Помощь в написании студенческих работ
Антистрессовый сервис

Улучшение качества изображения на основе метода фазового разнесения и нейронных сетей

Диссертация: Улучшение качества изображения на основе метода фазового разнесения и нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Выполнен всесторонний анализ метода фазового разнесения. Математическое моделирование показало, что эффективность применения метода фазового разнесения для улучшения качества изображения падает в экстремальных условиях применения (при больших аберрациях). Так, при генерации коэффициентов Цернике со 2-го по 9-ый в диапазоне алгоритм фазового разнесения улучшил коэффициент верности с 9.9 до 1.25… Читать ещё >

Улучшение качества изображения на основе метода фазового разнесения и нейронных сетей (реферат, курсовая, диплом, контрольная)

Содержание

  • Перечень условных обозначений
  • 1. УЛУЧШЕНИЕ КАЧЕСТВА ИЗОБРАЖЕНИЯ В КРУПНОГАБАРИТНЫХ ТЕЛЕСКОПАХ
    • 1. 1. Проблемы крупногабаритных телескопов в системах получения изображения
    • 1. 2. Адаптивные оптические системы в наземных телескопах и комплексах слежения
    • 1. 3. Многоапертурный синтез телескопов
  • Выводы и задачи исследований
  • 2. АНАЛИЗ ВОЗМОЖНОСТИ УЛУЧШЕНИЯ КАЧЕСТВА ИЗОБРАЖЕНИЯ НА
  • ОСНОВЕ МЕТОДА ФАЗОВОГО РАЗНЕСЕНИЯ
    • 2. 1. Математическое описание метода фазового разнесения
    • 2. 2. Результаты математического моделирования реализации метода фазового разнесения
  • Выводы
  • 3. ОСНОВЫ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ. РЕКОМЕНДАЦИИ ПО ИХ СОЗДАНИЮ И НАСТРОЙКЕ
    • 3. 1. Нейронная сеть с биологической точки зрения
    • 3. 2. Определение нейронной сети и ее разновидности
    • 3. 3. Описание базовой модели нейрона
    • 3. 4. Описание многослойного персептрона
    • 3. 5. Обучение нейронной сети
      • 3. 5. 1. Цель и описание процесса обучения
      • 3. 5. 2. Методы обучения нейронной сети
      • 3. 5. 3. Алгоритм обратного распространения
      • 3. 5. 4. Переобучение и обобщение
      • 3. 5. 5. Отбор данных для обучения нейронной сети
    • 3. 6. Выбор количества спрятанных слоев и узлов в нейронной сети
  • Выводы
  • 4. ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В АДАПТИВНЫХ ОПТИЧЕСКИХ АСТРОНОМИЧЕСКИХ ТЕЛЕСКОПАХ
    • 4. 1. Появление первых адаптивных оптических систем на основе нейронных сетей для однозеркальных телескопов
    • 4. 2. Результаты математического моделирования и экспериментальных исследований в многозеркальных адаптивных оптических телескопах
    • 4. 3. Результаты исследований, посвященных использованию нейронных сетей для прогнозирования волнового фронта
  • Выводы
  • 5. МОДЕЛИРОВАНИЕ РАБОТЫ АДАПТИВНОЙ ОПТИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ ДЛЯ КОМПЕНСАЦИИ ИСКАЖЕНИЙ, ВЫЗВАННЫХ АТМОСФЕРОЙ
    • 5. 1. Постановка задачи
    • 5. 2. Оценка эффективности использования АОС
    • 5. 3. Краткая математическая модель атмосферы
    • 5. 4. Оценка величины требуемой компенсации фазовой ошибки при использовании
  • АОС. Влияние компенсации наклонов при различных соотношениях D/r
    • 5. 5. Получение выходных интенсивностей
    • 5. 6. Работа АОС на основе нейронной сети
      • 5. 6. 1. Обучение нейронной сети
      • 5. 6. 2. Тестирование нейронной сети
  • Выводы.ИЗ

Препятствием широкому применению крупногабаритной оптики в астрономических системах служат проблемы, связанные с искажениями получаемого изображения, обусловленными воздействием аберраций волнового фронта различной природы (атмосферные турбулентности, погрешности изготовления оптических элементов, дрожание телескопа, тепловые деформации механических и оптических компонентов и.т.д.). Для решения перечисленных проблем используются методы адаптивной оптики. Выбор методов адаптивной оптики обусловлен тем, что их использование позволяет определить и скорректировать форму волнового фронта с помощью деформируемой оптики. Одним из путей повышения эффективности адаптивных оптических систем является разработка и внедрение новых методов получения информации и применения компьютерных технологий в решении задач повышения качества изображения и управления элементами адаптивной оптики.

