Учебное пособие 2238

8, если говорить о 1% - ном уровне значимо-

направлении. Об этом свидетельствуют гра-

сти. На основании таблиц 1, 2, 3 и 4 очевид-

фики тестов проводимых в обеих группах.

но, что абсолютно все участники экспери-

Результаты тестирования показали, что

ментальной группы улучшили свои показа-

в процессе применяемой экспериментальной

тели по развитию координационных способ-

методики (ЭМ), уровень развития координа-

ностей (КС), в то время как испытуемые

ционных способностей (КС) у судей по хок-

контрольной

группы ненамного

улучшили

кею в экспериментальной группе значитель-

или совсем

не прогрессировали

в данном

но выше, чем в контрольной.

Тест

До эксперимента, X±m

После эксперимента, X±m

t

p

Бег 20 м. лицом вперѐд, с.

48,14±0,4

46,89±0,3

1,0

<0,04

Челночный бег 4х9 м., с.

11,59±0,6

10,37±0,4

1,2

<0,06

3 кувырка вперѐд, с.

39,8±0,6

37,8 ±0,5

0,9

<0,06

Тест

До эксперимента, X±m

После эксперимента, X±m

t

p

Бег 20 м. лицом вперѐд, с.

49,64±0,2

48±0,2

0,3

<0,1

Челночный бег 4х9 м., с.

11,21±0,7

11,81±0,6

0,7

<0,6

3 кувырка вперѐд, с.

40,1±0,9

39,4 ±0,9

0,1

<0,07

№ п/п

1

2

3

4

5

6

7

8

9

10

11

12

Общее функциональное состояние в экспериментальной группе (ЭГ)

до

50

50

55

55

50

50

50

51

43

50

40

45

после

60

65

70

60

70

70

70

65

73

75

70

65

Определение достоверности изменений с помощью критерия Вилкоксона

разница

10

15

15

5

20

10

20

14

30

25

30

20

модуль

10

15

15

5

20

10

20

14

30

25

30

20

ранги

5

10

10

1

12

5

5

5

5

10

5

5

сумма ран-

гов (-)

сумма ран-

гов(+)

78

№ п/п

1

2

3

4

5

6

7

8

9

10

11

12

Общее функциональное состояние в контрольной группе

до

50

50

55

55

50

60

55

55

65

60

60

55

после

60

65

60

60

55

60

65

65

75

65

70

65

Определение достоверности изменений с помощью критерия Вилкоксона

разница

10

5

5

5

5

0

10

10

10

5

10

10

модуль

10

5

5

5

5

0

10

10

10

5

10

10

ранги

5

10

10

1

12

5

5

5

5

10

5

5

сумма ран-

гов (-)

сумма ран-

гов(+)

78

z = 15 (при p = 0,05), z = 8 (при p = 0,01) 0 < 5, следовательно p < 0,01

По критерию Вилкоксона (Б.А. Ашмарин, 1978)

Коллективом

сотрудников

Комплекс-

предыдущего упражнения на последующее;

ной научной группы (КНГ) было детально

-

в специализированных

упражнениях

проанализировано текущее состояние дел, и

(СУ) для развития координационных спо-

разработана экспериментальная

методика

собностей (КС) у хоккейных судей

будет

(ЭМ) по развитию координационных спо-

содержаться элемент новизны.

собностей (КС) у хоккейных арбитров, кото-

Методы

математической

статистики

рую экспериментально внедрили и опытным

подтвердили достоверность развития коор-

путѐм проверили в условиях тренировочного

динационных способностей (КС) у хоккей-

процесса хоккейных судей.

ных судей в проведѐнном тестировании и

Результаты

научного

эксперимента

спортивно - игровых мероприятиях.

