Ученые в 10 раз улучшили алгоритмы обработки сигналов и изображений

Математические методы анализа сигналов и изображений, разработанные учеными международной лаборатории статистики случайных процессов и количественного финансового анализа ТГУ, приложимы к распознаванию сигналов в авиации, «расшифровке» изображений с аппарата МРТ в медицине, анализу топографических снимков для нефтегазовой отрасти и другим процессам.

Полученные математиками результаты будут использоваться для построения новых радиолокационных систем оперативного анализа и мониторинга окружающей обстановки, систем спутниковой навигации, перспективных систем приемо-передачи информации.


– Всё в нашем проекте сфокусировано на задачах статистической радиофизики – это проблема передачи данных по каналам связи. Например, летит самолет, передает сигнал. Во время передачи сигнала на него накладываются различные шумы и, соответственно, на приёмнике нужно получить данные, максимально близкие к тому, что было передано. Строятся оптимальные алгоритмы, которые позволяют на входе отсеять эти шумовые явления и получить сигнал, максимально близкий к реально передаваемому. Это и в медицине применяется, и в финансах, и в экономике, – объясняет зав. лабораторией, доцент ММФ Евгений Пчелинцев, ведущий исполнитель проекта.

Алгоритмы, созданные в ТГУ, учитывают качественно более сложные шумы в моделях, чем существующие ранее. С физической точки зрения это процессы со сложной структурой зависимости, что позволяет изучать задачу оценивания сигналов, наблюдаемых на фоне импульсных помех. При этом рассматриваются как процессы с «памятью», так и быстро теряющие зависимость от прошлого. Возвращаясь к примеру с самолетом: сигнал прошел, но самолет уже летит дальше, и на сигнал уже не действуют факторы, оставленные позади.

Сейчас ученые ММФ уже получили два патента на свои изобретения, прототип устройства приема информации с использованием их алгоритма создан в Московском энергетическом институте (МЭИ).

В следующем году ученые планируют применить свои алгоритмы к анализу big data: это могут быть данные социологических опросов, физические или финансовые данные.

– С одной стороны, с математической точки зрения, нам неважно, что именно обрабатывать. С другой – мы видим прикладные задачи, на которые ориентируемся, и это нам помогает прицельно создавать алгоритмы обработки big data, – подчеркнул Пчелинцев.

Источник: Новости ТГУ