Лингвистические и стилистические особенности текстов научного стиля английского языка

Лингвистические и стилистические особенности текстов научного стиля английского языка

Оглавление

Введение

.        Научный стиль в современном английском языке

.1.     Научный стиль в системе стилей английского языка        

.2 Функции и признаки текстов научного стиля

.3 Разновидности текстов научного стиля

. Лингвостилистические особенности текстов научного стиля

.1 Лексические особенности текстов научного стиля

.2 Грамматические особенности текстов научного стиля

.3 Стилистические особенности текстов научного стиля

Заключение

Список литературы

Приложение

Введение

В наши дни наука динамично развивается, происходит интенсивный обмен информацией. Сейчас, когда английский язык стал основным средством международного научного общения, всё больше ученых и специалистов не только осознают необходимость читать научную литературу на английском языке, но и чувствуют потребность самим изложить по-английски свои идеи и результаты− на международной конференции, на страницах международного научного журнала, в заявке на грант или совместный проект [Рябцева 1999:7].

Как отмечает С.Н. Гореликова, сейчас «как правило, исследуются не языки вообще, а входящие в их состав функциональные стили, которые выполняют разные конкретные функции общения между людьми (разговорный, общественно-политический, официально-деловой, художественный, научный и технический)». Функциональный стиль научной и технической литературы представляет особый интерес для лингвистов, так как он распространяется на все подъязыки науки и техники, как естественно-технические, так и гуманитарные, объединяемые формально-логическим способом изложения научной и технической мысли. Научное описание современных языков не мыслится без учета этого стиля и его роли в жизни общества [Гореликова 2002: 129]. В связи с этим тема данной курсовой работы, посвященной изучению лингвистических и стилистических особенностей текстов научного стиля английского языка, является важной и актуальной.

Исходя из актуальности, была определена и цель работы, которая заключается в изучении лингвистических и стилистических особенностей текстов научного стиля.

В соответствии с целью работы были сформулированы следующие задачи, решение которых направленно на всестороннее раскрытие темы и достижение поставленной цели:

. Проанализировать черты научного стиля, которые отличают его от других стилей английского языка.

. Изучить функции и признаки текстов научного стиля.

. Изучить разновидности текстов научного стиля.

. Рассмотреть лексические, грамматические и стилистические особенности научных текстов.

Объектом исследования данной работы является научный текст.

Предметом данного исследования выступают лингвистические и стилистические особенности текстов научного стиля.

В качестве материала исследования были использованы работы лингвистов и переводоведов, таких, как И.В.Арнольд, И.Р.Гальперин, М.М. Глушко, Д.С. Лотте, Gerald J. Alred, а также статьи из научных и технических печатных изданий. В качестве материала для практической работы был выбран фрагмент статьи «Fast and Robust Track Initiation Using Multiple Trees» авторов Jeremy Kubica, Andrew Moore, Andrew Connolly, and Robert Jedicke. Статья ориентирована на специалистов в области радиолокации.

Работа состоит из введения, двух глав, заключения, списка литературы и приложения.

Во введении обосновывается актуальность темы исследования, её теоретическая и практическая значимость, определяются объект, предмет, цель, задачи и методы исследования.

В первой главе курсовой работы рассмотрены стилеобразующие факторы, обусловленные спецификой научного стиля. Описаны функции и признаки текстов научного стиля, перечислены разновидности и жанры научных текстов.

Вторая глава посвящена рассмотрению основных особенностей научного текста, в том числе стилистических, лексических и грамматических. Исследуется терминология в научном стиле.

В заключении подводятся итоги проведенного исследования и формулируются краткие выводы.

.Научный стиль в современном английском языке

.1 Научный стиль в системе стилей английского языка

Стилистический энциклопедический словарь под ред. М.Н. Кожиной определяет «стиль» как «общественно осознанную, исторически сложившуюся, объединенную определенным функциональным назначением и закрепленную традицией за той или иной из наиболее общих сфер социальной жизни систему языковых единиц всех уровней и способов их отбора, сочетания и употребления [Кожина 2006:508].