подтвердили правильность гипотезы о том,

Данную экспериментальную методику

что: дальнейшее развитие координационных

(ЭМ) по развитию координационных спо-

способностей (КС) у арбитров будет эффек-

собностей (КС) у хоккейных судей рекомен-

тивным если:

дуется

применять

в работе центров по под-

-

на каждом тренировочном занятии

готовке хоккейных арбитров, а также судей-

развитию

координационных

способностей

ских курсах и школах при местных регио-

(КС) будет отводиться 12-15 минут;

нальных федерациях хоккея, с целью подго-

-

специализированные

упражнения

товки судей для обслуживания соревнований

(СУ) для развития координационных спо-

по хоккею в любительских лигах регионов

собностей (КС) у хоккейных судей будут

Российской Федерации.

применяться в заключительной части трени-

Библиографический список

ровочного занятия;

-

специализированные

упражнения

1. Железняк Ю.Д. Спортивные игры: Со-

(СУ) для

развития координационных

спо-

вершенствование спортивного мастерства / Ю.Д.

Железняк, Ю.М. Портнов, В.П.Савин. – М.: Из-

собностей (КС) у хоккейных судей будут по-

дательский центр «Академия», 2004. – 400 с.

степенно усложняться, и в подборе специа-

2.

Кирсанова Л.В., Поляков А.А. Психоло-

лизированных упражнений (СУ)

будет учи-

гия судейства в хоккее на льду / Кирсанова Л.В.,

тываться

положительный перенос навыка

Поляков А.А. – М.

Издательство «Советский

спорт», 2012 г. – 84 с.

2014. - № 13,- 107-113 с.

3. Майоров Б.А. Хоккейные перекрѐстки.

5. Воробьѐв В.Г. Богатыри земли Курской

Откровения знаменитого форварда / Б.А. Майо-

/ В.Г. Воробьѐв. – К.:МУ «Издательский центр

ров. – М. Издательство «Эксмо», 2016. – 320 с.

«ЮМЭКС», 2009. – 104 с.

4. Гречишников А.Л. К вопросу о компе-

6. Широ Ф. Тренировка юных хоккеистов

тентностном подходе в деятельности хоккейных

/ Ф. Широ пер. с англ., под общей ред. Д.И. Ку-

арбитров. Государство и общество: вчера, сего-

наева. – М.: ООО «Издательство АСТ», 2003. –

дня, завтра. Серия: Социология. / Гречишников

199 с.

А.Л. – К.: Издательство Академии госслужбы,

ВЫПУСК № 1 (23), 2021

ISSN 2618-7167

Рис. 1. Процесс распознавания лица

1.1. 3D - распознавание лиц (3D

дель подразделяется на три основных под-

morphable model).

пространства: статистические (линейные

В трехмерных методах распознавания

(например, PCA, LDA и ICA) и нелинейные

лиц для захвата данных с лица используется

(например, KPCA)), нейронные (например,

3D датчик. Эта модель подразделяется на два

DLA, MLP) и гибридные (например, PCA с

основных типа: использование параметриче-

DLP).

ской модели лица и 3D-реконструкция лица.

2.1. Анализ главных компонент (Princi-

3D-ориентиры лица проецируются в виде

pal Component Analysis).

сетки на 2D-изображении путем семантиче-

Этот метод используется для уменьше-

ского выравнивания пяти лицевых ориенти-

ния размеров и выделения признаков. Эта

ров соответствующих изображений лица с

стратегия помогла снизить размерность ис-

общей 3D-моделью лица. 3DMM требует

ходных данных за счет извлечения основных

значительные затраты ручного труда для

компонентов многомерных данных. Норма-

сбора изображений по метаданным.

лизация освещения очень необходима для

1.2. Метод гибкого сравнения на гра-

собственных векторов (Eigenface). Вместо

фах (Elastic graph matching).

Eigenface используются собственные значе-

Этот алгоритм идентифицирует чело-

ния (Eigenfeatures), такие как глаз, нос, рот,

века на новом изображении, сравнивая его /

щеки и т. д. Для сжатия данных используется

ее новое изображение лица с другими лица-

вычисление подпространства низко размер-

ми в базе данных. Алгоритм основывается на

ного представления.

