Помощь в написании студенческих работ
Антистрессовый сервис

Автоматическая классификация объектов по радиолокационным изображениям

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Кроме того, каждый алгоритм имеет свои параметры настройки и соответствующую эффективность. Видно, что, пытаясь решить задачу классификации, исследователь сталкивается с другими, не менее трудными задачами. В этой ситуации хотелось бы иметь метод, позволяющий сравнивать эффективность различных алгоритмов автоматической классификации. Простейший способ решения этой задачи заключается в проведении… Читать ещё >

Автоматическая классификация объектов по радиолокационным изображениям (реферат, курсовая, диплом, контрольная)

Содержание

  • СПИСОК СОКРАЩЕНИЙ
  • ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ КЛАССИФИКАЦИИ ОБЪЕКТОВ 13 ПО РАДИОИЗОБРАЖЕНИЯМ
  • ГЛАВА 2. ДОЛЯ ОБЪЯСНЕННОГО РАЗБРОСА КАК ПОКАЗАТЕЛЬ КАЧЕСТВА В ЗАДАЧЕ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ
    • 2. 1. Автоматическая классификация и оценка качества разбиения
    • 2. 2. Модель данных
    • 2. 3. Верхняя граница доли объясненного разброса
    • 2. 4. Сравнение алгоритмов автоматической классификации
    • 2. 5. Разделение двух классов
    • 2. 6. Модификация алгоритма «^-средних» 37 ОСНОВНЫЕ РЕЗУЛЬТАТЫ ГЛАВЫ
  • ГЛАВА 3. РЕАЛИЗАЦИЯ МОДЕЛИ ОТРАЖАЮЩИХ ОБЛАСТЕЙ И ЕЕ ПРИМЕНЕНИЕ ДЛЯ КЛАССИФИКАЦИИ ОБЪЕКТОВ
    • 3. 1. Применение радиолокационной модели цели
    • 3. 2. Существующие радиолокационные модели сложных объектов
    • 3. 3. Модель отражающих областей
    • 3. 4. Задание поверхности отражающего объекта 66 ОСНОВНЫЕ РЕЗУЛЬТАТЫ ГЛАВЫ
  • ГЛАВА 4. АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ОБЪЕКТОВ
    • 4. 1. Моделирование объектов и радиолокационных сигналов
    • 4. 2. Пространство признаков и автоматическая классификация
    • 4. 3. Построение признаков, инвариантных относительно поворота изображения
    • 4. 4. Автоматическая классификация по результатам моделирования радиолокационных целей
  • ОСНОВНЫЕ РЕЗУЛЬТАТЫ ГЛАВЫ

Широкое применение в практике статистических исследований и анализа данных получили методы с использованием алгоритмов автоматической классификации (АК). Эти алгоритмы предназначены для разбиения множества объектов на заданное или неизвестное число однородных в определенном смысле классов. Результат работы алгоритма оценивается на основании некоторого математического критерия качества классификации. При этом исходная информация о классифицируемых объектах представлена значениями многомерного признака (по каждому объекту). Понятие однородности основано на предположении, что геометрическая близость двух или нескольких объектов в некотором пространстве признаков означает близость их физических свойств.

Алгоритмы автоматической классификации (кластерного анализа) находят применение в различных областях науки и техники. Они применяются в медицине для распознавания образов, в связи для оптимальной адаптивной оцифровки и сжатия данных, для быстрого поиска нужной информации в базах данных, на производстве при принятии решения о контроле качества.

Разнообразные процедуры кластерного анализа входят в состав практически всех современных пакетов прикладных программ статистической обработки многомерных данных. Современный уровень развития методов многомерного статистического анализа и наличие ЭВМ позволяют осуществлять классификацию объектов с учетом всех существенных структурно-типологических признаков и характера распределения объектов в заданной системе признаков.

В настоящее время существует много методов построения классификации многомерных объектов с помощью ЭВМ. При этом традиционно выделяют две группы методов. Методы первой группы связаны с задачей «узнавания», идентификации «объектов». Они получили название методов распознавания образов. Смысл распознавания заключается в том, чтобы любой предъявляемый машине объект был отнесен к одному из заранее сформированных классов с наименьшей вероятностью ошибки. Здесь машине сначала предъявляют «обучающую последовательность» объектов (о каждом из которых известно, к какому классу или «образу» он принадлежит), а затем, обучившись", машина должна распознать, к каким классам относятся новые объекты из изучаемой совокупности.

Более общий подход к классификации включает не только отнесение объектов к одному из классов, но и одновременное формирование самих «образов», число которых может быть заранее неизвестно. При отсутствии обучающей последовательности такая классификация производится на основе стремления собрать в одну группу в некотором смысле схожие объекты, да еще так, чтобы объекты из разных групп (классов) были по возможности несхожими. Именно такие методы получили название методов автоматической классификации (кластерного анализа, таксономии, распознавания образов без учителя).

