Разработка метода временной синхронизации данных обучающей выборки и распознаваемых объектов в задаче классификации в интересах интерпретации результатов космических съемок земной поверхности
| скачать На правах рукописи Ким Роман ВалерьевичРАЗРАБОТКА МЕТОДА ВРЕМЕННОЙ СИНХРОНИЗАЦИИ ДАННЫХ ОБУЧАЮЩЕЙ ВЫБОРКИ И РАСПОЗНАВАЕМЫХ ОБЪЕКТОВ В ЗАДАЧЕ КЛАССИФИКАЦИИ В ИНТЕРЕСАХ ИНТЕРПРЕТАЦИИ РЕЗУЛЬТАТОВ КОСМИЧЕСКИХ СЪЕМОК ЗЕМНОЙ ПОВЕРХНОСТИ Специальность 05.13.01 Системный анализ, управление и обработка информации (Авиационная и ракетно-космическая техника) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва - 2008 г. Работа выполнена в Московском авиационном институте (государственном техническом университете, МАИ). Научный руководитель: доктор технических наук, доцент Евдокименков Вениамин Николаевич Официальные оппоненты: доктор технических наук , профессор Бобронников Владимир Тимофеевич кандидат технических наук Лапин Валерий Юрьевич Ведущая организация: Государственный научно-исследовательский институт авиационных систем (ГосНИИАС) Защита состоится «___» _____2008 г. в ___часов на заседании диссертационного совета Д 212.125.12 в Московском авиационном институте (государственно техническом университете, МАИ) по адресу: 125993, г.Москва, А-80, ГСП-3, Волоколамское шоссе, д. 4. С диссертацией можно ознакомиться в библиотеке Московского авиационного института (государственного технического университета, МАИ). Автореферат разослан «___» ______________2008 г. Отзывы, заверенные печатью, просим направлять по адресу: 125993, г.Москва, А-80, ГСП-3, Волоколамское шоссе, д.4, МАИ, Ученый совет МАИ. Ученый секретарь диссертационного совета Д 212.125.12 к.т.н. , доц. В.В.Дарнопых ^ Актуальность темы. Диссертационная работа посвящена решению актуальной технической задачи повышения достоверности результатов интерпретации данных авиационных и космических съемок земной поверхности в интересах оценки перспектив нефтегазоносности предполагаемых месторождений углеводородов. В настоящее время результаты аэро- и космических съемок используются в различных областях для решения разнообразных народнохозяйственных задач. Одним из перспективных направлений, активно развиваемым в последние годы, является использование космических снимков в интересах прогноза нефтегазоносности геологических структур. Преимуществами дистанционных методов исследования земной поверхности по сравнению с традиционными методами разведки месторождений углеводородов являются более высокая плотность получаемых данных, масштабность обзора, возможность получения глобальной и локальной информации о природных объектах, а также контроля динамики процессов в реальном масштабе времени. Данные преимущества в свою очередь позволяют снизить временные и материальные затраты при решении многих прикладных задач в области поиска и освоения полезных ископаемых. Ключевым этапом технологии обработки космических снимков исследуемой территории при их использовании в целях разведки месторождений нефти и газа является этап интерпретации результатов космических съемок, в процессе которого производится непосредственная оценка перспектив нефтегазоносности прогнозируемых структур, предварительно выделенных экспертами-геологами на основе анализа ландшафтных, геологических, топографических особенностей. В достаточно распространенной ситуации, когда для исследуемого района известны результаты ранее проведенных геологоразведочных работ, задача интерпретации снимков может быть сформулирована как задача классификации с обучением, целью которой является обоснованное отнесение прогнозируемой геологической структуры к одному из двух эталонных классов (классу нефтегазоносных или пустых структур). Признаками распознавания в подобной задаче выступают значения спектральных яркостей (радиационных температур), получаемые в процессе дешифрирования космических снимков. Объектами обучающей выборки выступают ранее разведанные геологические структуры, нефтегазоносный потенциал которых достоверно установлен. Однако, решение задачи классификации в процессе анализа космических снимков обладает существенной особенностью, обусловленной тем, что распознаваемые объекты и объекты, образующие обучающую выборку, могут присутствовать на снимках, полученных в различные моменты времени. Причинами этого являются следующие обстоятельства, объективно порождаемые самой технологией космической съемки:
