- •1)Компьютеры и мозг. Нейрокомпьютеры
- •2)Нейрокомпьютеры, их особенности и архитектура
- •3)Одиночный нейрон, топология и функции активации
- •4)Персептрон Розенблата. Алгоритм обучения
- •5)Классификация базовых архитектур, типы обучения
- •6)Дельта-обучающее правило нс (линейная функция активации)
- •7)Дельта-обучающее правило нс (нелинейная функция активации)
- •8)Нс – обучение с учителем (метод обратного распространения ошибки)
- •10. Сжатие многомерной информации на основе метода главных компонент.
- •9. Обучение без учителя – сжатие информации.
- •11. Физический смысл и информационная значимость собственных чисел в методе главных компонент.
- •12. Нейрон индикатор – правило обучения Хебба.
- •13. Нейрон индикатор – правило обучения Ойя.
- •14. Соревновательное обучение нейронов – кластеризация.
- •15. Победитель забирает все
- •17. Рекуррентные сети (ассоциативная память).
- •18. Сеть Хопфилда как ассоциативная память
- •19. Сеть Хэмминга.
- •20. Методы предварительной обработки данных.
- •Обработка данных методом независимых компонент.
- •22. Нс и статистика – связь и отличия.
- •23. Томография – проекции.
- •24. Теорема о проекционном срезе.
- •25. Алгоритм фильтрованной обратной проекции.
- •26. Влияние числа проекций на эффективность томографического восстановления.
- •27. Природа численной неустойчивости алгоритма фильтрованной обратной проекции.
- •Статистические характеристики для классификации текстур.
- •1. Математическое ожидание (expected value) случайной величины
- •2.Дисперсия (variance) случайной величины.
- •3. Cтандартное отклонение (standard deviation). Одно из важнейших понятий математической статистики.
- •Спектрально-коррелляционные характеристики классификации текстур.
- •Выделение информативных признаков сигналов и изображений в пространстве параметров модели линейного предсказания.
- •31. Классификация сигналов в пространстве параметров нелинейной модели Вольтера.
24. Теорема о проекционном срезе.
К настоящему времени предложено большое количество алгоритмов восстановления. Некоторые из них реализованы в пространственной, другие — в частотной области преобразования Фурье. Независимо от того, как реализован тот или иной конкретный алгоритм, полезно рассмотреть, как осуществляется операция проецирования в обоих случаях.
Функция
проецирования, определяемая уравнением
,
является одномерной. Если х(u1,u2)
имеет спектр Фурье X(
),
существует и одномерный спектр Фурье
функции
.
Обозначим
этот спектр Фурье через
.
Тогда можно записать
Возвращаясь к неповернутой системе координат, получим
или
Таким
образом, получается следующий довольно
интересный результат: спектр Фурье
проекции, полученной под углом
,
является сечением двумерного преобразования
Фурье неизвестной функции вдоль линии,
проходящей через начало координат
плоскости (
)
и составляющей угол
с осью
.
Эту функцию сечения мы будем называть
срезом X(
)
под углом
.
Уравнение (7.48) известно как теорема о
проекционном срезе. Из теоремы о
проекционном срезе следует, что значение
нескольких проекций объекта обеспечивает
значение преобразований Фурье вдоль
выбранных радиальных линий в
фурье-плоскости. Таким образом, задача
восстановления или оценки
х(u1,u2)
эквивалентна
задаче интерполяции преобразования
Фурье в целом на основе этих радиальных
сечений.
25. Алгоритм фильтрованной обратной проекции.
Обратное проецирование с фильтрацией аналогично методу обратной проекции за исключением того, что профили до обратного проецирования модифицируются или фильтруются. Это позволяет вывести эффект затемнения, присущий методу обратной проекции. В идеальном случае восстановленное изображение совершенно точное, поскольку модификация профилей точно компенсирует ложный сигнал, создающий нерезкое изображение при обратном проецировании.
Предположим,
что
есть Фурье-образ некоторой функции
K(v),
тогда
произведение |v| на Фурье-образ проекции
можно рассматривать как Фурье-образ
свертки самой проекции и K(v)
Cледует,
что формула описывающая метод обратного
проецирования с фильтрацией свёрткой
при измерении конечного числа проекций
будет:
(1)
где
- результат свертки измерений проекции
с некоторой функцией K(v), называемой
ядром свертки. Как и в методе обратного
проецированияМетод
обратной проекции,
суммирование идёт по М - количеству
проекций, а коэффициент
представляет угловое расстояние между
соседними проекциями.
Точное
вычисление K(v) невозможно ввиду
расходимости этого интеграла, но это и
не нужно, т.к. дискретизация отсчетов
на проекциях через интервалы
автоматически ограничивает область
задания
максимальным значением
.
Ядро K(v) в пределах от
до
вычисляется:
Если
положить
,
то
.
K(m)=0, если m четное,
, если m нечетное.
Выбор ядра существенно влияет на качество восстанавливаемого изображения. Поэтому выбор ядра является предметом тщательного исследования с учётом особенностей объекта, подлежащего восстановлению.
Процедура восстановления функции по методу обратной проекции с фильтрацией сверткой будет следующая:
1.
Находим функцию
как интеграл свертки проекции
с функцией ядра свертки K(v).
2. Определяем функцию в точках v.
3. Вычисляем искомую функцию f(x,y), используя уравнение (1).
Удобство алгоритма обратной проекции с фильтрацией состоит в том, что вычислительный процесс восстановления может идти почти одновременно с регистрацией проекции: как только получена очередная проекция , осуществляется ее свертка с ядром K(m) и добавление данных в ячейки памяти, накапливающие результаты суммирования по формуле (1). Как только обработана последняя проекция, функция восстановлена.
