автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта

Тишкин Роман Валентинович

2е АВГ 2008

СИСТЕМА ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ НА КОСМИЧЕСКИХ МНОГОЗОНАЛЬНЫХ ИЗОБРАЖЕНИЯХ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Рязань 2008

003445542

Работа выполнена в ГОУ ВПО «Рязанский государственный радиотехнический университет»

Научный руководитель - доктор технических наук, профессор

Пылькин Александр Николаевич

Официальные оппоненты

доктор технических наук, профессор Кузнецов Алексей Евгенеевич

кандитат технических наук Новиков Геннадий Александрович

Ведущая организация

Институт космических исследований РАН, г. Москва

Защита состоится 24 сентября 2008 года в 12 часов на

заседании диссертационного совета Д 21221101 в ГОУ ВПО «Рязанский государственный радиотехнический университет» по адресу 390005, г Рязань,ул Гагарина, 59/1

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Рязанский государственный радиотехнический университет» по адресу. 390005, г Рязань, ул Гагарина, 59/1.

Автореферат разослан « / » О i_2008г.

Ученый секретарь диссертационного совета кандидат технических наук доцент ч В.Н Пржегорлинский

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Космические системы дистанционного зондирования Земли (ДЗЗ) позволяют получать изображения, на которых представлены как облачные образования, так и объекты суши и водной поверхности Причем для решения гидрометеорологических зацач облачные образования являются предметом исследования, а для задач картографирования территорий, изучения природных ресурсов и др облака являются помехами и подлежат исключению из процесса обработки видеоматериалов В обоих случаях возникает необходимость распознавания и выделения на изображениях облачных образований

Наиболее успешный опыт решения задачи по автоматическому распознаванию облачности реализован в американском проекте Blue Maible Next Generation, в котором для этой цели применяется гиперспекгральный принцип сканерной съемки, а так же использование широкого набора данных о параметрах атмосферы и земной поверхности Однако большое число спутниковых систем выполняют съем^ в видимом (RGB) диапазоне спектра. Для распознавания облачности на получаемых таким способом снимках применяются пороговые алгоритмы сегментации, которые в отдельных случаях не обеспечивают требуемого качества распознавания, по сравнению с тем, как это может выполнить оператор Отсюда возникает острая необходимость в разработке новых подходов идентификации облачности на космических изображениях, обеспечивающих сравнимую с интеллектуальными возможностями человека точность распознавания

Значительный вклац в развитие направления анализа данных ДЗЗ внесли отечественные и зарубежные ученые Асмус В В , Вудс Р , Гонсалес Р, Злобин В К , Лупян Е А, Прэтт У , Сойфер В А и др Их исследования по дистанционному наблюдению Земли и обработке видеоинформации составляют теоретическую основу для решения поставленных задач

Цель работы заключается в создании высокоэффективных алгоритмов идентификации облачных образовании на космических многозональных изображениях на основе методов искусственного интеллекта искусственных нейронных сетей, нечеткой логики, генетических алгоритмов и нечетких множеств второго типа

Для достижения поставленной цели решаются следующие основные задачи:

- анализ классических и современных методов сегментации изображений и идентификации облачных образований,

- разработка алгоритмов идентификации облачных образований на космических многозональных изображениях с использованием методов ииусственного интеллекта.

- разработка алгоритмов идентификации облачных образований с учетом степени их прозрачности,

- проектирование высокопроизводительной программной системы идентификации облачных образований на основе технологий удаленного доступа и параллельных вычислений

Научная новизна работы заключается в том, что впервые предлагаются гибридные алгоритмы искусственного интеллекта для идентификации облачных образований на спутниковых изображениях земной поверхности Так же впервые предлагаются алгоритмы идентификации облачных образований с учетом степени прозрачности облачных образований на основании только данных ДЗЗ, полученным в видимом диапазоне спектра.

Основные положения выносимые на защиту:

- методика обучения искусственной сети Кохонена с помощью колорометрического алгоритма,

- алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечетких ¿-средних и оптимизации с помощью генетического алгоритма, позволяющий идентифицировать облачность и слабую облачность;

- алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечеткой кластеризации и интервальных нечетких множествах второго типа, позволяющий идентифицировать облачность с заданной градацией по прозрачности,

- технология виртуального доступа к банкам изображений с использованием службы сетевого запуска программ 1ауа\УеЬ81аг1 и нейропроцессора для ускорения вычислений.

Практическая ценность работы состоит в том, что на базе предложенных в диссертации алгоритмов спроектированы технологии сегментации облачности, используемые при построении карт подстилающей поверхности по спутниковым изображениям и при оценке качества материалов съемки Эти технологии функционируют в составе систем обработки информации от космических аппаратов >ЮАА и Метеор ЗМ№1 Кроме того, результаты работы были использованы в учебном процессе и позволили улучшить качество преподавания дисциплин "Основы теории нечетких множеств" и "Системы искусственного интеллекта".

Апробация работы. Основные положения диссертации докладывались и обсуждались на 2-х Международных и 4-х Всероссий-

ских научно-технических конференциях. Международная конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2008,2 доклада), Международная конференция «Инфотелекоммуникационные технологии в науке, производстве и образовании» (Ставрополь, 2004), Научно-техническая конференция ФГУП "РНИИ КП", посвященная 60-летию предприятия (Москва, 2006), Всероссийская конференция «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2007, 2008) Всероссийская конференция «Сети, системы связи и телекоммуникации Деятельность ВУЗа при переходе на федеральный государственный образовательный стандарт 3-го поколения» (Рязань, 2008)

Публикации. Основные результаты диссертации опубликованы в 10-и работах, в том числе 2-е работы опубликованы в изданиях, рекомендованных ВАК В отраслевом фонде алгоритмов и программ Федерального агентства по образованию зарегистрирован комплект программ (свидетельство №10027 от 19 02 2008)

Внедрение результатов работы. Диссертационная работа выполнена в Рязанском государственном радиотехническом университете Результаты диссертационной работы в виде специализированного программного обеспечения внедрены в Научно-исследовательском Центре космической гидрометеорологии «Планета» (акт о практическом использовании от 12 02 2008) и в учебном процессе Рязанского государственного радиотехнического университета в курсах "Основы теории нечетких множеств" и "Системы искусственного интеллекта" (акт внедрения от 9 04 2008)