Функциональные стили− научный, разговорный, деловой, поэтический, ораторский и публицистический− являются подсистемами языка, каждая из которых обладает своими специфическими особенностями в лексике и фразеологии, в синтаксических конструкциях, а иногда и в фонетике. Возникновение и существование функциональных стилей обусловлено спецификой условий общения в разных сферах человеческой деятельности [Арнольд 2002:264].

Функциональный стиль является открытой системой со своим ядром и периферией. Ядро функционального стиля составляют наиболее типичные воспроизводимые способы и средства выражения типичных функций, на периферии находятся нетипичные и пограничные стилистические средства [Хомутова 2008:100].

Многообразные формы функционирования литературного английского языка постепенно привели к его дифференциации. Эта дифференциация заключается в расслоении письменной и устной разновидностей языка на отдельные стили речи.

Стили речи различаются в зависимости от цели коммуникации и сферы употребления. Их различие в основном определяется характером отбора средств выражения, образующих определенную систему, которая является осознанной коллективом, говорящим на данном языке. Стили речи поэтому нельзя понять без анализа системы стилистических и других средств языка, образующих данный стиль [Гальперин 1958: 27].

Стиль научной прозы оформляется как разновидность литературного языка в связи с теми конкретными задачами, которые наука вообще ставит перед собой. Это - доказательство, в широком смысле этого слова, систематизация объективных знаний о действительности, описание результатов исследований [Гальперин 1958: 423].

Стиль английской научной прозы во многом обязан своим происхождением стилю эссе. Постепенно освобождаясь от априорности, характерной для манеры изложения эссе, стиль английской научной прозы все больше «логизировался», т.е. высказывания принимали такую форму, которая обеспечивала достаточное количество иллюстраций, фактов и обобщений для соответствующих научных выводов.

Отличительными особенностями стиля научной прозы являются синтаксическая организация предложений и выбор лексики. Вообще, наиболее характерным для стиля научной прозы является использование слов в основных предметно-логических значениях. В этом стиле слова редко употребляются в переносных и других контекстуальных значениях [Гальперин 1958: 424].

Стилеобразующими факторами являются необходимость доходчивости и логической последовательности изложения сложного материала, большая традиционность. Отсутствие непосредственного контакта или ограниченность контакта с получателем речи (доклад, лекция) исключает или сильно ограничивает использование внеязыковых средств; отсутствие обратной связи требует большей полноты. Синтаксическая структура должна быть стройной, полной и по возможности стереотипной [Арнольд 2002: 277].

Характер научного изложения может варьироваться в зависимости от той специальной области, к которой оно относится. Это объясняется различиями между самими науками по их предмету, кругу понятий, техническим приемам исследования и аргументации. Так, математический текст часто состоит из ряда формул с самыми сжатыми, вводящими или комментирующими их фразами. Наоборот, текст по истории - это обычно развернутое описание событий или подробно аргументированный анализ исторического процесса. Однако есть некоторые общие черты, объединяющие все эти разнообразные способы изложения в единый научно-профессиональный стиль [Кузнец 1960: 127]. Данные черты рассмотрены ниже.

.2 Функции и признаки текстов научного стиля

Основной целью научного стиля является сообщение объективной информации, доказательство истинности научного знания. Принято считать, что единственной функцией научного стиля является функция интеллектуально-коммуникативная. Научный стиль, таким образом, характерен для текстов, предназначенных для сообщения точных сведений из какой-либо специальной области и для закрепления процесса познания [Арнольд 2002: 276].

