Issn 2072-0297 Молодой учёный Международный научный журнал Выходит еженедельно №28 (132) / 2016 р е д а к ц и о н н а я к о л л е г и я : Главный редактор

36
Информатика
промышленности и повышение ее конкурентоспособ-
ности» от 15 апреля 2014 года. [1]
В частности, вице-премьер РФ Дмитрий Рогозин, от-
вечающий в правительстве за ВПК, предлагает развивать 
концепцию «цифровой фабрики» с полным циклом про-
изводства, от проектирования до получения готового из-
делия. По его мнению, для внедрения концепции «циф-
ровой фабрики», а в частности развития аддитивных 
технологий, необходимы совместные усилия со стороны 
Военно-промышленной комиссии, Минпромторга РФ 
и Фонда перспективных исследований.
Причем в России, по словам Д. Рогозина, есть компании 
и научные центры, за счет которых может происходить раз-
витие аддитивных технологий. Помимо этого, в России ра-
ботают небольшие компании, предлагающие оборудование 
зарубежных производителей. Однако, по убеждению ви-
це-премьера, «слабостью и тех и других является отсут-
ствие комплексного подхода и несогласованность действий 
по освоению и внедрению цифровых технологий».
Каков потенциал емкости рынка 3D принтеров и тех-
нологий? Если верить Wohlers Associates, то продажи 3D 
принтеров и услуг 3D технологий к 2017 году достигнут 6 
млрд долларов, а к 2021–11 млрд.
По данным американской консалтинговой компании 
Wohlers Associates, наибольший спрос на аддитивные 
технологии наблюдается в потребительском секторе то-
варов и электроники (22% выручки индустрии 3D-печати 
по итогам 2012 года), автомобильной промышленности 
(19%), медицине и стоматологии (16%), на производстве 
(13%), в авиакосмической отрасли (10%).
Еще более активное развитие аддитивных технологий 
и применение их в промышленности пока сдерживается 
рядом факторов. Например, дороговизна материалов не 
является проблемой при использовании аддитивных тех-
нологий для производства мелких деталей. Но при выходе 
изделия на более крупные масштабы высокая цена — это 
не просто проблема, а непреодолимое препятствие.
Например, цена титанового порошка, которая об-
условлена единственным пока способом его изготов-
ления  —  дорогостоящим процессом Кролла, —  ко-
леблется от $200 до $400 за килограмм. Здесь ветер 
перемен подул с Британских островов: компания Me-
talysis разработала новую, менее затратную технологию 
производства титанового порошка и ведет переговоры 
по постройке фабрики для его изготовления в Йорк-
шире (Великобритания). Стоимость проекта оценива-
ется в $500 млн. Технология заключается в получении 
порошка из рутила (оксида титана) с помощью электро-
лиза. Новый метод позволяет получать порошок разных 
фракций, разной чистоты, морфологии и на основе 
разных легирующих элементов. Размеры гранул порошка 
могут варьироваться от 1–2 мм до 100 мкм. По мнению 
авторов технологии, себестоимость производства по-
рошка может снизиться на 75%. [3, c. 135]
Вторым мощным импульсом развития промышленной 
3D-печати может являлось окончание в мае 2014 года 
срока действия патентов на технологию селективного ла-
зерного спекания, принадлежащих Техасскому универ-
ситету в Остине. Эксперты прогнозируют удешевление 
3D-принтеров, печатающих по этой технологии, а вслед 
за этим — и расходных материалов. Также ценовая конъ-
юнктура на этом рынке может измениться за счет конку-
ренции, которую в перспективе могут составить промыш-
ленные принтеры из Китая.
По прогнозам аналитической компании Canalys, 
объем мирового рынка 3D-печати в 2014 году может вы-
расти на 50% по сравнению с 2013 годом — до $3,8 млрд 
а в 2018 году достигнет $16,2 млрд. Рост объема будет 
обусловлен расширением использования аддитивных тех-
нологий в области архитектуры, медицины, авиацион-
но-космической, оборонной и ядерной отрасли.
С целью воспитания молодого поколения российских 
инженеров 3D технологии стали внедрять в образова-
тельный процесс. Кроме того, использование 3D прин-
тера позволяет визуализировать знания учащихся по 
учебным предметам. С помощью 3D принтера учащимся 
предоставляется возможность самостоятельно разрабо-
тать 3D модели различных математических фигур, хими-
ческих элементов, молекулы ДНК, строение земной коры 
и пр. Современные технологии позволяют с высокой точ-
ностью, с наименьшими затратами и в кратчайшие сроки 
создавать 3D модели. Применение 3D технологий в об-
разовательном процессе позволяет сделать его наиболее 
интересным и увлекательным, понятным. Учащимся пре-
доставляется возможность посредством моделей ознако-
миться со строением сложных объектов, ознакомиться 
с их свойствами, функциями и характеристиками.
В связи с вопросом предпосылок развития 
3D-технологий в России, нами было проведено ано-
нимное анкетирование учащихся 10 «А» класса нашей 
школы, в котором они отвечали на следующие вопросы:
1.  Знаете ли вы, что называют аддитивными техноло-
гиями?
2.  Как вы считаете, имеет ли перспективу развития ад-
дитивные технологии в России?
3.  Как вы считаете, какие действия необходимо пред-
принять, чтобы повысить потенциал рынка 3D-технологий?
Ответы на первый вопрос показали, что большинство 
респондентов знают, что называют аддитивными техноло-
гиями, но тем не менее существенная часть учащихся яв-
ляется мало осведомленной в этой области.
По второму вопросу десятиклассники единогласно ре-
шили, что будущее различных видов промышленности 
остается за аддитивными технологиями, т. к. это пер-
спективная область науки, которая способна принести 
большое количество прибыли.
По третьему вопросу ребята выдвинули предполо-
жения по увеличению осведомленности граждан и ин-
дивидуальных предпринимателей в области аддитивных 
технологий, развитию 3D индустрии в России, созданию 
отечественных предприятий, создающих как 3D-принтера, 
так и материалы к ним.

