Chenar Marediploma1

CUPRINS
INTRODUCERE...................................................................................................4
1. Analiza metodelor existente de recunoaştere a biectelor geometrice...........5
1.1 Sistemele inteligente în Înteligenţa Artificială ............................................5
1.2 Descrierea obiectelor geometrice..................................................................8
1.3 Clase de imagini .........................................................................................10
1.4 Metode de recunoaştere în selectarea obiectelor........................................13
1.4.1 Metoda decizional teoretică .....................................................................13
1.4.2 Metoda structural sintactică .....................................................................15
1.4.3 Recunoaşterea conexionistă......................................................................17
1.4.4 Proiectarea clasificatorului de recunoaştere statică...................................19
1.4.5 Clasificarea parametrică statistică…………………………………..22
1.5 Proprietăţile comparative a algoritmilor în recunoaşterea imaginilor.........27
1.6 Punerea problemei de recunoaştre ........................................................... ..28
1.6.1 Noţiuni generale........................................................................................29
1.6.2 Strategii de recunoaştere pentru N clase.................................................31
1.7 Filtrarea imaginilor.....................................................................................33
2.Descrierea modelelor de recunoaştere a imaginilor ......................................36
2.1 Modelul de neuroni...................... .............................................................36
2.2 Arhitectura de reţele neuronale..................................................................39
2.3 Algoritmul de antrenare a reţelelor neurale................................................41
2.4 Perceptronul cu un singur strat şi multistrat...............................................42
2.5 Reţeaua Hopfield........................................................................................45
2.6 Reţeaua Hamming......................................................................................46
UTM. 2153.30.003 ME
Mod Coala № document. Semn. Data
Elaborat Litera Coala Coli
Bujeniţa E. Recunoaşterea obiectelor
Controlat Bohanastiuc V. 1 113
geometrice
N.Contr. Izvoreanu B. U.T.M. FCIM
Aprobat B.
Izvoreanu B. Grupa AI - 041
3. Elaborarea algoritmilor în baza mediului Windows NT şi Java ...............47
3.1 Securitatea Windows NT.........................................................................47
3.2 Criptografia şi tipuri de criptare...............................................................49
3.2.1 Algoritmi criptografice cu cheie secretă şi cu cheie publică...............49
3.3 Securitatea Java........................................................................................51
4. Elaborarea interfeţei utilizatorului ................................................................52
4.1 Interfaţa utilizatorului...............................................................................52
4.2 Algoritmul de instruire.............................................................................53
5. Materialul grafic ..............................................................................................58
5.1 Schema funcţională de recunoaştere a obiectelor geometrice .................58
5.2 Algoritmi de recunoaştere........................................................................60
5.2.1 Extragere de contur...............................................................................60
5.2.2 Algoritmi de urmărire de contur...........................................................61
5.2.3 Înlănţuirea elementelor de contur.........................................................64
5.2.4 Reprezentarea contururilor....................................................................67
5.3 Algoritmi de subţiere de contur................................................................68
5.4 Segmentarea obiectelor............................................................................70
6. Calculul fiabilităţii...........................................................................................71
6.1 Noţiuni generale........................................................................................71
6.2 Informatică şi fiabilitate............................................................................72
7. Capitolul organizaţional economică al proiectului......................................76
7.1 Cercetări de marketing..............................................................................77
7.2 Elaborarea bugetului..................................................................................79
7.3 Rezultatele financiare................................................................................88
8. Protecţia mediului ambiant ...........................................................................90
8.1 Protecţia muncii........................................................................................90
8.2 Sanitaria industrială..................................................................................92
8.2.1 Cerinţele igienico sanitare faţă de calitatea aerului zonei de muncă.....92
8.2.2 Microclimatul.......................................................................................93
Coal
U.T.M.2153.30.003.ME 2
Mod Coala Nr Document. Semnat Data
8.2.3 Protecţia de zgomot..............................................................................95
8.2.4 Iluminatul de producţie.........................................................................96
8.3 Tehnica securităţii....................................................................................98
8.3.1 Electrosecuritatea..................................................................................98
8.4 Calculul iluminatului natural în încăpere...............................................102
CONCLUZII.......................................................................................................106
BIBLIOGRAFIE.................................................................................................107
ANEXE................................................................................................................108
ANEXA A Materialul grafic...............................................................................108
ANEXA B Codul programului...........................................................................109
Coal
U.T.M.2153.30.003.ME 3
INTRODUCERE
În timpul prezent cînd tehnologiile informaţionale se dezvoltă foarte repede şi

necesităţile umane cresc, inteligenţa artificială (IA) a devenit să joace un rol foarte
important, avînd ca scop de a se apropia de raţionamentul uman. Inteligenţa artificială
permite automatizarea şi uşurarea lucrului uman în atîta, încît omului i se acordă
funcţia de control. IA se deosebeşte foarte mult de roboţi, avînd posibilitatea de
învăţare, luarea deciziilor fără intervenenţa umană, alegerea deciziilor dintr-o gamă
largă de soluţii. Din acest punct de vedere recunoaşterea imaginilor este o problemă
actuală pentru procesul de învăţare şi priire a deciziilor în IA. Se poate de spus că IA a
fost dezvoltată pentru a permite soluţionarea problemelor nerezolvabile prin metode
algoritmice şi ea poate fi definită ca simularea inteligenţei umane procesată de maşini,
în special, de sisteme de calculatoare.
Până în prezent s-au dezvoltat două metode diferite de abordare a IA. Prima metodă
este cunoscută sub numele “top-down approach” sau “symbolic approach to AI” şi
această metodă are dezavantajul că este prea dependentă de maşină şi poate fi utilizată
doar în probleme foarte restrânse. De asemenea, abordarea se bazează în mare măsură
pe cunoştinţele programatorului, absolut nimic nu poate fi adăugat automat. A doua
metodă constă în construirea unei reţele neuronale care să asigure convertirea unei
imagini în informaţie.
Inteligenţa artificială presupune proiectarea şi construirea de sisteme capabile să

realizeze funcţii ale intelectului uman: învăţarea prin experienţă, înţelegerea limbajului
natural, utilizarea unui raţionament pentru rezolvarea unor probleme sau luarea unor
decizii. Toate acestea presupun însă şi acumularea unei anume cantităţi de informaţie
(baza de cunoştinţe, informaţii din mediu etc.). Această informaţie este preluată de
sistemele inteligente prin senzori şi creează o imagine a mediului în momentul preluării
datelor (snapshot). Din imaginea astfel obţinută trebuie extrase informaţiile utile.
Coal
U.T.M.2153.30.003.ME 4
Prelucrarea imaginilor este un domeniu complex, dinamic, cu numeroase aplicaţii în
diverse domenii. Există acum diverse implementări de sisteme de timp real, bazate pe
prelucrarea de imagini, sisteme utilizate în industria militară, medicină, sisteme de
control automat a proceselor industriale. S-au adus diverse îmbunătăţiri pentru sisteme
de procesare a amprentelor digitale, recunoaşterea feţei, a scrisului, obiectelor. Pentru
zonele aglomerate sau de interes strategic au fost proiectate şi implementate sisteme de
securitate şi supraveghere bazate pe vederea artificială (machine-vision). De asemenea,
prelucrarea computerizată a imaginilor are un rol foarte important în medicină, în
domeniul tehnicii medicale: tomografia asistată de calculator, analiza şi interpretarea
imaginilor microscopice celulare.
În lucrarea dată a fost efectuată cercetarea algoritmilor şi metodelor de
recunoaşterea a formelor geometrice şi a fost realizat programul care efectuează
recunoaşterea formelor geometrice în Java.
1. Analiza metodelor existente de recunoaştere a obiectelor geometrice
1.1 Sisteme inteligente în Înteligenţa Artificială
Cînd s-a vorbit prima dată de Inteligenţa Artificială (AI -Artificial Intelligence) în
1956, totul părea o utopie, un vis prea frumos pentru a fi realizat, un stadiu al dezvoltării
considerat a fi greu de atins. În ultimii aproape 50 de ani, termenul a prins contur,
devenind realitate, fiind în prezent folosit în aproape toate ştiinţele care doresc să se
afirme. Iniţiatorul sau, prof. John McCarthy a prezentat noul concept în vara anului
1956 la întrunirea „Darthmouth Summer Research Project on Artificial Intelligence”.
Odata cu dezvoltarea tehnicii de calcul şi a pachetelor software, Inteligenţa
Artificială a devenit o ramura suplimentara a ştiinţelor. Totuşi, vîrful de lance este
ştiinţa computerelor, cea care a introdus termenul şi a facut cel mai mult pentru
afirmarea noului concept.
Termenul de Inteligenţă Artificială este întalnit azi în numeroase publicaţii tehnice,
medicale, militare, ştiinţifice, de obicei, cînd vine vorba de aplicaţii ce realizează
Coal
U.T.M.2153.30.003.ME 5
performanţe de care numai omul era socotit capabil: recunoaşterea şi analiza vocii şi a
imaginilor, traduceri dintr-o limba în alta, diferite jocuri de inteligenţa (sah, bridge),
luarea unor decizii complexe fără intervenţia unui operator uman etc. Iniţial, obiectivele
Inteligenţei Artificiale au fost foarte ambiţioase: maşina trebuia să rezolve diferite
probleme, să înveţe din propria experienţă şi din evenimentele exterioare sistemului sau,
să efectueze raţionamente, să conceapă noi obiecte cu proprietăţi prestabilite.
În mod natural, încă din momentul conştientizării existenţei sale, omul a fost
întotdeauna interesat să cunoască modul de formare şi funcţionare a inteligenţei proprii.
Unii oameni de ştiinţă afirmă că inteligenţa umana este imposibil de atins şi întrecut
pe cale artificială de o maşină. În 1989, matematicianul britanic Roger Penrose a
susţinut ca mecanismele de funcţionare specifice creierului uman nu pot fi replicate de
maşina, nici măcar în principiu. În prezent, creierul uman este considerat a fi cel mai
sofisticat computer cunoscut. Spre a întelege inteligenţa umana, trebuie să întelegem
modul în care se formează cele mai simple gînduri. Încercarea de a trece peste aceste
etape primare şi a cerceta direct acţiunile complexe ale creierului uman este aproape
imposibilă.
O metoda de a înţelege lucrurile este de a le modela pe un computer şi apoi a le
produce artificial. Primul pas pe care ştiinţa computerelor trebuie să îl facă în cercetarea
Inteligenţei Artificiale este să încerce a modela modul de funcţionare a creierului. Pînă
în prezent s-au dezvoltat doua metode diferite de abordare a Inteligenţei Artificiale.
Prima metodă este cunoscută sub numele “top-down approach” sau “symbolic approach
to AI”. Spre exemplu, vederea artificială a unei maşini (controlată de un computer) a
fost abordată prin construirea unor algoritmi şi aplicarea lor pe o serie de date de intrare.
Fiecare pas al procesului de vedere trebuie evaluat, un algoritm urmand să transforme
datele de intrare într-o forma mai uşor de utilizat. Aceasta metoda are dezavantajul că
este prea dependentă de maşină şi poate fi utilizată doar în probleme foarte restrînse. De
asemenea, abordarea se bazează în mare masura pe cunoştinţele programatorului,
absolut nimic nu poate fi adăugat automat.
Coal
U.T.M.2153.30.003.ME 6
A doua metodă constă în construirea unei reţele neuronale care să asigure convertirea
unei imagini în informaţie. În anii 60 preocupările au fost concentrate pentru
constituirea unei astfel de reţele, denumită „perceptron”. Acesta, o combinaţie reuşită de
reţea neuronală şi informaţii pre-procesate, a permis pentru prima dată recunoaşterea
imaginilor de către un computer. Perceptronul s-a bazat pe ceea ce a reprezentat atunci
primul stadiu al vederii artificiale, fiind folosit ulterior în construcţia maşinilor
autoghidate.
Ideile care au stat la baza formării disciplinei inteligenţei artificiale au plecat de la
cercetările privind inteligenţa umană şi raţionamentul formal. Acestea au cuprins în special
cercetări în domeniul ciberneticii, a semanticii şi teorii ale calculului. Ideea principală a
ciberneticii a fost aceea că modul de comportare inteligentă se poate baza pe principiul
"reacţiei negative". Reacţia negativă este indicată pentru controlul mărimilor fizice, dar nu
poate fi generalizată în cazul raţionamentului inteligent .
Alte abordări pentru studiul comportamentului uman s-au bazat pe teoriile privind luarea
deciziilor. Conform acestei orientări, modelul raţional al gândirii este aproape imposibil de
exprimat în termeni cantitativi şi formule analitice, întrucât gândirea umană şi luarea
deciziilor nu depind direct de numere, întrucât raţionamentul numeric este neadecvat
pentru modelarea inteligenţei, a fost aleasă procesarea simbolică drept un model pentru
replicarea cunoaşterii şi a raţionamentului uman.
Evoluţia ştiinţelor cibernetice şi a studiului comportamentului uman au contribuit la
dezvoltarea domeniului raţionamentului şi a demonstrării automate (machine reasoning),
acesta fiind unul dintre primele domenii ale inteligenţei artificiale. Pentru inteligenţa
artificială, anul oficial al începerii acesteia a fost 1956, odată cu proiectul "Summer
Research Project" de la Darmouth College. După 1956, inteligenţa artificială devine o
disciplină de studiu, care pe parcurs s-a dezvoltat şi sistematizat continu. În sensul cel mai
acceptat astăzi, scopul inteligenţei artificiale este replicarea funcţionalităţii minţii umane.
De-a lungul anilor, inteligenţa artificială a inclus diverse domenii. Subordonate scopului
principal, aceste domenii au încercat să reprezinte diferitele facultăţi umane.
Principalele subdomenii ale inteligenţei artificiale sunt considerate următoarele:
Coal
U.T.M.2153.30.003.ME 7
1).Vederea artificială, care încearcă să recunoască diferite structuri tipice
(şabloane) în acelaşi mod ca şi privirea umană;
2). Robotica, ce se ocupă de producerea maşinilor la care se poate controla mişcarea;
3). Procesarea vorbirii, care se ocupă cu recunoaşterea şi sinteza vorbirii umane;
4). Procesarea limbajului natural, care se ocupă cu înţelegerea limbajului natural
scris, precum şi cu producerea acestuia;
5). Demonstrarea teoremelor, care se ocupă cu demonstrarea automată a
teoremelor din logică şi matematică;
6). Rezolvarea generală a problemelor, care încearcă să rezolve clase generale de
probleme exprimate într-un limbaj formal;
7). Recunoaşterea formelor, care se ocupă cu recunoaşterea şi clasificarea diferitelor
şabloane de imagine;
8). Jocurile, care încearcă să creeze programe de jocuri competitive;
9). Învăţarea automată, care se ocupă cu producerea maşinilor capabile să acumuleze
cunoştinţe prin observarea exemplelor;
10). Sistemele inteligente, care se ocupă cu reproducerea expertizei umane.
Unele dintre aceste domenii sunt deja foarte bine conturate şi încep să devină de sine
stătătoare, părăsind câmpul inteligenţei artificiale; exemple concludente sunt recunoaşterea
formelor, procesarea vorbirii şi sistemele inteligente .
În prezent, sistemele inteligente sunt cel mai adesea asociate cu reprezentarea
cunoştinţelor şi cu raţionamentul, în cadrul lor, s-au dezvoltat deja un număr de subdomenii
proprii, cum este achiziţia de cunoştinţe, care este o formă specializată de învăţare
automată. Alte surse ale sistemelor expert includ domenii care sunt în acelaşi timp şi
domenii curente de cercetare în cadrul inteligenţei artificiale. Asemenea surse includ:
explicarea, învăţarea inteligentă, planificarea, rezolvarea distribuită a problemelor, etc.
1.2 Descrierea obiectelor geometrice
Prelucrarea a imaginilor reprezintă un domeniu foarte larg. Acest domeniu are la

bază o teorie matematică riguroasă, bine pusă la punct, dar în general implementările pe
Coal
U.T.M.2153.30.003.ME 8
diverse maşini de calcul sunt destul de mari consumatoare de resurse (putere de calcul,
memorie), în special dacă ne referim la utilizarea în timp real a informaţiilor extrase din
imagini.
Într-un sens cât mai general, o imagine este o descriere a variaţiei unui parametru pe
o suprafaţă. De exemplu, imaginile (în sensul clasic) sunt rezultatul variaţiei intensităţii
luminii într-un plan bidimensional. Dar acest parametru nu este singurul folosit; de
exemplu o imagine poate fi generată de temperatura unui circuit integrat, emisiile de
radiaţii (cu diverse lungimi de undă) ale unor galaxii etc. Însă aceste tipuri de imagine
sunt de obicei, convertite în imagini clasice pentru ca operatorul uman să poată face o
evaluare vizuală a variaţiei unor parametrii. Din aceste considerente, pe parcursul
lucrării toate referirile se vor face la imagini în sensul clasic.
O imagine este deci un semnal bidimensional şi prin urmare prelucrarea imaginilor
poate fi considerată şi o ramură a prelucrării digitale de semnal (care mai include
prelucrarea audio, telecomunicaţii etc.). După cum s-a menţionat anterior, prelucrarea de
imagine şi în general prelucrarea digitală a semnalelor presupune un consum relativ
mare de resurse de calcul şi memorie. Implementarea algoritmilor specifici se poate face
pe sisteme clasice (PC-uri, evoluţia microprocesoarelor oferă puterea de calcul
necesară), dar pentru sistemele dedicate, de timp real, se folosesc în general procesoare
dedicate numite procesoare digitale de semnal (DSP = Digital Signal Processing).
Aceste tipuri de procesoare au implementate hardware diverse optimizări şi paralelisme
pentru a oferi puterea de calcul necesară (de obicei la frecvenţe mult mai mici decât
microprocesoarele clasice); evident ele presupun şi un consum mai mic de energie faţă
de microprocesoare.
Prelucrarea imaginilor include sau este legată de mai multe discipline:
- preluarea, compresia şi stocarea imaginilor;
- restaurarea şi ameliorarea imaginilor prin corecţii geometrice, radiometrice,
ajustări de contrast, filtrarea zgomotului etc;
- fotogrammetrie, adică măsurători ale unor obiecte, fenomene făcute pe baza unor
imagini;
Coal
U.T.M.2153.30.003.ME 9
- recunoaşterea formelor (pattern matching, shape recognition, face recognition);
- vederea artificială (computer vision, robot vision);
- inteligenţa artificială;
- sinteza de imagini, imagini generate de calculator.
Fig. 1.1. Conţinutul imagisticii computerizate.
1.3 Clase de imagini
Imaginile sunt clasificate în patru clase [1]:

- Clasa 1 de imagini include imaginile în scară de gri (sau color).
- Clasa 2 de imagini cuprinde imaginile binare (sau cu câteva culori).
a). b).
Fig. 1.2. Exemplu de imagine din clasa 1 (a) şi clasa 2 (b).
- Clasa 3 de imagini include imagini formate din linii şi curbe continue.

- Clasa 4 de imagini cuprinde imagini formate din puncte izolate sau poligoane.
Coal
U.T.M.2153.30.003.ME 10
c). d). e).
Fig. 1.3. Exemplu de imagine din clasa 3 (c) şi clasa 4 (d).
Din fig.1.3 se pot extrage punctele critice, care vor forma o imagine de clasa 4.
Se remarcă scăderea complexităţii imaginii odată cu numărul clasei, simultan cu
reducerea semnificativă a volumului de date necesar pentru stocarea lor. Astfel
imaginile de clasă 1 sunt cele mai complexe, un exemplu tipic de astfel de imagini fiind
cele de televiziune, obţinute deci cu o cameră TV. Imaginile binare conţin doar două
nuanţe, de obicei alb şi negru (sau doar câteva culori în cazul imaginilor color). Clasa 3
cuprinde imagini şi mai simple, adică conţinând doar linii şi curbe având grosimea de un
pixel. Imaginile din ultima clasă sunt cele mai simple, ele fiind formate din puncte
izolate sau, în cazul graficii computerizate, din poligoane care descriu corpul
tridimensional a cărui reprezentare realistă se doreşte în final .
O taxonomie a domeniului prelucrării de imagini în corelaţie cu grafica
computerizată este prezenat în fig. 1.4 [1].
Fig. 1.4. Taxonomie a imagisticii computerizate.
Coal
U.T.M.2153.30.003.ME 11
Nu au fost reprezentaţi în diagrama anterioară algoritmii de codare/decodare a
imaginilor, care formează un subdomeniu destul de consistent al prelucrării de imagini.
Îmbunătăţirea imaginilor şi filtrările formează un domeniu care se ocupă de
eliminarea zgomotelor, îmbunătăţirea contrastului, accentuarea muchiilor şi detecţia de
muchii. Restaurarea imaginilor îşi propune eliminarea distorsiunilor care afectează
imaginea, distorsiuni datorate unor fenomene fizice cunoscute, modelate matematic sau
estimate.
Segmentarea imaginilor realizează separarea regiunilor uniforme, de interes, din
imagine. Uniformitatea este o noţiune generală ea nereducându-se la constanţa nivelelor
de gri (aceeaşi textură, aceleaşi proprietăţi, etc.). Binarizarea furnizează la ieşire o
imagine de clasă 2, ea putând fi asimilată unei operaţii particulare de segmentare (de
exemplu segmentarea cu prag).
Algoritmii de extragere de contur furnizează la ieşire un contur închis, deci o
imagine de clasă 3. Algoritmii de subţiere de contur realizează tot transformarea
imaginilor de clasă 2 în imagini de clasă 3, dar furnizează la ieşire un graf.
Imaginile de clasă 3 pot fi simplificate în continuare cu algoritmii de segmentare a
curbelor, care furnizează localizarea aşa-numitele puncte critice şi, în plus, parametrii
curbelor care aproximează/interpolează liniile şi curbele din imagine între două puncte
critice succesive. Se poate remarca că, practic, se obţine în această fază o descriere
extrem de simplificată a imaginii iniţiale.
În cazul graficii computerizate, după cum s-a menţionat anterior, se pleacă de la o
descriere a imaginii, urmărindu-se în cazul cel mai general, sinteza unei imagini realiste.
Descrierea iniţială cea mai des folosită conţine o colecţie de poligoane împreună cu
conexiunile dintre ele, ceea ce formează aşa-numita descriere "cadru-de sârmă" (wire-
frame). Obţinerea imaginii realiste (clasa 1) se traduce printr-o secvenţă de algoritmi
care "apropie" imaginea sintetizată de cea reală.
Algoritmii de aproximare/interpolare pleacă de la descrierea "cadru-de-sârmă" şi
urmăresc obţinerea unei curbe netede pentru suprafeţele corpurilor tridimensionale ce se
Coal
U.T.M.2153.30.003.ME 12
reprezintă. Algoritmii de umplere de contur realizează operaţia complementară
extragerii de contur, în timp ce expandarea este operaţia complementară subţierii.
Cunoscând sau deducând regulile de variaţie a nivelului de gri (culorii) de-a lungul
suprafeţelor care mărginesc corpul, prin operaţia de refacere se poate obţine o
reprezentare bidimensională realistă a corpurilor studiate. Se ţine cont de caracteristicile
şi poziţia surselor de lumină şi caracteristicile locale ale corpurilor care se reprezintă
(reflexivitate, transparenţă, etc.).
Alte clase de algoritmi sunt specifice tomografiei computerizate, care realizează
investigarea nedistructivă a corpurilor. Corpul studiat este penetrat de un fascicol de
unde (raze "X", radiaţii electromagnetice, ultrasunete, etc) iar în prelungirea lor (mai
puţin în cazul ultrasunetelor, care măsoară unda reflectată) un set de receptori măsoară
energia rezultată a radiaţiei, energie dependentă direct de proprietăţile locale de
absorbţie ale corpului investigat. Ceea ce se obţine la nivelul receptorilor este proiecţia
1D (deci un vector) a unei secţiuni plane a corpului investigat, într-o anumită direcţie.
Reconstrucţia 2D reface secţiunea plană a corpului studiat dintr-un set de proiecţii
1D, în direcţii diferite, ale secţiunii.
Având la dispoziţie mai multe asemenea secţiuni (paralele sau radiale) ale corpului
studiat, se poate realiza reconstrucţia 3D a corpului studiat. Operaţia inversă se numeşte
proiecţie 2D . Trebuie de remarcat însă că această sinteză nu trebuie văzută rigid,
existând în literatură o multitudine de algoritmi care nu pot fi încadraţi în ea şi, în plus
diferiţi autori încadrează diferit un acelaşi algoritm în categorii diferite. Ca exemplu,
operaţia de codare a datelor poate fi văzută ca o extragere de trăsături regenerative, ceea
ce se obţine fiind în esenţă o descriere a imaginii, scopurile urmărite fiind însă diferite.
1.4 Metode de recunoaştere în selectarea obiectelor
1.4.1 Metoda decizional teoretică
În acest caz, forma este reprezentată printr-un vector n-dimensional al

