Участник:Vmottl

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание

Изображение:VMOTTLsmall.jpg    Вади́м Вячесла́вович Мо́ттль

Российский математик, д.т.н., профессор.
Ведущий научный сотрудник Вычислительного центра ФИЦ ИУ РАН.
Профессор кафедры «Интеллектуальные системы» ФУПМ МФТИ.
Профессор-консультант Тульского государственного университета,
Эксперт Российского фонда фундаментальных исследований.

Подробная биография на wikipedia.

Мне можно написать письмо.

Некоторые направления исследований

  • Линейные методы восстановления зависимостей по эмпирическим данным. Презентация, PDF [936 Кб].
  • Невыпуклые задачи оптимизации в методологии обучения распознаванию образов. Презентация, PDF [725 Кб].
  • Динамический анализ стиля инвестиций. Презентация, PDF [559 Кб].
  • Распознавание зон коллекторов нефти и газа в монолитных породах по данным сейсмической разведки с учетом обучающей информации из разведывательных скважин. Презентация, PDF [895 Кб].

Руководство диссертациями

Докторские

  1. Двоенко С.Д. Методы распознавания образов в массивах взаимосвязанных данных. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, Москва, 2001.
  2. Ересько Ю.Н. Методы автоматической локализации объектов в потоках изображений динамических сцен. Специальность 05.13.01 – Системный анализ, управление и обработка информации, технические науки. Тульский государственный университет, 2007.

Кандидатские

  1. Кляцкин В. М. Разработка и исследование методов скелетизации точечных изображений. Специальность 05.13.16 – Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях, технические науки. Институт проблем управления АН СССР, Москва, 1991.
  2. Блинов А.Б. Алгоритмы сегментации составных текстурных изображений на основе марковских моделей строк. Специальность 05.13.16 – Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях, технические науки. Институт проблем управления АН СССР, Москва, 1993.
  3. Копылов А.В. Квази-статистический подход к совмещению изображений при растровых искажениях. Специальность 05.13.16 – Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях, технические науки. Институт проблем управления АН СССР, Москва, 1996.
  4. Костин А.А. Алгоритмы динамического программирования для анализа сигналов и изображений. Специальность 05.13.18 – Математическое моделирование, численные методы и комплексы программ, физико-математические науки. Тульский государственный университет, 2001.
  5. Лисицын С.В. Множественное выравнивание (мультиэлайнмент) для моделирования сигналов с темпоральными искажениями. Специальность 05.13.18 – Математическое моделирование, численные методы и комплексы программ, технические науки. Тульский государственный университет, 2001.
  6. Середин О.С. Методы и алгоритмы беспризнакового распознавания образов. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2001.
  7. Красоткина О.В. Алгоритмы оценивания моделей нестационарных сигналов при наличии ограничений. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2003.
  8. Сулимова В.В. Потенциальные функции для анализа сигналов и символьных последовательностей разной длины. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2008.
  9. Разин Н.В. Выпуклые критерии и параллелизуемые алгоритмы селективного комбинирования разнородных представлений объектов в задачах восстановления зависимостей по эмпирическим данным. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2013.
  10. Черноусова Е.О. Беспереборные методы кросс-валидации для оценивания обобщающей способности регрессионных моделей. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2013.
  11. Татарчук А.И. Байесовские методы опорных векторов для обучения распознаванию образов с управляемой селективностью отбора признаков. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2014.
  12. Абрамов В.И. Метод опорных объектов для обучения распознаванию образов в произвольных метрических пространствах. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2014.


Некоторые публикации

Всего более 200 публикаций в Российских и зарубежных изданиях.

Монография

Моттль В.В., Мучник И.Б. Скрытые марковские модели в структурном анализе сигналов. М.: Наука, 1999, 352 с.


Монография посвящена комплексному изложению задач, теоретических методов и алгоритмов применения ЭВМ для анализа экспериментальных данных упорядоченных вдоль оси некоторого аргумента, главным образом, сигналов. Задачи распознавания образов и обнаружения изменений свойств случайных процессов. Изложение базируется на концепции скрытых марковских моделей, позволяющих строить алгоритмы структурного анализа сигналов как корректные и реализуемые вычислительные процедуры принятия статистических решений. Книга предназначена для инженеров, разрабатывающих алгоритмы анализа сложных сигналов различной природы, прикладных математиков, разрабатывающих вопросы анализа случайных процессов и распознавания образов, а также для аспирантов и студентов кибернетических специальностей высших учебных заведений.


Главы:

  • Глава 1. Введение
  • Глава 2. Основные модели и задачи структурного анализа сигналов
  • Глава 3. Условно марковский случайных процесс
  • Глава 4. Оценивание структурных параметров модели условно марковского случайного процесса с многократно изменяющимися вероятностными свойствами
  • Глава 5. Обобщенный случайный процесс с локальными возмущениями: оптимальные решающие правила и алгоритмы распознавания потока событий
  • Глава 6. Обучение и самообучение распознаванию потока событий: параметрический подход
  • Глава 7. Обучение распознаванию потока событий: прямое восстановление апостериорного потока
  • Глава 8. Решающие правила и алгоритмы распознавания последовательности событий для детерминированный модели источника данных
  • Глава 9. Обучение распознаванию последовательности событий для детерминированной модели источника данных
  • Глава 10. Векторные случайный события и случайные поля со скачкообразно изменяющимися вероятностными свойствами
  • Глава 11. Примеры решения прикладных задач структурного анализа сигналов и полей данных


Оглавление, PDF [342 Кб]

Ссылки


Написать письмо В.В. Моттлю.

Личные инструменты