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения Основной текст работы содержит 134 стр , 39 рисунков и 5 таблиц Список литературы на 12 стр включает 111 наименований

СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы диссертационной работы, изложена цель и соответствующие ей задачи, представлена струюура работы

В первой главе выполнен анализ классических и современных подходов к сегментации изображений и идентификации облачных образований на космических многозональных изображениях Проведен анализ методов сегментации изображений основанных на колориметрическом подходе и на подходе использующем результат операций с разными спектральными диапазонами, а так же, предложена

одна из возможных классификаций по базовым свойствам точек изображения (разрывности и однородности функции яркости)

По результатам проведенного анализа сделаны выводы о том, что дальнейшее совершенствование алгоритмов идентификации облачных образований может быть реализовано на базе теории и методов искусственного интеллекта (искусственных нейронных сетей, нечеткой логики, нечетких множеств 2-го типа, генетических алгоритмов)

В второй главе рассматривается возможность использования искусственных нейронных сетей (ИНС) для решения задачи идентификации облачных образований. Показана принципиальная возможность применения технологии искусственных нейронных сетей в задачах идентификации облачных образований. Рассматриваются методы и алгоритмы идентификации облачных образований, реализующие технологию ИНС, работа которых основана на использовании алгоритма объективной классификации по принципу самообучения и самоорганизации Предложено проводить идентификацию облачных образований в виде задачи кластеризации в пространстве признаков в автоматическом режиме на основе использования сети Кохонена

Приведенные в работе примеры свидетельствуют о том, что применение искусственной нейронное сети Кохонена (карты Кохонена) в алгоритме кластеризации позволяет определять легкую облачность и избежать ложного отнесения к облачному покрову льда, песка и других образований с подобной интенсивностью Сравнительный анализ полученных результатов обработки спутниковых снимков показал ряд недостатков, которые наблюдаются у сети Кохонена в случае применения ее для рассматриваемых задач Недостатками алгоритма ИНС-КХ приходится считать следующие

- метод обучения является чисто эвристическим и завершение процедуры обучения не основывается на строгих оптимизационных математических моделях,

- обучение реализуется на основе случайного выбора, поэтому итоговые весовые коэффициенты выходных нейронов зависят от входной последовательности,

- различные начальные условия, могут привести к различным результатам обработки;

- ряд параметров алгоритма (скорость обучения, вид функции обновления весовых векторов соседей и пр), а так же целесообразность их изменения в процессе обучения предопределяет необходимость использования более сложных методов обработки, позволяющих добиться лучших результатов

В таблице 1 приведены примеры оценки ошибки ложного обнаружения Ело и ошибки ложного пропуска Елп _Таблица 1

Ошибки идентификации Алгоритм ИНС-КХ

Пример I Пример 2 Пример 3 Пример 4 Пример 5

г £ л О 0,0328 0,096152 0,000955 0,031198 0,016091

Елп 0,037897 0,027064 0,037756 0,042287 0,037647

Пример 6 Пример 7 Пример 8 Пример 9 Пример 10

Ело 0,17092 0,21026 0,19331 0,09027 0,17265

Елп 0,005958 0,0039645 0,005845 0,031599 0,0020351

Пример 11 Пример 12 Пример 13 Пример 14 Пример 15

с- пло 0,1411 0,18016 0,22046 0,055055 0,19998

р ^л п 0,0082896 0,0003105 0,026456 0,034144 0,0006707

Для устранения недостатков, связанных с обучением ИНС по стохастической выборке, предложен алгоритм, в котором обучающая выборка формируется в соответствии с результатами работы колориметрического алгоритма Для определения алгоритма функционирования ИНС при таком подходе используются следующие обозначения

/ = [/Л,/0,Л] _ многозональное спутниковое изображение,

где /2=/2{х,у), х = 1,Их, у = ЛГГ хЫу- размер изображения

1¥ = и>(;,у) - матрица весовых коэффициентов искусственной нейронной сети, и> - некоторый у - й столбец матрицы весовых коэффициентов,

X = (Хн,Ха,Хв) - входной вектор признаков, описывающий область изображения гхг, где fz = /г(х + я,у+^, 5 = 1 ,г,

/ = й, * = ЩлГ, у = йЩ

При используемых обозначениях алгоритм обучения модифицируется в последовательность следующих шагов обработки (алгоритм ИНС-КХ-К А)

1 На обрабатываемом изображении выделяется область размером гхг и формируется вектор X. Выделяемая область формируется по результатам работы колорометрического алгоритма В равных пропорциях выбираются три типа областей, центральные пиксели

которых отнесены к облачности; центральные пиксели которых отнесены к не облачности, центральные пиксели которых находятся на границе Выбранные области образуют обучающую выборку.

2 Для каждого вектора X, входящего в состав обучающей выборки, рассчитывают значение функции /(.*) = argrnin \\Х - Wj ||,

j = \,q, где q - число нейронов выходного слоя ИНС

3 У нейрона, вектор весов которого наиболее близок к входное вектору, корректируются весовые коэффициенты в соответствии с формулой w,(/ + l) = w(/) + ?7(/)(X-wy(/)), где г/(/) - параметр скорости обучения; w;(/) - вектор синаптических весов j -го нейрона на шаге /

4 Обработка в соответствии с пунктами 2 и 3 повгорятеся заданное число раз

Обученная ИНС в дальнейшем функционирует в соответствии с последовательностью действий

1 На обрабатываемом изображении последовательно выделяется область размером гхг и дня нее формируется вектор X

2 Для каждого входного вектора X определяется функция i(x) = arg mm || X - wJ ||, где j = \,q, q - число нейронов входного

слоя

3. На основании результатов анализа определяется нейрон - "победитель", т е исследуемая область отаосится к одному из классов

4 Пункты 1-3 повторяются последовательно для всех участков, на которые разбивается обрабатываемое изображение

Пример обработки изображения алгоритмом ИНС-КХ-КА приведен на рисунке 1. В результате обработки практически выделены 3 кластера непрозрачные облачные образования, полупрозрачные облачные образования, подстилающая поверхность К четвертому кластеру отнесены отдельные пиксели, являющиеся зашу млением обрабатываемого снимка

Для изображения, представленного на рисунке 1 оценки ошибок ложного обнаружения и ложного пропуска Ело =0,023947,

Елп =0,050416

Соотношение кластеров на выходе ИНС и объектов на спутниковом изображении, которая, в простейшем случае выполняется

Рисунок 1 - Пример обработки изображения алгоритмом ИНС-КХ-КА

(а) Исходное изображение (предоставлено НИИ "Фотон", г. Рязань).