caracteristicilor (trăsăturilor) extrase, decizia de clasificare bazându-se pe o măsură a
Coal
U.T.M.2153.30.003.ME 13
similarităţii, de exemplu o distanţă [1,2].
Secţiunea de recunoaştere în figura ce urmează conţine extragerea aracteristicilor
şi clasificarea, iar secţiunea de analiză include selecţia caracteristicilor şi învăţarea.
Schema bloc a unui sistem de recunoaştere teoretic-decizională este prezentată în
figura de mai jos:
Fig.1.5. Schema bloc a unui sistem de recunoaştere teoretic - decizională.
Dacă fiecare componentă a vectorului de caracteristici poartă o cantitate mică de

informaţie asupra eşantioanelor, atunci numărul n de caracteristici trebuie să fie foarte
mare, ceea ce îngreunează clasificarea. Din acest motiv, spaţiul originar al
caracteristicilor trebuie transformat într-un spaţiu cu mai puţine dimensiuni, dar care să
conserve informaţia semnificativă pentru clasificare. Această transformare reprezintă
selecţia caracteristicilor.
Selecţia caracteristicilor este o problemă dependentă de formele studiate şi de
numărul de clase. Există criterii de optimizare a selecţiei, care conduc, în spaţiul
caracteristicilor selectate, la maximizarea distanţelor între clase şi minimizarea
distanţelor între componentele aceleiaşi clase. Cu cât dimensiunea spaţiului
caracteristicilor este mai redusă şi separabilitatea claselor e mai mare, cu atât structura
clasificatorului este mai simplă. Cel mai eficient criteriu de optimizare este cel care
minimizează riscul deciziei, adică minimizează probabilitatea de recunoaştere eronată.
Recunoaşterea teoretic-decizională implică existenţa a două etape importante:
Coal
U.T.M.2153.30.003.ME 14
- Proiectarea şi antrenarea clasificatorului.
- Clasificarea formelor necunoscute de intrare.
Proiectarea şi antrenarea clasificatorului. Antrenarea (sau învăţarea) înseamnă
estimarea parametrilor densităţilor de probabilitate dintr-un set de eşantioane, setul de
antrenare, atunci când forma analitică a densităţilor este cunoscută.
Învăţarea presupune existenţa setului de antrenare, format din eşantioane a căror
apartenenţă la clase este cunoscută.
Clasificarea efectuată în urma unei operaţii de învăţare sau antrenare este o
clasificare supervizată.
Dacă nu există un asemenea set de antrenare, se apelează la metode de clasificare
nesupervizată (clusterizare), când numărul claselor şi apartenenţa eşantioanelor de
clasificat nu sunt cunoscute sau insuficient cunoscute.
Clasificarea nesupervizată construieşte clusterele, pe măsură ce procesul
clasificării înaintează, pe baza optimizării unor criterii de similaritate, care realizează o
grupare cât mai naturală a eşantioanelor .
O categorie de clasificatoare des folosite este cea a clasificatoarelor neuronale.
Dintre clasificatoarele cu intrări cu valori continue, clasificare supervizată, cele mai
utilizate sunt perceptroanele cu un singur strat sau cu mai multe straturi, care
implementează fie clasificatorul Gaussian (perceptronul cu un singur strat), fie
clasificatorul celor mai apropiaţi K vecini (perceptronul multistrat). Un clasificator cu
învăţare nesupervizată este harta de trăsături cu auto-organizare Kohonen.
Odată ce clasificatorul a fost proiectat şi antrenat, în situaţia în care densităţile de
probabilitate condiţionate ale vectorilor caracteristicilor selectate sunt cunoscute pentru
fiecare clasă sau pot fi estimate precis dintr-un set de eşantioane, denumit set de
antrenare, se aplică regula de clasificare Bayes, care minimizează probabilităţile de
recunoaştere eronată sau riscul mediu.
În situaţia, mai des întâlnită, când acestea nu sunt cunoscute se utilizează fie
funcţiile discriminant, fie metode neparametrice de clasificare
Metodele neparametrice se bazează pe definirea unei funcţii distanţă şi respectiv
Coal
U.T.M.2153.30.003.ME 15
alocarea unui eşantion necunoscut clasei căreia îi aparţin cele mai multe eşantioane din
cele mai apropiate k eşantioane vecine.
1.4.2 Metoda structural-sintactică
În situaţia în care formele de recunoscut sunt foarte complexe sau numărul claselor
este foarte mare sau nu poate fi determinat din cauză că elementele care constituie
obiectul se pot combina într-o infinitate de moduri, atunci metodele teoretic-decizionale
nu pot fi utilizate în recunoaştere.
Este cazul analizei scenelor, de exemplu în robotică, în cazul în care obiectele
aşezate unele peste altele trebuie recunoscute şi extrase pe rând din stivă.
Forma complexă este văzută ca o combinaţie de forme mai simple care sunt
recunoscute una câte una şi apoi stabilite relaţiile dintre ele în vederea descrierii
obiectului .
Dacă fiecare sub formă este la rândul ei complexă, se reprezintă prin sub forme
mai simple, până când se ajunge la cele mai simple sub forme, denumite primitive. În
figura următoare este prezentată schema unui bloc de recunoaştere structural-sintactică a
formelor.
Forma
Extragere primitivilor Inferenţa gramaticală
Prelucrare
şi a relaţiilor dintre ele (structurală)
Recunoaştere
Analiză
Forme aparţinînd
Selecţia primitivilor şi a Inferenţa gramaticală
Setului de antrenare relaţiilor dintre ele (structurală)
(estimare)
Fig. 1.6. Schema unui bloc de recunoaştere structural-sintactică.
Coal
U.T.M.2153.30.003.ME 16
Secţiunea de recunoaştere constă din prelucrare, extragerea primitivelor şi analiza
structural-sintactică, incluzând selecţia primitivelor şi inferenţa structurală.
În recunoaşterea sintactică, o formă este reprezentată ca un şir de primitive sau
subforme. Regulile care guvernează compunerea primitivelor în forme sunt specificate
de gramatici ale limbajului de descriere a formelor.
Recunoaşterea structurală poate utiliza fie un graf relaţional ale cărui noduri sunt
subformele, iar ramurile specifică fie relaţiile dintre subforme fie alt tip de reprezentări
pentru a pune în evidenţă relaţiile dintre subforme, care să conducă în final la descrierea
obiectului sau formei.
Nu există o regulă generală pentru selecţia primitivelor formelor. De obicei, se aleg
în aşa fel încât să fie uşor de recunoscut. De multe ori trebuie făcut un compromis între
complexitatea subformelor şi cea a limbajului de descriere. În general, cu cât subformele
sunt mai complexe, cu atât relaţiile dintre ele sunt mai simplu de descris şi invers.
După selecţia primitivelor, pasul următor este construcţia unor gramatici care să
genereze unul sau mai multe limbaje pentru descrierea formelor studiate. Selecţia unei
anumite gramatici depinde de primitivele selectate şi de compromisul dintre puterea
descriptivă a gramaticii şi eficienţa analizei sintactice. În descrierea formelor utilizând
şiruri de subforme, operaţia tipică între acestea este concatenarea. Decizia de acceptare
sau recunoaştere a unei forme este luată de analizorul sintactic.
În general, se foloseşte câte o gramatică sau mai multe pentru fiecare formă sau
clasă, clasificarea însemnând determinarea gramaticii care acceptă o reprezentare a unei
forme date ca fiind corectă.
1.4.3 Recunoaşterea conexionistă
Metodele conexioniste se bazează pe utilizarea unei reţele de "procesoare" conectate

intensiv unele cu altele. Fiecare "procesor" poate executa un număr redus de operaţii, de
obicei aceleaşi pentru toate procesoarele din reţea. Gradul lor de programabilitate este
redus. Implementarea acestor reţele de procesoare impune ca o necesitate practică
Coal
U.T.M.2153.30.003.ME 17
limitarea conexiunilor aferente fiecărui procesor, astfel încât el să fie conectat doar la un
număr de procesoare vecine .
Pot fi încadrate în categoriile descrise anterior structurile sistolice, procesoarele
matriceale, reţelele neurale artificiale, etc.
Structurile sistolice fac parte din categoria mai largă a maşinilor paralele complexe
care sunt alcătuite dintr-un mare număr de unităţi procesoare, de obicei identice, fiecare
fiind capabilă să execute o operaţie fixă de bază. Proprietăţile arhitecturale ale
structurilor sistolice le fac potrivite pentru o implementare VLSI. Conectarea celulelor
de calcul se face conform unei topologii regulare, în care fluxul de informaţii este
permis numai spre unităţile adiacente într-un mod "pipe-line". Necesităţile de
comunicare cu exteriorul sunt limitate, conexiunile sunt foarte scurte, ceea ce permite o
viteză mare de operare.
Procesoarele matriceale sunt structuri paralele care realizează aceleaşi operaţii,
simultan, asupra unor date diferite. Ele constituie exemplul tipic de structuri SIMD
(Single Instruction Stream - Multiple Data Stream). Au un grad mai mare de
programabilitate decât structurile sistolice, dar utilizarea lor este limitată la aplicaţii care
cer un paralelism înalt, cum ar fi lucrul cu matrici de date de dimensiuni mari (cazul
imaginilor).
Reţelele neurale (neuronale) artificiale încearcă să se apropie de modelul
creierului uman. Spre deosebire de maşinile Von - Neuman care se caracterizează prin
existenţa unei unităţi procesoare care execută instrucţiuni stocate în memorie, într-o
secvenţă aflată sub controlul numărătorului de program, alte arhitecturi propuse încearcă
să exploateze cât mai eficient paralelismul care este de obicei inerent. "Procesoarele"
care formează reţelele neuronale, sunt denumite neuroni artificiali.
Dacă majoritatea calculatoarelor existente în momentul de faţă dispun de o singură
unitate procesoare, extrem de puternică şi de rapidă, la cealaltă extremă din punctul de
vedere al structurii interne se plasează aceste reţele neurale artificiale, caracterizate
printr-o simplificare extremă a unităţilor componente, alături de o extindere cât mai
largă a conexiunilor între aceste unităţi procesoare. Orice reţea neurală este caracterizată
Coal
U.T.M.2153.30.003.ME 18
de trei elemente: modelul neuronului, arhitectura reţelei şi algoritmul de antrenare
folosit. În ceea ce priveşte modelele de neuroni, cel mai mult folosite în momentul de
faţă sunt cele fără memorie, deci care implementează o relaţie de forma:
N 
y i  f   wij xi   j  , (1.1)
 i 1 
unde yi este ieşirea neuronului "j", xi este intrarea "i" a neuronului, wij este ponderea
conexiunii de la intrarea "i" la neuronul "j", iar θj este pragul ataşat neuronului "j".
Funcţia f este o funcţie neliniară care poate fi de tipul limitare hardware, prag
logic, sigmoidă simetrică sau nu, sau chiar funcţia identică.
1.4.4 Proiectarea clasificatorului de recunoaştere statică
Principii generale. Presupunerea fundamentală care se face este că există pentru

fiecare clasă o funcţie densitate de probabilitate care să poată fi folosită pentru
determinarea probabilităţii ca o formă de intrare să aparţină unei clase. Aceste funcţii
definite pe spaţiul formelor permit clasificarea prin selecţia clasei de probabilitate
maximă.
Vom folosi următoarele notaţii:

P(ωj) - probabilitatea apriorică a clasei ωj;
P(ωj/X) - probabilitatea ca clasa ωj să includă forma X;
P(X/ωj) - probabilitatea ca forma X să fie inclusă în clasa ωj;
F(ωj, ωj) - funcţia de pierdere, care descrie pierderea ce afectează procesul de
recunoaştere când o formă din clasa ωj este clasificată ca aparţinând clasei ωk.
Funcţiile de pierdere uzuale sunt:
a) Funcţia de pierdere simetrică, dată de:
0, pentru j  k ;
F(ωj/ωj)=  1, pentru j  k . (1.2)

care mai poate fi scrisă F(ωj/ωj)= 1-(j,k), unde funcţia (j,k) este funcţia delta
Kronecker.
b) Funcţia de pierdere diagonală, descrisă de:
Coal
U.T.M.2153.30.003.ME 19
 h j , pentru j  k ;
F(ωj/ωj)=  (1.3)
 1, pentru j  k .
Pe baza funcţiei de pierdere se defineşte pierderea medie condiţionată sau riscul

condiţionat pentru fiecare clasă prin:
NC
L( X ,  k )   F ( j /  k ) P( j / X ) . (1.4)
j 1
Folosind formula lui Bayes (sau formula cauzei), avem:

P ( X /  j ) P ( j )
P ( j / X )  , (1.5)
P( X )
rezultă pentru riscul condiţionat expresia:

1 NC
L( X ,  k )   F ( j /  k ) P( X /  j ) P( j ) .
P( X ) j 1
(1.6)
Decizia de clasificare se ia pe baza riscului minim de eroare, deci conform regulii:

X   k  L( X ,  k )  L( X ,  j ),  j  1..N C , j  k .
Se remarcă faptul că procesul de luare a deciziei impune calculul a Nc funcţii de

risc condiţionate, unde Nc este numărul de clase.
Trecerea la funcţiile discriminante se face imediat definindu-le prin:
D k ( X )   L( X ,  k ) , (1.7)
adică
1 NC
Dk ( X )    F ( j /  k ) P( X /  j ) P( j ) ,
P ( X ) j 1
(1.8)
care defineşte funcţia de decizie pentru clasificatorul Bayes. Deci regula de decizie
devine:
X   k  Dk ( X )  D j ( X ),  j  1..N C , j  k . (1.9)
Pentru funcţia de pierdere simetrică, riscul condiţionat are expresia:
1 NC
L( X ,  k )   [ P( X /  j ) P( j )   ( j, k ) P( X /  j ) P( j ).
P ( X ) j 1
(1.10)
Dar din formula probabilităţii totale avem:

NC
P ( X )   [ P( X /  j ) P( j ). (1.11)
j 1
Şi ca urmare:
Coal
U.T.M.2153.30.003.ME 20
1
L( X ,  j )  1  P ( X /  j ) P ( j ). (1.12)
P( X )
Probabilitatea P(X) este aceeaşi pentru toate funcţiile de risc condiţionat, deci putem
folosi:
L( X ,  k )  P ( X /  k ) P( k ). (1.13)
Rezultă funcţia de decizie a clasificatorului Bayes pentru funcţia de pierdere
simetrică:
Dk ( X )  P( X /  k ) P( k ). (1.14)
Pe baza ei se scrie regula de decizie:
P( X /  k ) P( j )
X   k  P( X /  k ) P( k )  P( X /  j ) P( j )     , (1.15)
P( X /  j ) P( k )
unde cu  s-a notat raportul de verosimilitate.

Pentru funcţia de pierdere diagonală, expresia riscului condiţionat este
1
L( X ,  k )  ( hk ) P ( X /  k ) P( k ), (1.16)
P( X )
şi din aceleaşi considerente ca mai sus vom folosi :

L( X ,  k )  hk P ( X /  k ) P ( k ). (1.17)
Funcţia de decizie a clasificatorului Bayes pentru funcţia de pierdere diagonală este:
Dk ( X )  hk P ( X /  k ) P ( k ), (1.18)
iar regula de decizie corespunzătoare se scrie :
P ( X /  k ) h j P ( j )
X   k  hk P ( X /  k ) P ( k )  h j P ( X /  j ) P ( j )     ,
P ( X /  j ) hk P ( k )
(1.19)
Probabilitatea globală de eroare pentru clasificatorul Bayes este:
 
Pe    P( i )  P ( X /  i )dX  . (1.20)
 i 
1.4.5 Clasificarea parametrică statistică
Coal
U.T.M.2153.30.003.ME 21
În cazul metodelor parametrice se presupun cunoscute caracteristicile statistice ale
formelor de intrare, adică densitatea de probabilitate pentru fiecare clasă şi
probabilităţile apriorice ale claselor [6].
Cel mai des, sistemele reale sunt descrise de legea normală. Pentru cazul
unidimensional avem:
1  ( x  m) 2 
 ( x)  exp  . (1.21)
 2  2 2 
unde "m" şi "  " sunt respectiv media şi dispersia variabilei aleatoare cu distribuţie
normală.
Pentru cazul multidimensional, mediei îi corespunde:
M=E{X}, (1.22)
iar dispersiei:
Φ =E { (X-M)(X-M)2}, (1.23)
unde E este operatorul speranţă matematică, iar Φ este matricea de covarianţă a
variabilei aleatoare multidimensionale X=(x1, x2,…, xn) .
Densitatea de repartiţie multidimensională este:
1  1 
( X )  1/ 2
exp  ( X  M ) T  1 ( X  M )  . (1.24)
 ( 2 ) n/2
 2 
Deci :
1  1 1 
P( X / k )  1/ 2
exp ( X  M k ) T  k ( X  M k ) . (1.25)
k (2 ) n/2
 2 
Pentru funcţia discriminant se preferă folosirea logaritmului:

D k ( X )  log[ P ( X /  k ) P ( k )]. (1.26)
Renunţând la termenii care sunt independenţi de clasă, rezultă:
1 1 1
Dk ( X )   log  k  X T  k1 X  M kT  k1 X  M kT  k1 M k  log P ( k ). (1.27)
2l 2 2
Sunt foarte utile unele propuneri simplificatoare:

1) Dacă matricele de covarianţă sunt egale pentru toate clasele se obţine
binecunoscutul clasificator liniar:
1 T 1
Dk ( X )  M kT  1 X  M k  M k  log P ( k ). (1.28)
2
Coal
U.T.M.2153.30.003.ME 22
2) Făcând presupunerea suplimentară a clasificării binare, funcţia de decizie se scrie:
1 T 1 1
D ( X )  ( M 1T  M 2T ) 1 X  M 1  M 1  M 2T  1 M 2  log P (1 ) / P (1 ). (1.29)
2 2
3) Dacă probabilităţile apriorice ale claselor sunt egale, funcţia de decizie

multicategorială este:
1 T 1
Dk ( X )  M kT  1 X  Mk  Mk. (1.30)
2
4) Dacă trăsăturile formei de intrare sunt necorelate, atunci Φ este o matrice

diagonală şi avem:
1 T
Dk ( X )  M kT X  Mk Mk, (1.31)
2
care este tocmai clasificatorul binar de distanţă minimă.
Divizarea neparametrică de recunoaştere statistică. Pierderea medie condiţionată

(riscul condiţionat) pentru un clasificator bayesian este dat de [5]:
1 Nc
L( X ,  k )   F (k / i ) P( X / i )P(i ).
P ( X ) i 1
(1.32)
Riscul global de clasificare incorectă, a cărui minimizare se doreşte, este dat de:
r  L( X , 

k ) P ( X ) dX
, (1.33)
unde integrala se calculează peste întreg spaţiul formelor, deoarece, evident:

Nc

k 1
k . (1.34)
Înlocuind prima formulă în cea precedentă, se obţine:

 Nc  Nc
 
r    F (k / i ) P( X / i )P (i )dX   P (i )   F ( k / i ) P( X / i )dX  .
  i 1  i 1  
(1.35)
Deoarece orice clasificare multicategorială poate fi realizată folosind clasificatori
binari, formula anterioară devine pentru cazul Nc=2:
r  P (1 )  F (1 / 1 ) P ( X / 1 )dX  P (1 )  F (1 / 2 ) P ( X / 1 )dX 
1 2
(1.36)
 P ( 2 )  F ( 2 / 1 ) P ( X / 2 )dX  P (2 )  F (2 / 2 ) P ( X / 2 )dX .
1 2
Coal
U.T.M.2153.30.003.ME 23
În expresia de mai sus F(ωi , ωi) este valoarea funcţiei de pierdere pentru cazul
clasificării corecte, şi ca urmare, pentru simplificarea calculelor, se poate impune
F(ωi , ωi), de unde obţinem:
r  P (1 )  F (1 /  2 ) P( X / 1 )dX  P ( 2 )  F ( 2 / 1 ) P( X /  2 )dX .
2 1
(1.37)
Se urmăreşte construirea unui clasificator binar în condiţiile minimizării riscului

global dat de expresia anterioară. Dacă clasificatorul dorit este unul linear, el este
descris de vectorul de ponderi W (care dă normala la hiperplanul de decizie din spaţiul
extins al trăsăturilor), regula de decizie fiind dată în acest caz de:
 X  1  W T X  0;
 (1.38)
 X   2  W X  0.
T
Condiţia de linearitate impusă clasificatorului nu este restrictivă. Ţinând cont de

dependenţele existente, trebuie făcută înlocuirea:
F (1 /  2 )  F (1 /  2 , X ,W ), (1.39)
şi atunci avem:
r  P (1 )  F (1 /  2 , X ,W ) P ( X / 1 )dX  P ( 2 )  F ( 2 / 1 , X ,W ) P ( X /  2 )dX .
2 1
(1.40)
Planul de decizie, deci parametrii clasificatorului trebuiesc determinaţi din condiţia
minimizării riscului global, adică:
    
r (W )  0, unde 
 w  
. (1.41)
 1 w2 wn 1 
Calculând gradientul riscului global, rezultă expresia:

r (W )  P(1 )  F (1 /  2 , X , W ) P ( X / 1 )dX 
2
(1.42)
 P( 2 )  F ( 2 / 1 , X , W ) P ( X /  2 )dX  g (1 ,  2 );
1
unde ultimul termen este datorat dependenţei gradientului de limitele de separare a

claselor. Impunând ca funcţia de pierdere F să fie nulă pe aceste limite de separare,
ultimul termen se anulează.
Funcţiile de pierdere care pot fi folosite în construcţia neparametrică a clasificatorilor
bayesieni sunt enumerate în continuare:
Coal
U.T.M.2153.30.003.ME 24
(1) Funcţia de pierdere simetrică:
0, pentru j  k ;
F(ωk/ωj)=  1, pentru j  k . (1.43)

(2) Funcţia de pierdere diagonală:

 hk , pentru j  k ;
F(ωk/ωj)=  (1.44)
 1, pentru j  k .
(3) Funcţii de pierdere dependente de distanţa între forma clasificată incorect şi clasa
corectă:
F~d F ~ d2 F
~d
~ d2
d d a d
a). b). c).