В настоящее время разработаны десятки и сотни различных алгоритмов, реализующих многомерную классификацию автоматически. Они основаны на различных гипотезах о характере распределения объектов в многомерном пространстве признаков, на различных математических процедурах. Обзоры этих методов широко представлены в литературе [1−5].

Особый интерес представляет применение алгоритмов автоматической классификации в радиолокационных системах. В каждой такой системе (и в каждой РЛС) обычно приходиться решать задачу классификации и распознавания обнаруженных целей. Как уже отмечалось выше, возможна сигуация, когда необходимо отнести обнаруженную цель к одному из нескольких известных классов, а также когда необходимо принять решение о разбиении на классы некоторой совокупности целей. В любом из этих случаев на помощь могут прийти процедуры автоматической классификации.

Любую систему (в том числе и радиолокационную), содержащую процедуры АК, уже можно рассматривать как систему, обладающую искусственным интеллектом (ИИ). Под искусственным интеллектом обычно понимают свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Здесь важно отметить, что объекты окружающей среды обладают свойством не только воздействовать на органы чувств и измерительные приборы, но и находиться друг с другом в определенных отношениях. В частности, эти отношения могут представляться как некоторая иерархическая или одноуровневая структура классов (множеств). Именно такая структура и является результатом работы алгоритма автоматической классификации.

Как уже упоминалось, алгоритмы автоматической классификации отличаются большим разнообразием. Это могут быть, например, алгоритмы, реализующие полный перебор сочетаний объектов или осуществляющие случайные разбиения множества объектов. В то же время большинство таких алгоритмов состоит из двух этапов. На первом этапе задается начальное (возможно, искусственное или даже произвольное) разбиение множества объектов на классы и определяется некоторый математический критерий качества автоматической классификации. Затем, на втором этапе, объекты переносятся из класса в класс до тех пор, пока значение критерия не перестанет улучшаться. Существует и другой тип алгоритмов под общим названием «Метод динамических сгущений (МДС)», отличающихся определенной структурой [6].

Кроме того, каждый алгоритм имеет свои параметры настройки и соответствующую эффективность. Видно, что, пытаясь решить задачу классификации, исследователь сталкивается с другими, не менее трудными задачами. В этой ситуации хотелось бы иметь метод, позволяющий сравнивать эффективность различных алгоритмов автоматической классификации. Простейший способ решения этой задачи заключается в проведении численного моделирования с использованием какой-либо модели исходных данных. При этом качество полученной классификации оценивается по некоторому критерию. Критерий качества классификации в той или иной мере отражает следующие требования: а) внутри классов объекты должны быть тесно связаны между собойб) объекты из разных классов должны быть далеки друг от другав) при прочих равных условиях распределения объектов по классам должны быть равномерными.

Требования а) и б) выражают стандартную концепцию компактности классов разбиениятребование в) состоит в том, чтобы критерий не навязывал объединения отдельных классов объектов.

Таким образом, для успешного функционирования описанной выше системы искусственного интеллекта (ИИ) необходимо не только выбрать алгоритм АК, но и критерий оценки качества классификации (разбиения). Кроме того, такой критерий может быть использован для ответа на вопрос о возможности разбиения на классы заданной совокупности объектов при помощи выбранного алгоритма. Хотя вопрос о выборе таких критериев рассматривался, и было предложено несколько критериев, широко применяющихся на практике [7−9], их свойства еще недостаточно изучены.

Третьей необходимой составляющей системы искусственного интеллекта является модель взаимодействия системы с объектами окружающей среды. Обычно процесс формирования этой составляющей называют «выбором пространства признаков», т.к. именно формальное количественное описание объекта в виде вектора признаков определяет отношения данной системы и, объекта. В том случае, если рассматривается радиолокационная система, в качестве такой модели можно использовать радиолокационную модель цели.

Под радиолокационной моделью цели обычно понимают систему, позволяющую проводить моделирование радиолокационного сигнала, отраженного от тела сложной формы. При этом подразумевается нахождение параметров отраженного сигнала в зависимости от параметров зондирующего сигнала, свойств и формы поверхности отражающего объекта [10]. Для эффективного решения перечисленных выше задач модель должна удовлетворять ряду требований. Основным требованием является возможность описывать рассеяние на сложном объекте с достаточной степенью точности и возможность интерпретировать результаты моделирования в физических терминах (частота, поляризация, амплитуда, фаза сигнала). Хотя ряд подобных моделей рассмотрен в литературе [10−20], не все они удобны для решения задачи автоматической классификации.

