана математическая модель динамики развития ИМ в остром некротическом периоде. Описан сценарий развития инфаркта миокарда. Количественно рассмотрены способы влияния на течение инфаркта миокарда и его профилактику. Показано, что причиной инфаркта миокарда может быть метаболическая волна, для образования которой достаточно гибели пула из всего 3-4 кардиомиоцитов.

Разработана нелинейная математическая модель развития гнойных ран и хирургического сепсиса, возникающих в процессе внедрения инфекции в хирургическую рану. Создан сценарий развития гнойных ран и хирургического сепсиса с оценкой различных воздействий на динамику раневого процесса. Прогнозирование динамики развития раневой инфекции впервые позволяет выбрать адекватную схему лечения: - консервативный метод; -оперативное вмешательство; комбинированный подход.

Список литературы диссертационного исследования доктор физико-математических наук Глазунов, Александр Сергеевич, 1997 год

ЦИТИРОВАННАЯ ЛИТЕРАТУРА

1. Абакшин Ю.Е., Раховский Ю.Н. Двухкомпоненгаое случайное поле типа земля-облако//Тр. ГОИ им. С.И.Вавилова. 1979. Т. 44. Вып. 178.

2. Автандилов Г.Г., Яблучанский Н.И., Салбиев К.Д., Непомнящих Л.М. Количественная морфология и математическое моделирование инфаркта миокарда. - Новосибирск Наука, 1984.- 288стр.

3. Альбин Дж.М.П. Верхние и нижние классы для гауссовских случайных полей и обобщенный закон повторного логарифма,- Теория вероятн. и ее примен., 1992, т. 37, в. 1, с. 5-9.

4. Ардаматский H.A., Бахметьева Н.М., Перепелов А.М. // Казанский мед. ж..- 1981.-№5,- С. 12-14.

5. Андреева Е.А., Вергилес Н.Ю., Ломов Б.Ф. Механизм элементарных движений глаз как следящая система // Моторные компоненты зрения. М., 1975. С. 7-56.

6. Анохин П.К. Узловые вопросы теории функциональной системы. М., 1980.

7. Андреев Г.А. Базарский О.В. Глауберман A.C. Анализ и синтез случайных пространственных текстур. (Обзор)// Зарубежная радиоэлектроника. 1984. № 2.

8. Ахиезер Н. И., Легации по теории аппроксимации. М., «Наука», 1965.

9. Банкгальтер Р.И., Инюхина ЭТ., Лунев B.C. Модель многокомпонентного случайного поля// В кн.: Методы предст. и аппарат, анализ, случ. процессов и полей: Тр. VI Всес. симп., сек. V. Л., 1973.

10. Белокуров A.A., Сечко В.В. Стохастические модели в задачах анализа и обработки изображений//Зарубежная радиоэлектроника. 1989. № 5.

11. Белокуров A.A., Палагин Ю.И., Спирова Г.Г., Шалыгин A.C., Математическое моделирование негауссовских, неэргодичных случайных полей сложной пространственной структуры, Тех.кибернетика, № 6, 1992. 158-165.

12. Белоцерковский О.М., Арутюнов Г.П., Виноградов A.B., Глазунов A.C., Журавлев Ю.И. Прогнозирование исхода состояния цри инфаркте миокарда, ДАН СССР, т.261, №6, 1981, 1307-1310.

13. Белоцерковский О.М., Виноградов A.B., Глазунов A.C., Журавлев Ю.И. Математический анализ закономерностей клинического течения инфаркта миокарда.- В сб.: Вопросы кибернетики. Москва, 1983, с. 3-15.

14. Белоцерковский О . М. , Виноградов A.B., Глазунов A.C. Математическое моделирование динамики развития инфаркта миокарда. // Вопросы кибернетики.- М.: 1988.- С. 3-22.

15. Биркгоф Г. Теория структур. -М.: ИЛ, 1952.-407 с.

16. Боровков A.A. Сходимость мер и случайных процессов. УМН.1976, 'г. 31, в.2, с. 3-68.

17. Бобир Н.Я. Фотограмметрия. М., изд-во "Недра", 1965.

18. Буймов А.Г. Корреляционно-экстремальная обработка изображений. Томск.: изд. ТГУ, 1987.

19. Брайсон А., Хо Юти. Прикладная теория оптимального управления. М.: Мир, 1972.

20. Бугров Я. С., Никольский С. М. Элементы линейной алгебры и аналитической геометрии. М.: Наука, 1988.

21. Будак М., Васильев Ф.П., Успенский A.B. Разностный метод решения некоторых краевых задач типа Стефана.- В кн.: Численные методы в газовой динамике.-М.: МГУ, 1965.

22. Бобронников В.Т. Математические модели облачности для априорного планирования наблюдения Земли из космоса// Исследование земли из космоса. 1981. № 1.

23. Бямбажав Д., Могульский A.A., Предельная теорема для минимума и точки достижения минимума зашумленной функции - Теория вероятн. и ее применен., 1992, т. XXXVII, в. 2, с. 548-554.

24. Ван-дер-Варден Б.Л. Алгебра. - М.: Наука, 1976.- 648 с.

25. Васильев Д.В., Сабинин О.Ю. Ускоренное статистическое моделирование систем управления. М.: Энергоатомиздат, 1987.

26. Васильев Ф.П. Разностный метод решения задач типа Стефана для квазилинейного параболического уравнения с разрывными коэффициентами. ДАН СССР, 1964, т. 157, №6.

27. Верденская Н. В. Асимптотически оптимальное различение нескольких гипотез о неоднородных гауссовских процессах - Сборник трудов РТИ АН СССР им. А. JI. Минца, 1989.

28. Верденская Н. В., Тартаковский А.Г. Асимптотически оптимальное различение многих гипотез для неоднородных гауссовских процессов в несимметричной ситуации. Теория вероятности и ее прим., т.36, в.З, 1991. 434-445.

