Алгоритмические и программные средства аналитического и неразрушающего контроля параметров природной среды на основе метода выделения структур

• Автор: Катаев, Сергей Григорьевич
• Шифр специальности: 05.11.13
• Научная степень: Докторская
• Год защиты: 2012
• Место защиты: Томск
• Количество страниц: 354 с. : ил.

Введение

Глава /.Обнаружение закономерностей в массивах экспериментальных данных

1.1 Введение

1.2 Основные подходы, применяемые в кластерном анализе

1.3 Метод выделения структур

1.3.1 Алгоритм метода выделения структур (REVPAT)

1.3.2 Пример работы алгоритма МВС

1.3.3 МВС и кластерный анализ

1.4. Алгоритм BINREL

1.4.1 Структуры на случайном фоне

1.5 Метод структурного анализа (MSA)
1.6 Классификация данных
1.7 Выводы к главе
Глава 2. Задача аппроксимации случайного потока однородных событий МС-потоком
2.1 Использование МВС для выделения участков стационарности во входящем потоке событий
2.2 Пример
2.3 Пример
2.4. Выводы к главе
Глава 3. Исследование геофизических полей
3.1 Методика выявления пространственных структур профилей концентрации углекислого газа. 3D-кластеризация
3.1.1 Применение МВС к нахождению пространственной структуры профиля концентрации С
3.1.1.1 Первый вариант
3.1.1.2 Второй вариант

3.1.3 Пространственная структура поля концентрации С02 у
поверхности Земли
3.2. Подход к исследованию периодических полей
3.2.1. Первый этап. Разложение временных рядов на составляющие
3.2.2 Второй этап. Выделение структур
3.2.3 Третий этап. Сопряженность геофизических полей
3.3 Исследования поведения общего содержания озона
3.3.1 Северное полушарие. Анализ спутниковых измерений
3.3.2 Сравнение с данными озонометрических станций
России и СНГ
3.3.3 Южное полушарие. Спутниковые данные
3.4 Пространственная интерполяция и МВС
3.4.1 Выбор наиболее эффективного метода пространственной интерполяции
3.4.2. Влияние «размножение данных» на классификацию
3.5. Выводы к главе
Глава 4. Задача обнаружения и распознавания подповерхностных объектов из данных отраженного СШП электромагнитного сигнала .
4.1 Введение
4.2 Моделирование распределения температуры и влажности в пористой среде при различных внешних климатических условиях
4.2.1 Процессы теплопроводности в пористых материалах
4.2.2 Процессы влагопроводимости в почвах
4.2.3 Основные уравнения одномерной модели тепловлажностных процессов в пористых материалах
4.2.4 Определение параметров
4.2.5 Алгоритмы решения тепловлажностной задачи
4.2.6 Иллюстрации и пояснения к результатам расчетов

4.3 Моделирование функции комплексной диэлектрической проницаемости в капиллярно-пористых материалах
4.4 Зависимость отраженного от среды СШП сигнала от среды с профильным распределением влажности
4.4.1 Описание модели
4.4.2 Методика расчета отраженного сигнала
4.4.3 Результаты численного моделирования
4.5 Алгоритмы обнаружения подповерхностных объектов
4.5.1 Метод выявления структур в задаче обнаружения подповерхностных объектов
4.5.2. Алгоритмы нахождения контрастных точек в рамках МВС
4.5.3 Структура матрицы расстояний и функция плотности
распределения расстояний
4.6. Результаты
4.6.1 Пример 1. Модельная радарограмма с локальными объектами .
4.6.2 Пример 2. Модельная радарограмма с локальными объектами и шумами
4.7 Задача обнаружения объектов за преградой. Модельные сигналы
4.8 Обнаружение подповерхностных объектов с помощью ВШКЕЬ.
Реальные сигналы
4.8.1 Пример. Исследования на стенде
4.9 Метод структурного анализа
4.9.1 Пример реализации предложенного подхода
4.10. Выводы к главе
Глава 5. Исследование экспериментальных данных, характеризующих биологические системы
5.1 Использование МВС для выявления модельных деревьев
5.2 Способ дифференциальной диагностики депрессивного расстройства и органического поражения центральной нервной системы у постинсультных больных

подграф отделяется от остального графа; и й^;п- значение порога, при котором из этого подграфа выходит одна вершина или сразу несколько

вершин, т.е. эта структура «разваливается». Таким образом, величина ат-т в
какой-то степени определяет степень компактности к -го подграфа; чем меньше эта величина, тем сильнее связь между всеми элементами данного
кластера. для к -ой структуры показывает, насколько она связана с
остальной частью графа, а максимальная величина этого параметра
£)тах = тах(й?1^ах), к — 1,Л^, т.е. значение порога, при котором из графа
выделяется первый подграф, характеризует степень связности всего графа.
По разности <Зктах — с!кп можно судить о степени изолированности этой
структуры от остальной части графа (своеобразное «время жизни» структуры).
Выбор метрики произволен, поскольку вряд ли существуют изначальные соображения о свойствах пространства исследуемых параметров. Исследования, проведенные автором, во всех случаях давали практически одинаковые результаты с использованием метрик Евклида и Хемминга.
В МВС, естественно, предусмотрена возможность для проведения полной классификации. Нередко встречаются ситуации, когда при выделении структур образовались изолированные, т.е. не распределенные по классам, вершины, а решаемая задача не допускает этого. В этом случае изолированные вершины присоединяются к ближайшей сформированной структуре с использованием следующего алгоритма.
Пусть Хс = множество распределенных по структурам
вершин графа О = {X, Е), а X к = - множество
изолированных вершин. X = Xс Xк.
Алгоритм присоединения.
Шаг 1. Выбирается произвольно вершина х[ е Xк