автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Модели и метод распознавания геоинформационных ситуаций в системах мониторинга территорий

На правах рукописи

Краснова Анастасия Ивановна

I

МОДЕЛИ И МЕТОД РАСПОЗНАВАНИЯ ГЕОИНФОРМАЦИОННЫХ СИТУАЦИЙ В СИСТЕМАХ МОНИТОРИНГА ТЕРРИТОРИЙ

Специальность: 05.13.01 - Системный анализ, управление и обработка

информации (технические системы).

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург - 2005

Работа выполнена в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ».

Научный руководитель -Заслуженный деятель науки РФ

доктор технических наук, профессор Яшин Александр Иванович

Официальные оппоненты:

доктор технических наук, профессор Биденко Сергей Иванович кандидат технических наук Камышев Валерий Владимирович

Ведущая организация - Санкт-Петербургский институт информатики и автоматизации Российской академии наук (СПИИРАН)

Защита диссертации состоится с^и^л^/^ 2005 г. в ^часов на заседании диссертационного совета Д 212.238.07 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина) по адресу: 197376, г. Санкт-Петербург, ул. Проф. Попова, 5.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан « 2005 г.

Ученый секретарь диссертационного совета

Яшин А.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Современные автоматизированные системы мониторинга территорий представляют собой сложные технические комплексы, имеющие структурную (общая зона ответственности для нескольких технических комплексов средств наблюдения за обстановкой) и информационную (получение информации об объекте по совокупности независимых каналов различной физической природы) избыточность. Характерной особенностью такого вектора первичной информации является его непостоянство как по компонентному составу (количеству каналов поступления информации), так и качеству исходной для принятия решений информации (неполнота, нечеткость, а иногда и ее противоречивость) в процессе решения отдельных либо групповых практических задач.

Эффективность таких систем во многом определяется не только уровнем автоматизации управления избыточностью, но и, самое главное, качеством обработки информации, определяющим решение задачи оперативного обнаружения и классификации подвижных и неподвижных объектов по неполной, нечеткой и противоречивой информации, получаемой одновременно или в различное время от сосредоточенных или пространственно разнесенных источников различной физической природы (радиолокационные, оптические, тепловизионные, акустические, сейсмические и др.) в перекрываемых зонах их ответственности.

Вторичная обработка информации различного качества от разнородных источников для решения задач автоматического обнаружения и классификации одиночных и групповых географических объектов в интегрированных системах мониторинга территорий является актуальной научно-технической проблемой. Основная сложность ее решения обусловлена отсутствием приемлемых для практического использования научно обоснованных подходов и методов комплексирования информации от разнородных источников с целью компенсации недостатка информации, получаемой от каждого источника в отдельности при решении задач классификации подвижных или временно неподвижных объектов.

Научная аетуальность диссертационной работы обусловлена необходимостью развития теоретических основ решения прикладной проблемы: распознавания одиночных, групповых объектов и ситуаций обстановки по информации от разнородных источников, учитывающих все перечисленные выше влияющие факторы для информационного обеспечения автоматизированных систем классификации и представления на электронных картах локальных ситуаций географической обстановки.

В связи с вышеизложенным разработка моделей и метода распознавания геоинформационных ситуаций в системах мониторинга территорий представляется актуальной.

Цель работы и задачи исследования. Целью диссертационной работы является улучшение научно-методического аппарата обработки картографической (вторичной) информации об объектах мониторинга для повышения эффективности распознавания геоинформационных ситуаций. В ———~ пенной

целью в диссертационной работе решаются следую]

1. Системный анализ проблемы распознавания геоинформационных ситуаций в системах охранного и природного мониторинга по нечеткой и неполной информации.

2. Разработка моделей геоинформационных ситуаций, ориентированных на автоматические методы их распознавания.

3. Разработка метода и алгоритмов распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации по их вторичным информационным признакам.

4. Разработка системы имитационного моделирования нечеткого распознавателя геоинформационных ситуаций.

Объектом диссертационного исследования являются системы охранного и природного мониторинга.

Предметом диссертационного исследования являются модели и методы распознавания геоинформационных ситуаций в системах охранного и природного мониторинга.

Методы исследования. Для решения поставленных задач используются методы системного анализа, основные положения теорий распознавания образов, систем ситуационного управления, систем искусственного интеллекта, принятия решений в нечетких задачах выбора, нечеткая логика, имитационное моделирование.

Основные научные результаты, выносимые на защиту:

1. Обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков.

2. Метод и алгоритмы вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации.

3. Система имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций.

Научная новизна работы заключается в том, чю в ней разработана обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков с учетом контекста внешних условий и на ее основе предложен, реализован и исследован метод их вторичного распознавания по нечеткой и неполной исходной информации.

1. Обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков отличается способом образования пространства этих признаков, сформированного в виде комбинации векторов, описывающих структурные свойства, их нечетких параметров и правил многоуровневого обобщения, что позволяет описывать геоинформационные ситуации произвольной сложности с учетом контекста внешних условий.

2. Метод и алгоритмы вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации на основе нечеткой искусственной нейронной сети отличаются адаптацией функций принадлежности нечетких информационных признаков и их числа в соответствии с изменениями контекста внешних условий, что позволяет повысить качество распознавания.

3. Система имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций отличается аналитико-имитационным способом врспроизврдетгя" влияния контекста внешних условий на качество

! ■> ' » Л

\

А .

исходной для принятия решения информации и возможностью управления инвариантностью свойств распознающей схемы, что позволяет исследовать эффективности различных адаптивных алгоритмов распознавания территориальных объектов и способов их комплексирования в условиях, близких к реальным.

Практическая значимость. Разработанные в диссертации основные научные положения, рекомендации и алгоритмы являются научной базой для конструкторского проектирования систем мониторинга территорий, реализующих технологию нейросетевого распознавания геоинформационных ситуаций по их вторичным информационным признакам.

Апробация работы. Результаты диссертации докладывались на международных, республиканских, региональных, отраслевых и вузовских конференциях 2000-2005 г.г., в том числе: на международных конференциях «Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике» (Ульяновск, 2002), «Региональная информатика» (Санкт-Петербург, 2004, 2000), «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Гурзуф, 2002); международном симпозиуме «Интеллектуальные системы» (Москва, 2002); Всероссийских научно-технических конференциях «Нейроинформатика» (Москва, 2004, 2003), «Управление и информационные технологии» (Санкт-Петербург, 2005, 2003); Всеукраинской конференции «Нейросетевые технологии и их применение» (Краматорск, 2002); межрегиональной научной конференции студентов и аспирантов «Молодые исследователи - региону» (Вологда, 2002); межвузовской научно-технической конференции «Военная радиоэлектроника: опыт использования и проблемы подготовки специалистов» (Петродворец, 2003).

Публикации. По теме диссертации опубликовано 15 научных работ, из них - 8 научных статей и тезисы к 7-ми докладам на международных научно-технических конференциях.

Структура и объем работы. Диссертация состоит из введения, 3 глав с выводами, заключения, списка использованной литературы, включающего 111 наименований, и приложения. Основная часть диссертации изложена на 121 странице машинописного текста. Работа содержит 29 рисунков и 3 таблицы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи работы, перечислены методы исследования, приведено краткое содержание каждой главы диссертации.

В первой главе проанализированы основные понятия и общая методология построения систем распознавания. Рассмотрена связь задач распознавания с общими задачами искусственного интеллекта и обработки знаний. Рассмотрена общая концепция построения систем распознавания территориальных объектов (ТО). Предложен общий подход к построению многоуровневых систем распознавания территориальных объектов по их вторичным информациошшм признакам.