29. Вентцель Е. С., Овчаров Л. А. Теория вероятностей и ее инженерные приложения. М.: Наука, 1988.

30. Величковский Б.М. Современная когнитивная психология. М., 1981.

31. Виноградов A.B., Вихерт А.П., Дорофеева 3.3., Чазов Е.И. Инфаркт миокарда, М., 1971.

32. Виноградов A.B. Острая недостаточность кровообращения при инфаркте миокарда.- М.: Медицина, 1965. - 190 стр.

33. Виноградов A.B., Арутюнов Г.П., Глазунов A.C., Определение величины поражения сердечной мышцы электрокардиографическим и паталогоанатомическим методами. Кардиология, 21, № 2 1981, 73-79.

34. Виноградов A.B., Глазунов A.C., и др. Экспертная математическая обработка данных в гемодинамике. В кн.: Рациональное численное моделирование в нелинейной механике, под ред. О.М.Белоцерковского, Наука. Москва, 1990, 89-122.

35. Виноградов A.B., Арутюнов Г.П., Глазунов A.C., Определение величины поражения сердечной мышцы электрокардиографическим и паталогоанатомическим методами. Кардиология, 21, №2 1981, 73-79. ^

36. Виноградов A.B., Глазунов A.C., Вычисление массы некроза, формирующейся в некротическом периоде инфаркта миокарда. Кардиология, 26, № 12 1986, 32-36.

37. Виноградов A.B., Глазунов A.C., Журавлев Ю.И., Арутюнов Г.П. Влияние темпов некротизации на исход инфаркта миокарда. Труды IX Всемирного конгресса кардиологов, Москва, 1982, N0892.

38. Виноградов A.B., Глазунов A.C., Клиническое значение величины массы некроза и темпов ее образования в остром периоде инфаркта миокарда. Кардиология, 24, № 6 1984, 31-34.

39. Виноградов A.B., Лобзева В.И. // Кардиология.- 1983.- №9.- С. 65-69 .

40. Виноградов A.B., Люсов В.А., Савчук В.И. и др. Клинико-экспериментальные данные о влиянии милдроната на коронарное кровообращение. // Экспериментальная и клиническая фармакотерапия.- Рига: 1991.- с. 85-90.

41. Вирусология и иммунология. Проблемы общей вирусологии, структура и биосинтез антител. Под ред. Л.А. Зильбера.-М.: Наука, 1964.

42. Вишневский A.A., Костюченок Б.М., Маршак А.М. Лечение ран и раневая инфекция. Мед. реф. журнал.-IV.- 1974.1. 1-12.

43. Волков С.А. Численное решение двухфазной задачи Стефана.- В кн.: Вычислительные методы и программирование. М.: МГУ, 1967.

44. Глезер В.Д. Зрение и мышление. Л., 1985. 244 с.

45. Гончаров В. Л. Из области комбинаторики. - Изв. АН СССР, сер. матем., 1944, т. 8. № 1, с. 3-48.

46. Голубев Г. К., Хасьминский Р. 3. О последовательном различении нескольких сигналов в гауссовском белом шуме.- Теория вероятности и ее примен., 1983, т. XXVIII, вып. 3, с. 544-554.

47. Гренандер У. Лсакции по теории образов .-М.: Мир, 1979.-383 с.

48. Грегорц Р. Разумный глаз. М., 1972.

49. Глазунов A.C. Подсистема "Антропометрическая идентификация". Тезисы Международной конференции "Информатизация правоохранительных органов", М., 1996, 163-164.

50. Глазунов А.С., Процедуры идентификации лица человека на основе методики Зи-нина-Кирсанова-Орлова. Тезисы Международной конференции "Информатизация правоохранительных органов", М., 1996, 165-167.

51. Глазунов А.С. Распознавание непрерывных кривых в одном классе экспериментов.- ЖВМ и МФ, 20, № 3 , 1980, с.745-759.

52. Гшшенрейтер Ю.Б. Опыт экспериментального исследования работы зрительной системы наблюдателя // Инженерная психология. М., 1964. С. 192-230.

53. Голдман С. Теория информации. М., 1953. 446 с.

54. Гудмен Дж. Введение в фурьеоптику. М., 1970. 364 с.

55. Гранрат Д. Дж. Роль моделей зрения в обработке изображений Н ТИИЭР. 1981. Т. 69, № 5. С. 55-77.

56. Джайн А.К. Успехи в области математических моделей для обработки изображений//ТИИ ЭР. 1981. Т. 69. № 5.

57. Деныциков К.К. Имитатор ИК-фонов облачного неба дата исследования помехозащищенности оптико-электронных САР//Изв. ВУЗов Сер. Приборостроение. 1969. № 10.

58. Дфуссо П., Рой Р., Клэуз Ч. Пространство состояний в теории управления. М.: Наука, 1970.

59. Дмитровский В.А. О распределении максимума и локальных свойствах реализации предгауссовских полей.- Теория вероятн. и мат. статист., 1981, в. 25, с. 154-164.

60. Дмитровский В.А., Ермаков С.В., Островский Е.И. Центральная предельная теорема для слабозависимых величин со значеними в банаховом пространстве.- Теория вероята. и ее примен., 1983, т. 27, в. 1, с. 83-96.

61. Дмитровский В.А., Островский Е.И. Оценка погрешности метода зависимых испытаний. -ЖВМиМФ, 1976, т. 18, № 5, с. 4312-1316.

62. Драгалин В. П. Асимптотическое решение одной задачи обнаружения сигнала по к каналам.- Успехи математических наук, 1987, т. 42, вып. 3 (255), с. 183-184.

63. Дуда О., Харт П. Распознавание образов и анализ сцен. М., 1976. 206 с.

