📄Работа №57466
Тема: ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ ЛЕТАТЕЛЬНЫХ АППАРАТОВ ПО ИНФОРМАЦИИ, ФОРМИРУЕМОЙ ОПТИКО-ЭЛЕКТРОННЫМИ СРЕДСТВАМИ
Тип работы
Бакалаврская работа
Предмет
Информатика и вычислительная техника
Объем:
57 листов
Год:
2017
Просмотров:
104
4760
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 4
1. ПОСТАНОВКА ЗАДАЧИ 6
1.1 Задача классификации 6
1.2 Различные формулировки задачи классификации 7
1.3 Задача классификации летательных аппаратов 8
2. ФОРМА В КАЧЕСТВЕ ПРИЗНАКА 12
2.1 Различные подходы к формализации формы 12
2.2 Определение формы 13
2.3 Сравнение по форме 14
2.4 Свойства формы на целочисленной решетке 17
2.4.1 Зависимость вероятности ошибки классификации от объема выборки .... 17
2.4.2 Зависимость вероятности ошибки классификации от изменения
масштаба проекции 19
2.5 3D модели объектов и их проекции 21
2.6 Полнота базы проекций 24
2.7 Решающее правило 25
2.8 Информативность формы 26
3. ПОСТРОЕНИЕ ПРОЕКЦИИ ПО ИЗОБРАЖЕНИЮ 28
3.1 Модель сцены 28
3.2 Поиск зоны интереса 29
3.3 Сегментация зоны интереса 30
3.4 Примеры сегментации реальных изображений 31
3.5 Эффективность классификации объектов по реальным изображениям 33
4. СКОРОСТЬ В КАЧЕСТВЕ ПРИЗНАКА
4.1 Классы летательных аппаратов и их скорости 37
4.2 Информативность набора из двух признаков 39
4.3 Классификация объектов по реальным изображениям с использованием
двух признаков 39
5. ПРОГРАММНЫЕ СРЕДСТВА 44
5.1 Приложения и основные классы 44
5.2 Построение проекций 46
5.3 Построение базы 48
5.4 Оценка информативности 51
5.5 Классификация по видео-последовательности 52
ЗАКЛЮЧЕНИЕ 55
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 56
1. ПОСТАНОВКА ЗАДАЧИ 6
1.1 Задача классификации 6
1.2 Различные формулировки задачи классификации 7
1.3 Задача классификации летательных аппаратов 8
2. ФОРМА В КАЧЕСТВЕ ПРИЗНАКА 12
2.1 Различные подходы к формализации формы 12
2.2 Определение формы 13
2.3 Сравнение по форме 14
2.4 Свойства формы на целочисленной решетке 17
2.4.1 Зависимость вероятности ошибки классификации от объема выборки .... 17
2.4.2 Зависимость вероятности ошибки классификации от изменения
масштаба проекции 19
2.5 3D модели объектов и их проекции 21
2.6 Полнота базы проекций 24
2.7 Решающее правило 25
2.8 Информативность формы 26
3. ПОСТРОЕНИЕ ПРОЕКЦИИ ПО ИЗОБРАЖЕНИЮ 28
3.1 Модель сцены 28
3.2 Поиск зоны интереса 29
3.3 Сегментация зоны интереса 30
3.4 Примеры сегментации реальных изображений 31
3.5 Эффективность классификации объектов по реальным изображениям 33
4. СКОРОСТЬ В КАЧЕСТВЕ ПРИЗНАКА
4.1 Классы летательных аппаратов и их скорости 37
4.2 Информативность набора из двух признаков 39
4.3 Классификация объектов по реальным изображениям с использованием
двух признаков 39
5. ПРОГРАММНЫЕ СРЕДСТВА 44
5.1 Приложения и основные классы 44
5.2 Построение проекций 46
5.3 Построение базы 48
5.4 Оценка информативности 51
5.5 Классификация по видео-последовательности 52
ЗАКЛЮЧЕНИЕ 55
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 56
📖 Введение
Основной задачей выпускной квалификационной работы является исследование возможностей автоматической классификации летательных аппаратов при различных дальностях и углах наблюдения. Это потребовало решения целого ряд задач из различных областей математики и информатики.