В последние годы за рубежом одним из перспективных методов восстановления изображения является метод фазового разнесения. Однако принято считать, что этот метод не может быть использован в адаптивных оптических системах в реальном масштабе времени из-за большого объема вычислений и, следовательно, большого времени, необходимого для выполнения вычислений. В то же время анализ метода фазового разнесения показывает, что аппаратные и математические средства для его осуществления существенно проще аппаратных средств и процедур математической обработки при применении известного метода Шака-Гартманна. Тем не менее, не имеется ни одной публикации русскоязычных авторов, посвященных методу фазового разнесения. В настоящей работе впервые в отечественной практике проведены обстоятельный анализ метода фазового разнесения и оценка возможности его применения в адаптивных оптических системах.

В 1991 году появились первые сообщения об использовании нейронных сетей в адаптивных оптических системах. За последние 10 лет был получен ряд впечатляющих результатов. Наиболее простое и естественное определение нейронных сетей (НС) можно сформулировать так: искусственные НС или НС — это системы, состоящие из физических элементов и обладающие способностью приобретать, запоминать и использовать опытное знание. Способность усваивать текущую информацию и реализовывать сложные нелинейные алгоритмы управления, которые невозможно выразить аналитически, а также возможность выполнять прогнозирование, являются главными достоинствами нейронных сетей и делает актуальным использование нейросетевых методов в адаптивных оптических системах. Тем не менее, в настоящее время автору данной работы неизвестны оригинальные работы отечественных авторов.

Поэтому в работе предлагается рассмотреть и оценить возможность использования нейросетевых технологий для улучшения качества изображения в адаптивных оптических системах.

Предмет исследования метод фазового разнесения и нейросетевые технологии.

Объект исследования.

Адаптивная оптическая система (АОС) крупногабаритного телескопа, системы обработки изображения.

Цель и задачи исследований.

Целью данной работы является улучшение качества изображения, образованного оптической системой в реальных условиях применения. Для достижения поставленной цели необходимо:

— провести анализ метода фазового разнесения и определить его место в комплексе мер, обеспечивающих улучшение качества изображения;

— выполнить анализ математического обеспечения для моделирования применения метода фазового разнесения;

— выполнить математическое моделирование применения метода фазового разнесения;

— определить условия применения метода фазового разнесения;

— произвести анализ существующих конфигураций нейронных сетей и алгоритмов настройки;

— разработать схему нейронной сети, способной уменьшить время вычислительных процедур при улучшении качества изображения по методу фазового разнесения;

— разработать программное обеспечение функционирования НС;

— выполнить математическое моделирование работы НС;

— определить способность адаптивной оптической системы на основе разработанной нейронной сети компенсировать аберрации, вызванные атмосферной турбулентностью.

Основные результаты работы.

Выполненная работа является новым комплексным исследованием путей улучшения качества изображения, образованного АОС. Впервые в отечественной практике:

1. Выполнен всесторонний анализ метода фазового разнесения. Математическое моделирование показало, что эффективность применения метода фазового разнесения для улучшения качества изображения падает в экстремальных условиях применения (при больших аберрациях). Отсюда следует целесообразность сочетания его с методом адаптации оптической системы.

2. Получены численные оценки времени, необходимого для выполнения вычислений. Показано, что из-за большого объема вычислений метод фазового разнесения непосредственно не может быть использован в АОС.

3. Предложено использовать нейронную сеть для решения задачи повышения эффективности работы АОС на основе прогнозирования изменений условий наблюдения и исключения возможности срыва работы управляемых приводов.

4. Разработано программное обеспечение функционирования нейронной сети. Математическое моделирование показало эффективность функционирования разработанной нейронной сети.

5. Показано, что метод фазового разнесения может быть использован как эффективное средство обучения нейронной сети для последующей компенсации искажений волнового фронта в условиях атмосферной турбулентности.

Обоснованность научных положений, выводов и рекомендаций, содержащихся в диссертации, определяются: тщательностью и корректностью математических выводов, а также совпадением некоторых полученных результатов с уже опубликованными результатами других авторов. Научные результаты и выводы апробированы в процессе выступлений и обсуждений на международных конференциях, публикациями статей в научных журналах.

Отмечено, что компенсация аберраций с помощью коэффициентов Цернике имеет массу тонкостей. Например, при создании НС необходимо учитывать порядок необходимых фазовых поправок. Использование необязательного слишком высокого порядка аберраций приведет к усложнению обучения нейронной сети, а использование слишком низкого — к неудовлетворительной компенсации. Следует обратить внимание и на отношение D/r0, где D — диаметр апертуры, г0 — радиус Фрида. Например, при D/r0=2 и.

D/ro=6 компенсация всех аберраций до комы позволяет повысить интенсивность только до 0.89 и 0.46 соответственно.

Практическая ценность диссертационной работы определяется как результатами исследований, продемонстрировавших возможность улучшения качества изображения, так и программного обеспечения, которое может найти непосредственное применение при разработке АОС. Основные результаты работы, представляющие практическую ценность, следующие:

— разработано программное обеспечение улучшения качества изображения по методу фазового разнесения;

— разработана схема нейронной сети и программное обеспечение её функционирования в условиях турбулентности атмосферы;

— разработан программный комплекс коррекции искажений оптического изображения в реальном масштабе времени, определяющий совместное применение метода фазового разнесения и нейросегевых технологий.