64. Егишняц С.А., Островский Е.И. Локальные и глобальные верхние функции для случайных полей.- Теория вероятн. и ее примен., 1996, т. 41, в. 4, с. 755-764.

65. Ермаков С.М., Михайлов Г.А. Курс статистического моделирования. М.: Наука, 1982.

66. Ершов А. А. Стабильные алгоритмы фильтрации //АиТ. 1978. № 7.

67. Жаров Е.И., Сальников С.Н., Верткин А.Л. // Кардиология.- 1984.- №9.- С. 39-44.

68. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. В сб.: Проблемы кибернетики. М., Наука, 1978, вып.ЗЗ, 5-68.

69. Журавлев, В. В. Никифоров. Алгоритмы распознавания, основанные на вычислении оценок. Кибернетика, 1971, № 3, 1-11.

70. Ю И. Журавлев, Ш. Е. Туляганов. Мера важности объектов в сложных системах. Ж. вычисл. матем. и матем. физ., 1972, 12, № 1. 170 - 184.

71. Закс Ш. Теория статистических вьюодов. М.: Мир, 1975, 776 с.

72. Запорожец А.В., Венгер Л.А., Зинченко В.П., Рузская А.Г. Восприятие и действие. М., 1967.

73. Зельдович Я.Б., Баренблатт Г.И., Либрович В.Б., Махвиладзе Г.М. Математическая теория юрения и взрыва. - М.: Наука, 1980, 478 стр.

74. Зинченко В.П., Вергилис Н.Ю. Формирование зрительного образа. М., 969.

75. Зинин А.М., Кирсанова Л.З. Криминалистическая фотопортретная экспертиза. М., 1991.

76. Ильин В. А., Поздняк Э. Г. Аналитическая геометрия. М.: Наука, 1988.

77= Иванов 0:А=, Комяк Н.-Ич Мазуров А=Иг Тшсвизионные методы исспсдовання мшфосхруктур. Л., 1983. 348 с.

78. Канторович А. В., Акилов Г.П.. Функциональный анализ. М.,Наука, 1977.

79. Калвинып И.Я. Синтез и биологическая активность нового биорегулятора - мил-дроната, И Экспериментальная и клиническая фармакотерапия,- Рига: 1991.- С. 7-14.

80. Карнаухов B.M., Оншценко А.М., Выбор признаков по эталонным описаниям нормальных ipexMq?nbix совокупностей. Техническая кибернетика, № 1, 1991, 101-107.

81. Карслоу Т., Егер Д. Теплопроводность твердых тел .-М.: Наука, 1964.

82. Кирсанов З.И. Экспертное отождествление человека по фотопортретам с применением математических методов исследования. М., 1968.

83. Ким Ю. В. Определение требуемого времени наблюдения для оценки отдельных компонент вектора состояния в задачах коррекции навигационных систем. // В сб. Математическая теория навигации и управления движущимися объектами. М.: МГУ, 1983.

84. Ким Ю. В. Об одном подходе к субоптимальной фильтрации в прикладных задачах обработки информации. // Изв. АН СССР. Техн. кибернетика. 1990. № 1.

85. Колчин В. Ф. Случайные отображения. М.: Наука, 1984, 206 с.

86. Кринский В.И., Жаботинский А. М. Автоволновые структуры и перспективы их исследований. - В кн.: Автоволновые процессы в системах с диффузией. Горький, ИПФ АН СССР, 1981, с.6.

87. Кузин М.И., Косиоченок Б.М. Хирургаческий сепсис - современное состояние проблемы. Вестник АМН. № 8 , 1983, 7-14.

88. Кульбак С. Теория информации и статистики. М.: Наука, 1967.

89. Кушаковский М.С., Журавлева Н.Б. Аритмии и блокада сердца.- Л.: Медицина, 1985.- 340 с.

90. Кацнелбоген Э.Д. Свойства и применение фотографических материалов. М., 1950. 184 с.

91. Красильников H.H. Статистическая теория передачи изображений. М., 1976. 184 с.

92. Круг В., Вайде Г. Применение научной фотографшш. М., 1975. 206 с.

93. Кудряшов H.H., Гончаров Б.А. Специальные виды фотосъемки. М., 1959. 170 с.

94. Крамер Г. Математические методы статистики. М.: Мир, 1975, 648 с.

95. Козаченко Ю.В., Островский Е.И. Банаховы пространства случайных величин типа субгауссовских.- Теория вероятн. и мат. статист., 1985, в. 32, с. 42-53.

96. Кендал В. Однозначное и точное измерение углов интерферометрической системой // Зарубежная радиоэлектроника. 1966. № 6.

97. Куликов Е.И., Трифонов А.П. Оценка параметров сигнала на фоне помех. М.: Сов. радио, 1978.

98. Красовский A.A., Белоглазов И.Н., Чигин Г.П. Теория корреляционно-экстремальных навигационных систем. М.: Наука, 1979.

99. Лида: Р., Нидеррайтер Г. Конечные поля. Т. 1. М.: Мир, 1988, 430 с.

ЮО.Липцер Р. Ш., ИЬфяев А. Н. Статистика случайных процессов. М.: Наука, 1974, 696 с.

101 .Липцер P. III.,Ширяев А.Н. Теория мартингалов. М.: Наука, 1986, 512 с.

Ю2.Линдсей Г., Норман Д. Переработка информации у человека. Введение в психологию. М., 1974.

ЮЗ.Люсов В.А., Савчук В.И., Савенков П.М. и др. Гемодинамические эффекты мил-дроната в клинике у больных инфарктом миокарда с сердечной недостаточностью и в эксперименте. // Экспериментальная и клиническая фармакотерапия.- Рига: 1991.-С. 113-117.

104.Лебедев Д.С., Цуккерман И.И. Телевидение и теория информации. М.; Л., 1965. 219 с.