“Young Scientist”  .  #28 (132)  .  December 2016
37
Computer Science
Такие результаты говорят о том, что большая часть 
респондентов достаточна осведомлена в области адди-
тивных технологий, а так же респонденты считают, что ад-
дитивные технологии являются перспективной областью 
для развития предпринимательства.
Литература:
1.  Аддитивные технологии: почему важно работать сообща или один в поле не воин. РОСНАУКА [Электронный 
ресурс]  —  Режим доступа: http://www.spbstu.ru/media/news/nauka_i_innovatsii/additive-manufacturing/ 
(Дата обращения 18.03.2016).
2.  Зленко Михаил Александрович. Аддитивные технологии в опытном литейном производстве. Часть I. Литье ме-
таллов и пластмасс с использованием синтез-моделей и синтез-форм / М. А. Зленко, П. В. Забеднов // Метал-
лургия машиностроения: международный научно-технический журнал. — М., 2013. — №  2. — С. 44–52.
3.  Шишковский И. В. Основы аддитивных технологий высокого разрешения. — СПб. Изд-во Питер, 2015. — 348 с.
Система расчета стоимости обслуживания автомобиля 
на основе моделей прогнозирования
Уварова Анастасия Викторовна, преподаватель;
Гусев Владислав Михайлович, студент
Кубанский государственный университет (г. Краснодар)
Рассматриваются вопросы создания Web-приложения для расчета годовой стоимости обслуживания ав-
томобиля с использованием адаптивной модели, учитывающей колебания цен на запчасти и услуги. Предла-
гается сравнение моделей прогнозирования цены с использованием коэффициента сезонности и без использо-
вания.
Ключевые слова: web-приложение, стоимость обслуживания автомобиля, прогноз, линия тренда, модель 
Уинтерса
С
тавится задача разработки Web-приложения, которое 
в условиях постоянно изменяющихся цен, сможет 
адаптивно строить расчетную стоимость годового обслужи-
вания автомобиля. Основная функция такого приложения — 
обеспечить пользователя возможностью расчета стоимости 
годового обслуживания автомобиля по введенным параме-
трам в любой момент времени. Создание подобного про-
дукта без использования адаптивной модели подразумевает 
постоянное обновление его базы данных неким специали-
стом, т. к. стоимость запасных частей постоянно изменяется 
и требует корректировки. Чтобы облегчить работу админи-
стратору ресурса, было решено использовать автоматизиро-
ванное изменение стоимости на основе линии тренда.
В качестве основы была использована модель прогно-
зирования Уинтреса [1]. Такая модель используется для 
прогнозирования объемов сезонных продаж с использо-
ванием ЭВМ.
Были выявлены преимущества модели Уинтерса по 
сравнению с другими:
a)  прогнозы рассчитываются на основе одних и тех же 
программ для большого количества продуктов;
b)  вычисления производятся быстро и дешево;
c)  используется минимальный объем памяти для хра-
нения информации;
d)  учитываются изменяющиеся условия [2].
Формальные требования для поставленной задачи сле-
дующие:
–  прогнозы должны делаться часто (ежемесячно или 
еженедельно).
–  метод прогнозирования должен быть четко форма-
лизован, что необходимо для автоматической обработки 
на ЭВМ.
– необходимо иметь возможность легко вводить 
свежую информацию о фактических продажах.
Модель Уинтерса основана на анализе изолированных 
временных рядов о продажах. Единственной использу-
емой информацией является предыстория продаж дан-
ного товара.
Для сравнения были взяты модель прогнозирования 
с коэффициентами сезонности Уинтерса и модель адди-
тивного тренда Тейла-Вейджа.
Рассмотрим модель Уинтреса.
Значение уровня исследуемого времен-
ного ряда в момент t вычисляется по формуле 








