ИСТИНА

Рассматриваются классификаторы разного уровня сложности, которые позволяют в автоматизированном режиме проводить разбиение исходных данных на отдельные подмножества, сгруппированные на основе выбранной меры сходства. Высокое спектральное разрешение используемой аппаратуры (сотни спектральных каналов в видимой и ближней инфракрасной области, разрешение в единицы нанометров) способствует повышению точности решения рассматриваемых прикладных задач. Пределы точности определяются числом информативных каналов, которое зависит от соотношения размерности признакового пространства и объема используемых эталонных выборок для изучаемых классов объектов. Обработка данных гиперспектрального зондирования приводит к усложнению математического формализма распознавания образов в сравнении с обработкой данных многоспектрального зондирования (порядка десяти спектральных каналов) вследствие повышения межканальной корреляции гиперспектральных данных. При высоком пространственном разрешении обрабатываемых данных возникает специфическая задача анализа спектральной смеси данных для разных типов объектов, освещенных и затененных. Основываясь на рассмотрении перечисленных особенностей распознавания образов природно-техногенных объектов, планируются исследования по оптимизации классификаторов при использовании известного метода дискриминантного анализа (линейного и нелинейного) и метода опорных векторов. Первый из этих методов характеризует возможности различения групп элементов разрешения при выбранных правилах принятия решений аналогично использованию процедур множественной регрессии, имея в виду при этом, что набор дискриминантных функций образует простейшую нейронную сеть. Второй из указанных методов, основываясь на максимизации зазора (margin) между исходно бинарными классами и минимизации суммы ошибок классификации, при последующем использовании нелинейных ядерных функций в разрабатываемых вычислительных процедурах и рассмотрении связанных пар классов способствует достижению оптимальной разделяющей гиперплоскости в признаковом пространстве исходных данных и увязывается с двухслойными нейронными сетями. Рассматриваемые методы, объединяясь с моделями нейронных сетей, предназначены для перспективной реализации с помощью параллельных компьютерных систем с большим числом процессоров и взаимных связей, а также с некоторыми принципами организации.