Выявлено, что для автоматического (автоматизированного) построения многослойных образов геоинформационных ситуаций на электронных картах (ЭК) с гарантируемыми показателями верности, необходимо при её обработке учитывать контекст внешних условий. Это обусловлено тем, что в аналитические центры систем охранного или природного мониторинга информация об одних и тех же территориальных объектах поступает, как правило, из различных источников или в разное время. Следовательно, ее сбор осуществляется принципиально при различных внешних условиях, таких как температурные, влажностные, ветровые характеристики, освещенность, угол обзора, радио (видео) прозрачность атмосферы и др. 1

Предложено формальное описание процесса получения, передачи и обработки информации в таких системах, которое позволило с учетом выявленных ограничений описать структурные особенности взаимодействия видов информации, которые следует учитывать в процессе вторичного распознавания ТО и их представления на ЭК. Разработанная обобщенная модель процесса обработки информации в системе мониторинга территорий (СМТ) в предположении идеального канала связи представлена рис. 1.

Показано, что влияние контекста на уровне вектора вторичной информации приводит к возникновению искажений типа вставок, замещений и исключений элементов алфавита, используемого в системе мониторинга, что приводит к нечеткости вторичных информационных признаков (ИП) ТО, например таких как, состав, структура, длина, площадь, топология. Это и обусловило выбор аппарата нечетких искусственных нейронных сетей (ИНС) для решения задач распознавания ТО по вторичным информационным признакам с учетом влияния контекста внешних условий.

Научной задачей, решаемой в работе, является разработка метода вторичною распознавания геоинформационных ситуаций (линейных и площадных объектов электронной карты) по нечеткой и неполной исходной информации на основе ИНС, решение которой определило последовательность и содержание сформулированных и решенных в диссертации задач.

Вторая глава посвящена разработке обобщенной модели геоинформационных ситуаций на основе их вторичных информационных признаков и метода вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации на основе нечеткой искусственной нейронной сети. Метод отличается адаптацией функций принадлежности (ФП) нечетких информационных признаков и их числа, используемых в процессе распознавания, в соответствии с изменениями контекста внешних условий. 1

Под геоинформационной ситуацией понимается совокупность первично классифицированных данных, полученных от систем разноспектрального наблюдения за территорией с пересекающимися зонами ответственности и нанесенных на электронную карту. Учитывая, что по своей конфигурации ТО являются линейными и/или площадными объектами электронной карты, плоского (один уровень описания) или иерархического типа (мнохоуровневое их описание) и могут быть представлены в растровом или векторных форматах, их описание выполнено с учетом этих особенностей.

Рис. 1. Обобщенная модель процесса обработки информации в СМТ в предположении идеального канала связи

Эти особенности, а также вид структурной и параметрической нечеткости образа ТО, определили состав информационного признакового пространства и порядок построения обобщенной модели.

В связи с тем, что в системах мониторинга для формирования информационных признаков территориальных объектов применяются алфавиты, образованные на буквенно-цифровой и векторной основе, в работе для построения обобщенной модели ТО использованы оба. Информационный образ (ИО) территориального объекта линейного типа, полученный от источника информации (ИИ) с известными координатами, представляется в буквенно-цифровой нотации:

где т1 - длина поля однородных символов вида , р - число полей в групповом объекте. Поля разделены не более чем тремя символами а0. Кортеж чисел, составленный из длин полей ИО объекта, будем называть структурой территориального объекта, а кортеж из символов его полей - семантикой. Сумма чисел кортежа структуры определяется как длина территориального объекта линейной структуры. Тогда описание ТО будет иметь вид

ТО = <в, к, п, т>,

где В = <5, О -вид ТО; 5 = <Я, Ы> - структура ТО; Л=/<3, О - порядок следования /V,, /V' объектов; 3 - задача, О - расстояние до базовой точки ЭК;

т /я

П = <Ь, V, Н> - параметры движения ТО; С = У, ^У / У", N1 - числовая оценка,

.=0 / ./-О

характеризующая состав ТО; Ь,У,Н- линейный размер, скорость, направление движения ТО; К(Х У) - координаты. Предполагается, что 5, С - основные, а П, К -дополнительные информационные признаки ТО, тогда для любого ИП': у) ± Ау] <=> ФПу.

Для формализованного описания пространственной ситуации площадного типа использовался аппарат фракталов. Их выбор обусловлен иерархической структурой пространственной ситуации площадною типа, а также тем, что многослойные нейронные сети могут служить генераторами фрактальных структур и используются в этом качестве как инструмент моделирования и анализа нелинейных явлений.

Как известно, иерархический площадной объект представляет собой набор вложенных площадных компонент, каждая из которых содержит собственные вложенные компоненты. При описании таких объектов необходимо сохранить взаимное расположение его компонент и оценочные размеры. Сам объект и любая его вложенная компонента могут быть независимо повернуты в пространстве

Минимальное описание в декартовых координатах одиночного ТО может быть выполнено следующим образом. На площадном объекте для каждого уровня иерархии фиксируется ортогональный репер (и1, V,) и выбирается число градаций координат р1, минимально достаточное для разграничения вложенных компонент данного уровня иерархии (в предположении, что репер может быть повернут на произвольный угол). Символы (м,, V,) будем считать целочисленными координатами реперной плоскости с возможными значениями {0,1,..., р1 -1}. При

условии минимальной достаточности каждая вложенная компонента уровня занимает не более одной клетки реперной плоскости.

Для каждого уровня иерархии фиксируется линейный масштаб /я,, который будем задавать линейным размером одной координатой градации. Предполагается, что реперы всех иерархических уровней имеют одинаковую ориентацию в плоскости. Реперные координаты любой точки объекта определяются функциями:

и =<и0Щ..Мк^ >= МоЛА-Л-! +ихРгР,-Рк-1 +- + Щ-2Ры +Щ-Г,

Линейные координаты любой точки объекта можно вычислить, если в приведенных функциях сделать замены переменных р1 (дт,).

В координатном репере объект каждого уровня иерархии описывается двумерной (0,1) функцией ср(и,,у,), которая принимает значение 1, если координатная точка (и1, V,) покрывается вложенной компонентой, и 0 - в противном случае.

Иерархический площадной объект в реперных координатах можно представить в виде фрактального произведения

/(и, у) = ср., (и0, у0)ф1, (к,, у, )...ф(>, (ик_,, \к_х),

где = 1, /' =<и0у0 >, /2 =< и0у0и^ >,..., /*-' =< и^и^...ик_гук_г >.

Данный подход к формализованному описанию ТО и пространственных ситуаций обладает ограниченным применением, так как является чувствительным к изменениям масштаба, угла поворота и топологии ТО. Для ликвидации этого недостатка была разработана обобщенная многоуровневая модель ТО, где на первом уровне используется векторное представление ТО, а на всех последующих - рассмотренное выше. Для этих целей был применен модифицированный «метод гистограммных линий», впервые предложенный Щербаковым А.П., который традиционное представление объекта в виде набора векторов, представляющих собой замкнутый контур, переводит в векторизованное представление ТО с некоторой центральной точкой и системой лучей, направленных к этой точке, которые задают таким описанием возможность связи с типом объекта набора инвариантов: угол, луч, топология. Модификация метода состоит в нечеткости описания ИП таких объектов путем задания правил обхода и возможных интервалов расстройки этих параметров, включая яркость центральной точки. Формальное представление этого ТО показано ниже.

Инварианты описания территориальных объектов будут иметь вид:

Ч>, = -'м)± V"'~'м);

Ь = (*л ± &л> У л ± *2>л) = и п);

0.т = ¿{х0±Ххй\у0±\у0), где Ах, Ду, Ар £у, Хх0, Ху0 - 1раничные значения интервалов нечеткости.

Таким образом, данное векторизованное описание ТО является плоским, а, дополнив его правилами иерархической сборки (агрегирования), получаем

векторизованную структуру иерархически организованного ТО или геоинформационной ситуации.

