📄Работа №74709

Тема: ИССЛЕДОВАНИЕ МЕТОДОВ И РАЗРАБОТКА АЛГОРИТМА РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ВИДЕО-ДАННЫХ

📝
Тип работы Дипломные работы, ВКР
📚
Предмет Информационные системы
📄
Объем: 79 листов
📅
Год: 2018
👁️
Просмотров: 682
4820 руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание 📖 Введение ✅ Заключение 📕 Литература 🔍 Похожие 🛒 Купить

📋 Содержание

ВВЕДЕНИЕ 4
ГЛАВА 1. АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ РАСПОЗНАВАНИЯ
ОБЪЕКТОВ 6
1.1 Распознавание объектов с помощью нейронных сетей искусственного
происхождения 6
1.2 Интенсиональные методы 10
1.3 Экстенсиональные методы 11
1.4 Метод оценки эффективности распознавания образов 14
1.5 Области интереса гистограммы направленных градиентов (HOG -
дескрипторы) 17
1.6 Метод SIFT 23
1.7 Метод SURF 26
1.8 RANSAC метод 30
ГЛАВА 2. СИСТЕМА ОБРАБОТКИ ИЗОБРАЖЕНИЯ ДЛЯ
РАСПОЗНАВАНИЯ ОБЪЕКТОВ 37
2.1 Предварительная обработка перед распознаванием 40
2.2 Определение ключевых особенностей изображения 42
2.3 Детектирование объектов 43
2.4 Воздействие шума на точность детектирования 46
2.5 Распознавание объектов с применением обнаружения области и
выделением признаков 48
ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ
РАСПОЗНАВАНИЯ ОБЪЕКТОВ 52
3.1 Алгоритм RANSAC 52
3.2 Алгоритм распознавания объектов с применением обнаружения
области и выделением их признаков 55
3.3 Распознавание методом SIFT 56
ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ
РАСПОЗНАВАНИЯ 58
4.1 Распознавание методом SURF 58
4.2 Вычисление методом RANSAC 60
4.3 Распознавание методом SIFT 61
ЗАКЛЮЧЕНИЕ 69
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 70
ПРИЛОЖЕНИЕ

📖 Введение

Распознавание визуальных образов представляет собой один из важнейших компонентов систем управления и обработки информации, автоматизированных систем и систем принятия решений. Задачи, связанные с классификацией и идентификацией предметов, явлений и сигналов, характеризующихся конечным набором некоторых свойств и признаков, возникают в таких отраслях как робототехника, информационный поиск, мониторинг и анализ визуальных данных. Алгоритмическая обработка и классификация изображений применяются в системах безопасности, контроля и управления доступом, в системах видеонаблюдения, виртуальной реальности и информационных поисковых системах.
В настоящее время существует множество задач, в которых требуется принять некоторое решение в зависимости от присутствия на изображении объекта или классифицировать его. Это связанно с массовым внедрением информационных технологий в различные области человеческой жизни. Обычно они представляют собой набор взаимосвязанных функциональных систем, таких как системы сбора информации с детекторов транспорта и телекамер. Вследствие многообразия внешних условий, в которых приходится работать указанным системам, методики, используемые при их создании, могут сильно отличаться друг от друга. Однако большинство существующих на сегодняшний день систем имеет в своем составе два основных блока: получения изображения (видеокамера) и системы его последующего анализа.
Так, актуальной проблемой, остается распознавание объектов под действием преобразования плоскости изображения, способных значительным образом изменить его форму, не влияя при этом на принадлежность объекта к категории распознавания. Существуют и успешные продвижения при выстраивании видео фиксации и комплексе выявления любого рода объектов, но есть затруднения при перемещении к наибольшему разрешению вводной в видеоряде по причине использования закрепленных характеристик объема и позиционирования субъекта в снимке. Актуальность данной проблемы особенно высока в отраслях, где распознавание образов применяется в естественной среде (видеонаблюдение, анализ данных камер мониторинга, робототехнические зрительные системы), где зрительный сенсор может иметь произвольный ограниченный угол обзора по отношению к искомому объекту.
Для решения поставленной цели определения предметов, важным фактором является поиск приемлемого алгоритма, который не только определяет данные об особенностях какой-либо определенной области, а также позволяет распознавать любой объект в присутствии влияния шума на изображении.
Основной целью работы является исследование и разработка алгоритма для прецедентного распознавания объектов на видео-данных.
Объектом исследования являются видео-данные, применяемые для распознавания объектов.
Предметом исследования являются методы и алгоритмы распознавания объектов на видео-данных с задачей улучшения систем их видеофиксации.
Задачи дипломной работы:
- произвести анализ существующих методов распознавания на видео-данных;
- выбор методов для исследования распознавания объектов;
- сравнение выбранных методов распознавания объектов;
- разработать алгоритмы распознавания объектов на видео-данных;
- выполнить экспериментальные исследования разработанных алгоритмов распознавания объектов;
- выполнить общий анализ результатов исследуемых алгоритмов распознавания.