Указанные обстоятельства порождают новую постановку задачи классификации, специфическая особенность которой состоит в том, что данные об объектах обучающей выборки и о распознаваемых объектах могут соответствовать различным моментам времени. Существующие на сегодняшний день методы классификации с обучением не учитывают данное обстоятельство, что приводит к получению неудовлетворительных результатов и ограничивает возможность их использования в процессе анализа космических снимков. Следовательно, разработка методов решения задачи классификации, адаптированных к условиям временной несогласованности данных обучающей выборки и распознаваемого объекта становится актуальной и практически важной задачей, решение которой позволит повысить достоверность интерпретации космических снимков, в том числе и в интересах оценки нефтегазоносного потенциала прогнозируемых геологических структур. Цель работы. Целью работы является повышение достоверности результатов интерпретации космических снимков исследуемых районов земной поверхности в интересах оценки перспектив нефтегазоносности прогнозируемых геологических структур путем разработки методов и алгоритмов решения задачи классификации в условиях временной несогласованности данных обучающей выборки (ОВ) и распознаваемых объектов (РО). В результате исследований предполагается решение следующих задач:
Объектом исследования является процесс подготовки и принятия решений относительно нефтегазоносного потенциала геологических структур, вырабатываемых на основе анализа космических снимков исследуемых участков земной поверхности, получаемых с помощью аппаратуры ETM+ (Enchanced Thermatic Mapper Plus), установленной на борту ИСЗ Landsat-7. Предметом исследования выступает модифицированная схема решения задачи классификации с обучением в условиях временной несогласованности данных обучающей выборки и распознаваемого объекта, объективно порождаемой технологией космических съемок участков земной поверхности, объединяющая традиционные методы классификации в комбинации с разработанным методом временной синхронизации данных ОВ и РО. Методы исследования. В работе использованы методы теории вероятностей, математической статистики, случайных процессов, оптимизации, методы математического моделирования, объектно-ориентированного программирования. Научная новизна работы. Научную новизну работы обуславливают следующие результаты: 1) модификация традиционной схемы решения задач классификации с обучением, адаптированная к особенностям процесса интерпретации космических снимков, путем включения в нее дополнительного этапа, целью которого является временная синхронизация данных ОВ и РО; 2) метод временной синхронизации данных обучающей выборки и распознаваемых объектов, базирующийся на положениях теории случайных процессов и оптимального статистического оценивания; 3) комплекс алгоритмов, обеспечивающих получение оптимальных (в смысле максимума частоты правильной классификации) оценок признаков распознавания в процессе синхронизации путем:
4)объектно-ориентированный программный комплекс, реализующий перечисленные выше алгоритмы и позволяющий проводить оценку перспектив нефтегазоносности предполагаемых месторождений углеводородов на основании снимков, полученных с помощью аппаратуры ETM+ (Enchanced Thermatic Mapper Plus), установленной на борту ИСЗ Landsat-7. Достоверность результатов, полученных в работе, подтверждается:
Практическая значимость результатов работы заключается в том, что разработанный метод синхронизации данных обучающей выборки и распознаваемых объектов позволяет существенно (в 1.5 раза) повысить достоверность оценок перспектив нефтегазоносности геологических структур в процессе интерпретации результатов космических съемок на основе использования аппарата классификации с обучением. Результаты, представленные в работе, использованы в работах ЗАО «Геокосмос», проводимых в рамках контрактов с ОАО Газпром и его филиалами, а также в учебном процессе кафедры 704 Московского авиационного института, что подтверждается соответствующими актами о внедрении. Апробация работы и публикации. Основные результаты диссертационной работы доложены и обсуждены на:
Результаты работы опубликованы в 6-ти печатных изданиях, в том числе в 2-х изданиях из перечня, рекомендованного ВАКом Минобрнауки России. На защиту выносятся следующие основные положения:
Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы из 51 наименования. Работа изложена на 168 страницах машинописного текста, содержит 65 рисунков и 29 таблиц. ^ Во введении обосновывается актуальность темы, проводится обзор монографических и периодических источников, связанных с технологией и средствами получения космических снимков, проблемами и перспективами развития методов классификации, дается общая характеристика работы, обзор основных разделов, краткий анализ основных результатов с оценкой степени их научной новизны и практической значимости. ^ диссертации обсуждаются физико-технические основы использования космических снимков для целей прогноза нефтегазоносности предполагаемых месторождений углеводородов, рассматриваются особенности современной технологии получения, обработки и интерпретации космических снимков земной поверхности, формулируется математическая постановка задачи классификации в условиях временной несогласованности данных ОВ и РО, объективно порождаемой самой технологией проведения космических съемок. Использование, наряду с традиционными методами разведки месторождений, космических снимков для целей прогноза нефтегазоносности является активно развиваемой областью исследований, базирующейся на том факте, что залежи углеводородов проявляются в тепловых полях. Таким образом, проводя со спутника съемку исследуемого района в видимой или инфракрасной (ИК) области спектра, можно проводить оценку перспектив нефтегазоносности локальных геологических структур, на основе выявления присущих им яркостных (тепловых) аномалий . Для этих целей на боту ИСЗ используется специальная целевая аппаратура, например прибор ETM+ (Enhanced Thematic Mapper Plus) – мультиспектральный сканирующий радиометр, установленный на борту спутника Landsat-7. Аппаратура EТM+ обеспечивает съемку земной поверхности 7-ми спектральных каналах (Таблица 1). Таблица 1. Спектральные характеристики прибора ETM+
Landsat – это общее наименование серии американских искусственных спутников Земли, предназначенных для съемки ее поверхности. Данные, полученные с этого аппарата, в настоящее время наиболее широко применяются при решении задач поиска и прогнозирования полезных ископаемых. Таблица 2. Характеристики ИСЗ Landsat-7
Существенной особенностью технологии получения космических снимков, значительно осложняющей процесс их дальнейшей интерпретации, является смещение трассы спутника от витка к витку. В этих условиях, учитывая ограниченность полосы обзора целевой аппаратуры спутника, а также то, что исследуемый район может быть достаточно протяженным, достаточно распространенной является ситуация, при которой различные его области отражены на снимках, полученным в различные моменты времени. Кроме того, в момент съемки исследуемая территория может быть полностью или частично закрыта облачностью, что приводит к получению снимков неудовлетворительного качества. При этом повторная съемка одного и того же участка возможна только после завершения полного орбитального цикла, который для спутника Landsat-7 составляет 16 суток. Именно эти обстоятельства в значительной степени затрудняют последующую интерпретацию космических снимков исследуемого района, информация об объектах которого может содержаться на снимках, полученных в различные, не совпадающие временные периоды. Современная технология обработки космических снимков предполагает выполнение 2-х этапов. Первым этапом является дешифрирование снимка. На данном этапе проводится:
В диссертационной работе предполагается, что дешифрирование проведено с необходимым качеством, а объектом исследования является следующий этап. Вторым этапом обработки космического снимка является этап интерпретации результатов съемок. Целью данного этапа является оценка перспектив нефтегазоносности прогнозируемых структур, выделенных на первом этапе экспертами-геологами, на основе анализа значений спектральных яркостей. В распространенной ситуации, когда объектом интерпретации являются снимки хорошо исследованного в геологическом отношении района, содержащего ранее разведанные месторождения, задача интерпретации может быть сформулирована как задача классификации с обучением. В этом случае в качестве объектов обучающей выборки (эталонных объектов) выступают ранее разведанные геологические структуры, нефтегазоносный потенциал которых достоверно установлен. Эти эталонные объекты образуют в совокупности два эталонных класса – нефтегазоносных и пустых структур. Вектор признаков распознавания представляет собой 7-мерный вектор, компонентами которого выступают средние по площади структуры значения спектральных яркостей, соответствующие различным каналам (табл. 