Пупков К.А., Коньков В.Г. - Интеллектуальные исследования (Современнаяя теория управления) (1072100), страница 16

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 16)

Сначала важно выяснить какие особенности необходимо выделять. Особенности должны удовлетворять следующим условиям:

1. Позволять простое описание и ясную физическую интерпретацию.

2. Обеспечить высокую степень стабильности вне зависимости время и сезона и спектральной полосы.

Анализ разнообразия аэрокосмических снимков показывает, что наиболее информативные особенности, отвечающие перечисленным выше условиям, следующие:

а) рельеф;

б) границы областей;

в) линейные особенности (дороги, реки, электрические линии);

г) объекты, уникальные для области.

Рельеф обычно трудно оценить. Границы областей и линейные особенности наиболее устойчивы и обычно представляют в большинстве случаев, за исключением широких изотропных областей, типа водных поверхностей. Уникальные объекты редки, но обеспечивают самую лучшую точность. Для общности мы будем ориентироваться на границы областей и линейные особенности, как основные навигационные ориентиры. Границы областей могут формировать замкнутые контура, и в зависимости от размеров и формы могут быть полезными или нет [41]. Поэтому после того, как соответствующие особенности выделены, их необходимо оценить и поместить в тестовую карту.

За исходную точку мы приняли алгоритм для навигации по протяженным ориентирам, предложенным в [40], который состоит из следующих стадий:

1. Предварительная фильтрация первоначального изображения; использовался усредняющий фильтр 3х3.

2. Выделение границ: использовались операторы Собеля или Превитта.

3. Уточнение контуров: использовался специально разработанный простой алгоритм, применяемый к изображению после выделения границ и перед сравнением с порогом.

4. Оценивание выделенных особенностей и формирование тестовой карты.

5. Сравнение тестовой и образцовой карты; на этой стадии имеется ограничение к ряду сравниваемых особенностей, которое зависит от установленной точности.

6. Определение положения.

Задачей этой работы являлась разработка алгоритма для выделения и отслеживания протяженных особенностей, типа дорог или электрических линий, для этого пункты 5, 6 из первоначального алгоритма были заменены процедурой для нахождения требуемых особенностей и их отслеживания. Для улучшения алгоритма оригинала предлагается заменить стадии 1-3, процедурой кластера анализа с методикой распознавания образов. Такая процедура требует вычисления еще трех изображений для формирования векторов признаков каждого пикселя. Это дает более точное выделение особенностей, но требует большого количества вычислений.

Система может быть представлена в виде двухуровневого процесса: стадии 1-3 образуют обработку изображения низкого уровня, которая требует VLSI реализации на параллельных или векторных процессорах. Стадии 4,5 - анализ высокого уровня требуют мощного последовательного процессора или мультипроцессорного ядра.

Алгоритм был выполнен на транспьютерной системе технического зрения, которая включает в себя автофиксирующую камеру, модуль захвата кадров Transtech TTGF c Т805 транспьютером, сеть из четырех Т800 транспьютеров с 1М оперативной памяти для обработки низкого уровня и транспьютер Т805 с 2mb оперативной памятью для обработки высокого уровня; для визуального контроля используется графическая плата INMOS В020. Все модули размещаются на двух платах, помещенных в РС. Платы могли бы быть установлены в блок с размерами 350х120х60мм. Это не включает блок питания и камеру. Данный минимальный набор позволил оценить эффективность работы алгоритма, особенности и проанализировать результаты. Была предложена возможная реализация аппаратных средств реального времени.

Для работы в транспьютерной сети были разработаны дополнительные системные программные модули. Особенное внимание уделялось поддержке «жизни» сети, для поддержания обработки в течение всего времени без зависания. Для этого были введены специальные программные модули управления. Такие же самые модули выполняются на каждом транспьютере, и отвечают за обмен данными между транспьютерами и сохранение горячих соединений с другими процессами. Такая организация позволяет выходить из мертвых блокировок зависимых от данных. Модули управления соблюдают расписание процессов для достижения эффективности реального времени, но допускают некоторые потери данных. Основной модуль управления размещен на корневом транспьютере, который был на графической плате, этот модуль имеет всю информацию относительно сети и помещает другие модули управления в каждый транспьютер и тестирует обмен данными между ними, затем загружаются программные модули обработки. Обработка состоит из следующих основных шагов: захват кадра, разбиение и пересылка изображения к модулю обработки низкого уровня, затем на каждой стадии происходит обмен данных между процессами, и собирается полученная информация об изображении для процесса анализа высокого уровня, затем, когда принято решение, найденные координаты текущего ориентира могут быть переданы системе управления (в нашем случае они только указываются на экране с первоначальным изображением).

Так, в заключение, программа состоит из модуля захвата кадров, модулей обработки низкого уровня, модуля анализа высокого уровня, модуль интерфейса и взаимосвязанные модули управления для каждого процессора.

Система была проверена, используя воздушную видеосъемку земной поверхности специальной системой на самолете-лаборатории на высоте 400 метров. Другой тест проводился, используя лабораторный стенд: камера была помещена на руку робота и направлялась на стену с моделью земной поверхности, рука робота отслеживала линейные объекты (дороги) модели. Из-за ограничения вычислительной мощности из середины оригинала фиксируемое изображение с размерами 512х512 пиксели извлекалось изображение 128х128 для обработки. Но даже тогда ощущалась низкая эффективность. Однако, для медленного движения при моделировании на стенде была получена хорошая эффективность. Тесты показали, что предложенный первоначальный алгоритм является способным отследить такие особенности как автомобильные или железные дороги, реки, линии электропередач, но не хорошо работает с границами областей, реализация процедуры анализа кластера с объектной методикой распознавания дает лучшие границы, но требует некоторой дополнительной мощности процессора.