Fig. 1.7. Funcţii de pierdere dependente de distanţă.
Distanţa se măsoară de la planul de decizie la forma clasificată incorect folosind:

WTX WTX
d  1/ 2
W  n 1 2  . (1.45)
  wi 
 i 1 
Dacă d < 0 , înseamnă că forma a fost clasificată corect, deci în acest caz avem:
F(d)=0, pentru d<0.
Pentru o funcţie de pierdere dependentă liniar de distanţa la planul de decizie, avem:
 0, pentru W T X  0, X  1 , clasificar e corecta;

F (1 /  2 , d )  W T X (1.46)
, pentru W T X  0, X  1 , clasificar e incorecta .
 W

 0, pentru W T X  0, X  2 , clasificar e corecta;


F (2 / 1 , d )  W T X (1.47)
, pentru W T X  0, X  2 , clasificar e incorecta .
 W

Coal
U.T.M.2153.30.003.ME 25
Se calculează
W T X  X W  W T X W X W  W T X(W T W )1 / 2 X W  W T X (W T W ) 1 / 2 W

 W

 2
 2
 2

  W W W
1 2
X W W T X W W X W  (W T X )W
 2
 3
,
W W
(1.48)
iar rezultatul se notează cu:
2
XW  (W T X )W
f ( X ,W ) 
W
3 . (1.49)
Ca urmare, gradientul riscului global poate fi exprimat cu:

r (W )  P (1 )  F ( X , W ) P ( X / 1 )dX  P ( 2 )  F ( X , W ) P ( X /  2 )dX  g (1 ,  2 ).
2 1
(1.50)
Aceste metode fiind neparametrice, caracteristicile statistice ale procesului sunt

necunoscute, deci P(ωi ), P(X/ ω1 ) nu se cunosc [4]. De aceea se adoptă o procedură
iterativă de estimare a lui "W", riscul global estimându-se şi el plecând de la formele din
setul de antrenament:
(1.51)
W (i  1)  W(i )  W (i);
 1 N1 1 N2
 r(W)   F (1 / 2 , X (m1) ,W)   F (2 / 1, X m( 2) ,W ).
 N1 m1 N2 m1

Metoda gradientului descrescător furnizează condiţia ca W (i ) să fie proporţional

cu r (W ) deci să avem: W (i  1)  W (i )  r (W ),
şi pe baza formulei precedente se poate utiliza drept estimaţie a gradientului:

1 1
r (W ) 
N1
 f (X
mM 1
(1)
m ,W (i )) 
N2
 F(X
mM 2
( 2)
m ,W (i )), (1.52)
unde cu M1 , M2 s-au notat mulţimile indicilor care, la iteraţia "i" produc o

clasificare corectă.
1.5 Proprietăţile comparative a algoritmilor în recunoaşterea imaginilor
Una din cele mai importante clase de metode de localizare a obiectelor într-o
imagine are la bază aşa-numita "potrivire" a conţinutului unei imagini cu un model al
obiectului căutat. Aceasta este în esenţă o operaţie de căutare a minimului unei măsuri a
Coal
U.T.M.2153.30.003.ME 26
diferenţei între imagine şi model. "Potrivirea" ideală se obţine rareori, datorită prezenţei
zgomotelor, efectelor digitizării imaginii, etc.
Dacă se notează cu f(m,n) imaginea digitală, unde -M  m  M şi -N  n  N , iar cu
T(j,k) modelul căutat, o măsură a distorsiunii dintre imagine şi model poate fi scrisă:
d ( m, n)     f ( j , k )  T ( j  m, k  n) .
2
j k
"Potrivirea" se obţine pentru valoarea minimă a expresiei anterioare sau când

d( n , m) scade sub un anumit prag. Relaţia anterioară se poate simplifica mult notând:
d ( m.n)  d1 ( m, n)  2d 2 ( m, n)  d 3 ( m, n), (1.53)
d1 (m, n)     f ( j , k )  , d 2 ( m, n)    f ( j , k )T ( j  m, k  n),
2
unde j k j k
d1 ( m, n)    T ( j  m, k  n) .
2
j k
Termenul d3(m,n) este constant şi independent de coordonatele (m,n). Energia

imaginii din fereastra de "potrivire" este reprezentată de d1(m,n), în timp ce d2(m,n) este
chiar corelaţia între imagine şi model, în fereastra curentă. Deoarece condiţia de minim
poate fi atinsă pentru valori mari ale corelaţiei d2(m,n) şi ale energiei imaginii, d1(m,n),
chiar în condiţii de "nepotrivire", se utilizează intercorelaţia normalizată drept măsură a
"potrivirii", adică:
~ (m, n)  d 2 (m, n) .
R FT
d1 (m, n)
(1.54)
Decizia de "potrivire" se ia dacă este îndeplinită condiţia:
~ (m, n)  L ( m, n)
R FT R (1.55)
1.6 Punerea problemei de recunoaştere
Recunoaşterea formelor Recunoaşterea formelor se ocupă de clasificarea unui set de

obiecte, procese sau evenimente. Clasificarea este un proces fundamental care
caracterizează nu numai ştiinţele ci şi viaţa socială. Metodele matematice dezvoltate în
cadrul recunoaşterii formelor îşi găsesc aplicaţie în cele mai diverse domenii .
Coal
U.T.M.2153.30.003.ME 27
Recunoaşterea formelor are ca scop determinarea clasei din care fac parte
elementele unei mulţimi. Stabilirea numărului de clase este o problemă legată direct de
caracteristicile aplicaţiei. Pot exista aplicaţii cu număr de clase cunoscut aprioric, dar şi
aplicaţii în care numărul de clase trebuie stabilit algoritmic.
Clasificatorul este sistemul care implementează operaţia de recunoaştere a
formelor, deci el realizează o procedură stabilită anterior de clasificare.
Există două abordări ale procesului de recunoaştere: recunoaşterea controlată şi
recunoaşterea necontrolată. Recunoaşterea controlată (supervizată) implică existenţa
unui set de forme a căror apartenenţă la clase este cunoscută. Acest set de forme include
setul de formare (învăţare, antrenare) care este folosit pentru construcţia propriu-zisă a
clasificatorului şi setul de predicţie (testare) al cărui scop este testarea (evaluarea)
clasificatorului respectiv. Construirea clasificatorului este asociată în acest caz
algoritmului de învăţare corespunzător clasificatorului, algoritm care construieşte în
mod iterativ coeficienţii acestui clasificator.
Recunoaşterea necontrolată (nesupervizată) nu necesită cunoaşterea apriorică a
apartenenţei formelor din setul de formare la clase. Această abordare dezvoltă algoritmi
care realizează construcţia claselor pe măsură ce forme analizate sunt luate în
considerare. Ei sunt numiţi algoritmi de grupare (clustering). Schema bloc a unui sistem
de recunoaştere a formelor este dată în continuare fig. 1.8:
Translator Selector Intrare

(extragere Clasificator
Decizie trăsături
trăsături)
Fig. 1.8. Schema bloc a unui sistem de recunoaştere a formelor.
1.6.1 Noţiuni generale
În urma extragerii trăsăturilor se obţine un set de "n" trăsături notat:
Coal
U.T.M.2153.30.003.ME 28
X=(x1, x1,…, xn)T, (1.56)
care poate fi văzut ca un vector în spaţiul trăsăturilor (formelor), spaţiu notat cu
ΩRn.
Clasificarea este o partiţionare a spaţiului formelor în "K" regiuni (clase), notate
{ωj}j=1,..k şi care îndeplinesc condiţiile [1]:
Ω; (1.57)
F, (1.58)
unde F este mulţimea punctelor care alcătuiesc frontierele între aceste clase. Funcţia
discriminant ataşată unei clase este o funcţie Dj(X):Ω →R dată de:
X   Dj(X) >Di(X), i ≠ j, i=1,...,K. (1.59)
Limitele de decizie între clasele ωi şi ωj vor fi definite prin ecuaţia:
Di(X)- Dj(X)=0. (1.60)
Metodele matematice utilizate pentru rezolvarea problemelor de recunoaştere a
formelor se grupează în două mari categorii:
- metode decizional-teoretice şi statistice;
- metode sintactice (lingvistice).
Dintre proprietăţile care permit evaluarea unui clasificator, mai importante sunt
următoarele:
Recunoaşterea este exprimată prin rata de recunoaştere, care este procentul de
forme din setul de formare recunoscut corect de clasificator.
Convergenţa exprimă viteza de răspuns a unui clasificator. În cele mai multe
cazuri se urmăreşte realizarea unui compromis între rata de recunoaştere şi viteza de
răspuns care caracterizează un anume clasificator.
Siguranţa este descrisă prin gradul de încredere al unui clasificator, care
caracterizează capacitatea clasificatorului de a clasifica corect formele distorsionate
aplicate la intrare.
Predicţia exprimă capacitatea clasificatorilor de a recunoaşte corect forme care nu
aparţin setului de formare. O măsură a acestei proprietăţi este abilitatea predictivă care
exprimă procentul de forme din setul de predicţie (deci cu apartenenţă la clase
Coal
U.T.M.2153.30.003.ME 29
necunoscută în prealabil) recunoscute corect.
Între cele două clase de metode există o conexiune directă care asigură
întrepătrunderea lor, după cum rezultă şi din următoarea schemă bloc care descrie
modurile posibile de abordare ale unei probleme generale de clasificare [2]:
Forme de
intrare
Metode Metode Metode

sintactice mixte statistic
e
Gramatici Descriere/Extragere/ Metode Metode

utilizate primitive parametrice neparametric
e
Prelucrare
preliminară
Clasificare
supervizată/
nesupervizată
Decizie
Coal
U.T.M.2153.30.003.ME 30
Fig. 1.9. Moduri posibile de abordare ale unei probleme de clasificare.
1.6.2 Strategii de recunoaştere pentru N clase
Complexitatea problemei poate fi micşorată împărţind-o în mai multe sarcini mai

mici, şi anume alcătuind câteva grupe de clase şi apoi construind câte un clasificator
pentru fiecare grupă de forme. Trăsăturile extrase se aplică simultan la intrările tuturor
clasificatorilor şi în mod normal unul singur va furniza decizia de recunoaştere.
Schemele bloc pentru două variante ale unui asemenea sistem sunt prezentate în
continuare .
Fig. 1.10. Sistem de recunoaştere pentru N clase, varianta 1.
Coal
U.T.M.2153.30.003.ME 31
Fig. 1.11. Sistem de recunoaştere pentru N clase, varianta 2.
Rolul logicii de decizie este de a furniza o decizie corectă în cazurile cu o oarecare

doză de incertitudine, utilizând informaţiile furnizate de toate clasificatoarele.
Deşi prima variantă este mai simplă, se poate utiliza, pentru optimizarea timpului
de răspuns, un preclasificator care să specifice cărei grupări îi aparţine fiecare formă de
intrare şi în consecinţă, care clasificator elementar trebuie folosit pentru recunoaşterea
efectivă.
De multe ori, orice sistem de recunoaştere include şi un subsistem de tratare a
erorilor de recunoaştere (forme nerecunoscute), un exemplu tipic in acest sens fiind
cazul caracterelor atinse sau fragmentate din sistemele OCR (Optical Character
Recognition). În ambele cazuri, pentru formele nerecunoscute se mai face o încercare în
ipoteza că ele reprezintă forme încă "neînvăţate"; se încearcă reantrenarea
clasificatorului, apoi rezultatul este iarăşi aplicat la intrarea clasificatorului pentru o
nouă încercare .
1.7Filtrarea imaginilor. Filtre spaţiale pentru eliminarea zgomotelor
Coal
U.T.M.2153.30.003.ME 32
Zgomotul este o informaţie nedorită care deteriorează calitatea unei imagini.
Zgomotul din imaginile digitale poate proveni dintr-o multitudine de surse. Procesul de
achiziţie al imaginilor digitale, care converteşte o imagine optică într-un semnal electric
continuu este un proces primar generator de zgomote.
La fiecare pas din procesul de achiziţie există fluctuaţii cauzate de fenomene
naturale şi acestea adaugă o valoare aleatoare la extragerea fiecărei valori a luminozităţii
pentru un pixel dat. În imaginile tipice, zgomotul poate fi modelat fie printr-o distribuţie
gaussiană – figura 1. 12 - a, uniformă – figura 1. 12 – b, sau de tip „salt and pepper“
(„sare şi piper“)– figura 1. 13, c.
Operaţia prin care se elimină zgomotul, datorat unor surse externe, dintr-o imagine
digitală este filtrarea. Filtrarea imaginilor digitale este o operaţie care se aplică local la
nivelul fiecărui pixel din imagine, înlocuind valoarea intensităţii/ culorii pixelului curent
cu o valoare ce depinde de valorile de intensitate/culoare ale pixelilor vecini. Numărul
de vecini luaţi în considerare va determina dimensiunea filtrului.
Filtrele spaţiale pot fi folosite efectiv pentru a înlătura anumite tipuri de zgomote
din imaginile digitale.
Probabilitate Probabilitate
1 B
 , A

Nivele de gri a b Nivele de gri a b Nivele de gri
a) b) c)
Fig. 1.12. Tipuri de zgomot.
Coal
U.T.M.2153.30.003.ME 33
Aceste filtre spaţiale operează pe vecinatăţi mici, între 3x3 şi 11x11, şi unele pot fi
implementate ca şi măşti de convoluţie.
Principalele categorii de filtrele spaţiale folosite la înlăturarea zgomotelor sunt
filtrele ordonate şi filtrele de mediere.
Filtrele ordonate sunt filtre neliniare implementate prin aşezarea pixelilor vecini în
ordine de la cel cu valoarea cea mai mica a nivelelor de gri la cel cu valoarea cea mai
mare a nivelelor de gri. Această ordonare se foloseşte pentru a selecta valoarea
"corectă", în timp ce la filtrele de mediere se determina, într-un fel sau altul, o valoare
medie a vecinilor [7].
Filtrele de medie sunt în general filtre liniare aplicate printr-o operaţie de
convoluţie a imaginii cu un nucleu (masca) de convoluţie şi lucrează mai bine cu
zgomot uniform sau zgomot gaussian. Filtrele ordonate (in special filtru median)
lucrează mai bine cu zgomote salt-and-peper, zgomote exponenţial negative, zgomote
Ryleigh. Filtrele de mediere au dezavantajul de a voala marginile sau detaliile
imaginilor. Filtrele ordonate nu sunt liniare, astfel ca rezultatele acestora sunt uneori
imprevizibile. În practică ambele tipuri de filtre pierd informaţiile de frecventă înaltă
(muchii si detalii) în încercarea lor de a înlătura zgomotele, şi scopul este de a diminua
aceste pierderi de informaţie când se maximizează înlăturarea zgomotului. Un filtru care
işi schimba comportamentul bazându-se pe caracteristicile nivelelor de gri ale vecinilor
este numit filtru adaptiv, şi aceste filtre sunt folosite in multe aplicaţii practice.
Filtre ordonate. Filtrele ordonate sunt bazate pe un tip specific de statistica a
imaginilor numită statistica ordonată. Aceste filtre operează pe subimagini mici
(ferestre) din jurul pixelului curent, şi înlocuiesc valoarea pixelului central (curent).
Statistica ordonată este o tehnică care aranjează toţi pixelii într-o ordine secvenţială,
bazată pe valoarea nivelelor de gri. Plasarea unei valorii în cadrul acestei mulţimi
ordonate va fi caracterizată de un de rang. Dându-se o fereastra W de NN pixeli,
valorile pixelilor pot fi ordonate crescător după cum urmează: I1 I1 I1… IN2, unde { I1,
I1, I1,…, IN2} reprezintă intensităţile (nivelele de gri) valorilor corespunzătoare subsetului
Coal
U.T.M.2153.30.003.ME 34
de pixeli din imagine, care sunt in fereastra W de NN pixeli (care este: {(r,c)W}) din
jurul pixelului curent.
Exemplu: fie este dată o subimagine cu dimensiunea 3x3 :
110 110 114 
100 104 104
 .
 95 88 85 
Rezultatul aplicării statisticii ordonate va fi: {85, 88, 95, 100, 104, 104, 110, 110,
114}.
Filtrul de maxim - înlocuieşte valoarea pixelului central cu cea mai mare valoare
(IN2 ) din fereastra ordonată de valori ale pixelilor din vecinătatea curenta (in exemplul
de mai sus valoarea selectată ar fi 114).
Filtrul de minim - înlocuieşte valoarea pixelului central cu cea mai mica valoare
(I1 ) din fereastra ordonată de valori ale pixelilor din vecinătatea curentă (in exemplul de
mai sus valoarea selectată ar fi 85) şi este folosit pentru eliminarea zgomotelor salt.
Filtrul punctului de mijloc - înlocuieşte valoarea pixelului central cu media dintre
valoarea minimă (I1 ) şi valoarea maximă (IN2) din fereastra ordonată de valori ale
pixelilor din vecinătatea curentă, este folosit pentru zgomot gaussian si zgomot uniform.
2. Descrierea modelelor de recunoaştere a imaginilor
2.1 Modelul de neuroni
Reţelele neurale (neuronale) artificiale încearcă să se apropie de modelul creierului

uman. Alte arhitecturi propuse încearcă să exploateze cât mai eficient paralelismul care
este de obicei inerent [5,6]. "Procesoarele" care formează reţelele neuronale, sunt
denumite neuroni artificiali.
Dacă majoritatea calculatoarelor existente în momentul de faţă dispun de o singură
unitate procesoare, extrem de puternică şi de rapidă, la cealaltă extremă din punctul de
vedere al structurii interne se plasează aceste reţele neurale artificiale, caracterizate
Coal
U.T.M.2153.30.003.ME 35
printr-o simplificare extremă a unităţilor componente, alături de o extindere cât mai
largă a conexiunilor între aceste unităţi procesoare.
Orice reţea neurală este caracterizată de trei elemente: modelul neuronului,
arhitectura reţelei şi algoritmul de antrenare folosit.
x1 W
W1
x2 W2 a f y
∑
… Wn funcţie Ieşire
xn activare
Fig. 2.1. Structura neuronului artificial.
În figura 2.1 avem următoarele însemnări:

- "a" reprezintă suma intrărilor ponderate pentru neuronul respectiv;
- f(a) funcţia neliniară de ieşire sigmoidă simetrică , sau chiar funcţie
liniară.
În ceea ce priveşte modelele de neuroni, cel mai mult folosite în momentul de faţă
sunt cele fără memorie, deci care implementează o relaţie de forma [4]:
 N 
yi  f   wij   j , (2.1)
 i 1 
unde yj este ieşirea neuronului "j", xi este intrarea "i" a neuronului, wij este ponderea
conexiunii de la intrarea "i" la neuronul "j", iar θj este pragul ataşat neuronului "j".
Deci în esenţă, sunt aplicate un set de intrări (x1, x2,.., xn), fiecare reprezentând, de
obicei, ieşirile altor neuroni.
Deci în esenţă, sunt aplicate un set de intrări (x1, x2,.., xn), fiecare reprezentând, de
obicei, ieşirile altor neuroni.
Fiecare intrare este multiplicată cu o pondere corespunzătoare (wi1, wi2,... win)
analog puterii sinapsei, şi apoi toate rezultatele sunt sumate pentru a determina nivelul
de activare al neuronului.
Coal
U.T.M.2153.30.003.ME 36
Funcţia Y =(a) este o funcţie neliniară care poate fi de tipul limitare hardware, prag
logic, sigmoidă simetrică sau nu, sau chiar funcţia identică. Limitarea hardware se
implementează în unul din următoarele două moduri, vezi figura 3.2 :
Fig. 2.2. Limitarea hardware.
 1, pentru a  0;  0, pentru a  0;
Y (a )   Y (a )   (2.2)
  1, penru a  0.  1, penru a  0.
Pragul logic realizează limitarea domeniului de ieşire la zero pentru valori de

intrare negative (sau uneori la -1) şi la +1 pentru valori ce depăşesc un anumit prag
pozitiv. Pentru anumite aplicaţii se preferă utilizarea neuronului liniar, vezi figura 3.3.
Fig. 2.3. Pragul logic ce realizează limitarea domeniului de ieşire la zero pentru
valori de intrare negative şi la +1 pentru valori ce depăşesc un anumit prag pozitiv.
0, pentru a  0;
Y (a )   Y (a )  a. (2.3)
 a, penru a  0.
Funcţia sigmoidă, foarte des folosită, asigură limitarea domeniului de ieşire al