1). Специфической особенностью задачи классификации, возникающей в процессе интерпретации космических снимков является то обстоятельство, что в силу ранее указанных особенностей процесса получения космических снимков, данные по распознаваемым объектам и по объектам обучающей выборки могут соответствовать различным моментам времени. То есть имеет место специфическая задача классификации, когда данные обучающей выборки и распознаваемых объектов не синхронизированы во времени На основе проведенного в первой главе анализа особенностей процесса интерпретации космических снимков сформулирована математическая постановка задачи классификации с обучением в условиях временной несогласованности данных ОВ и РО, опирающаяся на следующие общие предположения. Имеется набор эталонных классов (ЭК) S1,S2,…,Sm, образованных совокупностью эталонных объектов. Свойства каждого из эталонных объектов, описываются реализациями векторов признаков Xkj=(xkj1,xkj2,…,xkjn)Т, k=1,…,m, j=1,..,Nk, k=1,…,m, полученными в различные моменты времени t1, t2,,,tr.. В дальнейшем предполагается, что случайные процессы Xkj(t), описывающие изменение векторов признаков объектов ОВ во времени, – гауссовские. Имеется реализация вектора признаков Y(t*)=(y1(t*),y2(t*),…,yn(t*))Т, рассчитанного на основе обработки измерений, проведенных в момент времени t*, характеризующего свойства РО. Предполагается, что свойства РО и ЭК описываются одним и тем же набором признаков. Считаем, что момент наблюдения t* в общем случае не совпадает с моментами времени t1,t2,…,tr, для которых получены элементы обучающей выборки (реализации случайных процессов Xk(t)). Необходимо в рассматриваемых условиях решить задачу классификации, целью которой является обоснованное отнесение РО к одному из ЭК. ^ проведен анализ традиционной схемы решения задачи классификации с обучением и возможности ее использования в условиях временной несогласованности данных ОВ и РО. Традиционная схема включает ряд последовательных этапов (рис 1):
В  идим, что традиционная схема решения задачи классификации не учитывает факт временной несогласованности данных ОВ и РО. Это обстоятельство, как показано в главе 3 диссертационной работы на основе интерпретации космических снимков района Тимано-Печорского нефтегазоносного бассейна, приводит к неудовлетворительным результатам классификации и неверным выводам в оценках нефтегазоносного потенциала геологических структур.Рис 1. Учитывая это обстоятельство, в работе предложена адаптация традиционной схемы решения задачи классификации (рис 2) к условиям временной несогласованности данных ОВ и РО, в основе которой лежит ее дополнение еще одним этапом – этапом временной синхронизации данных. Данный этап включается в традиционную схему, в случае наличия космических снимков, полученных в разные моменты времени. Его целью является привязка всех данных, полученных в различные моменты периоды, к одному моменту времени и формирование на основе пересчитанных значений объединенной синхронизированной обучающей выборки, которая в дальнейшем будет использоваться для настройки алгоритма классификации.  . В основе предлагаемого метода синхронизации лежит предположение о том, что векторы признаков объектов обучающей выборки представляют собой результаты измерения гауссовского случайного процесса в определенные моменты времени. Заметим, что предположение о гауссовском характере случайного процесса в случае распознавания геологических структур вполне обосновано, так как в качестве признаков распознавания используются средние по площади структур значения яркостей, имеющие асимптотически нормальное распределение. В рамках такого представления в качестве оптимальных оценок векторов признаков объектов обучающей выборки в некоторый момент времени предлагается использовать их условные математические ожидания, которые могут быть получены с помощью следующего соотношения:  , (1) где  – условное математическое ожидание вектора признаков Xj(t*) в прогнозируемый момент времени t*, полученное при условии, что известна его реализация Xj(ti) в момент времени ti; - векторное математическое ожидание размерности nx1 случайного процесса X(t) для прогнозируемого момента времени t*; (2) - ковариационные матрицы размерности nxn, описывающие статистическую взаимосвязь между компонентами векторов признаков X(ti) в момент времени ti; (3) - взаимные ковариационные матрицы, характеризующие статистическую взаимосвязь между векторами признаков, соответствующими