📄Работа №184735
Тема: ПЛОТНОСТНОЙ АЛГОРИТМ РАЗДЕЛЕНИЯ ТИПОВ ОБЛАЧНОСТИ (КЛАСТЕРИЗАЦИИ) ПО ПАРАМЕТРАМ, ВКЛЮЧАЮЩИМ ФРАКТАЛЬНУЮ РАЗМЕРНОСТЬ ОБЛАКА
Тип работы
Дипломные работы, ВКР
Предмет
физика
Объем:
42 листов
Год:
2021
Просмотров:
60
4600
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 6
1 МЕТОДЫ КЛАСТЕРИЗАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ 8
1.1 Алгоритм ^-средних 8
1.2 Алгоритм F OREL 9
1.3 Алгоритм ISODATA 11
1.4 Алгоритм BIRCH 11
1.5 Алгоритм CLARANS 12
1.6 Алгоритм CURE 13
1.7 Алгоритм DBSCAN 14
1.8 А-дерево 15
2 ПРИЗНАКИ, ПРИМЕНИМЫЕ ДЛЯ КЛАСТЕРИЗАЦИИ ОБЛАЧНОСТИ 19
2.1 Обоснование набора текстурных признаков 19
2.2 Фрактальная размерность. Методы вычисления фрактальной размерности
облачности 25
2.3 Состав вектора признаков кластеризации облачности 28
3 РЕАЛИЗАЦИЯ АЛГОРИТМА И ПРОГРАММЫ КЛАСТЕРИЗАЦИИ ОБЛАЧНОСТИ..30
3.1 Обоснование среды реализации программной системы 30
К достоинствам такой программной среды относят: . Ошибка! Закладка не определена.
3.2 Разработка структуры программы, ее описание 33
3.3 Разработка диаграммы взаимодействия 34
3.4 Диаграмма классов 35
3.5 Результаты тестирования 37
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
1 МЕТОДЫ КЛАСТЕРИЗАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ 8
1.1 Алгоритм ^-средних 8
1.2 Алгоритм F OREL 9
1.3 Алгоритм ISODATA 11
1.4 Алгоритм BIRCH 11
1.5 Алгоритм CLARANS 12
1.6 Алгоритм CURE 13
1.7 Алгоритм DBSCAN 14
1.8 А-дерево 15
2 ПРИЗНАКИ, ПРИМЕНИМЫЕ ДЛЯ КЛАСТЕРИЗАЦИИ ОБЛАЧНОСТИ 19
2.1 Обоснование набора текстурных признаков 19
2.2 Фрактальная размерность. Методы вычисления фрактальной размерности
облачности 25
2.3 Состав вектора признаков кластеризации облачности 28
3 РЕАЛИЗАЦИЯ АЛГОРИТМА И ПРОГРАММЫ КЛАСТЕРИЗАЦИИ ОБЛАЧНОСТИ..30
3.1 Обоснование среды реализации программной системы 30
К достоинствам такой программной среды относят: . Ошибка! Закладка не определена.
3.2 Разработка структуры программы, ее описание 33
3.3 Разработка диаграммы взаимодействия 34
3.4 Диаграмма классов 35
3.5 Результаты тестирования 37
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
📖 Введение
Одной из основных задач исследования атмосферы Земли является задача переноса радиационного излучения в атмосфере. Существенную роль в этом переносе играют облачные покровы экранирующие излучение. При этом каждый тип облачности играет разную роль в переносе излучения.
Изображения облачного покрова Земли обычно содержат наложенные и частично перекрывающие друг друга различные типы облачности. Однако при исследовании прохождения оптического изучения через атмосферу необходимо учитывать влияние каждого типа.
В связи с этим разбиение (кластеризация) изображений облачности по типам становится актуальной задачей.
В настоящее время существует большое количество методов и алгоритмов кластеризации облачности. В качестве методов, на основе которых осуществляется кластеризация, используются энергетические текстурные признаки изображения облачности.
Однако такие признаки чувствительны к перепадам яркости, которая в свою очередь зависит от условий освещенности (интенсивности и угла подсветки) и, следовательно, кластеризация по ним обладает погрешностью.
Для увеличения достоверности целесообразно добавить признаки, не зависящие от подсветки. К таким относится фрактальная размерность.
Таким образом, объектом исследования в работе являются:
Методы и средства кластеризации облачных образований.
Предмет исследования представляет собой:
Методы и алгоритмы кластеризации изображения облачных покровов по текстурным и геометрическим (фрактальным) параметрам.