Особый интерес представляют модели, в которых объект задай сравнительно небольшим числом информативных параметров. В этом случае значительно упрощается постановка и решение обратной задачи, то есть задачи распознавания и идентификации объектов по данным радиолокационных измерений. Реализация именно такой модели предлагается в данной работе.

Таким образом, изучение вопросов применения алгоритмов автоматической классификации применительно к радиолокационным системам можно рассматривать как шаг на пути создания систем с искусственным интеллектом. Исследование критериев оценки качества классификации с целыо выбора алгоритма АК и пространства признаков, в конечном итоге может привести к повышению эффективности той системы, в рамках которой применяются методы автоматической классификации. Поэтому тема диссертации представляется весьма актуальной.

Цель работы.

Целью диссертационной работы является исследование и разработка методов автоматической классификации для применения их в автоматизированных системах классификации объектов по радиолокационной информации и для других приложений (медицины, картографии и др.).

Задачи исследования.

Для достижения указанной цели в диссертации рассмотрены и решены следующие задачи:

— задача автоматической классификации сформулирована в постановке, позволяющей оценивать качество полученного разбиения пространства признаковвыбран критерий качества классификации;

— предложена модель данных, задающая структуру классов в пространстве признаковна основании критерия качества классификации в рамках предложенной модели данных выбран алгоритм автоматической классификациивыбрана и реализована модель, позволяющая получать радиолокационное изображение и другие признаки целина основе моделированных радиолокационных изображений и других признаков, проведена автоматическая классификация целей с использованием ранее выбранного алгоритма.

Научная новизна работы.

Научная новизна работы заключается в следующем: 1) Сформулирована задача автоматической классификации в постановке, позволяющей осуществлять объективную оценку результата работы алгоритма классификации. Для этого предложена статистическая модель данных, позволяющая задавать структуру классов в пространстве признаков. т.

2) Исследованы свойства доли объясненного разброса, которая использовалась как критерий качества результатов классификации, и показано существование у нее верхней границы Тх. Значение этой границы не зависит от применяемого алгоритма классификации, а определяется исключительно структурой исходных данных. Величина Тх может служить критерием компактности классов. Чем ближе значение Тх к единице, тем компактнее сгруппированы точки в пространстве признаков и тем лучше будет результат автоматической классификации.

3) Рассмотрено разделение двух классов в одномерном случае с помощью алгоритма «^-средних» и показано, что разделяющая граница в этом случае является марковским процессом и ее положение не зависит от дисперсий и долей классов. Найдено предельное распределение разделяющей границы в случае двух бесконечно удаленных гауссовских классов.

4) Предложена модификация алгоритма «^-средних», позволяющая уменьшить число перепутанных точек и увеличить долю объясненного разброса за счет учета дисперсий и долей классов. В результате разделяющая граница, построенная с помощью модифицированного алгоритма, оказывается ближе к границе байесовского классификатора, чем при использовании стандартного алгоритма «^-средних» .

5) Проведено качественное сравнение основных известных методов построения радиолокационных моделей (полная модель, метод Кирхгофа, модель фиксированных блестящих точек, модель отражающих областей, модель фасет). Для решения задачи классификации целей выбрана модель отражающих областей. Этот выбор сделан из-за удобства создания банка целей на основе данной модели, а также из-за небольших вычислительных затрат. При этом осуществлена программная реализация модели отражающих областей на объектно-ориентированном языке программирования.

6) Проведено моделирование целей и отраженных сигналов, с использованием общей радиолокационной модели отражающих областей. Моделирование.

1 проводилось для сигнала с линейной частотной модуляцией (ЛЧМ). В результате были получены диаграммы рассеяния, профили дальности и радиоизображения целей.

7) Получены признаки объектов по их радиолокационным изображениям с помощью вейвлет-преобразования. На примере радиоизображения, полученного методом синтезирования апертуры, показана возможность построения признаков, инвариантных относительно поворота изображения.

8) Проведено сравнение алгоритмов автоматической классификации и «алгоритмов разделения смеси вероятностных распределений, а также модифицированного алгоритма «/г-средних». Этот алгоритм показал большую эффективность по сравнению с традиционным алгоритмом «к-средних» .

Практическая ценность работы.

Практическая ценность работы состоит:

1) в разработке и программной реализации комплекса алгоритмов, позволяющих решить задачу моделирования основных характеристик радиолокационного сигнала, отраженного от цели сложной формы;

2) в использовании предложенных алгоритмов классификации и моделирования радиолокационного сигнала в задаче формирования пространства признаков целей;

3) в использовании предложенных алгоритмов классификации и моделирования радиолокационного сигнала в задаче классификации и распознавания целей.

Результаты диссертации могут найти применение в области радиолокации, обработки изображений и распознавания образов.

Основные положения, выносимые на защиту.

1) Доказательство существования и определение значения верхней границы доли объясненного разброса.

