Адаптивные алгоритмы обработки информации при автоматическом обнаружении и распознавании объектов дистанционного зондирования земной поверхности с помощью бортовой РЛС с синтезированной апертурой тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Седельников, Вадим Сергеевич

• Седельников, Вадим Сергеевич
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Седельников, Вадим Сергеевич

Введение

Глава 1. Анализ информационных возможностей бортовых

РСА по дистанционному зондированию земной(водной) поверхности

1.1. Задачи, решаемые при дистанционном зондировании 12 земной(водной) поверхности(мониторинге)

1.2. Информационные возможности бортовых РСА при 13 решении задач дистанционного зондирования земной(водной) поверхности

1.3. Анализ возможностей автоматизации обработки 23 данных при классификации объектов экологического и народнохозяйственного мониторинга с помощью РСА Выводы по главе

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 32 алгоритмов обнаружения малоразмерных объектов в предположении отсутствия априорной неопределенности

2.2. Синтез адаптивного алгоритма обнаружения малоразмерных 34 объектов при априорной неопределенности для локально однородной подстилающей поверхности

2.3. Синтез адаптивного алгоритма обнаружения малоразмерных 40 объектов при априорной неопределенности и неоднородной подстилающей поверхности

Выводы по главе

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 57 целей

3.3. Синтез процедуры классификации групповых целей 63 Выводы по главе

Глава 4. Вычислительные аспекты реализации алгоритмов 76 автоматического обнаружения и распознавания наземных целей

4.1. Оценка вычислительных затрат на реализацию процедуры 76 обнаружения малоразмерных целей

4.2. Оценка вычислительных затрат на реализацию в реальном 79 масштабе времени алгоритмов обнаружения и классификации групповых и распределенных целей

4.3 Современные направления развития вычислительных систем с 83 высокой производительностью. Применение нейронных сетей для обработки данных бортовых РСА

4.4. Выбор и моделирование нейросетевых алгоритмов 86 на основе нейронной сети Кохонена для классификации объектов

Выводы по главе

Введение диссертации (часть автореферата) на тему «Адаптивные алгоритмы обработки информации при автоматическом обнаружении и распознавании объектов дистанционного зондирования земной поверхности с помощью бортовой РЛС с синтезированной апертурой»

Актуальность. Радиолокационные изображения, получаемые от современных радиолокационных систем с синтезированной апертурой(РСА) воздушного и космического базирования широко используются для оперативного получения данных о интересующих объектах в чрезвычайных ситуациях; мониторинга военных объектов и техники в пограничных зонах с районами локальных военных конфликтов, районами действий террористов; оценки земных покровов, их классификации(распознавания) и определения состояния при решении широкого круга народнохозяйственных задач, а также для проведения экологического контроля. На основании сопоставления радиолокационного изображения(РЛИ) или признаков этих объектов с РЛИ и признаками эталонов объектов может быть принято решение о классе объекта. При этом значительные трудности имеются как при формировании банка эталонных данных, так и при принятии решений о классах объектов.

Использование традиционных методов визуального и инструментального дешифрования РЛИ в силу ограниченных возможностей оператора по восприятию и анализу РЛИ обуславливает низкую эффективность решения задач распознавания объектов мониторинга. Кроме того, системы визуализации РЛИ обладают ограниченными динамическим диапазоном воспроизводимых яркостей и разрешающей способностью.

Решение проблемы повышения оперативности, полноты, достоверности и точности данных о земной поверхности и объектах, получаемых в процессе обработки радиолокационной информации, лежит на пути автоматизации процесса обработки с использованием современных высокопроизводительных средств цифровой вычислительной техники.

Для повышения информативности многофункциональных комплексов дистанционного зондирования земной и водной поверхности необходимо дальнейшее совершенствование существующих радиолокационных систем путем использования новых информационных признаков объектов, новых методов зондирования и обработки сигналов.

Диссертационная работа посвящена научному поиску методологических подходов к решению задачи статистического синтеза алгоритмов автоматического обнаружения и распознавания важных классов объектов(малоразмерных и групповых) по данным бортовых РЛС с синтезированной апертурой. Очень важными условиями, при которых решается задача, являются необходимость учета априорной неопределенности, адаптации алгоритмов и выдачи потребителям получаемой информации в реальном масштабе времени. Учитывая это, тему диссертационной работы следует признать актуальной.