 

 
. Прирост уровня зается 
формулой 








 
 
.

«Молодой учёный»  .  № 28 (132)   .  Декабрь 2016  г.
38
Информатика
Выражение для составления прогноза на 
t шагов 
вперед — 
 



 

 
 
, 




 
 
.
При этом учитывается, что  

 
.
В модели аддитивного тренда Тейла-Вейджа применя-
ются следующие формулы для расчета:

 








 

 







 
 
;








 
 
;
 

 

 

 


 
;
Единственным изменением в выражении для 
 
 яв-
ляется добавление 

 
  —  наиболее поздней оценки 
аддитивного фактора роста, характеризующего изме-
нение среднего за полный сезонный цикл уровня про-
цесса за единицу времени (месяц). Выражение для об-
новления коэффициента сезонности остается тем же, что 
и раньше. Оценки 
 
 модифицируются по аналогичной 
процедуре экспоненциального сглаживания. Прогноз яв-
ляется здесь функцией прошлых и текущих данных, па-
раметров 
 
 и первоначальных значений 
 
, 
 
, 
 
. Качество и точность прогнозов зависит от этих фак-
торов [3].
В качестве примера были построены прогнозы для сто-
имости датчика массового расхода воздуха с использова-
нием обеих моделей.
В качестве исходных данных были взяты цены на датчик 
массового расхода воздуха за 3 предыдущих года. На ри-
сунке 1 представлена линия тренда, полученная в резуль-
тате анализа исходных данных.
Рис.
 1. График линии тренда
При использовании модели Тейла-Вейджа был по-
строен график прогнозируемых данных за прошлые пе-
риоды. Этот график в сравнении с реальными данными 
прошлых периодов показан на рисунке 2.
Рис.
 2. Сравнение рядов за предыдущие периоды

“Young Scientist”  .  #28 (132)  .  December 2016
39
Computer Science
Рис.
 3. Сравнение прогнозируемых данных на будущие периоды
Рис.
 4. Сравнение исходного ряда с прогнозируемым за прошлые периоды
Рис.
 5. Сравнение исходного ряда с прогнозируемым на будущие периоды