Алгоритм показал хорошую работу для изображений, полученных в различных средах, время года, возможно, зима скрывает некоторые особенности, но такие вещи как дороги, границы между лесом и полем станут более чистыми, замороженные реки могут быть почти полностью скрыты, и это должно быть учтено при постановке задач.

Чтобы улучшить работу алгоритма, возможно использование реконструкции контуров.

Довольно ясно, что при использовании более мощных аппаратных средств, возможно получить мобильную систему технического зрения реального времени.

Данный подход может также использоваться для управления наземного транспортного средства, например, для мобильного робота на установленной полосе.

2.3. Динамическая нейронная сеть для распознавания речевых сигналов

Трудности применения нейронных сетей к распознаванию речи обусловлены спецификой динамической природы речевого сигнала и выражаются в том, что в процессе классификации сигнал должен быть нелинейно деформирован по шкале времени с целью нормализации длительностей различных его участков [42].

В виду этого возможности применения стационарных нейронных сетей (многослойных персептронов) ограничены либо распознаванием фонем [43], соответствующих коротким участкам сигнала, на которых не требуется нормализация длительности; либо распознаванием слов в небольших словарях [44,45], где оказывается возможным вообще не учитывать порядок следования участков сигнала во времени, а для распознавания достаточно просто набора признаков, выделенных на всей длине слова.

Попытки достичь нормализации длительности сигнала при использовании стационарных нейронных сетей требуют нелинейной деформации пространства входов сети, которая может быть осуществлена за счет введения в нейроподобные элементы дополнительных входов, организующих временные задержки информации во всех слоях [46,47]. Такое усложнение сети ведет к значительному увеличению времени обучения. Применение традиционных рекуррентных сетей [45,48] аналогично введению в сеть механизма задержек за счет обратных связей. Кроме того, представления эталонов оказываются скрытыми в весах сети и не допускают наглядной интерпретации, что является важным на этапе отладки системы распознавания и выбора параметров первичной обработки сигнала.

Предлагаемая динамическая нейронная сеть позволяет решить указанные проблемы и формирует хорошо интерпретируемые многоуровневые иерархические представления эталонов речевых событий, а также отличается быстротой обучения.

В основе нейронной сети, называемой динамическим ассоциативным запоминающим устройством (ДАЗУ), лежит идея отображения входных последовательностей в траектории - трубки многомерного сигнального пространства с сохранением топологии пространства перцептивных признаков. Этот принцип, предложенный А.Н. Радченко для интерпретации работы реального нейрона [49], и развитый впоследствии в [50,51], позволяет построить нейронную сеть, способную к распознаванию речевых образов на основе последовательностей векторов параметров первичного описания сигнала.

ДАЗУ позволяет сформировать эталон речевого образа в форме графа, порожденного объединением трубок, соответствующих отображениям конкретных акустических реализаций из обучающего множества в сигнальное пространство. Форма эталона в ДАЗУ соответствует принятому в распознавании речи представлению эталонов речевых событий в виде сетей состояний и переходов [42,52]. В такой сети состояния описывают относительно короткие участки сигнала, а переходы между ними выражают отношения следования во времени. Каждой реализации речевого образа в сети соответствует (является наиболее близкой) определенная последовательность состояний и связывающих их переходов - траектория. Распознавание осуществляется как выбор эталона, содержащего траекторию, наиболее близкую к той, в которую отображается входной сигнал.

1. Формирование эталона в ДАЗУ

1. Структура ДАЗУ

ДАЗУ представляет собой набор нейроподобных элементов (НЭ) с общим входом и общим выходом, каждый из которых моделирует точку сигнального пространства (СП) или гиперсферу с центром в этой точке. Выход ДАЗУ замыкается на общий вход всех НЭ через механизм управления, называемый механизмом внимания (МВ), что реализует обратную связь (рис. 27).

НЭ содержит адресную часть - вектор весов w^=(w^¹,...,w^ⁿ), интерпретируемый как координаты точки в СП. Общим входом всех НЭ является регистр сдвига (РС), моделирующий задержку при прохождении сигнала по дендритному дереву реального нейрона [49]. На каждом такте работы сети содержимое РС сдвигается и в освободившиеся позиции добавляется очередной входной вектор параметров (ВП) первичного описания сигнала. Преобразование, осуществляемое РС, разбивает последовательность ВП на последовательность n-грамм, сдвинутых одна относительно другой на один ВП.

Обозначив последовательность ВП как A=(а_t), можно записать преобразование, осуществляемое РС как отображение F, A^=F(A):

F(A) = F(..., а_t-1, a_t, ...) =

(..., (а_t-n,а_t-n+1,...,а_t-1)ⁿ_t-1, (а_t-n+1,а_t-n+1,...,а_t)ⁿ_t...) =

= ( ..., а^_t-1, a^_t...) = (a^_t) = A^, (143)

где A^ - последовательность точек сигнального пространства, a^_t.- координаты точек.

Кроме того, НЭ содержит арифметическо-логическое устройство (АЛУ) и пороговый элемент. АЛУ вычисляет расстояние от текущей n-граммы a^_t, находящейся в окне РС, до адреса НЭ w^_i по метрике D:

D=D_n[a^_t,w^_i] = max{ d_j: d_j=d(a^^j_t-w^^j_i), j=1..n },

Характеристики

Список файлов книги