Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Тишкин, Роман Валентинович

  • Тишкин, Роман Валентинович
  • кандидат технических науккандидат технических наук
  • 2008, Рязань
  • Специальность ВАК РФ05.13.01
  • Количество страниц 137
Тишкин, Роман Валентинович. Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Рязань. 2008. 137 с.

Оглавление диссертации кандидат технических наук Тишкин, Роман Валентинович

Введение.

1. МЕТОДЫ И АЛГОРИТМЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ.

1.1 Общая характеристика и классификация методов на основе выделения границ.

1.2. Методы и алгоритмы сегментации, основанные на разметке точек области.

1.2.1. Пороговая обработка.

1.2.2. Сегментация на основе кластерного анализа.

1.2.3. Разделение и слияние областей.

1.2.4. Релаксационная разметка.

1.3. Общая характеристика и классификация методов на основе искусственных нейронных сетей.

1.3.1. Применение искусственных нейронных сетей с обратным распространением ошибки.

1.3.2. Использование самоорганизующихся ИНС.

1.4. Общая характеристика методов на основе нечеткой логики.

1.5. Особенности сегментации цветных изображений.

Выводы.

2. ПРИМЕНЕНИЕ ТЕХНОЛОГИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В АЛГОРИТМАХ ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ.

2.1. Оценка качества и эффективности методов идентификации облачных образований.

2.2. Идентификации облачных образований с помощью сети Кохонена.

2.3. Обучение нейронной сети с помощью колорометрического алгоритма.

Выводы.

3. АЛГОРИТМЫ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ ПРИ ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ.

3.1. Четкая кластеризация алгоритмом к - средних.

3.2. Базовый алгоритм нечетких А:-средних.

3.3. идентификации облачных образований на основе генетического алгоритма.

3.4. Эффективность использования нечетких множеств второго типа при идентификации облачных образований.

3.5. Сравнительный анализ показателей алгоритмов идентификации облачных образований на основе методов и алгоритмов нечеткой логики.

Выводы.

4. ПРОГРАМНО-АППАРАТНАЯ РЕАЛИЗАЦИЯ МЕТОДОВ И АЛГОРИТМОВ.

4.1. Технологи виртуального доступа к банкам спутниковых изображений.

4.2. Реализация клиентского программного обеспечения.

4.3. Разработка серверного программного обеспечения.

4.3.1. Выбор транспортного протокола.106

4.3.2.Прикладной протокол взаимодействия клиента с сервером обработки изображений.

4.3.3. Описание библиотек обработки изображений используемых сервером.

4.4. Применение микропроцессора NM6403 при реализации алгоритмов сегментации изображений.

Выводы.

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта»

Актуальность работы. Космические системы дистанционного зондирования Земли (ДЗЗ) позволяют получать изображения, на которых представлены как облачные образования, так и объекты суши и водной поверхности. Причем для решения гидрометеорологических задач облачные образования являются предметом исследования, а для задач картографирования территорий, изучения природных ресурсов и др. облака являются помехами и подлежат исключению из процесса обработки видеоматериалов. В обоих случаях возникает необходимость распознавания и выделения на изображениях облачных образований.

Наиболее успешный опыт решения задачи по автоматическому распознаванию облачности реализован, в американском проекте Blue Marble: Next Generation, в котором для этой цели применяется гиперспектральный принцип сканерной съемки, а так же использование широкого набора данных о параметрах атмосферы и земной1 поверхности. Однако большое число спутниковых систем выполняют съемку в видимом (RGB) диапазоне спектра. Для распознавания облачности на получаемых таким способом снимках применяются пороговые алгоритмы сегментации, которые в, отдельных случаях не обеспечивают требуемого качества распознавания, по сравнению с тем, как это может выполнить оператор. Отсюда возникает острая необходимость в разработке новых подходов идентификации облачности на космических изображениях, обеспечивающих сравнимую с интеллектуальными возможностями человека точность распознавания.

Значительный вклад в развитие направления' анализа данных ДЗЗ внесли отечественные и зарубежные ученые: Асмус В.В., Вудс Р., Гонсалес Р., Злобин В.К., Лупян Е.А., Прэтт У., Сойфер В.А. и др. Их исследования по дистанционному наблюдению Земли и обработке видеоинформации составляют теоретическую основу для решения поставленных задач.

