Рабочие алгоритмы и устройства распознавания типов объектов при наличии мешающих факторов

Рабочие алгоритмы и устройства распознавания типов объектов при наличии мешающих факторов

Автор: Нгуен Дак Туан

Автор: Нгуен Дак Туан

Шифр специальности: 05.12.04

Научная степень: Кандидатская

Год защиты: 2007

Место защиты: Рязань

Количество страниц: 151 с. ил.

Артикул: 3320456

Стоимость: 250 руб.

Рабочие алгоритмы и устройства распознавания типов объектов при наличии мешающих факторов  Рабочие алгоритмы и устройства распознавания типов объектов при наличии мешающих факторов 

Оглавление
ВВЕДЕНИЕ
1. ОБЗОР МЕТОДОВ РАСПОЗНАВАНИЯ СИГНАЛОВ.
1.1. Вводные замечания
1.2. Состояние вопроса
1.3. Структура системы распознавания.
1.3.1. Проблема выделения признаков
1.3.2. Обучение с учителем и без учителя.
1.3.3. Методы распознавания
1.4. Искусственные нейронные сети
1.5. Программа математического моделирования отражений радиолокационных сигналов от воздушных объектов
1.6. Распознавание сигналов в спектральной области.
1.6.1. Постановка задачи.
1.6.2. Оценка центральной частоты случайного сигнала.
1.6.3. Оценка ширины спектра случайного сигнала
1.7. Выводы к главе 1
2. РАСПОЗНАВАНИЕ СЛУЧАЙНЫХ СИГНАЛОВ КЛАССИЧЕСКИМИ МЕТОДАМИ.
2.1. Вводные замечания.
2.2. Создание множества признаков распознавания
2.3. Классические методы распознавания сигналов
2.3.1. Байесовское решающее правило
2.3.2. Метод минимума расстояния.
2.3.3. Метод ближайших соседей.
2.3.4. Сравнительный анализ ошибок метода ближайших соседей и
метода Байеса
2.4. Распознавание случайных сигналов по обобщенным признакам с помощью преобразования КаруненаЛоэва
2.4.1. Создание обобщенных признаков с помощью преобразования
КаруненаЛоэва.
2.4.2. Результаты распознавания по обобщенным признакам
2.5. Распознавание по признакам с помощью преобразования Фурье
2.5.1. Создание признаков с помощью преобразования Фурье.
2.5.2. Результаты распознания по признакам в базисе Фурье
2.5.3. Влияние числа отсчетов признаков ПФ на ВПР
2.6. Вычисление собственных значений матриц в пакетах МаОаЬ МаЛсас .
2.7. Выводы к главе 2
3. РАСПОЗНАВАНИЕ ВОЗДУШНЫХ ОБЪЕКТОВ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.
3.1. Вводные замечания
3.2. Формирование признаков в задаче распознавания воздушных объектов.
3.3. Создание множества признаков для воздушных объектов
3.4. Выбор структуры ИНС
3.5. Обучение ИНС.
3.5.1. Математическая интерпретация алгоритма ОРО.
3.5.2. Метод градиентного спуска
3.5.3. Метод сопряженных градиентов
3.5.4. Свойство обобщения ИНС
3.5.5. Обучение с шумом
3.6. Зависимость ВПР от изменения ракурса наблюдения воздушного
объекта
3.7. Сравнение методов распознавания.
3.8. Сравнение результатов по временным и частотным признакам
3.9. Выбор количества нейронов в скрытом слое по максимуму ВПР.
3 Создание двумерных изображений ВО с помощью РЛС.
3 Анализ аппаратной реализации нейросетевых алгоритмов
распознавания воздушных объектов.
31. Типы нейрокомпьютеров
32. Аппаратные средства нейроускорителей.
33. Определение требований для аппаратной реализации НС
3 Выводы к главе 3
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


Это требование не всегда приемлемо на практике в связи с трудностями технической реализации. Еще один вьетнамский исследователь Ле Дай Фонг (защитил диссертацию в году в ЛЭЛТИ под руководителям Веремьева В. И.) использовал временные дальностные портреты для распознавания 9 типов воздушных объектов и получил результаты по вероятности распознавания и структуру ИНС []. Но в его работе отсутствуют решения проблемы неопределенности ДП в окне наблюдения, сравнения ИНС с другими методами и оценка времени выполнения алгоритмов. Обобщенная структура системы распознавания сигналов представлена на рис. Датчик соответствующий анализируемому объекту, обеспечивает поступление исходных данных. В системе распознавания сигналов можно принять самые обычные датчики, например микрофоны в системах распознавании речи, электрокардиографы при исследовании электрической активности сердца, радиолокационные приемники в системах распознавания воздушных объектов и т. Рисунок 1. Блок предварительной обработки используется для формирования признаков сигналов. Основная цель блока преобразовать пространство исходных данных в пространство признаков меньшего размера при сохранении полезной информации. Его обработка должна обеспечить преобразование и сжатие исходных данных и может выполняться в несколько этапов для того, чтобы определить свойства или признаки и снизить влияние шума. Классификатор решает, к какому классу принадлежит наблюдаемый сигнал по вступающим в его вход признакам и решающему правилу. Для построения классификатора можно использовать разные методы. Если известна априорная информация о распознаваемых сигналах, можно использовать статистические методы, иначе придется использовать правило ^-ближайших соседей или искусственные нейронные сети. Остальные методы можно построить на основе этих методов. Выделение признаков является первым этапом распознавания. Выбор признаков для распознавания определяется решаемой задачей и обычно рассматривается как процесс преобразования исходного сигнала в более эффективные признаки. Если это преобразование является линейным, то функция, связывающая признаки с исходными переменными удобна для нахождения коэффициентов линейной функции, максимизирующих или минимизирующих заданный критерий. Очевидно, что количество признаков, необходимое для успешного решения конкретной задачи распознавания, зависит от разделяющих качеств выбранных признаков. Задача выбора признаков усложняется обычно тем обстоятельством, что наиболее важные признаки не всегда легко измерить, либо, как оказывается во многих случаях, соответствующие возможности измерения сдерживаются техникоэкономическими ограничениями. Приведем выбор признаков при распознавании воздушных объектов. Такой признак как масса объекта с точки зрения распознавания радиотехническими методами не приемлем. Более реально использовать другие признаки, такие как скорость, траектория, интенсивность отражения от объекта. В случае использования многих признаков выбор наиболее эффективных признаков позволяет снизить размерность вектора измерений. Выбор признаков можно осуществлять вне связи с качеством схемы классификации. Оптимальный выбор признаков при этом определяется максимизацией или минимизацией некоторой критериальной функции. Другой подход связывает выбор признаков с качеством классификации. Эффективность выбранных признаков непосредственно связана с качеством классифицирующей системы. Обычно эта связь выражается в терминах вероятности правильного распознавания. В большинстве случаев распознавания сигналов, полученные датчиком признаки записываются в виде вектора дискретных значений, затем выпольняется процесс преобразования для выделения признаков. Рассмотрим два главных разложения, используемые при распознавании сигналов. Преобразование Фурье - это один из методов обработки сигналов, который позволяет охарактеризовать частотный состав измеряемого сигнала. Преобразование Фурье является математической операцией, которая связывает временной или пространственный сигнал с его представлением в частотной области.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.200, запросов: 235