В настоящее время при достаточном уровне развития дистанционных методов исследования, можно достаточно полно изучить пространственную неоднородность ЛГМ. Сейчас изучаются различные физические поля, на основе их анализа можно судить о строении и состоянии ЛГМ. Большой объем информации о растительности может быть получен в инфракрасном, а также в сантиметровом диапазонах. На основе анализа ИК снимка получили пример оценки горизонтальной структуры слоев ЛГМ. Было установлено, что поле влагосодержания ЛГМ может считаться однородным и изотропным, а его структура описывается уравнением нормированной автокорреляционной функцией:
2.5.1.
где , , и - координаты текущей и фиксированной точек на плоскости;
=1,5м - показатель затухания;
=9,2м - период пространственной периодической составляющей поля.
Эта функция позволяет определить наиболее характерные пространственные величины, которые присутствуют в случайном процессе излучения леса. Распознающая система производит серию измерений образа подлежащего классификации и сравнивает эти измерения с набором “типичных образов” в “словаре образов”. Совпадение или наиболее близкое совпадение с элементом словаря дает желающую классификацию.
Естественный Рецептор Классификатор
объект (датчик) (блок принятия Результат
решения)
рис. 2.5.1. Модель системы распознавания ЛГМ по спектральным признакам.
Выход рецептора - набор n
измерений, каждое из которых относится к одному из каналов сканера, которые делаются одновременно. Любой объект в пространстве может быть представлен n - компонентным вектором измерений х, х=, где хi соответствует измерению в i-ом канале сканера. Классификатор относит вектор измерений к одному из множеств предварительно определенных классов. Задача проектирования классификатора образов состоит вначале из разбиения пространства измерений (лесных горючих материалов) на области решения так, чтобы каждый тип ЛГМ относился к данному различному классу, который может отождествлять любой вектор измерений как принадлежащий к классу, соответствующему той области решения, в которую он попадает.
Пусть мы имеем m
классов горючих материалов и определены соответствующие этим классам области решения. Пусть мы можем найти множество функции Х, называемых дискриминантными, которые обозначим , обладающими теми свойствами, что имеет большее значение, чем все стальные дискриминантные функции, всякий раз, когда Х - точка в i-ой области решения. Если мы хотим классифицировать любую точку Хи, то есть определить, к какой области решения она относится, то нам надо вычислить только .
Точка Хи принадлежит к классу имеющему наиболее значение . Правило классификации заключается в следующем:
пусть Wi обозначает i-ый класс; решаем, что , если и только если для всех j=1,2 .m. Действительно две дискриминантные функции могут иметь равные значения только в точках, лежащих на границе раздела областей решения. Для этих случаев определяем правила разрешения неопределенности.
Дискриминантные функции вычисляют на основе информации, выделенной из набора обучающих образов, то есть векторов измерений с известной классификацией, которые считаются типичными представителями интересующих нас классов. обучающая процедура проста и выполняется автоматически, но сходимость к решению гарантирована только тогда, когда обучающиеся образы разделимы линейной границей. Но когда классы образов перекрываются, данный метод не подходит. Поэтому для этих случаев используется статистический подход для распознавания ЛГМ в силу ряда горючих материалов для классификации спектральных измерений с неизвестной идентификацией.
Если число возможных значений данных велико, для записи в память ЭВМ гистограммы может потребоваться очень много места. Число ячеек памяти, необходимых для записи n-мерной гистограммы, в которой каждое измерение может принимать Р значений, равно Рn. Один из способов разрешения этой трудности - предположить, что функция распределения вероятностей может быть адекватно аппроксимирована кривой, имеющей простую функциональную форму, например, нормальной функцией плотности вероятностей. Функция распределения вероятностей для класса i, оцененная по обучающим выборкам имеет вид:
2.5.2.
- оценка дисперсии;
- оценка математического ожидания.
Сделав такое параметрическое предположение о том, что функция вероятности любого класса может быть аппроксимирована нормальной функции плотности, мы должны хранить в ЭВМ вместо всей гистограммы только математическое ожидание и дисперсии каждого класса. Использование матричной записи , позволяет получить очень компактное выражение формул двухмерной или n-мерной функции плотности вероятностей. Для общего случая n-мерных данных:
Тогда многомерная n-мерная функция плотности может быть записана так: Перейти на страницу: 1 2 3
Интересное по теме
Твердые бытовые отходы и влияние их на окружающую среду Твердые бытовые отходы (ТБО) являются отходами сферы потребления, образующимися в результате бытовой деятельности населения. Они состоят из изделий и материалов, непригодных для дальнейшего использования в быту. Это отходы, которые на ...
Учение Вернадского о биосфере. Роль живого в биосфере Биосфера – нижняя часть атмосферы, вся гидросфера и верхняя часть литосферы земли, населенные живыми организмами, «область существования живого вещества» (В.И. Вернадский); активная оболочка Земли, в которой совокупная деятельность живых о ...