(б) Результаты выделения 4-х кластеров.

(в) Наложение результатов обработки на исходное изображение. Красным цветом отмечены области отнесенные алгоритмом к "плотной" облачности, желтым цветом отмечены области отнесенные алгоритмом к "легкой" облачности.

оператором, однако более предпочтительной следует считать технологию обработки изображения, в которой подобная задача решается автоматически с использованием соответствующей процедуры, входящей в состав алгоритма кластеризации.

В случае идентификации на спутниковых снимках облачных образований соотношение кластеров с объектами на снимках несколько упрощается Во-первых, требуется выделить и идентифицировать только лишь облачные образования Во-вторых, известно формальное определение облачности на спутниковых снимках, так как оператор воспринимает облако на цветном снимке в виде серого объекта с несколькими градациями яркости В процессе обработки изображения выделяется идеальный объект "облако" в целевом пространстве признаков и в последующем проводится расчет расстояния от усредненной характеристики яркости всех объектов кластера до идеального объекта. Только тот кластер, который оказался наиболее близок к идеальному определению облачного покрова, считается в дальнейшем плотной облачностью.

Рассматриваемые в главе 2 ИНС не позволяют получить требуемого качества обработки из-за неустойчивости результатов

В третьей главе рассматривается возможность использования методов и алгоритмов нечеткой логики (HJI), генетических алгоритмов (ГА) и нечетких множеств второго типа (НМ2Т) для улучшения методов идентификации облачных образований Для решения задачи кластеризации изображений предложено использовать в качестве базового алгоритм нечетких ¿-средних (НкСр) Однако алгоритм НкСр в приложении к кластеризации элементов изображения характеризуется недостатками

- полученное решение может соответствовать локальному экстремуму, поэтому получаемые результаты могут зависеть от начальных параметров алгоритма,

- приемлемое решение находится в результате многократного прогона итеративных вычислений, что в значительной степени усложняет процесс обработай в реальном или квазиреальном масштабе времени

Предлагается в рамках алгоритма НкСр использовать метод эвристической оптимизации, а именно генетический алгоритм (ГА)

ГА(Р°, г, I, si, Fit, cr, ти, ot),

где ГА - генетический алгоритм, Р° - исходная популяция, г - количество элементов популяции; / - длина битовой строки, кодирующей решение, si - оператор селекции, Fit - фитнес-функция (функ-

ция приспособленности), определяющая "пригодность" решения, сг - оператор кроссинговера ("скрещивания"), определяющий возможность нового решения, ти -оператор мутации; о/ -операторотбора В качестве фитнесс-функции предлагается использовать индекс Хие-Бени.

--у-.

И-тт К, -УЛ

11

где к - число кластеров, N - число объектов, // - функция принадлежности, К, - координаты центра / -го кластера, Х1 - некоторый _/ -й объект

Струюура хромосомы, определяющая возможные мутации и скрещивания, представлена на рисунке 2

С1аз1ег1 С^ег 2 С^ег к

Р в В Я О в р в в Р в в

Рисунок 2 - Структура хромосомы

Укрупненная схема, алгоритма в котором используется модифицированный алгоритм нечетких к- средних (алгоритм НкСр-ГА), приведена на рисунке 3

Кластеризация с помощью алгоритма нечетких к -средних при значительных расхождениях в особенностях конфигурации кластеров может привести к нежелательному смещению границ, определяющую тот или иной кластер.

Применение интервальных нечетких множеств второго типа (ИНМ2Т) позволяет организовать в процессе итеративных вычислений управление значением фаззификатора т, что реализуется с помощью известного алгоритма Карника-Менделя Основной недостаток такого подхода заключается в резком усложнении процесса обработки из-за необходимости реализации двух вложенных итерационных циклов Поэтому предлагается следующая модификация управления дефаззи-фикатором.

Рисунок 3 - Укрупненная схема алгоритма сегментации изображений на основе проце-

дуры нечетких к - средних и генетического алгоритма

Для задания интервальной первичной функции принадлежности определяются нижняя и верхняя интервальные функции принадлежности при двух различных значениях фаззификатора /и,, тг Первичные функции принадлежности, представляющие образец х,, определяются следующим образом

1 1 1

если

к л -=-

/=1 °Ь 1

1 2 *2

к л - к л -

/=1

м ^

к й ии

в противном случае,

/=1

/Г

1

если

1

1

^ Ч

/=1

* Л

К^г-1

* л /=1

Й,

1

* £> —

К?)4"1

¡->1,

в противном случае

1/=1 л

В результате выполнения алгоритма для каждого кластера рассчитываются два значения центра кластера Р(И) и Уу<В), которые

позволяют найти скорректированное значение центра кластера у<я> + ы» _

Предложенный алгоритм НкСр-ИНМ2Т по сравнению с известным алгоритмом Карника-Менделя имеет незначительно худшие результаты по ошибкам ложного обнаружения и ложного пропуска, однако существенно превосходит его по производительности У1фуп-ненная схема работы алгоритма приведена на рисунке 4 На рисунке 5 приведен пример обработки изображения с помощью предложенного алгоритма НкСр-ИНМ2Т.

Алгоритмы представленные в главе 3 близки по точности к результатам работы человека

В четвертой главе рассматриваются вопросы проектирования высокопроизводительной программной системы идентификации облачных образований, поскольку предложенные алгоритмы обладают

НАЧАЛО

Случайным образом_сг разбиения^") и ^^ - енерировать матрицу нечеткого = 1 ,к

Рассчитать центры кластеров

М N 1-\ N

ЫН),у(В) _

' 1 , 1 = 1,к 2

Рассчитать расстояние между объектами из X и центрами кластеров

Определить функции принадлежности и У — 1 —

Оценить критерий разброса и £*^Я)ло формуле (3 8)

НЕТ

Рассчитать центры кластеров

1

Рисунок 4 - Укрупненная схема алгоритма нечетких к-средних с использованием интервальных нечетких множеств 2-го типа (алгоритм НкСр-ИНМ2Т)

Рисунок 5 - Пример результатов работы алгоритма НкСр-ИНМ2Т

(а) Исходное изображение (Предоставлено НИИ "Фотон", г. Рязань).