«Молодой учёный»  .  № 28 (132)   .  Декабрь 2016  г.
40
Информатика
После этого был построен прогноз на будущие пе-
риоды (рисунок 3).
Графики показывают не очень точный прогноз, по-
скольку модель Уинтерса основана на экспоненциальном 
сглаживании с мультипликативной сезонностью и ли-
нейным ростом, а модель Тейла-Вейджа предполагает ли-
нейное сглаживание.
При использовании модели Уинтреса зависимость 
между исходными данными прошлых периодов и расчет-
ными данными прошлых периодов стала более точной 
(рисунок 4).
На следующем графике показан ряд исходных данных 
в сравнении с прогнозируемыми данными на будущие пе-
риоды при использовании модели Уинтерса.
Распределение ошибок при использовании модели Уи-
нтерса представлено на рисунке 6.
Эксперименты показали, что для решения постав-
ленной задачи предпочтительнее использовать модель Уи-
нтреса. Эта модель была использована при разработке 
web-приложения, которое позволяет оценивать стоимость 
годового обслуживания автомобиля в зависимости от мо-
дели, типа двигателя, трансмиссии, года выпуска и тд.
Литература:
1.  Лукашин Ю. П. Л84 Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособие. — 
М.: Финансы и статистика, 2003. —416 с: ил.
2.  Э. Е. Тихонов. Методы прогнозирования в условиях рынка: учебное пособие. — Невинномысск, 2006. — 221 с.
3.  Светуньков с. Г., Светуньков И. С. Методы социально-экономического прогнозирования: Учебник для вузов. 
Том 1. — СПб.: Изд-во СПбГУЭФ, 2009.
Методы распознавания образов
Черногорова Юлия Викторовна, студент
Северо-Кавказский федеральный университет (г. Ставрополь)
Р
аспознавание образов  —  научная дисциплина, целью 
которой является выявление объектов по нескольким 
критериям или классам. Теория распознавания объектов 
представляет собой раздел информатики, который основы-
вается на разработке основ и методов идентификации пред-
метов, явлений и сигналов. Потребность в таком распозна-
вании возникает во многих областях, начиная с машинного 
зрения, символьного распознавания, диагностики в меди-
цине, распознавания речи и заканчивая узко специальными 
задачами. Несмотря на то, что некоторые из этих задач ре-
шаются человеком на подсознательном уровне с большой 
скоростью, до настоящего времени ещё не создано ком-
пьютерных программ, решающих их в столь же общем 
виде [1,2]. В связи с этим, проблема распознавания образов 
получила повсеместное распространение, в том числе в об-
ласти искусственного интеллекта и робототехники.
Рис.
 6. График распределение ошибок

“Young Scientist”  .  #28 (132)  .  December 2016
41
Computer Science
Возможность распознавания базируется на схожести 
подобных объектов. Несмотря на то, что все явления 
и предметы не похожи друг на друга, между некоторыми 
из них всегда можно найти сходства по тому или иному 
признаку
Все методы распознавания объектов делятся на два 
вида: методы, основанные на теории решений и струк-
турные методы. Первые основаны на вычислении с по-
мощью количественных величин, таких как длина, тек-
стура и т. 
д. Вторые ориентированы на образы, для 
описания которых больше подходят качественные вели-
чины, например реляционные. Также в распознавании 
объектов немаловажную роль играет обучение на основе 
известной выборки.
Под образом подразумевается некоторая упорядо-
ченная совокупность признаков. Классом образов назы-
вается совокупность объектов с одинаковыми свойствами. 
Классификатором или решающим правилом называется 
правило отнесения образа к одному из классов на осно-
вании его вектора признаков. На практике широкое при-
менение имеют три формы представления признаков: 
вектор признаков (для количественных величин), сим-
вольная строка и деревья признаков (для структурных ве-
личин) [3].
Методы, основанные на сопоставлении, представ-
ляют собой наборы векторов признаков каждого класса 
объектов. Новый образ будет отнесен к тому классу, ко-
торый окажется наиболее близким, в пределах заранее 
заданной метрики. Очевидно, что самый простой подход 
состоит в поиске минимального расстояния, которое вы-
числяется при помощи евклидовых норм между векто-
рами признаков неизвестного объекта и векторами прото-
типа. Вывод о принадлежности объекта к определенному 
классу происходит по наименьшему из этих расстояний. 
Минимальный классификатор расстояния хорошо рабо-
тает в тех случаях, где расстояние между точками матема-
тического ожидания классов велико по сравнению с диа-
пазоном разброса объектов каждого класса.
Не менее важными являются методы распознавания 
образов, основанные на вероятностных классификаторах, 
по причине случайностей, которые влияют на порождение 
классов образов. Следовательно, необходимо выработать 
такой оптимальный подход, при использовании которого 
окажется наименьшая вероятность появления ошибок.
Очень сложно однозначно ответить, как выглядит оп-
тимальный метод описывающий компьютерное зрение. 
Однако, можно разделить все существующие методы на 
три ступени: первичная обработка и фильтрация, логиче-
ская оценка результатов фильтрации и алгоритмы при-
нятия решений [2]. Как правило, для распознавания объ-
ектов на изображении необходимо применить все эти 
этапы, однако бывает достаточно двух, или даже одного.
К группе фильтрации можно отнести методы, которые 
позволяют определить на изображении интересующие 
объекты, без предварительного анализа. Основная масса 
таких методов использует какую-либо единую операцию 
ко всем точкам изображения одновременно. На данном 
уровне анализ как правило не проводится.
Самым простым преобразованием является бинари-
зация изображения по порогу. Для изображений RGB 
и в градациях серого таким порогом является значение 
яркости. Выбор порога, определяющего бинаризацию, 
определяет вид самого процесса. Как правило, бинари-
зация происходит при алгоритме аддитивного выбора по-
рога. Например, таким алгоритмом может стать выбор 
математического ожидания или моды, а также наиболь-
шего пика гистограммы.
Существующие классические методы фильтрации 
могут быть применены в широком спектре задач. Наи-
более распространенным классическим методом явля-
ется преобразование Фурье, однако он не используется 
в изображениях в чистом виде [3,4]. Однако для анализа 
изображений часто бывает недостаточно простого одно-
мерного преобразования, и требуется гораздо более ре-
сурсоемкое двумерное преобразование:












1
1
1
1
2
1
N
n
M
m
N
wu
M
wu
j
mn
uw
e
x
NM
G

 
Вычисление по такой формуле является достаточно 
трудоемким, поэтому на практике чаще пользуются 
сверткой интересующей области с помощью низкоча-
стотных или высокочастотных фильтров, в зависимости 
от конкретной задачи. Такое упрощение конечно, не по-
зволяет более широкого диапазона операций, таких как 
анализ, однако зачастую бывает достаточно только ре-
зультата без последующих преобразований.
Вейвлет-преобразования являются более перспек-
тивным и современным методом обработки изображений, 
чем преобразование Фурье [5]. Они упрощают сжатие, 
анализ и передачу большого количества изображений. 
Вейвлет-преобразования основаны на разложения по 
малым волнам (вейвлетам) с изменяющейся частотой 
и ограничением по времени, в отличие от преобразования 
Фурье, построенного на гармонических функциях.
В 1987 году Стефан Маллат впервые продемонстри-
ровал, что вейвлеты могут быть положены в основу прин-
ципиально нового метода обработки изображений, по-
лучившего название кратномасштабный анализ. Как 
очевидно из названия, кратномасштабная теория имеет 
дело с анализом изображений при различных разреше-
ниях, так как многие детали, незаметные при одном мас-
штабе, могут быть легко найдены при другом. Долгое 
время вейвлеты обладали весьма ограниченным распро-
странением, однако в настоящий момент уже трудно усле-
дить за всей информацией, имеющейся по этой теме.
При взгляде на изображение, мы видим связанные на-
боры объектов одинаковой яркости и структуры, которые 
объединяясь образуют предметы или области отобра-
жения. Когда присутствуют одновременно, как маленькие 
объекты, так и большие, то анализ изображения в разных 
разрешениях позволит значительно расширить области 
обработки.