Основные результаты, выносимые на защиту.

1. Результаты теоретических исследований и математического моделирования улучшения качества изображения по методу фазового разнесения.

2. Результаты математического моделирования процесса функционирования разработанной нейронной сети.

3. Программное обеспечение и результаты математического моделирования, определяющие способность адаптивной оптической системы на основе разработанной нейронной сети и метода фазового разнесения компенсировать аберрации, вызванные атмосферной турбулентностью, в реальном масштабе времени.

Апробация научных положений.

По материалам диссертации были сделаны доклады на международных конференциях «Телевидение: передача и обработка изображений» (г. Санкт-Петербург, май, 2002 г.), «Проблемы развития и использования микротехнологий в авиации и космонавтике» (г. Санкт-Петербург, июнь, 2002 г.), «Прикладная оптика-2002» (г. Санкт-Петербург, октябрь, 2002 г.), «Распознавание образов и анализ изображений: новые информационные технологии» (г. Великий Новгород, октябрь, 2002 г.).

Публикации по теме диссертации.

1. Зверев В. А., Клейменов Е. В. Использование нейронных сетей в адаптивных оптических астрономических телескопах // Оптический журнал. — 2002 г. — т.69. -№ 10.

2. Зверев В. А., Клейменов Е. В. Устранение искажений и восстановление изображения на основе метода фазового разнесения // Оптический журнал. — 2002 г. — т.69 -№ 10.

3. Пахомов Д. Ю., Клейменов Е. В. Об использовании нейронных сетей для компенсации атмосферных искажений в оптических телескопах // Научно-технический сборник (труды 2-го Научно-исследовательского Центра 4ЦНИИ МО РФ). — 2002 г. — Вып.5. Разработка основ теории и практического применения фоноцелевого обеспечения войск и оружия. Под ред. Марова М.Н.

4. Клейменов Е. В. Об использовании метода фазового разнесения и нейронных сетей для компенсации атмосферных искажений в оптических телескопах // Современные технологии. Труды молодых ученых ИТМО. 2002 г.

5. Зверев В. А. Клейменов Е.В. Об использовании в телевизионных системах нейронных сетей для улучшения качества изображения // Материалы международной конференции «Телевидение: передача и обработка изображений», Санкт-Петербург, май, 2002 г.

6. Пахомов Д. Ю, Клейменов Е. В. Об использовании нейросетевых технологий в оптических телескопах для микроспутников // Сборник тезисов международной конференции «Проблемы развития и использования микротехнологий в авиации и космонавтике», Санкт-Петербург, июнь, 2002 г.

7. Клейменов Е. В. Способ устранения искажений в оптических изображениях на основе нейросетевых технологий // Сборник трудов конференции «Прикладная оптика-2002», Санкт-Петербург, октябрь, 2002 г.

8. Клейменов Е. В, Корякин А. В. Оценка качества изображений в адаптивных оптических телескопах // Сборник тезисов 6-й международной конференции «Распознавание образов и анализ изображений: новые информационные технологии», Великий Новгород, октябрь 2002 г.

Реализация научных результатов, виды реализации.

Основные положения и результаты диссертационных исследований реализованы:

• в НИИ прецизионного приборостроения в рамках опытно-конструкторской работы (ОКР) «Стажер» :

1) при анализе возможностей и обосновании предложении по использованию оптико-электронных систем (ОЭС) для получения детальных изображений космических объектов высокого качества в части методики компенсации атмосферных искажений и оптических аберраций ОЭС наземного базирования при внедрении нейросетевого метода.

2) При разработке программного обеспечения автоматизированного рабочего места обработки изображений космических объектов (КО) в части моделирования принципов нейронных сетей для компенсации вносимых атмосферных искажений в реальном масштабе времени.

3) При разработке новых технологий получения видовой информации при использовании метода фазового разнесения, реализуемого на основе принципов адаптивной оптики, в сочетании с нейросетевым методом.

Представленные результаты позволили оценить возможности одного из перспективных вариантов построения аппаратуры обработки видовой информации о КО создаваемого Алтайского оптико-лазерного центра (ОКР «Стажер») и расширить возможности автоматизированных средств обработки изображений при решении задач определения типа и технического состояния наблюдаемых КО.

• во 2-ом научно-исследовательском центре 4 ЦНИИ МО РФ в процессе проведения научно-исследовательской работы «Калина» :

1) разработаны рекомендации по эффективным путям повышения точности компенсации искажений, вызванных атмосферой и самой телескопической системой, в наземных крупногабаритных оптических телескопах.

2) Разработанная автором математическая модель и её программная реализация используется для получения оценок при использовании нейросетевых технологий в сочетании с адаптивными оптическими системами.