ТО=<{а,},{ц/,},{/;ЬТп,Р>, где Р =< Рг, Р,,,..., Р,, г > - правило иерархической сборки ТО;

а1 - вектор конгура обхода;

ц>, - угол между а, и лучом на центральную точку 0ТО; - луч с характерных точек к точке Ота;

Т0 - топология системы векторов и лучей.

Таким образом, новизна состоит в том, что модель представления ТО отличается нечеткостью информационных признаков в виде набора векторов и их характеристик, обладающих инвариантностью к масштабу, сдвигу и углу поворота, и набором правил иерархической сборки, что позволяет описывать геоинформационные ситуации произвольной сложности с учетом контекста внешних условий. Разработанная обобщенная модель представления ТО с использованием их вторичных информационных признаков позволила перейти к разработке метода нечеткого распознавания территориальных объектов.

Отличительной особенностью процедуры фаззификации в данной задаче является вероятностная природа порождения нечеткости, обусловленная случайным характером влияния контекста внешних условий. В таком варианте функции принадлежности по существу определяют решающие правила статистической классификации. Поэтому для построения оптимальных функций принадлежности использовался метод, основанный на байесовском правиле.

Для числовых и нечисловых нечетких информационных признаков были найдены функции принадлежности, оптимальные по критерию минимума среднего риска отказа от распознавания. Учишвая сложность практической реализации оптимальных ФП, требующих непрерывного контроля контекста внешних условий, многочисленной информации, имеющей вероятностную природу, и сложных вычислительных процедур в реальном времени, в работе исследуется способ построения адаптивной схемы распознавания с квазиоптимальным правилом выбора функций принадлежности. Квазиоптимальность функций принадлежности предполагает, что при передаче информационных слов по каналам с различными вероятностными характеристиками, вероятность ошибок классификации для решающей схемы будет лежать в пределах заданного допуска. Это требование может быть реализовано, когда функции принадлежности при более высоком уровне помех покрывают функции принадлежности, построенные для более низких уровнях искажений в канале. Иными словами нечеткие множества одноименных термов образуют последовательные вложения при возрастании уровня искажений в канале. При вариациях характеристик канала для каждого класса происходит изменение условных плотностей вероятностей числовых оценок близости элементов носителя к эталону класса (/(Д /0,).) В случае идеального канала эти

плотности стремятся к импульсной б-функции, напротив, при ухудшении характеристик увеличивается дисперсия и изменяется математическое ожидание случайных величин Д,. Изменение математического ожидания порождает зону, в пределах которой значения функции принадлежности следует выбирать равной

единице (в соответствии с условием ц, (х) = 1). Это приводит к необходимости использования (Ъ, Я)-аппроксимации данных функций (см. рис. 2).

1

Д,

I,

Я,

Рис. 2. Функция принадлежности (Ь, Я) типа.

Задача выбора функций принадлежности существенно упрощается, если положить, что длина зоны, где (А,) = 1, пропорциональна разнице математических ожиданий априорных распределений /(Д,/0,) в крайних вариациях канала, а ширина левой и правой граней функции принадлежности пропорциональна дисперсиям этих распределений. В этом случае апостериорно необходимо определить только коэффициенты пропорциональности, которые будут общими для всех термов лингвистической переменной. Число настраиваемых параметров при этом существенно сокращается.

Предложен метод вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации на основе нечеткой искусственной нейронной сети Он основан на получении и использовании следующих оценок и моделей знаний:

- информации от систем наблюдения (оценки прямых измерений параметров обстановки, например, параметры одиночных и групповых объектов в зоне наблюдения;

- формализованном описании классов эталонов ТО в нечеткой постановке (априорные оценки информационных признаков эталонов ситуаций обстановки);

- формализованном описании контекста внешних условий и знаний лиц, осуществляющих распознавание ситуаций обстановки неавтоматизированным способом в виде функций принадлежности соответствующего вида.

Суть метода состоит в вычислении оценок обобщенного критерия внешних условий получения и обработки вектора исходной информации, в применении пороговых процедур адаптации нечетких эталонов ТО к изменению контекста внешних условий посредством подстройки функций принадлежности их информационных признаков и/или изменения числа информационных признаков эталонов используемых распознавателем.

Третья глава посвящена реализации метода вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации,

разработке системы имитационного моделирования (СИМ) нейросетевого распознавателя ТО и оценки его эффективности.

Для реализации указанного метода в работе выполнено описание территориальных объектов с помощью числовых и нечисловых информационных признаков. В качестве лингвистических переменных модели ТО рассмотрены «Структура», «Семантика-1 и 2», «Длина».

Описание лингвистической переменной «Структура территориального объекта», выполняется следующим образом. В качестве меры близости для структур территориальных объектов предлагается использовать энтропийные оценки, которые строятся следующим образом. Пусть х - некоторое фиксированное истинное слово и у- соответствующее ему выходное слово канала. Искажения слова х при передаче по каналу можно характеризовать матрицей взаимного перехода символов, например:

х[у

0 \ \ \ 2 \ Ъ \ А \ * \ # \ Е

_______I—!___-!----

... | ... | I | I | I

| т..

"о I «1 I »2 I Щ I Л4 I «5 I П6 I «7

3

Каждый элемент матрицы указывает на число переходов /-ой буквы алфавита слова х в >ю букву алфавита слова у. Числа т0---т4 - (суммы по строкам) определяют композицию слова х. Числа и0...л7 - (суммы по столбцам)

определяют композицию слова у. Величина М = ^ = X равна числу

1 <

переданных символов. По определению положим: >т,л т,

„ у^-

* , М М

энтропия входа,

= ~ энтропия выхода,

"!„

Нх%у = Атт'^тт - энтропия канала,

( 1 м м

Нху = Нх+ Н у- Н^у - взаимная энтропия.

Известно, что Нху < Нх и Нху < Ну. Взаимная энтропия характеризует степень похожести слов х и у. Удобно использовать нормированную величину 5ху = Нху*2/(Нх +Ну). Если ^ = 1 - слова хну совпадают (с точностью до замены букв). Если 8ху = 0 - словах и у сильно различаются по структуре полей.

Термами лингвистической переменной являются имена или номера эталонов. В каждой контрольной точке выполняется вычисление взаимной энтропии поступившей последовательности со всеми эталонами. Вычисляется относительная взаимная энтропия 5гу(к), где к - номер эталона объекта. Вектор относительных

энтропий нормируется по максимальной координате и рассматривается как значения функций принадлежности для термов лингвистической переменной. Текущий вектор характеризует принадлежность по структуре анализируемого объекта к набору эталонов. База нормирования определяет степень достоверности полученных измерений.

В качестве меры семантики территориальных объектов предлагается использовать два показателя: «Семантика 1» и «Семантика 2».

«Семантикой 1» эталонного объекта х называется числовой вектор (тт ■■■та )> координаты которого равны числу вхождений каждой буквы

алфавита источника в информационном образе объекта. Для каждого временного отсчета (<Т (Т— длительность прохождения объекта, оценивается его длиной и скоростью движения) эталонный объект можно описывать текущей семантикой (т^та ...та ),. Семантика выходной последовательности^ определяется вектором

(па„\ ■■■па), ■ Если выходная последовательность повторяет входную, то,

очевидно, что их семантики совпадают. В каждой контрольной точке г выполняется вычисление семантики поступившей последовательности и сравнение ее с текущими семантиками всех эталонов. В результате сравнения вычисляется функция принадлежности текущей семантики к эталонам. Термами лингвистической переменной являются имена эталонов.