«Молодой учёный»  .  № 28 (132)   .  Декабрь 2016  г.
42
Информатика
С математической точки зрения изображение является 
двумерной матрицей значений яркости. Однако при пере-
ходе от одной его части к другой, даже такие статистики 
первого порядка, как гистограммы значительно меня-
ются. Существует набор классических функций, применя-
емых в вейвлет преобразованиях [5]: вейвлет Хаара, вей-
влет Морле, вейвлет Добеши и т. д. Хорошим примером 
применения вейвлет анализа является задача поиска 
блика в зрачке глаза, где вейвлетом является сам блик.
В основе вейвлетов лежит корреляция, которая может 
применяться как в совокупности с другими методами, так 
и самостоятельно. При распознавании образа в изобра-
жении это незаменимый инструмент.
Другим не менее интересным классом фильтрации яв-
ляется фильтрация функций. Она позволяет на простом 
изображении найти множество кусочков простейших 
функций (прямая, парабола и т. д.). Наиболее известным 
является преобразование Хафа, которое позволяет нахо-
дить любые эффективно вычислимые функции. Его ана-
логом является преобразование Радона, которое за счет 
вычисления через быстрое преобразование Фурье дает 
выигрыш в производительности.
Отдельный раздел фильтрации  —  фильтрация кон-
туров. Она очень полезна в той ситуации, когда объект до-
статочно сложный, но имеет четкие границы. Тогда филь-
трация контуров является чуть ли не одним из основных 
инструментов работы с изображением и проводится с ис-
пользованием операторов Кенни, Лапласа, Прюитта, Со-
беля и Робертса.
Рассмотренные фильтры могут решить большинство 
задач, однако не стоит забывать о менее распростра-
ненных, но используемых в локальных задачах [6]: ите-
рационные фильтры, курвлет и бамблет преобразования 
и  т. д.
Поле фильтрации на выходе получается набор данных 
поддающихся обработке. Но порой они все же требуют 
дополнительных логических преобразований. Поэтому 
необходимо введение методов, позволяющих перейти от 
целого изображения к свойствам объектов на нем.
Методы математической морфологии являются сред-
ством перехода от фильтрации к логике. Они позволяют 
убрать шумы на бинарном изображении, изменив размер 
имеющихся элементов. Также существует множество ме-
тодов, которые позволяют идентифицировать объект по 
контуру. Такой подход называется контурным анализом. 
Особые точки являются уникальными характеристиками 
которые позволяют сопоставить разные классы объектов. 
Существует три вида особых точек: особые точки, явля-
ющиеся стабильными на протяжении времени; особые 
точки, являющиеся при смене освещения и небольших 
движениях объекта; и стабильные особые точки.
Методы машинного обучения и принятия решений яв-
ляются финальной стадией в распознавании образов. Они 
находятся на стыке математической статистики, методов 
оптимизации и классических математических дисциплин, 
но имеет также и собственную специфику, связанную 
с проблемами вычислительной эффективности и переобу-
чения. В большинстве случаев суть обучения заключается 
в следующем: на основе обучающей выборки с призна-
ками каждого класса построить такую модель, с помощью 
которой машина сможет проанализировать новое изобра-
жение и решить, какой из объектов имеется на изобра-
жении. Существует два типа обучения: на основе чело-
веческий знаний, перенесенных в компьютер в виде базы 
и обучение по прецедентам (индуктивное) основанное на 
выявлении закономерностей. В реальных прикладных за-
дачах входные данные об объектах могут быть неполными, 
неточными, нечисловыми, разнородными. Эти особен-
ности приводят к большому разнообразию методов ма-
шинного обучения.
Таким образом, мы провели краткий анализ существу-
ющих методов машинного распознавания образов. Искус-
ственный интеллект и некоторые смежные области, такие 
как анализ сцен и машинное зрение, все еще пребывают 
на начальных стадиях развития. Однако, описанные под-
ходы действительно крайне разнообразны и с помощью 
большинства из них можно решить практически любую 
задачу распознавания образов.
Литература:
1.  Вудс Р., Гонсалес Р. Цифровая обработка изображений //М.: Техносфера. — 2005.
2.  Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB //М.: Техносфера. — 
2006. — Т. 616. — С. 6.
3.  Дж Т., Гонсалес Р. Принципы распознавания образов. — 1978.
4.  Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. Статистические проблемы обучения. — 1974.
5.  Дремин И. М., Иванов О. В., Нечитайло В. А. Вейвлеты и их использование //Успехи физических наук. — 
2001. — Т. 171. — №  . 5. — С. 465–501.
6.  Шапиро Л., Стокман Д. Компьютерное зрение //М.: Бином. Лаборатория знаний. — 2006. — Т. 752.

“Young Scientist”  .  #28 (132)  .  December 2016