Ю5.Леупшна Л.И. Зрительное пространственное восприятие. Л., 1978. 175 с.

106 Луизов A.B. Физика зрения. М., 1976. 64 с.

Ю7.Луизов A.B. Количественная оценка зрительного восприятия // Успехи науч. фотографии. 1985. Т.23. С. 62-65.

108.Ллойд Дж. Системы тепловидения, М., 1978. 414 с.

Ю9.Леви П. Стохастические процессы и броуновское движение. М.: Наука, 1972, 375 с.

1 Ю.Линдсей Г., Норман Д. Переработка информации у человека: Введение в психологию. М., 1974.

Ш.Лившиц Н. А., Фабер В. Е., Шапиро Е. И. Решение задачи нелинейной фильтрации при наличии неинформативных результатов наблюдений // Радиотехника и электроника. 1984. № 7.

112.Лифшиц М. А. Об абсолютной непрерывности распределений функционалов от случайных процессов. - Теория вероятн. и ее применен., 1982, т. XXVII, в. 3, с. 559566.

ПЗ.Люстерник Л. А., Соболев В. И. Элементы функционального анализа. М.: Наука, 1965, 544 с.

114.Мазур Н.А. Внезапная смерть больных шцемической болезнью сердца,- М.: Медицина, 1985.- 190 с.

115.Марешаль А., Франсон М. Структура оптического изображения: Дифракционная теория влияния когерентности света. М., 1964. 295 с.

Пб.МарчукГ.И. Методы вычислительной математики. Новосибирск: Наука, 1973. 315 с.

117.Марчук Г.И. Математические модели в иммунологии.-М.: Наука, 1985.

118. Математическое моделирование в иммунологии и медицине. Под ред. Марчук Г.И. - Новосибирск, Наука, 1982.

119.Международный светотехнический словарь / Под ред. Д.Н. Лазарева. 3-е изд. М., 1979. 278 с.

120.Мирошников М.М. Теоретические основы оптико-электронных приборов. Л., 1983. 696 с.

121. Михайлов Г.А. Численное построение случайного поля с заданной спектральной плотностью// ДАН СССР. 1978. Т. 238. № 4.

Ш.Могульский А.А. Вероятности больших уклонений для траекторий случайных блужданий.- Предельные теоремы для сумм случайных величин. Новосибирск, Наука, Труды ИМ СО АН СССР, т.З, с. 93-124.

123.Митрани Л. Саккадические движения глаз и зрения. София., 1973.

124.Найссер У. Познание и реальность. М., 1981.

125,Основы сенсорной физиологии. М., 1984.

12б.Онищенко А. М. Методы повышения точности приборов с источниками ионизирующих излучений. М.: Изд-во стандартов, 1987.

Ш.Опознавание и описание линий : Сб./Подред. И.Ш.Пинскера.- М.: Наука, 1972.-166 с.

128.Павлов Н. В. Последовательная процедура для проверки многих сложных гипотез.- Изв. АН СССР, сер. Технич. кибернетика, 1984, № 3, с. 96-100.

129.Петров Р.В. Иммунология и иммуногенетика. - М.: Медицина, 1976. - 338с.

130.Познавательные процессы: ощущение, восприятие. М., 1982.

131.Попкиров С. Гнойно-септическая хирургия. София, 1974, 483с.

132.Плохинский Н.А. Биометрия,- Новосибирск: 1961.- 364 с.

Ш.Прэтг У. Цифровая обработка изображений. М., 1972. 230 с.

134.Прэтт Ч. Цифровая обработка изображений. М.: Мир. 1982. Кн. 2.

135.Прэтт У.К., Фожра У.Д., Гагалович А. Применение моделей стохастических структур для обработки изображений// ТИИЭР. 1981. Т. 69. № 5.

136.Притчард Р. Стабилизированные изображения на сетчатке, Восприятие: механизмы и модели, Москва, 1974, с. 194-203.

137.Палагин Ю.И. Математическое моделирование многомерных случайных полей на основе параметрических представлений// Радиотехника и электроника. 1983. № 2.

138.Петров В.В. Суммы независимых случайных величин. М.: Наука, 1972, 414с.

139.Раны и раневая инфекция: Руководство для врачей. Под редакцией М.И. Кузина, Б.М:Костк>ЧШок -М:; Медицина. 1990,

140.Рубшшггсйн Л.И. Проблема Стсф«ша.-Рига: Звайгднс, 1967.

141.Рябыкина Р.В., .Лорофеева 3.3. // Кардиология.- 1977.- №8.- С. 89-96.

142.Рязанов В. В., Оптимизация алгоритмов вычисления оценок по параметрам, характеризующим представительность эталонных строк. Ж. вычисл. матем. и матем. физ., 1976, 16, № 6, 1559-1570.

143.Справочник по специальным функциям/ Под ред. М.Абрамовица. Л., Стегана. М.: Наука, 1979.

144.Свехухин А.М., Звягин A.A., Амирасланов Ю.И. Клиника и лечение хирургического сепсиса,- М.: ВНИИМИ, 1978. Под редакцией Б.М.Костюченок.

145.Сейдж Э. П., Меле Дж. Л. Теория оценивания и ее применение в связи и управлении. М.: Связь, 1976.

146.Сосулин Ю. Г., Фишман М. М. Теория последовательных решений и ее применения. М.: Радио и связь, 1985, 272 с.

147.Соколов E.H. Восприятие и условный рефлекс. М., 1958.

148.Соул X. Электронно-оптическое фотографирование. М., 1972. 404 с.

149.Слюсарев Г.Г. О возможном и невозможном в оптике // Тр. ГОИ им. С.И. Вавилова. 1968. Т.36, вып. 166. С. 5-17.

150.Снеисов В.А. Зинин А.М., Методика отождествления по признакам внешности лиц, сфото1рафированных со значительным разрывом во времени. М., 1968.