neuronului la gama (0,1) pentru sigmoida asimetrică şi la (-1,+1) pentru sigmoida
simetrică, vezi figura 3.4.
Coal
U.T.M.2153.30.003.ME 37
Fig. 2.4. Funcţia sigmoidă.
1 1  exp(a)
Y (a)  ; Y (a)  . (2.4)
1  exp(a) 1  exp(a)
Prin această funcţie se obţine un câştig neliniar pentru neuronul artificial. Acest
câştig variază de la valori mici pentru excitaţii negative mari (curba este aproape
orizontală), la valori mari pentru excitaţii mari şi pozitive. Grossberg (1973) a găsit că
acest câştig neliniar caracteristic rezolvă dilema saturării. În ciuda diversităţii de modele
de neuroni, majoritatea sunt bazate pe această configuraţie.
Modele mai sofisticate de neuroni introduc variabila timp, un astfel de model fiind
descris de următoarele relaţii:
 du j N
  u j  w xi   j ;
(2.5)
ij
 dt i 1
 y  f (u ).
 i j
unde uj caracterizează starea curentă a neuronului.
2.2 Arhitecturi de reţele neurale
Deşi un singur neuron poate realiza funcţii simple de detecţie de modele, puterea
calcului neural provine din conectarea neuronilor în cadrul reţelelor. O reţea neurală
simplă este aranjarea unui grup de neuroni pe un strat ca în figura 2.5:
y1 y2 yK
w21 w1K
w11 w12 w22 w2K wNK
wN2
Coal
U.T.M.2153.30.003.ME 38
wN1
x1 - x2 --- xN
Fig. 2.5. Reţea neurală cu un strat.
Setul de intrare X are fiecare element conectat cu fiecare neuron, cu cîte o pondere
separată. Fiecare neuron scoate la ieşire o sumă a produsului ponderi-intrări
corespunzătoare. Actualele reţele artificiale şi biologice au unele din conexiuni lipsă dar
conectivitatea totală a fost arătată aici din raţiuni de generalitate. Este convenabil să
reprezentăm ponderile ca fiind elementele unei matrici. Dimensiunile matricei fiind N
linii pe K coloane, unde N este numărul de intrări, iar K numărul de neuroni. În acest fel
putem calcula pentru setul de neuroni cele K funcţii de activare ca simple înmulţiri de
matrici:
A  W T X  Y  f ( A)  f (W T X ), (2.6)
unde X, A, Y sunt vectori linie, W este o matrice NK.
Reţelele cu mai multe straturi, mult mai generale şi mai complexe, oferă în general,
o capacitate mare de calcul. Asemenea reţele au fost construite în orice configuraţie
imaginabilă, aranjând neuronii în straturi imitând structura straturilor dintr-o anumită
zonă a creierului. Aceste reţele multistrat au capacităţi sporite, dovedite relativ la
reţelele cu un singur strat, iar în ultimii ani algoritmi performanţi s-au dezvoltat pentru
antrenarea lor. Reţelele multistrat pot fi formate prin simpla cascadare de straturi,
ieşirile unui strat devenind intrări pentru stratul următor.
Reţelele multistrat nu furnizează nici o creştere a puterii de calcul în raport cu
reţelele cu un singur strat dacă nu este prezentă o funcţie de activare neliniară între
straturi.
Calculul ieşirii unui strat liniar constă în înmulţirea vectorului de intrare cu prima
matrice de ponderi, apoi (dacă nu este prezentă o funcţie de activare neliniară)
multiplicând vectorul rezultat cu a doua matrice de ponderi. Aceasta ar putea fi
exprimată prin : Având în vedere că înmulţirea de matrici este asociativă, relaţia poate fi
rescrisă :
Coal
U.T.M.2153.30.003.ME 39
Y  W2T (W1T X ). (2.7)
Având în vedere că înmulţirea de matrici este asociativă, relaţia poate fi rescris :
Y  (W2T W1T ) X  (W2 W1 )T X . (2.8)
Aceasta arată că reţea liniară cu două straturi este exact echivalentă cu o reţea cu
un singur strat ce are matricea ponderilor egală cu produsul celor două matrici. De aici,
se poate trage concluzia că funcţia de activare neliniară este vitală pentru extinderea
capacităţilor reţelelor faţă de cele cu un singur strat.
Reţelele considerate până acum nu au conexiuni cu răspunsuri spre înapoi
("feedback"), conexiuni care să aplice valorile de la ieşirea unui strat spre intrarea
aceluiaşi strat sau a altui strat. Această clasă specială, numită reţele nerecurente sau cu
răspuns (propagare a fluxului de date) spre înainte ("feed foreward") prezintă un interes
considerabil şi sunt larg aplicate. În general, reţelele care conţin conexiuni feedback sunt
denumite reţele recurente. Reţelele nerecurente nu au memorie, ieşirile fiind
determinate doar pe baza intrărilor curente şi a valorilor ponderilor.
În cîteva configuraţii, reţelele recurente recirculează ieşirile anterioare înapoi spre
intrare, de aici ieşirile lor sunt determinate pe baza intrărilor curente şi ieşirilor
anterioare. Din acest motiv reţelele recurente pot etala proprietăţi similare cu memoria
pe termen scurt a omului.
2.3 Algoritmi de antrenare a reţelelor neurale
Dintre toate caracteristicile interesante ale reţelelor neurale, nici una nu captează
atâta imaginaţie ca abilitatea lor de a învăţa. Antrenarea reţelelor artificiale este însă
limitată, multe probleme dificile rămânând a fi rezolvate.
Algoritmii de antrenare sunt categorizaţi în supervizaţi şi nesupervizaţi. O reţea
este antrenată dacă aplicarea unui set de intrări produce ieşirea dorită sau una apropiată.
Antrenarea este realizată prin aplicarea secvenţială de vectori de intrare, în timpul
fiecărei asemenea operaţii ajustând ponderile din reţea în acord cu o procedură
predeterminată. În timpul antrenării, ponderile din reţea converg gradual spre valori
pentru care fiecare vector de intrare produce vectorul de ieşire dorit.
Coal
U.T.M.2153.30.003.ME 40
Antrenarea supervizată cere pentru fiecare vector de antrenare perechea vector
ţintă care este ieşirea dorită. Acestea sunt denumite pereche de antrenare. Uzual, o reţea
este antrenată după un număr de astfel de perechi de antrenare. Un vector de intrare este
aplicat, ieşirea reţelei este calculată şi comparată cu vectorul ţintă, iar diferenţa (eroarea)
este trimisă înapoi, iar ponderile sunt schimbate în acord cu un anumit algoritm care
tinde să minimizeze eroarea la un nivel acceptabil.
Învăţarea nesupervizată nu cere cunoştinţe apriorice despre datele aplicate la
intrarea reţelei, reţelele se auto-organizează pentru a produce ieşirile dorite. Antrenarea
supervizată a fost criticată ca fiind biologic neplauzibilă. Antrenarea nesupervizată este
un model mai plauzibil de învăţare în sistemele biologice.
Antrenarea nesupervizată nu cere vector ţintă pentru ieşiri, de aceea nu au loc
comparaţii cu răspunsul ideal. Setul de antrenare nu constă decât în vectori de antrenare.
Algoritmul de antrenare modifică ponderile reţelei pentru a produce un vector de ieşire
consistent. Procesul de antrenare este deci extragerea de proprietăţi statistice ale setului
de antrenare şi a vectorilor, dintr-un grup similar de vectori, în clase. Aplicând la intrare
un vector, dintr-o clasă dată, va produce la ieşire un vector specific, dar aici nu este nici
o cale de a determina care model specific va fi găsit la ieşire de un vector de intrare
dintr-o clasă dată.
De aici, ieşirea unei astfel de reţele trebuie în general transformată într-o formă ce
să poată fi înţeleasă, ulterior procesului de antrenare.
Marea majoritate a algoritmilor utilizaţi în prezent au evoluat de la concepţiile lui
Hebb [6]. El propunea un model pentru învăţare nesupervizată unde "tăriile" sinapselor
(ponderile) sunt mărite dacă atît neuronul sursă cît şi neuronul destinaţie sunt active. În
acest fel modelele utilizate în reţele sunt puternice, iar fenomenul de folosire şi învăţare
prin repetiţie este explicat.
O reţea neurală artificială utilizând algoritmul de învăţare al lui Hebb va modifica
ponderile în acord cu produsul nivelelor de excitaţie dintre neuronii sursă şi destinaţie.
Legea de învăţare este descrisă de ecuaţia:
wij ( n  1)  wij ( n)  Yi Y j , (2.9)
Coal
U.T.M.2153.30.003.ME 41
unde: wi,j(n) - valoarea ponderii de la neuronul "i" la neuronul "j" înaintea
ajustării;
wi,j (n+1)- valoarea ponderii de la neuronul "i" la neuronul "j" după ajustare;
 - coeficientul de învăţare;
Y i - ieşirea neuronului "i" şi intrarea neuronului "j";
Y j - ieşirea neuronului "j".
2.4 Perceptronul cu un singur strat şi perceptronul multistrat
Căutând să descopere modele hardware/software ale neuronului biologic şi a reţelei

sale de interconectare McCulloch şi Pitts au publicat primul studiu sistematic al reţelelor
neurale artificiale [6].
O arhitectură tipică pentru un perceptron cu trei straturi este prezentată în figura
2.6. Capabilitatea perceptronului multistrat rezidă în neliniaritatea folosită în nodurile
sale [6].
z1 z2 zN
w21 (z)
(z) (z) (z) w22 w1N (z) (z)
w11 w12 w2N (z) wM2 wMN
y1 (y) y2 wM1 yM
w21 (y)
(y) (y)w12 (y) w22 w1M (y)wK2 (y)wKM
w11 (y) wK1 xK
x1 (x) x2 (x)
(x) (x) w21 (x) w22 w1K (x)
w11 w12 (x)w2K (x) wL2 wLK
wL1
u1 u2 --- uL
Fig. 2.6. Arhitectura tipică a perceptronului cu trei straturi.
Coal
U.T.M.2153.30.003.ME 42
S-a folosit cel mai mult modelul neuronului descris anterior, însă folosind
neliniaritatea prag logic:
 1, pentru a  0;
f (a)   (2.10)
0, pentru a  0.
Aceste sisteme poartă numele de perceptron. În general, acestea constau într-un

singur strat de neuroni artificiali conectaţi prin ponderi la un set de intrări.
În ciuda limitărilor pe care le prezintă, studiul perceptronilor a fost extins (chiar
dacă nu sunt folosiţi pe scară largă). Teoria lor reprezintă o fundaţie pentru multe alte
forme de reţele neurale artificiale şi au demonstrat că reprezintă principii importante în
acest domeniu. Pentru aceste motive ei reprezintă punctul logic de început în studiul
teoriei reţelelor neurale artificiale.
Valabilitatea teoremei învăţării perceptronilor demonstrează că perceptronii pot
învăţa orice poate fi reprezentat. Este important de făcut distincţia între reprezentare şi
învăţare. Reprezentarea se referă la abilitatea perceptronului (sau a altor reţele) de a
simula o funcţie specifică. Învăţarea reclamă existenţa unei proceduri sistematice de
ajustare a ponderilor din reţea pentru a produce acea funcţie.
Dacă nodurile sunt elemente liniare, atunci un perceptron cu un singur strat avînd
ponderi apropiate poate realiza foarte bine aceleaşi calcule ca şi reţeaua multistrat.
Algoritmul backpropagation este o metodă sistematică de antrenare a reţelelor
neurale artificiale. El are un fundament matematic puternic, dar care nu este întotdeauna
practic. Pentru a antrena reţeaua, un vector X este aplicat la intrare, iar ieşirea Y este
calculată.
Ponderile care conectează intrările sunt modificate la o valoare care să minimizeze
eroarea dintre ieşirea obţinută şi ieşirea dorită. După un anumit număr de paşi, reţeaua
va învăţa să diferenţieze vectorii cu care a fost antrenată de alţi vectori de intrare.
Fiecare neuron are intrările conectate cu ieşirile stratului precedent. Relaţiile care
descriu funcţionarea perceptronului multistrat sunt:
Coal
U.T.M.2153.30.003.ME 43
  N ( z) 
 z pj  f   wkj y pk  ;
  k 1 
  M

 y pj  f   wkj x pk ;
( y)
(2.11)
  k 1 
  L

 x pj  f   wkj u pk  ,
( x)
  k 1 
unde: N - numărul de neuroni de pe stratul de ieşire;
M - numărul de neuroni de pe stratul intermediar (ascuns);
K - numărul de neuroni de pe stratul de intrare (ascuns);
L - numărul de intrări în reţea
z pj - ieşirea neuronului "j" de pe stratul de ieşire pentru forma "p" de intrare;
y pj - ieşirea neuronului "j" de pe stratul intermediar pentru forma "p" de intrare;
x pj - ieşirea neuronului "j" de pe stratul de intrare pentru forma "p" de intrare;
u pj - valoarea aplicată intrării "j" în reţea pentru forma "p" de intrare;
wij( z ) -ponderea conexiunii neuronului "i" de pe stratul intermediar cu neuronul
"j" de pe stratul de ieşire;
wij( y ) - ponderea conexiunii neuronului "i" de pe stratul de intrare cu neuronul "j"
de pe stratul de intermediar;
wij( x ) - ponderea conexiunii intrării "i" în reţea cu neuronul "j" de pe stratul de
intrare.
Funcţia de eroare corespunzătoare formei de intrare "p" este dată de:
1 M
Ep   (d pj  z pj ) 2 .
2 j 1
(2.12)
2.5 Reţeaua Hopfield
Acest tip de reţea poate fi folosit ca memorie asociativă sau pentru rezolvarea unor
probleme de optimizare. Foloseşte neuroni cu intrări binare, a căror ieşire conţine
nelinearităţi de tipul limitare hardware (vezi primul paragraf al acestui capitol).
Coal
U.T.M.2153.30.003.ME 44
Arhitectura unei reţele Hopfield cu N neuroni este prezentată în figura 3.8. Ieşirea
fiecărui neuron este aplicată tuturor celorlalte noduri prin intermediul unor ponderi tij.
Hopfield a demonstrat că această reţea converge dacă ponderile sunt simetrice (tij= tji).
Deşi simplitatea ei o face atractivă, această reţea prezintă două limitări majore când este
utilizată ca memorie adresabilă prin conţinut. În primul rând, numărul de forme prototip
care pot fi stocate şi apoi regăsite corect în reţea este limitat la aproximativ 15% din
numărul de neuroni [6].
Dacă se încearcă stocarea prea multor forme prototip, reţeaua ar putea converge
către un prototip fictiv. A doua limitare prezentă la reţeaua Hopfield apare dacă
prototipurile memorate în reţea sunt foarte asemănătoare (prezintă un mare număr de
biţi identici), caz în care reţeaua devine instabilă.
Dacă reţeaua Hopfield este folosită drept clasificator, ieşirea reţelei (după
convergenţă) trebuie comparată cu fiecare formă prototip, după care se poate lua decizia
de apartenenţă la una din clasele ataşate formelor prototip.
 0,  1,  N,  2  N, 1
0 1  N 1  N 2
0 1  N 2  N 1
Fig. 2.7. Arhitectura reţelei Hopfield.
Coal
U.T.M.2153.30.003.ME 45
2.6 Reţeaua Hamming
Arhitectura reţelei Hamming este prezentată în figura 2.8. Acest tip de reţea poate
fi folosit drept clasificator pentru forme binare afectate de zgomot. Ea conţine neuroni
de tip prag logic. Se remarcă în arhitectura reţelei prezenţa a două straturi,
primul (cel inferior) realizează o valoare proporţională cu distanţa Hamming la un
număr de M forme prototip. Stratul superior selectează nodul cu ieşirea maximă.
Fig. 2.8. Arhitectura reţelei Hamming.
3. Elaborarea algoritmilor în baza mediului Windows NT şi Java
3.1 Noţiuni generale în Microdsoft Windows NT
Începerea realizării sistemului Microsoft Windows NT în 27 iulie 1993, marchează

un pas de hotar important în activitatea Microsoft. "Windows NT” reprezintă nimic
altceva decat o schimbare radicală în modul în care se poate opera în reţele de
calculatoare.
Windows NT a fost primul sistem de operare Windows care combina suportul pentru
aplicaţii de nivel înalt client/server cu aplicaţii de interes personal cu productivitate
ridicată.
Coal
U.T.M.2153.30.003.ME 46
Acest sistem de operare introduce noi posibilităţi privind performanţa şi puterea de
operare şi include un sistem de programare multitasking pentru aplicaţii bazate pe
Windows, lucru în reţea integrat, securitatea serverului de domeniu.
În acelasi timp cu lansarea primei versiuni desktop a lui Windows NT a fost lansat şi
primul sistem de operare pentru server al companiei Microsoft: Windows NT Advanced
Server 3.1. Acesta a fost proiectat să acţioneze ca un server dedicat în mediul
client/server oferind putere, scalabilitate, rezistenţă mare la erori şi interoperabilitate. Ca
server de aplicaţie Windows NT Advanced Server este o platforma puternică pentru
servere de date (ex. Microsoft SQL Server), servere de comunicaţie şi servere de poşta
electronică (ex. Microsoft Mail).
Windows NT este o versiune de 32 de biţi a interfeţei Microsoft cu utilizatorul care
oferă cu adevarat modul de lucru multitasking pentru calculatoarele personale bazate pe
microprocesoare Intel şi pentru staţiile de lucru. Windows NT (New Technology)
rulează exclusiv protejat, permiţînd proiectanţilor de aplicaţii să folosească pînă la 4 GB
de RAM. Windows NT are facilităţi avansate de gestionare a fişierelor, puternice funcţii
de reţea, fiind un adevarat sistem client - server.
Utilizarea ulterioară de programe de actualizare (service pack) şi instalarea de
facilităţi opţionale (option packs) permit utilizarea cheilor publice şi a certificărilor
pentru securizarea datelor şi adaugă noi unelte de administrare pentru personalul tehnic.
Windows NT este un sistem de operare destinat retelelor multifunctionale, sistem care
poate acţiona atît în calitate de client, cît şi ca server într-un mediu de lucru de reţea.
Windows NT este o denumire generica pentru două produse de sine stătătoare:
Windows NT Workstation si Windows NT Server.
Windows NT Workstation oferă urmatoarele avantaje:
1). Mod de lucru performant. Asigură multitasking controlat pentru toate programele.
Windows NT Workstation accepta mai multe procesoare, pentru a realiza o
multiprocesare reală. De exemplu, dacă rulaţi un program multifila cum ar fi Microsoft
Word, puteţi continua lucrul la un document în timp ce tipăriţi un altul.
2). Profil hardware. Creează şi întreţine o listă a componentelor ce alcătuiesc
Coal
U.T.M.2153.30.003.ME 47
configuraţia hardware a unui calculator. De exemplu, dacă folosiţi un calculator laptop
şi un dispozitiv de extensie la locul de muncă, puteţi utiliza un profil hardware pentru a
configura calculatorul astfel încît să funcţioneze cu dispozitivul de extensie. Cand
lucraţi pe laptop acasă, puteţi folosi un alt profil hardware cu o configuraţie care permite
aceluiaşi calculator conectarea telefonică la reţea.
3. Microsoft Internet Explorer. Vă oferă un browser rapid şi usor de folosit, compatibil
cu standardele existente.
4). Sistem de poştă electronică. Recepţionează şi stochează mesajele electronice, dar şi
fişiere şi obiecte create în alte programe.
5). Servicii Web. Oferă un server Web personal, optimizat să funcţioneze cu Windows
NT Workstation, versiunea 4.0.
6). Siguranţa. Garantează securitatea locală a fişierelor, directoarelor, imprimantelor şi
a altor resurse. Utilizatorii pot fi identificaţi fie prin intermediul calculatorului local, fie
printr-un controller de domeniu pentru a avea acces la oricare dintre resursele
calculatorului sau ale reţelei.
7). Stabilitatea sistemului de operare. Accepta orice program în propriul sau spaţiu de
adresare al memoriei. Astfel, programele care prezintă probleme de funcţionare nu mai
pot afecta alte programe.
3.2 Criptografia şi tipuri de criptare
3.2.1 Algoritmi criptografice cu cheie secretă şi cu cheie publică
Criptografia este ştiinţa scrierilor secrete. Ea stă la baza multor servicii şi

mecanisme de securitate folosite în internet, folosind metode matematice pentru
transformarea datelor, în intenţia de a ascunde conţinutul lor sau de a le proteja
împotriva modificării. Istoria moderna a criptografiei cunoaste numeroase inovatii in
aceasta privinta. Doua sunt elementele ce au marcat insa cotitura semnificativa in
Coal
U.T.M.2153.30.003.ME 48
dezvoltarea metodelor criptografice.
Primul este legat de dezvoltarea reţelelor de calculatoare, al caror stimulent
extraordinar s-a manifestat atît prin presiunea exercitată de tot mai mulţi utilizatori cît şi
prin potentarea gamei de instrumente folosite efectiv în execuţia algoritmilor de cifrare.
Cînd cheia secreta are o dimeniune convenabilă şi este suficient de frecvent schimbată,
devine practic imposibilă spargerea cifrului, chiar dacă se cunoaşte algoritmul de
cifrare. Al doilea moment important în evoluţia criptografiei moderne l-a constituit
adoptarea unui principiu diferit de acela al cifrării simetrice. În locul unei singure chei
secrete, criptografia asimetrică foloseste doua chei diferite, una pentru cifrare, alta
pentru descifrare. Deoarece este imposibilă deducerea unei chei din cealaltă, una din
chei este facută publică, fiind pusă la îndemîna oricui doreşte să transmită un mesaj
cifrat. Doar destinatarul, care deţine cea de-a doua cheie, poate descifra şi utiliza
mesajul. Tehnica cheilor publice poate fi folosită şi pentru autentificarea mesajelor, fapt
care i-a sporit popularitatea. Procesul de transformare a textului clar în text cifrat se
numeşte cifrare sau criptare, iar transformarea înversă, a criptogramei în text clar, are
denumirea de descifrare sau decriptare. Atît cifrarea cît şi descifrarea sunt controlate de
către una sau mai multe chei criptografice. Există două tipuri de sisteme criptografice:
- simetrice (cu cheie secreta) care folosesc aceeasi cheie, atît la cifrarea cît şi la
descifrarea mesajelor.
- asimetrice (cu chei publice) care folosesc chei distincte de cifrare şi descifrare (dar
legate una de alta). Una din chei este ţinută secreta şi este cunoscută doar de proprietarul
ei. A doua cheie (perechea ei) este facuta publică, de unde şi numele de criptografie cu
cheie publica.
Algoritmi criptografici cu cheie secretă. Securitatea criptării simetrice (cu cheie

secreta) depinde de protecţia cheii; managementul acestora este un factor vital în
securitatea datelor şi cuprinde următoarele aspecte: generarea cheilor. Pot fi folosite, cu
o tabelă de conversie, proceduri manuale (datul cu banul, aruncarea zarurilor), dar
numai pentru generarea cheilor master (folosite pentru cifrarea cheilor). Pentru cheile de
Coal
U.T.M.2153.30.003.ME 49
sesiune sau de terminal sunt necesare proceduri automate, de generare (pseudo)
aleatoare, care se pot baza pe amplificatoare de zgomot, funcţii matematice şi diverşi
parametri (numarul curent al apelurilor sistem, data, ora etc).
distribuţia cheilor. Cu privire la transportul cheii secrete, problema este în general
rezolvată prin folosirea unei alte chei, numită cheie terminal, pentru a o cripta. Cheile de
sesiune - generate numai pentru o comunicaţie - sunt transportate criptat cu cheile
terminal care, de asemenea, pot fi protejate (cand sunt memorate) cu alta cheie, numită
cheie master.
Cheile terminal, care criptează numai date foarte scurte (chei de sesiune), sunt
foarte dificil de atacat. Cifrul DES (DES simplu, DES cu sub-chei independente, DESX,
DES generalizat GDES, DES cu cutii S alternative, DES cu cutii S dependente de
cheie);
Algoritmi criptografici cu cheie publica. Un moment important în evoluţia

criptografiei moderne l-a constituit crearea, în anul 1976, de către Whitfield Diffie şi
Martin Hellman, cercetători la Univeritatea Stanford din California, a unui principiu
diferit de acela al cifrării simetrice. Ei au pus bazele criptografiei asimetrice cu chei
publice. În locul unei singure chei secrete, criptografia asimetrica foloseste două chei
diferite, una pentru cifrare, alta pentru descifrare. Deoarece este imposibilă deducerea
unei chei din cealaltă, una din chei este facută publică, fiind pusă la îndemîna oricui
doreşte să transmită un mesaj cifrat. Doar destinatarul, care deţine cea de-a doua cheie,
poate descifra şi utiliza mesajul. Tehnica cheilor publice poate fi folosită şi pentru
autentificarea mesajelor prin semnătura digitală, fapt care i-a sporit popularitatea.
Întîlnim următoarele tipuri de sisteme de criptare cu algoritmi cu cheie publică:
sisteme de cifrare exponentiala RSA (Rivert-Shamir-Adleman);
3.3 Securitatea aplicaţiilor Java
Securitatea defineşte starea de a fi protejat în faţa pericolelor. Nu se poate vorbi de

securitate în sens absolut. Sintagma sistem sigur este înşelătoare întrucât implică faptul
Coal
U.T.M.2153.30.003.ME 50
că sistemele sunt fie sigure fie nesigure. În realitate, securitatea este un compromis.
Având la dispoziţie resurse nelimitate, orice formă de securitate poate fi compromisă.
Cu toate acestea, în realitate, resursele de care dispun atacatorii sunt totuşi finite. Având
aceste lucruri în vedere, un sistem poate fi considerat sigur dacă costul pe care un
atacator îl plăteşte pentru a-l compromite este mult mai mare decât recompensa
obţinută.
În sistemele complexe, fiecare componentă trebuie să aibă propriul mecanism de

securitate sincronizat cu al celorlalte. Acest lucru este cel mai adesea dificil de realizat.
Atunci când se evaluează securitatea unui sistem este avută în vedere securitatea celei
mai vulnerabile componente. Spre exemplu, tipizarea limbajului de programare, impusă
de compilator şi verificată de mediul de execuţie, se dovedeşte a fi critică pentru o
platformă care este de altfel sigură per ansamblu. În trecut, multe dintre breşele de
securitate se datorau posibilităţii de a depăşi cu uşurinţă zone tampon (buffer overflow)
sau de a accesa nerestricţionat memoria. În timp aceste breşe de securitate au fost
eliminate prin tipizarea puternică a limbajului de programare şi prin impunerea de către
mediul de execuţie a unor restricţii adecvate.
Securitatea platformei Java se manifestă în două feluri: prin securitatea integrată în

limbajul de programare şi prin protecţia împotriva atacurilor accidentale sau nu asupra
limbajului şi platformei. În ceea ce priveşte securitatea inerentă limbajului de
programare, limbajul Java a fost puternic influenţat de limbajele C şi C++, dar mai ales
de slăbiciunile manifestate de acestea. În acest sens, compilatorul Java notifică
neiniţializarea variabilelor. Limbajul este puternic tipizat, multe dintre construcţiile
nesigure fiind eliminate sau modificate; de exemplu, accesarea tablourilor se face în Java
cu verificarea indexului. De asemenea, prinderea excepţiilor este obligatorie. Această
disciplină a prinderii şi tratării excepţiilor nu are tot timpul implicaţii directe asupra
securităţii. Cu toate acestea, o excepţie netratată poate conduce la o execuţie
imprevizibilă a programului, fapt ce, din punctul de vedere al securităţii, trebuie evitat.
4. Elaborarea interfeţei utilizatorului
Coal
U.T.M.2153.30.003.ME 51
4.1 Interfaţa utilizatorului
Interfaţa utilizatorului este una din etapele principale de creare a imaginilor mai
departe,şi anume prin intermediul interfeţei utilizator program putem efectua paşii de
creare ,adaugare,modificare şi ştergere a figurilor geometrice pentru recunoaştere
lor,această interfaşă arată astfel:
Fig.4.1. Interfaţa utilizatorului.
Prima etapa de lucru al programului este instruirea perceptronului.