Предположим, что характеристики канала заданы матрицей условных вероятностей Р = [р(у], а текущая семантика эталонной последовательности в контрольной точке ? задана вектором (т0щт2т3т4)г. В этом случае математическое ожидание вектора семантики определяется матричным

произведением:

Щ

Ъ

тг

щ

= (

т,, от, от, т.

Рт Рю

Рг о Рз о {.Рт

Ро\ Ри

Рог Роз Ро*

Ри

За счет возможного дублирования выходных символов математические ожидания увеличиваются на величину т1р<1 {рл - вероятность дублирования одиночного символа). Таким образом, математические ожидания будут определяться значениями т = /й (1 + ). Интервалы [от,, от,] для координаты г вектора семантики при большом числе повторений с вероятностью, стремящейся к единице, покрывают области возможных ошибок канала. Эти интервалы будем называть интервалами толерантности. В зависимости от значений матрицы условных вероятностей выполнено одно из двух неравенств от, < от,, от, > от,.

Определим функцию принадлежности к эталону к в контрольной точке I в виде произведения = ц0ц,ц2ц3ц4. Каждая частная функция ц, - соответствует одной букве алфавита источника. Введем частные функции принадлежности, таким образом, чтобы их значение было равно единице в пределах интервалов толерантности и уменьшалось по мере удаления от границ интервала. Примерный

вид функций принадлежности показан на рис. 3. В аналитической форме частные функции принадлежности можно представить в виде:

( 1, если п,е[т„т,] .

' |уЛ', если и,

Значения параметра у выбирают при настройке схемы распознавания (типичное значение - у = 0.9). Для надежной классификации по семантике интервалы [т1, т1 ] различных эталонов должны отличаться, по крайней мере, по одной букве алфавита. Индикатор «Семантика 1» не может различить объекты, которые имеют одинаковый количественный состав букв.

Рис. 3. Частная функция принадлежности лингвистической переменной

«Семантика 1»

Анализ по «Семантике 1» выполняется по всем эталонам объектов, в результате образуется вектор {&«,(&)}. Вектор нормируется по максимальному значению и рассматривается как функция принадлежности образа к набору эталонов. База нормирования определяет степень достоверности полученных измерений. Аналогично выполняется описание остальных лингвистических переменных

Разработанный обобщенный алгоритм распознавания ТО на основе нечетких ИНС, реализуется по следующей схеме:

В первом нейронном слое формируются нечеткие лингвистические переменные: «Структура» - «Семантика 1» - «Семантика 2» - Лп2. «Длина объекта» - Ь. Содержание процедур фаззификации были изложены выше.

Во втором - выполняется поразрядное контрастное логическое умножение векторов функций принадлежности.

у{(к) = 8(к) & Цк) = Спщп(гтп{8(к), Цк))),

у2(к) = &я,(£) & Цк) = Сшгог(тт(8т,(к), Ь(к))),

у3(к) = йт2(к)&Цк) = СШг02(гтп(5т2(к), Цк))).

Операция логического умножения контрастируется функцией Сшга(х) = с пороговым значением а = 0.2 и параметром (3 = 1.

Третий слой реализует поразрядное контрастное логическое сложение: г(к) = СШГ-, (шах( V, (к), у2 (к% (к))).

Функция обратного контрастирования с параметром Р = -0.6 имеет пороговое значение а = 0.5. Выходом третьего слоя является композиционная функция принадлежности распознаваемого образа к набору эталонов.

В последнем слое ИНС реализовано усиление диагнозов. Операции в слое выполняются, когда координаты г(к) и г(]) имеют близкие значения.

_ тах(г(£), г(у)) - тт(г(Лг), г(у)) ^^

тах(г(Л),7(у))

В этом случае проверяются частные диагнозы по переменным упу2,у3 в порядке предпочтений у] у уг >- у3,

Исследование эффективности алгоритмов обнаружения и распознавания ТО по вторичным признакам на основе нечеткой ИНС выполнялось с помощью разработанной системы имитационного моделирования, состоящей из совокупности модулей, управляемых в процессе компьютерных экспериментов через общий интерфейс конечного пользователя: модуль задания структуры, состава и параметров одиночных и групповых объектов, модуль исходной информации, имитирующий сообщения разнородных источников об обнаруженных элементах ТО различного типа, модуль контекста внешних условий, база данных нечетких информационных признаков эталонов, модуль распознавания на основе нечеткой ИНС, модуль обработки статистических данных, модуль визуализации результатов моделирования. Реализация СИМ была выполнена базе прикладного пакета программ МАТЬ А В 6.5.

Моделировалась обработка информации в системе охранного мониторинга территорий, когда на вход вторичного распознавателя поступает поток сообщений от источников первичной информации об одиночных и групповых территориальных объектах, имеющих разную вероятность правильного обнаружения/классификации в двух принципиально разных режимах. Объекты находятся на дороге или распределены на некоторой территории, соответствующей зоне ответственности системы мониторинга. В первом варианте в процессе эксперимента вычислялась вероятность ошибки распознавания и оценивалась ее зависимость от изменений длины территориального объекта относительно эталонной. Также оценивалось влияние качества работы источника первичной информации (изменений вероятности ошибки в избирательном распознавании одиночных объектов), что в имитационном плане эквивалентно определению чувствительности исследуемых алгоритмов к изменениям значений вероятностей на главной диагонали матрицы перепутывания.

Так, например, вероятность правильного распознавания, равная 0.8, сохранялась при изменении значений элементов матрицы перепутывания на главной диагонали в диапазоне 0.6-^0.81. Исследования проводились на четырнадцати эталонах при нулевой вероятности дублирования символов и полной синхронизации движения объектов со временем восстановления канала обслуживания. Декремент значения главной диагонали был равен 0.01.

Во втором варианте оценивалась эффективность разработанных алгоритмов распознавания ТО по инвариантным признакам, согласованным с контекстом внешних условий. Модельные эксперименты подтвердили возможность

управления инвариантными свойствами эталонов. Были разработаны обобщенный и частные алгоритмы распознавания и исследована их устойчивость к изменению масштаба электронной карты, топологии ТО, угловых характеристик Эксперименты, выполненные по распознаванию площадных групповых объектов произвольной структуры и состава, показали высокое качество их распознавания и достаточно хорошее быстродействие. В условиях случайной расстройки (до 20% от параметров информационных образов ТО от эталонов) обеспечивалась вероятность правильного распознавания не хуже, чем 0.8-0.95. Гибкие возможности по управлению инвариантностью векторных алгоритмов распознавания позволяют реализовать в поле изображения поисковые процедуры с широким набором запросов. Алгоритмы легко расширяются по атрибутным показателям объектов, что позиционирует их как эффективное средство для обработки многослойных баз данных геоинформационного типа. Данные алгоритмы могут рассматриваться и как эффективное средство предобработки для реализации сложных схем распознавания на основе технологии нейросетевой классификации территориальных объектов.

Разработанное алгоритмическое обеспечение нейросетевого распознавателя территориальных объектов показало его инженерную реализуемость, а полученные в результате модельных экспериментов оценки эффективности синтезированной схемы автоматического распознавания территориальных объектов лучше, чем у известных.

В заключении перечислены основные научные и практические результаты.

ОСНОВНЫЕ НАУЧНЫЕ И ПРАКТИЧЕСКИЕ РЕЗУЛЬТАТЫ

Теоретико-методологические результаты. Разработаны метод вторичного распознавания геоинформационных ситуаций по нечеткой и неполной информации на основе ИНС, способ построения функций принадлежности нечетких информационных признаков территориальных объектов на основе байесовского правила.

Инструментальные результаты. Разработаны новые средства (модели ТО, алгоритмы) для распознавания однослойных и многослойных моделей оперативной обстановки (территориальных объектов) по неполной и нечеткой исходной информации.