151.ТамицкийЭ.Д., Горбатов В.А. Цветная фотография. М.,1979. 279 с.

152.Тихомиров O.A. Структура мыслительной деятельности человека. М., 1969,

153.Товстшс Т.М. Моделирование однородного гауссовского случайного поля// В кн.: МП и ААСП и П: Тр Х Всес. симп., сек. IV. Л. 1978.

154.Уокер Р. Алгебраические кривые. - М.: ИЛ6 1952.-236с.

155.Уинстон П. Психология машинного зрения. М., 1978.

156.Фабер В.Е. Сравнительный анализ форм записи квазиоптимальных алгоритмов фильтрации при наличии аномальных и неинформатавных результатов измерений, Техническая кибернетика, № 3, 1992, 71-77.

157.Файн B.C. Опознавание изображений: Основы непрерывно-групповой теории и ее приложения. М., 1970, 296 с. Ч '

158.Ферник К. Регулярность траекторий гауссовских случайных функций. - Случайные процессы. Выборочные функции и пересечения. М.( 1978, с. 63-132.

159.Фираго В.А., Ханох Б.Ю., Долинин В.В. Естественные фоновые помехи в окнах прозрачности атмосферы. Обзор//Изв. ВУЗов СССР. Радиофизика. 1984. Т. XXVII. №11.

160.Физиологическая генетика человека в проблеме заживления ран.-М.: Наука, 1985.

161.Физиология человека. Под ред. Е.Б. Бельского.-М.: Медицина, 1966.

162.Фишман М. М. Средняя продолжительность асимптотически оптимальной многоальтернативной последовательной процедуры различения процессов.- Радиотехника и электроника, 1987, т. 32, № 1, с. 2541-2548.

163.Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979, 388 с.

164.Фролов A.C., Ченцов H.H. О вычислении методом Монте-Карло определенных интегралов, зависящих от параметра. -ЖВМиМФ, 1962, т.2, № 4, с. 714-717.

165.Химмельблау Д. Анализ процессов статистическими методами. М.: Мир, 1973. 180 с.

166.Хирургический сепсис. Методические рекомендации.Под редакцией Б.М.Костюченок-М.: Медшщна, 1982.

167.Херман Г. Восстановление изображений по проекциям: Основы реконструктивной томографии. М., 1983. 349 с.

168.Хант Б. Обработка изображений : Новые горизонты IIТИИЭР. 1981. Т. 69, № 5. С. 6-8.

169.Цирельсон Б.С. Плотность распределения максимума гауссовского случайного процесса. - Теория вероятн. и ее применен., 1975, т. XX, в. 4, с. 865-876.

170.Руководсгво по кардиологии, т.1, Под редакцией Чазова Е.И. М.: Медицина, 1982. с

Ш.Черноусько Ф. Л., Колмановский В. Б. Оптимальное управление при случайных

возмущениях. М.: Наука, 1973.

172.Шахнович А.Р. Мозг и регуляция движений глаз. М., 1974.

173.Шаронов В.В. Свет и цвет. М., 1961. 311 с.

174.Шалыган А.С., Палагин Ю.И. Прикладные методы статистического моделирования. Л.: Машиностроение, 1986.

175.Шариков А.И., Заико В.М. Оценка влияния формы тканевого цилиндра на профиль концентрации вещества в ткани.- В кн.: Биомеханика кровообращения, дыхания и биологических тканей. Рига.: Зинатне, 1981.

176.Шошенко К.А. Кровеносные кагошляры.- Новосибирск.: Наука, 1975.- 374стр.

177.Шутенко Ж.В., Мейрека Д.В., Хаги Х.Б. и др. Биохимический механизм действия миддроната. // Экспериментальная и клиническая фармакотерапия.- Рига: 1991.- С. 57-52.

178.Шапиро Е. И. Стабильное решение задачи нелинейной фильтрации при негауссов-ских ошибках измерений // Изв. АН СССР. Техн. кибернетика. 1984. № 7.

179.Шапиро Е. И. Стабильное решение задачи нелинейной фильтрации в дискретном времени // АиТ. 1980. № 5.

180.Шкурский Б.И. Метод математического моделирования двухмерных случайных полей//Изв. АН СССР. Техн. кибернетика. 1969. № 6.

Ш.Шхвацабая И.К. Ишемическая болезнь сердца. - М.: Медицина, 1975 - 400 стр.

182.Юнг Р. Оптическая регуляция движений глаз, внимание и восприятие движе-ния.//Системная организация физиологических функций. М., 1969. 431-442.

183.Ядренко М. И. Спектральная теория случайных полей. Киев: Виша Школа, 1980, 208 с.

184.Ядренко М.И. Локальна властивоста виб^ркових функцШ випадаових noniB. - BicH. Кшвского университету, сер. мат.та мех., 1967, № 9, с. 103-112.

185.Ярославский Л.П. Введение в цифровую обработку изображений. М., 1979. 312 с.

186.Ярбус А.Л. Роль движений глаз в процессе зрения. М., 1965.

187.Ash and M.F.Gamer, Popics in stochastic Processes. New York: Academic, 1975.

188.Arratia R., Barbour A., Tavare S/ On random polynomials over finite fields - Math. Proc. Cambridge Philos. Soc., 1993, v. 114, p. 347-368.

189.Anderson J.R. The structure of cognition. L., 1980.

190.Abdi H., " A geheralized approach for connectionist auto-associative memories: Interpretation, implication and illustration for face processing", in

191.Amini A.A., Weymoth T.E.and.Jain R.C, IEEE Trans. PAMI, vol.12, no.9, pp.855-867, 1990.

192.Anderson J.A.and Hinton G.E., "Models of information processing in the brain" in G.E.Hinton and J.A. Anderson, Eds., Parallel Models of Associative

193.Bassingthwaighte J.B., Ackerman F.H. Mathematical linearity of circulatory transport//J. Appl. Physiol. 1967, Vol. 22, N 6. P. 879-887.

