Главная » 2014 » Август » 12 » Скачать Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе нейросетевого бесплатно
22:18
Скачать Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе нейросетевого бесплатно
Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе нейросетевого подхода
Диссертация
Автор: Тищенко, Игорь Петрович
Название: Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе нейросетевого подхода
Справка: Тищенко, Игорь Петрович. Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе нейросетевого подхода : диссертация кандидата технических наук : 05.13.11 / Тищенко Игорь Петрович; [Место защиты: Ин-т програм. систем РАН] - Переславль-Залесский, 2009 - Количество страниц: 114 с. ил. Переславль-Залесский, 2009 114 c. :
Объем: 114 стр.
Информация: Переславль-Залесский, 2009
Содержание:
ВВЕДЕНИЕ
ГЛАВА 1 Аналитический обзор современных алгоритмов распознавания графических образов и технологий параллельного программирования
11 Классы графических образов
12 Методы предобработки данных
13 Методы сегментации изображений
1 4 Методы распознавания графических образов
15 Программные системы распознавания на основе нейронных сетей
16 Особенности решения задач распознавания с использованием высокопроизводительных вычислительных средств
17 Технологии параллельного программирования
18 Архитектура программной системы «ПС ИНС»
Введение:
Актуальность работы
В России проводится большая работа по проектированию суперкомпьютеров, средств распараллеливания вычислительных процессов и созданию прикладных программных систем на их основе. С созданием отечественных мультипроцессорных систем появилась возможность построения программных комплексов для решения различных сложных задач требующих больших временных ресурсов, таких как: расчеты обтеканий тел, моделирование процессов горения, расчет движения и столкновения многих объектов и т.д. Одна из актуальных задач алгоритмического обеспечения мультипроцессорных систем связана с обработкой потоков данных, доставляемых из космоса средствами технического зрения (СТЗ) с целью обнаружения заданных объектов (летательных аппаратов, регионов, сооружений и т.д.). Под потоком понимается последовательность снимков, преобразованных к цифровой форме. В силу высокой сложности решение задачи целесообразно разбить на ряд последовательных этапов (предварительная обработка снимка, выделение объектов, получение интегральных информативных параметров, кластеризация, распознавание, определение местоположения и ориентации), каждый из которых имеет самостоятельное значение, но может быть использован, при необходимости, как составная часть общего алгоритма. При этом существенную в вычислительном отношении долю составляют средства интеллектуальной обработки графической информации, которые целесообразно реализовать на мультипроцессорной системе. Большой вклад в развитие теории распознавания образов внесли российские ученые: Ю.И. Журавлев, Э.М. Браверман, Л.И. Розоноэр, М.А. Айзерман, В.А. Сойфер, B.JI. Матросов, В.Н. Вапник, А.Я. Червоненкис, А.Н. Горбань, М.Ю. Хачай, Н.Г Загоруйко и др. Известны различные методы распознавания образов: детерминистские, структурные, статистические. В последнее время большое распространение получили методы, основанные на математическом аппарате искусственных нейронных сетей (ИНС). Одно из направлений обработки изображений связано с ИНС, которые эффективно фильтруют данные (сеть Хопфилда), распознают графические образы (сеть Хемминга, многослойный персептрон), кластеризуют объекты (сеть Кохонена), а также выполняют другие немаловажные функции. Существенный вклад в развитие теории нейронных сетей и нейрокомпьютеров внесли А.Н. Горбань, А.И. Галушкин, Е.М. Миркес, В.Г.Редько, В.Г. Яхно и др.
Реализация программного обеспечения может осуществляться в виде пакетов прикладных программ, библиотек прикладных или системных программных средств. На данный момент существует множество программных пакетов, с помощью которых можно проектировать, настраивать и применять ИНС для решения различных задач, например, Neurooffice, Neuro Emulator, BrainMaker, Neural 10, Neural Planner, Mathlab и др. Специально для обработки данных ДЗЗ разработаны современные программные комплексы: ENVI (Environment for Visualizing Images), ER Mapper, ERDAS Imagine. Кроме этого имеются библиотеки для обработки и распознавания изображений, такие как OpenCV, LTI, VXL и др. Однако перечисленные нейропакеты и программные комплексы не рассчитаны на потоковую обработку снимков и на использование параллельных вычислителей. Решение же практических задач требует быстрого анализа последовательности изображений большого формата, доставляемых СТЗ. С появлением отечественных мультипроцессорных систем стала актуальной задача построения программных систем, ориентированных на параллельную обработку снимков с целью ускорения процессов выделения и распознавания требуемых объектов.