Цель работы заключается в создании высокоэффективных алгоритмов идентификации облачных образований на космических многозональных изображениях на основе методов искусственного интеллекта: искусственных нейронных сетей, нечеткой логики, генетических алгоритмов и нечетких множеств второго типа.

Для достижения поставленной цели решаются следующие основные задачи: анализ классических и современных методов сегментации изображений и идентификации облачных образований; разработка алгоритмов идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта. разработка алгоритмов идентификации облачных образований с учетом степени их прозрачности; i проектирование высокопроизводительной программной системы идентификации облачных образований на основе технологий удаленного доступа и параллельных вычислений.

Научная новизна работы заключается в том, что впервые предлагаются гибридные алгоритмы искусственного интеллекта для идентификации облачных образований на спутниковых изображениях земной поверхности. Так же впервые предлагаются алгоритмы идентификации облачных образований с учетом степени прозрачности облачных образований на основании только данных ДЗЗ, полученным в видимом диапазоне спектра.

Основные положения выносимые на защиту: методика обучения искусственной сети Кохонена с помощью колорометрического алгоритма; алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечетких к -средних и оптимизации с помощью генетического алгоритма, позволяющий идентифицировать облачность и слабую облачность; алгоритм идентификации облачных образований на космических изображениях, основанный на алгоритме нечеткой кластеризации и интервальных нечетких множествах второго типа, позволяющий идентифицировать облачность с заданной градацией по прозрачности; технология виртуального доступа к банкам изображений с использованием службы сетевого запуска программ JavaWebStart и нейропроцессора для ускорения вычислений.

Практическая ценность работы состоит в том, что на базе предложенных в диссертации алгоритмов спроектированы технологии сегментации облачности, используемые при построении карт подстилающей поверхности по спутниковым изображениям и при оценке качества материалов съемки. Эти технологии функционируют в составе систем обработки информации от космических аппаратов NOAA и Метеор ЗМ №1. Кроме того, результаты работы были использованы в учебном процессе и позволили улучшить качество преподавания дисциплин "Основы теории нечетких множеств" и "Системы искусственного интеллекта".

Апробация работы. Основные положения- диссертации докладывались и обсуждались на 2-х Международных и 4-х Всероссийских научно-технических конференциях: Международная конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2008; 2 доклада); Международная конференция «Инфотелекоммуникационные технологии в науке, производстве и образовании» (Ставрополь, 2004); Научно-техническая конференция ФГУП "РНИИ КП", посвященная 60-летию предприятия (Москва, 2006); Всероссийская конференция «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2007, 2008). Всероссийская конференция «Сети, системы связи и телекоммуникации. Деятельность ВУЗа при переходе на федеральный государственный образовательный стандарт 3-го поколения» (Рязань, 2008).

Публикации. Основные результаты диссертации опубликованы в 10-и работах, в том числе 2-е работы опубликованы в изданиях, рекомендованных ВАК. В отраслевом фонде алгоритмов и программ Федерального агентства по образованию зарегистрирован комплект программ (свидетельство №10027 от 19.02.2008).

Внедрение результатов работы. Диссертационная работа выполнена в Рязанском государственном радиотехническом университете. Результаты диссертационной работы в виде специализированного программного обеспечения внедрены в Научно-исследовательском Центре космической гидрометеорологии «Планета» (акт о практическом использовании от 12.02.2008) и в учебном процессе Рязанского государственного радиотехнического университета в курсах "Основы теории ^нечетких множеств" и "Системы искусственного интеллекта" (акт внедрения от 9.04.2008).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Основной текст работы содержит 134 стр., 39 рисунков и 5 таблиц. Список литературы на 12 стр. включает 111 наименований.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Тишкин, Роман Валентинович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ наиболее известных и используемых методов сегментации изображений и локализации облачных образований, предложена одна из возможных классификаций по базовым свойствам точек изображения (разрывности и однородности функции яркости). Установлены узкие места существующих алгоритмов локализации облачности. Показано что одним из эффективных путей устранения недостатков является использование методов и средств искусственного интеллекта

2. Предложено для решения задачи идентификации облачных образований использовать алгоритм кластеризации на основе искусственной нейронной сети Кохонена. Выполнены исследования и получены его точностные оценки.

3. Предложена методика генерации обучающей выборки на, основе колорометрического алгоритма, позволяющая стабилизировать результаты работы алгоритма кластеризации на основе искусственной нейронной сети Кохонена.

