ТОМСК, 4 дек – РИА Томск. Математики Томского государственного университета (ТГУ) разработали методы, которые в 10 раз улучшают точность оценивания информации и позволяют с высоким качеством восстановить изображение или сигнал в сложных телекоммуникационных системах, сообщила в среду пресс-служба вуза.
"Математики ТГУ завершили проект Российского научного фонда по разработке математических методов анализа сигналов и изображений в сложных телекоммуникационных и навигационных системах, на которые воздействуют случайные помехи. Созданные ими методы до 10 раз улучшают точность оценивания информации и позволяют с высоким качеством восстановить изображение или сигнал", - говорится в сообщении.
Отмечается, что проект сфокусирован на задачах статистической радиофизики – проблеме передачи данных по каналам связи. Исполнитель проекта - ученые международной лаборатории статистики случайных процессов и количественного финансового анализа ТГУ.
"Например, летит самолет, передает сигнал. Во время передачи сигнала на него накладываются различные шумы и, соответственно, на приемнике нужно получить данные, максимально близкие к тому, что было передано. Строятся оптимальные алгоритмы, которые позволяют на входе отсеять шумовые явления и получить сигнал, максимально близкий к реально передаваемому", – привели в пресс-службе слова завлабораторией Евгения Пчелинцева.
© предоставлено пресс-службой ТГУ
Уточняется, что алгоритмы, созданные в ТГУ, учитывают качественно более сложные шумы в моделях, чем существовавшие ранее. Полученные математиками результаты будут использоваться для построения новых радиолокационных систем оперативного анализа и мониторинга окружающей обстановки, систем спутниковой навигации, перспективных систем приема и передачи информации.
Добавляется, что сейчас ученые механико-математического факультета уже получили два патента на свои изобретения, прототип устройства приема информации с использованием их алгоритма создан в Московском энергетическом институте. В следующем году ученые планируют применить свои алгоритмы к анализу big data: это могут быть данные социологических опросов, физические или финансовые данные.