CC BY
215
УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
УДК 004.9
НЕЙРОННЫЕ СЕТИ МОНИТОРИНГА ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ ПО ДАННЫМ ДЗЗ
А.Н. Колесенков, Б.В. Костров, В.Н. Ручкин
Рассмотрены вопросы снижения риска принятия решений по предупреждению чрезвычайных ситуаций природного и техногенного характера за счет специализированной обработки данных дистанционного зондирования Земли на основе аппарата нейронных сетей нечеткого вывода. Для выделения образов и их представления предлагается использовать теоретико-множественную модель, в основе которой лежит понятие эквивалентности.
Ключевые слова: мониторинг, ДЗЗ, нейронные сети, нечеткая логика, класс эквивалентности, кластеризация.
В современном мире мониторинг чрезвычайных ситуаций (ЧС) природного и техногенного характера осуществляется комплексом средств
- от непосредственных измерений значений различных параметров объектов до анализа данных дистанционного зондирования Земли (ДЗЗ).
Однако аэрокосмические изображения в явном виде не содержат информацию, позволяющую осуществить прогноз ЧС. Для повышения качества принятия управленческих решений по предупреждению ЧС природного и техногенного характера целесообразно проводить обработку данных ДЗЗ аппаратными и программными средствами по специальным алгоритмам.
Целью работы является снижении риска принятия решений по идентификации, предупреждению и прогнозированию чрезвычайных ситуаций природного и техногенного характера за счет специализированной обработки данных ДЗЗ в условиях нечеткой логики на основе нейронных сетей.
Алгоритм обнаружения источников ЧС. Постановка задачи заключается в разбиении изображений на кластеры образов, обладающих относительно высокой степенью близости на основе определенных ограничений или требований. Для выделения образов и их представления предлагается использовать теоретико-множественную модель, в основе которой лежит понятие эквивалентности [1, 2].
Первоначально вводится определение образа и определяются его основные свойства на основе рефлексивности, транзитивности и симметричности. При совпадении перечисленных свойств образы объединяются в конкретный кластер эквивалентности со своим представителем и порядком или мощностью данного кластера [3]. Далее производится классификация всех имеющихся кластеров со своими указанными данными.
Разбиение на кластеры эквивалентности позволяет однозначно разбить все множество образов на классы подобных элементов, что приводит в дальнейшем к однозначному решению выбора образа. Результаты разбиения на кластеры эквивалентности представляют собой продукционную модель экспертной системы распознавания образов. Это простейшая модель представления знаний может быть дополнена или расширена семантической сетью, моделью фрейма или сочетанием обеих.
Методы идентификации чрезвычайных ситуаций природного и техногенного на примере пожаров базируются на анализе яркости в отдельных спектральных каналах [4,5]. Например, присутствие очага горения в видимом спектре определяется по наличию основного дешифровочного признака лесных пожаров - дымового. По форме на снимке очаг напоминает конус светло-серого цвета (рисунок, а).
Исходный космический снимок лесных пожаров (а) и результат
его обработки (б)
На первом этапе предлагаемого алгоритма производится яркостное преобразование изображения [6]. Известно, что данные ДЗЗ в результате изменения условий освещенности наблюдаемой сцены часто характеризуются малым яркостным диапазоном и являются слабоконтрастными. Операция контрастирования позволяет получить изображения с расширенным яркостным диапазоном, вплоть до максимально возможного.
На втором этапе определяются сегменты изображения, соответствующие дымовым шлейфам мест потенциальных пожаров. Применяется метод релаксационной разметки для выделения сегмента на изображении, соответствующего дымовому шлейфу. Стоит задача разделить изображение на несколько классов Л = ,...,Х(}, где \ - метки дымового шлейфа,
- метки остальных зон изображения.
На третьем этапе части снимков видимого спектра, где обнаружен лесной пожар, проверяются на соответствие с текстурой дыма, основными характеристиками которых были выбраны: математическое ожидание, дисперсия, среднее статистическое отклонение, нормированное значение дисперсии, третий момент, однородность, энтропия и др. [7].
На четвертом этапе в выделенном сегменте уточняются координаты очагов возгорания с помощью дифференциального оператора Лапласа.
При этом лучшие результаты удалось получить на основе использования нечетких нейронных сетей, обеспечивающих, кроме того, автоматизацию процесса формирования системы представления знаний и адаптацию ее под решаемые задачи (рисунок,б).