Проблемная ситуация, связанная с_предметной областью определяется:
1. Высокой вычислительной сложностью алгоритмов кластеризации.
2. Зависимостью классификационных признаков, используемых при кластеризации текстурных параметров от условий освещенности облачных образований.
На основании вышесказанного, целью исследования является:
Разработать алгоритм и программу кластеризации изображений облачности на кластеры произвольной формы по текстурным и геометрическим (фрактальным) параметрам, вычислительной сложности не более n log2 n.
Изображения облачного покрова Земли обычно содержат наложенные и частично перекрывающие друг друга различные типы облачности. Однако при исследовании прохождения оптического изучения через атмосферу необходимо учитывать влияние каждого типа.
В связи с этим разбиение (кластеризация) изображений облачности по типам становится актуальной задачей.
В настоящее время существует большое количество методов и алгоритмов кластеризации облачности. В качестве методов, на основе которых осуществляется кластеризация, используются энергетические текстурные признаки изображения облачности.
Однако такие признаки чувствительны к перепадам яркости, которая в свою очередь зависит от условий освещенности (интенсивности и угла подсветки) и, следовательно, кластеризация по ним обладает погрешностью.
Для увеличения достоверности целесообразно добавить признаки, не зависящие от подсветки. К таким относится фрактальная размерность.
Таким образом, объектом исследования в работе являются:
Методы и средства кластеризации облачных образований.
Предмет исследования представляет собой:
Методы и алгоритмы кластеризации изображения облачных покровов по текстурным и геометрическим (фрактальным) параметрам.
Проблемная ситуация, связанная с_предметной областью определяется:
1. Высокой вычислительной сложностью алгоритмов кластеризации.
2. Зависимостью классификационных признаков, используемых при кластеризации текстурных параметров от условий освещенности облачных образований.
На основании вышесказанного, целью исследования является:
Разработать алгоритм и программу кластеризации изображений облачности на кластеры произвольной формы по текстурным и геометрическим (фрактальным) параметрам, вычислительной сложности не более n log2 n.
✅ Заключение
В разделе 1 описывалось обоснование алгоритма DBSCAN. Этот алгоритм кластеризации на основе плотности может быть использован для поиска переполненных областей, не принимая во внимание выбросы или не нуждаясь в предопределенном количестве кластеров. Максимальное расстояние между точками в области высокой плотности определяется пользователем.
Наиболее трудоемкой частью алгоритма DBSCAN является пространственный поиск точек в окрестности. Для повышения быстродействия этого алгоритма кластеризации реализуется индексная структура - R*-дерево. Структура R*-дерева хороша для индексации объектов пространственных данных, имеющих ненулевой размер.
В разделе 2 описываются методы, используемые при кластеризации: текстурные и фрактальные признаки. Недостатком текстурных признаков является зависимость от условий освещенности, вследствие чего кластеризация по ним обладает погрешностью. В этой связи есть необходимость добавить геометрический признак. Наиболее эффективным является фрактальная размерность. Такой признак не зависит от интенсивности и угла подсветки и может принимать нецелые значения.
Для расчета текстурных признаков пользуемся матрицей смежности. Для расчета фрактального признака будет использоваться программа, которая была написана ранее.
Раздел 3 содержит в себе структурную схему программы и диаграммы классов и их взаимодействий. Классы позволяют работать с изображением и их вычислениями. А диаграммы взаимодействия отвечают за последовательность, в которой работают эти классы. В завершении был показан результат работы программы.
Наиболее трудоемкой частью алгоритма DBSCAN является пространственный поиск точек в окрестности. Для повышения быстродействия этого алгоритма кластеризации реализуется индексная структура - R*-дерево. Структура R*-дерева хороша для индексации объектов пространственных данных, имеющих ненулевой размер.
В разделе 2 описываются методы, используемые при кластеризации: текстурные и фрактальные признаки. Недостатком текстурных признаков является зависимость от условий освещенности, вследствие чего кластеризация по ним обладает погрешностью. В этой связи есть необходимость добавить геометрический признак. Наиболее эффективным является фрактальная размерность. Такой признак не зависит от интенсивности и угла подсветки и может принимать нецелые значения.
Для расчета текстурных признаков пользуемся матрицей смежности. Для расчета фрактального признака будет использоваться программа, которая была написана ранее.
Раздел 3 содержит в себе структурную схему программы и диаграммы классов и их взаимодействий. Классы позволяют работать с изображением и их вычислениями. А диаграммы взаимодействия отвечают за последовательность, в которой работают эти классы. В завершении был показан результат работы программы.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.