2) Модификация алгоритма «/г-средних» .

3) Объектно-ориентированная реализация модели отражающих областей.

4) Применение модифицированного алгоритма «^-средних» для разделения классов радиолокационных целей.

Достоверность результатов.

Достоверность результатов подтверждается практическим использованием построенных в работе алгоритмов в программном обеспечении системы моделирования и распознавания радиолокационных целей.

Апробация результатов работы.

Материалы диссертации докладывались и обсуждались на семи российских и международных конференциях, в том числе на ежегодных конференциях «Теория и техника передачи, приема и обработки информации», «Радиолокация, навигация и связь» и научной конференции МФТИ. Материалы диссертации также обсуждались на семинарах кафедры радиофизики МФТИ.

Публикации.

По материалам данной работы опубликовано 9 научных работ, из них 5 докладов на российских и международных конференциях.

Диссертация состоит из введения, трех глав, заключения, приложения и списка литературы, содержащего 93 наименования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ.

— На основании исследований, проведенных в рамках диссертационной работы, были получены следующие результаты:

1. Задача автоматической классификации сформулирована в постановке, допускающей объективную оценку качества результата работы алгоритма классификации. Для этого предложена статистическая модель данных, позволяющая задавать структуру классов в пространстве признаков.

2. Исследованы свойства доли объясненного разброса и показано. существование у нее верхней границы. Значение этой границы не зависит от применяемого алгоритма классификации, а определяется исключительно структурой исходных данных. На этом основании предложено использовалась Тт как критерий компактности классов. Чем ближе значение Тп к единице, тем компактнее сгруппированы точки в пространстве признаков и тем лучше будет результат автоматической классификации.

3. Рассмотрено разделение двух классов в одномерном случае с помощью алгоритма «¿—средних» и показано, что разделяющая граница в этом случае является марковским процессом и ее положение не зависит от дисперсий и долей классов. Найдено предельное распределение разделяющей границы в случае двух бесконечно удаленных гауссовских классов.

4. Проведено моделирование задачи разделения двух гауссовских классов в одномерном случае с помощью алгоритма «¿—средних» и показано, что положение границы не зависит от дисперсий и долей классов.

5. Предложена модификация алгоритма «¿—средних», позволяющая уменьшить. число перепутанных точек и увеличить долю объясненного разброса за счет учета дисперсий и долей классов. В результате разделяющая граница, построенная с помощью модифицированного алгоритма, ближе к границе байесовского классификатора, чем при использовании стандартного алгоритма «¿—средних».

6. Сформулированы требования, предъявляемые к общей радиолокационной модели, и указана возможность использования такой модели для решения задачи классификации и распознавания целей.

7. Проведено качественное сравнение радиолокационных моделей (точная модель, метод Кирхгофа, модель блестящих точек, модель отражающих областей и модель фасет) и для решения задачи классификации целей выбрана модель отражающих областей. Этот выбор сделан из-за удобства создания банка целей на основе данной модели, а также из-за небольших вычислительных затрат.

8. Осуществлена программная реализация модели отражающих областей на объектно-ориентированном языке программирования. Описаны структура и особенности программной реализации модели отражающих областей. Приведены алгоритмы расчета отраженного поля для основных элементов модели.

9. Проведено моделирование целей и отраженных сигналов, с использованием радиолокационной модели отражающих областей. Моделирование проводилось для сигнала с линейной частотной модуляцией. В результате были получены диаграммы рассеяния, профили дальности и радиоизображения.

10. Рассмотрен метод построения признаков на основе вейвлет-преобразования. На примере радиоизображения, полученного методом синтезирования апертуры, показана возможность построения признаков, инвариантных относительно поворота изображения.

11. К данным, полученным в результате моделирования, применена автоматическая классификация. Для оценки результатов классификации использовалась доля объясненного разброса. Ее верхняя граница предложена в качестве критерия разделимости классов.

12. Проведено сравнение алгоритмов автоматической классификации и алгоритмов разделения смеси вероятностных распределений, а также модифицированного алгоритма «^-средних». Последний алгоритм показал большую эффективность по сравнению с традиционным алгоритмом «^-средних».

ЗАКЛЮЧЕНИЕ

.

В диссертации решен ряд актуальных задач, касающихся применения алгоритмов автоматической классификации для обработки результатов радиолокационных измерений.

Прежде всего, рассмотрена задача автоматической классификации в постановке, позволяющей оценить качество полученного разбиения пространства признаков. Для этого предложена статистическая модель данных, позволяющая задавать структуру классов в пространстве признаков.

Подробно исследованы свойства доли объясненного разброса, которую предлагается использовать как критерий эффективности применения алгоритмов автоматической классификации.