Экспериментальные и прикладные результаты. На практическом материале проверена конструктивность идей и инженерная пригодность технологии нейросетевой классификации территориальных объектов и алгоритмов их отождествления. Осуществлено внедрение основных положений теории, практики и выводов диссертационной работы в НИОКР промышленности, научные организации МО РФ и в учебный процесс двух вузов.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Дорогов А.Ю. Методы управления инвариантностью в задачах распознавания векторизованных изображений. / А.Ю. Дорогов, А.И. Краснова, А.И. Яшин // Управление и информационные технологии (УИТ-2005): материалы

III Всерос. науч. конф., г. Санкт-Петербург, 30 июня - 2 июля 2005 г. - СПб.: СПбГЭТУ «ЛЭГИ», 2005. - Т. 1. - С. 275-284.

2. Оперативная классификация географических объектов по информации различного качества, получаемой 01 разнородных источников в интересах решения задач мониторинга территорий. / А.И. Краснова [и др.] // Региональная информатика - 2004 (РИ-2004): материалы IX междунар. конф., I. Санкт-Петербург, 22-24 июня 2004 г. - СПб., 2004. - С. 363.

3. Формализованное описание пространственных ситуаций для их классификации с помощью искусственных нейронных сетей. / А.Ю. Дорогов, А.И.Краснова, В.В.Разин, А.И Яшин//Нейроинформатика-2004. Науч. сессия МИФИ-2004: сб. науч. тр. VI Всерос. науч.-техн. конф., г. Москва, 26-30 января 2004 г.-М.: МИФИ, 2004.

4. Дорогов А.Ю. Применение нечетких нейронных сетей для распознавания вероятностных образов. / А.Ю. Дорогов, А.И. Краснова, А.И. Яшин //Нейроинформатика-2003. Науч. сессия МИФИ-2003: сб. науч. тр. V Всерос. науч.-техн. конф., г. Москва, 2003 г. - М.: МИФИ, 2003. - Ч. 1. - С. 61-67.

5. Биденко С.И. Геоинформационная поддержка управления в территориально распределенных системах. / С.И. Биденко, А.И. Краснова, А.И. Яшин // Военная радиоэлектроника: опыт использования и проблемы подготовки специалистов: тез. докл. XIV межвуз. науч.-техн. конф., г. Петродворец, 2003 г. - Петродворец: ВМИРЭ, 2003. - С. 39-40.

6. Биденко С.И. Использование нейросетевых технологий при решении аналитических задач в системах геоинформационной поддержки кадрового обеспечения ВМФ. / С.И. Биденко, А.Н. Мазнев, А.И. Краснова // Военная радиоэлектроника: опыт использования и проблемы подготовки специалистов: тез. докл. XIV межвуз. науч.-техн. конф., г. Петродворец, 2003 г. - Петродворец: ВМИРЭ, 2003.-С. 37-45.

7. Авраменко А.Г. Построение интеллектуальной системы классификации нечетких геоситуаций. / А.Г. Авраменко, А.И.Краснова //Управление и информационные технологии (УИТ-2003): сб. докл. Всерос. науч. конф., г. Санкт-Петербург, 3-4 апр. 2003 г. - СПб., 2003 - Т. 1. - С. 315-320.

8. Дорогов А.Ю. Нечеткая классификация вероятностных образов. / А.Ю. Дорогов, А.И. Краснова, А.И. Яшин // Нейросетевые технологии и их применение: тр. Всеукр. конф., г. Краматорск, 4-5 дек. 2002 г. - Краматорск: Изд-во ДГМА, 2002.

9. Дорогов А.Ю. Байесовская фаззификация вероятностных переменных в задаче распознавания образов. / А.Ю. Дорогов, А.И. Краснова, А.И. Яшин // Изв. СПбГЭТУ «ЛЭТИ». Сер.: «Информатика, управление и компьютерные технологии». - СПб.: Изд-во СПбГЭТУ, 2002. - Вып. 3. - С. 39-42.

10. Краснова А.И. Моделирование геоинформационных полей пространственно распределенных технических систем. / А.И. Краснова, И.В. Раков, А.И.Яшин //Изв СПбГЭТУ «ЛЭТИ». Сер.: «Информатика, управление и компьютерные технологии». - СПб.: Изд-во СПбГЭТУ, 2002. - Вып. 1. - С. 19-23.

11. Краснова А.И. Метод распознавания сложных ситуаций с учетом качества условий принятия решений. / А.И. Краснова, И.В. Раков, А.И. Яшин

//Интеллектуальные системы: материалы V междунар. симп., г.Москва, 02-04 июля 2002 г. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2002.

12. Землянский И.А. Геоинформационный метод управления физическим ресурсом телефонной сети. / И.А. Землянский, А.И. Краснова, А.И. Яшин // Информационные технологии в науке, образовании, телекоммуникациях и бизнесе (IT+SE'2002): тр. XXIX междунар. конф., г. Гурзуф, 20-30 мая 2002 г. -Запорожье, 2002. - С. 373-375.

13. Краснова А.И. Метод визуализации и распознавания условий принятия решений. /А.И.Краснова, И.В. Раков, А.И.Яшин //Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике (КЛИН-2002): материалы междунар. конф., г. Ульяновск, 14-16 мая 2002 г. - Ульяновск: Изд-во УлГТУ, 2002.

14. Землянский И.А. Анализ и классификация геоинформационных ситуаций в пространственно распределенных технических системах. / И.А. Землянский, А.И. Краснова // Молодые исследователи - региону: материалы межрег. науч. конф. студентов и аспирантов, г. Вологда, 23-24 апр. 2002 г. - Вологда: Изд-во ВГТУ, 2002.

15. Краснова А.И. Метод логического вывода при разрешении нечетких проблемных ситуаций. / Краснова А.И. // Региональная информатика - 2000 (РИ-2000): тез. докл. VIII С.-Петерб. междунар. конф., г. Санкт-Петербург, 2001 г. -СПб., 2001.

Подписано в печать 13.09.05. Формат 60*84 1/16. Бумага офсетная. Печать офсетная. Печ. л. 1,0. Тираж 100 экз. Заказ 78.

Отпечатано с готового оригинал-макета в типографии Издательства СПбГЭТУ "ЛЭТИ"

Издательство СПбГЭТУ "ЛЭТИ" 197376, С.-Петербург, ул. Проф. Попова, 5

*1б7о4

РНБ Русский фонд ^

2006-4 { 11194

Перечень сокращений и обозначений.

Введение.

Глава 1. Анализ современного состояния вопроса распознавания геоинформационных ситуаций в системах охранного и природного мониторинга.

1.1. Принципы построения систем охранного и природного мониторинга.

1.2. Особенности организации многоуровневой обработки информации в системах мониторинга территорий.

1.3. Обобщенная модель процесса вторичной обработки информации в системах мониторинга территорий.

1.4. Модель влияния контекста внешних условий на информацию, используемую для распознавания геоинформационных ситуаций, и постановка задачи исследования.

Выводы по главе 1.

Глава 2. Разработка метода вторичного распознавания гсоннформациоппмх ситуаций на основе нечеткой искусственной нейронной сегн.

2.1. Обобщенная модель геоинформацнонных ситуаций на основе их вторичных информационных признаков.

2.1.1. Многоуровневое описание территориальных объектов с учетом контекста внешних условий.

2.1.2. Векторизованное многоуровневое описание территориальных объектов с учетом контекста внешних условий.

2.2. Построение функций принадлежности нечетких информационных признаков территориальных объектов на основе байесовского правила.

2.3. Метод вторичного распознавания геоинформационных ситуаций но нечеткой и неполной исходной информации.

2.4. Формирование описаний основных лингвистических переменных на примере территориального объекта линейного типа.

2.4.1. Описание лингвистической переменной «Структура территориального объекта».

2.4.2. Описание лингвистической переменной «Семантика территориального объекта».