Структура диссертации и краткая аннотация (содержание) её глав.

В первой главе рассматриваются проблемы крупногабаритных телескопов в системах получения изображения. Целью работы было выбрано улучшение качества изображения. Дан обзор работ, посвященных существующим и проектируемым за рубежом адаптивным оптическим системам, экспериментам на их основе и телескопов, оснащенных подобными системами. Как одно из перспективных направлений, рассматривается многоапертурный синтез телескопов. На основании потребности в новых, более лучших методах, средствах улучшения качества изображений для достижения поставленной цели были сформулированы задачи.

В главе 2 был проведен анализ метода фазового разнесения по публикациям зарубежных авторов. Приведены результаты моделирования метода фазового разнесения на основе программы реализации с целью оценивания его возможности работы. Сформулированы рекомендации по его использованию. Потенциальной возможностью уменьшить время обработки метода фазового разнесения являются нейронные сети.

Основы нейронных сетей, их классификация, выбор алгоритма и конфигурации даны в главе 3. Также собраны рекомендации по выбору параметров нейронной сети.

Использование нейронных сетей в адаптивных оптических астрономических телескопах рассмотрено в главе 4. Дан обзор проблемы прогнозирования волнового фронта. Подчеркнуты достоинства нейронных сетейподходящие для АОС.

В главе 5 производится оценка применения нейронной сети в адаптивной оптической системе на основе собственного моделирования.

Указания на объем диссертации, специфические приложения и другие характерные особенности.

Диссертация состоит из введения, 5 глав с выводами по каждой из них, заключения, списка литературы и приложения. Она изложена на 127 страницах машинописного текста, включает 17 рисунков, 3 таблицы и список литературы из 107 наименований.

Выводы.

1. При построении АОС необходимо учитывать эффект влияния компенсации при различных соотношениях D/r0. В противном случае, может получиться так, что при определенных D/r0, компенсация наклонов, например, не даст заметного выигрыша.

2. Сколько мод надо корректировать? Если необходимо уменьшить.

2 2 остаточную фазовую ошибку до величины <в 1 рад, то можно получить, что число мод необходимых для компенсации с данной остаточной фазовой ошибкой вычисляется так:

J = f 5/3 2 (0.2944)^ го.

3. Разработано программное обеспечение функционирования нейронной сети. Проведенное моделирование показало возможность использования нейронной сети для адаптивной оптической системы. Несмотря на то, что было достигнуто недостаточное улучшение качества изображения (уменьшение СКД от 2.45 рад до 0.46 рад для г0=0.4м и от 8.7 рад до 3 рад для Г (г=0.2м, то есть >1рад, и от 0.75 рад до 0.12 рад для г0=0.8м), нейронная сеть показала свою высокую эффективность в комбинации с АОС.

4. В процессе настройки нейронной сети для АОС мы столкнулись с проблемой обучения до достаточно малой ошибки. Это говорит о том, что для достижения минимальной ошибки необходима «тонкая» и индивидуальная для АОС настройка НС. В противном случае возможна низкая эффективность АОС на основе нейронной сети.

5. При создании, настройке нейронной сети для АОС, целесообразно учесть следующие рекомендации: а) Необходимо обратить особое внимание на предобработку изображений. В зависимости от этого будет изменяться способность сети обучиться. б) Следует не бояться отступать и экспериментировать с различными характеристиками нейронной сети. Известные рекомендации не всегда приводят к наилучшему результату в) Следует стараться уменьшить размер нейронной сети. Но увлекаться этим не следует. Слишком простая сеть не будет способна обучиться. Можно уменьшить число входов «вырезав» малозначащую информацию, но делать это надо осторожно из-за возможности «вырезания» полезной информации, содержащейся во входных данных. Можно попробовать в данном случае метод предобработки, называемый Histogram Equalization.

6. Показано, что метод фазового разнесения может быть использован как эффективное средство обучения нейронной сети для последующей компенсации искажений волнового фронта в условиях атмосферной турбулентности.

ЗАКЛЮЧЕНИЕ

.

В работе проведено комплексное исследование путей улучшения гва изображения, образованного адаптивной оптической системой. В решения поставленных задач получены следующие новые результаты:

1. Выполнен всесторонний анализ метода фазового разнесения. Математическое моделирование показало, что эффективность применения метода фазового разнесения для улучшения качества изображения падает в экстремальных условиях применения (при больших аберрациях). Так, при генерации коэффициентов Цернике со 2-го по 9-ый в диапазоне [—тг/8, л-/8] алгоритм фазового разнесения улучшил коэффициент верности с 9.9 до 1.25. Для коэффициентов Цернике, генерировавшихся в диапазоне [—7с/4, 7г/4], алгоритм улучшает коэффициент верности с 15 до 0.46. При наличии больших аберраций, где значения коэффициентов Цернике в диапазоне [—Зтг/4, Зл/4], алгоритм улучшает коэффициент верности с 18 до 10. А для диапазона [-л, и] с 20 до 16. Отсюда следует целесообразность сочетания его с методом адаптации оптической системы.