Научному стилю свойственны такие характеристики, как логическое, последовательное и связанное изложение материала с указанием причинно-следственных связей, абстрактность, номинальность, точность, объективное отношение автора к фактам, информационная насыщенность материала, изложенного с помощью усложненных синтаксических конструкций, однако в сжатой форме. Эти характеристики достигаются с помощью разнообразных приемов английского языка, в частности через лексические, морфологические и синтаксические особенности. Рассмотрим все эти черты научного стиля по отдельности. Все примеры здесь и далее приводятся из статьи «Fast and robust track initiation using multiple trees» (см. Приложение).

Логичность.

Чтобы добиться логического изложения материала, в научном стиле используются такие синтаксические приемы, как простые предложения с осложняющими конструкциями, вводными словами и словосочетаниями (however, further,on the one hand, according to) и распространенными определениями:

Further, these surveys have the potential to allow us to detect and track fainter objects.− Кроме того, эти инструменты потенциально позволяют обнаруживать и сопровождать менее яркие объекты.

However, these improvements greatly increase the combinatorics of the problem reinforcing the need for tractable algorithms.− Однако подобные усовершенствования значительно увеличивают число возможных вариантов и ставят задачу поиска несложных алгоритмов.

Последовательность.

Любой научный текст должен иметь хорошую структуру с признаками перехода от одной части к другой, соблюдать принцип последовательного изложения аргументов. Каждое предложение должно быть логически соединено с предшествующим и последующим [Поспелова 2012: 8].

Связанность.

Связанность представляет собой лексические и грамматические связи как внутри целого текста, так и в отдельном предложении. В английском языке существует несколько видов связок между частями научного текста:

• ссылка, то есть использование местоимений it, he, him, this, that, here, there, которые заменяют или указывают на другие слова или части текста:

This is an important problem in such fields as target tracking and computer vision.− Эта проблема важна в таких областях, как сопровождение целей и обработка изображений.

Here we wish to determine which observed objects correspond to the same true underlying object from a series of visual observations of the night sky.− При этом необходимо определить, какие объекты наблюдения соответствуют одному и тому же выверенному основному объекту из серии наблюдений ночного неба.

• эллипсис - опущение слова или фразы, понятных из контекста:

The points are shown in Figure 8.A and their corresponding lines
in parameter space in Figure 8.B.− Точки показаны на рисунке 8.A, а соответствующие им линии в параметрическом пространстве− на рисунке 8.B.

•замещение слова или целой фразы другим, аналогичным по смыслу с помощью следующих слов: one, ones, do, so, not и т. д.:

Below we briefly discuss some of the more common ones.− Ниже мы коротко охарактеризуем некоторые наиболее общие подходы.

• соединение с помощью союзов, которые служат не только для связи придаточного предложения с главным, но и указывают на тип связи (причинно-следственная, определительная, условная и т.д.):

When a tentative track matches multiple observations at
a given time step, multiple hypothesizes (tentative tracks) are formed and the decision is delayed to a later time step.− Когда пробная трасса соответствует многомерным наблюдениям в заданный момент времени, формируются многомерные гипотезы (пробные трассы), и решение откладывается на более поздний период времени.

The fundamental task in tracking is to determine which observations at different time steps correspond to the same underlying object.− Первостепенной задачей сопровождения целей является определение того, какие из наблюдений, взятых в различные моменты времени, соответствуют одному и тому же основному объекту.

• лексическая связанность, заключающаяся в том, что одну и ту же идею или предмет можно выразить разными словами (сюда относятся синонимы, близкие по значению слова, обобщения и конкретизация:

track initiation / linkage−завязка трасс.

Абстрактность.

Данная характеристика особо четко проявляется на лексическом уровне - научный стиль письменной речи отличается частотой использования абстрактных существительных (flexibility, transform, combinatorics, etc) [Поспелова 2012: 10].

Это объясняется тем, что при рассмотрении проблемы ученый сначала изучает общие понятия и только затем переходит к конкретизации. Эта черта отражает высокий уровень обобщённости, а следовательно− объективности [Алексеева 2001: 168].