Pentru aceasta se crează un obiect nou şi se redenumeşte în dependenţă de numele
lui, aici se adaugă toate imaginile care vor fi analizate după algoritmul de mai jos. În
figura de mai jos în partea stîngă de sus avem procesarea imaginii, unde se
înregistrează toate obiectele geometrice cu ajutorul butoanelor: încarcă imagine, obiect
nou, redenumeşte obiectul şi dacă vrem să modificăm ceva utilizăm butonul şterge.
Alături de această imagine avem interpretare grafică a reţelei neurnale create pe baza
acestei imagini şi recunoaşterea obiectelor. În aşa fel se produce procesul de instruire a
Coal
U.T.M.2153.30.003.ME 52
unui agent inteliget. Mai jos este descrierea procesului de instruire pe care se bazează
programul dat
Fig.4.2. Redenumirea fiecărui obiect geometric.
4.2 Algoritmul de instruire
Se prezenta algoritmul standard pentru instruirea perceptronului cu două clase de

instruire. La primul pas al algoritmului de instruire se iniţializează valorile ponderilor şi
pragul. Ponderile iniţiale sunt componentele vectorului v 1. Se aleg pentru ponderile
iniţiale numere reale mici şi nenule. Se alege valoarea constantei de corecţie c (de obicei
0 < c  1).
Coal
U.T.M.2153.30.003.ME 53
Constanta c controlează rata de adaptare a reţelei. Alegerea ei trebuie să satisfacă
cerinţe contradictorii: pe de o parte există necesitatea de a obţine o adaptare rapidă a
ponderilor la intrări şi pe de altă parte trebuie să se ţină seama de necesitatea ca
medierea intrărilor precedente să genereze o estimare stabilã a ponderilor.
Algoritmul de învăţare al perceptronului compară ieşirea produsă de reţea cu clasa
corespunzătoare a vectorului de intrare. Dacă s-a produs o clasificare eronată, atunci
vectorul pondere este modificat. În caz contrar el rămâne neschimbat.
Dacă la p paşi consecutivi nu se produce nici o modificare a vectorului pondere, atunci
toţi vectorii (formele) de instruire sunt corect clasificaţi de ultimul vector ponderere rezultat.
Am obţinut un vector soluţie şi algoritmul se opreşte cu această decizie. Procedura de
instruire descrisă mai sus conduce la algoritmul următor pentru instruirea perceptronului :
ALGORITMUL PERCEPTRONULUI
P1 Se iniţializează ponderile şi pragul.

Se aleg componentele w1,……, wn şi t ale vectorului v1.
Se pune k = 1 (v1 este vectorul pondere la momentul iniţial).
P2 Se alege constanta de corecţie c  0.
P3 Se alege o nouă formă de instruire.
Se reprezintă reţelei o nouă formă de intrare zk şi ieşirea dorită, (aşteptată)
corespunzătoare.
P4 Se calculează ieşirea reală generată de perceptron. Ieşirea reală este dată de
semnul expresiei (vk)T zk.
P5 Condiţia de oprire.
Se repetă pasul P6 până când vectorul pondere nu se modifică la p paşi consecutivi.
P6 Se adaptează ponderile şi pragul.
Se modifică vectorul pondere folosind regula de corecţie
vk +czk , dacă (vk)Tzk  0
vk, dacă (vk)Tzk  0 .
Coal
U.T.M.2153.30.003.ME 54
Se pune k = k + 1.
Dacă algoritmul s-a oprit normal, atunci vectorul vk+1 reprezintă o soluţie a
problemei de instruire . Pentru a ne convinge cum are loc plasarea vectorilor pe obiectul
geometric este arătat in figura de mai jos un exemplu.
Fig.4.3. Iniţializarea vectorilor pondere a obiectului.
Limitele perceptronului. În multe probleme concrete de clasificare şi de instruire

intervin clase de obiecte care nu sunt liniar separabile. Deoarece perceptronul nu poate
discrimina decât clase liniar separabile, aplicarea acestui algoritm în rezolvarea unor
probleme concrete este sever limitată.
Cea mai celebră şi una dintre cele mai simple probleme care nu pot fi rezolvate de
un perceptron este, problema calculării valorilor funcţiei logice sau exclusiv
Problema poate fi rezolvată de un perceptron cu mai multe straturi,(cu două
straturi). Această limitare, nu se datorează algoritmului, ci este legată de topologia
Coal
U.T.M.2153.30.003.ME 55
foarte simplă reţelei utilizate. Dacă problema de instruire necesită regiuni de decizie mai
complicate, atunci trebuie mărită complexitatea reţelei.
2. Urmatorul pas de lucrul al programului este Propagarea înapoi a erorii. Dupa
cum vedem dupa graficul redat din figura de mai jos fiecare iteratie de calcul eroare
devine mai mica. Procesul de calcul al erorii este descris mai jos.
Fig.4.4. Calculul erorii a obiectului geometric pătrat.

Propagarea înapoi a erorii. Algoritmul de propagare înapoi (Back
Propagation) este considerat in mod uzual, ca fiind cel mai important şi mai utilizat
algoritm pentru instruirea reţelelor neuronale.
Algoritmul de propagare înapoi este o metodă de instruire în reţelele neuronale
multistrat cu transmitere înainte (reţele unidirecţionale), în care se urmăreşte
minimizarea erorii medii pătratice printr-o metodă de gradient.
Caracteristica esenţială a reţelelor cu mai multe straturi este că ele proiectează
forme de intrare similare în forme de ieşire similare fapt ce permite să facă
Coal
U.T.M.2153.30.003.ME 56
generalizările rezonabile şi să prelucreze acceptabil forme care nu li s-au mai prezentat
niciodată.
5. Probilistica obiectului geometric pătrat
În ultima instanţă are loc recunoaşterea probabilistică a imaginii.
Fig.4.5. Recunoaşterea probabilistică a obiectului geometric pătrat.
În partea dreaptă a fraimului ecranului este redarea grafică a reţelei neuronale a

obiectului din imagine. Această imagine se obţine la fel ca şi în etapa de instruire a
agentului Inteligent. În partea stîngă a freimului sunt date rezultatele în formă
probabilistica de aparteneţă în grupa de obiecte date la instruire.
5. Materialul grafic
5.1 Schema funcţională de recunoaştere a obiectelor geometrice
Coal
U.T.M.2153.30.003.ME 57
Structura tipică a unui sistem de prelucrarea (evident digitală) ¸ şi analiza
imaginilor este alcătuită din punct de vedere funcţional dintr-un număr mic de blocuri
(vezi figura 5.1):
• sistemul de formare a imaginii (de exemplu sistemul de lentile al camerelor de
luat vederi): strânge radiaţia electromagnetică a obiectului studiat pentru a forma
imaginea trăsăturilor de interes.
• convertorul de radiţie: converteşte radiaţia electromagnetică din planul imaginii
într-un semnal electric.
Sistemul de formare a imaginii ¸ şi convertorul de radiaţie formează senzorul;
acesta reali-zează o proiecţie plană (bidimensională) a scenei reale (care este în general
tridimensio-nală).
Fig.5.1. Schema generală a unui sistem de analiză şi prelucrarea imaginilor.
• sistemul de achiziţie (echivalent unui frame-grabber sau video-blaster): converteşte

semnalul electric al senzorului într-o imagine digitală, pe care o stocheză; acesta nu
este altceva decât un dispozitiv de eşantionare (discretizare a suportului imaginii)
şi cuantizare (discretizare a domeniului de valori a imaginii).
• sistemul de prelucrare (în mod tipic un calculator, fieelPCsausta¸ tie de lucru); în
această categorie se încadrează în săşi maşinile specializate de calcul, calculatoarele
de proces.
• software-ul specializat: implementează algoritmii de prelucrare şi analiză.
Coal
U.T.M.2153.30.003.ME 58
Sfera de aplicabilitate a tehnicilor de prelucrarea şi analiza imaginilor este
deosebit de largă; practic, în orice domeniu de activitate se pot găsi numeroase aplicaţii.
Această clasă de aplicaţii extrem de specifice a fost caracterizată drept “consumul
imaginii” [1] (ima-ginea folosită în vederea analizei, deci a luării unor decizii).
Imaginile preluate de către sateliţi pot fi folosite la descoperirea resurselor terestre,
cartografiere geografică, urmărirea dezvoltării urbane, urmărirea vremii, controlul ¸ şi
prevenirea incendiilor şi inundaţiilor, precum şi alte aplicaţii ecologice şi militare.
Aplicaţiile transmisiei şi compresiei imaginilor se regăsesc în televiziunea digitală,
sistemele de teleconferinţă, transmisiile fax, birotică, comunicaţia pe reţele distribuite,
sisteme de securitate cu cir-cuit închis, aplicaţii militare. În aplicaţiile medicale sunt
prelucrate radiografiile cu raze X, angiogramele, echografiile, tomografiile, imaginile de
rezonanţă magnetică nucleară. Acestea pot fi utilizate pentru monitorizarea pacienţilor şi
pentru descoperirea şi identi-ficarea de boli şi tumori.
O largă clasă de aplicaţii sunt cele industriale, în care componentele de prelucrarea
şi analiza imaginilor sunt folosite în sisteme mai mari de asigurare a calităţii produselor
(metrologie, controlul calităţii - inclusiv defectoscopie nedistructivă).
5.2 Algoritmi de recunoaştere
5.2.1 Extragere de contur
Acest algoritm furnizează la ieşire o imagine binară, conţinând linii cu grosimea de

un pixel în poziţiile în care se estimează prezenţa unei muchii sau graniţa între două
regiuni diferite.
Algoritmii de extragere de contur asigură la ieşire un contur închis, deci o imagine
de clasă 3. Detectorii spaţiali de muchii realizează extragerea de contur dacă sunt urmaţi
Coal
U.T.M.2153.30.003.ME 59
de alte operaţii care să asigure obţinerea imaginii binare conţinând linii cu grosimea de
un pixel. De exemplu, s-ar putea folosi una din următoarele combinaţii de operaţii:
Fig. 5.2. Algoritm de extragere a contururilor.

Evident, există o multitudine de alţi algoritmi de extragere de muchii.
5.2.2 Algoritmi de urmărire de contur
Un prim algoritm ce va fi descris este denumit şi "mersul orbului". Plecând de la o

imagine binară se urmăreşte selecţia pixelilor aparţinând conturului.
1. Se alege un sens de parcurgere a conturului.
2. Se localizează un prim pixel al obiectului, de obicei prin baleiaj linie cu linie
sau coloană cu coloană. Acest pixel se marchează ca fiind pixelul de start. El devine
Coal
U.T.M.2153.30.003.ME 60
pixelul curent.
3. Se baleiază vecinii pixelului curent, în sensul de parcurgere ales, plecând de la
precedentul pixel curent, până la găsirea unui nou pixel obiect, care se marchează şi
devine pixel curent.
4. Se repetă pasul 3 până la închiderea conturului, adică până când pixelul de start
devine iar pixel curent.
5. Dacă se doreşte localizarea altor obiecte în imagine, se reia algoritmul cu pasul
2, pentru găsirea altor obiecte..
Dacă există în imagine mai multe obiecte de localizat, pixelul de start se obţine
căutînd perechi de pixeli de forma :
- baleiaj linie cu linie, de la stânga la dreapta;
- baleiaj linie cu linie, de la dreapta la stânga;
- baleiaj coloană cu coloană, de sus în jos;
- baleiaj coloană cu coloană, de jos în sus.
Unde cu gri s-au marcat pixelii obiect, iar cu alb cei de fond.
Funcţionarea acestui algoritm pentru cazul a două imagini simple este ilustrată în
figura 5.3.
a) b)
a) c)
Fig. 5.3. Exemple de aplicare a algoritmilor de urmărire de contur.

Un alt algoritm de urmărire de contur, utilizează pentru căutare o fereastră mobilă
cu dimensiunile 2x2, căreia i se ataşează aşa-numitul cod "C", astfel:
Coal
U.T.M.2153.30.003.ME 61
C =8S+4r+2q+p.
Se definesc direcţiile de deplasare elementară a ferestrei fig. 5.4.
Fig. 5.4. Direcţiile de deplasare elementare a ferestrei.
Paşii acestui algoritm sunt următorii:

1. Se alege un tip de conectivitate (contur titra-conecta sau octo-conectat) şi un
sens de parcurgere a conturului.
2. Se determină un prim punct al conturului, de obicei prin baleiaj linie cu linie sau
coloană cu coloană. Acesta este marcat drept pixel de start şi se încadrează într-o
fereastră pătratică 2x2.
3. Se calculează codul "C" corespunzător ferestrei curente şi se extrage din tabelele
următoare, funcţie de tipul de conectivitate şi sensul de parcurs alese, direcţia de
deplasare elementară a ferestrei.
4. Se repetă pasul 3 până când pixelul de start reintră în fereastră.
5. Pentru extragerea conturului altor obiecte din imagine, se reia algoritmul cu pasul
2.
Conturul titra-conectat al obiectului conţine toţi pixelii care au intrat la un moment
dat în fereastra de căutare, mai puţin pixelii marcaţi cu "o" din cazurile (tabelele) (A),
(B), (C), (D). Conturul octo-conectat al obiectului conţine toţi pixelii care au intrat la un
moment dat în fereastra de căutare, mai puţin pixelii marcaţi cu "X" din cazurile (7),
(11), (13), (14).
Tabelul 5.5 - Tabelul A.
Coal
U.T.M.2153.30.003.ME 62
Tabelul 5.6 - Tabelul B. Tabelul 5.7 - Tabelul C.
Fig. 5.8. Parcurgerea secvenţială a liniilor matricei imagine.
Problemele care trebuiesc rezolvate la implementarea unor asemenea algoritmi

(care se mai folosesc şi la umplerea contururilor), ţin de punctele critice ale conturului
(porţiunile orizontale ale conturului, pixeli terminali, pixeli de ruptură, etc.).
Coal
U.T.M.2153.30.003.ME 63
5.2.3 Înlănţuirea elementelor de contur
Cel mai adesea, contururile obţinute prin detecţie de muchii prezintă o serie de
defecte: discontinuităţi, ramificaţii inutile de lungime mică, muchii dublate, etc.
Repararea lor se face cu un set de algoritmi specializaţi, dintre care o parte sunt descrişi
în cele ce urmează.
Metode euristice. Poate fi studiată o metodă euristică de înlănţuire a muchiilor
(elemente de contur)care are la bază examinarea blocurilor de pixeli 4x4. În prima fază
sunt reţinuţi drept "candidaţi" acei pixeli pentru care modulul gradientului depăşeşte un
anumit prag. Apoi prin "potrivire" (matching) liniile cu lungimea de patru unităţi, având
cele opt orientări de bază sunt căutate în imaginea gradient. Dacă raportul între cel mai
bun scor de similitudine şi cel mai slab depăşeşte un al doilea prag, şirul de pixeli de
muchie este considerat drept o linie validă.
Dacă două asemenea linii se găsesc în blocuri adiacente şi diferenţa direcţiilor lor
este în gama (- 230 ,+ 230) , ele se concatenează. Urmează apoi tratarea unor cazuri de
tipul:
Fig. 5.9. Înlănţuirea euristică a muchiilor.
Adică din triunghiuri se elimină laturile corespunzătoare căii mai lungi, iar
dreptunghiurile se înlocuiesc cu diagonala corespunzătoare căii. Ramificaţiile de
lungime mică se elimină, după care urmează completarea micilor spaţii apărute în
lungul muchiilor detectate. Această metodă poate fi utilizată pentru o gamă largă de
detectori de muchii.
O altă metodă similară pentru înlănţuirea muchiilor furnizate de detectorul
Hueckel. Muchiile furnizate de un detector tip "compass" sunt declarate valide dacă
vecinii lui au o direcţie conformă cu una din situaţiile:
Coal
U.T.M.2153.30.003.ME 64
Fig. 5.10. Înlănţuirea euristică a muchiilor.
Metoda poate fi extinsă la vecinătăţi mai mari, dar şi numărul de teste necesare se
măreşte foarte mult.
Parcurgerea euristică a grafurilor. Această metodă, pleacă de la premisa că o
muchie poate fi văzută ca o cale într-un graf format de ansamblul elementelor de muchie
detectate.
Fig. 5.11. Parcurgerea euristică a grafurilor.
Se asociază câte un nod fiecărui pixel care are modulul gradientului semnificativ
(peste un nume prag). Între două noduri există conexiune (arc) dacă diferenţa
orientărilor gradienţilor este în gama (-900 , +900) .
O cale în graf se determină euristic, examinând succesorii fiecărui pixel şi
calculând pentru fiecare cale posibilă o "funcţie de cost". Pentru fiecare nod parcurs se
alege varianta care minimizează funcţia de cost. Acest algoritm nu furnizează calea
optimă între două noduri ale grafului, iar viteza lui depinde de alegerea funcţiei de cost.
Programarea dinamică. Folosind programarea dinamică se poate găsi calea
optimă între două noduri ale unui graf orientat, adică calea care minimizează funcţia de
Coal
U.T.M.2153.30.003.ME 65
cost (sau, echivalent, maximizează o "funcţie de evaluare") şi poate fi propusă
următoarea funcţie de evaluare pentru un graf cu N nivele:
N N N
S ( x1 , x 2 ,..., x N , N )   g ( x k )     ( x k )   ( x k 1 )    d ( x k , x k 1 ), (5.1)
k 1 k 2 k 2
unde xk ,k=1,...,N - este un vector care indică nodurile de muchie de pe nivelul

"k" al grafului;
g ( xk ) - este amplitudinea gradientului pentru nodul xk ,k=1,...,N;
 ( xk ) - este orientarea gradientului;
d ( xk , xk 1 ) - este distanţa între nodurile xk şi x k 1 ;
 ,  - sunt constante pozitive.

Utilizând principiul optimalităţii al lui Bellman, programarea dinamică furnizează
o procedură care găseşte o cale în graf în condiţiile minimizării funcţiei de evaluare dată
anterior.
5.2.4 Reprezentarea contururilor
Odată determinat conturul, el poate fi reprezentat fie matriceal, ceea ce necesită

însă o mare cantitate de informaţii, fie sub forma şirului coordonatelor pixelilor care
alcătuiesc conturul, fie folosind "codul-lanţ" (chain-code). Acesta din urmă presupune
reţinerea coordonatelor pixelului de start, alături de şirul direcţiilor care indică poziţiile
relative succesive ale pixelilor din contur.
Pentru obiectele din figurile anterioare conţinând imaginile caracterelor "u" şi "A",
codurile lanţ corespunzătoare sunt:
U : [(x0,y0),0,0,6,6,6,6,6,7,0,1,2,2,2,2,2,0,0,6,6,6,6,6,6,6,3,5,4,4,4,3,3,2,2,2,2,2];
A : [(x0,y0),0,6,7,6,7,6,7,6,4,3,4,4,4,5,4,2,1,2,1,2,1,2].
Coal
U.T.M.2153.30.003.ME 66
Fig. 5.12. Prezentarea direcţiilor.
Uneori se mai utilizează pentru reprezentarea contururilor "codul-lanţ diferenţial"

(differential chain-code) care presupune păstrarea coordonatelor pixelului de start a
conturului, a primei direcţii absolute şi a şirului diferenţelor relative între două direcţii
succesive.
Valorile posibile pentru codul-lanţ diferenţial sunt: (0,1, 2, 3, 4). Avantajul
acestei metode devine clar dacă se face observaţia că, cel mai adesea, între valorile
posibile ale acestor diferenţe de direcţii , probabilitatea cea mai mare de apariţie o are
valoarea "0":
P(0)P(1)P(2)P(3)P(4). (5.2)
Utilizând o codare prin coduri de lungime variabilă, se poate obţine o reducere
substanţială a volumului de date necesar pentru reprezentarea conturului.
5.3 Algoritmi de subţiere de contur
Subţierea furnizează la ieşire un graf care este rezultatul unor erodări succesive ale
imaginii, erodări făcute în condiţia nemodificării topologiei imaginii.
Algoritmii de subţiere au la bază un set de reguli:
1. Se elimină doar pixeli aflaţi pe conturul obiectelor.
2. Pixelii terminali (care au un singur vecin octo-conectat) nu se elimină.
3. Pixelii izolaţi nu se elimină (pentru că s-ar modifica topologia imaginii).
4. Pixelii de ruptură nu se elimină.
Uneori, regula 3 nu se aplică pentru iteraţiile iniţiale în scopul eliminării pixelilor
izolaţi a căror apariţie este datorată zgomotelor.
Pixelii de ruptură sunt acei pixeli (diferiţi de pixelii izolaţi şi de cei terminali) a
căror eliminare modifică topologia imaginii. Există şase cazuri de pixeli de ruptură, care
rezultă din figurile următoare:
Coal
U.T.M.2153.30.003.ME 67
Fig. 5.13. Pixeli de ruptură.
unde: - pixel obiect (negru);
- pixel de fond (alb);
- cel puţin un pixel din submulţimea marcată este pixel obiect (negru).
Se remarcă faptul că vecinii octo-conectaţi ai unui pixel de ruptură formează cel
puţin două submulţimi distincte.
Notând {0, 1,…, 7}vecinii pixelului curent, situaţiile de mai sus se pot sintetiza
matematic prin numărul de treceri dat de:
4
T ( x, y )   bk , (5.3)
k 1
unde
1, pentru { 2 k 1  S}  { 2 k  S  2 k 1  S};
bk   (5.4)
 0, in rest .
Există o multitudine de algoritmi de subţiere. Principala dificultate care apare la

operaţia de subţiere este datorată situaţiei următoare:
Fig. 5.14. Caz de dubiu la operaţia de subţiere.

