Адаптивные алгоритмы обработки информации при автоматическом обнаружении и распознавании объектов дистанционного зондирования земной поверхности с помощью бортовой РЛС с синтезированной апертурой

• Автор: Седельников, Вадим Сергеевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 101 с. : ил.

Введение

Г лава 1. Анализ информационных возможностей бортовых

РСА по дистанционному зондированию земнойводной поверхности

1.1. Задачи, решаемые при дистанционном зондировании земнойводной поверхностимониторинге
1.2. Информационные возможности бортовых РСА при решении задач дистанционного зондирования земнойводной поверхности

1.3. Анализ возможностей автоматизации обработки данных при классификации объектов

экологического и народнохозяйственного мониторинга с помощью РСА Выводы по главе 1

Глава 2. Анализ и синтез алгоритмов автоматического

обнаружения малоразмерных наземных объектов по данным бортовой РСА дистанционного зондирования
2.1. Анализ известных математической модели РСА, методов и алгоритмов обнаружения малоразмерных объектов в предположении отсутствия априорной неопределенности
2.2. Синтез адаптивного алгоритма обнаружения малоразмерных объектов при априорной неопределенности для локально однородной подстилающей поверхности
2.3. Синтез адаптивного алгоритма обнаружения малоразмерных объектов при априорной неопределенности и неоднородной подстилающей поверхности
Выводы по главе 2
Глава 3. Анализ и синтез алгоритмов автоматического
обнаружения и распознавания наземных групповых объектов по данным бортовой РСА дистанционного зондирования
3.1. Анализ оптимального алгоритма обнаружения и распознавания
наземных групповых объектов. Декомпозиция алгоритма
3.2. Синтез квазиоптимальных алгоритмов обнаружения групповых целей
3.3. Синтез процедуры классификации групповых целей Выводы по главе
Глава 4. Вычислительные аспекты реализации алгоритмов автоматического обнаружения и распознавания наземных целей
4.1. Оценка вычислительных затрат на реализацию процедуры обнаружения малоразмерных целей
4.2. Оценка вычислительных затрат на реализацию в реальном масштабе времени алгоритмов обнаружения и классификации групповых и распределенных целей
4.3 Современные направления развития вычислигельных систем с высокой производительностью. Применение нейронных сетей для обработки данных бортовых РСА
4.4. Выбор и моделирование нейросетевых алгоритмов
па основе нейронной сети Кохонена для классификации объектов Выводы по главе
Заключение. Основные результаты полученные в ходе исследования Литература
Введение
Актуальность


Цель работы заключается в синтезе в условиях априорной неопределенности адаптивных алгоритмов обработки информации при автоматическом обнаружении и распознаванииклассификации малоразмерных объектовцелей МЦ и групповых целейГЦ по данным бортовых РЛС с синтезированной апертурой в реальном масштабе времениРМВ. Объект исследования. Объектом исследования являются системы обработки информации, выдаваемой бортовыми радиолокационными станциями с синтезированной апертуройРСА при дистанционном зондировании земнойводной поверхности. Предмет исследования составляют модели сигналов и помехфона, адекватно отражающие принципы их формирования, условия наблюдения интересующих объектов, их состояние методы оптимизации обработки информации оптимальные и квазиоптимальные алгоритмы обработки при автоматическом обнаружении и распознавании объектов в реальном масштабе времениРМВ, их реализуемость. Метолы исследований. В работе используются методы системного анализа, теории принятия решений проверки статистических гипотез, методы статистического синтеза при априорной неопределенности и адаптации информационных систем, статистические методы радиолокации, методы кластерного анализа, методы построения интеллектуальных программных сред для автоматизированных систем обработки информации, методы математического моделирования. Лостоверность полученных научных положений, результатов и выводов подтверждается адекватным и корректным приведенном использованных методов, полнотой и корректностью исходных данных, в том числе, реальных радиолокационных изображений, обсуждением и одобрением на III НТК Радиооптические технологии в приборостроении и на научно практическом семинаре в МЭИ, приоритетными публикациями в научных изданиях по рекомендованному ВАК России Перечню. Квазионтимальный адаптивный алгоритм автоматического обнаружения малоразмерных целей при априорной неопределенности, учете изменчивости статистических характеристик полезных сигналов и сигналов фона мри различных видах выборок сигнала фона, используемых для автоматической регулировки порога обнаружения и обеспечения адаптивности обнаружителя. Оптимальный обнаружитель полезных сигналов РСА, формирующий поле решений о наличии или отсутствии МЦ на основе сравнения достаточных статистикотношения правдоподобия с порогом, выбираемом по критерию НейманаПирсона, при априорной неопределенности теряет свою оптимальность и может оказаться даже неработоспособнымможет привести к изменению вероятности ложных обнаружений на порядка. При использовании выборочной порядковой статистикиВПС алгоритм оказывается устойчивым к засорениям фона местниками и обеспечивает высокую вероятность Рпо 0, при заданной вероятности ,1 о4. Алгоритм автоматическою обнаружения и классификации групповых объектовцелей по данным бортовой РСА дистанционного зондирования с его декомпозицией на ряд последовательно выполняемых процедурэтапов, условной оптимизацией процедур отдельных этапов с последующей параметрической оптимизацией алгоритма в целом по критерию эффективности обнаружения и классификации ГЦ. Такой подход обусловлен априорной неопределенностью состава и расположения ГЦ. Достаточная статистика классификатора в каждом канале должна усредняться по всем возможным реализациям ГЦ в области ее расположения, и данная операция должна быть развернута по всему кадру радиолокационного изображения. Кроме того, изза априорной неопределенности фона алгоритм должен быть адаптивным. Реализация такого алгоритма без проведения декомпозиции, без сокращения избыточности обрабатываемых данных от этапа к этапу предъявляет чрезвычайно высокие требования к производительности опс и объему памяти Ю байт спецпроцессора. Результаты выбора и оценки методом статистического моделирования процедур кластеризации отметокМЦ, образующих групповую цельГА и принятия решений об обнаружении ГЦ ЬГц. МСД, алгоритма оценки ближайшего соседства ранговой кластеризации, алгоритма на основе информационного критерия и алгоритма с фиксированным радиусом. Использовались математические модели поля решений МЦ. Распределение в поле решений ложных отметок задавалось реализацией пуассоновского случайного потока.