представлении гибких графов, на которых

Результаты экспериментов показывают,

вершины отмечаются

крупномасштабными,

что PCA обеспечил улучшенные результаты

ребра являются геометрическими векторами

при использовании классификатора (алго-

расстояния. Процесс этого алгоритма начи-

ритма решения задачи классификации) ев-

нается с вычисления значения признаков с

клидова расстояния и квадрата евклидова

помощью Габоровских вейвлет (Gabor Jets) в

расстояния, а затем при использовании клас-

определенной точке. Затем извлеченные чер-

сификатора расстояния городских кварталов,

ты сопоставляются

с соответствующими

который дает лучшие результаты, чем клас-

чертами других лиц в базе данных. Важным

сификатор квадрата расстояния Чебышева.

недостатком является то, что у процедуры

При использовании классификаторов рас-

распознавания весьма высокая вычислитель-

стояния Евклида и квадрата расстояния Ев-

ная сложность.

клида скорость распознавания одинакова.

2. Целостные методы.

2.2. Независимый компонентный ана-

Эти методы основаны на глобальном

лиз (Independent Component Analysis).

представлении лиц вместо локального пред-

Этот алгоритм представляет собой ли-

ставления на всем изображении для иденти-

нейную комбинацию статистически незави-

фикации лиц. Эта модель учитывает гло-

симых точек данных. Основная цель этого

бальные особенности определенного набора

метода отличается от PCA, ICA минимизи-

лиц в процессе распознавания лиц. Эта мо-

рует ввод зависимостей как второго, так и

более высокого порядка. ICA предполагает,

ции. Перед моделированием отсутствует

что источники сигнала, составляющие ком-

необходимость указывать количество основ-

поненты, статически независимы друг от

ных компонент.

друга и являются негауссовыми.

KPCA – расширение PCA с использо-

Метод слепого

разделения

сигналов

ванием методов ядра (алгоритмов для анали-

(BSS) в ICA направлен на восстановление

за паттернов – нахождение и изучение об-

источника сигнала по наблюдаемым незави-

щих типов отношений в наборах данных).

симым сигналов. Благодаря этому методу

2.5. Линейный дискриминантный ана-

существует возможность удаления ненуж-

лиз (Linear discriminant analysis).

ных элементов (помех), таких как моргание

Этот алгоритм, также называемый

или движение глаз.

Fisherface, использует контролирующий ме-

По сравнению с PCA, ICA более эф-

тод обучения с использованием нескольких

фективен по отношению удаления помех.

обучающих образов для отдельного класса.

ICA – альтернатива анализа главных компо-

Этот метод ищет линейные комбинации при-

нент, так как обеспечивает более мощное

знаков при сохранении отделимости класса.

представление данных.

Кроме того, он пытается смоделировать раз-

2.3. Скрытые

Марковские

модели

личия между разными классами. LDA вы-

(HMM).

числяет подпространство, в котором объекты

В этом подходе распознавание лиц ав-

в отдельных классах находятся далеко друг

томатически разделяет лица на разные обла-

от друга, в то же время как объекты в одном

сти, такие как глаза, нос и рот. HMM широко

классе находятся близко друг к другу.

применяется в задачах по распознаванию

Метод LDA имеет меньшую частоту

лиц, так как учитывает пространственные

появления ошибок, и, следовательно, зани-

характеристики сигналов и их статические

мает меньше времени на вычисления. Алго-

свойства.

ритм менее чувствителен к свету, позам и

Скрытые Марковские сети состоят из

выражениям.

нескольких элементов: наблюдаемой Мар-

2.6. Линейный дискриминантный ана-

ковской цепи, дискретного множества скры-

лиз ядра (Kernel Linear Discriminant Analy-

тых состояний, непрерывного множества

sis).