Conform regulilor anterioare, toţi pixelii care aparţin unor linii cu grosimea de doi
pixeli vor fi şterşi. Se adoptă diferite soluţii.
Coal
U.T.M.2153.30.003.ME 68
Astfel algoritmul clasic operează (verifică condiţiile de ştergere şi apoi, eventual,
şterge) mai întâi asupra tuturor pixelilor care au vecinul dinspre "nord"
aparţinând fondului, apoi pentru cei cu vecinul dinspre "vest" aparţinând fondului,
apoi "sud", apoi "est".
Fig. 5.15. Exemplu de subţiere a unei imagini binare.
Algoritmii asincroni de subţiere încearcă să utilizeze paralelismul evident existent

la operaţiile de erodare. Principial, s-ar putea utiliza procesoare matriceale care să
respecte următoarele restricţii:
- să poată modifica doar pixelul aferent;
- să poată "citi" valorile pixelilor din vecinătatea pixelului aferent.
Se utilizează tehnica "marcării" pixelilor, ceea ce presupune lucrul pe imagini cu
numărul de nivele (de gri) mai mare ca doi. Abia după parcurgerea întregii imagini,
pixelii marcaţi vor putea fi şterşi. Problema liniilor cu grosimea de doi pixeli se
păstrează şi pentru soluţionarea ei se utilizează tot tehnica marcării pixelilor.
Algoritmii rapizi de subţiere încearcă să micşoreze numărul de paşi ceruţi de
algoritmii precedenţi prin analiza grosimii locale (de-a lungul câtorva direcţii) a
obiectelor din imagine pentru găsirea liniei mediane folosind criterii geometrice şi nu
prin erodări succesive. Parcurgerea obiectelor se face folosind teoria grafurilor.
5.4 Segmentarea obiectelor
Segmentarea imaginilor se referă la descompunerea unei scene (imagini) în

componentele sale. În urma procesului de segmentare vor fi extrase din imagine obiecte
distincte, regiuni ce satisfac anumite criterii de uniformitate, sau alte elemente.
Segmentarea unei imagini f este definită ca partiţionarea (completă) a lui f (5.5)
într-un ansamblu de mulţimi disjuncte nevide şi conexe (4.6), ce satisfac fiecare un
Coal
U.T.M.2153.30.003.ME 69
anumit criteriu C(4.7), criteriu ce nu mai este respectat pentru reuniunea oricăror două
elemente ale partiţiei.
C
f   f i , f i  conexe.
i 1
(5.5)
fi  f j  0
 , i  j. (5.6)
C ( f i )  ADEVARAT , i, si C ( f i  f j )  FALS , i  j. (5.7)
Alegerea unei tehnici specifice de segmentare (partiţionare a imaginii) este legată
de mai multe aspecte caracteristice imaginii de analizat şi cerinţelor utilizatorului. După
natura şi conţinutul imaginii, tehnicile de segmentare trebuie să ţină cont de prezenţa în
imagine a diverse categorii de artefacte;
• reflexii, iluminare neomogenă;
• zgomot suprapus informaţiei utile;
• zone texturate;
După primitivele de extras, tehnicile de segmentare se împart în două categorii
fundamentale: tehnicile de segmentare orientate pe regiuni şi tehnicile de segmentare
orientate pe contur. Primitivele extrase din imagine sunt regiuni (forme) şi zone
texturate pentru tehnicile orientate pe regiuni, sau entităţi de tip discontinuitate
(frontiere, segmente de dreaptă, unghiuri) pentru tehnicile orientate pe contur. În cadrul
segmentării orientate pe regiuni se disting câteva categorii principale de tehnici:
• etichetarea imaginilor binare;
• segmentarea pe histogramă;
• creşterea şi fuziunea regiunilor;
• segmentarea texturilor;
• segmentarea prin metode de clustering.
Tehnicile principale de segmentare orientată pe contururi sunt:
• extragerea contururilor prin metode de gradient şi derivative;
• extragerea contururilor prin metode neliniare;
• extragerea contururilor prin metode liniare optimale;
• extragerea contururilor prin modelare matematică.
Coal
U.T.M.2153.30.003.ME 70
6. CALCULUL FIABILITĂŢII
6.1 Noţiuni generale
Fiabilitatea este o noţiune relativ nouă. Ea provine dintr-un domeniu nou care
întregeşte controlul calităţii şi se leagă de studiul în sine a calităţii. Simplu spus
fiabilitatea unui material este însuşirea sa de a nu se defecta în timpul funcţionării. Se
spune adesea că fiabilitatea este siguranţa în funcţionare într-o perioadă de timp definită.
Fiabilitatea unui element sau a unui ansamblu de elemente este definită ca
proprietatea respectivului element de a-şi îndeplini funcţia pentru care a fost conceput în
condiţiile date, într-un timp dat şi respectiv criterii de funcţionare bine definite date.
O altă definiţie a fiabilităţii este: fiabilitatea este proprietatea unui element de a
corespunde în anumite limite date cerinţelor care presupun menţinerea proprietăţilor
elementelor într-o perioadă de timp dată.
Fiabilitatea unui obiect (o componentă sau un sistem) este o funcţie de timp F(t),
definită ca probabilitatea ca, în condiţii de mediu specificate, obiectul să funcţioneze
adecvat în intervalul de timp [0,t).
Coal
U.T.M.2153.30.003.ME 71
Putem face cîteva observaţii foarte importante legate de această definiţie:
Fiabilitatea este o probabilitate, cuprinsă între 0 şi 1.
Nu există sisteme perfect fiabile, pentru care pentru care F(t) = 1 dacă t > 0. Putem
însă vorbi de sisteme ``destul de fiabile'', atunci cînd avem în minte anumite condiţii de
utilizare şi constrîngeri bugetare pentru implementarea sistemului.
Nu putem defini fiabilitatea fără a specifica mediul în care sistemul operează. Un
calculator care funcţionează foarte bine pe birou nu este neapărat potrivit pe un satelit.
Informatică şi fiabilitate . Cercetările de fiabilitate umană datează încă din anii

70, dar numai în ultimul deceniu s-ar putea spune că au devenit un domeniu de vîrf.
Rezultatele sunt interesante, dar ele trebuie să fie mult rafinate.
Principalul subiect al teoriei fiabilităţii (reliability theory) este construirea
sistemelor fiabile din componente nefiabile. Dacă un sistem ar funcţiona, numai atunci
toate componentele sale ar fi funcţionale, ar fi virtual imposibil de construit un sistem
complex, pentru că fiabilitatea ar descreşte exponenţial cu numărul de componente.
Principala unealtă folosită în construirea sistemelor complexe este abstracţia. Un
sistem este construit pe nivele; nivelul B este alcătuit din componente de nivel A. La
rîndul lor, componente de nivel B sunt folosite ca şi cum ar fi atomice, indivizibile,
pentru a construi nivelul C, şi aşa mai departe. Alcătuirea unor nivele din arhitectura
sistemelor de calcul din punctul de vedere al fiabilităţii pe care o oferă nivelele
superioare ,putem distinge:
1.Nivele care măresc fiabilitatea, construind un tot mai fiabil din componente mai
puţin fiabile. Acest lucru este obţinut folosind redundanţă în stocarea sau calculul
informaţiei. Acest tip de nivel este cel mai adesea folosit în construcţia calculatoarelor
contemporane.
2.Nivele care expun lipsa de fiabilitate nivelelor superioare, lăsîndu-le pe acestea să
rezolve imperfecţiunile. Nivelele superioare au adesea informaţii suplimentare despre
cerinţele reale de fiabilitate ale sistemului, şi ca atare pot construi fiabilitate pe măsura
necesităţilor. Arhitectura Internetului, pe care o vom discuta sumar în secţiunea din
numărul viitor al revistei este unul dintre cele mai notorii exemple de acest gen.
Coal
U.T.M.2153.30.003.ME 72
3.În fine, anumite nivele partiţionează resursele în parţi oarecum independente,
izolate una de alta. Partiţionarea are drept efect izolarea defectelor (fault containment /
fault isolation), astfel încît o defecţiune într-o parte să nu afecteze celelalte părţi. În
calculatoare această tehnică este folosită în sistemele de operare şi clustere-le de
calculatoare.
Costul fiabilităţii. Cînd proiectăm un sistem complex este foarte important să

`èchilibrăm'' fiabilitatea părţilor. De exemplu, dacă memoria unui sistem are o
fiabilitate mult mai mare decît procesorul, atunci sistemul se va defecta cel mai adesea
cu probleme de procesor. Faptul că memoria este de foarte bună calitate nu ne ajută cu
nimic; dimpotrivă, probabil că am plătit un preţ mai mare pentru memorie decît ar fi fost
strict necesar. În general, o componentă este ``destul de bună'' dacă nu are cea mai mare
probabilitate de defectare.
Întotdeauna cînd discutăm despre fiabilitate trebuie să socotim nu numai costul
componentelor fiabile, ci şi costul întreţinerii sistemului. Cît pierdem pe oră atunci cînd
sistemul nu funcţionează? Dacă cumpărăm componente foarte fiabile plătim prea mult
pentru construcţia sistemului, dar dacă cumpărăm componente cu fiabilitate prea redusă,
ne va costa prea mult întreţinerea sistemului. Numai contextul poate dicta cît de fiabil
trebuie să fie un sistem: de exemplu, în aplicaţiile critice descrise mai sus, costul ne-
funcţionării sistemului este uriaş, aşa încît are sens să investim în componente extrem de
fiabile.
Fiabilitatea sistemelor de program. Ne-am putea aştepta, în mod naiv, ca, spre
deosebire de hardware, software-ul să nu aibă nici un fel de probleme de fiabilitate: în
definitiv programele nu se uzează, şi sunt executate într-un mediu foarte specializat; în
plus, programele sunt obiecte deterministe, deci ar trebui să se comporte de fiecare dată
în acelaşi fel cînd procesează aceleaşi date de intrare. Cu toate acestea, de fapt
fiabilitatea programelor este mult mai scăzută decît a sistemelor hardware; este potrivit
să modelăm deci programele ca sisteme cu fiabilitate imperfectă. În această secţiune
Coal
U.T.M.2153.30.003.ME 73
discutăm în mod superficial unele dintre motivele lipsei de fiabilitate a programelor şi
menţionăm unele tehnici care pot fi folosite pentru a ``întări'' programele.
Cele mai insidioase defecţiuni software se manifestă numai cu ocazia unor anumite
combinaţii de valori pentru datele de intrare sau pentru anumite succesiuni de
evenimente externe, care nu au fost prevăzute de programator. Asemenea combinaţii
apar cu probabilitate foarte mică în timpul procedurilor normale de testare, deci adesea
supravieţuiesc pînă în faza operaţională.
Calculul fiabilităţii software. În studiul fiabilităţii software este important să se

cunoască diferenţa dintre eroare, defect şi defectare. Aceşti trei termeni sunt adesea
confundanţi. Cei trei termeni sunt adesea folosiţi cu acelaşi sens şi lasă impresia că iau
locul unul altuia, însă au înţelesuri diferite.
Unul din primele lucruri îl reprezintă definirea termenului de defect; care defecte
sunt contorizate şi care nu. Uzual, un defect se înregistrează atunci când
comportamentul unui sistem de programe se îndepărtează de cerinţe. Defectul este privit
şi prin prisma operaţiilor eşuate, deci se defineşte ca o operaţie incompletă.
Defectul este cauza apariţiei mai multor defectări, deoarece intrările variate fac ca
sistemul de programe să se comporte în mod diferit.
Dacă obiectivul este calcularea fiabilităţii globale se face referire atât la prevenirea
cât şi la investigarea erorilor încă din prima etapă a dezvoltării software.
Eroarea reprezintă o omisiune a programatorului din care rezultă defectarea. Acestea
sunt clasificate în două mari categorii:
• erori tranziente - se manifestă printr-o malfuncţie temporară a unei componente -
instrucţiune, modul sau program - dar nu prin defectarea ei definitivă; în sistemele
de programe cea mai mare parte a erorilor sunt tranziente;
• erori permanente - se produc la un moment dat şi persistă pînă cînd are loc
depanarea sistemului.
Un alt termen important al fiabilităţii este probabilitatea , care joacă un rol
important la calcularea fiabilităţii programului.
Coal
U.T.M.2153.30.003.ME 74
Pentru calculul fiabilităţii vom utiliza trei componente importante şi anume:
Calculatorul,monitorul şi tastatura după următoarea relaţie:
n
n   k i t
P  t    pi  t    i 1
, (6.1)
i 1
unde:
P  t   probabilitatea funcţionării programului ;
pi  t   probabilitatea funcţionării componentelor ;
n
  exponenta sumei numărului de componente n la i=1 ;
 i 1

k coeficientul pentru MEC de generaţie a treia ;
t  timpul curent ;
i  intensitatea defectării;
n  numărul de componente.
Pentru a înţelege mai uşor calculul fiabilităţii,vom construi schema relaţiei în serie
dintre componentele enumerate mai sus,astfel:
1 2 3
T p1  t  C p2  t  M p3  t 
Fig.6.1. Schema componentelor pentru calculul probabilităţii .
Datele pentru componentele: monitorul (M),tastatura (T),calculatorul (C),sunt

următoarele:
i  1  2  3  0,55  6,10  3,43  11,51/ 3  3,84 ; (6.2)
pi  t   p1  t   p2  t   p3  t   10 6 10 4 10 5  37 4 ; (6.3)
k  10 2  100 ;
t  10 3  1000 .
Avînd datele tuturor elementelor din relaţie calculăm probabilitatea defectării

programului astfel:
3 3 3
3  102 3,84103   384000  128000
P t    37   4 i 1
 i 1
 i 1
 0, 0011  0,9989 (6.4)
i 1
Coal
U.T.M.2153.30.003.ME 75
7. Capitolul Organizaţional-economic al proiectului
Compartimentul economic este o parte componentă a proiectului de diplomă şi

constă în previziunea efectului social-economic care se va manifesta odată cu aplicarea
în practică a rezultatelor experimentelor, ipotezelor şi produsului primit la sfârşitul
îndeplinirii tezei, indiferent dacă rezultatul va fi un produs care va participa sau nu la un
proces economic. Deci compartimentul economic reprezintă o continuare a părţii
ştiinţifice a tezei, adică evaluarea ei din punct de vedere economic. Aici vor fi studiate
toate procesele economice necesare pentru îndeplinirea proiectului: fondurile
proiectului, cheltuielile care s-au produs pe parcurs, venitul după realizarea produsului
ş.a.
În condiţiile economiei de piaţă orice activităţi, inclusiv cercetările ştiinţifice,
trebuie să fie raţionale şi justificate din punct de vedere economic. Considerând
cercetarea în cadrul tezei de diplomă un proiect sinestătător el trebuie argumentat
economic.
Argumentarea economică a proiectului va cuprinde două subcapitole:
1. Cercetări de marketing;
2. Elaborarea bugetului proiectului.
Coal
U.T.M.2153.30.003.ME 76
Cercetările de marketing includ: descrierea produsului, clientului, evaluarea
concurenţei, descrierea avantajelor concurenţiale a proiectului.
Elaborarea bugetului proiectului este o modalitate universală de a planifica veniturile şi
cheltuielile şi a previziona rezultatele financiare.
7.1 Cercetări de marketing
Produsul şi Serviciile. Proiectul elaborat este un bun de producţie(industrial), care

poate servi la fabricarea altor produse mai complexe utilizate la recunoaşterea de
imagini optice, sau de a participa la funcţionarea unor secţii din cadrul diferitor
întreprinderi şi organizaţii, poate fi cumpărat de întreprinderi de producţie sau
comerciale. Produsul este orientat spre satisfacerea necesităţilor întreprinderilor
industriale, sociale, comerciale şi de producţie, unde este necesar un sistem inteligent de
recunoaştere a obiectelor geometrice.
Scopul elaborării proiectului este de perfecţionare a proceselor de producţie, de
asigurare a productivităţii muncii ridicate, de securitate şi vizibilitate în acţiuni şi
decizii. Pentru realizarea scopului propus, serviciile prestate conform produsului sunt:
 producerea şi realizarea la comandă a proiectului cu variaţii a noţiunilor
elementare, conform domeniului de aplicaţie;
 livrarea gratuită a produsului întreprinderii sau organizaţiei şi punerea lui în
aplicaţie de către specialişti. Proiectul propus este un produs soft care va conţine un
sistem expert de recunoaştere a imaginilor , compus dintr-o bază de date care va conţine
algoritmii de recunoaştere a obiectelor geometrice, necesari de a recunoaşte imaginile
după scanarea lor, şi va putea fi aplicat prin intermediul calculatorului.
Piaţa şi Clienţii. Produsul elaborat fiind un produs absolut nou, va fi realizat pe
piaţa care se află la etapa de iniţiere în Republica Moldova şi este orientat spre
întreprinderile şi organizaţiile mari şi cu tehnologii destul de dezvoltate.
Piaţa aleasă pentru promovarea produsului este o piaţă nedominată, absolut nouă în
republica noastră. Produsul va fi unicul care va prezenta asemenea servicii în republică. În
Coal
U.T.M.2153.30.003.ME 77
viitor dacă produsul va fi solicitat şi veniturile vor spori, putem să-l propunem şi ca produs
de export.
Pentru promovarea şi lărgirea poziţiei pe piaţă se va apela la serviciile de reclamă prin
intermediul reţelei mass – media, internet sau reclamarea lui directă potenţialului client, şi se
va adopta o strategie îndreptată spre:
- stabilirea unui preţ convenabil;
- ridicarea calităţii produsului;
- lărgirea posibilităţilor şi domeniul de aplicare a produsului;
- ridicarea nivelului de deservire .
Clienţii potenţiali pot fi întreprinderi şi organizaţii industriale, sociale, comerciale şi de
producţie, unde este necesar un sistem inteligent de recunoaştere a imaginilor 3D. Cum ar fi:
sectoare de poliţie, unde este necesară recunoaşterea persoanelor sau amprentele degetale;
aeropoarte; bănci, la protecţia seifurilor; sectoare vamale; magazine; întreprinderi industriale
unde este necesară prelucrarea pieselor şa.
Pentru ai determina pe clienţi să cumpere produsul, se va pune accentul în primul rând
pe calitatea deosebită a serviciilor prestate, preţul convenabil, amabilitatea la primirea
comenzilor, noutatea serviciilor şi produsului. La toate acestea se mai adaugă faptul că
produsul va fi uşor utilizabil, flexibil şi fiabil.
Concurenţa. Pe piaţa Republicii Moldova nu sunt promovate asemenea produse de
recunoaştere a imaginilor 3D, există profesori la Universitatea Tehnică, catedra
Automatica, care se ocupă cu cercetări în domeniul posibilităţilor reţelelor neuronale de
prognozare sau diagnostică, însă nu a fost produs şi aplicat nici un proiect referitor la
recunoaşterea de imagini. Pot apărea concurenţi internaţionali care încă nu au promovat
produse asemănătoare pe piaţa Moldovei însă care desfac produse comparabile, cum ar
fi programe de recunoaştere a imaginilor 2D – programe de recunoaştere a textelor (cum
ar fi FindReader- ul) şa. În lume aşa proiecte deja funcţionează şi avantajele aduse
organizaţiilor care le folosesc sunt apreciate atît în plan economic cît şi din punct de
vedere a optimizării activităţii şi accelerării proceselor de producţie şi administrare. Prin
Coal
U.T.M.2153.30.003.ME 78
preţ & calitate, caracter inovaţional & noutate se speră la promovare şi cucerirea
segmentului dat de piaţă.
7.2 Elaborarea bugetului de cheltuieli ale proiectului
Elaborarea bugetului de cheltuieli ale proiectului este o modalitate universală de a

planifica veniturile şi cheltuielile şi a previziona rezultatele financiare.
Bugetul este expresia cantitativă a obiectivelor pe care ni le-am propus să le
atingem într-o perioadă de timp precizată, de regulă un an. Obiectivele se formulează în
termeni de costuri, preţuri, profit, rentabilitate, etc. Bugetul reprezintă un plan detaliat
asupra folosirii banilor ( pentru materii prime, salarii, etc.) şi a obţinerii lor pentru a
face aceste cheltuieli.
Bugetul proiectului conţine următoarele capitole: I. Obiective; II. Cheltuieli;
III. Venituri; IV. Rezultate financiare.
Sistemul de obiective reprezintă expresia cantitativă a nivelului dorit al

principalilor indicatori economici. Obiectivele trebuie să contribuie la dezvoltarea
afacerii şi să asigure un nivel dorit de performanţă.
Efectuarea activităţii de proiectare şi implementare a unui sistem inteligent necesita
existenţa unor obiective şi descrierea activităţilor pentru atingerea lor. Dat fiind faptul că
în republică nu există concurenţi reali ai produsului, după punerea Sistemului inteligent
în funcţiune volumul de vânzări sau servicii poate fi mărit cu 10 – 20 %, aceasta depinde
de publicitatea băncii, calitatea serviciilor, reputaţia.
Tabelul 7.1 – Evenimentele şi lucrările realizate pe parcursul efectuării proiectului
Evenimentele Cod Denumirea lucrărilor Cod

Evenimente lucrări
Sarcinile proiectului 0 Acceptarea sarcinilor 1-2
au fost determinate
Acceptarea sarcinilor 1 Analiza sarcinilor 1-3
proiectului
Căutarea literaturii tehnicii de 4-7
calcul
Coal
U.T.M.2153.30.003.ME 79
Analiza sarcinilor şi 2 Studierea literaturii tehnicii de 7-8
literaturii a fost calcul
finalizată
Literatura tehnicii de 3 Determinarea tehnicii de calcul 6-7
calcul a fost studiată
Tehnica de calcul a 4 Elaborarea bloc-schemei a 7-8
fost determinată proiectului
Bloc-schema a fost 5 Pregătirea informaţiei tehnice a 8-9
proiectată proiectului
Informaţia tehnică a 6 Determinarea softului necesar 9-10
proiectului acumulată
Softul determinat 7 Procurarea softului 10-11
Softul a fost procurat 8 Pregătire pentru instalarea 11-12
softului
Finisarea pregătirii 9 Instalarea softului 12-13
instalării softului
Continuare a tabelului 7.1.
Softul a fost instalat 10 Configurarea softului procurat 13-14
Finisarea configurării 11 Elaborarea programului p/u 14-15
softului necesar introducerea şi prelucrarea
datelor
Programul a fost 12 Redactarea sintaxei programului 15-16
elaborat
13 Testarea şi verifi carea 17-18
corectitudinii executării program.
Finisarea programului
Verificarea sistemului 17-20
informaţional
Testare şi verificarea 14 Pregătirea informaţiei p/u P.M. 19-22
programului finisată
Pregătirea informaţiei 15 Susţinerea P.M. 20-21
P.M. susţinută 16 Pregătirea informaţiei pentru 21-22

partea Economică
Partea Economică 17 Formarea diplomei 22-23

susţinută
Diploma a fost facută Susţinerea diplomei 23
Coal
U.T.M.2153.30.003.ME 80
Totuşi pentru mărirea clienturii, trebuie să se realizeze diferite facilităţi aşa ca:
prestarea rapidă a serviciilor, diferite oferte avantajoase şi alte propuneri sau servicii
prestate. Pentru a micşora cheltuielele trebuie să avem calculatoare moderne,
imprimante şi altă tehnică necesară.
Etapa dimensionării cheltuielilor este importantă deoarece implică calcule ce stau
la baza argumentării profitabilităţii proiectului.
În dimensionarea cheltuielilor necesare pentru realizarea obiectivelor se poate
aplica gruparea lor:
 pe articole de calculaţie, respectiv: cheltuieli directe (materii prime şi materiale
directe, salarii directe, asigurarea socială); cheltuieli indirecte (cu întreţinerea şi
funcţionarea utilajelor, cheltuieli generale şi de administraţie).
Tabelul 7.2 - Durata efectuării lucrării.
Coal
U.T.M.2153.30.003.ME 81
Codul Denumirea lucrării Durata
lucrării efectuării
lucrărilor,zile
0-1 Acceptarea sarcinilor 1
1-2 Analiza sarcinilor 3
1-3 Căutarea literaturii tehnicii la temă 4
3-4 Studierea literaturii tehnicii la temă 4
2-5 Determinarea tehnicii de calcul, care va explora 3
softul dat
5-6 Elaborarea bloc-schemei a proiectului 10
6-7 Pregătirea informaţiei tehnice a proiectului 2
7-8 Determinarea softului necesar 3
8-9 Procurarea softului 2
9-10 Pregătirea pentru instalarea softului dat 3
10-11 Instalarea softului 2
11-12 Configurarea softului procurat 5
12-13 Elaborarea programului pentru introducerea şi 40
prelucrarea datelor
13-14 Finisarea programului 2
14-15 Redactarea sintaxei programului 1
15-16 Testarea şi verificarea corectitudinii executării 8
programului
16-17 Verificarea sistemului informaţional 4
17-18 Pregătirea informaţiei pentru P.M. 5
18-19 Susţinerea P.M. 1
Pregătirea Economică
Susţinerea Economică
21-
22- i
Coal
U.T.M.2153.30.003.ME 82
Coal
U.T.M.2153.30.003.ME 83
I g tig Td_ig Tt_ig Rd_ig Rt_ig
0 1 1 1 1 0 0
1 2 3 4 5 1 0
1 3 4 5 5 0 0
2 5 3 7 10 3 0
3 4 4 9 10 1 0
4 7 0 19 26 17 10
5 6 10 17 22 5 0
6 7 2 19 26 7 0
7 8 3 22 30 8 0
8 9 2 24 32 8 0
9 10 3 27 36 9 0
10 11 2 29 39 10 0
11 12 5 34 44 10 0
12 13 40 74 89 15 0
13 14 1 75 90 15 0
14 15 2 77 93 16 0
15 16 8 85 104 19 0
16 17 4 89 109 20 0
17 18 5 94 116 22 0
17 20 6 95 116 21 0
18 19 1 95 117 22 0
19 22 1 96 121 25 2
20 21 2 97 119 23 1
21 22 1 98 121 23 1
22 23 1 99 123 24 1
Fig.7.1. Graful-reţea al proiectului “Recunoaşterea obiectelor geometrice”.
Tabelul 7.3 - Parametrii grafului-reţea.
Coal
U.T.M.2153.30.003.ME 84
A doua grupare este:
 pe elemente de cheltuieli, adică: cheltuieli materiale (materii prime şi materiale,
combustibil, energie, amortizare), cheltuieli cu manopera: salarii, asigurarea socială
ş.a.
Calculele privind necesarul de materiale (hîrtie, discuri, dischete, praf pentru
imprimantă, etc.) se vor prezenta în tabel. În prealabil se completează nomenclatorul
materialelor necesare pentru elaborarea proiectului.
Coal
U.T.M.2153.30.003.ME 85
Tabelul 7.4 - Consumuri materiale directe.
Norma de
Preţul, lei consum, Suma, lei
Denumirea
unităţi/proiect
Dischete 7 5 30
Disc compact (CD- 15 1 15
RW)
Toner HP 1000 120 1 120
Pachet de foi A4 40 1 40
(500 foi)
Caiet pentru note 1 6 6
Pix 1 2 2
Mapă 20 1 20
Peliculă 10 4 40
Total _ _ 273
Utilităţile includ poziţiile următoare: energia, apa, căldura se vor evalua după
consumul efectiv şi tarifele în vigoare pentru o unitate. Comunicaţiile şi cheltuielile de
transport – în dependenţă de consumul efectiv, dar nu vor depăşi 15% din total
consumuri indirecte. Uzura mijloacelor fixe cu destinaţie de producţie, adică a
calculatorului la care s-a lucrat, se calculează prin norma anuală de amortizare.
Tabelul 7.5 - Utilităţile utilizate în proiectare.
Denumire Preţul, lei Cantitatea Suma, lei