2. Получены численные оценки времени, необходимого для выполнения вычислений. Для поиска минимума в процедуре оптимизации по методу сопряжённых градиентов при использовании 1500 итераций, требовалось ~28 минут на машине класса Duron-650MHz), Показано, что из-за большого объема вычислений метод фазового разнесения непосредственно не может быть использован в АОС.

3. Определены условия применения метода фазового разнесения: а) возможна потеря информации из-за неправильно выбранной величины дефокусировкиb) Плохая работа в экстремальных условиях (плохие условия наблюдения, слабый уровень сигнала).

4. Проведен анализ материалов, посвященных теории нейронных сетей, который позволяет сделать вывод о том, что точного математического аппарата и правил по созданию нейронной сети для решения конкретных задач не существует. Несмотря на собранные в третьей главе правила и рекомендации по созданию нейронной сети, был сделан вывод о том, что конфигурацию нейронной сети, способ ее обучения и различные параметры настройки необходимо выбирать эмпирически.

5. Предложено использовать нейронную сеть для уменьшения времени, необходимого для выполнения вычислений по методу фазового разнесения.

6. Выполнен анализ результатов моделирования и экспериментальных исследований АОС на основе нейронных сетей. Он показал эффективность их использования как для однозеркальных, так и для многозеркальных телескопов, а также, что на данный момент не имеется оригинальных статей отечественных авторов.

7. Предложено использовать нейронную сеть для решения задачи повышения эффективности работы АОС на основе прогнозирования изменений условий наблюдения и исключения возможности срыва работы управляемых приводов.

8. Показано, что при построении АОС необходимо учитывать эффект влияния компенсации при различных соотношениях D/r0. В противном случае, может получиться так, что при определенных D/r0, компенсация наклонов, например, не даст заметного выигрыша.

9. Разработано программное обеспечение функционирования нейронной сети. Математическое моделирование показало эффективность функционирования разработанной нейронной сети. Несмотря на то, что было достигнуто не достаточное улучшение качества изображения (уменьшение СКД от 2.45 рад до 0.46 рад для г0=0.4м и от 8.7 рад до 3 рад для го=0.2м, то есть >1рад, и от 0.75 рад до 0.12 рад для г0=0.8м), нейронная сеть показала свою высокую эффективность в комбинации с АОС. В процессе настройки нейронной сети для АОС мы столкнулись с проблемой обучения до достаточно малой ошибки. Это говорит о том, что для достижения минимальной ошибки необходима «тонкая» и индивидуальная для АОС настройка НС. В противном случае возможна низкая эффективность АОС на основе нейронной сети.

10.Разработан комплексный метод коррекции искажений оптического изображения в реальном масштабе времени, основанной на применении метода фазового разнесения и нейронных сетей.

11 .Показано, что метод фазового разнесения может быть использован как эффективное средство обучения нейронной сети для последующей компенсации искажений волнового фронта в условиях атмосферной турбулентности.

Обоснованность научных положений, выводов и рекомендаций, содержащихся в диссертации, определяются: тщательностью и корректностью математических выводов, а также совпадением некоторых полученных результатов с уже опубликованными результатами других авторов. Научные результаты и выводы апробированы в процессе выступлений и обсуждений на международных конференциях, публикациями собственных статей в научных журналах [100−107].