Как показывают проведенные экспериментальные исследования, и накопленный опыт, возможности ИНС при работе с реальными космическими снимками весьма ограничены и раскрываются только в сочетании с другими сопутствующими алгоритмами. Для успешного функционирования ИНС необходимо выполнить предварительные преобразования изображений, направленные на выделения информативных признаков. Среди таких преобразований можно отметить особые классы сегментации, выделения и нормализации локальных объектов. Для выделения объектов часто используют метод сканирующего окна, который предполагает знание размеров и ориентации объекта, что достаточно трудоемко для объектов имеющих случайное местоположение, различную размерность и масштаб. Таким образом, необходимы новые эффективные алгоритмы и программные средства обработки космических снимков, хорошо сочетающиеся с нейросетевыми методами распознавания и суперкомпьютерными технологиями параллельных вычислений.
Предлагаемое в рамках настоящей работы алгоритмическое и программное обеспечение основывается на разработке параллельных алгоритмов ИНС и предварительной обработки изображений, при этом учитываются возможности современных технологий параллельного программирования и аппаратных средств отечественного суперкомпьютера типа «СКИФ». Задача программного обеспечения заключается в предоставлении пользователю возможностей компоновки программных компонентов ИНС, средств обработки изображений и их интеграции для решения прикладных задач распознавания графических образов, как на ПЭВМ, так и на суперкомпьютере. Программный комплекс содержит удобные, понятные пользователю и одновременно с этим, мощные средства создания задач распознавания графических образов.
В настоящей диссертационной работе предлагаются новые подходы к улучшению качества работы ИНС, основанные на процедурах построения гистограмм, извлечения из них информативных параметров и нормализации объектов, способствующих решению задач кластеризации и распознавания с применением кластерных установок. Работа выполнена в рамках следующих проектов ИПС РАН:
• НИР "Перспективные алгоритмы и структуры вычислительных устройств для задач обработки изображений, распознавания образов и управления движением".
• проект РФФИ № 06-07-89083а «Разработка новых методов непрерывной идентификации и прогнозирования состояний динамических объектов на основе интеллектуального анализа данных».
• проект РФФИ № 07-07- 12029-офи «Создание интеллектуальной технологии для анализа данных и распознавания образов».
• программа Союзного государства «Развитие и внедрение в государствах-участниках Союзного государства наукоёмких компьютерных технологий на базе мультипроцессорных вычислительных систем», шифр «ТРИАДА», проект ПР5 «Разработка новых алгоритмов, принципов создания систем обработки изображений и другой информации от космических средств наблюдения, ориентированных на применение многопроцессорных вычислительных кластеров повышенной вычислительной мощности». Цель работы
Целью диссертационной работы является:
1) разработка алгоритмического и программного обеспечения как суперкомпыотерной технологии, направленной на повышение скорости и качества работы искусственных нейронных сетей при решении задач обнаружения и распознавания локальных объектов с использованием кластерных вычислительных систем;
2) создание на этой основе прикладного программного комплекса автоматического распознавания графических объектов на космических снимках.
Для достижения поставленной цели решаются следующие задачи:
1. Разработка метода автоматического выделения объектов с использованием адаптивного преобразования цветных космических снимков с последующим анализом гистограмм или выделением границ;
2. Разработка методов автоматической «сборки» и нормализации выделенных локальных объектов;
3. Исследование в составе ИНС Кохонена метрик Махаланобиса и Евклида-Махаланобиса, распараллеливание алгоритмов её функционирования;
4. Разработка программного обеспечения мультипроцессорных систем в виде программного комплекса для решения задач выделения и распознавания объектов на космических снимках на основе нейросетевого подхода.
Методы исследования
В работе для проведения исследований были использованы математические методы обработки изображений и распознавания образов, математический аппарат искусственных нейронных сетей, методы теории алгоритмов, машинной графики, концепции и методы параллельного программирования.
Научная новизна
1. Разработаны новые методы автоматического выделения и нормализации объектов, расширяющие возможности нейронной сети Кохонена до неокогнитрона.
