Разработка математического обеспечения для решения задачи классификации подповерхностных объектов по сигналам геолокатора тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Соколов, Максим Александрович

• Соколов, Максим Александрович
• кандидат технических наук
• 2002

Оглавление диссертации кандидат технических наук Соколов, Максим Александрович

ВВЕДЕНИЕ.

ГЛАВА 1. Сверхширокополосная геолокация. Задачи обработки сигналов.

1.1. Принципы геолокации.

1.2. Аппаратура геолокатора.

1.3. Сверхширокополосные сигналы.

1.4. Описание отраженных сигналов.

1.5. Задачи обработки сигналов.

1.6. Выводы.

ГЛАВА 2. Методы обнаружения и выделения подповерхностных объектов.

2.1. Метод динамического вычитания.

2.2. Метод прецизионного согласования.

2.3. \^ауе1е1:-преобразование в задачах обработки сигналов.

2.3.1. Основные свойства луауе1е1:-преобразования.

2.3.2 Дискретизация непрерывного \уауе1е1:-преобразования.

2.3.3. Вычисление "\уауе1е1-преобразования.

2.3.4. \¥ауе1е1>преобразование инвариантное относительно сдвига.

2.3.5. Подавление случайного шума.

2.4. Адаптивный алгоритм совместного обнаружения и выделения подповерхностных объектов на основе луауе1е1:-преобразования.

2.5. Экспериментальные исследования на модели сигналов геолокатора.

2.6. Выводы.

ГЛАВА 3. ФОРМИРОВАНИЕ ПРИЗНАКОВОГО ОПИСАНИЯ.

3.1. Признаковое описание на основе представления пространственновременного сигнала в виде полутонового изображения.

3.1.1. Методы сегментации изображений.

-33.1.2. Формирование признакового описания сегментированных изображений.

3.2. Признаковое описание на основе луауе1е1:-преобразования сигнала.

3.2.1. Частотно-временные распределения.

3.2.2 Сигнатура псевдомощности.

3.2.3. Аппроксимация сигнатуры с помощью сингулярного разложения.

3.2.4. Получение сигнатуры псевдомощности с помощью метода проекций .:.

3.3. Выводы.

ГЛАВА 4. Методы классификации подповерхностных объектов.

4.1. Постановка задачи.

4.1.1. Оценка уровня ошибки системы классификации. Кроссвалидация

4.2. Методы агрегации.

4.2.1. Метод большинства голосов.

4.2.2. Метод шаблонов решений.

4.3. Выбор признаков и снижение размерности.

4.3.1. Методы последовательного выбора признаков.

4.3.2. Выбор структуры двухуровневого классификатора на основе генетических алгоритмов.

4.4. Классификаторы.

4.4.1. Линейный дискриминант.

4.4.2. Классификаторы на основе кластер-анализа.

4.4.3. Классификатор на основе искусственных нейронных сетей.

4.4.4. Классификаторы на основе деревьев решений.

4.4.5. Классификатор на основе метода опорных векторов.

4.5. Выводы.

ГЛАВА 5. Программные системы обработки сигналов геолокатора.

5.1. Интегрированная система "Гео".

5.1.1. Модуль «Спектральная обработка».

5.1.2. Модуль «Динамическое вычитание».

5.1.3. Модуль «Прецизионное вычитание».

5.1.4. Модуль «Сегментация изображений».

5.1.5. Модуль «Преобразование изображений».

5.1.6. Модуль «Моделирование сигналов геолокатора».

5.2. Программа классификации подповерхностных объектов, предназначенная для работы в приборе.

ГЛАВА 6. Эксперименты по обнаружению, выделению и классификации подповерхностных объектов.

6.1. Эксперименты по обнаружению и выделению подповерхностных объектов.

6.2. Эксперименты по классификации подповерхностных объектов.

6.2.1. Информативность признаков.

6.2.2. Исследование частных классификаторов.

6.2.3. Исследование двухуровневого классификатора.

6.3. Выводы.

Введение диссертации (часть автореферата) на тему «Разработка математического обеспечения для решения задачи классификации подповерхностных объектов по сигналам геолокатора»

Актуальность темы. Системы подповерхностного зондирования на основе применения геолокаторов в настоящее время широко используются для решения многих актуальных прикладных задач, например для исследования состояния дорожных покрытий, железнодорожных насыпей и инженерных коммуникаций, археологических исследований, обнаружения пустот и тоннелей, исследования карстовых структур и многих других. При этом геолокаторы могут позиционироваться вручную, или размещаться на специально оборудованных транспортных средствах или летательных аппаратах.