Показать весь текст

Список литературы

  1. Beckers J.M. Adaptive Optics for Astronomy: Principles, Performances, Applies // Annual Review of Astronomy and Astrophysics.- 1993.- v.31.- pp. 13−62.
  2. Hardy J.W. Adaptive Optics a Progress Review // Proc. SPIE .- 1991.-v.l 542 — pp.2−17.
  3. Ray F.B. Active Optics Technology An Overview // Proc. SPIE .- 1991.— v. 1532, — pp. 188−196.
  4. Gaffard J.P. Adaptive Optics: Choice and Optimizations // Proc.SPIE. —1993.— v.1920- pp.29−41.
  5. Roland J.J. Adaptive Optics: A General Perpose System for Astronomy // Proc. SPIE.- 1994, — v. 2201.- pp.58−76.
  6. Babcock H.W. Adaptive Optics Revisited // Science- 1990- v.249-pp.253−256.
  7. H.B., Захаренков В. Ф. Активная и адаптивная оптика в крупногабаритных телескопах// Оптический журнал. 1992,-№ 6, с.5−32.
  8. Н.В., Еськов Д. Н. Системы многоапертурного синтеза телескопов с прямым формированием изображения // Оптический журнал. -1993. № 8. — с.3−19.
  9. Greenwood D.P. The History of Adaptive Optics Development at the MIT Lincoln Laboratory// Proc. SPIE.- 1993,-v.1920.-pp.220−234.
  10. Shelton C. Results of Adaptive Optics at Mount Wilson Observatory // Proc. SPIE.- 1993, — v.1920 .-pp.371−380.
  11. Thompson L.A. Laser Beacon System for the UnlSIS Adaptive Optics System at the Mt. Wilson 2,5-meter Telescope // Proc.SPIE. 1995. — vol.2534. — pp.38−47.
  12. Marphy D.V. Experimental Demonstration of Atmospheric compensation Using Multiple Synthetic Beacons//Optics Letters 1991- v.16- pp.1797−1799.
  13. Scott W.B. Satellite-Tracking Telescope Readied for USAF Service//AWST.-1997, — v, 147.-№ 3.- pp.57−65.
  14. Nordwall B.D. Optics/Laser Reseach Seeks to Improve Images // AWST. -1993 Aug.16.-p.69.
  15. Fugate R.Q. Measurement of Atmospheric Wavefront Distortion Using Scattered Light from a LGS // Nature. -1991 v.353. — pp. 144−146.
  16. Pennington T.L. Performance measurement of Generation III Wavefront Sensors at the Starfire Optical Range//Proc. SPIE. 1995. — v.2534. — p.327−336.
  17. Клейменов B. B, Новикова E.B. Наземные и космические адаптивные телескопы// Оптический журнал, — 1998,-№ 6, с.3−15.
  18. Laser Beacon Helps Telescope Reveal New Astronomical Futures // AWST.-1994, — v.140.-N 3. p.66.
  19. Keck Telescope Joins its Twin// Nature- 1996,-v.381.-№ 6579. p.185.
  20. К. Научные исследования с телескопом Кека // Земля и Вселенная. 1995,-№ 2, — с. 17−22.
  21. Gleckler A.D. W.M.Keck Observatory АО Program // Proc. SPIE 1995,-v.2534.- pp.386−399.
  22. Max C.E. Near IR Astronomy with Adaptive Optics and Laser Guide Stars at the Keck Observatory // Proc. SPIE.- 1995, — v.2534.-pp.412−422.
  23. Gavel D.T. Performance Predictions for the Keck Telescope Adaptive Optics System// Proc. SPIE.- 1995,-v.2534.-pp.401−411.
  24. Friedman H. Sodium Beakon Laser System for the Lick Observatory // Proc.SPIE.- 1995, — v.2534.- pp.150−160.
  25. Oliver S.S. Performance of Laser Guide Star Adaptive Optics at Lick Obstrvatory// Proc.SPIE.- 1995,-v.2534.-pp.26−37.
  26. Close L.M. IR Imagine Using a Tip-Tilt Secondary Mirror // Proc. SPIE.-1993, — v.1920.- pp. 353−363.
  27. Sandler D.G. The 6,5-m MMT IR AOS: Detailed Design and Progress Report // Proc. SPIE. 1995,-v.2534.-pp.372−377.
  28. Merkle F. First Diffraction-limited Astronomical Images with AO // Proc. SPIE. -1990, — v.1236 pp. 193−202.
  29. Rousset G. Performance of the COME-ON-PLUS Adaptive Optics System at the ESO 3,6 m Telescope Result and Performance // Proc. SPIE.- 1994. — v.2201.-pp.1088−1098.
  30. Demailly L. Artifical Intelligence System and Optimized Modal Control for the ADONIS Adaptive Optics Instrument // Proc. SPIE.- 1994, — v.2202.- pp.867−878.
  31. Beuzit J.L. ADONIS: A User-Friendly AOS for the ESO 3,6 m Telescope // Proc.SPIE.- 1994.- v.2201.- pp.955−961.
  32. Gilly B. The VLT Design for Pointing and Tracking // Proc. SPIE.- 1994-v.2479. pp.314−323.
  33. Оптический журнал .- 1995 г, № 10.
  34. Gonzalves R.A. Phase retrieval and diversity in adaptive optics // Optical Engineering. 1982. — Vol. 21. -No.5. — pp. 829−832.
  35. Paxman R.G., Fienup J.R. Optical misalignment sensing and image reconstruction using phase diversity // J.Opt.Soc.Am. 1988. — A 5, — pp. 914−923.