194.Baron R.J., "Mechanism of human facial recognition", Int.J.Man Machine Studies, vol. 15, pp. 137-178, 1981.

195.Bruce V., Cowey A., Ellis A.W. and Perrett D.I. (eds). Processing the Facial Image. Oxford Univ.Press, 1992.

196.Buhman, J.Lange, and C. von der Malsburg, "Distortion invariant object recognition by matching hierarchically labeled graphs", in Proc.IJCNN'89, 1989, pp. 151-159.

197.Burr D.J., "Elastic matching of line drawings", IEEE Trans.Patt.Anal.Machine Intell., vol. 3, no.6, pp.708-713, 1981.

198.Burt, K Smart sensing withing a pyramid vision machine", Proc. IEEE, vol.76, no.8, pp.l 006-1015, 1988.

199.Brunelli R., Poggio Т.,"Face Recognition: Features versus Templates", IEEE Trans, on Pattern An.and Mach.Intell., vol.15, no.10, October, pp. 1042-1052, 1993.

200.Bruce V.and Ellis H.D., Eds., Handbook of Research on Face Processing. Amsterdam: North-Holland, 1989, pp. 487-506.

201. Brown W., A prospect for automatic taget recognition, IEEE Transactions on Aerospace and Electronic Systems, May, 1989, v.25, N 3, p. 401-409.

202.Becker W., Klein H. Accuracy of saccadic eye position in the dark //Vision Res. 1973. Vjl. 13. P. 1021-1034.

203.Bender M. B. The eye-centering systema: a theoretical consideration //Arch. Neurol. Psychiatr. (Chicago), 1955. Vol. 73 P. 685-699.

204.Bizzi E., Kalil R., Morasso P., Tagliasco V. Central programming and eripherel feedback During eye-head coordination in monkeys // Bibl. opthalmol. 1972. Vol. 82. P. 220-232.

205.Chung-Lin Huang, Ching-Wen Chen, Human Facial Extraction for Face Interpretation and Recognition, IEEE Trans. PAMI, vol.12, pp.204-207, 1992.

206.Corr P.B., OroBB R.W., Sobel B.E. // Circulât. Res..- 1984.- Vol. 55.- P. 135-154.

207.Cowan M., Bruce A., Reichenbach D. //Amer. J. Cardiol..- 1986.- Vol. 57.- P. 60-67.

208.Careterette E.C:, Friedman M.P. //Handbook of perception. N.Y., 1974. Vol. 1: Historical and philosophical roots of perception.

209.Chellapa R., Kashyap R.L. Texture Synthesis Using 2-D Noncousa! autoregressiv models// IEEE Trans, on Acoustics Speech and signal processing. 1985. V. ASSP-33.M1

210.Craw I., Ellis H.D., Lishman J.R., Automatic extraction of face-features. Pattern Recignition Letters, N 5, 1987,183-187.

211.Cottrell and M. Fleming "Face recognition using unsupervised feature extraction", in Proc.Int.Neural Network Conf., 1990.

212.I.Craw, H.Ellis, J.R.Lishman, "Automatic extraction of face features", Patt.Recognition.Lett., vol.5, pp.183-187, Feb. 1987.

213.Demongeot J., Herve T., Rialle V., and Roche C., Eds., Artificial Intelligence and Cognitive Sciences. Manchester, England: Manchester Univ.Press, 1988, pp. 149-165.

214.Evans G.W. Environmental cognition //Psychol.Bull.1980. vol. 88, pp.207-228.

215.Eysenck M. Human memory: Theory, research and individual differencaes. N.Y., 1997.

216.Eckblad G. Scheme theory. Conceptual framework for cognitive-motivational processes. L., 1981.

217.Ellis H.D. Perceiving and Remembering Faces, London, Academic Press. 1981.

218.Falk E. // Circulation.- 1985.- Vol. 71.- P. 699-708.

219.Fernique X. Regulariti des trajectores des fonctions aleatoirea gaussiennes.-Lect. Notes Math., 1975, v. 480, p. 1-245.

220.Fernique X. Sur la régularité de certaines classes de fonctions aléatoires. - C.R.Acad. Sci. paris, Serie 1, 1988, t. 307, p. 493-496.

221.Fender D.N., Nye P.W. An investigation of the mechanisms of eye movement control // Cybernetics. 1961. Vol. 1. P. 81-93.

222.Gibson E.J. The senses considered as perseptual systems. Boston, 1966.

223.Gibson E.J., Spelke E.S. The development of perception / Ed. J.H.Fravell, E.M.Markman // Handbook child's psycol. 1976. vol. 3, n. 4, pp. 157-172.

224.Gibson E.J. The ecological approach to visual perception. Boston, 1979.

225.Gir J.W. Is a theory of direct visual perception adequate? // Psychol. Bui. 1972. Vol. 77. P. 246-261.

226.Grande P., Pederson A. // Europ. Heart J..- 1984.- Vol. 5.- P. 622-627.

227.Grande P., Christiansen C., Hansen B. // Europ. Heart J..- 1983.- Vol. 4.- P, 284-294.

228.Goldstein A.J., Harmon L.D., and Lesk A.B., "Identification of human faces", Proc. IEEE, vol. 59, May 1971.

229.Golomb B.A., Lawrence D.T., and Sejnowski T.J., "Sexnet: A neural network identifies sex from human faces", in Advances in Neural Information Procrssing Systems, 3, 1991, pp. 572-577.

230.Govindaraju, Srihari S.N., and Sher P.B., Proc. of 3rd ICCV, pp.718-721, 1990.

231.Gonzalaz R.C.and Wintz P.A., Digital Image Processing. Reading, MA: Addisin-Wesley, 1987.