(б) Результат работы алгоритма НкСр-ИНМ2Т, последующим маркированием облачных образований с параметрами: число итераций = 100; т1 =2; т2 = 3.

(в) Результат работы алгоритма НкСр-ИНМ2Т, последующим маркированием облачных образований с параметрами: число итераций = 100; т1 =2; т2 = 4. Красным цветом отмечены области отнесенные алгоритмом к "плотной" облачности, синим цветом отмечены области отнесенные алгоритмом к "легкой" облачности.

высокой вычислительной сложностью. Для ускорения процесса обработки предложено два концептуальных подхода: Применение технологии клиент-сервер для обеспечения виртуального доступа пользователя к банку изображений Схема разработанной сетевой работы пользователя с сервером данных ДЗЗ приведена на рисунке 6 и обеспечивает возможность виртуального доступа удаленных пользователей к архиву космических изображений и средствам их обработки Во втором случае сервер комплектуется на основе высокопроизводительных специализированных аппаратных средств, архитектура которых поддерживает параллельную обработку и выполнение матричных операций

Пользователи

Рисунок 6 - Схема сетевой работы пользователя с сервером данных ДЗЗ В качестве такого спец средства в работе используется ней-ропроцессор NN46403 (разработанный НТЦ "Модуль", г Москва), позволяющий организовать параллельную обработку операций вектор-но-матричного умножения Программирование подобных задач реализовано с применением ассемблера и языка высокого уровня С Подобный подход позволяет организовать требуемую работу в реальном масштабе времени.

В заключении сформулированы основные результаты, полученные в диссертационной работе

В приложении представлены копии свидетельства о регистрации программы и актов о внедрении.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ наиболее известных и используемых методов сегментации изображений и локализации облачных образований, предложена одна из возможных классификаций по базовым свойствам точек изображения (разрывности и однородности функции яркости) Установлены узкие места существующих алгоритмов локализации облачности Показано что одним из эффективных путей устранения недостатков является использование методов и средств искусственного интеллекта

2 Предложено для решения задачи идентификации облачных образований использовать алгоритм кластеризации на основе искусственной нейронной сети Кохонена. Выполнены исследования и получены его точностные оценки

3 Предложена методика генерации обучающей выборки на основе колорометрического алгоритма, позволяющая стабилизировать результаты работы алгоритма кластеризации на основе искусственной нейронной сети Кохонена

4 Разработан алгоритм локализации облачных образований, основанный на процедуре кластеризации нечетких к - средних и генетическом алгоритме, что обеспечивает нахождение субоптамального решения и позволяет локализовать на космическом изображении облачность и слабую облачность

5 Предложен алгоритм локализации облачных образований, основанный на процедуре кластеризации нечетких к- средних, с использованием интервальных нечетких множеств второго типа, что обеспечивает управление конфигурацией кластеров и возможность локализации облачности с заданной градацией по прозрачности

6 Спроектирована высокопроизводительная программная система идентификации облачных образований обеспечивающая виртуализацию доступа к банкам изображений и высолю производительность за счет применения параллельных вычислений Публикации по теме диссертации

1 Артемкин ДЕ, Тишкин РВ Применение нейронных сетей при поиске изображений по шаблону // Материалы Первой международной научно-технической конференции «Инфотеле-коммуникационные технологии в науке, производстве и образовании» Ставрополь Северо-Кавказский ГТУ, 2004, с 129-133

2 Тишкин Р В Нейросетевые алгоритмы идентификации

облачности по спутниковым изображениям //Научно-техническая конференция ФГУП «РНИИ КП», посвященная 60-летию предприятия (10-12 октября 2006 г) Тезисы докладов -М ФИЗМАТЛИТ, 2007, с 323

3 Тишкин РВ, Шевяков А Г. Распределенная система управления динамикой робота// Известия ТулГУ серия Вычислительная техникаВып 3 том2, Издательство ТулГУ, 2006, с 216-218

4 Тишкин РВ. Web-технологии обработки космических изображений // Новые информационные технологии в научных исследованиях и образовании Материалы XII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов Рязань РГРТУ, 2007, с. 302-304

5. Тишкин РВ Технология виртуального доступа к банкам изображений // Научно-технические ведомости СПбГПУ №4-2 (52),

2007 с 113-116

6 Тишкин Р В. Автоматический выбор эффективного числа кластеров в процедуре нечеткой кластеризации // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций Материалы 15-й Международной науч -техн конференции Рязань РГРТУ, 2008, с 16-17

7 Пылькин А Н, Тишкин Р В Нечеткая модель представления изображения // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций материалы 15-й Международной науч -техн Конференции Рязань РГРТУ, 2008, с 25-27

8 Тишкин РВ Комплект программ для сегментации изображений с помощью методов искусственного интеллекта. М ОФАП,

2008 (свидетельство о регистрации №10027 от 19 02 2008)

9. Демидова JI А, Тишкин Р В Обработка изображений на основе алгоритма нечетких k-средних с использованием нечетких множеств второго типа // Сети, системы связи и телекоммуникации. Деятельность ВУЗа при переходе на федеральный государственный образовательный стандарт 3-го поколения материалы 33-й Всероссийской науч-техн конф Рязань РВВКУС, 2008, с 75-76

10 Пылькин АН, Тишкин РВ Алгоритм кластеризации объектов изображений на основе использования интервальных нечетких множеств второго типа // Новые информационные технологии в научных исследованиях и образовании Материалы XIII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов Рязань РГРТУ, 2008, с 169-170

Тишкин Роман Валентинович

СИСТЕМА ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ

ОБРАЗОВАНИЙ НА КОСМИЧЕСКИХ МНОГОЗОНАЛЬНЫХ ИЗОБРАЖЕНИЯХ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 23 06 2008г Формат бумаги 60x80 1/16 Бумага офисная Печать трафаретная Уел печ л. 1,0 Уч -изд л 1 0 Тираж 100 экз

Редакционно-издательский центр ГОУ ВПО «Рязанский государственный радиотехнический университет» 390005, г Рязань, ул Гагарина, 59/1

Введение.