2.4.3. Описание лингвистической переменной «Длина

4 территориального объекта».

Выводы по главе 2.

Глава 3. Разработка системы имитационного моделирования нечеткого распознавателя гсоииформациониых объектов и ситуаций.

3.1. Структура системы имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций.

3.2. Выбор архитектуры нечеткой искусственной нейронной сети для задачи распознавания территориальных объектов.

3.3. Построение контрастирующих функций активации нечетких искусственных нейронов.

3.4. Обобщенный алгоритм распознавания территориальных объектов на основе нечетких искусственных нейронных сетей.

3.5. Результаты оценки эффективности распознавания территориальных объектов на основе нечетких искусственных нейронных сетей с учетом контекста внешних условий.

3.6. Обобщенный алгоритм распознавания территориальных объектов с управляемой инвариантностью.

3.7. Результаты модельных экспериментов по оценке эффективности ^ распознавания территориальных объектов по инвариантным признакам, согласованным с контекстом внешних условий.

Выводы но главе 3.

Вторичная обработка информации является основой многих современных автоматизированных систем управления различными техническими системами, в том числе систем мониторинга территорий, решающих задачи распознавания объектов и ситуаций обстановки для различных приложений, например, охранного мониторинга крупных промышленных предприятий или природоохранного мониторинга (охрана лесов от пожаров).

Современные автоматизированные системы мониторинга территорий представляют собой сложные технические комплексы, имеющие структурную (общая зона ответственности для нескольких технических комплексов средств наблюдения за обстановкой) и информационную (получение информации об объекте по совокупности независимых каналов различной физической природы) избыточность. Характерной особенностью такого вектора первичной информации является его непостоянство как по компонентному составу (количеству каналов поступления информации), так и качеству исходной для принятия решений информации (неполнота, нечеткость, а иногда и ее противоречивость) в процессе решения отдельных либо групповых практических задач.

Эффективность таких систем во многом определяется не только уровнем автоматизации управления избыточностью, но и, самое главное, качеством обработки информации, определяющим решение задачи оперативного обнаружения и классификации подвижных и неподвижных объектов по неполной, нечеткой и противоречивой информации, получаемой одновременно или в различное время от сосредоточенных или пространственно разнесенных источников различной физической природы (радиолокационные, оптические, тепловизионные, акустические, сейсмические и др.) в перекрываемых зонах их ответственности.

Вторичная обработка информации различного качества от разнородных источников для решения задач автоматического обнаружения и классификации одиночных и групповых географических объектов в интегрированных системах мониторинга территорий является актуальной научно-технической проблемой. Основная сложность се решения обусловлена отсутствием приемлемых для практического использования научно обоснованных подходов и методов комплексирования информации от разнородных источников с целью компенсации недостатка информации, получаемой от каждого источника в отдельности, при решении задач классификации подвижных или временно неподвижных объектов.

Общеизвестны и хорошо проработаны два подхода к построению «интеллектуальных» систем: искусственные нейронные сети (ИНС) и логико-лингвистические (продукционные) системы (ЛЛС). Преимущество использования ИНС заключается в большей (чем в случае использования ЛЛС) универсальности, т.е. в возможности достаточно простого расширения перечня источников информации, классифицируемых объектов и ситуаций. При этом появляется возможность классификации по многомерным данным различной физической природы, что практически трудно осуществимо (из-за сложности описания) с помощью ЛЛС. Важным достоинством систем классификации, построенных на основе ИНС, является неизменность архитектуры сети при расширении перечня объектов классификации с относительно простыми алгоритмами обучения сети, которое может быть выполнено конечным пользователем. Применение же ЛЛС при расширении перечня объектов классификации требует модификации базы знаний системы с привлечением ее разработчика.

Интеллектуальные системы классификации объектов и ситуаций обстановки на основе ИНС могут использоваться в широком диапазоне нечеткости, неполноты и противоречивости исходных данных. Они обеспечивают высокие значения вероятностей обнаружения-классификации одиночных и групповых географических объектов и ситуаций обстановки. Возможна их реализация как систем реального (близкого к реальному) времени.

Однако максимальная эффективность такого класса систем, в сильной степени зависит от многих факторов - архитектуры ИНС, алгоритмов обучения, способов комилексирования информации от разнородных источников, физики процессов ее нечеткости, неполноты, противоречивости, информационных признаков одиночных и групповых объектов и ситуаций обстановки и др.

Научная актуальность диссертационной работы обусловлена необходимостью развития теоретических основ решения прикладной проблемы: распознавания территориальных одиночных, групповых объектов и ситуаций обстановки по информации от разнородных источников, учитывающих все перечисленные выше влияющие факторы, для информационного обеспечения автоматизированных систем классификации и представления на электронных картах локальных ситуаций географической обстановки.

Объектом диссертационного исследования являются системы охранного и природного мониторинга. Предметом исследования - модели и методы распознавания геоинформационных ситуаций в системах охранного и природного мониторинга.

Целью исследования является улучшение научно-методического аппарата обработки вторичной (картографической) информации об объектах мониторинга для повышения эффективности распознавания геоинформационных ситуаций.

Научная задача: разработка метода вторичного распознавания геоинформационных ситуаций (линейных и площадных объектов электронной карты) но нечеткой и неполной исходной информации.

Для достижения поставленной цели в работе решались следующие задачи:

1. Системный анализ проблемы распознавания геоинформационных ситуаций в системах охранного и природного мониторинга по нечеткой и неполной информации.

2. Разработка моделей геоинформационных ситуаций, ориентированных на автоматические методы их распознавания.

3. Разработка метода распознавания геоинформационных ситуаций но нечеткой и неполной исходной информации ио их вторичным информационным признакам.

4. Разработка системы имитационного моделирования нечеткого распознавателя геоинформационных ситуаций.

Методы исследования:

Методы системного анализа, основные положения теорий распознавания образов, искусственных нейронных сетей, систем ситуационного управления, систем искусственного интеллекта, принятия решений в нечетких задачах выбора, нечеткая логика, имитационное моделирование.

Научные результаты, выносимые на защиту:

1. Обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков.

2. Метод вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации на основе нечеткой искусственной нейронной сети.

3. Система имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций.

Научная новизна диссертации заключается в том, что в ней разработана обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков с учетом контекста внешних условий и на ее основе предложен и исследован метод их вторичного распознавания по нечеткой и неполной исходной информации.

1. Обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков отличается способом образования пространства этих признаков, сформированного в виде комбинации векторов, описывающих структурные свойства, их нечетких параметров и правил многоуровневого обобщения, что позволяет описывать геоинформационные ситуации произвольной сложности с учетом контекста внешних условий.

2. Метод вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации на основе нечеткой искусственной нейронной сети отличается адаптацией функций принадлежности нечетких информационных признаков и их числа в соответствии с изменениями контекста внешних условий, что позволяет повысить качество распознавания.

3. Система имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций отличается аналитико-имитационным способом воспроизведения влияния контекста внешних условий на качество исходной для принятия решения информации и возможностью управления инвариантностью свойств распознающей схемы, что позволяет исследовать эффективность различных адаптивных алгоритмов распознавания территориальных объектов и способов их комплексирования в условиях, близких к реальным.

Достоверность сформулированных научных положений и выводов подтверждена результатами компьютерного моделирования и положительным опытом использования основных положений диссертации в НИОКР промышленности.

Практическая значимость. Разработанные в диссертации основные научные положения, рекомендации и алгоритмы являются научной базой для конструкторского проектирования систем мониторинга территорий, реализующих технологию нейросетевого распознавания геоинформационных ситуаций по их вторичным информационным признакам.