В диссертационной работе рассматриваются задачи обработки сигналов сверхширокополосного (СШП) геолокатора. СШП геолокатор в отличие от обычного использует для излучения одиночные импульсы малой длительности (единицы наносекунд) имеющие весьма широкий спектр излучения, что обеспечивает высокое разрешение (до нескольких сантиметров) при оценке координат и размеров обнаруживаемых объектов. Современный СШП геолокатор является мощным аналого-цифровым вычислительным комплексом с развитой функциональной структурой.

Одной из наиболее актуальных задач, возникающих при обработке сигналов геолокатора, является классификация подповерхностных объектов представляющих интерес (целевых объектов). Такими объектами, в зависимости от конкретного приложения, могут быть как небольшие пластиковые предметы, так и пустоты в грунте, т.е. любые области, диэлектрическая проницаемость которых отличается от диэлектрической проницаемости окружающей среды. Однако подповерхностная среда может содержать, и как правило содержит, множество других неоднородностей, (это могут быть, например, корни деревьев или камни) не представляющих интерес и маскирующих целевые объекты. Кроме того, сигнал, регистрируемый приемной антенной геолокатора, содержит мешающие сигналы (например, мощный сигнал отражения от поверхности исследуемого грунта, маскирующий приповерхностные объекты) и является существенно нестационарным, что ограничивает применение традиционной техники цифровой обработки сигналов на основе преобразования Фурье и приводит к необходимости перехода к анализу частотно-временного представления сигнала, в частности его \уауе1е1-преобразования.

Вышеперечисленные обстоятельства обуславливают сложность решения задачи классификации целевых объектов. Существующее программное обеспечение для обработки сигналов геолокатора обеспечивает только визуализацию структуры подповерхностной среды и, как правило, предоставляет стандартный набор фильтров для улучшения изображения. Таким образом, задача классификации неоднородностей исследуемой среды возлагается целиком на эксперта. Это имеет ряд недостатков, например, большие затраты времени на проведение классификации, недостаточная надежность и необходимость учета влияния человеческого фактора. Поэтому задача разработки алгоритмического и программного обеспечения геолокатора для автоматизации решения задачи классификации подповерхностных объектов является весьма актуальной.

Общее содержание диссертационной работы соответствует научному направлению «Распознавание образов и обработка изображений» Государственной научно-технической программы «Перспективные информационные технологии».

Цель и задачи работы. Целью работы является разработка математического и программного обеспечения СШП геолокатора для решения задачи классификации подповерхностных объектов. Для достижения этой цели в диссертации решались следующие задачи:

1. Разработка алгоритмов обнаружения и выделения подповерхностных объектов.

-72. Разработка способов построения признакового описания выделенных объектов.

3. Разработка методов классификации подповерхностных объектов.

4. Разработка программного обеспечения для обнаружения, выделения и классификации подповерхностных объектов на базе ПЭВМ и портативного образца геолокатора.

5. Проведение экспериментальных исследований для разработанных методов в задачах обнаружения, выделения и классификации подповерхностных объектов.

Методы исследования. В диссертационной работе использовался аппарат теории случайных процессов, теории цифровой обработки сигналов и изображений, математической статистики, теории распознавания образов.

Научную новизну работы составляет:

• Метод прецизионного согласования сигналов при подавлении мешающих компонент геолокационного сигнала;

• Адаптивный алгоритм совместного обнаружения и выделения подповерхностных объектов на основе луауеЫ-преобразования.

• Способ формирования признакового описания подповерхностных объектов на основе анализа \¥ауе1е1-преобразования сигнала.

• Схема оптимизации структуры двухуровневого классификатора на основе генетических алгоритмов.

Практическая ценность работы заключается в следующем:

1. Разработаны конкретные алгоритмы обнаружения, выделения и классификации подповерхностных объектов.

2. Разработан программный комплекс на ПЭВМ для интерактивного решения задач обнаружения, выделения и классификации подповерхностных объектов.

-83. Разработан программный комплекс для портативного образца геолокатора, обеспечивающий решение задач обнаружения и автоматической классификации подповерхностных объектов.

4. Проведены экспериментальные исследования разработанных алгоритмов на реальных сигналах геолокатора.

5. Разработанные методы можно применять для анализа существенно нестационарных сигналов в контексте других прикладных задач.