1. МЕТОДЫ И АЛГОРИТМЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ.

1.1 Общая характеристика и классификация методов на основе выделения границ.

1.2. Методы и алгоритмы сегментации, основанные на разметке точек области.

1.2.1. Пороговая обработка.

1.2.2. Сегментация на основе кластерного анализа.

1.2.3. Разделение и слияние областей.

1.2.4. Релаксационная разметка.

1.3. Общая характеристика и классификация методов на основе искусственных нейронных сетей.

1.3.1. Применение искусственных нейронных сетей с обратным распространением ошибки.

1.3.2. Использование самоорганизующихся ИНС.

1.4. Общая характеристика методов на основе нечеткой логики.

1.5. Особенности сегментации цветных изображений.

Выводы.

2. ПРИМЕНЕНИЕ ТЕХНОЛОГИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В АЛГОРИТМАХ ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ.

2.1. Оценка качества и эффективности методов идентификации облачных образований.

2.2. Идентификации облачных образований с помощью сети Кохонена.

2.3. Обучение нейронной сети с помощью колорометрического алгоритма.

Выводы.

3. АЛГОРИТМЫ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ ПРИ ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ.

3.1. Четкая кластеризация алгоритмом к - средних.

3.2. Базовый алгоритм нечетких А:-средних.

3.3. идентификации облачных образований на основе генетического алгоритма.

3.4. Эффективность использования нечетких множеств второго типа при идентификации облачных образований.

3.5. Сравнительный анализ показателей алгоритмов идентификации облачных образований на основе методов и алгоритмов нечеткой логики.

Выводы.

4. ПРОГРАМНО-АППАРАТНАЯ РЕАЛИЗАЦИЯ МЕТОДОВ И АЛГОРИТМОВ.

4.1. Технологи виртуального доступа к банкам спутниковых изображений.

4.2. Реализация клиентского программного обеспечения.

4.3. Разработка серверного программного обеспечения.

4.3.1. Выбор транспортного протокола.106

4.3.2.Прикладной протокол взаимодействия клиента с сервером обработки изображений.

4.3.3. Описание библиотек обработки изображений используемых сервером.

4.4. Применение микропроцессора NM6403 при реализации алгоритмов сегментации изображений.

Выводы.

Актуальность работы. Космические системы дистанционного зондирования Земли (ДЗЗ) позволяют получать изображения, на которых представлены как облачные образования, так и объекты суши и водной поверхности. Причем для решения гидрометеорологических задач облачные образования являются предметом исследования, а для задач картографирования территорий, изучения природных ресурсов и др. облака являются помехами и подлежат исключению из процесса обработки видеоматериалов. В обоих случаях возникает необходимость распознавания и выделения на изображениях облачных образований.

Наиболее успешный опыт решения задачи по автоматическому распознаванию облачности реализован, в американском проекте Blue Marble: Next Generation, в котором для этой цели применяется гиперспектральный принцип сканерной съемки, а так же использование широкого набора данных о параметрах атмосферы и земной1 поверхности. Однако большое число спутниковых систем выполняют съемку в видимом (RGB) диапазоне спектра. Для распознавания облачности на получаемых таким способом снимках применяются пороговые алгоритмы сегментации, которые в, отдельных случаях не обеспечивают требуемого качества распознавания, по сравнению с тем, как это может выполнить оператор. Отсюда возникает острая необходимость в разработке новых подходов идентификации облачности на космических изображениях, обеспечивающих сравнимую с интеллектуальными возможностями человека точность распознавания.

Значительный вклад в развитие направления' анализа данных ДЗЗ внесли отечественные и зарубежные ученые: Асмус В.В., Вудс Р., Гонсалес Р., Злобин В.К., Лупян Е.А., Прэтт У., Сойфер В.А. и др. Их исследования по дистанционному наблюдению Земли и обработке видеоинформации составляют теоретическую основу для решения поставленных задач.

Цель работы заключается в создании высокоэффективных алгоритмов идентификации облачных образований на космических многозональных изображениях на основе методов искусственного интеллекта: искусственных нейронных сетей, нечеткой логики, генетических алгоритмов и нечетких множеств второго типа.

Для достижения поставленной цели решаются следующие основные задачи: анализ классических и современных методов сегментации изображений и идентификации облачных образований; разработка алгоритмов идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта. разработка алгоритмов идентификации облачных образований с учетом степени их прозрачности; i проектирование высокопроизводительной программной системы идентификации облачных образований на основе технологий удаленного доступа и параллельных вычислений.

Научная новизна работы заключается в том, что впервые предлагаются гибридные алгоритмы искусственного интеллекта для идентификации облачных образований на спутниковых изображениях земной поверхности. Так же впервые предлагаются алгоритмы идентификации облачных образований с учетом степени прозрачности облачных образований на основании только данных ДЗЗ, полученным в видимом диапазоне спектра.

Основные положения выносимые на защиту: методика обучения искусственной сети Кохонена с помощью колорометрического алгоритма; алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечетких к -средних и оптимизации с помощью генетического алгоритма, позволяющий идентифицировать облачность и слабую облачность; алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечеткой кластеризации и интервальных нечетких множествах второго типа, позволяющий идентифицировать облачность с заданной градацией по прозрачности; технология виртуального доступа к банкам изображений с использованием службы сетевого запуска программ JavaWebStart и нейропроцессора для ускорения вычислений.

Практическая ценность работы состоит в том, что на базе предложенных в диссертации алгоритмов спроектированы технологии сегментации облачности, используемые при построении карт подстилающей поверхности по спутниковым изображениям и при оценке качества материалов съемки. Эти технологии функционируют в составе систем обработки информации от космических аппаратов NOAA и Метеор ЗМ №1. Кроме того, результаты работы были использованы в учебном процессе и позволили улучшить качество преподавания дисциплин "Основы теории нечетких множеств" и "Системы искусственного интеллекта".

Апробация работы. Основные положения- диссертации докладывались и обсуждались на 2-х Международных и 4-х Всероссийских научно-технических конференциях: Международная конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2008; 2 доклада); Международная конференция «Инфотелекоммуникационные технологии в науке, производстве и образовании» (Ставрополь, 2004); Научно-техническая конференция ФГУП "РНИИ КП", посвященная 60-летию предприятия (Москва, 2006); Всероссийская конференция «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2007, 2008). Всероссийская конференция «Сети, системы связи и телекоммуникации. Деятельность ВУЗа при переходе на федеральный государственный образовательный стандарт 3-го поколения» (Рязань, 2008).