Апробация. Результаты диссертации докладывались на международных, республиканских, региональных, отраслевых и вузовских конференциях 20002005 г.г., в том числе: на международных конференциях «Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике» (Ульяновск, 2002), «Региональная информатика» (Санкт

Петербург, 2004, 2000), «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Гурзуф, 2002); международном симпозиуме «Интеллектуальные системы» (Москва, 2002); Всероссийских научно-технических конференциях «Нейроинформатика» (Москва, 2004, 2003), «Управление и информационные технологии» (Санкт-Петербург, 2005, 2003); Всеукраинской конференции «Нейросетевые технологии и их применение» (Краматорск, 2002); межрегиональной научной конференции студентов и аспирантов «Молодые исследователи - региону» (Вологда, 2002); межвузовской научно-технической конференции «Военная радиоэлектроника: опыт использования и проблемы подготовки специалистов» (Петродворец, 2003).

Результаты диссертации внедрены в НИОКР следующих организаций и предприятий: Федеральное государственное унитарное предприятие научно-исследовательский институт «Вектор» (ФГУП НИИ «Вектор»), Федеральное государственное унитарное предприятие «Государственный научно-исследовательский институт прикладных проблем» (ФГУП ГосНИИ ПП), ОАО «Научно-исследовательский институт вычислительных средств «Спектр» холдинговой компании «Ленинец»», Государственный научно-исследовательский институт моделирования и интеллектуализации сложных систем (ГосНИИ ИМИСС), а также в учебный процесс Санкт-Петербургского электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина).

Публикации. По теме диссертации опубликовано 15 научных работ, из них - 8 научных статей и тезисы к 7-ми докладам на международных научно-технических конференциях.

Структура и объем работы. Диссертация состоит из введения, 3 глав с выводами, заключения, списка использованной литературы, включающего 111 наименований, и приложения. Основная часть диссертации изложена на 121 странице машинописного текста. Работа содержит 29 рисунков и 3 таблицы.

Основные результаты работы состоят в следующем.

Теоретико-методологические результаты:

Разработаны метод вторичного распознавания геоинформационных ситуаций на основе ИНС и метод построения функций принадлежности нечетких информационных признаков на основе байесовского правила и управления инвариантными свойствами эталонов территориальных объектов в зависимости от контекста внешних условий.

Инструментальные результаты:

Разработаны новые средства (модели, алгоритмы) для распознавания однослойных и многослойных моделей оперативной обстановки (территориальных объектов) по неполной и нечеткой исходной информации.

Экспериментальные и прикладные результаты:

На практическом материале проверена конструктивность идей и инженерная пригодность технологии нейросетевой классификации территориальных объектов и алгоритмов их отождествления.

Осуществлено внедрение основных положений теории, практики и выводов диссертационной работы в НИОКР промышленности, научные организации МО РФ и в учебный процесс двух вузов.

ЗАКЛЮЧЕНИЕ

1. Авалиани Г.В. Эвристические методы в распознавании образов. -Тбилиси: Мецниереба, 1988.-75 с.

2. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: Юнити, 1998. - 1023 с.

3. Айзерман М.А., Браверман Э.И., Розоноэр Л.И. Метод потенциальныхфункций в задачах обучения машин. М.: Наука, 1970.

4. Андрейчиков А.В, Андрейчикова О.Н. Анализ, синтез, планирование вэкономике. М: Финансы и статистика, 2002. - 368 с.

5. Бакут П.А., Жулина Ю.В., Иванчук H.A. Обнаружение движущихсяобъектов. / Под ред. П.А. Бакута. М.: Советское радио, 1980.

6. Берлянт A.M. Геоиконика. М.: Астрея, 1996,208 с.

7. Бондаренко Н.И. Методология системного подхода к решению проблем.1. СПб.: СПбУЭиФ, 1997.

8. Васильев В.И. Распознающие системы. Справочник. Киев: Наукова думка, 1983.-422 с.

9. Ватанабэ С. и др. Оценка и отбор параметров в задачах распознавания. //Автоматический анализ сложных изображений. М.: Мир, 1969. -стр. 276-295.

10. Вентцель Е.С. Теория вероятностей: Учебник/4-е изд., стереотип. М.: Наука, 1969.-576 с.

11. Вентцель Е.С. Теория вероятностей и её инженерные приложения. М.: Высшая школа, 2000. - 480 с.

12. Верхаген К., Дёйн Р., Грун Ф. и др. Распознавание образов: Состояние и перспективы. М.: Радио и связь, 1985. - 104 с.

13. Гайдышев И. Анализ и обработка данных: Специальный справочник. -СПб: Питер, 2001. 752 с.

14. ГасфилдД. Строки, деревья и последовательности в алгоритмах: Информатика и вычислительная биология. СПб.: Невский диалект; БХВ-Петербург, 2003. - 654 с.

15. ГеппенерВ.В. Математическое обеспечение многоуровневых систем распознавания сигнальной информации в условиях априорной неопределенности. // Диссертация на соискание ученой степени доктора технических наук. СПб.: СПбГЭТУ «ЛЭТИ», 2003 г.

16. ГилморДж. Ф. Автоматизированное приобретение знаний с помощью нейронных сетей. // Техническая кибернетика, № 5, 1994, стр. 93-96.

17. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 1977.-479 с.

18. Гордиенко Е.К., Лукьяница A.A. Искусственные нейронные сети. Основные определения и модели.//Техническая кибернетика, №5, 1994, стр. 79-92.

19. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1989.-232 с.

20. Горелик А.Л., Скрипкин В.А. Построение систем распознавания. М.: Советское радио, 1974. - 224 с.

21. Горелик А.Л. и др. Селекция и распознавание на основе локационной информации. М.: Радио и связь, 1990. - 240 с.

22. Горский Н., Анисимов В., Горская Л. Распознавание рукописного текста: От теории к практике. СПб.: Политехника, 1997. - 126 с.

23. Гультяев А. Визуальное моделирование в среде МАТЬАВ: Учебный курс. / Под ред. Усманова В. СПб: Питер, 2000.

24. Дорогов А.Ю. Нечеткий нейрон с контрастирующей функцией активации. // Сборник научных трудов V Всероссийской научно-технической конференции «Нейроинформатика-2003», Москва. / Научная секция МИФИ-2003. Часть 1. М.: МИФИ, 2003 г. - стр. 55-60.

25. Дорогов А.Ю. Нейросетевая аппроксимация регулярных фракталов. // Сборник докладов международной конференции по мягким вычислениям 5СМ'2002, Санкт-Петербург, 25-27 июня 2002 г. Том 1. -СПб.: СПбГЭТУ «ЛЭТИ», 2002 г. стр. 74-79.

26. Дорогов А.Ю., Краснова А.И., Яшин А.И. Применение нечетких нейронных сетей для распознавания вероятностных образов. // Сборник научных трудов V Всероссийской научно-технической конференции

27. Нейроинформатика-2003», Москва. /Научная секция МИФИ-2003. Часть 1. М.: МИФИ, 2003 г. - стр. 61-67.

28. ДороговАЛО., Краснова А.И., ЛшинА.И. Нечеткая классификация вероятностных образов. // Труды Всеукраинской конференции «Нейросетевые технологии и их применение», 4-5 декабря 2002 года. -Краматорск: Изд-во ДГМА, 2002 г.

29. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика, 2000. - 352 с.

30. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

31. Дьяконов В.П. MATLAB 6/6.1/6.5 + SIMULINK 4/5: Основы применения. Полное руководство пользователя. М.: СОЛОН-Пресс. - 2002. - 768 с.

32. Жукова А.И., Рог А.И., Степанян H.A. Использование методов математической статистики в медико-биологических исследованиях. -Воронеж: ВГТУ. 196 с.