  36. Paxman R.G. Joint estimation of object and aberrations by using phase diversity // J.Opt.Soc.Am. -1992, — № 9. pp. 1072−1085.
  37. Carreras R.A. A laboratory experiment using phase diversity to extract higher order Zernike coefficients // SPIE. -1994. Vol. 2302. — pp. 323−329.
  38. Noll R.J. Zernike polynomials and atmospheric turbulence // J.Opt.Soc.Am. -1976. Vol.66. -№ 3 .-pp. 207−211.
  39. Ф.П. Лекции по методам решения экстремальных задач. Изд-во Московского университета. — 1974.
  40. Д.П., Корниенко А. А., Рудницкий Б. Е. Оптические адаптивные системы / Под ред. Д. П. Лукьянова.- М.: Радио и связь. 1989.-240с.
  41. Paxman R.G. Evaluation of phase-diversity techniques for solar-image restoration // Astroph.J.- 1996. Vol.466. — p. 1087.
  42. Gonzalves R. Private communications. -2000.
  43. Gates E.L. Phase diversity as an on-line wavefront sensor: experimental results // SPIE.-1994. Vol.2302. — p.330.
  44. Lofdahl M.G. Fast phase diversity wavefront sensing for mirror control // SPIE.-1998. Vol. 3353. — pp.952−963.
  45. Fienup J.R. Comparison of phase diversity and curvature wavefront sensing // SPIE. 1998. — Vol. 3353. — pp.930−940.
  46. Seldin J. Space-object identification using phase-diverse speckle // SPIE. 1997. -Vol. 3170.-pp. 2−15.
  47. Ohneda Y. Multiresolution approach to image reconstruction with phase-diversity technique // Optical Review. 2001. -Vol. 8. — № 1, — pp.32−36.
  48. M., Вольф Э. Основы оптики, М.:Наука, 1973.-720с.
  49. , С.М. (1995), Neural Networks for Pattern Recognition, Oxford: Oxford University Press.
  50. Sarle, W.S., ed. (1997), Neural Network FAQ, part 1−7: Introduction, periodic posting to the Usenet newsgroup comp.ai.neural-nets, URL: ftp ://ftp. sas. com/pub/neural/FAQ .html
  51. StatSoft Inc. on-line Electronic Statistics Textbook, at http://www.statsoft.com/textbook/stathome.html
  52. Нейрокомпьютеры и интеллектуальные роботы / Амосов Н. М и др., Киев, 1991, — 269с.
  53. А. Н. Обучение НС .- М:СП ParaGraph, 1990.-159с.
  54. М.А. Искусственные НС / Пенз.гос.тех.ун-т, Конспект лекций,-1996, — 43с.
  55. Е.И. Основные модели нейронных сетей // Оптический журнал.-1997.-№ 11.-с.3.
  56. Haykin S. Neural Networks: A Comprehensive Foundation .- New York: Macmillan College Publishing, 1994, — 696p.
  57. Bertsekas D. P., Tsitsiklis J. N. Neuro-Dynamic Programming .- Belmont, MA: Athena Scientific, ISBN 1−886 529−10−8, 1996.-512p.
  58. Fahlman S.E. Faster-Learning Variations on Back-Propagation: An Empirical Study / in Touretzky D., Hinton G., and Sejnowski Т., eds, Proceedings of the 1988 Connectionist Models Summer School, Morgan Kaufmann, 1989, pp. 38−51.
  59. Sontag E.D. Feedback stabilization using two-hidden-layer nets // IEEE Transactions on Neural Networks.- 1996.-№ 3.- pp.981−990.
  60. Blum A. Neural Networks in С++.- NY: Wiley. -1992.-224p.
  61. Swingler K. Applying Neural Network: A Practical Guide.- London, A.Press.-1996.-300p.
  62. Berry M.J.A., Linoff G. Data Mining Techniques. -NY: John Wiley & Sons.-1997. -464p.
  63. Applications of Neural Nets, Lecture Notes in Physics, chapter 2, Adaptive Optics: Neural Network Wavefront Sensing, Reconstruction, and Prediction, Springer, Heidelberg, 1999, pp. 97−138.
  64. В.В., Новикова E.В. Нейронные сети в адаптивных оптических системах // Оптический журнал. 2000. — Т. 67, № 2. — С. 1−18.
  65. Sandler D.G., Barrett Т.К., Palmer D.A., Fugate R.Q. Use of a Neural Network to Control an Adaptive Optics for an Astronomical Telescope //Nature. 1991. — Vol. 351. -pp.300−302.
  66. Sandler D.G. An Artificial Neural Network for Phase Recovery from HST Stellar Images // OSA Technical Digest Series. Space Optics. 1991. — Vol.19. — pp.22−24.
  67. Barrett Т.К., Sandler D.G. Artificial Neural Network for the Determination of the Hubble Space Telescope Aberration from Stellar Images // Applied Optics. 1993. — Vol. 32, — pp.1720−1727.
  68. Vdovin G. Numerical Model of AOS Controlled by a Feedforward Neural Network// SPIE- 1995. Vol.1542. — pp. l48−158.
  69. Angel J.R. Adaptive Optics for Array Telescopes using Neural Network Techniques //Nature. 1990. — Vol. 348. — pp.221−223.
  70. Lloyd-Hart M. Novel Techniques of Wavefront Sensing for Adaptive Optics with Array Telescopes using Neural Network, Ph. D Dissertation, University of Arizona, 1991.