С помощью моделирования проведено сравнение нескольких алгоритмов автоматической классификации с целью выбора из них наиболее эффективного алгоритма на основании предложенного критерия. При этом на модельной задаче разделение двух классов в одномерном случае исследованы свойства разделяющей границы, и показано, что ее значение является марковским процессом и не зависит от дисперсий и долей классов. На основании этих теоретических результатов предложена модификация известного алгоритма «¿—средних».

Для проведения автоматической классификации радиолокационных целей и построения соответствующего пространства признаков использована, радиолокационная модель отражающих областей, которая доведена до программной реализации. Эта модель позволяет вычислять характеристики сигнала, отраженного от цели сложной формы. При этом объект представляется как совокупность относительно простых отражающих областей, для которых возможно получить аналитические решения задачи дифракции в приближении Кирхгофа или по методу краевых волн Уфимцева.

Наконец, в заключительной главе приведены результаты моделирования отражения сложных немонохроматических радиолокационных сигналов и получены некоторые признаки целей: радиоизображение, профиль дальности и диаграмма рассеяния.

Рассмотрено построение признаков отсегментированных радиоизображений объектов с применением вэйвлет-преобразования. При этом удается построить признаки, инвариантные относительно поворота изображения.

В построенном таким образом пространстве признаков проведена автоматическая классификация. Кроме того, сравнивались алгоритмы автоматической классификации и алгоритмы разделения смеси вероятностных распределений, а также байесовский классификатор. Это сравнение проводилось методом моделирования на основе предложенного критерия доли объясненного разброса и числа перепутанных точек. При этом модифицированный алгоритм «^-средних», показал большую эффективность по сравнению с традиционным алгоритмом «^-средних».

Указанные результаты позволили разработать комплекс программ моделирования и обработки результатов радиолокационных измерений, в том числе, и радиолокационных изображений целей.