прогнозируемому моменту времени t* и моменту tiОсобенность предлагаемого метода состоит в том, что входящее в соотношение для условных математических ожиданий (1) математическое ожидание и ковариационные матрицы случайного процесса заранее не известны, а значит, возникает необходимость получения их оптимальных оценок. В качестве критерия оптимальности в работе предлагается использовать частоту правильной классификации эталонных объектов, рассчитанную на основе данных после их пересчета и привязки к единому моменту времени. Поскольку определение параметров решающего правила в прогнозируемый момент времени Ψ(t*) проводится на основании процедуры обучения, определяемые параметры зависят от оценок векторов признаков ОВ в прогнозируемый момент времени. (4)В свою очередь, вероятность правильного распознавания объектов ОВ зависит от параметров полученного решающего правила, и, следовательно, также является функцией векторов признаков объектов ОВ.  (5)В соответствии с введенным критерием оптимальными прогнозируемыми оценками реализаций векторов признаков Xkj эталонных объектов в момент времени t*, будем считать такие, при которых достигается максимальная точность их отнесения к тем эталонным классам, к которым они объективно принадлежат.  (6)Поскольку оптимальные прогнозируемые оценки реализаций векторов признаков в прогнозируемый момент времени зависят от оценок параметров случайного процесса, критерий (6) может быть записан в виде:  (7) Таким образом, вероятность правильной классификации объектов обучающей выборки является функцией оценок неизвестных параметров случайного процесса, описывающего изменение компонент векторов состояния объектов ОВ во времени. В работе предлагается 2 подхода к получению оптимальных прогнозируемых оценок реализаций векторов признаков:
Первый из упомянутых подходов предполагает оптимизацию только функций математических ожиданий. При этом функция математического ожидания представляется в виде регрессионного полинома  Задача оптимизации в рамках такого представления заключается в нахождении оптимальной степени k аппроксимирующего полинома. Оптимизация степени аппроксимирующего полинома достигается ее последовательным увеличением до значения, при котором не наблюдается статистически значимого увеличения частоты правильной классификации объектов обучающей выборки. Структурная схема данного алгоритма приведена на рис 3.  Рис. 3 Вторым предлагаемым подходом к оптимизации является подход с совместной оптимизацией функций математических ожиданий и коэффициентов ковариационных матриц, определяемых соотношениями (2),(3). Функциональная схема данного алгоритма приведена на рис. 4  ^ Рис 4. В силу того, что в практических задачах объем обучающей выборки ограничен, выборочные оценки коэффициентов корреляции не совпадают с их истинным значением. Методика оптимизации коэффициентов корреляции предполагает получение их интервальных оценок и последующую оптимизацию в пределах доверительного интервала. В соответствии вначале работы алгоритма определяются доверительные интервалы для каждого из коэффициентов корреляции, входящих в матрицы (2),(3).  После этого на каждом приближении степени регрессионного полинома математических ожиданий с использованием метода покоординатного спуска находится такой набор значений коэффициентов корреляций, при которых обеспечивается максимальная частота классификации при заданной степени аппроксимирующего полинома. Таким образом, каждой степени регрессионного полинома соответствует свой оптимальный набор коэффициентов корреляций. Увеличивая степень регрессионного полинома и всякий раз рассчитывая оптимальные оценки элементов ковариационных матриц приходим к такому виду модели (1), дальнейшее уточнение которой не сопровождается статистически значимым увеличением частоты правильной классификации эталонных объектов Для оценки возможности использования предложенных алгоритмов предварительно было проведено моделирование процесса классификации на тестовых примерах. Использование тестовых примеров позволило провести анализ разработанных алгоритмов без ограничений на объем обучающей выборки. В табл. 3 приведены результаты классификации при использовании традиционной схемы, схемы с оптимизацией только функций математических ожиданий и с совместной оптимизацией функций математических ожиданий и элементов ковариационных матриц. Во всех случаях классификация проводилась на основе традиционного метода дискриминантного анализа. Таблица 3.
