Предмет изучения - методы автоматической кластеризации данных дистанционного зондирования в условиях априорной неопределенности относительно количества классов наблюдаемых объектов и статистических характеристик признаков классов. Цель работы - разработка метода аппроксимации многомодальных эмпирических распределений данных наблюдений для построения решающих правил в процедурах попиксельной статистической классификации, а также исследование эффективности данного метода при автоматической классификации объектов на синтезированных и реальных изображениях. Задачи: разработать и реализовать процедуру расщепления смеси базисных распределений, обеспечив при этом следующие требования: отсутствие этапа предварительного анализа данных с целью выбора оптимальных начальных приближений; хорошую сходимость метода и возможность автоматического уточнения списка классов путем объединения в один кластер неразличимых или слабо различимых компонент смеси; синтезировать тестовые изображения с заданным количеством объектов и известными законами распределения данных для каждого объекта; оценить эффективность разработанного метода автоматической классификации по критерию вероятности правильного распознавания; оценить результаты автоматической кластеризации реальных изображений. Используемыми методами являются: методы стохастического моделирования, методы аппроксимации эмпирических распределений, статистические методы распознавания, методы теории вероятностей и математической статистики. Получены следующие результаты. Предложен метод автоматического расщепления смеси распределений Гаусса для построения порогов принятия решения по критерию максимума апостериорной вероятности. Приведены результаты автоматического формирования списка классов и их вероятностных описаний, а также результаты кластеризации тестовых изображений и спутникового снимка. Показано, что разработанный метод является достаточно эффективным и может применяться для определения количества классов объектов и математического описания их стохастических характеристик в задачах распознавания образов и кластерного анализа. Выводы: научная новизна полученных результатов состоит в том, что предлагаемый подход позволяет непосредственно в рамках процедуры обучения "без учителя" оценивать различимость классов и исключать неразличимые объекты из списка классов.

  Повний текст PDF - 837.282 Kb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"