Значительный вклад в создание и развитие теории статистического синтеза при априорной неопределенности и адаптации информационных систем, в том числе радиотехнических систем, внесли отечественные и зарубежные ученые: Большаков И.А., Левин Б.Р., Репин В.Г., Тартаковский Г.П., Вальд А., Заде, Стратанович Р.Л., Ципкин Я.З., Тихонов В.И., Ярлыков М.С., Дудник П.И., Реутов А.П., Кондратенков Г.С., Школьный Л.А., Ширман Я.Д., Гуляев Ю.В., Галушкин А.И., Журавлев Ю.И., Шеремет Ю.И. и др.

Цель работы заключается в синтезе в условиях априорной неопределенности адаптивных алгоритмов обработки информации при автоматическом обнаружении и распознавании(классификации) малоразмерных объектов(целей - МЦ) и групповых целей(ГЦ) по данным бортовых РЛС с синтезированной апертурой в реальном масштабе времени(РМВ).

Для достижения поставленной цели в работе решаются следующие частные задачи:

- проведение системного анализа задач и объектов дистанционного зондирования земной поверхности авиационными и спутниковыми бортовыми радиолокационными системами с синтезированной апертурой, оценки информационных возможностей систем и показ необходимости автоматизации обработки информации с целью повышения оперативности ее использования при решении соответствующих задач;

- проведение анализа модели РСА, формирующей поле решений применительно к процедуре автоматического обнаружения целей без учета изменчивости статистических характеристик сигналов и помех(фона);

- синтез квазиоптимального адаптивного алгоритма автоматического обнаружения МЦ при априорной неопределенности, учете изменчивости статистических характеристик полезных сигналов и сигналов фона при различных видов выборок сигнала фона; обоснование целесообразности декомпозиции алгоритма обнаружения и классификации ГЦ и условной оптимизации(синтеза) процедур отдельных этапов обработки по частным критериям с последующей параметрической оптимизацией алгоритма в целом по критерию эффективности обнаружения и классификации ГЦ;

- оценка потребной производительности вычислителей для реализации полученных алгоритмов; выбор альтернативных вариантов вычислительных систем;

- выполнение моделирования с целью оценки эффективности предлагаемых алгоритмов.

Объект исследования. Объектом исследования являются системы обработки информации, выдаваемой бортовыми радиолокационными станциями с синтезированной апертурой(РСА) при дистанционном зондировании земной(водной) поверхности.

Предмет исследования составляют модели сигналов и помех(фона), 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 времени(РМВ), их реализуемость.

Методы 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.

Достоверность 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.

На защиту выносятся: 1. Квазиоптимальный адаптивный алгоритм автоматического обнаружения малоразмерных целей при априорной неопределенности, учете изменчивости статистических характеристик полезных сигналов и сигналов фона при 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 статистик(отношения правдоподобия) с порогом, выбираемом по критерию Неймана-Пирсона, при априорной неопределенности теряет свою оптимальность и может оказаться даже неработоспособным(может привести к изменению вероятности ложных обнаружений на 2-3 порядка).

Квазиоптимальный адаптивный алгоритм при использовании выборочного среднего(ВС) обеспечивает приемлемые вероятности Рпо-0,^3 и Рлсп3"10"4, однако при выполнении условия локальной однородности фона. При использовании выборочной порядковой статистики(ВПС) алгоритм оказывается устойчивым к «засорениям» фона «местниками» и обеспечивает высокую вероятность Рпо =0,93 при заданной вероятности рл0= юЛ

2. Алгоритм автоматического обнаружения и классификации групповых объектов(целей) по данным бортовой РСА дистанционного зондирования с его декомпозицией на ряд последовательно выполняемых процедур(этапов), 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, из-за 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 (>1016 оп/с) и объему памяти (>1010 байт) спецпроцессора.

3. Результаты выбора и оценки методом статистического моделирования процедур кластеризации отметок(МЦ), образующих групповую цель(Х^) и принятия решений об обнаружении ГЦ (Ьгц).