Внедрение результатов работы. Диссертационная работа тесно связана с выполнявшейся совместно с ОАО «Радиоавионика» научно-исследовательской работой «ГЕО», а также с НИР БФ-43 - «Исследование робастных методов пространственно-временной обработки многомерных сигналов в сейсмоакустических системах контроля ЧС», выполнявшейся по заказу НИИ Радиоэлектронных средств прогнозирования чрезвычайных ситуаций («Прогноз») при СПбГЭТУ. Результаты работы внедрены в ОАО «Радиоавионика», г. С.-Петербург. Работа была поддержана Российским фондом фундаментальных исследований (грант № 98-01-00578 «Методы визуализации и классификации подповерхностных объектов и структур на основе сверхширокополосного радиолокационного зондирования»), а также персональным грантом МОО-3.11К-331 Конкурсного центра фундаментального естествознания министерства образования РФ.

Научные результаты и разработанное . программное обеспечение используются в учебном процессе по курсам «Системы цифровой обработки сигналов», «Анализ и интерпретация данных» для подготовки студентов по специальностям 010200, 220400 в Санкт-Петербургском Государственном Электротехническом Университете.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на научно-технических конференциях СПбГЭТУ в 1998-2001 гг.; на международной конференции по мягким вычислениям и измерениям (8СМ2000), С.-Петербург, 2000; на 10-й

Всероссийской конференции "Математические методы распознавания образов (ММРО-10)", Москва, 2001; на международной конференции «Tenth Workshop on Image Analysis and Multidimensional Signal Processing (IMDSP)», Альпбах, Австрия, 1998; на Санкт-Петербургском городском семинаре «Всплески (wavelets) и их приложения».

Публикации. По теме диссертации опубликовано 14 печатных работ, из них: 3 статьи, 6 докладов и тезисы к 5 докладам на международных и всероссийских научно-технических конференциях.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Соколов, Максим Александрович

6.3. Выводы

Проведенные экспериментальные исследования показали работоспособность предложенных в работе методов выделения и классификации подповерхностных объектов. Эксперименты по выделению

- 145 объектов показали конкурентоспособность предложенных методов по сравнению с известными аналогами. Эксперименты по классификации показали эффективность предложенной схемы классификации на основе комбинирования нескольких классификаторов. Дальнейшие исследования могут быть связаны с анализом большего количества ситуаций, т.е. поиска целевых объектов в различных грунтах при различных условиях (влажности и т.п.). Это обеспечит более объективную оценку эффективности предложенных методов в задаче обнаружения и классификации подповерхностных объектов.

ЗАКЛЮЧЕНИЕ

Представленная диссертационная работа содержит результаты исследований направленных на решение задачи обнаружения и классификации подповерхностных объектов по сигналам сверхширокополосного геолокатора.

Основные научные и практические результаты работы заключаются в следующем:

1. Разработан метод прецизионного согласования сигналов при подавлении мешающих компонент сигнала геолокатора

2. Предложен адаптивный алгоритм совместного обнаружения и выделения подповерхностных объектов на основе \уауе1е1:-преобразования.

3. Предложен способ формирования признакового описания выделенных объектов на основе анализа частотно-временного представления сигнала.

4. Предложена схема оптимизации структуры двухуровневого классификатора на основе генетических алгоритмов.

5. Разработано программное обеспечение для обнаружения, выделения и классификации подповерхностных объектов на базе ПЭВМ и портативного образца геолокатора. Разработанное программное обеспечение внедрено в ОАО "Радиоавионика" (г. С.-Петербург), а также в учебный процесс в Санкт-Петербургском Государственном Электротехническом Университете "ЛЭТИ".

6. Проведены экспериментальные исследования для разработанных методов в задачах обнаружения, выделения и классификации подповерхностных объектов.

Дальнейшая работа может быть направлена на детальное изучение статистических свойств рассмотренных методов выделения объектов в различных грунтах, на детальное изучение частотно-временных преобразований, согласованных с формой зондирующего импульса.

Список литературы диссертационного исследования кандидат технических наук Соколов, Максим Александрович, 2002 год

1. Аленкович Г., Левитас Б., Минин А. Портативный геолокатор для подземных исследований // Современные технологии автоматизации. 1996. - №1.

2. Том 3. Прикладные задачи в системах распознавания образов и обработки изображений. Самара, 2000. - с.449-453.

3. Астанин Л.Ю., Костылев A.A. Основы сверхширокополосных радиолокационных измерений. М.: Радио и связь. - 1989.

4. Афифи, С. Эйзен. Статистический анализ. Подход с использованием ЭВМ,-М.: Мир, 1982.