Показать весь текст

Список литературы

  1. Anil К. Jain, Robert P. W. Duin and Jianchang Mao, Statistical PatternRecognition: a Review- IEEE Transactions on Pattern Analysis and MachineIntelligence, Vol 22, N1, January 2000.
  2. Pabipa Mitra, Murthy C. A., Sankar K. P., Unsupervised Feature Selection Using Feature Similarity- IEEE Transactions on Pattern Analysis and MachineIntelligence, Vol 24, N3, March 2002.
  3. Erhan Gokcay and Jose C. Principe, Information Theoretic Clustering- IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 24, N2, February 2002.
  4. James McNames, A Fast Nearest-Neighbor Algorithm Based on a Principal Axis Search Tree- IEEE Transactions on Pattern Analysis and MachineIntelligence, Vol 23, N9, September 2001.
  5. Luis Talavera and Javier Bejar, Generality-Based Conceptual Clustering with Probabilistic Concepts- IEEE Transactions on Pattern Analysis and MachineIntelligence, Vol 23, N2, February 2001.
  6. A., Бухштабер В. М., Методы анализа данных: подход, основанный на методе динамических сгущений- Финансы истатистика, 1985.
  7. А., Бухштабер В. М., Енюков И. С, Мешалкин Л. Д., Прикладная статистика: Классификация и снижение размерности-Финансы и статистика, 1989.
  8. В. М., Маслов В. К., Зеленюк Е. А., Методы анализа и построения алгоритмов автоматической классификации на основематематических моделей- Прикладная статистика: Ученые записки постатистике, Т.45, Паука 1983.
  9. В. М., Маслов В. К., Зелеиюк Б. А., Методы построения алгоритмов эталонного типа в задачах автоматической классификации-119Машинные методы обнаружения закономерностей: Вычислительныесистемы. Вып. 88, Новосибирск, 1981.
  10. Yakov Shirman, Editor, Computer Simulation of Aerial Target Radar Scattering, Recognition, Detection and Tracking, 2002.
  11. Yu. I. Leshchanski and K. A. Chemousov, Approximate Calculation of Backscattering Radar Cross Section of Complex Bodies Using the NormalSection Method, Journal of Communications Technology and Electronics, p.650, Vol.49, No.6, 2004.
  12. Цифровое моделирование полей рассеяния коротких радиоволн элементами сложных радиолокационных сцен, А. Б. Борзов, Э. А. Засовин, А. В. Соколов, В. Б. Сучков, «Журнал радиоэлектроники», Х212, 1999.
  13. V.N.Antifeev, A.B.Borsov, R.P.Bystrov, E.V.Vashenko, A.V.Sokolov. Application of Millimeter Radiowaves in Radio Engineering Systems (Review), Proc. MWS Kharkov 1998.-p.482−484.
  14. N.S.Akinshin, V.N.Antifeev, A.B.Borsov, R.P.Bystrov., V.A. Nikolaev, A.V.Sokolov, I.A.Panin, D.A.Nosdrachev. Experimental Research onDetection and recognition of Ground Objects on the basis of PolarizationParameters, Proc. MWS Kharkov 1998.-p.485−491.
  15. V.N.Antifeev, A.B.Borsov, R.P.Bystrov, D.A.Nosdrachev, G.L.Pavlov, A.V.Sokolov. Digital Computer Simulation of Radar scattering Fields forComplex Shape Objects, Proc. MWS Kharkov 1998.-p.494−495.
  16. V.N.Antifeev, A.B.Borsov, R.P.Bystrov, D.A.Nosdrachev, A.V.Sokolov, V.B.Suchkov. The Analysis of Radar-Tracking scenes via MathematicalSimulation Method, Proc. MWS Kharkov 1998.-p.496.
  17. A. Г., Сазонов В. В., Теохаров А. Н., Хомутов Б. Д., Чепелев В. М., Радиолокационная модель отражающих областей. Пренринт РТИ0501, Москва, 2005.120
  18. А.Б. Анализ радиолокационных характеристик объектов сложной формы методом математического моделирования, Боеприпасы.-1994.-N3−4.-C.32−38.
  19. А.Б. Анализ вкладов отдельных элементов объекта сложной формы в общем поле рассеяния коротких радиоволп методом цифровогомоделирования, Вопросы защиты информации.-1995.-Вын. 3(ЗО).-С.2О-22.
  20. А.Б. Методика математического моделирования радиолокационных характеристик объектов сложной формы вквазиоптическом диапазоне радиоволн, Вопросы защиты информации.-1995.-Вып. 3(30).-С. 18−20.
  21. В. В., Сазонов В. В. Основы теории синтезированных антенн, Москва, «Советское радио», 1974.
  22. Радиолокационные станции с цифровым синтезированием апертуры антенны. Под ред. В. Т. Горяинова.- М., Радио и связь, 1988.
  23. Н. В., Алгоритмы сегментации изображений и их применение при создании автоматических систем распознаванияобъектов, диссертация на соискание ученой степени кандидата физико-математических наук, Москва, 2001.
  24. Gilles Celeux, Florence Forbes, Nathalie Peyrard, EM procedures using mean- like approximations for Markov model-based image segmentation. PatternRecognition 36,2003, p. 131 — 144.
  25. Tom Ziemke, Radar image segmentation using self-adapting recurrent networks. Special Issue on Neural Networks for Computer VisionApplications.
  26. A. JI., Барабащ Ю. Л., Кривощеев О. В., Эпщтейн С, Селекция и распознавание на основе локационной информации. Москва,"Радио и связь", 1990.121
  27. Bir Bhanu, Yingqiang Lin, Stochastic models for recognition of occluded targets. Pattern Recognition 36,2003, p.2855 — 2873.