Вначале следовало выполнить формализацию прикладной задачи, включающую выбор признаков, критерия эффективности и решающего правила.
При визуальной классификации летательных аппаратов форма их проекции на плоскость перпендикулярную направлению наблюдения является, по-видимому, главным признаком. Общепризнанное определение формы на сегодняшний момент отсутствует. При автоматической классификации по форме возникает необходимость в формализации этого понятия. Поэтому потребовалось исследовать различные определения того, что принято называть формой, и выбрать одно из них для описания проекций летательных аппаратов.
К сожалению, исходной информацией при классификации служит не проекция летательного аппарата, а изображение сцены. Построение проекции по изображению, называемое сегментацией, является достаточно сложной задачей. Для ее решения в настоящей работе привлекаются средства теории однородных случайных полей.
Использование формы в качестве признака предполагает наличие большого количества проекций летательных аппаратов, соответствующих различным углам наблюдения. Для их получения в настоящей работе используются 3d модели объектов.
Очевидно, что эффективность классификации, измеряемая вероятностью правильной классификации, зависит от состава смеси, дальности до летательного аппарата или масштаба изображения и метеоусловий. Поэтому в ходе выполнения работы разработаны программные средства, позволяющие получить оценку эффективности классификации по указанной информации без создания самого автомата классификации.
Возможности современных средств измерения дальности, позволили увеличить количество используемых признаков. Применение скорости летательного аппарата в качестве второго признака позволило увеличить эффективность классификации для с 0.85 до 0.98.
В заключение отметим, что работа выполнялась в рамках ОКР, проводимых АО «НПК «СПП». Полученные результаты изложены в тезисах доклада “Классификация на основе признака формы: проблемы и результаты”, принятом оргкомитетом XVIII Международной конференции «Проблемы теоретической кибернетики», которая состоится во второй половине июня 2017 года.
Вначале следовало выполнить формализацию прикладной задачи, включающую выбор признаков, критерия эффективности и решающего правила.
При визуальной классификации летательных аппаратов форма их проекции на плоскость перпендикулярную направлению наблюдения является, по-видимому, главным признаком. Общепризнанное определение формы на сегодняшний момент отсутствует. При автоматической классификации по форме возникает необходимость в формализации этого понятия. Поэтому потребовалось исследовать различные определения того, что принято называть формой, и выбрать одно из них для описания проекций летательных аппаратов.
К сожалению, исходной информацией при классификации служит не проекция летательного аппарата, а изображение сцены. Построение проекции по изображению, называемое сегментацией, является достаточно сложной задачей. Для ее решения в настоящей работе привлекаются средства теории однородных случайных полей.
Использование формы в качестве признака предполагает наличие большого количества проекций летательных аппаратов, соответствующих различным углам наблюдения. Для их получения в настоящей работе используются 3d модели объектов.
Очевидно, что эффективность классификации, измеряемая вероятностью правильной классификации, зависит от состава смеси, дальности до летательного аппарата или масштаба изображения и метеоусловий. Поэтому в ходе выполнения работы разработаны программные средства, позволяющие получить оценку эффективности классификации по указанной информации без создания самого автомата классификации.
Возможности современных средств измерения дальности, позволили увеличить количество используемых признаков. Применение скорости летательного аппарата в качестве второго признака позволило увеличить эффективность классификации для с 0.85 до 0.98.
В заключение отметим, что работа выполнялась в рамках ОКР, проводимых АО «НПК «СПП». Полученные результаты изложены в тезисах доклада “Классификация на основе признака формы: проблемы и результаты”, принятом оргкомитетом XVIII Международной конференции «Проблемы теоретической кибернетики», которая состоится во второй половине июня 2017 года.
✅ Заключение
В результате выполнения выпускной квалификационной работы построена математическая модель автомата классификации летательных аппаратов по их скорости и изображению сцены. Программные средства, разработанные на ее основе, позволяют оценить вероятность правильной классификации (эффективность) в зависимости от состава смеси, масштаба изображения (дальности) и метеоусловий.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.