350 руб
Журнал «Динамика сложных систем - XXI век» №2 за 2015 г.
Статья в номере:
Нейросетевой метод оперативного картографирования с использованием беспилотного летательного аппарата
Ключевые слова: картографирование беспилотный летательный аппарат многомерная нейронная карта Кохонена древовидный классификатор искусственная нейронная сеть машина опорных векторов анализ главных компонент энергетические характеристики Лавса текстурные признаки Харалика
Авторы:
М.В. Акинин - к.т.н., мл. науч. сотрудник, кафедра «Космические технологии», РГРТУ (г. Рязань). E-mail: akinin.m.v@gmail.com Н.В. Акинина - аспирант, кафедра «Космические технологии», РГРТУ (г. Рязань). E-mail: natalya.akinina@gmail.com М.Б. Никифоров - к.т.н., доцент, директор НОЦ «Специализированные ЭВМ», РГРТУ (г. Рязань). E-mail: nikiforov.m.b@evm.rsreu.ru А.В. Соколова - магистрант, кафедра «Электронные вычислительные машины», РГРТУ (г. Рязань). E-mail: alexandra.sokolova00@mail.ru А.И. Таганов - д.т.н., профессор, зав. кафедрой «Космические технологии», РГРТУ (г. Рязань) E-mail: alxtag@yandex.ru
Аннотация:
Рассмотрен метод построения высокоточных детализированных двухмерных и трехмерных карт и моделей местности, основанный на применении нейросетевой системы искусственного интеллекта для решения задачи дешифрации данных аэрофотосъемки, получаемых от беспилотного летательного аппарата.
Страницы: 9-14
Список источников

 

  1. Widyawardana Adiprawita, Adang Suwandi Ahmad, Jaka Semibiring Unmanned Aerial Vehicle Instrumentation for Rapid Aerial Photo System // International Conference on Intelligent Unmanned Systems. Bali, Indonesia. 2007. P. 111−118.
  2. Reid A., Ramos F., Sukkarieh S. Multi-Class Classification of Vegetation in Natural Environments Using an Unmanned Aerial System // International Conference on Robotics and Automation. China. 2011. P. 2953−2959.
  3. Haykin S. Neural networks and learning machines. Prentice Hall. 2009. 906 p.
  4. Соколова А.В., Акинин М.В., Никифоров М.Б. Алгоритм антиалиасинга текстур виртуальной модели местности, основанный на методах деблюринга изображений // Mezinarodni vedecka a prakticka konference «World & Science». Чехия, Брно. 2014. P. 232−237.
  5. Fan R.-E., Chen P.-H., Lin C.-J. Working Set Selection Using Second Order Information for Training Support Vector Machines // Journal of Machine Learning Research (6). 2005. P. 1889−1918.
  6. Kohonen T. Self-organizing formation of topologically correct feature maps // Biol. Cyb. 1982. P. 59−69.
  7. Akinin M., Nikiforov M., Taganov A. Automated Combining Remote Sensing Data and Digital Maps, Based on Non-linear Cellular Neural Network and Boltzmann-s Restricted Stochastic Machine // 3rd Mediterranean Conference on Embedded Computing (MECO-2014). Montenegro, Budva. 2014. P. 144−147.
  8. Haralick M.R., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on systems, man and cybernetics. 1973. V. SMC 3. № 6. P. 610−621.
  9. Акинина Н.В., Акинин М.В., Никифоров М.Б. Применение нейросетевых методов анализа главных компонент при решении задач обработки данных дистанционного зондирования Земли // Mezinarodni vedecka a prakticka konference «World & Science». Чехия, Брно. 2014. P. 177−183.
  10. Akinin M.V., Konkin Y.V., Nikiforov M.B. Using Kitano\'s grammar encoding for finding optimal multilayer artificial neural network without feedback in image processing problems // Science and Education: Materials of the III International research and practice conference (V. I). Germany, Munich: Vela Verlag Waldkraiburg. 2013. P. 82−88.