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании
🎓 Дипломные 📘 Магистерские 📙 Диссертации 📗 Курсовые 📝 Статьи 📄 ВКР

✅ Заключение

На основании проведенных исследований в магистерской работе получены следующие основные результаты:
1. Произведен анализ существующих методов распознавания на видео-данных.
2. Выполнен выбор методов для исследования распознавания объектов. Из существующих на сегодняшний день методов, более приемлемыми и результативными являются методы RANSAC, SIFT и SURF.
3. Исследуемые методы распознавания имеют свои достоинства и недостатки, более того, методы SIFT и SURF дополняют друг друга.
4. Разработаны алгоритмы распознавания объектов:
• На основе метода SIFT, который распознает локальные характеристики изображения и описывает их. С помощью данного метода, можно получить инвариантные признаки в отношении размера и поворота, которые не зависимы от шума и ряда афинных преобразований. Достоинством метода является устойчивость к небольшим окклюзиям и инвариантность определения движущегося объекта.
• На основе метода SURF, который включает в себя выполнение двух задач: поиск особых точек изображения; создание их дескрипторов, инвариантных к размеру и циркуляции.
Результат проведенных экспериментов показывают, что работа алгоритма быстра и надежна, чем традиционные методы, отслеживающие объекты в различных средах.
5. Выполнена программная реализация разработанных алгоритмов распознавания объектов.

Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ
Поиск аналога

📕 Список литературы

1. Edwards G. Interpreting face images using active appearance models / G. J. Edwards, C. J. Taylor, T. F. Cootes // Proc. Intnl. Conf, on Automatic Face and Gesture Recognition - 1998. - P. 300-305.
2. Matthews I. 2D vs. 3D Deformable Face Models: Representational Power, Construction and Real-Time Fitting / I. Matthew, J. Xiao, S. Baker // Intnl. Journal of Comp. Vision - Springer, 2007. - Vol. 75, No. 1. - P. 93-113.
3. Matthews I. Active Appearance Models Revisited / I. Matthews, S. Baker // Intnl. Journal of Computer Vision - Hingham, MA: Kluwer Academic Publishers. - 2004. - Vol. 60, No. 2. - P. 135-164.
4. Golomb L. A., Lawrence D. T. and Sejnowski T. J. / SexNet: A neural network identifies sex from human faces// Advances in Neural Information Processing Systems, Morgan Kaufmann Publishers. San Mateo. USA. 1991. P. 77¬83.
5. Takas B. and Wechsler H. /Locating features using SOFM// Proceedings of IAPR. 1994. Vol. 2. P. 55-60.
6. Feraud R., Bernier O. J., Viallet J-E., Collobert M A fast and accurate face detector based on neural networks// IEEE Trans. on Pattern Analysis and Machine Intel. 2001. Vol. 23. № .1. P.42-52.
7. Kruger N. An algorithm for the learning of weights in discrimination functions using a priori constrains// IEEE Trans. on Pattern Analysis and Machine Intel. 1997. Vol. 19. № .7. P.764-768.
8. Lades M., Vorbruggen J., Buhmann J., Lange J., Masburg C. and Wurtz R. / Distortion invariant object recognition in the dynamic link architecture// IEEE Trans. on Computers. — 1993. Vol. 42. P. 300-311.
9. Valentin D. and Abdi H. / Can linear autoassociator recognize faces from new orientations// Journal Opt. Soc. Am. A.. 1996. Vol. 13. P. 522-530.
10. Wiskott L. /Phantom faces for analysis // Pattern Recognition. 1997. Vol. 30. № .6. P. 837-846.
11. Попова Л. П., Датьев И. О.. Обзор существующих методов распознавания образов [Текст] / — М.: Сборник научных трудов, 2007. — 11 с.
12. Лифшиц Ю. Курс «Современные задачи теоретической информатики» — лекции по статистическим методам распознавания образов, распознаванию лиц, классификации текстов [Электронный ресурс] / - 2005. - 12 с. http://yury.name/modern/07modernnote.pdf (дата обращения 10.04.2018)
13. Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии [Текст] / - М.: Наука, 1988. - 280 с. (дата обращения 19.02.18)
14. Дюк В.А. Компьютерная психодиагностика [Электронный ресурс] / - СПб: Братство, 1994. - 365 с.
15. Бусленко Н. П., Голенко Д. И. Метод статистических испытаний (метод Монте-Карло) [Электронный ресурс] / . Физматгиз, 1961. - 228 с.
16. Путятина В.М. Распознавание изображений на основе вычисления их признаков корреляции между ними [Электронный ресурс] // Известия Южного федерального университета. Технические науки. Выпуск №2/том 79/2008.
17. Давыдов А.В. Распознавание объектов изображений: Конспект лекций. 2008. [Электронный ресурс] — http://refdb.ru/look/1526317.html. (дата обращения 04.04.2018)
18. Журавель И.М. Краткий курс теории обработки изображений.
Распознавание объектов на основе вычисления их признаков. [Электронный ресурс] / - http://matlab.exponenta.ru/imageprocess/book2/58.php (дата
обращения 04.04.2018 г.)
19. Прэтт У. Цифровая обработка изображений: В 2 т. [Текст] / М.: Мир, 1982.
20. Писаревский А. Н., и др. Системы технического зрения: (Принципиальные основы, аппаратное и математическое обеспечение). [Электронный ресурс] // Л.: Машиностроение, 1988.
21. Halarick R. M., Shapiro L. G. Computer and Robot Vision // V. I. Addison-Wesley, 1992.
22. Department of Electrical and Computer Web Pages. License Plate
Recognition Final Report.
http://www.ece.cmu.edu/~ee551/Final_Reports/Gr18.551.S00.pdf (дата
обращения 30.04.2018 г.)
23. Kim K.I., Kim K.K., Park S.H., Jung K., Park M.H., Kim H.J. VE-GA VISION: A Vision System For Recognizing License Plates // IEEE Intern. Symp. on Consumer Electronics (ISCE 99). - 1999. - V. 2. - P. 176-181.
24. Shapiro L. G., Stockman G. / Computer vision. Prentice-Hall / - 2001.