Была проведена оценка эффективности алгоритмов обнаружения ГЦ с использованием нескольких процедур кластеризации: «минимально-связывающего дерева»(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. При других одинаковых исходных данных при пороге h= 10 были получены следующие значения вероятностей обнаружения ГЦ: алгоритм МСД - РГпо=0,97; РГло= Ю"1; алгоритм ранговой кластеризации - РгПо~®$\ РгЛ(у=\0л\ алгоритм «на основе информационного критерия» - РГу7о=0,65; Ргло=Ю"2; алгоритм «с фиксированным радиусом» - РгПСгОА\ РГло=№~3- Таким образом наиболее эффективными являются алгоритм МСД и алгоритм ранговой кластеризации, однако последний требует больших вычислительных затрат.

4. Процедура классификации групповых целей, состоящая из процедуры рационального описания ГЦ для задаваемого алфавита классов и оптимальной для заданного описания решающей процедуры.

В силу того, что информация о ГЦ в выделенных обнаружителем кластерах точечных отметок заключена только в геометрических особенностях их построения, в качестве описания ГЦ использованы их геометрические параметры(признаки). При этом учитывалась требуемая эффективность классификации, реализуемость решающей процедуры, инвариантность описания к условиям наблюдения.

При принятом условии выбора простой функции потерь процедура принятия решения о классе ГЦ производится по максимуму апостериорной вероятности.

В качестве показателя эффективности использовалась средняя вероятность Р0 ошибок классификации. При выборе порога обнаружения h=hopt получено Р() <0,03 (для N= 1) и Р0 <0,01 (для 7V=3), что вполне может удовлетворить требованиям к уровню этой вероятности в автоматизированных системах обработки радиолокационной информации.

5. Предложенная для классификации и распознавания наземных объектов на РЛИ, полученном с помощью РСА, структура гибридной нейронной сети, состоящая из нейросети Кохонена и блока преобразования.

Результаты моделирования: нейросеть состояла из 3-х нейронов. Массив данных состоял из 150 фрагментов. После обучения и проверки работы системы были получены верные ответы в 141 случае, что составило 94%.

Научная новизна представленных в работе решений частных задач статистического синтеза при априорной неопределенности и адаптации информационных систем состоит в том, что использованные при этом методологические подходы могут быть применены для получения квазиоптимальных алгоритмов обнаружения и классификации(распознавания) других значимых объектов по данным РСА дистанционного зондирования земной(водной) поверхности, бортовых систем других диапазонов ЭВМ и их комплексировании.

С учетом необходимости преодоления высоких требований к производительности спецпроцессоров для реализации разработанных алгоритмов определенную научную значимость представляют результаты проработки вопроса применения гибридной нейросетевого алгоритма обучения без учителя для распознавания наземных объектов. Эффективность его использования подтверждена полунатурным моделированием.

Практическая ценность. Полученные научные положения и результаты прошли проверку, что позволяет рекомендовать их для использования при модернизации современных авиационных и космических РСА и построении перспективных систем.

Основные научные положения, результаты и выводы диссертационной работы получены лично автором и внедрены в НИР «Актор», выполненной ГОУ «МАРТИТ» с участием Концерна радиостроения «Вега», а также в курсе лекций «Распознавание и идентификация объектов радиолокации» на кафедре «Радиосистемотехника» ГОУ «МАРТИТ».

Апробация работы. Научные положения, результаты и выводы обсуждались и получили одобрение на научно-практических семинарах в ГОУ «МАРТИТ», научно- практическом семинаре в МЭИ (г. Москва, 9-11

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Седельников, Вадим Сергеевич

Выводы по главе 4 1. Показано, что предъявляются высокие требования к производительности вычислителей для реализации полученных алгоритмов обнаружения и распознавания различных объектов по данным бортовых РСА и особенно распределенных целей.

Данное обстоятельство приводит к необходимости рассмотрения альтернативных вариантов спецвычислителей для реализации адаптивных алгоритмов обнаружения и распознавания в РМВ объектов дистанционного зондирования с помощью РСА.

2. В настоящее время нейросетевые алгоритмы являются перспективным направлением в целях радиолокации. Такие системы являются универсальными и быстродействующими. Что позволяет с оптимизмом взглянуть на их дальнейшее развитие.