На основании приведенных результатов можно сделать вывод, что модифицированная схема, основанная на предварительной синхронизации данных с использованием изолированной оптимизации функций математических ожиданий, позволяет повысить достоверность результатов правильной классификации в 1,2 раза по сравнению с традиционной схемой. Процедура синхронизации с совместной оптимизацией функций мат. ожиданий и элементов корреляционных матриц позволяет повесить достоверность правильной классификации в 1,4 раза. Заметим, что использование метода байесовской классификации и метода, основанного на оценках близости к прототипу, приводит к аналогичным результатам. ^ рассматривается применение разработанных алгоритмов в задаче оценки перспектив нефтегазоносности месторождений на реальном примере анализа снимков района Тимано-Печорского нефтегазоносного бассейна. В качестве исходных данных привлекалась информация по 37 эталонным структурам, находящимся в пределах данного района, с достоверно подтвержденным содержанием углеводородов (рис. 5). Для анализа использовались 4 снимка, полученные аппаратурой ИСЗ «LandSat-7» в периоды 24.04 (апрель), 18.05 (май), 26.06 (июнь), 17.09 (сентябрь). Из-за неблагоприятных атмосферных условий (наличия облачности) на снимках, полученных в различные периоды времени, отсутствовали данные по следующим структурам: 25.04 - № 4,6,7,8,9,10,11,12,13,15,16,17,18,19; 18.05 - № 4,6,7,20,21,22,23. 26.06 - № 20, 21, 28, 29; 17.09 - № 20,21,28,29. Информация по каждому из эталонных объектов после дешифрирования снимков включала поточечные (по пиксельные) распределения значений спектральных яркостей в границах структуры, рассчитанные по каждому из семи спектральных каналов съемки (табл. 1), на основе которых были получены средние по площади значения спектральных яркостей. Эти средние значения спектральных яркостей, рассчитанные для каждого из семи спектральных диапазонов, образуют вектор признаков, характеризующих тепловые свойства геологической структуры. Заметим, что переход от поточечного распределения значений яркостей к их средним по площади значениям обеспечивает выполнение предположения о гауссовском характере случайного процесса, описывающего временные эволюции яркостей, положенного в основу разработанного метода синхронизации. С целью подтверждения возможности использования средних по площади значений яркости в качестве компонент вектора признаков геологических структур для целей прогнозирования перспектив нефтегазоносности был проведен анализ их дифференцирующих свойств. В результате анализа на основе сопоставления доверительных интервалов (для вероятности 0.95), характеризующих разброс средних значений спектральных яркостей пол классам нефтегазоносных и пустых структур было подтверждено, что средние по площади значения спектральных яркостей обеспечивают дифференциацию объектов эталонных классов. П  редложенный в главе 2 алгоритм синхронизации данных ОВ и РО базируется на наличии корреляционной связи между случайными значениями спектральных яркостей, соответствующими различным моментам времени. С целью подтверждения наличия этой связи проведен анализ статистической связи данных, полученных в различные моменты времени, подтвердивший возможность применения разработанного метода временной синхронизации данных.Т Рис. 5 аким образом, выполнены все предпосылки, положенные в основу разработанного метода синхронизации данных. Дальнейшие исследования были посвящены получению количественных оценок эффективности предложенного метода синхронизации в задаче классификации геологических структур. В табл. 4 приведены результаты классификации упомянутых выше эталонных объектов Тимано-Печорского бассейна, представленных на разновременных снимках, в рамках традиционной схемы, использующей в качестве основы метод дискриминантного анализа без предварительной синхронизации. При этом фиксировалась дата съемки, которая рассматривалась как текущий момент времени наблюдения, а обучение алгоритма классификации проводилось на всей совокупности данных, полученных в моменты, не совпадающие с текущей датой. В каждом случае оценивалась процентная доля правильной классификации эталонных геологических объектов. Таблица 4
В табл. 5 приведены результаты, когда для получения оценок векторов признаков обучающей выборки использовались все доступные снимки, то есть для геологических структур, составляющих обучающую выборку и присутствующих на снимках от 18.05, 26.06 и 17.09 на основе разработанного метода синхронизации с использованием изолированной оптимизации функций математических ожиданий рассчитывались оценки средних значений спектральных яркостей в каждом из каналов съемки для 25.04. Таким образом, удается увеличить объем обучающей выборки за счет того, что она объединяет синхронизированные данные по трем снимкам. Таблица 5