Точность.

Точность как характеристика научного стиля заключается в широком употреблении специальной лексики и терминологии, особенно той, которая сходна во многих языках и является международной (problem, system, algorithm, function). При ссылке на статистику часто используются точные цифры и факты (the 95% confidence interval− доверительный интервал с вероятностью 0,95) [Поспелова 2012: 10].

Для современного научного стиля не характерны субъективные оценочные суждения, которые могут лишь использоваться для выражения сугубо личной точки зрения автора (in ту opinion, to ту mind, etc). Наоборот, этому стилю присуща безличная манера изложения материала, потому что основное внимание в работе уделяется не личности автора и его мнению, а информации и аргументам, которые автор представляет читателю. В научной прозе распространены безличные предложения (It is known that ... It can be said that ... There is an opinion that):contrast to the flexibility for noise models, it should be noted that the above criteria does not allow for a concept known as process noise.− Необходимо отметить, что в отличие от адаптивности шумовой модели ошибок измерения, рассмотренные выше критерии не применимы для концепции, известной как шумовой процесс.

Принято избегать употребления личных местоимений 1-го и 2-го лица единственного числа (I, ту, myself, you). Однако при необходимости можно использовать личные местоимения 1-го лица множественного числа (we, our), показывая таким образом авторскую скромность и принадлежность к научному сообществу. В статье Fast and robust track initiation using multiple trees авторы широко употребляют именно личные местоимения 1-го лица множественного числа:

We introduce a new methodology for track initiation that exhaustively considers all possible linkages.− Предлагается новый подход к процедуре завязки трасс, который позволяет производить подробный анализ всех потенциальных трасс.

Below we introduce a new methodology for track initiation.− Ниже представлен новый метод завязки трасс.

Для образования безличных предложений часто используются пассивные конструкции (страдательный залог), где не важен и не указывается производитель действия [Поспелова 2012: 11]:

Formally the linkage problem can be phrased as a filtering problem.− Формально проблему завязки трасс можно назвать проблемой фильтрации.

Формальность.

В научном стиле, в отличие от разговорного или художественного, избегают употребления следующих единиц:

• разговорных, неформальных слов и выражений (the States, stuff, a lot оf, thing, sort of» etc);

• сокращенных форм (isn't, can't, shouldn't, info, ad, etc);

• фразовых глаголов (look into, put up with, get off, etc);

• идиом (I am not going to pay a penny);

• личных местоимений (I, you);

• прямых вопросов к читателю.

Научному стилю присущи следующие черты формальности:

• использование нейтральной или более формальной лексики (discuss вместо talk about, examine вместо have a look at):

In this paper we examine a fundamental problem in many tracking tasks.− В этой статье рассматривается одна из основных проблем сопровождения целей.

This is briefly discussed in Section 8.−Это кратко обсуждается в разделе 8.

• использование более формальной грамматики, например безличных there/it в качестве подлежащего:

A tuple of observations (xI1 , ··· , xIK) is valid only if there exists a track g such that…− Серия наблюдений (xI1 , ··· , xIK) справедлива только, если существует трасса g, для которой выполняется условие…

• использование страдательного залога в качестве безличных конструкций [Поспелова 2012: 12]:

It is possible for a single track to exist that passes within given thresholds of each observation.− Возможно существование единичной трассы, проходящей в пределах заданных пороговых величин для каждого наблюдения.

Номинальность.

Это означает, что в современной письменной речи научного стиля развилась тенденция к явному преобладанию существительных и выражению действия преимущественно не через глагол, а через отглагольное существительное с десемантизированным глаголом. Это повышает статус объективности изложения, поскольку увеличивает уровень абстрактности [Алексеева 2001: 168]:

First, maintaining and querying the parameter space representation can be expensive in terms of both computation and memory.− Во-первых, хранение и использование параметрического представления может потребовать больших вычислительных затрат и перегрузить память ЭВМ.