Аспекты применения нейронных сетей нечеткого вывода. Искусственные нейронные сети и системы с нечеткой логикой дополняют друг друга и лежат в основе аппарата нечетких нейронных сетей. Основная идея нечетких нейронных сетей заключается в том, что используется существующая выборка данных для определения параметров функций принадлежности, которые лучше всего соответствуют некоторой системе логического вывода, т. е. выводы делаются на основе аппарата нечеткой логики. Для нахождения параметров функций принадлежности используются алгоритмы обучения нейронных сетей. Такие системы могут использовать заранее известную информацию, обучаться, приобретать новые знания, прогнозировать временные ряды, и кроме этого они являются вполне наглядными для пользователя. Например, в случае пожаров вводятся следующие лингвистические переменные: вероятно дым (); дым (П );вероятно возгорание (V);возгорание (V );вероятно очаг (Оу);очаг (О );вероятно множество очагов (Му );множество очагов (М).
Причем каждая переменная определена на отрезке в виде функции принадлежности (е), т. е. ?-{ш{(е),е} [8].
На практике процесс прогнозирования и выбора возможного варианта нарушения состояния объекта является сложной многокритериальной
222
задачей, т.к. из всего полученного многообразия изменений, лицо, принимающее решение, должно на основании обобщенной оценки каждой альтернативы выбрать наилучшую по совокупности противоречивых критериев: площадь нарушения Б, скорость распространения, число очагов пожаров, направление распространенияи др. Для конкретизации выбора все вышеперечисленные критерии предлагается ранжировать в порядке важности технического прогнозирования и в дальнейшем называть стратегией проектирования.
Значения бинарных лингвистических переменных «отношение значимости критерия» и «отношение полезности выбора гипотезы» строятся методом нечеткого алгоритма высказывания правил вида: «еслиА, то В».
Оценка значимости каждого из предыдущих в списке критериев производится согласно стратегии проектирования по правилу композиции 2^ = 2^ +1 о Rj^.+1, j = п -1, п - 2,...,1. При этом функция принадлежности
нечеткого множества 2. является результатом макс-минной операции:
Ш2. (х) = У Ш2.+1 (У)VшRj\j+1 (У, Х). (1)
уеУ
Для получения весов значимости критериев нечеткие множества преобразуются в скаляры одним из известных способов, например, выбором такого значения бинарной переменной, при котором функция принадлежности достигает максимума. Затем скалярные оценки значимости критериев шкалируются и нормализуются. В результате каждый критерий получает вес:
_____п
Жг, " 1 = 1, п; £ Ж, = 1. (1)
1 = 1
Введение нечеткости позволяет моделировать плавное изменение свойств реализаций с учетом качественных структурных связей. При этом решение задачи выбора происходит одновременно с процедурой принятия решения [9].
В предлагаемой методике используются два вида нечетких переменных: бинарная лингвистическая переменная - «отношение значимости
критерия» Rj\.+1 или «отношение полезности выбора гипотезы» Qj\.+1 и
унарная лингвистическая переменная - «качественная оценка значимости критерия» ш. (х) или «качественная оценка полезности выбора гипотезы»
Ш/, sг (x, У).
Применение результатов на практике. В практических исследованиях для непосредственного прогнозирования интегральных характеристик изменений природной и техногенной обстановки (например, пожаров) на основе разработанных математических моделей предлагается использование нечетких нейронных сетей, на вход которых подаются данные ДЗЗ, а на выходе получается прогноз развития ситуации в виде прироста площа-
ди, скорости изменения и направления распространения огня.
В результате создается современная технология мониторинга в виде встроенных интеллектуальных нейропроцессорных систем на базе NM640X, способных к обучению и самообучению в условиях неопределенности природных катаклизмов в реальном времени. Предложенная технология реализуется в виде экспертной системы [10] текущего анализа быстро меняющейся природной и техногенной обстановки.
Заключение. Продемонстрирована принципиальная возможность прогнозирования природной и техногенной обстановки на примере крупных лесных пожаров по данным аэрокосмического мониторинга, скорости изменения и направления распространения динамики с целью выделения, слежения прогнозируемых контуров.
