ВВЕДЕНИЕ 4
ГЛАВА 1. ДЕШИФРИРОВАНИЕ ГРАВИТАЦИОННЫХ ВОЛН НА СПУТНИКОВЫХ ИЗОБРАЖЕНИЯХ 6
1.1. Гравитационные волны 6
1.2. Волнистые облака с подветренной стороны горных хребтов, островов и
за изолированными препятствиями 11
ГЛАВА 2. МЕТОДЫ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ ГРАВИТАЦИОННЫХ ВОЛН 21
2.1. Фильтр Г абора 21
2.2. Искусственный интеллект и машинное обучение 24
2.3. Искусственные нейронные сети и глубокое обучение 26
2.4. Обучение нейронной сети с учителем 29
2.5 Сверточная нейронная сеть 31
ГЛАВА 3. ИСПОЛЬЗОВАНИЕ ФИЛЬТРА ГАБОРА ДЛЯ РАСПОЗНОВАНИЯ ГРАВИТАЦИОННЫХ ВОЛН НА СПУТНИКОВЫХ СНИМКАХ 36
3.1. Влияние параметров на выход фильтра Габора 36
3.2. Разработка алгоритма автоматического определения параметров фильтра
Г абора для обнаружения гравитационных волн 43
ГЛАВА 4. ПРОЦЕСС АВТОМАТИЗАЦИИ ИСПОЛЬЗОВАНИЯ ФИЛЬТРА ГАБОРА 51
4.1. Обучение сверточной нейронной сети 51
4.2. Анализ результатов реализации разработанного метода автоматического определения параметров фильтра Габора для поиска гравитационных волн 57
ЗАКЛЮЧЕНИЕ 68
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 69
Гравитационные волны — это мезомасштабное явление в атмосфере. Такие волны зачастую могут быть опасны для авиации. Они могут вызывать турбулентность различной мощности от слабой до сильной. Гравитационные волны определяются на спутниковых снимках по специфическим изменениям в поле облачности. При этом часто возникает проблема обнаружения этих волн визуальным методом поскольку они бывают трудно распознаваемы, вследствие чего их сложно прогнозировать.
Данная работа посвящена разработке метода фильтрации изображения с помощью фильтра Габора, а также использования нейронной сети для автоматизации этого процесса. Фильтр Габора имеет несколько параметров, от которых зависит качество дешифрирование обработанного изображения. При этом возникает проблема, связанная с ручном перебором всех возможных параметров, что является достаточно трудоемкой и продолжительной работой. Для ускорения этого процесса в работе используется нейронная сеть.
Также на одном спутниковом изображении, возможно существование гравитационных волн от разных источников, что усложняет применение фильтра, поскольку одна реализация фильтра не может быть применена к нескольким пакетам волнам одновременно, так как из-за наличия волн различной ориентации невозможно определить один набор оптимальных параметров. Для решения этой проблемы используется фрагментация изображение, что способствует снижению влияния вариативности параметров различных цугов волн.
Объектом исследования является гравитационные волны на спутниковом изображении.
Предметы исследования - метод и алгоритмы обработки изображения с помощью фильтра Габора и нейронных сетей.
Целью работы является разработка метода обработки спутникового изображения для определения гравитационных волн и параметров фильтра Габора для определения физических характеристик волн. Для этого необходимо решить следующие задачи:
1. Создать архив спутниковых изображений гравитационных волн.
2. Проанализировать вариативность параметров фильтра Г абора и выявить проблемы, которые возникают при его использовании.
3. Разработать метод, решающий проблемы ручной обработки и вариативности параметров волн.
4. Исследовать эффективность разработанного метода решения.
В данной работе был разработан метод обработки снимков гравитационных волн.
Исследованы гравитационные волны - их поведение, параметры и опасность для авиационной деятельности. Проанализированы подходы для выделения границ объектов на изображении - в частности фильтр Габора и сверточные нейронные сети.
Был разработан метод, который решает проблемы, возникающие при обработке спутниковых изображений волн с использованием фильтра Габора. Проблема с ручным перебором параметров была решена путем применения сверточных нейронных сетей. Обученная сеть анализирует изображения, полученные после обработки набором фильтров Габора и определяет единственный результат с наивысшей оценкой качества.
Вторая проблема с вариативностью ориентации волн была решена с помощью фрагментации исходного изображения. Это помогает уменьшить вариативность параметров волны в одном фрагменте. Также это позволило исключать обработку фрагментов изображения без волн, что в результате уменьшило шумы на изображении.
Анализ полученных результатов позволил определить перспективные направления для дальнейших разработки метода:
• Повышение точности работы сверточной нейронной сети путем подготовки большей обучающей выборки.
• Повышение точности определения фрагментов без волн путем добавления нового метода предобработки фрагментов.
• Расчет параметров гравитационных волн на основе полученных результатов обработки метода для прогноза их поведения.