25. Szeliski R. / Computer vision: algorithms and applications. Springer /, 2010.
26. Martinsky O. / Algorithmic and mathematical principles of automatic number plate recognition systems / , B. Sc. Thesis, Brno University of Technology,
2007.
27. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход [Текст] / Форсайт Д., Понс Ж. - М.: Издательский дом «Вильямс», 2004. - 465с.
28. Lowe, D. (2004) Distinctive image features from scaled invariant keypoints, / International Journal of Computer Vision, 60: 91D110.
29. P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. / In Proc. of the 2001 // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’01), Kauai, Hawaii, USA, volume 1, pages 511-518, December 2001.
30. D. G. Lowe. Distinctive image features from scale-invariant keypoints. / International Journal of Computer Vision / , 60(2):91-110, 2004.
31. l implementation. In CSCS14, volume 1, pages 243-248, 2003. [2] H. Bay, T. Tuytelaars, and L. Van Gool. SURF: Speeded up robust features. In Proc.
32. Пименов В.Ю. Метод поиска нечетких дубликатов изображений на основе выявления точечных особенностей // Труды семинара РОМИП 2007 [Электронный ресурс]- 2008. СПб.: НУ ЦСИ, 2008. С. 145-159.
33. Гладышева Ю.С. Поиск изображений по признаку самоподобных локальных дескрипторов [Текст], 2011.
34. Ke Y., Suthanakar R. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors // Comput. Vis. And Pattern Recogn. — 2004. Vol. 2.- P. 506-513.
35. Никитин А.Н. Идентификация и локализация клеток на микроскопических изображениях с использованием SIFT-алгоритма [Электронный ресурс ]// Методы микроскопического анализа. Сборник статей. Выпуск 1. - Москва: Издание ЗАО "Медицинские Компьютерные Системы (МЕКОС)", 2009 . - С. 114 - 125.
36. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2005. - 1072с 6. [Электронный ресурс]// Гармаш М.И. Подходы к решению задачи визуального определения местоположения в помещении. ВЕСТНИК ОГУ №9 (115) /сентябрь 2010.
37. Гороховатский В.А. Метрики на множествах ключевых точек изображений [Электронный ресурс]// БИОНИКА ИНТЕЛЛЕКТА. 2008. № 2 (69).
38. Tuytelaars T., Mikolajczyk K. Local Invariant Feature Detectors: A Survey // Foundation and Trends in Computer Vision, Vol.3, No. 3, 2007. - pp. 177-280.
39. Viola P., Jones M.J. Robust Real-Time Face Detection // international Journal of Computer Vision 57(2). - 2004. - pp. 137-154.
40. Vedaldi Andrea. An Implementation of Multi-Dimensional Maximally Stable Extremal Regions. February 7, 2007.
41. Mikolajczyk K., Schmid C. A Performance Evaluation of Local Descriptors // IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.27, No.10, 2005. - pp. 1615-1630.
42. Tola E., Lepetit V., Fua P. A Fast Local Descriptor for Dense Matching // IEEE Conference on Computer Vision and Pattern Recognition (CVPR’08), 2008. - pp. 1-8.
43. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features // 11th European Conference on Computer Vision (ECCV), 2010.
44. Mood, A.; Graybill, F.; Boes, D. (1974). Introduction to the Theory of Statistics (3rd ed.). McGraw-Hill. p. 229.
45. Ojala T., Pietikainen M., and Harwood D. A Comparative Study of Texture Measures with Classification Based on Feature Distributions// Pattern Recognition, vol. 29, pp. 51-59, 1996.
46. M.A.Fischler, R.C.Bolles. Random Sample Consensus: A paradigm for model fitting with applications to image analysis and automated cartography. CACM 24.381-395. 1981.
47. D. Nister. Preemptive RANSAC for Live Structure and Motion Estimation, // IEEE International Conference on Computer Vision, pp. 199-206,
2003.
48. D. Fontanelli, L. Ricciato, and S. Soatto. A fast ransacbased registration algorithm for accurate localization in unknown environments using lidar measurements, in Proc.// IEEE Int. Conf. on Automation Science and Engineering, Scottsdale, AZ, USA, 22-25 September 2007, pp. 597-602.
49. B. Kitt, A. Geiger and H. Lategahn. Visual odometry based on stereo image sequences with RANSAC-based outlier rejection scheme,// IEEE Intelligent Vehicles Symposium (IV), pp. 486-492. 2010.