232.Handbook of research on face prosessing/ edited by Young A.W.and Ellis H.D., Oxford, 1989.

233.Harmon L.D., Khan M.K., Losch R.and Ramig P.F., Pattern Recognition, vol.13, no.2, pp.97-110, 1981.

234.Hotelling H., "Analysis of a complex components", J.Educational Psychol., Sept. 1933.

235.Harmon L.D., "The recognitition of faces", Sci. Amer., pp.70-84, Nov. 1973.

236.Hamilton W.F., Moore J.M., Kinsman J.M. et.al. Stadies on the circulation. Further analysis of the injection method and of changes in hemodinamics under phisiological and patolodical conditions//Am. J. Phisiol. 1931. N 6. P. 534-551.

237.Herlitz J., Hjalmarson A., Waldenstrom J. //Acta Cardiol..- 1985.- Vol. 40.- P. 217-228.

238.Hirzd H.O., Meier W., Mehmel H., Krayenbuhl H.P. Left ventricular dynamics during acute ischemia in the dog. // Coronary Heart disease / Ed. Kaltenbach M., Lichtlen P., Friesenger G..- Stuttgart: Georg Thieme, 1973.- 329 p.

239.Hay J. Optical motions and space perception: An extension of Gibson's analysis II Psychol. Rev. 1966, vol. 73, pp.550-565.

240.Helmholz H. von. Handbuch der physiolodishen Optik. Wash. (D. C.), 1925.

241.Hong Z.Q., "Algebraic feature extraction of image for recognition", Patt. recoggn., vol. 24,no. 3, pp. 211-219, 1991.

242.Howard LP., Tempelton W. Human spatial orientation. L., 1966.

243.Hassner M., Sklansky J. The use of Markov Random Fields as Models of Texture// Image Modeling, 1981.Electronic Design, Jan. 1988, v.36, N 1, p.49-51.

244.Hewish M., Neural Computing. Brining Brainpower to Defense, Defense Electronics and Computing, 1990, N 1. p. 17-19/

245.JollifFe I.T., Principle Component Analysis. New York: Springer-Verlag, 1986.

246.Johansson G., Holsten C. von, Jansson G. Event perception II Annu. Pev. Psychol. 1980. vol. 31, pp.27-63.

247.Kass M., Wilkin A.and Tezopoulos D., Inter.J.Computer Vision, pp.321-331, 1988.

248.Kanade, "Picture processing by computer complex and recognition of human faces", Kyoto Univ., Dept. Inform. Sci., 1973.

249.Kanade Computer recognition of human faces. Birkhanger Verlag.Basel and Stuttgart. 1977.

250.Kaufman G.J., Breeding Jr and K.J., IEEE Trans. SMC, vol.SMC-6, pp.113-120, 1976.

251.Kaltenbach M., Lichtlen P., Friesenger G..- Stuttdart: Georg Thieme, 1973.- 329 p.

252.Kalman R. E. and Bucy R/ New Results in Liner Eiltering and Prediction Theory // J. Basic Engr. (ASME Terms), March, 1961.

253.Kaneko T.:"Color Composite Pictures from Principal Axis Components of Multispectral Scanner Data",IBM J.RES.DEVELOP.,Vol.22,No.4,pp.386-392,July, 1978

254.Kober G., Muller L., Scholtholt J., Kaltenbach M. The effect of Nitroglycerin on intramiocardlal tissue pressure. // Coronary Heart disease / ed.

255.Korb H., Hoeft A., Hunneman et.al. II Naunyn-Sch-miedeberg's Arch. Pharmacol.. -1984.- B. 327.- S. 70-74.

256.Krone R.J., Friedman E., Thanavaro S. et.al. //Amer. J. Cardiol..- 1983,- Vol. 3.- P. 234239.

257.Kirby M.and Sirovich L., "Application of the Karhunen-Loeva Procedure for the Characterization of humen faces ", IEEE Trans, on Pattern Analyses and Mach. Intelligence, vol. 12, no. 1, January, 1990, pp. 103-108.

258.Kohenen T., Oja E., and Lehtio P., "Storage and processing of information in distributed associatve memory systems", in G.E.Hinton and J.A. Anderson, Eds., Parallel Models of Associative Memory. Hillsdale, NJ: Lawrence Erlbaum Associates, 1989, pp. 129-167.

259.Keil F.C. Constrains on knowledge and cognitive development II Psychol. Rev. 1980. vol. 88, pp. 197-227.

260.Kohler I. The pormation and transformation of the perceptual word // Psichol. Bull. Iss. 1964. Vol. 3. P. 1-173.

261.Konorski J. Integrative Activity of the Brain. An Interdisciplinary Approach University of Chicago Press; Chicago, 1967.

262.Kaya Y.and Kobayashi K., "A basic study on human face recognition", in Fronties of Pattern Recognition (S. Watanabe, Ed.). 1972, p.265.

263.Lorden G/ Nearly-optimal sequential tests for finitely many parameter values.- The Annals of Statistics, 1977, v. 5, N 1, p. 1-21.

264.Lee Y., "Handwritten digit recignition using k nearest-neighbor, radial basis functions and backpropagation neural networks", Neural Comput., vol.3, no. 3, 1991.

265. Matin L. Eye movemtnts and perceived visual direction // Handbook of sensory physiology. 1972. Vol. 8/4. P. 332-380.

266.Memory. Hillsdale, NJ: Lawrence Erlbaum Associates, 1989, pp. 23-62.

267.Mazzoleni A., Hagan A.D., Glover M. //J. Electrocardiol.. 1983. Vol.16.- P. 367-377.

268.Mogulskii A. A. Large deviations for likelihood estimators. - Lect. Notes Math., 1988, № 1299, p. 326-331.

269.Marr D. Vision. San Francisko, 1982.

270.Michaels C.F., Carello C. Direct perception. N.Y., 1981.