5. Виноградов Ю., Котенков В., Лисицын В., Пустырев О. Радиолокация земной среды и инженерных сооружений // Электроника: Наука, Технология, Бизнес. 1998. - №2.

6. Ю.Геппенер В.В. Алгоритм распознавания образов, учитывающий многомодальность распределения классов // В кн. "Проектирование цифровых вычислительных машин", вып.1, Л.: изд. ЛГУ. 1974. - с.96-103.

7. Геппенер В.В., Крамаренко C.B., Соколов М.А., Экало С.А. Распознавание сигналов в геолокации // Доклады 10-й Всероссийской конференции "Математические методы распознавания образов (ММРО-10)". Москва, 2001. - с.188-191.

8. Голуб Дж., Ван Лоун Ч. Матричные вычисления: Пер. с англ. М.: Мир, 1999.-548 с.

9. Даджисон, Р. Мерсеро. Цифровая обработка многомерных сигналов. М.: Мир, 1988.

10. Денисов Д. А. Компьютерные методы анализа видеоинформации .Красноярск: Гос. Университет, 1993.

11. Дуда Р., Харт П. Распознавание образов и анализ сцен. Пер. с англ. М.: Мир, 1976.-511 с.18.3агоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск:' Изд-во Ин-та математики, 1999. 270 с.

12. Костылева В.В., Соколов М.А., Практическое истолкование сигналов геолокатора // Тез. докл. Международная конференция молодых ученых и специалистов "Геофизика-99". С.-Петербург. - 9-12 ноября 1999. - с.69

13. Левин Б.Р. Основы статистической радиотехники. М.: Радио и связь, 1989. -653 с.

14. Марпл.-мл. С.Л. Цифровой спектральный анализ и его приложения: Пер. с англ. -М.: Мир, 1990.

15. Патрик Э. Основы теории распознавания образов. М.: Сов. Радио, 1980. -408 с.

16. Петухов А.П. Введение в теорию базисов всплесков. СПб.: Изд-во СПбГТУ, 1999.- 132 с.

17. Помозов В., Семейкин Н. и др. Георадар // Современные средства автоматизации. 1997. - №3.

18. Прикладные нечеткие системы: Пер. с япон.; под ред. Тэрано Т., Асаи К., М. Сугэно М. М.: Мир., 1993.-368 с.

19. Прэтт У. Цифровая обработка изображений, тт. 1,2 М.: Мир, 1982.

20. Соколов М.А. Метод прецизионного согласования сигналов в задаче выделения подповерхностных объектов по данным геолокатора // Известия СПбГЭТУ "ЛЭТИ". Серия "Информатика, управление и компьютерные технологии". 2002 г. - № 1. - с.26-29.

21. Соколов М.А., Геппенер В.В. Обработка сигналов СШП геолокатора с целью выделения подповерхностных объектов и структур // Тез. докл. Третья Санкт-Петербургская ассамблея молодых ученых и специалистов. -Санкт-Петербург, 1998. с.77-78.

22. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер с англ. М.: Мир, 1978.

23. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989.-440 с.'

24. Финкельштейн М.И., Карпухин В.И., Кутев В. А., Метелкин В.Н. Подповерхностная радиолокация. М.: Радио и связь, 1994. - 216 с.

25. Шикин Е.В., Плис А.И. Кривые и поверхности на экране компьютера. Руководство по сплайнам для пользователей. -М.: ДИАЛОГ-МИФИ, 1996. -240 с.

26. Astanin L.Yu., Geppener V.V., Sokolov M.A., Troshina O.V. Classification of Subsurface Objects via Georadar Using Neural Networks // Pattern Recognition and Image Analysis. 2001. - vol.11. - no.2. - pp.269-272.

27. Back T. Evolutionary Algorithms in Theory and Practice Evolution Strategies, Evolutionary Programming, Genetic Algorithms. - New York, Oxford: Oxford University Press, 1996.

28. Berkner K., Wells Jr., R.O., A correlation-dependent model for denoising via nonorthogonal wavelet transforms. CML TR 98-07. - Rice University, 1998.

29. Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, 1984.

30. Carevic D. Wavelet-based method for detection of shallowly buried objects from GPR data // IEEE Trans, on Signal Proc. 1999.

31. Chingel J., Jackson, Survey developments in ground-probing radar at Era Technology Ltd // IEE Proceedings. 1988. - vol.135. - no.4.