Публикации. Основные результаты диссертации опубликованы в 10-и работах, в том числе 2-е работы опубликованы в изданиях, рекомендованных ВАК. В отраслевом фонде алгоритмов и программ Федерального агентства по образованию зарегистрирован комплект программ (свидетельство №10027 от 19.02.2008).

Внедрение результатов работы. Диссертационная работа выполнена в Рязанском государственном радиотехническом университете. Результаты диссертационной работы в виде специализированного программного обеспечения внедрены в Научно-исследовательском Центре космической гидрометеорологии «Планета» (акт о практическом использовании от 12.02.2008) и в учебном процессе Рязанского государственного радиотехнического университета в курсах "Основы теории ^нечетких множеств" и "Системы искусственного интеллекта" (акт внедрения от 9.04.2008).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Основной текст работы содержит 134 стр., 39 рисунков и 5 таблиц. Список литературы на 12 стр. включает 111 наименований.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ наиболее известных и используемых методов сегментации изображений и локализации облачных образований, предложена одна из возможных классификаций по базовым свойствам точек изображения (разрывности и однородности функции яркости). Установлены узкие места существующих алгоритмов локализации облачности. Показано что одним из эффективных путей устранения недостатков является использование методов и средств искусственного интеллекта

2. Предложено для решения задачи идентификации облачных образований использовать алгоритм кластеризации на основе искусственной нейронной сети Кохонена. Выполнены исследования и получены его точностные оценки.

3. Предложена методика генерации обучающей выборки на, основе колорометрического алгоритма, позволяющая стабилизировать результаты работы алгоритма кластеризации на основе искусственной нейронной сети Кохонена.

4. Разработан, алгоритм локализации облачных образований, основанный на процедуре кластеризации нечетких к— средних и генетическом алгоритме, что обеспечивает нахождение субоптимального решения и позволяет локализовать на космическом изображении облачность и слабую облачность.

5. Предложен алгоритм локализации облачных образований, основанный на процедуре кластеризации нечетких к~ средних, с использованием интервальных нечетких множеств второго типа, что обеспечивает управление конфигурацией кластеров и возможность локализации облачности с заданной градацией по прозрачности.

6. Спроектирована высокопроизводительная программная система идентификации облачных образований обеспечивающая виртуализацию доступа к банкам изображений и высокую производительность, за счет применения параллельных вычислений.

1. Аксенов О., Борисов Ю., К разрядности вычислителя БПФ при его реализации на процессоре JI1879BM1 (NM6403) // Цифровая обработка сигналов, No2, 2004

2. Аксенов О. Распределение вычислительного процесса в многопроцессорном комплексе обработки видеоинформации // Цифровая обработка сигналов, No2, 2004

3. Аксенов О., Задержка обработки информации в многопроцессорных вычислителях различной конфигурации, // "Цифровая обработка сигналов", No2, 2005

4. Аксенов О. Реализация искусственных нейронных сетей в НТЦ "Модуль" // "Компоненты и технологии", No4, 2005

5. Алексеев А.С., Асмус В.В., Милехин О.Е., Пяткин В.П. Изучениеприродной среды и климата методами космического мониторинга //!

6. Тезисы докладов Международной Конференции по Математическим Методам в Геофизике «ММГ-2003» Россия, Новосибирск, Академгородок 8-12 октября 2003 г.

7. Асмус В.В., Попов А.Е., Спиридонов Ю.Г. Кластеризация многозональных СВЧ радиометрических измерений. В сб.: Дистанционное зондировакние Земли со спутника "Метеор-Природа". JL: Гидрометеоиздат, 1985. стр. 127-134.

8. Асмус В.В. Методические и прикладные задачи космического123мониторинга природной среды / Асмус В. В., Пяткин В. П. // Моделирование географических систем : мат. Всерос. науч.-метод. конф. Иркутск, 2004. - С. 20-24

9. Асмус В.В., Кровотынцев В.А. Оценка состояния полярных ледяных покровов с использованием данных с ИСЗ "Океан" // http://www.internevod.com/rus/academy/sci/02/a2.shtml

10. Барталев С.А., Лупян Е.А. Спутниковый мониторинг бореальных экосистем // Природа №9, 2005 с. 44-53.

11. П.Борисов Ю., Кашкаров В., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки // Открытые системы", No4, 1997

12. Борисов Ю. Комплекс "Трафик-Монитор" на базе процессора Л1879ВМ1. Особенности разработки // "Электроника:НТБ", №6, 2003

13. Гонсалес Р., Вудс Р. "Цифровая обработка изображений", М.: Техносфера 2005

14. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде Matlab М.: Техносфера, 2006. 616с.

15. Демидова Л.А., Кираковский В.В., Пылькин А.Н. Алгоритмы и системы нечеткого вывода при решении задач диагностики городских инженерных коммуникаций. М.: Радио и связь, Горячая линия Телеком, 2005.-365 е.: ил.

16. Денисов Д.А., Низовкин В.А. Сегментация изображения на ЭВМ // Зарубежная радиоэлектроника. 1985. № 10. С. 5-30.

17. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир. 1976. -511с.

18. Еремеев В.В. Методы и информационные технологии межотраслевой, обработки многозональных космических изображений. Диссертация, Рязань, 1996, с. 307.

19. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений М.: Мир, 1976.-165 с.

20. Злобин В.К., Селиванов А.С., Еремеев В.В. и др. Мультипроцессорная технология межотраслевой обработки видеоданных, полученных космической системой «Ресурс-01» // Исследование Земли из космоса. 1992. №2. с. 87-90.

21. Злобин В.К., Еремеев В.В., Васильев В.М. Стохастическая модель космических изображений и ее использование для сегментации природных объектов. Автометрия № 6 2000г.

22. Злобин В.К., Кочергин A.M. Колорометрический подход к сегментацииоблачных образований на многозональных снимках. // Космонавтика. Радиоэлектроника. Геоинформатика: Тезисы докладов 4-й международной научно-технической конференции, РГРТА, 2003г.

23. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Телекоммуникационные средства связи с архивами данных дистанционного зондирования Земли // Электросвязь. 2003. №1. с. 7-8.