50. D. Scaramuzza , F. Fraundorfer and R. Siegwart. Realtime monocular visual odometry for on-road vehicles with 1-point RANSAC, Proc. // IEEE Int. Conf. Robot. Autom., pp.4293 -4299 2009.
51. K.Berthold, P.Horn. Closed-form solution of absolute orientation using unit quaternions. 1987.
52. Carlo Tomasi and Takeo Kanade. Detection and Tracking of Point Features. / Carnegie Mellon University Technical Report CMU-CS-91-132,/ April 1991.
53. Jianbo Shi and Carlo Tomasi. Good Features to Track. // IEEE Conference on Computer Vision and Pattern Recognition, pages 593-600, 1994.
54. O.Chum, J.Matas, J.Kittler. Locally Optimized RANSAC. / DAGM 2003.
55. H. Bay, A. Ess, T. Tuytelaars, and L. V. Gool. Speeded-up robust features (surf). Computer Vision and Image Understanding, / 110(3):346-359,
2008.
56. M. M. Bhajibhakare and P. K. Deshmukh. Detection and tracking of moving object for surveillance system. / International Journal of Application of Innovation in Engineering and Management, / 2(12):298-301, 2013.
57. M. Brown and D. Lowe. Invariant features from interest point groups. // In Proc. of the 2002 British Machine Vision Conference (BMVC’02), Cardiff, UK, pages 656-665. // British Machine Vision Association, September 2002.
58. D. Comaniciu, V. Ramesh, and P. Meer. Kernel-based object tracking. // IEEE Transactions on Pattern Analysis and Machine Intelligence, 25(5):564- 577, 2003.
59. S. A. Dave, M. Nagmode, and A. Jahagirdar. Statistical survey on object detection and tracking methodologies. / International Journal of Scientific and Engineering Research, / 4(3): 1-8, 2013.
60. M. Du, J. Wang, J. Li, H. Cao, G. Cui, J. Lv, and X. Chen. Robot robust object recognition based on fast surf feature matching. In Proc. of the 2013 Chinese Automation Congress (CAC’13), Changsha, China, pages 581-586. // IEEE, November 2013.
61. D. Exner, E. Bruns, D. Kurz, and A. Grundhofer. Fast and Robust CAMShift Tracking. In Proc. of the 2010 // IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW’10), San Francisco, California, USA, pages 9-16. // EEE, June 2010.
62. A. R. Francois. Camshift tracker design experiments with intel opencv and sai. Technical Report IMSC-04- 423, / Institute for Robotics and Intelligent Systems, University of Southern California, / August 2004.
63. S.-W. Ha and Y.-H. Moon. Multiple object tracking using sift features and location matching. / International Journal of Smart Home, / 5(4):17-26, 2011.
64. K. Huang, L. Wang, T. Tan, and S. Maybank. A real-time object detecting and tracking system for outdoor night surveillance. / Pattern Recognition, 41(1):432-444, 2008.
65. L. Juan and O. Gwun. A comparison of sift, pca-sift and surf. / International Journal of Image Processing, / 3(4):143-152, 2009.
66. Y. Ke and R. Sukthankar. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors. In Proc. of the 2004 // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’04), Washington, DC, USA, volume 2, pages 506-513. // EEE, June-July
2004.
67. Y.-H. Lee, J.-H. Park, and Y. Kim. Comparative analysis of the performance of sift and surf. Journal of the Semiconductor & Display Technology, / 12(3):59-64, 2013.
68. I. Leichter, M. Lindenbaum, and E. Rivlin. Mean shift tracking with multiple reference color histograms. / Computer Vision and Image Understanding, / 114(3):400-408, 2010
69. Живрин Я. Э., Алкзир Н. Б. Методы определения объектов на изображении // Молодой ученый. — 2018. — №7. — С. 8-19. — URL https://moluch.ru/archive/193/48447/ (дата обращения 19.05.2018).
70. E. Jauregi, J. M. Martinez-Otzeta, B. Sierra, and E. Lazkano. Door handle identification: a three-stage approach. In IAV-07: International Conference on Intelligent Autonomous Vehicles, volume I, 2007.
71. W. Ye and Z. Zhong. Robust people counting in crowded environment. In Proceedings of the 2007 // IEEE International Conference on Robotics and Biomimetics, / pages 1133-1137, 2007.
72. H. Bay, T. Tuytelaars, and L. Van Gool. / SURF: Speeded up robust features. In Proc/.
73. L. Ledwich and S. Williams. Reduced SIFT features for image retrieval and indoor localisation. / In Australian Conference on Robotics and Automation, / 2004.