32. Cohen L. Time-frequency analysis. Prentice Hall, Englewood Cliffs, NJ, 1995.

33. Daubechies I. Ten lectures on wavelets, SIAM, Philadelphia, 1992.

34. Donoho D.L. De-noising by soft-thresholding // IEEE Trans, on Inform. Theory. -1995. vol.41, -no.3. - pp.613-627.

35. Fargues M.P., Brooks W.A. Comparative study of time-frequency and time-scale transforms for ultra-wideband radar transient signal detection // IEE Proceedings -Radar, Sonar and Navigation. 1995. - vol.142. - no.5. - pp.236-242.

36. Fogel L.J., Owens A.J., Walsh M.J. Artificial Intelligence through Simulated Evolution. New York: John Wiley, 1966.

37. Frisch, M., Messer, H., The use of the wavelet transform in the detection of an unknown transient signal // IEEE Transactions on Information Theory. 1992. -vol.38. -no.2.-pp.892-897.

38. Goldberg D.E. Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, Mass.: Addison-Wesley, 1989.

39. Groechenig K. Foundations of time-frequency analysis. Birkhaeuser, 2000.

40. Guy on I., Makhoul J., Schwartz R., and Vapnik V. What Size Test Set Gives Good Error Rate Estimates? // IEEE Trans, on Pattern Anal, and Machine Intell. -1998. vol.20. - no.1. - pp. 52-64.

41. H. Brunzell, Detection of Shallowly Buried Objects Using Impulse Radar // IEEE Trans, on Geosc. and Remote Sensing. 1999. - vol.37. - no.2. - pp.875-886.

42. Hagan M.T., Menhaj M., Training feedforward networks with the Marquardt algorithm // IEEE Transactions on Neural Networks. 1994. - vol.5. - no.6. -pp.989-993.

43. Holland J.H. Adaptation in natural and artificial systems. Ann Arbor: The University of Michigan Press, 1975.

44. J.Q. He, T.J. Yu, N. Geng, and L. Carin, "Method of moments analysis of electromagnetic scattering from a general three-dimensional dielectric target embedded in a multilayered medium," Radio Sci., vol. 35, pp.305-313, Mar-Apr. 2000.

45. J.M. Bourgeois and G.S. Smith, "A fully three-dimensional simulation of ground penetrating radar: FDTD theory compared with experiment," IEEE Trans. Geosci. Remote Sensing, vol. GE-34, pp. 36-28, Jan. 1996.

46. Kittler J., Hatef M., Duin R.P.W., and Matas J. On combining classifiers // IEEE Trans. Pattern Anal. Machine Intell. 1998. - vol.20. - no.3. - pp.226-239.

47. Kuncheva L.I., Bezdek J.C., Duin R.P.W. Decision templates for multiple classifier fusion: An experimental comparison // Pattern Recognit. 1999.

48. Lam L., Suen C.Y., Optimal combination of pattern classifiers // Pattern Recognit. Lett. 1995.- vol.16.-pp.945-954

49. Lang, M., Guo, H., Odegard J.E., Burrus C.S., Wells Jr, R.O. Noise reduction using an undecimated discrete wavelet transform // IEEE Signal Processing Letters. 1996. - vol.3. - pp.10-12.

50. Nguyen D., Widrow B., Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights // Proceedings of the International Joint Conference on Neural Networks. 1990. - vol.3. - pp.21-26.

51. Olivier Rioul and Pierre Duhamel. Fast Algorithms For Discrete And Continuous Wavelet Transforms // IEEE Trans, on Information Theory. 1992. - vol.38. -no.2. - pp.569-586.

52. Quinlan J.R. Simplifying decision trees // International Journal of Man-Machine Studies. 1987.-27.-pp.221-234.- 153

53. Rechenberg I. Evolutionsstrategie Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. - Stuttgart: Frommann-Holzboog, 1973.

54. Ripley B.D. Pattern Recognition and Neural Networks. Cambridge University Press, 1996.

55. Shensa M.J. The Discrete Wavelet Transform: Wedding The A Trous And Mallat Algorithms // IEEE Trans, on Signal Processing. 1992. - vol.40. - pp.24642482.

56. Vapnik V.N. Statistical Learning Theory. Wiley-Interscience 1998, 736 p.

57. Venkatachalam V. Pseudo power signature for nonstationary signal analysis and classification. Ph.D. Diss., Louisiana State Univ., Dec. 1998.

58. Venkatachalam V., Aravena J.L. Nonstationary signal classification using pseudo power signatures. Proc. ISCAS '98, Monterey, CA. - May 31-June 3, 1998.

59. Zhuravlev Yu.I. An algebraic approach to recognition or classification problems // Pattern Recognition and Image Analysis. 1998. - no.8(10). - pp.59-100.