4. Разработан, алгоритм локализации облачных образований, основанный на процедуре кластеризации нечетких к— средних и генетическом алгоритме, что обеспечивает нахождение субоптимального решения и позволяет локализовать на космическом изображении облачность и слабую облачность.

5. Предложен алгоритм локализации облачных образований, основанный на процедуре кластеризации нечетких к~ средних, с использованием интервальных нечетких множеств второго типа, что обеспечивает управление конфигурацией кластеров и возможность локализации облачности с заданной градацией по прозрачности.

6. Спроектирована высокопроизводительная программная система идентификации облачных образований обеспечивающая виртуализацию доступа к банкам изображений и высокую производительность, за счет применения параллельных вычислений.

Список литературы диссертационного исследования кандидат технических наук Тишкин, Роман Валентинович, 2008 год

1. Аксенов О., Борисов Ю., К разрядности вычислителя БПФ при его реализации на процессоре JI1879BM1 (NM6403) // Цифровая обработка сигналов, No2, 2004

2. Аксенов О. Распределение вычислительного процесса в многопроцессорном комплексе обработки видеоинформации // Цифровая обработка сигналов, No2, 2004

3. Аксенов О., Задержка обработки информации в многопроцессорных вычислителях различной конфигурации, // "Цифровая обработка сигналов", No2, 2005

4. Аксенов О. Реализация искусственных нейронных сетей в НТЦ "Модуль" // "Компоненты и технологии", No4, 2005

5. Алексеев А.С., Асмус В.В., Милехин О.Е., Пяткин В.П. Изучениеприродной среды и климата методами космического мониторинга //!

6. Тезисы докладов Международной Конференции по Математическим Методам в Геофизике «ММГ-2003» Россия, Новосибирск, Академгородок 8-12 октября 2003 г.

7. Асмус В.В., Попов А.Е., Спиридонов Ю.Г. Кластеризация многозональных СВЧ радиометрических измерений. В сб.: Дистанционное зондировакние Земли со спутника "Метеор-Природа". JL: Гидрометеоиздат, 1985. стр. 127-134.

8. Асмус В.В. Методические и прикладные задачи космического123мониторинга природной среды / Асмус В. В., Пяткин В. П. // Моделирование географических систем : мат. Всерос. науч.-метод. конф. Иркутск, 2004. - С. 20-24

9. Асмус В.В., Кровотынцев В.А. Оценка состояния полярных ледяных покровов с использованием данных с ИСЗ "Океан" // http://www.internevod.com/rus/academy/sci/02/a2.shtml

10. Барталев С.А., Лупян Е.А. Спутниковый мониторинг бореальных экосистем // Природа №9, 2005 с. 44-53.

11. П.Борисов Ю., Кашкаров В., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки // Открытые системы", No4, 1997

12. Борисов Ю. Комплекс "Трафик-Монитор" на базе процессора Л1879ВМ1. Особенности разработки // "Электроника:НТБ", №6, 2003

13. Гонсалес Р., Вудс Р. "Цифровая обработка изображений", М.: Техносфера 2005

14. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде Matlab М.: Техносфера, 2006. 616с.

15. Демидова Л.А., Кираковский В.В., Пылькин А.Н. Алгоритмы и системы нечеткого вывода при решении задач диагностики городских инженерных коммуникаций. М.: Радио и связь, Горячая линия Телеком, 2005.-365 е.: ил.

16. Денисов Д.А., Низовкин В.А. Сегментация изображения на ЭВМ // Зарубежная радиоэлектроника. 1985. № 10. С. 5-30.

17. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир. 1976. -511с.

18. Еремеев В.В. Методы и информационные технологии межотраслевой, обработки многозональных космических изображений. Диссертация, Рязань, 1996, с. 307.

19. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений М.: Мир, 1976.-165 с.

20. Злобин В.К., Селиванов А.С., Еремеев В.В. и др. Мультипроцессорная технология межотраслевой обработки видеоданных, полученных космической системой «Ресурс-01» // Исследование Земли из космоса. 1992. №2. с. 87-90.

21. Злобин В.К., Еремеев В.В., Васильев В.М. Стохастическая модель космических изображений и ее использование для сегментации природных объектов. Автометрия № 6 2000г.