271.Moote G., Strondsburg R. Environmental knowing. Strondsburg, 1975, p.429.

272.McArthur L.Z., Baron R.M. Toward on ecological theory of social perception // Psychol. Rev. 1983. vol.90, pp. 215-238.

273.Nakamura, S.Mathur, and T.Minami,. O. " Identification of human faces based on isodensity maps", Patt. Recogn. vol. 24, no. 3, pp. 263-272, 1991.

274.Neisser U. Memory observed: Remembering in natural contexts. San rancisko, 1982.

275.0dlizko A. V. Discrete logarithms in finite fields and there cryptographic significance. -

Proceedings of EUROCRYPT 1984. Berlin: Springer-Verlag, 1984,p. 225-314.

276.Poggio and S.Edelman, "A network that learns to recognize three-dimensional object", Nature, vol.343, no.6225, pp. 1-3, 1990.

277.Poggio and F.Girosi, " Networks for approximation and learning", in Proc.IEEE, vol. 78, pp. 1481-1497, 1990.

278.Pearson K., "On lines and planes of closest fit to systems of points in space", Phil.Mag., 6th series, 1901.

279.Phillips B., VLSI Graphics Board Set Draws Solid Object in Real Time,

280.Pick H.L., Salzman E. Models of perceiving and processing information. Hillsdale, 1978,

281.'Toole A.and Abdi H,, " Connectionist approaches to visually-based facial feature extraction", in G.Tiber ghien, ed., Advances in Cognitive Psychology, vol.2. London: Wiley, 1989.

282.Roberts R., Henry P.D., Sobel B.E. An improved basis for nthymatic estimation of infarct size, Circulation, V.52, N5, 1975, pp.372-381.

283.Runeson S. On visual perception of dynamic events: Doct. diss. Uppsala, 1977.

284.Roberto B., Tomaso P. Face Recognition: Features versus Templates. IEEE TRAMI, vol.15, N 10, 1993, 1042-1048.

285.Shaw R., Turvey M., Mace W. Ecological psychology: the consequences of a

commitment to realism //Cognition and symbolic processes. N.Y., 1982, vol.2, pp.93-125.

286.Shepard R.N. Ecological constraints on internal representation: resonant kinematics of perceiving, imagining, thinking and dreaming // Psychol. Rev. 1985. vol. 91. pp. 417-447.

287.Strelov E.R. What is needed for a theory of mobility: direct perception and cognitive maps-lessons from the blind //Ibid. 1985. vol. 92, pp. 226-246.

2S8.Sirovich L.and Kirby M., "A low-dimensional procedure for the characterization of human faces", J. Opt. Soc. Amer. A, vol. 4, no.3, pp.519-524, 1987.

289.Sirovich L., "Turbulence and the dynamics of coherent structures, Part II: Symmetries and transformations", Quart. Appl. Math., vol. XLV, no.3, 1987, pp.573-582.

290.Sirovich L., "Turbulence and the dynamics of coherent structures, Part I: Coherent structures", Quart. Appl. Math., vol. XLV, no.3, 1987, pp.561-571.

291.Smith K.U., Smith W.M. Perception and motion: An analysis of space struktured behavior. Philadelphia, 1962.

292.Stratton G.M. Vision without inversion retinal image // Psychol. Rev. 1897. Vol. 4. P.l-469.

293.Stoneham J., "Practical face recognition and verification with WISARD", in Ellis H., Jeeves M., Newcombe F., and Young A., Eds., Aspect of Face Processing. Dordrecht: Martinus NijhofF, 1986.

294.Tezopoulos D.and Waters K., Proc. of 3rd ICCV, pp.727-732,1990.

295.Turk M.and Pentland A., "Eigenfaces for recognition", J. Cognitive Neurosci, vol. 3, no.l, pp. 71-86, 1991.

296.Tajima J.:"Uniform Color Scale Applications to Computer Graphics CVIGP, Vol. 21, No.3,pp,305-325,March, 1983.

297.Tajima J.and Yui Y.:"Color Reproduction Simulation for Color Printing", IECE Japan, IE84-78,Dec., 1984 (in Japanese)

298.Thompson H.K., Starmer C.F., Whalen R.E. et.al. Indicator transit time considered as a gamma veriate//Circ. Res. 1964. Vol. 14, №6. P. 502-515.

299.Trevarthen C.V. Modes of perceiving and modes of action // Modes of perceiving and processing information. N.Y., 1978, pp.99-138.

300.Turvey M.T. Preminaries to a theory of action with reference to vision // Perceiving, action and knowing: toward and ecological psychology. N.Y., 1977, pp.211-267.

301.Vossious G. Adaptive control of saccadic eye movement // Bibl. Opthalmol. 1972. P. 244250.

302.World Health Organisation.- Myocardlol infarction community registers.- Copenhagen: 1976.- 270 p.

303.Watanabe S., "Karhunen-Loeve expansion and factor analysis theoretical remarks and applications", in Proc.4th Prague Conf. Inform. Theory, 1965.

304.Wanstall B., Recognising Target at Stand-off Range a place for MMW and IR Sensors, Interavia, June, 1988, v. 43, N 6, p.570-573.

305.Yuille A.L., "Deformable templates for face recognition", J. Cognitive Neurosci, vol. 3, no.l, pp. 59-70, 1991.

306.Yuille A.L., Cohen D.S.and Hallinan P.W., Proc. CVPR, pp. 104-109, 1989.

307.Berger M.and Mohr R., Proc. 10th ICPR, pp.847-850, 1990.

308.Young F.W.and Ellis H.D., Eds., Handbook of Research on Face Processing. Amsterdam: North-Holland, 1989.

309.Zieder K.L. Equation for measuring blood flow by external monitoring of radioisotopes//Circ. Res. 1965. Vol.16, N4. P. 309-321.