24. Злобин В.К., Еремеев В.В. Обработка аэрокосмических изображений. — М.: ФИЗМАТЛИТ, 2006. -288с.

25. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Обработка изображений в геоинформационных системах. РГРТУ, Рязань 2006. 264с.

26. Злобин В.К., Кочергин A.M. Алгоритмы и технологии предварительной обработки изображений в системах каталогизации данных дистанционного зондирования земли. // Вестник РГРТУ, Вып. 23. Рязань, 2008 с 5-14.

27. Калан Р. "Основные концепции нейронных сетей" М.: Издательский дом «Вильяме» 2003

28. Камер Д., Стивене Д. Сети TCP/IP, том 3. Разработка приложений типа клиент/сервер для Linux/POSIX. М.: Издательский дом "Вильяме", 2002. 592 с.

29. Кашкаров В., Мушкаев С. Организация параллельных вычислений в алгоритмах БПФ на процессоре NM6403 // Цифровая обработка сигналов №1,2001

30. Комарцова Л.Г., Максимов А.А. Нейрокомпьютеры, М.: МГТУ им. Н.Э. Баумана, 2004. 400с.

31. Кормер Т. и др. Алгоритмы: построение и анализ, 2-е издание М.: Издательский дом "Вильяме", 2005. - 1296 с.

32. Корпорация intel представила первую в отрасли микросхему,изготовленную по 32-нм технологическому процессу, а такжеархитектуру микропроцессоров следующего поколения под кодовым наименованием nehalem // Technology@Intel №28, июнь 2007.

33. Костров Б.В., Ручкин В.Н. Основы искусственного интеллекта М.:Десс -2007г. 192с.

34. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика М.: Горячая линия Телеком 2002.

35. Кузнецов А.Е. Организация координатной обработки аэрокосмической видеоинформации в мультипроцессорных системах. Диссертация, Рязань, 1990, с. 149.

36. Кузнецов А.Е., Кочергин A.M. Обработка изображений в задаче каталогизации данных дистанционного зондирования. Известия вузов: Геодезия и аэрофотосъемка. 2002г. №1. с. 166-172.

37. Кузнецов А.Е. Математическое и программное обеспечение систем обработки данных дистанционного зондирования Земли. Диссертация, Рязань, 2003, с. 328.

38. Лупян Е.А. Использование Интернет-технологий для построения систем мониторинга окружающей среды // Механика, Управление и Информатика, Семинар ИКИ РАН, 2005г. http://www.iki.rssi.rU/seminar/materials.htm#2005

39. Люггер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем -М.: Издательский дом "Вильяме", 2005 .-864с.

40. Методы компьютерной обработки изображений под. ред. В.А. Сойфера, М.: Физматлит 2003

41. Мушкаев С. К вычислению квадратов и абсолютных значений на* процессоре КМ6403(Л1879ВМ1) // Цифровая обработка сигналов, Nol, 2005

42. Мушкаев С., Ландышев С. Применение процессора Л1879ВМ1 для сжатия изображений // Цифровая обработка сигналов, №1, 2002

43. Мушкаев С. Реализация ранжирующих и. медианных фильтров на процессоре NM6403 (Л1879ВМ1) // Цифровая обработка сигналов, №1, 2005

44. Назаров Л.Е. Нейросетевые методики идентификации (полной сегментации) типов земных покровов по космическим многозональным изображениям. НЕЙРОКОМПЬЮТЕРЫ: РАЗРАБОТКА И ПРИМЕНЕНИЕ, #9-10, 2002

45. Нейрокомпьютеры в системах обработки изображений. Под ред. Ю.В.

46. Гуляева и А.И. Галушкина. М.: Радиотехника 2003.

47. НТЦ "Модуль" http://www.module.ru/

48. Оссовский С. "Нейронные сети для обработки информации" М.: Финансы и статистика 2004.

49. Попова О. Слияние потоковых видеоизображений на процессоре NeuroMatrix NM6403, Цифровая обработка сигналов. № 4, 2006

50. Представляем новое поколение микроархитектуры Intel® Core™ на базе 45-нанометровой производственной технологии // Technology@Intel №28, июнь 2007.

51. Прэтт У. Цифровая обработка изображений — М.: Мир, том 1.1982 — 310с.

52. Прэтт У. Цифровая обработка изображений М.: Мир, том 2 1982 -478с.

53. Пылькин А.Н., Тишкин Р.В. Нечеткая модель представления изображения \\ Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы 15-й международной науч.-тех.

54. Конференции, Рязань, РГРТУ, 2008 с. 25-27

55. Рассел С., Норвиг П. Искусственный интеллект: современный подход — М.: Издательский дом "Вильяме", 2006. 1408с.

56. Тишкин Р.В. "Нейросетевые алгоритмы идентификации облачности по спутниковым изображениям" Тезисы докладов научно-технической конференции ФГУП «РНИИ КП» М.: ФГУП «РНИИ КП» 2006.

57. Тишкин Р.В. Web-технологии обработки космических изображений. Новые информационные технологии в научных исследованиях и образовании: материалы XII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. РГРТУ 2007.

58. Тишкин Р.В., Шевяков А.Г. Распределенная система управления динамикой робота \\ Известия ТулГУ серия: Вы-числительная техникаI

59. Вып.З том 2, Издательство ТулГУ 2006.

60. Тишкин Р.В. Технология виртуального доступа к банкам изображений. \\ Научно-технические ведомости СПбГПУ №4-2 (52), 2007 с. 113-116*

61. Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход, М.: Издательский дом "Вильяме", 2004г.

62. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений Красноярск.: Издательство Красноярского ун-та, 1992 - 248с.

63. Хайкин С., "Нейронные сети", Полный курс, второе издание, Изд. дом "Вильяме", 1104 стр.

64. Хорстман Кей С., Корнел Гарри, Java 2. Библиотека профессионала, том 1

65. Основы, 7-е изд. -М.: Издательский дом "Вильяме", 2006г. 896с.

66. Хьюз К., Хьюз Т. Параллельное и распределенное программирование с использованием С++. М.: Издательский дом "Вильяме", 2004-672с.

67. Хуанг Т.С. и др. Быстрые алгоритмы в цифровой обработке изображений М.: Радио и связь, 1984. - 224с.