Energie, kW 0,98 100 98
Apa, m3 2,6 6 15,6
Telefon, minute 0,096 300 57,5
Internet, ore 7 25 175
Cheltuielile de 3 60 180
transport, ture
Coal
U.T.M.2153.30.003.ME 86
Total - - 526,1
Tabelul 7.6 - Calculul uzurii mijloacelor fixe.
Norma
Valoarea Termen de Uzura
de
Denumirea MF de bilanţ, utilizare perioadei,
amortizar
lei (luni) lei
e pe 1 an
Calculator 6000 20% 3 300
Imprimanta 3000 20% 3 150
Scaner
20
2000 2 66,67
%
Java 1500 33% 3 123,75
Manuale 300 20% 3 20
Total 660,42
Vom folosi rate convenţionale de amortizare: pentru active materiale pe termen lung
(mijloace fixe) – 20% pe an, pentru active nemateriale pe termen lung – 33% pe an,
ţinîdu-se cont de numărul de proiecte ce utilizează aceleaşi programe de gestiune
licenţiate. Rezultatele se prezintă în tabelul 7.5.
Consumurile indirecte pentru repararea şi întreţinerea mijloacelor fixe se estimează

conform valorii efective. În timpul desfăşurării proiectului nu au avut loc astfel de cheltuieli,
şi ele se neglijează.
Pentru evaluarea manoperei şi a cheltuielilor salariale se va prezenta informaţia
privind echipa de elaborare a proiectului: diplomantul, care este executant nemijlocit,
conducătorul ştiinţific, consultanţii.
Consumurile salariale directe se vor calcula în baza manoperei directe a
executantului proiectului. Convenţional vom considera salariul pentru studenţi de 10 lei
Coal
U.T.M.2153.30.003.ME 87
pentru oră, iar manopera de 150 ore. Contribuţiile sociale constituie 26% din suma
consumurilor salariale directe.
Tabelul 7.7 - Consumuri salariale directe.
Executantul Manopera Salarii Contrib.s TOTAL

(ore) (lei) ociale (lei)
(lei)
Bujenita E. 150 10 390 1890
TOT - - - 1890
AL
Consumurile salariale indirecte (tabelul 7.8), din care fac parte salariile
conducătorului ştiinţific şi a consultanţilor şi contribuţiile sociale corespunzătoare, se
vor calcula folosind următoarea informaţie: manopera conducătorului ştiinţific – 20 ore,
a fiecărui consultant – 4 ore pentru proiect; salariile pe oră –20 lei. Rata contribuţiilor
sociale – 26%.
Asigurările în fondul medical ( F.M.)
Deoarece se plătesc 5,5% la salarii , 2,5% le plăteşte angajatului , iar 3% le plăteşte
preţul F .M .  1890  705,9   0,3  778,77
Tabelul 7.8 - Consumurile salariale indirecte.
Numele
Contrib.s
conducătorului, Manopera Salarii TOTAL
oc.
consultantului (ore) (lei) (lei) (lei)
Bohanastiuc V.
(conducător) 20 20 104 504
Gorobievschi S.
(cons.p.econ.) 4 20 20,8 100,8
Nicolenco V.
(cons. securit. mun) 4 20 20,8 100,8
TOTAL - - - 705,6
Coal
U.T.M.2153.30.003.ME 88
Dimensionarea veniturilor constă în evaluarea rezultatelor activităţii, adică
previzionarea cifrei de afaceri – vânzări nete. La stabilirea preţului se va folosi o rată a
profitului brut 20 – 30%. P  0.25  C tot
Costul total al proiectului se va stabili ca suma totală a consumurilor directe şi

indirecte:
Ctot = (273+1890) + (660,42+ 526,1 + 705,6) = 4055,12 lei.
La stabilirea preţului vom folosi o rată a profitului brut de 25%:
Preţ = 4055,12 * 1,25 = 5068,9 lei.
Preţul de livrare ce include TVA de 20% va fi:
Preţliv =5068,9*1,2 = 6082,68 lei.
Deoarece se va comercializa un singur produs, venitul din vînzări (cifra de afaceri)
va fi egal cu preţul fără TVA:
Venit = 5068,9 lei.
La calculul rezultatelor financiare (profitul brut şi profitul net) vom considera
impozitul pe venit de 22%:
Profit brut = Venit – Cost = 5068,9 – 4055,12 = 1013,78 lei;

Profit net = Profit brut – (Profit brut * 0,22) = 1013,78 – 223,03 = 790,75 lei.
7.3 Rezultatele financiare
Dimensionarea rezultatelor financiare se va efectua prin comparaţie a veniturilor

din vânzările previzionate şi a consumurilor şi cheltuielilor de producţie.
Tabelul 7.9 - Structura preţului de vînzare a proiectului.
Nr. Specificaţie U.M. Nivel buget Nivel realizat

1 2 3 4 5
Cheltuieli
1. Consumuri materiale Lei 273 273
2. Consumuri salariale Lei 1890 1890
3. Defalcări în Fondul social Lei 491,4 491,4
Coal
U.T.M.2153.30.003.ME 89
4. Asigurări în Fondul medical Lei 778,77 778,77
5. Consumuri indirecte Lei 705,6 705,6
6. Total cheltuieli Lei 4138,77 4138,77
Costul final
7. Venituri planificate Lei 1013,78 1013,78
8. Venituri din alte activităţi Lei - -
9. Preţul angro al proiectului Lei 4828,14 4828,14
10. Impozitele planificate Lei 1115,18 1115,18
Preţul de vînzare a
11. Lei 6082,68 6082,68
proiectului
Reieşind din calculele estimative se observă că se vor acoperi toate cheltuielile

deoarece la stabilirea preţului am folosit o rată a profitului brut de 25% din
cheltuieli. Acest profit va fi îndreptat spre dezvoltarea şi creşterea calităţii
proiectului.
În capitolul dat am prezentat analiza proiectului de diplomă din punct de vedere
economic. Se observă faptul că indiferent dacă se presupune utilizarea softului sau nu,
pentru realizarea proiectului avem un şir de cheltuieli care condiţionează prezenţa
preţului pentru produsul creat. Calculele privind cheltuielile suportate pentru a crea
sistemul inteligent dat au fost efectuate în conformitate cu indicaţiile consultantului la
partea economică a proiectului de diplomă, ele reflectă situaţia reală în domeniul
sistemelor inteligente în Republica Moldova.
Preţul stabilit pentru produsul dat este un factor foarte important pentru posibilii
clienţi, comparativ cu ofertele companiilor străine s-a obţinut un preţ destul de mic, iar
dacă analizăm numai piaţa Moldovei, produsul propus nu are concurenţă datorită
inovativităţii relative ale sale şi deci preţul este destul de convenabil.
Coal
U.T.M.2153.30.003.ME 90
8. Protecţia mediului ambiant
8.1 Protecţia muncii
Automatizarea şi computerizarea muncii omului are puncte de tangenţă cu toate

domeniile de activitate a lui. În prezent nici o întreprindere, instituţie sau organizaţie nu
poate funcţiona destul de efectiv fără aplicarea tehnicii de calculatoare moderne.
Dezvoltarea continuă a oricărei întreprinderi, instituţiei sau organizaţiei are ca
consecinţă mărirea volumului şi complexităţii informaţiei şi necesită extinderea reţelelor
de calculatoare şi a sistemelor informatice automate. Dar în afară de câştiguri evidente
tehnica de calcul este periculoasă sănătăţii şi de aceea devine actuală problema
protecţiei muncii în procesul muncii, păstrarea sănătăţii şi a capacităţii de muncă a lui.
Fără respectarea strictă a regulilor tehnicii securităţii şi solubrităţii de producţie,
executarea inexactă a cerinţelor tehnicii securităţii poate duce la accident sau la
îmbolnăviri profesionale şi traumatism de producţie. Protecţia muncii se asigură cu un
sistem de acte legislative, măsuri şi mijloace social – economice, organizaţionale,
tehnice, igienice, lecuitoare – profilactice îndreptate spre crearea a astfel de locuri de
muncă la care se exclude acţiunea factorilor periculoşi şi dăunători pentru lucrători. În
prezent nici o întreprindere, instituţie sau organizaţie nu poate funcţiona efectiv fără
aplicarea tehnicii de calculatoare moderne.
Coal
U.T.M.2153.30.003.ME 91
Crearea condiţiilor de muncă mai favorabile şi confortabile, ameliorarea protecţiei
muncii şi tehnicii securităţii, fără îndoială, duce la productivitatea muncii mai înaltă,
dezvoltare socială şi creştere a bunăstării.Proiectul de diplomă prezintă elaborarea unui
program pentru culegerea şi prelucrarea informaţiei. Rezultă problema protecţiei muncii
atât a persoanelor care elaborează programele, cât şi a utilizatorilor ei. Lucrările în
sistem vor fi efectuate utilizând calculatoare personale, adică prezintă lucrul
programatorilor şi a operatorilor tehnicii de calcul, e necesar de a precauta cerinţele
pentru protecţia muncii la lucrul cu tehnica de calcul, în special a calculatoarelor
personale cu diferite sisteme periferice, utilizate de către personalul centrului de calcul
(CC) în procesul activităţii vitale. Evident, integrarea şi utilizarea pe larg a
calculatoarelor electronice pe lângă factorii pozitivi mai are şi nuanţe negative asupra
persoanelor care le exploatează.
Lucrul operatorilor tehnicii de calcul necesită o atenţie mare, posibilitatea de a
rezolva în timp limitat probleme complexe, responsabilitatea faţă de acţiunile întreprinse
ce duce la o tensionare emoţională şi stres.
Operatorii tehnicii de calcul, programatorii, şi alţi colaboratori ai CC sunt supuşi
unor factori nocivi şi periculoşi cum ar fi:
 nivelul ridicat de zgomot;
 insuficienţa iluminatului natural;
 insuficienţa iluminatului locurilor de muncă;
 temperatura ridicată a mediului ambiant;
 diferite forme de iradieri, etc.
Crearea condiţiilor de muncă mai favorabile şi confortabile, ameliorarea protecţiei
muncii şi tehnicii securităţii, fără îndoială, duce la productivitate a muncii mai înaltă,
dezvoltare socială şi creştere a bunăstării.
8.2 Sanităria industrială şi igiena muncii
8.2.1 Cerinţele igienico-sanitare faţă de calitatea aerului zonei de muncă
Coal
U.T.M.2153.30.003.ME 92
Odată cu dezvoltarea tehnicii de calcul tot mai mult se atrage atenţia asupra
problemelor protecţiei utilizatorilor, în special acelor care lucrează la calculator, adică
lângă monitor. Principalii factori dăunători, care influenţează asupra sănătăţii omului,
când acesta lucrează lângă monitor sunt:
1. radiaţia sau iradieri ionizate;
2. câmpul electrostatic;
3. câmpul electromagnetic, etc.
Iradieri Ionizate reprezintă iradierea electro-magnetică cu o capacitate de ionizare a
moleculelor. Dacă se provoacă ionizarea moleculelor organismului uman, atunci
legăturile între molecule se distruge şi ca rezultat apar diferite boli. Capacitatea de
ionizare o au următoarele particule: X- iradieri, fluxul de
electroni, substanţele radioactive.
În cazul monitoarelor cel mai semnificativ tip de iradiere ionizată este  - iradiere,
care însă este foarte mică, de obicei nu depăşeşte normele biologice. Celelalte tipuri de
iradieri pot fi neglijate deoarece greu pot fi depistate.
Pentru a micşora iradierea ionizată a monitoarelor moderne, pe suprafaţa lor se
aplică o foaie metalică străvezie, care atenuează fluxul de iradiere. O altă cale de apărare
împotriva iradierii ionizate este procurarea unui ecran protector, care se instalează pe
monitor.
În genere iradierea ionizată asupra omului poate provoca următoarele acţiuni:
• locale - acţiuni de scurtă durată cu doze mari, care aduce la traume locale:
îmbolnăvirea pieii, pierderea pieii, pierderea unghiilor, defectarea oaselor, cancer;
• totale - reprezintă iradieri îndelungate cu doze mici, aduce la îmbolnăvirea sângelui
(leucemie).
La unele întreprinderi, care produc substanţe sintetice, polimeri şi produse din
aceste substanţă, şi care posedă proprietăţi dielectrice înalte, electrizarea micşorează
productivitatea muncii şi este unul din motive care duc la scăderea calităţii producţiei.
Măsurile principale de micşorare a intensităţii câmpului electric în zona de lucru
sânt:
Coal
U.T.M.2153.30.003.ME 93
 îndepărtarea surselor a câmpurilor electrostatice din zona personalului
care deserveşte aparatura;
 ecranarea sursei câmpului sau a locului de muncă;
 utilizarea neutralizatorilor de sarcini electrice statice;
 umezirea materialului care se electrizează;
 schimbarea materialelor, care uşor se electrizează cu materiale ce nu se
electrizează;
 alegerea suprafeţelor care contactează conform condiţiilor de electrizare
minimă;
 modificarea procesului tehnologic în aşa mod ca să se micşoreze nivelul
de electrizare;
 alegerea materialelor şi suprafeţelor care greu electrizează alte corpuri
sau le electrizează cu sarcini de polaritate diferită;
8.2.2 Microclimatul
Deoarece CE sunt surse de eliminare a căldurii, ce poate ajunge la mărirea

temperaturii şi micşorarea umidităţii aerului. În încăperi se atrage atenţie la controlul
parametrilor microclimatului în Săli de Calcul (SC). În SC mărimea medie a
eliminărilor de căldură constituie 310 W/m 2. Eliminările de căldură de la instalaţii de
iluminare tot sunt mari, mărimea specifică a lor este 35-60 W/m 2. În afară de aceasta la
microclimatul încăperi încă influenţează surse exterioare de eliminare a căldurii, cum
sunt căldura de la radiaţia solară ce intră prin fereastră, şi afluenţa căldurii prin
construcţii de barieră ce nu sunt transparente.
Asupra corpului omului şi lucrului utilajului a CC influenţează foarte mult
umiditatea aerului relativă. La umiditatea aerului egală cu 40% lenta magnetică devine
mai fragilă, se măreşte uzura capilor magnetice şi apare câmpul magnetic static la
mişcarea purtătorilor de informaţiei în CE.
Coal
U.T.M.2153.30.003.ME 94
La efectuarea controlului locurilor de muncă se măsoară temperatura, umiditatea
relativă şi viteza de mişcare a aerului în încăperi, totodată se efectuează măsurări la
începutul, mijlocul şi sfârşitul perioadelor calde şi rece a anului.
Se măsoară temperatura şi umiditatea aerului cu psihometre aspiratoare, iar viteza
de mişcarea a aerului – cu electro-anemometre, catatermometre. Ordinea de măsurare a
indicilor microclimatului se stabileşte în conformitate cu STAS 12.1.005-91. Parametrii
se normează după acest STAS şi sunt prezentaţi în tab.10.2.
În acest table de mai jos se aduc parametrii pentru categoriile de lucru 1a (mai puţin
de 120 kcal/oră, lucrul şezând) şi 1b (de la 120 până la 150 kcal/oră, lucrul şezând),
deoarece lucrul programatorului sau operatorului se poate atribui la una din aceste
categorii.
Tabelul 8.1 - Normele microclimatului.
Perioada Umiditatea Viteza de mişcare

Tipul lucrului Temperatura, °C
anului relativă, % a aerului, m/s
Rece Simplu, 1a 22 – 24 40 - 60 Nu mai mult de 0,1
Rece Simplu, 1b 21 – 23 40 - 60 Nu mai mult de 0,1
Caldă Simplu, 1a 23 – 25 40 - 60 Nu mai mult de 0,1
Caldă Simplu, 1b 22 – 24 40 - 60 Nu mai mult de 0,1
Pentru crearea la locuri de muncă a condiţiilor meteorologice bune se efectuează

condiţionarea şi ventilarea aerului, utilizarea ventilatoarelor înăuntru CE pentru a reduce
eliminările de căldură. Utilajul se aranjează în aşa fel ca influenţa căldurii asupra corpul
omului va fi cea mai mică.
8.2.3 Protecţia de zgomot
Zgomotul este unul din factori care influenţează omul când el lucrează cu CE,
aceasta este condiţionat de funcţionarea dispozitivelor ce sunt necesare în CC.
Sursele principale de zgomot în încăperi amenajate cu tehnica de calcul sunt
Coal
U.T.M.2153.30.003.ME 95
imprimantele, tastatura, instalaţii pentru condiţionarea aerului, dar în CE – ventilatoarele
sistemelor de refrigerare şi transformatoare.
La influenţa zgomotului pe un timp îndelungat la colaboratorii CC se observă
micşorarea atenţiei, dureri de cap, se micşorează capacitatea de muncă. În documente de
însoţire a utilajului ce produc zgomot se aduc normele timpului de lucru la acest utilaj.
În conformitate cu STAS 12.1.003-91 “Zgomot. Cerinţele generale de protecţie”
caracteristica de normă a zgomotului locurilor de muncă sunt nivelurile presiunii de
sonor (zgomot). Nivelurile accesibile a zgomotului, lucrând cu CE, sunt prezentate în
tab. 10.1. Pentru micşorarea zgomotului la locurile de muncă se efectuează următoarele
acţiuni:
Arhitectural-planificative. Clădirile se proiectează şi se construiesc în aşa mod ca la
locurile de muncă să nu fie depăşit nivelului admisibil. Întrucât sistemul va fi utilizat la
CC existent aici se poate de obţinut micşorarea zgomotului amplasând în încăperi vecine
utilajului cu zgomot ridicat.
Tehnico-organizatorice. Pentru micşorarea zgomotului la CC se efectuează
reparaţia şi ungerea utilajului. Se poate de aranjat utilajul în aşa fel ca el să facă mai
puţin zgomot.
Acustice. În CC se instalează podele şi poduri tehnologice. Distanţa între podul de
bază şi podul fixat în balamale 0,5-0,8 m, iar înălţimea podelei tehnologice 0,2-0,6 m.
8.2.4 Iluminatul de producţie
La lucrul cu CE o importanţă mare are crearea mediului de iluminare optimal,

adică organizarea raţională iluminatului natural şi artificial în încăperi şi la locuri de
muncă, deoarece lucrând la CE încărcarea în general cade pe organe de vedere.
Dacă omul lucrează mai mult de o jumătate a zilei de lucru la CE la el se observă
înrăutăţirea vederii, ce constituie 62-94%. Asta în primul rând este oboseala ochilor,
dureri foarte mari şi simţul de nisip în ochi, mâncărime şi senzaţie de usturare în ochi.
Totodată senzaţiile dureroase în ochi apar în general la sfârşitul zilei de lucru. Din
Coal
U.T.M.2153.30.003.ME 96
această cauză toate locurile de muncă cu CE se amplasează în locuri ce sunt protejate de
căderea luminii difuzate pe ecranul terminalului. Pentru asta se utilizează încăperi cu
iluminarea unilaterală (într-o singură direcţie), totodată ferestrele trebuie să fie cu storuri
sau jaluzele pentru excluderea efectului de orbire şi strălucirea ecranului terminalului.
Iluminarea artificială a locului de muncă se efectuează în felul următor, nivelul
iluminării locului de muncă trebuie să corespundă caracterului de lucru vizual,
iluminarea încăperii să nu depindă de timpul de afară, fluxurile de lumină să aibă
direcţia optimală şi utilajul trebuie să fie economic, inofensiv, durabil şi simplu în
exploatare.
La instalarea iluminatului artificial se fac următoarele măsurări: iluminarea la locuri
de muncă; caracterul de strălucire a ecranului, mesei; strălucirea petelor reflectate în
ecran. Se efectuează măsurări de control a iluminării şi strălucirii la locuri de muncă cu
diferite terminale care sunt în încăperi şi care se află în diferite condiţii de iluminare,
acolo unde sunt plângeri ale personalului. Măsurarea iluminatului se efectuează în
timpul întuneric a zilei.
Punctele de control pentru măsurările iluminatului la locuri de muncă se
amplasează: în centrul ecranului; pe tastatură; pe document în planul amplasării lui; pe
masă în zona de lucru.
Efectuarea măsurărilor se efectuează în conformitate cu STAS 2.4.940-91.
Măsurarea caracterului de strălucire a ecranului se efectuează la strălucirea ecranului nu
mai puţin de 35 c/m2. Iluminarea locului de muncă se normează după SniP II-4-91 şi
depinde de caracterul lucrului vizual, contrastul obiectului, fonului şi tipul fonului.
În dependenţă de condiţiile de muncă şi particularităţile lucrului îndeplinit, pentru
iluminarea artificială pot fi folosite instalaţiile de iluminat, generale şi locale, cu o
anumită caracteristică de lumină.
Fiecare loc de muncă, indiferent de amplasarea lui faţă de ferestre trebuie să aibă şi
instalaţie de lumină locală. Este recomandabil de folosit lămpi luminiscente, spectrul
luminii cărora aproape coincide cu cel al luminii naturale. Pentru a exclude reflectarea
razelor directe ale luminii de pe ecranul monitorului instalaţiile de iluminare se
Coal
U.T.M.2153.30.003.ME 97
aranjează pe ambele părţi de la locul de muncă, paralel cu direcţia văzului operatorului,
şi peretele cu ferestre.
Organizarea locurilor de muncă. Un rol important îl joacă organizarea locului

de muncă, care trebuie să satisfacă cerinţele comodităţii a efectuării lucrului şi
economisirii energiei şi a timpului operatorului şi utilizării raţionale ale suprafeţelor de
lucru. Este necesar de stabilit zonele de atingere a mâinelor operatorului de display-ul,
imprimantă şi alte dispozitive periferice. Zonele date sunt stabilite pe baza datelor
antropometrice ale corpului uman, permit de a amplasa corect elementele de dirijare.
Mişcările lucrătorului trebuie să fie de aşa fel, ca grupurile de muşchi ale lui vor fi
încărcate omogen, iar mişcările neproductive vor fi excluse.
Locurile de muncă trebuie să fie aranjate tot în conformitate cu cerinţele
comodităţii lucrului şi optimizării mişcării. Locul de muncă de obicei este constituit
dintr-un birou, scaun, o poliţă pentru literatura profesională des folosită. Distanţele între
componentele menţionate trebuie să fie optimale, care nu limitează mişcările şi în
acelaşi timp nu provoacă mişcări de prisos.
8.3 Tehnica securităţii
8.3.1 Electrosecuritatea
Personalul ce deserveşte dispozitivul efectelor de lumini poate nimeri sub tensiune