В работе показывается, что структура образов обработки информации есть отношение эквивалентности, удовлетворяющей условиям рефлексивности, симметричности и транзитивности.
Исследование и сравнение конечных результатов предлагаемой авторами технологии указывает на ограниченность и пониженную эффективность прогнозирования динамики интегральной модели развития нейронной сети нечеткого вывода в условиях неопределенности исходной информации.
Список литературы
1. Злобин В.К., Ручкин В.Н. Нейросети и нейрокомпьютеры. СПб.: БХВ - Петербург, 2011. 256 с.
2. Доррер Г. А. Динамика лесных пожаров. Новосибирск: Изд-во СО РАН, 2008. 404 с.
3. Колесенков А.Н., Костров Б.В. Метод прореживания базисных функций в корреляционно-экстремальных алгоритмах совмещения изображений // Вопросы радиоэлектроники. Серия общетехническая. Вып. 1. 2010. С. 176 - 183.
4. Колесенков А.Н., Костров Б.В., Ручкин А.Н. Мониторинг и предупреждение чрезвычайных ситуаций // Proceedings - 2013 2nd Mediterranean Conferenceon Embedded Computing, MECO 2013.Budva:Montenegro. С. 263 - 265
5. Костров Б.В., Злобин В.К., Колесенков А.Н Корреляционноэкстремальные методы совмещения аэрокосмических изображений// Вестник Рязанского государственного радиотехнического университета №3 (Вып. 37). Рязань, 2011. С. 12-17.
6. Колесенков А.Н., Костров Б.В., Саблина В.А. Применение веще-ственно-диадной свертки для идентификации аэрокосмических изображений // В мире научных открытий. Красноярск: Научно-инновационный центр, 2011. №1(13). С. 122-127.
7. Колесенков А.Н., Костров Б.В. Метод прореживания базисных функций в корреляционно-экстремальных алгоритмах совмещения изображений // Вопросы радиоэлектроники. Серия общетехническая. Вып. 1. 2010. С. 176-183.
8. Экспрес-мониторинг техногенной обстановки на основе нечетких нейронных сетей / А.Н.Колесенков[идр.]// Proceedings - 2014 2nd Mediterranean Conferenceon Embedded Computing, MECO 2014. Budva: Montenegro. С.166 - 168.
9. Логвинова А.Л., Ларин Н.В. Использование теории нечетких множеств для анализа риска банкротства коммерческого банка. // Известия ТулГУ. Технические науки. Вып. 9.Ч. 2. Тула: Изд-во ТулГУ. 2013. С. 163168.
10. Ивутин А.Н., Страхов И. А. Фреймворк для построения и исследования сетей Петри и их модификаций // Известия ТулГУ. Технические науки. Вып. 9.Ч. 2. Тула: Изд-во ТулГУ. 2013. С. 135-140.
Колесенков Александр Николаевич, канд. техн. наук, sk62 a niail.ni, Россия, Рязань, Рязанский государственный радиотехнический университет,
Костров Борис Васильевич, д-р техн. наук, проф., kostrov.b. vaevm.rsreu.ru, Россия, Рязань, Рязанский государственный радиотехнический университет,
Ручкин Владимир Николаевич, д-р техн. наук, проф., v.ruchkin arsu.edu.ru, Россия, Рязань, Рязанский государственный университет имени С.А.Есенина
NEURAL NETWORK MONITORING OF EMERGENCIES ACCORDING ERS
A.N. Kolesenkov, B. V. Kostrov, V.N.Ruchkin
The problems of reducing the risk of decision-making on the prevention of natural and man-made disasters due to specialized processing of remote sensing data on the basis of neural networks fuzzy inference. To select images and their representation is proposed to use the set-theoretic model, which is based on the notion of equivalence.
Key words: monitoring, remote sensing, neural networks, fuzzy logic, the equivalence class clustering.
KolesenkovAleksandrNikolaevich, candidate of technical science, [email protected], Russia, Ryazan, Ryazan State Radio-Engineering University,
Kostrov Boris Vasileevich, doctor of technical science, professor,
kostrov. b. vaevm. rsreu. ru, Russia, Ryazan, Ryazan State Radio-Engineering University,
Ruchkin Vladimir Nikolaevich, doctor of technical science, professor, v. ruchkin'arsu. edu. ru, Russia, Ryazan, Ryazan State University namedfor S. Esenin
