Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт



Скачать 43.27 Kb.
Дата26.07.2014
Размер43.27 Kb.
ТипДокументы
Акинин М.В., Конкин Ю.В. Применение нейронных сетей для решения задач уточнения топографических карт. // Проблемы информатики в образовании, управлении, экономике и технике: Сб. статей XI Междунар. научно-техн. конф. – Пенза: ПДЗ, 2011. – С. 165 169.

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ


ДЛЯ РЕШЕНИЯ ЗАДАЧ УТОЧНЕНИЯ
ТОПОГРАФИЧЕСКИХ КАРТ

М.В. Акинин, Ю.В. Конкин

Рязанский государственный радиотехнический университет,
г. Рязань, Россия

Рассмотрен способ уточнения топографических карт, основанный на использовании нейронной карты Кохонена и искусственной нейронной сети (ИНС), составленной из нескольких машин опорных векторов.


M.V. Akinin, Yu.V. Konkin Refinement of topographic maps using artificial neural networks. The way to clarify the topographical maps, based on the use of self-organizing map and artificial neural network composed of multiple support vector machines is described.
Современная топографическая карта подготавливается в геоинформационной системе на основе набора векторных слоев, каждый из которых описывает положение различных объектов местности. Задача уточнения топографической карты сводится, таким образом, к задаче уточнения набора векторных слоев.

Предлагаемый способ уточнения топографических карт

Входными данными предлагаемого способа уточнения топографических карт являются:

1. Уточняемая топографическая карта, представленная в виде набора векторных слоев, сохраненных в файлах формата «ESRI Shape».

2. Базовый спутниковый снимок – спутниковый снимок, по которому была составлена уточняемая топографическая карта.

3. Исходный спутниковый снимок – спутниковый снимок, по которому предполагается выполнить уточнение топографической карты.

Уточнение топографических карт выполняется в три стадии:

1. Кластеризация исходного спутникового снимка с помощью нейронной карты Кохонена. Нейронной картой Кохонена выполняется в данном случае классификация пикселей исходного спутникового снимка, на основании которой выполняется дальнейшее образование кластеров как связных областей, пиксели которых отнесены к одному и тому же классу. В качестве векторов признаков пикселей используются векторы их спектральных яркостей. В качестве меры расстояния между векторами использована Эвклидова мера.

2. Сопоставление кластеров исходного спутникового снимка кластерам базового спутникового снимка с формированием на выходе списка классифицированных (в смысле уточняемой топографической карты) кластеров исходного спутникового снимка и списка неклассифицированных кластеров исходного спутникового снимка.

3. Доклассификация неклассифицированных на предыдущей стадии кластеров исходного спутникового снимка с формированием на выходе результирующего набора полигональных векторных слоев.

Доклассификация выполняется с помощью нейронной сети, составленной из нескольких машин опорных векторов. Машина опорных векторов есть специальный тип ИНС и выполняет нелинейное бинарное разбиение исходного пространства векторов. Исходным пространством векторов является пространство, составленное из векторов признаков кластеров исходного спутникового снимка.

Идея, лежащая в основе машины опорных векторов, состоит в следующем:

1. Машина опорных векторов нелинейным образом проецирует исходное пространство векторов в пространство векторов большей размерности.

2. Машина опорных векторов выполняет линейное разбиение пространства векторов большей размерности.

Гиперплоскость , описывающая разбиение пространства векторов большей размерности, определяется следующим уравнением:



здесь:


– множество опорных векторов;

– множество коэффициентов при соответствующих опорных векторах;

– пороговый коэффициент;

– входной вектор;

– ядро скалярного произведения векторов и . В настоящей работе используется радиальная функция в качестве ядра скалярного произведения. Значение коэффициента было подобрано экспериментально.

Нелинейность однозначного отображения векторов исходного пространства в векторы пространства большей размерности достигается, таким образом, определением функции вычисления ядра скалярного произведения образов векторов исходного пространства.

Решение об отнесении вектора, поданного на вход машины опорных векторов, к одному из двух классов принимается по знаку функции ; при этом вектор , для которого , рассматривается как вектор, не поддающийся классификации.