3. Предложенная система позволяет говорить о применимости нейронной сети Кохонена к проблеме распознавания наземных объектов. Хотя она, возможно, требует более сложной структуры и детальной проработки, но тем не менее позволяет выполнять классификацию наземных объектов даже в таком виде.

Заключение. Основные результаты полученные в ходе исследования

На основе проведенного системного анализа задач и объектов дистанционного зондирования земной поверхности показано, что авиационные и спутниковые бортовые радиолокационные системы с синтезированной апертурой являются одним из основных средств мониторинга, обеспечивающих получение детальных изображений объектов и местности независимо от времени суток и метеоусловий. Это вызывает необходимость дальнейшего улучшения их характеристик по обнаружению интересующих объектов, точности измерения координат и скорости объектов, распознавании(классификации) объектов в реальном масштабе времени.

Анализ математической модели РСА, формирующей применительно к процедуре автоматического обнаружения поля решений на основе сравнения достаточных статистик(отношения правдоподобия) с порогом, выбираемым по критерию Неймана-Пирсона, показал, что при априорной неопределенности и изменчивости статистических характеристик сигналов и помех алгоритм теряет свою оптимальность и может оказаться даже неработоспособным(например, привести к изменению вероятности ложных обнаружений на 2-3 порядка).

В условиях априорной неопределенности изменчивости статистических характеристик радиолокационных сигналов и помех(фона) при квазипараметрическом подходе к синтезу обнаружителей, основанной на методах классической теории проверки гипотез и оценки параметров, синтезирован квазиоптимальный адаптивный алгоритм обнаружения МЦ при использовании выборочного среднего(ВС), условии локальной однородности фона(при моделировании получены вероятности правильного и ложного обнаружения соответственно Рп0:=0,83 и Рдо~З'Ю"4).

Обоснован и предложен адаптивный алгоритм обнаружения МЦ с использованием для оценки порога обнаружения статистик, устойчивых к импульсным засорениям обучающей выборки, а именно: выборочных порядковых статистик(ВПС) и выборочную медиану(ВМ), при моделировании с использовании ВПС получены РПО-0,93 и РЛ0~Ю'4.

С учетом декомпозиции алгоритм обнаружения и классификации ГЦ синтезированы алгоритмы процедур этапа обнаружения: алгоритм процедуры разделения поля решений о наличии МЦ на группы(кластеры) по признакам пространственной компактности и алгоритм процедуры селекции кластеров с заданными параметрами.

С учетом декомпозиции исходного алгоритма синтезирована процедура классификации ГЦ, состоящая в выборе рационального описания ГЦ для задаваемого алфавита классов и синтеза оптимальной для данного описания решающей процедуры(по результатам моделирования вероятности ошибки классификации Д <0,03 (для числа некогерентных суммирований ЛИ) и Р0 <0,01 (дляN=3)).

Произведена оценка потребной производительности вычислителей для реализации полученных алгоритмов. В зависимости от вида объектов требуемая производительность спецвычислителей, обеспечивающих обработку данных в РМВ, должна быть не менее 1014.1018 операций в О секунду, а объем их памяти не менее 10 . 10 байт. Данное обстоятельство обусловило целесообразность выбора альтернативных вычислительных систем, удовлетворяющих этим требованиям.

Обоснован выбор вычислительной системы в виде нейронной сети Кохонена, использующей алгоритм обучения без учителя, удовлетворяющей высоким требованиям к производительности вычислителей для реализации алгоритмов обнаружения и классификации объектов по данным РСА дистанционного зондирования земной поверхности.

Выполнено моделирование распознавания наземных объектов с использованием гибридной нейросети по реальным радиолокационным изображениям, полученным с помощью бортовой РЛС с синтезированной апертурой(массив состоял из 150 фрагментов, были получены верные ответы в 141 случае, что составило 94%).

Использованные при этом РЛИ были получены Концерном радиостроения «Вега» в ходе экспериментальных полетов при выполнении совместной с МАРТИТ НИР «Актор».

Список литературы диссертационного исследования кандидат технических наук Седельников, Вадим Сергеевич, 2007 год

1. Коптев Ю.Н. Дистанционное зондирование Земли// Радиотехника, №10, 1995.