Информационная насыщенность.

С функциональной точки зрения письменная речь является необычайно информационной по цели высказывания, потому что обычно создается в контролируемых ситуациях, когда есть время на обдумывание и возможно что-то переписать по-другому. Любой научный текст отличается богатым арсеналом вспомогательных знаковых систем (включая схемы и чертежи в техническом тексте) [Алексеева 2001: 168].

Сжатость.

При всей информационной насыщенности для текста, написанного в научном стиле, характерна сжатость изложения материала, так называемая компрессия. Она может быть достигнута за счет определенных синтаксических конструкций:

словосочетаний имен существительных, например:

• parameter space− параметрическое пространство;

• track initiation− завязка трасс;

словосочетаний имен существительных с атрибутивными прилагательными, например:

• an exact algorithm− точный алгоритм;

• a simple form− простая форма;

замены придаточных предложений причастными или инфинитивными конструкциями, например:

• a high branching factor causing a significant computational load− высокий коэффициент ветвления, вызывающий значительную вычислительную нагрузку.

• intersections to spread out over several bins and be missed− пересечения, распространяющиеся на несколько клеток и вызывающие ошибки.

фраз с предлогами, например:linear track model cannot account for changes in velocity− линейная модель трассы не может учитывать изменение скорости [Поспелова 2012: 13].

1.3 Разновидности текстов научного стиля

Основными источниками научной информации являются многочисленные периодические издания, публикуемые в англоязычных странах почти по всем отраслям науки и научным направлениям, а также издания, обобщающие опыт работы специалистов различных научных обществ. К такой периодике относятся прежде всего научные журналы, доклады научно-исследовательских учреждений, обзорные статьи, бюллетени и т. д. [Айзенкоп 2003:55].

Существует несколько разновидностей научного стиля.
1. Собственно научный (монография, диссертация, научная статья, доклад).

. Научно-популярный (лекция, статья, очерк). Данный подстиль научного стиля реализует дополнительную функцию - «перевод» специальной научной информации на язык неспециального знания, тем самым происходит популяризация научных знаний для широкой аудитории [Кожина 2006:236].

. Учебно-научный (учебник, методическое пособие, лекция, конспект).

. Научно-деловой (техническая документация, сообщения об испытаниях, инструкции для предприятия).

. Научно-информативный (патентное описание, реферат, аннотация, тезисы).

. Научно-справочный (словарь, энциклопедия, справочник, каталог).

Научный стиль реализуется в крупных и малых жанрах. К первым относятся: монография (индивидуальная и коллективная), диссертация, энциклопедия, словарь, справочник, учебник, учебное пособие. Ко вторым - статья в периодическом или непериодическом издании, реферат, тезисы, аннотация и др. Малые жанры выделяются не только по количественному признаку. Обычно они не обладают отдельностью: статьи, рефераты, тезисы помещаются в журналах и сборниках. В крупных жанрах, например, в учебнике, соседние части подчинены целому, даже при разном авторстве, т.е. связаны как логико-смысловой, так и внешней линейной связью.

Известны различные классификации жанров научного стиля. В зависимости от степени обобщения научных сведений выделяются первичные научные произведения и вторичные. Целевое назначение первичных жанров научного стиля состоит в изложении первичных научных сведений, получаемых в процессе исследований. В отличие от них, вторичные научные произведения информируют только о конечных результатах исследований, полученных в процессе аналитико-синтетической переработки первичных научных текстов.

Можно выделить следующие первичные жанры научной прозы: монография, справочник, журнальная статья, рецензия, учебник, лекция, доклад, диссертация, научный отчёт. К вторичным текстам, то есть к текстам, составленным на основе уже имеющихся, относятся: реферат, автореферат, конспект, тезисы, аннотация. При подготовке вторичных текстов происходит свёртывание информации в целях сокращения объёма текста [Кожина 2006: 57-58].