наблюдаемых состояний, начальной вероят-

Метод KLDA состоит из нелинейных

ности состояний, матрицы переходных веро-

форм для любого метода, который использу-

ятностей и матрицы эмиссий.

ется исключительно для обмена данными.

Уменьшение размера результата с по-

Более того, использование функций ядра,

мощью алгоритма PCA напрямую делает

удовлетворяющих теореме Мерсера, более

этот метод очень быстрым. Результаты экс-

экономично и эффективно. Различные функ-

периментов показывают, что скорость распо-

ции ядра выполняются по-разному для раз-

знавания, полученная с помощью этого ме-

ных обучающих наборов. Выбор правильной

тода, составляет около 95% при использова-

функции ядра для конкретной базы данных

нии половины изображений для обучающей

остается нерешенной проблемой.

выборки из базы данных ORL.

Целью данной статьи является обзор

Недостаток HMM заключается в том,

разработок в области распознавания лиц.

что методы, которые основаны на той моде-

Было представлено несколько категорий ме-

ли, дают только оценку соответствия модели

тодов распознавания лиц, таких как методы

изображения.

распознавания лиц на основе внешнего вида,

2.4. Анализ основных компонентов яд-

на основе моделей и сочетание этих двух ти-

ра (Kernel principal component analysis).

пов, названных гибридными

подходами,

Основная идея KPCA состоит в том,

процессами распознавания лиц. Проблемы с

чтобы сначала отобразить входное простран-

ство в пространство признаков с помощью

выражением лица, окклюзией, изменением

нелинейного отображения, а затем вычис-

позы и освещением все еще остаются про-

лить основные компоненты из пространства

блемой. Для более детального

понимания

признаков. Кроме того, KPCA требует реше-

рассмотренных подходов приводится список

ния проблемы собственных значений, кото-

литературы.

рая не требует дополнительной

оптимиза-

ВЫПУСК № 1 (23), 2021

ISSN 2618-7167

Библиографический список

характеристик систем защиты информации / И.А.

1. Кухарев Г.А.

Методы

обработки и

Хвостов, В.В. Денисенко, К.С. Евтеева [и др.] //

Международный

журнал

гуманитарных

и

распознавания изображений лиц в задачах

естественных наук. – 2019. – № 9-2. – С. 91-94. –

биометрии / Г.А. Кухарев, Е.И. Каменская, Ю.Н.

DOI 10.24411/25

Матвеев, Н.Л. Щеголева; под ред. М.В. Хитрова.

4. Скрыпников, А.В.

Использование

- СПб.: Политехника, 2013. - 388 с.

методов машинного обучения при решении задач

2. Николенко С., Кадурин А., Архангель-

информационной

безопасности

/

А.В.

ская Е. Глубокое обучение. - СПб.: Питер, 2018. -

Скрыпников, В.В. Денисенко, И.А. Саранов //

480 с.

Вестник Воронежского института ФСИН России.

3. Аналитическая

оценка

операционных

– 2020. – № 4. – С. 69-73.

ВЫПУСК № 1 (23), 2021

ISSN 2618-7167

7. Безрисковая процентная ставка r яв-

ния [4].

ляется постоянной для всех сроков погаше-

Уравнение (10) называется дифферен-

зовали тот же подход в классических усло-

циальным уравнением Блэка – Шоулза -

виях с производными процентной ставки.

Мертона. Оно имеет много решений, соот-

Хренников опирается на работу Хейве-

ветствующих

всевозможным производным

на и других и еще больше поддерживает

ценным бумагам, которые можно определить

идею о том, что предположение об эффек-

для цены акции S. Для выделения из этого

тивности рынка, сделанное уравнением

множества конкретного дериватива исполь-

Блэка – Шоулза – Мертона, может быть не-

зуются краевые

условия по

перемен-

уместным. Чтобы поддержать эту идею,

ным S и t.