2. Кондратенков Г.С., Реутов А.П., Феоктистов Ю.А. Радиолокационные станции обзора Земли, под ред. Г.С. Кондратенкова. -М.: Радио и связь, 1983.

3. Дудник П.И., Чересов Ю.И. Авиационные радиолокационные устройства. М.: ВВИА им. проф. Н.Е. Жуковского, 1986.

4. Обнаружение и распознавание объектов радиолокации, под ред. A.B. Соколова. М.: Радиотехника, 2007.

5. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. -М.: Радио и связь, 1986.

6. Школьный Л.А., Анфиногенов А.Ю. К вопросу о математическом моделировании радиолокационных портретов распределенных объектов// Радиотехника, №10,1996.

7. Репин В.Г., Тартаковский Г.П. Статистический синтез при априорной неопределенности и адаптация информационных систем. М.: Сов. радио, 1997.

8. Ю.Школьный JI.А. Уточнение математического описания оператора зондирования РСА с учетом флуктуации траектории самолета/ НММ по импульсной технике и дискретной обработке информации М.: ВВИА им. проф. Н.Е. Жуковского, 1982.

9. П.Оведенко Л.А. Робастные локационные устройства. Л.: ЛГУ, 1981.

10. Попов Д.И. Синтез систем обработки с адаптивным накоплением сигнала// Радиотехника, №12, 1997.

11. Ширман Я.Д., Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. — М.: Радио и связь, 1981.

12. Стогов Г.В., Максимов A.B., Мусаев A.A. Устойчивые методы обработки результатов измерений// Зарубежная радиоэлектроника, №9, 1982.

13. Доросинский Л.Г., Лысенко Г.М. Анализ адаптивного алгоритма обнаружения контуров малоконтрастных радиолокационных изображений// Исследование Земли из космоса, АН СССР, №2, 1988.

14. Чересов Ю.И., Седельников B.C. Применение символьно-продукционных технологий при распознавании образов и реализации неопределенных экспертных систем реального времени, статья// Вестник МАРТИТ, в. (16)38, 2006.

15. Чересов Ю.И., Седельников B.C. Возможности символьно-продукционных систем в обеспечении поддержки моделей вычислений с различной степенью параллелизма, статья// Вестник МАРТИТ, в. 17(39), 2006.

16. Вап дер Спек. Обнаружение пространственно распределенной цели// Зарубежная радиотехника, № 9, 1977.

17. Трухин М.Г. Оптимальные алгоритмы обнаружения групповых радиолокационных целей/ Проблемы радиолокации протяженных целей. -Свердловск, УПИ, 1982.

18. Дюфан Б., Одел П. Кластерный анализ. -М.: Статистика, 1977.

19. Классификация и кластер, пер. с англ. /Под ред. Ю.И. Журавлева. -М.: Мир, 1980.

20. Школьный Л.А., Яковлев В.Н. Кластеризация отметок при автоматическом обнаружении и классификации групповых целей по радиолокационным изображениям в РЛС с синтезированной апертурой// Вопросы спецрадиоэлектроники, РЛТ, вып. 3, 1989.

21. Фукунага К. Введение в статистическую теорию распознавания. Пер. с англ./ Под ред. Л.А. Дорофюка. М.: Наука, 1979.

22. Шеремет И.А. Интеллектуальные программные среды для АСОИ. -М.: Наука, 1994.

23. Чересов Ю.И., Седельников B.C. Обобщенный анализ методов и алгоритмов распознавания объектов(принятия решений). К вопросу математической постановки задачи учета погрешности оценки признаков объектов, статья// Вестник МАРТИТ, в. 6(18), 2005.

24. Седельников B.C. К вопросу применения конфлюентного анализа при учете неопределенности исходной информации, статья// Вестник МАРТИТ, в. 5(27), 2006.

25. Седельников B.C., Чересов Ю.И. Моделирование распознавания наземных объектов с использованием гибридной нейросети по даннымбортовой PJIC с синтезированной апертурой, статья// Вестник МАРТИТ, в. 15(35), 2006.

26. ЗО.Чересов Ю.И., Седельников B.C. Декомпозиция квазиоптимального алгоритма обнаружения и классификации групповых целей по данным РСА дистанционного зондирования земной поверхности, статья// Вестник МАРТИТ, в. 15(35), 2006.