🛒 Оформить заказ

⚡ Работу высылаем в течении 5 минут после оплаты.

🔍 ПОХОЖИЕ РАБОТЫ ПО ТЕМЕ

ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА РАСПОЗНАВАНИЯ ОБРАЗОВ НА ИЗОБРАЖЕНИИ Дипломные работы, ВКР Информатика и вычислительная техника 2019 г. 4210 руб. Разработка программного модуля распознавания объектов Бакалаврская работа Программирование 2018 г. 4990 руб. Разработка алгоритма распознавания жестов кисти руки Бакалаврская работа Программирование 2019 г. 4700 руб. Разработка алгоритма распознавания текста на изображении при помощи сверточной нейронной сети Бакалаврская работа Программирование 2020 г. 4600 руб. РАЗРАБОТКА ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ РАСПОЗНАВАНИЯ ЛИЦ ПО МЕТОДУ ВИОЛЫ-ДЖОНСА Дипломные работы, ВКР Информатика и вычислительная техника 2017 г. 6100 руб. Разработка алгоритма распознавания показаний стрелочных приборов Дипломные работы, ВКР Программирование 2020 г. 4770 руб. Разработка алгоритма распознавания эмоций на изображении Бакалаврская работа Информатика и вычислительная техника 2022 г. 4235 руб. Разработка алгоритма распознавания эмоций на изображении Дипломные работы, ВКР Математика 2022 г. 4750 руб. Разработка модели обеспечения безопасности на основе алгоритма распознавания лиц Дипломные работы, ВКР Информационные системы 2023 г. 4360 руб. Разработка алгоритма идентификации людей по биометрическим данным лица Бакалаврская работа Программирование 2022 г. 4550 руб.

📎 ДИПЛОМНЫЕ РАБОТЫ, ВКР ПО ПРЕДМЕТУ «ИНФОРМАЦИОННЫЕ СИСТЕМЫ»

Найдено работ: 1595

Совершенствование управленческих процессов на предприятии «Эко Снеки» с помощью внедрения ERP-системы Дипломные работы, ВКР Информационные системы 2017 г. 3000 руб. Усовершенствование системы закупок путем внедрения информационной си- стемы складского учета на примере ООО Гастроном № 5 «Лазурит» Дипломные работы, ВКР Информационные системы 2017 г. 3700 руб. Совершенствование системы оказания образовательных услуг путем внедрения CRM-системы на примере ООО «Ассоциация Содействия Бизнесу» Дипломные работы, ВКР Информационные системы 2017 г. 4200 руб. Сокращение издержек компании ООО «Автолига» через усовер- шенствование работ склада с помощью внедрения информацион- ной системы Дипломные работы, ВКР Информационные системы 2017 г. 4100 руб. Информационное обеспечение работы предприятия в условиях диверсификации предоставляемых услуг в компании ИП Гонцов Дипломные работы, ВКР Информационные системы 2017 г. 4100 руб. Повышение качества обслуживания клиентов с помощью информационной системы на примере стоматологии «Вэладент» Дипломные работы, ВКР Информационные системы 2017 г. 4300 руб. Повышение качества обслуживания клиентов с помощью информационной си- стемы на примере стоматологии «Вэладент» Дипломные работы, ВКР Информационные системы 2017 г. 3700 руб. Улучшение качества работы с клиентами на ООО «ТД УСЭК» с помощью информационной системы Дипломные работы, ВКР Информационные системы 2017 г. 3700 руб. СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПЛАНИРОВАНИЯ ЗАКАЗОВ НА ТЕКСТИЛЬНОЙ ФАБРИКЕ Дипломные работы, ВКР Информационные системы 2021 г. 4700 руб. Построение стабилизированного подвеса камеры с использованием двухосного акселерометра Дипломные работы, ВКР Информационные системы 2021 г. 4600 руб. Адаптивный беспроводной анализатор сигналов аккумуляторных батарей Дипломные работы, ВКР Информационные системы 2020 г. 4370 руб. Построение нейросетевого экстраполятора многокомпонентного радиотехнического сигнала Дипломные работы, ВКР Информационные системы 2020 г. 4270 руб. Идентификация параметров блока усиления мощности радиопередатчика Дипломные работы, ВКР Информационные системы 2020 г. 4365 руб. Частотный анализ низкочастотных сигналов Дипломные работы, ВКР Информационные системы 2020 г. 4265 руб. Разработка платы сопряжения приёмного устройства первичного канала радиолокатора АОРЛ-1АС Дипломные работы, ВКР Информационные системы 2020 г. 4360 руб.
📋 Содержание 📖 Введение ✅ Заключение 📕 Литература 🔍 Похожие 🛒 Купить ⬆️

Оценка стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (210005)

Поиск работ


©2026 Cервис помощи студентам в выполнении работ
.