Табл. 6 содержит аналогичные результаты классификации с использованием метода синхронизации данных на основе совместной оптимизации оценок функций математических ожиданий и элементов корреляционных матриц. Во всех случаях классификация проводилась на основе линейных дискриминантных функций, коэффициенты которых уточнялись в процессе обучения. Таблица 6
Из приведенных результатов видно, что применение модифицированной схемы позволяет повысить достоверность классификации эталонных объектов в 1,45 раза по сравнению с традиционной схемой. При использовании модифицированной схемы с совместной оптимизацией функций математических ожиданий и элементов корреляционных матриц удается повысить достоверность правильной классификации в 1,6 раза по сравнению с традиционной схемой, и в 1,16 раза по сравнению со схемой с оптимизацией только функций математических ожиданий. ^ На основании проведенных исследований получены следующие результаты: 1. Проведен анализ процесса обработки и интерпретации космических снимков земной поверхности в целях оценки углеводородного потенциала перспективных геологических структур. Показано, что реализация этого процесса приводит к необходимости решения задачи классификации, осложненной временной несогласованностью данных обучающей выборки и распознаваемого объекта. [1,2,5] 2. Рассмотрены существующие методы решения задач классификации, которые не учитывают факт временной несогласованности данных. На основании обработки реальных результатов космических съемок показано, что применение традиционных методов в условиях несинхронизированности данных приводит к недопустимым ошибкам классификации. [3,4,6] 3. Предложен подход к решению задачи классификации для условий, когда данные по объектам обучающей выборки и о распознаваемом объекте не синхронизированы во времени. В его основе лежит дополнение традиционной схемы этапом временной синхронизации. [1,2,5] 4. Предложен метод синхронизации данных обучающей выборки и распознаваемого объекта, базирующийся на гауссовской аппроксимации процессов, описывающих временную динамику признаков распознавания. В рамках такого представления привязка данных обучающей выборки и распознаваемого объекта к единому (прогнозируемому) моменту времени достигается путем вычисления оценок их условных математических ожиданий. [2] 5. Разработаны алгоритмы синхронизации данных, обеспечивающие максимум частоты правильной классификации на основе изолированной оптимизации функции математического ожидания и на основе совместной оптимизации функции математического ожидания и матричной корреляционной функции случайного процесса, описывающего изменение вектора признаков объектов во времени [5] 7. Создан специализированный программный комплекс, реализующий предложенный метод синхронизации данных и разработанные алгоритмы, предназначенный для проведения классификации в условиях временной несогласованности данных обучающей выборки и распознаваемых объектов. 8. На серии тестовых примеров, имитирующих решение задачи прогнозирования перспектив нефтегазоносности геологических структур с использованием разновременных космических снимков проведен анализ возможности использования разработанного метода классификации для решения поставленной технической задачи. При этом показана возможность повышения достоверности результатов классификации как за счет изолированной оптимизации функции математических ожиданий, так и за счет совместной оптимизации функций математических ожиданий и матричной корреляционной функции вектора признаков. [1,2,5] 9. На примере обработки космических снимков геологических объектов Тимано-Печорского бассейна показано, что использование разработанного метода классификации с синхронизацией данных обучающей выборки и распознаваемого объекта статистически достоверно увеличивает частоту правильной оценки углеводородного потенциала в 1,6 раза. Причем основное увеличение величины частоты правильной классификации достигается за счет изолированной оптимизации функции математических ожиданий, и в меньшей степени эффект проявляется за счет оптимизации элементов корреляционной матрицы. [1,2,5] ^ Все результаты, представленные в работе, получены лично автором. Результаты работы опубликованы:
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Ваша оценка этого документа будет первой.
Ваша оценка: 