Следует дать характеристику некоторым из названных жанров научного стиля.

Монография <#"808551.files/image001.gif">

Figure 1: The linkage problem is to find one point at each time step such that the points fit the model for a candidate track. Points from each of the five different time steps are shown as different shapes (square → circle → triangle → diamond → plus). Two linear linkages are shown (B) and a third is left as an exercise for the reader.

is an important problem in such fields as target tracking and computer vision, but our primary motivating example in this paper is the asteroid linkage problem. Here we wish to determine which observed objects correspond to the same true underlying object from a series of visual observations of the night sky. These linkages can then be used to determine tentative orbits, attribute the observations to a known orbit, and assess the potential risk of an asteroid. The use of new observation techniques and equipment has increased the scope and accuracy of this problem, providing the potential to track hundreds of thousands of asteroids. The next generation of sky surveys, such as PanSTARRS or LSST, are designed to provide vast amounts of observational data that can be used to search for potentially hazardous asteroids. Further, these surveys have the potential to allow us to detect and track fainter objects. However, these improvements greatly increase the combinatorics of the problem reinforcing the need for tractable algorithms.we introduce a new methodology for track initiation. Instead of treating track initiation as a sequential decision problem, we exhaustively consider all possible linkages. Thus we provide an exact algorithm for linkages. We then introduce a multiple tree algorithm for tractably finding the linkages. We compare this approach to an adapted version of multiple hypothesis tracking using spatial data structures and show how the use of multiple trees can provide a significant benefit.Definitiontrack initiation problem consists of taking sets of observations from different time steps and linking together those observations that fit a desired model without initial estimates of the track parameters. Figure 2 shows a simple one dimensional example with five time steps and a linear model. The sets of linked observations are shown as open circles with their linear models as dashed lines.

Figure 2: A set of one dimensional observations linked together by linear tracks. The white circles are the observations that correspond to the linear tracks (dashed lines).

the linkage problem can be phrased as a filtering problem. At each time step k we observe Nk points from both the underlying set of tracks and noise. Given a set of observations at K distinct time steps, we want to return all tuples of observations such that:
1. the tuple contains exactly one observation per time step, and
2. it is possible for a single track to exist that passes within given thresholds of each observation.we wish to filter the ∏Kk=1 Nk possible tuples down to just those tuples that could be feasible tracks.observations consist of real-valued coordinates in D dimensional space, with xi indicating the ith observation. These coordinates are the dependent variables of the track. We use ti to indicate the independent variable of the ith observation. Although in many of the applications below ti will correspond to the time of the observation, it can be used to represent any independent variable.second condition specifies a constraint on the observations’ fit to the underlying model. A tuple of observations (xI1 , ··· , xIK) is valid only if there exists a track g such that:

δL[d] ≤ xIi[d] − g(tIi)[d] ≤ δH[d] ∀d, i (1)

Equation 1 states that a track g is feasible for a tuple of observations if it falls within some bounds [g(tIi)[d]+ δL[d], g(tIi)[d]+ δH[d]] of each observation xIi in each dimension d. The thresholds δL and δH provide upper lower bounds on the fit. Figure 3 shows an example of a feasible triplet using linear tracks and one feasible track for these points. The track is allowed to pass anywhere within the error bars around each point.

Figure 3: Three points that are compatible for linear tracks.

above definition of feasibility is compatible with a range of statistical noise models. For example, we can define an arbitrary observation noise model for the points on a track and set the thresholds in each dimension to be the 95% confidence interval for the noise in this dimension. Figure 4 shows an example of this. Further, we can vary δL and δH to account for systematic or time varying errors.