22. Злобин В.К., Кочергин A.M. Колорометрический подход к сегментацииоблачных образований на многозональных снимках. // Космонавтика. Радиоэлектроника. Геоинформатика: Тезисы докладов 4-й международной научно-технической конференции, РГРТА, 2003г.

23. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Телекоммуникационные средства связи с архивами данных дистанционного зондирования Земли // Электросвязь. 2003. №1. с. 7-8.

24. Злобин В.К., Еремеев В.В. Обработка аэрокосмических изображений. — М.: ФИЗМАТЛИТ, 2006. -288с.

25. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Обработка изображений в геоинформационных системах. РГРТУ, Рязань 2006. 264с.

26. Злобин В.К., Кочергин A.M. Алгоритмы и технологии предварительной обработки изображений в системах каталогизации данных дистанционного зондирования земли. // Вестник РГРТУ, Вып. 23. Рязань, 2008 с 5-14.

27. Калан Р. "Основные концепции нейронных сетей" М.: Издательский дом «Вильяме» 2003

28. Камер Д., Стивене Д. Сети TCP/IP, том 3. Разработка приложений типа клиент/сервер для Linux/POSIX. М.: Издательский дом "Вильяме", 2002. 592 с.

29. Кашкаров В., Мушкаев С. Организация параллельных вычислений в алгоритмах БПФ на процессоре NM6403 // Цифровая обработка сигналов №1,2001

30. Комарцова Л.Г., Максимов А.А. Нейрокомпьютеры, М.: МГТУ им. Н.Э. Баумана, 2004. 400с.

31. Кормер Т. и др. Алгоритмы: построение и анализ, 2-е издание М.: Издательский дом "Вильяме", 2005. - 1296 с.

32. Корпорация intel представила первую в отрасли микросхему,изготовленную по 32-нм технологическому процессу, а такжеархитектуру микропроцессоров следующего поколения под кодовым наименованием nehalem // Technology@Intel №28, июнь 2007.

33. Костров Б.В., Ручкин В.Н. Основы искусственного интеллекта М.:Десс -2007г. 192с.

34. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика М.: Горячая линия Телеком 2002.

35. Кузнецов А.Е. Организация координатной обработки аэрокосмической видеоинформации в мультипроцессорных системах. Диссертация, Рязань, 1990, с. 149.

36. Кузнецов А.Е., Кочергин A.M. Обработка изображений в задаче каталогизации данных дистанционного зондирования. Известия вузов: Геодезия и аэрофотосъемка. 2002г. №1. с. 166-172.

37. Кузнецов А.Е. Математическое и программное обеспечение систем обработки данных дистанционного зондирования Земли. Диссертация, Рязань, 2003, с. 328.

38. Лупян Е.А. Использование Интернет-технологий для построения систем мониторинга окружающей среды // Механика, Управление и Информатика, Семинар ИКИ РАН, 2005г. http://www.iki.rssi.rU/seminar/materials.htm#2005

39. Люггер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем -М.: Издательский дом "Вильяме", 2005 .-864с.

40. Методы компьютерной обработки изображений под. ред. В.А. Сойфера, М.: Физматлит 2003

41. Мушкаев С. К вычислению квадратов и абсолютных значений на* процессоре КМ6403(Л1879ВМ1) // Цифровая обработка сигналов, Nol, 2005

42. Мушкаев С., Ландышев С. Применение процессора Л1879ВМ1 для сжатия изображений // Цифровая обработка сигналов, №1, 2002

43. Мушкаев С. Реализация ранжирующих и. медианных фильтров на процессоре NM6403 (Л1879ВМ1) // Цифровая обработка сигналов, №1, 2005

44. Назаров Л.Е. Нейросетевые методики идентификации (полной сегментации) типов земных покровов по космическим многозональным изображениям. НЕЙРОКОМПЬЮТЕРЫ: РАЗРАБОТКА И ПРИМЕНЕНИЕ, #9-10, 2002

45. Нейрокомпьютеры в системах обработки изображений. Под ред. Ю.В.

46. Гуляева и А.И. Галушкина. М.: Радиотехника 2003.

47. НТЦ "Модуль" http://www.module.ru/

48. Оссовский С. "Нейронные сети для обработки информации" М.: Финансы и статистика 2004.