  28. Chun-Te Li, Jiang Li, Shizhuo Yin, Tracy D. Hudson, Deanna K. McMillen, Synthesize multi-level composite filter for synthetic-aperture radar imageidentification. Optics Communications 146,1998, p.285−301.
  29. Hee-Jun You, Dae-Kyu Shin, Dong-Hoon Kim, Hyun-Sool Kim, and Sang- Hui Park, A Rotation Invariant Image Retrieval with Local Features, International Journal of Control, Automation, and Systems Vol. 1, No. 3, September 2003.
  30. П. М., Кельберт М. Я., Доказательство сходимости алгоритма «Форель" — Прикладной многомерный статистический анализ. Наука1978.
  31. Sarunas Raudys and Ausra Saudargiane, First-Order Tree-Type Dependence between Variables and Classification Performance- IEEE Transactions onPattern Analysis and Machine Intelligence, Vol 23, N2, February 2001.
  32. So Young Sohn, Meta Analysis of Classification Algorithms for Pattern Recognition- IEEE Transactions on Pattern Analysis and MachineIntelligence, Vol 21, N11, November 1999.
  33. , В. М., Сравнительный анализ алгоритмов автоматической классификации без обучения- 8-я международная научно-техническаяконференция «Радиолокация, навигация и связь», г. Воронеж, 2002.122
  34. On Optimal Pairwise Linear Classifiers for Normal Distributions: The Two- Dimensional Case- IEEE Transactions on Pattern Analysis and MachineIntelligence, Vol 24, N2, February 2002.
  35. Christophe Biermacki, Gilles Celeux and Gerard Govaert, Assessing a Mixture Model for Clustering with the Integrated Completed Likelihood-IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 22, N7, July 2000.
  36. X., Мауэ A., Вестпфаль К. Теория дифракции: Пер. с нем., под ред. Г. Д. Малюжинца. — М.: Мир, 1964. — 428с.
  37. Л., Маркцвиц Н. Излучение и рассеяние волн : Пер. с англ., под ред. М. Л. Левина. — М.: Мир, 1978. — Т.1. — 458с.: Т.2. — 556с.
  38. Е.А. Рассеяние радиоволн на телах сложной формы.-М.: Радио и связь, 1986.- 184с.
  39. Сеньор Т.Б. А. Обзор аналитических методов оценки поперечных сечений рассеяния, TMH3P.-1965.-T.53,N8.- 948−959.
  40. Ю.Ф., Сеньор Т.Б. А. Сравнение трех методов, применяемых в высокочастотной теории дифракции, ТПИЭР.-1974.-Т.62, N11.- 63−71.
  41. Ю.Ф. Развитие методов расчета эффективной площади отражения радиолокационных целей, THH3P.-1985.-T.73,N2.-C. 90−105.
  42. Медьеши — Митшанг Л. М. Гибридные методы анализа отражений от объектов сложной формы, ТИИЭР.-1989.-Т.77, N5. — 147−158.
  43. Л.Т. Радиолокационные характеристики летательных аппаратов. — М.: Радио и связь, 1985. — 236с.123
  44. Н.Н. Эффективная площадь отражения сложных радиолокационных целей, THH3P.-1989.-T.77,N5.-C.100-l 12.
  45. П.Я. Метод краевых волн физической теории дифракции.-М.: Советское радио, 1962.- 243с.
  46. П.Я. Краевые волны в теории дифракции: Дисс. докт. физ.-мат. HayK: N3 9123/ЦНИИРТИ.- Горький, 1969.-43 9с.
  47. James G.L. Geometrical Jheory of Diffraction for Electromagnetic Waves.- 1. ondon: Peter Peregrinus Ltd., 1976.-250p.
  48. E.H., Торгованов В.A. Измерение характеристик рассеяния радиолокационных целей М.: Сов. радио, 1972. — 232с.
  49. В.Е., Клишин В.В, Аксиоматизация задачи синтеза геометрии трехмерных объектов, Изв. АН СССР. Техническая кибернетика.-1983.-N4.- 57−62.
  50. В.Ю. О распределении тока на проводящей поверхности под действием электромагнитного поля. Труды ЛПИ.1955. — N181.- 78−83.
  51. А.Б., Лабунец Л. В., Решетко А. Д. Кубатурная формула Филона вычисления осциллирующих интегралов. Электронное моделирование1989.-T.ll, N2.-C.102−104.
  52. А.Б. Машинное моделирование рассеяния радиоволн на двугранных вогнутых структурах аэродинамических целей.Проектирование и производство систем ракетного и артиллерийскоговооружений: Тезисы докладов Всесоюзной 23 конф. МГТУ.- М., 1990.-С.34.
  53. К.К., Матяш С В . Расчет рассеяния коротких радиоимпульсов на открытых полостях:(Препринт ЦАГИ, N 31).- Жуковский (М.о.), 1991.-34с.
  54. М. А. Леонтович, М. Л. Левин, К теории возбуждения колебаний в вибраторах антенн, ЖТФ, 14, № 9, 1944,481 — 506с.124
  55. William E. Lorensen, Harvey E. Cline, Marching Cubes: A high resolution 3D surface construction algorithm, CG vol.21, no.4, July 1987.
  56. Bernardo P. Cameiro, Arie E. Kaufman, Tetra-Cubes: An algorithm to generate 3D isosurfaces based upon tetrahedra, SIGGRAPH'96, pp. 205−210.
  57. Andre Gueziec, Exploiting Triangulated Surface Extraction Using Tetrahedral Decomposition, IEEE Transactions on Visualization and Computer Graphics, Vol. 1, Issue 4, pp. 328 — 342, December 1995.
  58. Vaclav Skala, Precision of Isosurface Extraction from Volume Data and Visualization, Conference on Scientific Computing 2000, pp. 368 — 378.
  59. Paolo Cignoni, Speeding up Isosurface Extraction Using Interval Trees, IEEE Transaction on visualization and CG, vol.3, no.2 April-June 1997.