Figure 4: An arbitrary probability distribution and the resulting bounds. The circle denotes the observed location and the upper and lower bars indicate the acceptable locations for the track.

contrast to the flexibility for noise models, it should be noted that the above criteria does not allow for a concept known as process noise. This means that we assume the track always follows the model. For example, a linear track model cannot account for changes in velocity. This is briefly discussed in Section 8.discussion below focuses on two major types of tracks: linear and quadratic. The quadratic track is simply a quadric function of time:

(t) = a · t2 + b · t+ c (2)

can be used to describe physical motions of objects undergoing constant acceleration. The linear track is a linear function of time:

(t) = b · t + c (3)

can be used to describe the physical motion of objects traveling at a constant velocity. In addition, the linear model can be used for such queries as finding lines or edges described by the observations. While much of our discussion and techniques presented below will also apply to other track models, we restrict the discussion to the linear and quadratic models to keep the discussion simple and consistent.Workare a variety of different approaches to the problem of track initiation. Below we briefly discuss some of the more common ones. These approaches differ from our own in several important ways. First, we are asking a different type of query. Specifically, we are asking for all sets of observations that could feasibly belong to a path. Second, we provide an exact algorithm for answering this query.Track Initiationcommon approach to track initiation is sequential track initiation [Blackman and Popoli, 1999]. The unassociated points are treated as new tracks and projected to the later time steps where they are associated with other points to form longer tracks. There are many variations to this type of approach. One common and often successful variation is a very simple form of multiple hypothesis tracking. When a tentative track matches multiple observations at a given time step, multiple hypothesizes (tentative tracks) are formed and the decision is delayed to a later time step. This process is illustrated in Figure 5. The single point matches three other points at the second time step. These points are used to create three hypothesized tracks. This process continues to the third and fourth time step with “bad” hypotheses being pruned away.order to reduce the number of candidate neighbors examined gating is used. As shown in Figure 6, neighbors are first filtered by whether they fall within a window or gate around the track’s predicted position. This approach has also been used in conjunction with kd-tree structures to quickly retrieve the candidate observations near the predicted position of a track [Uhlmann, 1992, Uhlmann, 2001 ].are several potential disadvantages of this type of approach that arise from the sequential nature of the search itself. It does not use evidence from later time steps to aid early decisions. Early “good pairs” may be easily pruned using a lack of further points along the track. Further, this approach has the potential of being thrown off by noise early in the track. Multiple hypothesis tracking attempts to mitigate this problem by allowing multiple tentative tracks, but introduces another problem, the possibility of a high branching factor causing a significant computational load.

Figure 6: Gating can be used to ignore points that could not be part of the current track. The predicted position of the track is shown as an X and the points that fall within the gate are shaded.

should be noted that sequential track initiation has the advantage that it can be applied to multiple tracks simultaneously. This gives this approach the ability to discount observations that are “obviously” members of other tracks.

Figure 7: Early noise in a track can significantly throw-off predicted positions. The true points are shown as open circles and the observed points are shown as shaded circles.

Space Methodsapproach to the problem of track initiation is to search for tracks in parameter space. One popular algorithm is the Hough transform [Hough, 1959]. The idea behind these approaches is that for many simple models, individual observations correspond to simple regions or curves in parameter space. An example with a linear model is shown in Figure 8. The points are shown in Figure 8.A and their corresponding lines in parameter space in Figure 8.B. If a series of observations lie along a line, then their lines in parameter space will intersect at a common point. The Hough transform looks for lines by using grid-based counts of the number of lines that go through a particular region of parameter space (Figure 8.C and 8.D).are several major downsides to the parameter space approach. First, maintaining and querying the parameter space representation can be expensive in terms of both computation and memory. There are many possible intersections to check and storing occurrences in a grid structure may require significant amounts of space. Secondly, the level of discretization of parameter space can drastically affect the accuracy of the algorithm.

 Figure 8.

the grid is too tight then a small amount of noise can cause intersections to spread out over several bins and be missed. If the grid is too loose then coincidental occurrences can accumulate and cause false alarms. Although the false alarms can be filtered out in post-processing, this step further increases the computational cost.