33. Информационно-управляющие человеко-машинные системы: Исследование, проектирование, испытания: Справочник / А.Н. Адаменко,

34. A.Т. Ашеров, И.Л. Бердников, и др.; Под общ. ред. А.И. Губинского и

35. B.Г. Евграфова. М.: Машиностроение, 1993. - 528 с.

36. Искусственный интеллект. В 3-х кн. Справочник. Под ред. Д.А. Поспелова. М.: Радио и связь, 1990.

37. Каллан Р. Основные концепции нейронных сетей. СПб.: Вильяме, 2001. -288 с.

38. Кофман А. Введение в теорию нечётких множеств. М.: Радио и связь, 1982.-432 с.

39. Краснова А.И., Раков И.В., Яшин А.И. Метод распознавания сложных ситуаций с учетом качества условий принятия решений. // Материалы V Международного симпозиума «Интеллектуальные системы», 02-04 июля 2002 года. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002 г.

40. Краснова А.И. Метод логического вывода при разрешении нечетких проблемных ситуаций. // VIII Санкт-Петербургская международная конференция «Региональная информатика 2000» («РИ-2000»): Тезисы докладов. - СПб, 2001 г.

41. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001 г. - 328 с.

42. Левин JI.JI. Введение в теорию распознавания образов. Томск, 1982.

43. Лурье И.К. Основы геоинформатики и создание ГИС. / Дистанционное зондирование и географические информационные системы. М.: Инэкс, 2002.

44. Макаренко Н.Г. Фракталы, аттракторы, нейронные сети и прочее. // Материалы IV Всероссийской научно-технической конференции «Нейроинформатика-2002», 23-25 января 2002 г., Москва. / Лекции по нейроинформатике. Часть 2. М.: МИФИ, 2002 г. - стр. 136-169.

45. Мартыненко A.A. Три периода развития военной картографии: разработка новых концепций и технологий. // Геодезия и картография. -1996. №7.-с. 44-47.

46. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. - 272 с.

47. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник. / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001.-744 с.

48. Мкртчян С.О. Нейроны и нейронные сети. Введение в теорию формальных нейронов и нейронных сетей. М.: Энергия, 1971. - 232 с.

49. Мосалёв В. Системы дистанционного наблюдения за полем боя на базе разведывательно-сигнализационных приборов. // Общие Военные проблемы «Зарубежное военное обозрение». - М.: 2000, № 2.

50. Мосалёв В. Средства охраны ВС США и перспективы их развития. // «Зарубежное военное обозрение». М.: 2001, № 3-4.

51. Нейроинформатика. / Горбань А.Н., Дудин-Барковский В.Л., Кирдин А.Н. и др. Новосибирск: Наука, Сибирское отделение РАН, 1998. - 296 с.

52. Нечёткие множества и теория возможностей. Последние достижения. Пер. с англ./Под ред. Рональда Р.Ягера. М.: Радио и связь, 1986. -408 с.

53. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.-206 с.

54. Оссовский С. Нейронные сети для обработки информации: Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

55. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, Гл. ред. физ.-мат. лит., 1986.-288 с.

56. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981.-232 с.

57. Прикладная статистика: Классификация и снижение размерности: Справочное издание. / Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. - 607 с.

58. Прикладная статистика: Исследование зависимостей: Справочное издание./Под ред. С.А.Айвазяна. М.: Финансы и статистика, 1985. -487 с.

59. Прикладные нечёткие системы. / Под ред. Т. Тэрано, М. Сугэно. М: Мир, 1993.-368 с.

60. Раков И.В., Яшин А.И. Принципы обработки нечёткой информации в распределённых геоинформационных системах. // Тезисы докладов VII международной конференции «Региональная информатика 2000», Санкт-Петербург, 2000 г.

61. Ротштейн А.П. Интеллектуальные технологии идентификации: нечёткие множества, генетические алгоритмы, нейронные сети. Винница: Универсум - Винница, 1999. - 320 с.

62. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия -Телеком, 2004. - 452 с.

63. Сигорский В.П. Математический аппарат инженера. Киев: Техника, 1975.-768 с.

64. Сигел Э. Практическая бизнес-статистика. М.: Издательский дом «Вильяме», 2002. - 1056 с.

65. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высшая школа, 1985.-271 с.

66. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. М.: Энергия, 1971. -424 с.

67. Терехов В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления. // Теория и системы управления, №3, 1996, стр. 70-79.

68. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Искусственные нейронные сети и их применение в системах автоматического управления: Учебное пособие. СПб.: ГЭТУ, 1997. - 64 с.

69. Тимчук H.A. Разработка и исследование двухуровневых адаптивно-нейронных систем управления динамическими объектами. // Диссертация на соискание ученой степени кандидата технических наук. СПб.: СПбГЭТУ «ЛЭТИ», 2002 г.

70. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.

71. Тюкин И.Ю. Алгоритмический синтез нейросетевых систем управления нелинейными динамическими объектами в условиях неопределенности. // Диссертация на соискание ученой степени кандидата технических наук. СПб.: СПбГЭТУ «ЛЭТИ», 2001 г.

72. Тюрин Ю.Н., Макаров A.A. Статистический анализ данных на компьютере. / Под ред. В.Э. Фигурнова. М.: Инфра-М, Финансы и статистика, 1995.

73. Уоссермен Ф. НсГфокомпыотсрная техника: Теория и практика. / Под ред. Л.И. Галушкина. М.: Мир, 1992. - 238 с.

74. Цветков В.Я. Геоинформационные системы и технологии. М.: Финансы и статистика, 1998.

75. Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983. - 184 с.

76. Шикин Е.В., Чхартишвили А.Г. Математические методы в управлении. -М.: Дело, 2002.-440 с.

77. Щербаков А.П. Быстрая идентификация зрительных образов в произвольном положении. Пространство признаков.

78. Щербаков А.П. Быстродействующий алгоритм вычисления местоположения, угла поворота и размера объекта-образца на двумерной зрительной сцене. / Цифровая обработка сигналов, 2004.

79. ЯрушкинаН.Г. Основы теории нечетких и гибридных систем: Учебное пособие. М.: Финансы и статистика, 2004. - 320 с.

80. Яшин А.И. Геоинформационные системы и технологии: Учебное пособие. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2002. - 67 с.

81. Anderson J.R., Hardy Е.Е., Roach J.T., Witmer R.E. A Land Use and Land Over Classification for Use with Remote Sensor Data. Geological Survey Professional Paper 964, U.S. Geological Survey Washington, D.C.: U.S. Government Printing Office.

82. Anquettil E., Lorette G. On-line Handwriting Character Recognition System Based in Hierarchical Qualitative Fuzzy Modeling. Proc. of the Fifth Int. Workshop on Frontiers in Handwriting Recognition, University of Essex, England, 1996, pp. 47-53.

83. Burrough P.A., McDonnell R.A. Principles of Geographical Information Systems. Oxford University Press. 1998. 333 pp.

84. Chawla S., Shekhar S. Spatial Databases: A Tour. New Jersey, 2002.

85. DeMers N. Michael Fundamentals of Geographic Information Systems. New Mexico State University, 1998.

86. Document Image Analysis. Eds. O'Gorman L., Kasturi R. N.Y.: IEEE Computer Society Press, 1995.

87. Fedorowicz J., Williams G.B. Representing Modeling Knowledge in an Intelligent Decision Support System. // Decision Support System. 1986, № 2, pp. 3-14.

88. Trier O., Jain A.K., TaxtT. Feature Extraction Methods for Character Recognition A Survey. Pattern Recognition, 1996. Vol.29, №4, pp. 641662.

89. Отчет о научно-исследовательской работе по теме «Разработка программных средств поиска, накопления и обработки информации ов новых достижениях науки и техники». Шифр «Виолончель-ИМИСС-2»срок окончания 15.09.2004 г.). - СПб.: ИМИСС, 2004 г.