Прислать материал
Система распознавания образов с использованием искусственных нейронных сетей
В большинстве существующих систем обнаружения и распознавания, действия, в основном, производятся оператором. Поэтому в работе ставится задача автоматизации этих процедур. В работе выбрана система распознавания образов и принятия окончательного решения на наземном пункте управления Основным назначением системы обнаружения является поиск объекта, а основным назначением системы распознавания образов является отыскание решения о принадлежности некоторому классу. Один из важных подходов к задаче предполагает правильную обработку входной информации. В условиях, когда мы обладаем лишь немногочисленными априорными сведениями о распознаваемых образах, при построении распознающей системы лучше всего использовать нейросетевые процедуры
Основная задача РО состоит в обучении и распознавании искусственной нейронной сети. Процесс обучения состоит из создания и изменения таблиц весов соответствующих образам.
Для упрощения распознавания образы как и подстилающая поверхность должны представлять собой черно-белые изображения. Для этого система РО преобразует массивы данных по следующему алгоритму: массив данных представляет собой массив оттенков серого (изображение с радиолокатора с ситензированной аппертурой) и (или) цветное RGB (в случае с фотокамерой). По выбранному заранее порогу (уровня оттенка серого, и (или) уровня цвета) в случае если значение массива выше порога - это черный цвет, если ниже порога - это белый цвет.
На вход искусственной нейронной сети подается изображение, для которого входные данные представляют собой двумерный массив (черно-белое изображение) состоящее из чисел «0» (белый цвет) и «1» (черный цвет).
1) Рассмотрена система распознавания образов летательных аппаратов на фоне подстилающей поверхности с обработкой и принятием решения на наземном пункте управления;
2) Предложены и формализованы признаки распознаваемого образа, применение которых снижает вероятность перепутывания сложных образов летательных аппаратов;
3) Предусмотрено разбиение распознаваемого изображения на области уплотнения пикселей, что позволяет сократить время распознавания по сравнению с обычным перебором всей подстилающей поверхности;
4) Для улучшения качества работы алгоритма разбиения на области в математическую модель была введена процедура фильтрации шумов;
5) Для распознавания образов с разным масштабом и ракурсом предусмотрен специальный блок обработки представляемых образов;
6) Применение технологии искусственных нейронных сетей позволяет распознавать образы летательных аппаратов на фоне подстилающей поверхности. Разработанная математическая модель однослойного Персептрона с возможностью обучения с учителем, на которой был произведен эксперимент по распознаванию образов пяти летательных аппаратов на подстилающих поверхностях размером 512х512 пикселей с разным уровнем зашумления, показала свою пригодность к решаемой задаче;
7) При оценке качества распознавания математической модели одного образа летательного аппарата при распознавании самого себя и отличия себя от других образов летательных аппаратов при разном уровне зашумленности подстилающей поверхности, были получены удовлетворительные, а в некоторых случаях и хорошие показатели качества распознавания;
8) Реализация системы требует также точного выбора порога в пороговом устройстве. Поскольку система будет отбрасывать все маловероятные для нее цели. В такой ситуации существует, что система отбросит и истинную цель, что является пропуском цели, но в тоже время вероятность ложной тревоги падает поскольку отбрасываются маловероятные цели.
2) Кивокурцев А.Л.; Повышение эксплуатационной надежности интегрированного комплекса бортового оборудования на основе реконфигурации структуры его вычислительной системы; диссертация на соискание ученой степени кандидата технических наук; М. 2014г.; 195с;
3) Круглов В.В., Борисов В.В.; Искусственные нейронные сети, теория и практика; Горячая Линия – Телеком; М. 2002; 382с.