2. Разработаны и исследованы методы ускорения работы нейронной сети Кохонена с учетом технологий параллельного программирования и аппаратных средств отечественного суперкомпьютера кластерного типа, позволяющие масштабировать время решения задач кластеризации и распознавания.
3. Впервые применены и исследованы в составе ИНС Кохонена метрики Махаланобиса и Евклида-Махаланобиса, которые, как показывают эксперименты, замедляют работу сети, но повышают точность кластеризации при обработке космических снимков.
4. Разработан и реализован программный комплекс автоматического распознавания графических объектов, отличающийся от известных систем наличием гибкой моделирующей среды, настраиваемой на решение задач обработки космических снимков с использованием кластерных вычислительных устройств.
Практическая значимость работы
Практическая значимость результатов работы определяется их применимостью для решения задач обнаружения объектов на космических снимках, что отражено в научных отчетах выполненных актуальных исследований. Разработанная в настоящей работе интеллектуальная технология и программный комплекс на ее основе предоставляют пользователю возможности интеграции имеющихся модулей в определенную технологическую цепочку для решения задач распознавания графических образов с применением суперкомпьютеров семейства «СКИФ». Отдельные алгоритмы и инструментальные средства, в том числе графический интерфейс, алгоритмы нормализации и выделения объектов могут иметь самостоятельное значение и использоваться в других системах анализа изображений. Возможные области применения программного комплекса: обработка потоков космических снимков, задачи мониторинга состояния сложных технических систем, использование в качестве компоненты робототехнических систем.
Апробация работы
Основные результаты работы докладывались и обсуждались на следующих конференциях и семинарах:
• международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2006);
• 9-я международная конференция "Распознавание образов и анализ изображений: новые информационные технологии (РОАИ-9-2008, Нижний Новгород, 2008);
• 8-я международная конференция «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (CAD/CAM/PDM-2008, Москва, 2008);
• семинары Исследовательского центра искусственного интеллекта ИПС РАН (Переславль-Залесский, 2006-2008).
Публикации в рецензируемых журналах:
1) Виноградов А.Н., Калугин Ф.В., Недев М.Д., Погодин С.В., Талалаев А.А., Тищенко И.П., Фраленко В.П., Хачумов В.М. Выделение и распознавание локальных объектов на аэрокосмических снимках. — Авиакосмическое приборостроение, 2007, № 9, с.39-45.
2) Тищенко И.П. Параллельная кластеризация цветных изображений на основе нейронной сети Кохонена с использованием суперкомпьютера семейства «СКИФ». - Нейрокомпьютеры: разработка, применение, 2008, №9, с.30-34.
Публикации в журналах:
1) Талалаев А.А., Тищенко И.П., Фраленко В.П., Хачумов В.М. Анализ эффективности искусственных нейронных сетей. — Искусственный интеллект и принятие решений, 2008, №2, с.24-33.
2) Талалаев А.А., Тищенко И.П., Хачумов М.В. Выделение и кластеризация текстовых и графических элементов на полутоновых снимках. — Искусственный интеллект и принятие решений, 2008, №3, с.72-84.
Публикации в материалах научных мероприятий:
1) Виноградов А.Н., Коданев И.В., Талалаев А.А., Тищенко И.П., Хачумов В.М., Щербаков А.В. Библиотека нейронных сетей для распознавания графических образов на кластерном вычислительном устройстве. - Сб. трудов 2-ой Международной научн.-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (07-09.02.2006, Санкт-Петербург). — СПб.: Издат.-во Политехнического университета, 2006, с.8-10.
2) Talalaev А.А., Tishchenko I.P., Fralenko V.P., Khachumov V.M. Neural methods in aerospace systems. — 9th International Conference "Pattern Recognition and image analysis: New Information Technologies" (PRIA-9-2008): Conference proceedings (Nizhni Novgorod, 14-20.09.2008). - H. Новгород: Издат.-во "Диалог Культур", т. 2, 2008, с. 193-196.
3) Тищенко И.П. Графический интерфейс ПС ИНС. - Тезисы докладов VIII международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта» (CAD/CAM/PDM-2008, Москва, ИПУ РАН, 21-23 октября 2008). - Материалы 8-й международной конференции. — М.: Институт проблем управления РАН, 2008, с.16-19.
Структура и объем работы
Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и двух приложений. Общий объем основного текста диссертации 104 страницы, список литературы состоит из 75 наименований. В работе содержатся 49 рисунков и 12 таблиц.