  60. G.M. Treece, R.W. Prager and A.H. Gee, Regularised marching tetrahedra: improved iso-surface extraction. Technical Report CUED/F-INFENG/TR 333, Cambridge University Engineering Dept, September 1998.
  61. A. Hilton, A. J. Stoddart, J. Illingworth, T. Windeatt, Marching triangles: Range image fusion for complex object modeling. International Conference onImage Processing, 1996.
  62. Tasso Karkanis, A. James Stewart, Curvature-Dependent Triangulation of Implicit Surfaces, IEEE Computer Graphics and Applications, v.21 n.2, p.6O-69, March 2001.
  63. B. Crespin, P. Guitton, C. Schlick, Efficient and accurate tessellation of implicit sweeps. Proceedings of CSG'98,1998.
  64. Marshall Bern and David Eppstein, Mesh Generation and Optimal Triangulation, Computing in Euclidean Geometry Eds. World Scientific, 1992, pp. 23−90.
  65. M. Durst, Letters: Additional Reference to Marching Cubes, Computer Graphics, vol. 22, no. 2, pp. 72−73,1988.125
  66. Rocchini, P. Cignoni, F. Ganovelli, Marching Intersections: an Efficient Resampling Algorithm for Surface Management, International Conference onShape Modeling & Applications, 2001.
  67. Yutaka Ohtake, Alexander G. Belyaev, Dual/Primal mesh optimization for polygonized implicit surfaces, ACM Symposium on Solid Modeling andApplications, pp. 171 -178,2002.
  68. Y. Ohtake, A. G. Belyaev, Dynamic meshes for accurate polygonization of implicit surfaces with shaф features. Proceedings of the InternationalConference on Shape Modeling & Applications, Page: 74,2001.
  69. Gregory M. Nielson, Bemd Hamann, The asymptotic decider: resolving the ambiguity in marching cubes, IEEE Visualization, Proceedings of the 2ndconference on Visualization '91, pp.83 — 91, 1991.
  70. Adriano Lopes, Ken Brodlie, Improving the Robustness and Accuracy of the Marching Cubes Algorithm for Isosurfacing, IEEE Transactions onVisualization and Computer Graphics, pp 16−29,2002.
  71. Sergey V. Matveev, Approximation of Isosurface in the Marching Cube: Ambiguity problem. Proceedings IEEE Visualization '94, pp. 288−292.
  72. Andrew P. Witkin, Paul S. Heckbert, Using Particles to Sample and Control Implicit Surfaces, Proceedings of the 21st annual conference on Computergraphics and interactive techniques, pp: 269 — 277, 1994.
  73. H. Hoppe, T. DeRose, T. Duchamp, J. McDonald, and W. Stuetzle, Surface reconstruction from unorganised points, SIGGRAPH'92 proceedings, 26(2), pp. 71−78.
  74. А. Г., Сазонов В. В., Чепелев В. М., Моделирование радиолокационных целей методом отражающих областей. 11-ямеждународная научно-техническая конференция «Радиолокация, навигация и связь». Сборник докладов, г. Воронеж, 2005, т. З, с. 1428.
  75. Rene van der Heiden, Aircraft Recognition with Range Profiles, Amsterdam, 1998.
  76. A. K. Jain and F. Farrokhnia, Unsupervised texture segmentation using Gabor filters. Pattern Recognition, vol. 24, pp. 1167−1186,1991.
  77. Dinggang Shen, Horace H.S. Ip., Discriminative wavelet shape descriptors for recognition of 2-D patterns. Pattern Recognition, vol. 32 pp. 151−165,1999.
  78. В. М., Исследование поведения доли объясненного разброса для алгоритма «А:-средних». 10-я международная научно-техническаяконференция «Радиолокация, навигация и связь». Сборник докладов, г. Воронеж, 2004, т.1, с. 46.
  79. Chen W., Luo J. В., Parker К. J., Image Segmentation via k-mean clustering and knowledge-base morphological operations with biomedicalapplications, IEEE Transactions on Image Processing, vol.7, N12, December1998, pp. l673−1683.
  80. Tarsitano A., A computational study of several relocation methods for k- means algorithms. Pattern Recognition vol.36, 2003, pp.2955−2966.
  81. Likas A., Vlassis N., Verbeek J. J., The global k-mens clustering algorithm. Pattern Recognition vol.36,2003, pp.451−461.127
  82. Clausi D. A., K-means iterative Fisher (KIF) unsupervised clustering algorithm applied to image texture segmentation, Pattern Recognition vol.35,2002, pp. 1959−1972.
  83. Michael K. Ng, A note on k-means algorithms. Pattern Recognition vol.33, 2000, pp.515−519.
  84. Mu-Chun Su, Chien-Hsing Chou, A modified version of k-means algorithm with a distance based on cluster symmetry, IEEE Transactions on PatternAnalysis and Machine Intelligence, vol.23, N6, June 2001.
  85. Francesco Camastra, Alessandro Verri, A novel kernel method fo clustering, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.27, N5, May 2005.
  86. Joshua Zhexue Huang, Michael K. Ng, Hongqiang Rong, Zichen Li, Automated variable weighting in k-means type clustering, IEEE Transactionson Pattern Analysis and Machine Intelligence, vol.27, N5, May 2005.
  87. Boris Maliatski, Orly Yadid-Pecht, Hardware-driven adaptive k-means clustering for real-time video imaging, IEEE Transactions on Circuits andSystems for Video Technology, vol.15, N1, January 2005.128
Заполнить форму текущей работой