68. Черников В. и др., Семейство- процессоров обработки сигналов с векторно-матричной архитектурой NeuroMatrix®, журнал "Компоненты и технологии", No6, 2006

69. Черников В.М., Виксне П.Е., Фомин Д.В. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов // "Приборостроение". 1996. Т. 39. No7. С. 13 21

70. Шапиро JL, Стокман Д. Компьютерное зрение — М.: БИНОМ. Лаборатория знаний, 2006. 752с.

71. Шевченко П., Шкуренко А. Декодер цифрового телевизионного сигнала высокой четкости: Система на кристалле журнал "ЭЛЕКТРОНИКА: НТБ" №5, 2007

72. Штовба С.Д. Введение в теорию нечётких множеств и нечёткую логику. http://matlab.exponenta.ru/fuzzylogic/bookl/

73. Яне Б. Цифровая обработка изображений М.: Техносфера, 2007.-584с.

74. Ярушкина Н.Г. Основы теории нечетких и гибридных систем — М.: Финансы и статистика, 2004. 320с.

75. Atkinson P.M., Tatnall A.R.L. Neural Networks in Remote Sensing, Int. J. of Remote Sensing. 1997, vol. 18, no 4, pp. 699-709

76. Bezdek, J.C., Keller, J., Krisnapuram, R., Pal, N.R. Fuzzy Models and Algorithms for Pattern Recognition and Image Processing 2005, 776 стр.

77. Borsoti M., Campadelli P., Schettini B. Quantitative evaluation of color image results/TPattern Recognition Letters. 1998.-Vol.l9.-P.741-747

78. Burt P.J., Adelson E.H., "The Laplacian Pyramid as a Compact Image Code," IEEE Trans, on Communications, pp. 532—540, April 1983.

79. Chung-Hoon R. Uncertain fuzzy clustering: Insights and Recommendations 44-56 IEEE Computational intelligence magazine volume 2 number 1

80. Etienne E. Kerre, Mike Nachtegael Fuzzy Techniques in Image Processing Physica-Verlag 2000, 412 стр.

81. Fisher P. Wath is where? Type-2 Fuzzy sets for Geographical information. 914 IEEE Computational intelligence magazine volume 2 number 1

82. Gregory J. E. Rawlins Foundations of Genetic Algorithms Morgan Kaufmann 1991, 341 стр.

83. Hagras Hani Type-2 FLCs: a new generation of fuzzy controllers. 30-43 Computational intelligence magazine volume 2 number 1

84. Hernandez Maria, Mendez Gerardo Modelling and prediction of the MXNUSD exchanged rate using interval singleton type-2 fuzzy logic systems ст. 5-8 IEEE Computational intelligence magazine volume 2 number 1

85. Hwang C., Chung-Hoon R. Uncertain Fuzzy Clustering: Interval Type-2 fuzzy approach to C-means // IEEE Trans. On fuzzy Systems vol. 15 num. 1 c. 107120

86. Java Advanced Imaging projects https://iai.dev.iava.net/

87. Java Advanced Imaging Stuff https://iaistuff.dev.iava.net/

88. Java Web Start Developer's Guide. Version 1.2 http://iava.sun.eom/products/iavawebstart/l.2/docs/developersguide.html

89. Kohonen T. Self-Organizing Maps Springer 2001 501c.

90. Lee J. и др. A Neural Network Approach to Cloud Classification IEEE Trans. On Geosciences and Remote sensing vol. 28 No.5 1990

91. MacQueen J. B. (1967): "Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability", Berkeley, University of California Press, 1:281-297

92. Mendel, J.M., Type-2 Fuzzy Sets and Systems and Overview IL IEEE Computational Intelligence Magazine 2(l):20-29, Febuary 2007.

93. Mendel Uncertain Rule-Based fuzzy logic systems: introduction and new direction, Prentice Hall, upper saddle river, NJ, 2001

94. NeuroMatrix. Руководство пользователя. Версия 1.0. 1999 301 с.

95. Open Source Computer Vision Library http://www.intel.com/technology/computing/opencv/

96. Robert John, Coupland Simon Type-2 Fuzzy Logic: A Historical view. 5762 IEEE Computational intelligence magazine volume 2 number 1

97. Rosenblatt, Frank (1958), The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Cornell Aeronautical1.boratory, Psychological Review, v65, No. 6, pp. 386-408.

98. Sankar K. Pal Paul P. Wang Genetic Algorithms for Pattern Recognition CRC Press 1996, 336 стр.

99. Starovoitov V., Samal D. Experimental study of color image similarity// Machine Graphics & Vision. 1998. Vol.7.-N.l/2.-P.447-454.

100. Werbos P.J. The Roots of Backpropagation: From Ordered Derivatives to Neural Networks and Political Forecasting Wiley-IEEE 319 c.110. www.sun.com

101. Xei X.L., Beni G.A. Validity Measure for Fuzzy Clustering // IEEE Trans, on Pattern Anal, and Machine Intell. 3 (8). 1991. - P. 841 - 846.1. УТВЕРЖДАЮ

102. Зам. директора ГУ «НИЦ «Планета»,1. Л <е?.2008 г.1. О.Е. Милехин1. АКТо практическом использовании результатов кандидатской диссертации Тишкина Романа Валентиновича

103. Разработанные алгоритмы используются в программных продуктах построения карт облачных образований и ледовой обстановки по данным спутниковых измерений.

104. Заведующий отделом, к.т.н.1. В.И.Соловьев

105. Заместитель заведующего кафедрой вычислительной и прикладной математики к.т.н., доцент И/7У / В.С.Новичков

106. ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ1. РЕГИСТРАЦИИ РАЗРАБОТКИ* " ' • • • L • • • • • • •1. М 10027•У ' ••;••

107. Настоящее свидетельство выдано на разработку:v.*.- .v.- ■.*.■-■ v. ■.••*.С1. W '.*,*/ . Vзарегистрированную в Отраслевом фонде алгоритмов и программ.

108. Дата регистрации: 19 февраля 2008 годал:':-. '■:*:•*• ::::: *::у'• • • » ,*/,* • . • • ■ • • • - •1. Автор: Тишкин Р.В.1. Директор1. Руководитель ОФА

109. Е.Г. Калинкевич А-И. Галкина1. Дата выдачи