49. Попова О. Слияние потоковых видеоизображений на процессоре NeuroMatrix NM6403, Цифровая обработка сигналов. № 4, 2006

50. Представляем новое поколение микроархитектуры Intel® Core™ на базе 45-нанометровой производственной технологии // Technology@Intel №28, июнь 2007.

51. Прэтт У. Цифровая обработка изображений — М.: Мир, том 1.1982 — 310с.

52. Прэтт У. Цифровая обработка изображений М.: Мир, том 2 1982 -478с.

53. Пылькин А.Н., Тишкин Р.В. Нечеткая модель представления изображения \\ Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы 15-й международной науч.-тех.

54. Конференции, Рязань, РГРТУ, 2008 с. 25-27

55. Рассел С., Норвиг П. Искусственный интеллект: современный подход — М.: Издательский дом "Вильяме", 2006. 1408с.

56. Тишкин Р.В. "Нейросетевые алгоритмы идентификации облачности по спутниковым изображениям" Тезисы докладов научно-технической конференции ФГУП «РНИИ КП» М.: ФГУП «РНИИ КП» 2006.

57. Тишкин Р.В. Web-технологии обработки космических изображений. Новые информационные технологии в научных исследованиях и образовании: материалы XII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. РГРТУ 2007.

58. Тишкин Р.В., Шевяков А.Г. Распределенная система управления динамикой робота \\ Известия ТулГУ серия: Вы-числительная техникаI

59. Вып.З том 2, Издательство ТулГУ 2006.

60. Тишкин Р.В. Технология виртуального доступа к банкам изображений. \\ Научно-технические ведомости СПбГПУ №4-2 (52), 2007 с. 113-116*

61. Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход, М.: Издательский дом "Вильяме", 2004г.

62. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений Красноярск.: Издательство Красноярского ун-та, 1992 - 248с.

63. Хайкин С., "Нейронные сети", Полный курс, второе издание, Изд. дом "Вильяме", 1104 стр.

64. Хорстман Кей С., Корнел Гарри, Java 2. Библиотека профессионала, том 1

65. Основы, 7-е изд. -М.: Издательский дом "Вильяме", 2006г. 896с.

66. Хьюз К., Хьюз Т. Параллельное и распределенное программирование с использованием С++. М.: Издательский дом "Вильяме", 2004-672с.

67. Хуанг Т.С. и др. Быстрые алгоритмы в цифровой обработке изображений М.: Радио и связь, 1984. - 224с.

68. Черников В. и др., Семейство- процессоров обработки сигналов с векторно-матричной архитектурой NeuroMatrix®, журнал "Компоненты и технологии", No6, 2006

69. Черников В.М., Виксне П.Е., Фомин Д.В. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов // "Приборостроение". 1996. Т. 39. No7. С. 13 21

70. Шапиро JL, Стокман Д. Компьютерное зрение — М.: БИНОМ. Лаборатория знаний, 2006. 752с.

71. Шевченко П., Шкуренко А. Декодер цифрового телевизионного сигнала высокой четкости: Система на кристалле журнал "ЭЛЕКТРОНИКА: НТБ" №5, 2007

72. Штовба С.Д. Введение в теорию нечётких множеств и нечёткую логику. http://matlab.exponenta.ru/fuzzylogic/bookl/

73. Яне Б. Цифровая обработка изображений М.: Техносфера, 2007.-584с.

74. Ярушкина Н.Г. Основы теории нечетких и гибридных систем — М.: Финансы и статистика, 2004. 320с.

75. Atkinson P.M., Tatnall A.R.L. Neural Networks in Remote Sensing, Int. J. of Remote Sensing. 1997, vol. 18, no 4, pp. 699-709

76. Bezdek, J.C., Keller, J., Krisnapuram, R., Pal, N.R. Fuzzy Models and Algorithms for Pattern Recognition and Image Processing 2005, 776 стр.

77. Borsoti M., Campadelli P., Schettini B. Quantitative evaluation of color image results/TPattern Recognition Letters. 1998.-Vol.l9.-P.741-747

78. Burt P.J., Adelson E.H., "The Laplacian Pyramid as a Compact Image Code," IEEE Trans, on Communications, pp. 532—540, April 1983.