în urma defectării, avarierii sau a acţiunilor greşite ale sale. Electrosecuritatea deservirii
utilajului electric depinde de tensiunea de lucru, condiţiile expluatării şi caracterul
mediului încăperii în care acest utilaj este instalat.
În mare măsură securitatea deservirii utilajului electric depinde de condiţiile
mediului încăperii în care el este instalat deoarece aceste condiţii influienţează starea
izolaţiei şi rezistenţa pielii omului. Umeditatea, aburii, gazele, particulele conductoare
de praf din aer şi temperatura ridicată micşorează rezistenţa izolaţiei şi o distrug. În
afară de aceasta, pielea omului sub influienţa umedităţii şi a temperaturii ridicate devine
Coal
U.T.M.2153.30.003.ME 98
conductoare, omul îşi pierde rezistenţa şi se ridică considerabil pericolul electrocutării.
Podeaua conductoare (din metal, cărămidă, beton) pe care se află omul brusc
micşorează rezistenţa circuitului şi măreşte pericolul atingerii de părţile conductoare ce
se află sub tensiune. Praful electroconductor se aşează pe conductori şi formează cicuit
conductor, ca urmare sunt posibile scurtcircuitări la pămînt şi între faze. Aburii şi gazele
distrug izolaţia şi îi scad rezistenţa.
În aşa fel indicii pericolului ridicat de electrocutare sunt:
- Umeditatea relativă a aerului mai mare de 75% sau prezenţa prafului
electroconductor;
- Podelele din beton, metal, cărămizi ce pot conduce curentul electric;
- Temperatura ridicată a aerului (mai mare de +35C);
- Posibilitatea atingerii concomitente a omului de carcasele legate la pămînt ale
instalaţiilor şi a părţilor utilajului ce se află sub tensiune.
Indicii pericolului mărit sunt prezenţa umedităţii relative a aerului apropiată de
100% şi mediu activ chimic.
Analiza accidentelor produse de acţiunea curentului electric a permis determinarea
următoarelor cauze a lor:
- încălcarea regulilor de construcţie a instalaţiilor electrice, încălcarea normelor şi
cerinţelor de securitate;
- organizarea incorectă a lucrărilor de montare;
- atingerea părţilor din metal a unei instalaţii ce se află sub tensiune în cazul unor
defecte ale izolaţiei;
- folosirea utilajului electric defectat;
- executarea lucrărilor fără mijloace de protecţie sau folosirea mijloacelor de
protecţie cu termenul de expluatare expirat;
- ruperea conductorului de legare la pămînt, legarea incorectă la pămînt a
conductorului neutru.
Se cunosc cîteva praguri de acţiune a curentului electric:
- pragul curentului sensibil;
Coal
U.T.M.2153.30.003.ME 99
- pragul curentului ce nu permite desprinderea de la conductor;
- pragul curentului de fibrilaţie;
- pragul curentului mortal.
Cerinţele securităţii tehnice în timpul de lucru. Este interzisă cuplarea

echipamentului la reţea fără permisiunea persoanei responsabile de lucrări; cuplarea în
reţea a echipamentului care în timpul efectuării lucrării de laborator nu este folosit.
Studenţii care nu sunt atestaţi de către profesor nu sunt admişi la lucrări de laborator.
În procesul efectuării lucrării de laborator se interzice categoric:
- abaterea de la subiect cât şi atragerea altora;
- părăsirea locului de lucru lăsând utilajul sub tensiune;
- efectuarea lucrului de reparaţie a utilajului aflat sub tensiune.
Dacă în procesul de lucru apar cazuri ieşite din comun (miros de izolaţie arsă, fum)
utilajul se decuplează, urgent de la reţea informând despre acesta dirigintele de lucrări
sau responsabilul de laborator.
Securitatea antiincendiară. Incendiu se numeşte procesul necontrolat de ardere în

afara unui loc de ardere special amenajat, ce aduce daune materiale.
În cadrul oricărei organizaţii, sau întreprinderi trebuie să existe mijloace de
anunţare, de apel rapid la serviciile orăşeneşti antiincendiare în cazul apariţiei
incendiului. Pentru obiectele de o importanţă majoră sau periculoase, este recomandată
posibilitatea legăturii telefonice directe cu secţia antiincendiară orăşenească. Pentru a
anunţa despre incendiu se utilizează legătura telefonică, legătura radio, sirena,
semnalizarea cu ajutorul clopotelor etc. Mijloacele de anunţare despre incendiu trebuie
să fie disponibile toate 24 ore. Pentru a evita cauzele de înflăcărare şi incendiu e necesar
de a cunoaşte probabilitatea apariţiei înflăcărării şi incendiilor la locul de muncă, de luat
măsuri de preîntâmpinare a incendiului la locurile de muncă cu mijloace de stingere a
incendiului.
Coal
U.T.M.2153.30.003.ME 100
Cauzele de pericol ale incendiului care influenţează asupra oamenilor sunt
următoarele:
 focul deschis şi scînteile;
 temperatura înaltă a mediului înconjurător;
 produsele toxice ale arderii;
fumul;
 concentraţia scăzută a oxigenului;
prăbuşirea părţilor clădirilor, agregatelor, instalaţiilor etc.
Factorii principali pentru viaţa omului ce apar în timpul incendiului sunt: focul
deschis, temperatura ridicată a aerului şi obiectelor, produsele toxice ce ard, fumul,
micşorarea concentraţiei de oxigen în aer, distrugerea încăperilor, echipamentului şi
explozia.
Pentru prevenirea incendiului trebuie luate următoarele măsuri:
- excluderea apariţiei mediului arzător;
- excluderea apariţiei în mediul arzător a surselor de inflamare;
- menţinerea temperaturii şi presiunii mediului arzător mai jos de nivelul maxim
admisibil de ardere.
- Barajele antiincendiare din clădiri şi edificii la care se referă pereţii antiincendiari,
barajele şi acoperirile antiincendiare, uşile şi altele trebuie să fie executate din materiale
ne inflamabile şi de asemenea să fie prevăzută autoînchiderea lor.
Cel mai răspândit şi ieftin mijloc de stingere a incendiului este apa care permite
consumarea efectivă a căldurii aruncate de focarele de incendiu. Totodată apa nu poate
fi folosită pentru stingerea lichidelor uşor inflamabile (benzină, gazul lampant, uleiuri
minerale) şi a materialelor care în contact cu ea elimină substanţe inflamabile
(carbonatul de calciu).
În încăperile închise pentru lichidarea incendiului se recomandă utilizarea vaporilor
de apă atât pentru stingerea materialelor solide cît şi a substanţelor lichide.
Coal
U.T.M.2153.30.003.ME 101
Semnalizarea antiincendiară. Incendiile în clădiri prezintă un pericol deosebit
deoarece sunt legate de pierderi materiale enorme. După cum se ştie incendiu poate
apărea la interacţiunea substanţelor inflamabile, a oxidantului şi surselor de înflăcărare.
Într-o încăpere sunt prezenţi toţi trei factori de bază necesari pentru încingerii
incendiului.
Un pericol considerabil prezintă diferite materiale de izolare electrică folosite
pentru protecţia de la acţiunea mecanică a unor piese.
Toate acestea duc la luarea măsurilor serioase pentru protecţia de la incendii
stabilite de СП 512-78 „Instrucţii despre proiectarea clădirilor şi încăperilor pentru
calculatoare” şi СНиП 11-2-80 „Normele antiincendiare de proiectare a clădirilor şi
construcţiilor”. În aceste documente sunt expuse cerinţele de bază faţă de rezistenţa la
incendii a clădirilor şi construcţiilor, barieră antiincendiară, evacuarea oamenilor din
încăperi şi clădiri. Este foarte important ca în încăperile şi în clădirile de muncă să fie
prezente mijloace de comunicare şi semnalizare despre incendiu.
Mijloacele de comunicare şi semnalizare despre incendiu sunt destinate pentru
informarea rapidă şi exactă despre incendiu şi locul apariţiei lui, acţionarea forţelor şi
mijloacelor de stingere a focului, dirijării centralizate cu subdiviziunile de combatere a
incendiilor şi conducerea operativă cu lichidarea incendiului. Cel mai răspândit mijloc
de informare sunt legătura telefonică orăşenească sau locală (metoda pasivă de control a
evenimentelor ce ţin de incendiu), când pentru chemarea echipelor de pompieri se forma
numărul 01. Mult mai sigur şi rapid mijloc de informare şi semnalizare este sistemul
electric de semnalizare de incendiu (metoda activă de control a situaţiei de incendiu).
Sistemele electrice de semnalizare (SES) sunt destinate pentru depistarea incendiilor şi
aprinderilor la stadiul iniţial şi comunicarea despre locul apariţiei lor.
Sistemele de comunicare şi semnalizare de incendiu conform destinaţiei sunt
clasificate în modul următor:
- semnalizare de pază incendiară – anunţă organele de pază incendiară (a
întreprinderii, oraşului) – anunţă organele de pază incendiară (a întreprinderii, oraşului)
despre incendiu şi locul apariţiei lui – se asigură automat (cu ajutorul detectoarelor) sau
Coal
U.T.M.2153.30.003.ME 102
manual prin apăsarea butonului sistemului de semnalizare despre incendiu, precum şi
prin sistemul de legătură radiotelefonică;
- comunicaţie de comandă – asigură dirijarea operativă cu unităţile incendiare şi
acţiunea reciprocă cu serviciile orăşeneşti sau locale (poliţia, salvarea serviciile de
alimentare cu apă, energie etc.) – se asigură prin legătură radio sau telefonică;
- radiocomunicaţie operativă, asigură dirijarea operativă cu echipele de pompieri la
locul de incendiu – se asigură cu ajutorul staţiilor portante şi automobilelor speciale de
radiocomunicaţie.
- În conformitate cu cerinţele normelor clădirile de producţie de categoriile A, B şi C
de pericol de incendiu şi explozii se dotează cu mijloace de automatică împotriva
incendiilor.
8.3.2 Calculul iluminatului natural în încăpere
Lumina este unul din factorii principali care acţionează asupra stării sănătăţii
persoanei implicite în procesul de producţie. Organizarea corectă a iluminării stimulează
decurgerea corectă a proceselor activităţii vitale şi ridică capacităţile de muncă,
micşorând în acelaşi timp traumatismul în procesul de producere.
De calculat iluminatul natural al incăperii de producţie după următoarele date
(incăperea este cabinete şi camere de lucru , cabinete şi săli de proiectare )
env  1.0 conform tab.I.11[10].
k r  1.3 conform tab.I.1[10].
Dimensiunile incăperii: l=6m;
b=6m;
h=3m;
Unde: l – lungimea încăperii;
b – lăţimea încăperii;
h – înălţimea încăperii.
Coal
U.T.M.2153.30.003.ME 103
Înălţimea ferestrelor este de 2 m.
De determinat suprafaţa ferestrelor.
Fig.8.1. Schema încăperii.
Notă. P.C.-punctul de calcul;

S.C.L.- suprafaţa condiţională de lucru;
Rezolvare
1. Determinăm valoarea normată a C.Z. pentru Republica Moldova,
env  e1n  m  1,0  0,8  0,8 (8.1)
unde:
m=0,8 – pentru Republica Moldova., care este asociată grupei a 5-a de ale raioane
administrative ale Rusiei, conform SNiP 23-05-95.
Suprafaţa geamurilor se determina din urmatoarea formula :
S p  e nv   f  k r  k cl
Sf  . (8.2)
100   0  r1
în care: Sf - suprafaţa golurilor de lumină în cazul iluminatului lateral prin ferestre,

m 2 ;
Sp - suprafaţa pardoselii încăperii, m 2 ;
e nv - valoarea normată a coeficientului zilei,lx ;
Kr - coeficientului de rezervă , conform tabelului I.1[10].;
Coal
U.T.M.2153.30.003.ME 104
f - caracteristica fototehnică a ferestrelor ,determinată conform tab.I.2[10].
K cl - coeficientului ce ia în consideraţie umbrirea ferestrelor de către
clădirile din apropiere,opuse ferestrelor, determinat conform tab.I.3[10].
0- coefientul general de fotopermiabilitatederminat dupa formula :
 0   1  2  3  4  5 (8.3)
r1 - coefientul ce consideră mărirea cofientului zilei în cazul iluminatului
lateral ,datoritî luminii eflactate de suprafeţele încăperii şi a învelişuluid sol
dinapropierea clădirii ,determinat conform tab.I.6[10].
2. Determinăm suprafaţa pardoselii:
S p  l  b  6  6  36m 2 (8.4)
l in 6 B 6
3. Determinăm  f  18 în dependenţă de raportul  1 şi raportul  3
B 6 h1 2
4. Din tabelul 1.1[10] determinăm k r  1,3
5. Din tabelul 1.3.[10] determinăm k cl  1,36 ( la distanţa de 30 m se află o clădire

cu 9 nivele şi H=28 m ). Aşa dar P=30 m; H cl  27,2m , raportul P / H cl  1,1;
k cl  1,36 - este determinat prin interpolare .

6. Determinăm  0 din relatia  0   1  2  3  4  5
 1  0,8 ( sticluire dublă );
 2  0,75 ( cercevele pentru ferestrele clădirilor industriale ordinare );
3 1 ( iluminat lateral );
 4  1 ( storuri reglabile );
 5  0,9 ( pentru iluminatul lateral ).

Atunci ,  0  0,8  0,75  1  1  0,9  0,54 .
7. Determinăm r1 , din tabelul 1.6[10] , după urmatoarele date:

l in 6 B 6 l 4
g m  0,4 ;   1;   3;   0,8 .
B 6 h1 2 B 5
Prin interpolare găsim r1  2,2 .

8. Determinăm suprafaţa ferestrelor :
S p  e nv   f  k r  k cl 36  1,0  18  1,3  1.36 1145,664
Sf     9,643m 2 (8.5)
100   0  r1 100  0,54  2,2 118,8
Coal
U.T.M.2153.30.003.ME 105
9. Determinăm lungimea totală a ferestrelor , ştiind că înalţimea lor este de 2 m
Sf 9,643
lf    4,821m (8.6)
hf 2
Primim pentru iluminare 3 ferestre conform shemei ( fig.8.1.) cu dimensiunile

b  h  (1,607  2) m , (8.7)
Cu suprafaţa totală de : S f  3  (1,607  2)  9,642m 2 .
CONCLUZII
La sfîrşitul acestei teze de diplomă avem posibilitatea să analizăm efortul depus şi

rezultatele obţinute. Aşadar, cum aţi observat , pornind de la simplul concept al
sistemului de inteligenţă artificială , am ajuns la etapa în care putem obţine beneficii de
la utilizarea ei. Foarte mult efort a fost depus pentru studiul aprofundat a domeniului în
care va fi utilizat algoritmii de recunoaştere a obiectelor geometrice şi metodele utilzate
pentru aceasta. O atenţie specială a fost acordată organizării muncii, pentru a optimiza
productiv efectele de la utilizarea metodei reţelei neurale. Principala funcţionare cheie a
fost elaborarea , impementarea modelelor de recunoaştere a imaginilor ,nivelul realizat
de implementare ne permite să evaluăm gradul de fezabilitate a proiectului şi utilizarea
lui în condiţii reale. Pentru a obţine real beneficii , proiectul trebuie utilizat pe scară
largă în cadrul instituţiilor,sectoarelor de poliţie, aeropoarte , bănci etc. Pentru a
reprezenta şi argumenta recunoaşterea imaginilor am folosit numeroase metode de
recunoaştere în selectarea obiectelor şi binenţeles proprietăţile comparative a
algoritmilor de recunoaştere a imaginilor.
Din punct de vedere economic observăm că utilizarea softului pentru realizarea
proiectului avem un şir de cheltuieli care condiţionează prezenţa preţului pentru
produsul creat , aceste calcule reflectă situaţia reală în domeniul sistemelor inteligente în
Republica Moldova. Preţul stabilit este un factor foarte important pentru posibilii clienţi,
deoarece este un preţ mic . Capitolul protecţia muncii joacă un rol major,avem
posibilitatea de a utiliza partea teoretică şi practică acumulată pe parcursul anilor, pentru
Coal
U.T.M.2153.30.003.ME 106
a cunoaşte şi a ne acomoda cu metode ce ţin de proteţia mediului ambiant. Cunoştinţele
acumulate pe parcursul a patru ani de învăţămint la zi, au dus la crearea acestui sistem
inteligent , la perfecţionarea capacităţilor anterior acumulate. Această sarcină a fost
pentru mine una de experienţă profesională pe viitor , ceea ce am avut posibilitatea să
obţin informaţii statistice , sistematizate de către specialiştii din cadrul catedrei
ATI,secţia Automatică . Sarcina mea de bază a fost obţinerea , şlefuirea şi
implementarea cunoştinţelor teoretice în practică în cadrul facultăţii FCIM.
BIBLIOGRAFIE
1. Buzuloiu V. , Prelucrarea imaginilor, Bucureşti : Universitatea “Politehnica”

Bucureşti-1998, 66 p.
2. Castleman, K. R. : Digital Image Processing, Prentice Hall, Englewood Cliffs, NJ-
1996 , 89 p.
3. Cocquerez, J. P., Philipp, S. (coord.): Analyse d‘images: filtrage et segmentation,
Masson, Paris-1995, 110 p.
4. Haralick, R. M., Sternberg, S. R., Zhuang, X.: “Image Analysis using
Mathematical Morphology”, în IEEE Trans. on Pattern Analysis and Machine
Intelligence, vol. 9, no. 4, Iulie 1987, 532-549 p.
5. D. Gâlea : Inteligenţa artificială , note de curs, Academia de studii economice,
Bucureşti -2003, 55p.
6. Mihai Bulea,: Structuri şi algoritmi paraleli pentru prelucrearea imaginilor şi
recunoaşterea formelor, Iaşi ,vol.2, 1999, 150-300p.
7. Constantin V.Ciomaga M. Popa Răzvan : Prelucrarea şi analiza imaginilor, editura
Bucureşti- 2002, 145-230 p.
8. Celoci R., Ceban M., Cîşlari E., Gorobievschi S. : Organizarea şi
gestionarea bussinesul propriu, editura Tehno Info, Chişinău -2004, 230 p.
9. Gorobievschi S.: Indrumar metodic- Proiectarea de diplomă, nr.1019, Chişinău
UTM-2000, 56 p.
Coal
U.T.M.2153.30.003.ME 107
10. Olaru E. : Cicluri de prelegeri - Sanitaria industrială şi igiena muncii, Chişinău
UTM- 2000, nr.789, 43 p.
11. Olaru Iu., Olaru E., : Cicluri de prelegeri - Protecţia împotriva incendiilor,
nr.813, Chişinău UTM-2000, 45 p.
12. Olaru E. : Protecţia mediului ambiant. Cicluri de prelegeri, Chişinău UTM-2000,
nr.846, 56 p.
Coal
U.T.M.2153.30.003.ME 108

Chenar Marediploma1

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Chenar Marediploma1

Încărcat de

Drepturi de autor:

Formate disponibile

CUPRINS

În timpul prezent cînd tehnologiile informaţionale se dezvoltă foarte repede şi

Inteligenţa artificială presupune proiectarea şi construirea de sisteme capabile să

1. Analiza metodelor existente de recunoaştere a obiectelor geometrice

1.1 Sisteme inteligente în Înteligenţa Artificială

1.2 Descrierea obiectelor geometrice

Prelucrarea a imaginilor reprezintă un domeniu foarte larg. Acest domeniu are la

Fig. 1.1. Conţinutul imagisticii computerizate.

1.3 Clase de imagini

Imaginile sunt clasificate în patru clase [1]:

- Clasa 3 de imagini include imagini formate din linii şi curbe continue.

Fig. 1.4. Taxonomie a imagisticii computerizate.

1.4 Metode de recunoaştere în selectarea obiectelor

1.4.1 Metoda decizional teoretică

În acest caz, forma este reprezentată printr-un vector n-dimensional al

Fig.1.5. Schema bloc a unui sistem de recunoaştere teoretic - decizională.

Dacă fiecare componentă a vectorului de caracteristici poartă o cantitate mică de

1.4.2 Metoda structural-sintactică

Fig. 1.6. Schema unui bloc de recunoaştere structural-sintactică.

1.4.3 Recunoaşterea conexionistă

Metodele conexioniste se bazează pe utilizarea unei reţele de "procesoare" conectate

1.4.4 Proiectarea clasificatorului de recunoaştere statică

Principii generale. Presupunerea fundamentală care se face este că există pentru

Vom folosi următoarele notaţii:

Pe baza funcţiei de pierdere se defineşte pierderea medie condiţionată sau riscul

Folosind formula lui Bayes (sau formula cauzei), avem:

rezultă pentru riscul condiţionat expresia:

Decizia de clasificare se ia pe baza riscului minim de eroare, deci conform regulii:

Se remarcă faptul că procesul de luare a deciziei impune calculul a Nc funcţii de

Dar din formula probabilităţii totale avem:

unde cu  s-a notat raportul de verosimilitate.

şi din aceleaşi considerente ca mai sus vom folosi :

1.4.5 Clasificarea parametrică statistică

Pentru funcţia discriminant se preferă folosirea logaritmului:

Sunt foarte utile unele propuneri simplificatoare:

3) Dacă probabilităţile apriorice ale claselor sunt egale, funcţia de decizie

4) Dacă trăsăturile formei de intrare sunt necorelate, atunci Φ este o matrice

care este tocmai clasificatorul binar de distanţă minimă.

Divizarea neparametrică de recunoaştere statistică. Pierderea medie condiţionată

unde integrala se calculează peste întreg spaţiul formelor, deoarece, evident:

Înlocuind prima formulă în cea precedentă, se obţine:

Se urmăreşte construirea unui clasificator binar în condiţiile minimizării riscului

Condiţia de linearitate impusă clasificatorului nu este restrictivă. Ţinând cont de

Calculând gradientul riscului global, rezultă expresia:

unde ultimul termen este datorat dependenţei gradientului de limitele de separare a

(2) Funcţia de pierdere diagonală:

a). b). c).

Distanţa se măsoară de la planul de decizie la forma clasificată incorect folosind:

 0, pentru W T X  0, X  2 , clasificar e corecta;

Ca urmare, gradientul riscului global poate fi exprimat cu:

Aceste metode fiind neparametrice, caracteristicile statistice ale procesului sunt

Metoda gradientului descrescător furnizează condiţia ca W (i ) să fie proporţional

şi pe baza formulei precedente se poate utiliza drept estimaţie a gradientului:

unde cu M1 , M2 s-au notat mulţimile indicilor care, la iteraţia "i" produc o

1.5 Proprietăţile comparative a algoritmilor în recunoaşterea imaginilor

"Potrivirea" se obţine pentru valoarea minimă a expresiei anterioare sau când

Termenul d3(m,n) este constant şi independent de coordonatele (m,n). Energia

Decizia de "potrivire" se ia dacă este îndeplinită condiţia:

1.6 Punerea problemei de recunoaştere

Recunoaşterea formelor Recunoaşterea formelor se ocupă de clasificarea unui set de

Translator Selector Intrare

Fig. 1.8. Schema bloc a unui sistem de recunoaştere a formelor.

1.6.1 Noţiuni generale