Хренников опирается на структуру кон-

Следует подчеркнуть, что инвестици-

текстных вероятностей, используя агентов

онный портфель, использованный при выво-

как способ преодоления критики применения

де уравнения, не всегда является свободным

квантовой теории к финансам.

от риска. Он является безрисковым только на

Аккарди и Букас снова квантуют урав-

нение Блэка – Шоулза – Мертона, но в этом

бесконечно

малых

промежутках времени.

случае они также считают,

что лежащий в

При изменении переменных S и t производ-

основе фонд имеет как броуновский, так и

ная

⁄

тоже изменяется [3].

пуассоновский процессы.

Бааки опубликовал множество работ по

Библиографический список

квантовым финансам и даже написал книгу,

в которой многие из них собраны вместе.

1. Квантовые финансы - Quantum finance

Ядром исследований Бааки и других иссле-

Квантовые

финансы

-

https://ru.qaz.wiki

дователей, таких как Матач, являются инте-

/wiki/Quantum_finance

2. Давнис В.В., Добрина М.В. Квантовый

гралы по путям Фейнмана. Бааки применяет

анализ фондовой биржи на примере Forex. Элек-

интегралы по путям к нескольким экзотиче-

тронный бизнес: проблемы, развитие и перспек-

ским вариантам и представляет аналитиче-

тивы. Материалы XVIII Всероссийской научно-

ские результаты, сравнивая свои результаты

практической

интернет-конференции.

Воронеж,

28-29 мая 2020. - c. 74-76.

с результатами уравнения Блэка – Шоулза –

3. Давнис В.В.,

Добрина М.В.

Основы

Мертона, показывая, что они очень похожи.

квантовых вычислений в квантовой экономике.

Пайотровский

предложил

воспользо-

Экономическое прогнозирование: модели и ме-

вать другим подходом, изменив допущение

тоды: Материалы XVI международной научно-

Блэка

– Скоулза –

Мертона относительно

практической конференции 6-7 декабря 2020 го-

да. Воронежский государственный университет,

поведения акций, лежащих в основе опцио-

Воронеж, 2020. - c. 6 – 9.

на. Вместо того, чтобы предполагать, что он

4. Добрина М.В. Новая квантовая финан-

следует процессу Винера – Башелье, они

совая система QFS. Фундаментальные и при-

предполагают,

что

он следует

процессу

кладные исследования в области экономики и

Орнштейна – Уленбека. С учетом этого но-

финансов. Сборник научных статей VI междуна-

родной научно-практической конференции. Рос-

вого

предположения они выводят модель

сийская академия народного хозяйства и госу-

дарственной службы при президенте Российской

5. Маслов В.П. Квантовая экономика,

Федерации. – Орел – 2020. - c. 53-55.

2006. – 96 c.

Информация об авторах

Information about the authors

Давнис Валерий Владимирович – доктор экономических наук,

Valeriy V. Davnis, Doctor of Economics, Professor, Professor - Con-

профессор, профессор-консультант кафедры информационных

sultant of the De-partment of Information Technologies and Mathemati-

технологий и математических методов в экономике, Воронежский

cal Methods in Economics, Voronezh State University (1, Universi-

государственный университет (394018, Россия, г. Воронеж, Универ-

tetskaya pl., Voronezh, 394018, Russia), e-mail: vdavnis@mail.ru

ситетская площадь, 1), e-mail: vdavnis@mail.ru

Mariya V. Dobrina, senior lecturer of natural and social sciences de-

Добрина Мария Валерьевна - старший преподаватель кафедры

partment, The Russian Presidential Academy of National Economy and

естественно-научных и социальных дисциплин, Российская акаде-

Public Administration (Voronezh branch) (394005, Russia, Voronezh,

мия народного хозяйства и государственной службы при Президен-

Moskovskiy prospect, 143), e-mail: dobrina_mv@mail.ru

те РФ (Воронежский филиал) (394005, Россия, г. Воронеж, Москов-

ский проспект, 143), e-mail: dobrina_mv@mail.ru