Машина опорных векторов относится к классу нейронных сетей, обучаемых с учителем. Задача обучения машины опорных векторов сводится к задаче условной квадратичной оптимизации, для чего в настоящей работе был использован алгоритм Sequential Minimal Optimization (SMO) версии тайваньских ученых: Rong-En Fan, Pai-Hsuen Chen, Chih-Jen Lin. Обоснование выбора алгоритма SMO дано в статьях [1] и [2].



Организация эксперимента

Эксперимент заключается в уточнении и дополнении топографической карты полигона «Малинищи», расположенного на границе Рязанского и Пронского районов Рязанской области. В качестве базового спутникового снимка был взят спутниковый снимок части полигона «Малинищи», сделанный спутником «Landsat – 7» (камера «ETM +») 22-го мая 2000 г. На основе базового спутникового снимка была создана уточняемая топографическая карта (рис. 1). Уточнение и дополнение топографической карты было выполнено по исходному спутниковому снимку от 23 мая 2006 г., сделанному спутником «Landsat – 7» (камера «ETM +»). Топографическая карта – результат уточнения и дополнения исходной топографической карты – приведена на рис. 2. Очевидна достаточная точность выполненных уточнения и дополнения.





Рис. 1. Уточняемая топографическая карта



Рис. 2. Результирующая топографическая карта



Заключение

В ходе проведенных экспериментов предлагаемый способ уточнения топографических карт доказал свою состоятельность.

Библиографический список

1. Конкин Ю.В., Акинин М.В. Особенности обучения машин опорных векторов в задачах формирования кар лесов. // Методы и средства обработки информации: межвузовский сборник научных трудов. – Рязань: Рязанский государственный радиотехнический университет, 2010. – С. 133-143.



2. Конкин Ю.В., Акинин М.В. Технология тематического дешифрирования спутниковых изображений на основе машины опорных векторов. // Информатика и прикладная математика: межвузовский сборник научных трудов. – Рязань: Рязанский государственный университет имени С.А.Есенина, 2010. – С. 45-48.

Похожие:

Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconПрименимость компактно поддерживаемых нейронных сетей для решения дифференциальных уравнений в частных
В работе рассматриваются численные методы решения дифференциальных уравнений в частных производных (дучп). Предложено использование...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconПрименение искусственных нейронных сетей в сетевых технологиях и интеллектуальном анализе данных
Данная работа иллюстрирует одно из широко распространенных на сегодняшний день практических применений искусственных нейронных сетей...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconЛот №1 «Разработка требований к созданию цифровых топографических карт»
Традиционная технология создания топографических карт (издание на бумажной основе) в основном решала задачи обеспечения нужд обороны...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconСтруктурный синтез Быстрых нейронных сетей
В данной статье разделе рассматривается процедура синтеза нейронных сетей, которые структурно подобны алгоритмам быстрого преобразования...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconТема: математическая и геодезическая основы топографических карт
Чаще всего в качестве топографической основы в гис применяются цифровые модели, построенные по материалам топографических планов...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconНейрокомпьютерная техника: Теория и практика
В книге американского автора в общедоступной форме излагаются основы построения нейрокомпьютеров. Описаны структура нейронных сетей...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconНейрокомпьютерная техника: Теория и практика
В книге американского автора в общедоступной форме излагаются основы построения нейрокомпьютеров. Описаны структура нейронных сетей...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconПластичность многослойных нейронных сетей
В работе выполнен анализ пластичности многослойных нейронных сетей. Получены точные формулы расчета степени пластичности по структурным...
Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconПрименение теорем Чевы и Менелая для решения планиметрических задач. Сравнительный анализ в эффективности применения этих теорем по сравнению с другими способами решения планиметрических задач

Акинин М. В., Конкин Ю. В. Применение нейронных сетей для решения задач уточнения топографических карт iconМетод анализа рюкзачных криптосистем с использованием искусственных нейронных сетей
Ых асимметричных криптосистем. В работе предложен новый метод анализа данной криптосистемы с использованием наращиваемого набора...
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org