  71. Lloyd-Hart M. First Results of an On-line Adaptive Optics System with Atmospheric Wavefront Sensing by an Artificial Neural Network // Astrophysical Journal. 1992.-Vol. 390.-L41−44.
  72. Jorgenson M.B. Evidence of a Chaotic Attractor in Star-wanded Data // Optics Letters. 1991. — Vol. 16. -p. 2.
  73. Jorgenson M.B., Aitken G.J.M. Wavefront Prediction for Adaptive Optics // European Southern Observatory Conf. on Active and Adaptive Optic.- 1994. Ed.F. Merkle, Garching, Germany. — p. 143.
  74. WintoftP. Neural Network for Modal Compensation of Atmospheric Turbulence // SPIE. 1994. — Vol.2302. — pp. 103−108.
  75. Montera D.A. Prediction of WaveFront Sensor Slope Measurements with Artificial Neural Networks // Applied Optics. 1997. — Vol. 36. — № 3, — pp. 675−681.
  76. Lloyd-Hart M., McGuire P.C. Spatio-Temporal Prediction for Adaptive Optics Wavefront Reconstructors // Adaptive Optics: Topical Mtg. & Tabletop Exhibit, Technical University of Munich, Garching, Germany, 1995.
  77. McGuire P.C., Rhoadarmer T.A., CoyH., Angel J.R.P., Lloyd-Hart M. Linear Zonal Atmospheric Prediction of Atmospheric Turbulence // SPIE Conference on Adaptive Optics Systems and Technology. 2000. — Vol. 4007.
  78. Wild W.J. Predictive Optimal Estimators for Adaptive Optics Systems // Optics Letters. 1996. — Vol. 21- pp.1433−1435.
  79. Dessenne C. Modal Prediction for Closed-Loop Adaptive Optics // Optics Letters. 1997.-Vol. 22. — pp.1535—1537.
  80. Dessenne C. Optimization of a predictive controller for closed-loop adaptive optics // Applied Optics. 1998. — Vol. 37. — p. 4623.
  81. Dessenne C. Sky Implementation of Modal Predictive Control in Adaptive Optics // Optics Letters. 1999. — Vol. 24. — pp.339−341.
  82. Brockie R.M. The Use of Predictors in the Modal Control of an AO system // Proceedings of Astronomy with Adaptive Optics 1998, OSA/ESO, European Southern Observatory, Germany, 7−11 September 1998, (http://www.roe.ac.uk/astronomy/ html/rmb2.html).
  83. Sedmak G. Simulation of astronomical seeing // Astro Tech Journal.- 1999.-Vol.l.- № 1.
  84. Roddier N. Atmospheric wavefront simulation and Zernike polynomials // SPIE.-1990, — Vol.1273.- pp.668−679.
  85. Wang J. Y, Markey J. K Modal compensation of atmospheric turbulence phase distortion // JOSA.- 1978, — Vol.68.- pp.78−87.
  86. P.Jl. Распространение электромагнитных пучков в турбулентной среде: Обзор современного состояния исследований // ТИИЭР.-1980.-Т.68, № 11.-С.75−97.
  87. Dunphy J., Kerr J.R. Turbulence effects on target illumination by laser sources: phenomenological analysis and experimental results // Applied Optics.-1977.-Vol.16.-May.- pp.1345−1358.
  88. Salomon R., Leo Van Hemmen J. Accelerating backpropagation through dynamic self-adaptation // Neural Networks 1996 — Vol.9.- № 4 — pp.589−601.
  89. Устинов Н. Д и др. Методы обработки оптических полей в лазерной локации //М.: Наука, 1983.-272с.
  90. Дж. Введение в Фурье-оптику // М.: Мир, 1970.-364с.
  91. В.А., Клейменов Е. В. Использование нейронных сетей в адаптивных оптических астрономических телескопах // Оптический журнал. -2002г.-т.69,-№ 10.
  92. В. А., Клейменов Е. В. Устранение искажений и восстановление изображения на основе метода фазового разнесения // Оптический журнал. 2002 г. — т.69 — № 10.
  93. Е.В. Об использовании метода фазового разнесения и нейронных сетей для компенсации атмосферных искажений в оптических телескопах // Современные технологии. Труды молодых ученых ИТМО. 2002 г.
  94. В. А. Клейменов Е.В. Об использовании в телевизионных системах нейронных сетей для улучшения качества изображения // Материалы международной конференции «Телевидение: передача и обработка изображений», Санкт-Петербург, май, 2002 г.
  95. Е.В. Способ устранения искажений в оптических изображениях на основе нейросетевых технологий // Сборник трудов конференции «Прикладная оптика-2002», Санкт-Петербург, октябрь, 2002 г.
  96. Клейменов Е. В, Корякин А. В. Оценка качества изображений в адаптивных оптических телескопах // Сборник тезисов 6-й международной конференции «Распознавание образов и анализ изображений: новые информационные технологии», Великий Новгород, октябрь 2002 г.
Заполнить форму текущей работой

Сессия? Спокойно!