79. Chung-Hoon R. Uncertain fuzzy clustering: Insights and Recommendations 44-56 IEEE Computational intelligence magazine volume 2 number 1

80. Etienne E. Kerre, Mike Nachtegael Fuzzy Techniques in Image Processing Physica-Verlag 2000, 412 стр.

81. Fisher P. Wath is where? Type-2 Fuzzy sets for Geographical information. 914 IEEE Computational intelligence magazine volume 2 number 1

82. Gregory J. E. Rawlins Foundations of Genetic Algorithms Morgan Kaufmann 1991, 341 стр.

83. Hagras Hani Type-2 FLCs: a new generation of fuzzy controllers. 30-43 Computational intelligence magazine volume 2 number 1

84. Hernandez Maria, Mendez Gerardo Modelling and prediction of the MXNUSD exchanged rate using interval singleton type-2 fuzzy logic systems ст. 5-8 IEEE Computational intelligence magazine volume 2 number 1

85. Hwang C., Chung-Hoon R. Uncertain Fuzzy Clustering: Interval Type-2 fuzzy approach to C-means // IEEE Trans. On fuzzy Systems vol. 15 num. 1 c. 107120

86. Java Advanced Imaging projects https://iai.dev.iava.net/

87. Java Advanced Imaging Stuff https://iaistuff.dev.iava.net/

88. Java Web Start Developer's Guide. Version 1.2 http://iava.sun.eom/products/iavawebstart/l.2/docs/developersguide.html

89. Kohonen T. Self-Organizing Maps Springer 2001 501c.

90. Lee J. и др. A Neural Network Approach to Cloud Classification IEEE Trans. On Geosciences and Remote sensing vol. 28 No.5 1990

91. MacQueen J. B. (1967): "Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability", Berkeley, University of California Press, 1:281-297

92. Mendel, J.M., Type-2 Fuzzy Sets and Systems and Overview IL IEEE Computational Intelligence Magazine 2(l):20-29, Febuary 2007.

93. Mendel Uncertain Rule-Based fuzzy logic systems: introduction and new direction, Prentice Hall, upper saddle river, NJ, 2001

94. NeuroMatrix. Руководство пользователя. Версия 1.0. 1999 301 с.

95. Open Source Computer Vision Library http://www.intel.com/technology/computing/opencv/

96. Robert John, Coupland Simon Type-2 Fuzzy Logic: A Historical view. 5762 IEEE Computational intelligence magazine volume 2 number 1

97. Rosenblatt, Frank (1958), The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Cornell Aeronautical1.boratory, Psychological Review, v65, No. 6, pp. 386-408.

98. Sankar K. Pal Paul P. Wang Genetic Algorithms for Pattern Recognition CRC Press 1996, 336 стр.

99. Starovoitov V., Samal D. Experimental study of color image similarity// Machine Graphics & Vision. 1998. Vol.7.-N.l/2.-P.447-454.

100. Werbos P.J. The Roots of Backpropagation: From Ordered Derivatives to Neural Networks and Political Forecasting Wiley-IEEE 319 c.110. www.sun.com

101. Xei X.L., Beni G.A. Validity Measure for Fuzzy Clustering // IEEE Trans, on Pattern Anal, and Machine Intell. 3 (8). 1991. - P. 841 - 846.1. УТВЕРЖДАЮ

102. Зам. директора ГУ «НИЦ «Планета»,1. Л <е?.2008 г.1. О.Е. Милехин1. АКТо практическом использовании результатов кандидатской диссертации Тишкина Романа Валентиновича

103. Разработанные алгоритмы используются в программных продуктах построения карт облачных образований и ледовой обстановки по данным спутниковых измерений.

104. Заведующий отделом, к.т.н.1. В.И.Соловьев

105. Заместитель заведующего кафедрой вычислительной и прикладной математики к.т.н., доцент И/7У / В.С.Новичков

106. ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ1. РЕГИСТРАЦИИ РАЗРАБОТКИ* " ' • • • L • • • • • • •1. М 10027•У ' ••;••

107. Настоящее свидетельство выдано на разработку:v.*.- .v.- ■.*.■-■ v. ■.••*.С1. W '.*,*/ . Vзарегистрированную в Отраслевом фонде алгоритмов и программ.

108. Дата регистрации: 19 февраля 2008 годал:':-. '■:*:•*• ::::: *::у'• • • » ,*/,* • . • • ■ • • • - •1. Автор: Тишкин Р.В.1. Директор1. Руководитель ОФА

109. Е.Г. Калинкевич А-И. Галкина1. Дата выдачи

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.