Объектная модель задачи классификации спутниковых данных
Рассмотрены два основных типа элементарных задач обработки спутниковых данных с помощью нейронных сетей с модульной архитектурой. Предложены объектная модель для поставленной задачи, диаграмма классов объектной модели, диаграмма последовательностей для сценариев обучения и тестирования модульной ней...
Saved in:
| Date: | 2009 |
|---|---|
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН України та МОН України
2009
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/7628 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Объектная модель задачи классификации спутниковых данных / Е.В. Насуро // Кибернетика и вычисл. техника. — 2009. — Вип. 156. — С. 97-105. — Бібліогр.: 5 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859517351659044864 |
|---|---|
| author | Насуро, Е.В. |
| author_facet | Насуро, Е.В. |
| citation_txt | Объектная модель задачи классификации спутниковых данных / Е.В. Насуро // Кибернетика и вычисл. техника. — 2009. — Вип. 156. — С. 97-105. — Бібліогр.: 5 назв. — рос. |
| collection | DSpace DC |
| description | Рассмотрены два основных типа элементарных задач обработки спутниковых данных с помощью нейронных сетей с модульной архитектурой. Предложены объектная модель для поставленной задачи, диаграмма классов объектной модели, диаграмма последовательностей для сценариев обучения и тестирования модульной нейронной сети и диаграмма последовательностей для классификации данных с использованием модульной нейронной сети.
|
| first_indexed | 2025-11-25T20:47:27Z |
| format | Article |
| fulltext |
97
УДК 528.85/.87(15); 004.8.032.26
Е.В. Насуро
ОБЪЕКТНАЯ МОДЕЛЬ ЗАДАЧИ
КЛАССИФИКАЦИИ СПУТНИКОВЫХ ДАННЫХ
Рассмотрены два основных типа элементарных задач обработки спутни-
ковых данных с помощью нейронных сетей с модульной архитектурой. Предложены
объектная модель для поставленной задачи, диаграмма классов объектной модели, диа-
грамма последовательностей для сценариев обучения и тестирования модульной ней-
ронной сети и диаграмма последовательностей для классификации данных с использо-
ванием модульной нейронной сети.
Введение
В [1, 2] подробно проанализирована возможность и преимущества при-
менения нейронных сетей (НС) для классификации земной поверхности на
основании спутниковых данных, приведены сравнительные характеристики
и результаты работы различных нейросетевых архитектур. Для улучшения
классификации спутниковых снимков в работе [3] применяются модульные
нейронные сети со сложной архитектурой. Каждый из модулей такой ней-
ронной сети определяет принадлежность образца к определенному классу,
что позволяет проводить классификацию с меньшей погрешностью.
Наряду с повышением эффективности решения задачи в модульной ин-
фраструктуре следует отметить увеличение вычислительной сложности та-
ких систем. Использование НС с модульной архитектурой усложняет про-
цесс решения задачи классификации, поскольку нужно контролировать и
управлять несколькими параллельно выполняющимися процессами. Архи-
тектура модульной НС позволяет параллельно выполнять несколько вычис-
лений: обучать ряд модулей одновременно, оценивать ошибку обучения и
корректировать параметры каждой нейронной сети и т.д. В связи с этим не-
обходимым этапом решения задачи такой сложности является объектное
моделирование и проектирование подобных систем. Это позволит наглядно
описать и отладить последовательность работы и взаимодействие отдельных
элементов сложной системы.
В [4] приводится модель обобщенной задачи обработки спутниковых
данных в распределенной среде. В данной работе эта модель будет адапти-
рована к конкретной задаче классификации информации со спутниковых
снимков, решенной с помощью модульных НС.
Построение объектной модели для задачи классификации
поверхности Земли по спутниковым данным
В [4] выделены два основных типа элементарных задач обработки спут-
никовых данных: задачи передачи данных и вычислительные задачи, свя-
занные с обработкой данных или запуском моделей. Эти элементарные за-
дачи служат «строительными блоками» сложных процессов выполнения,
обеспечивающих комплексное решение задач мониторинга или поддержки
принятия решений. Оба эти типа задач возникают при классификации дан-
ных со спутниковых снимков. Рассмотрим их подробнее.
© Е.В. Насуро, 2009
ISSN 0452-9910. Кибернетика и вычисл. техника. 2009. Вып. 156
98
Передача данных в задаче классификации (Data Transfer Task —
DTT). Задачи, связанные с передачей данных, характеризуются, в первую
очередь, объемом передаваемой информации. Этот параметр определяет
следующие требования к системе: пропускную способность канала (соеди-
нения с Internet или в локальной сети), характеристики накопителей (жест-
ких дисков или магнитных лент), определяющие объем и скорость чте-
ния/записи информации. Эта задача возникает при обучении, тестировании
и работе НС, когда обучающая, тестирующая выборка или данные для клас-
сификации направляются на каждый модуль нейронной сети. Рассматривая
задачу передачи данных, нужно учитывать источник получения данных, не-
обходимую частоту решения этой задачи, а также требования к процессу
передачи.
Моделирование задач, связанных с передачей данных, позволяет обес-
печить эффективность управления сетевыми ресурсами системы и опреде-
лить оптимальные (или минимально необходимые) параметры сети.
Задачу передачи данных можно описать следующими параметрами:
— идентификатор задачи;
— частота выполнения (например, по запросу пользователя или другой
задачи, регулярно с заданной периодичностью);
— объем входных и выходных данных;
— источник(и) данных (например, Internet, локальная сеть, жесткий
диск, магнитные ленты и т.д.).
Формальное описание задачи передачи данных выглядит следующим
образом. Предварительно опишем структуру данных Data таким кортежем:
Data = {ID, V, DS, Sec}. (1)
Здесь ID — идентификатор, V — объем данных (Мбайт), DS — источник
данных, представляющий собой локальный диск, специализированное хра-
нилище данных, ресурс в локальной сети или Internet. Параметр DS может
принимать значения из следующего множества:
DS = {local disc, Internet, data storage, local network}.
Значение параметра Sec в (1) задает уровень безопасности, необходи-
мый для доступа к данным. Конкретные значения параметров безопасности
в данной работе не рассматриваются, так как не влияют на моделирование
производительности системы и играют роль только при определении поли-
тики безопасности в системе.
Задачу передачи данных на этапах обучения, тестирования и работы
нейронной сети опишем кортежем
DTT = {ID, Freq, I/O: Data}, (2)
где ID — идентификатор задачи, Freq — частота выполнения задачи, зада-
ваемая одним из элементов
Freq = {cycle, request}. (3)
99
Если задача выполняется периодически, как при обучении нейронной
сети, то Freq = cycle. Конкретное значение этого параметра определяет
период запуска задачи, например, в минутах. Если задача выполняется
по запросу пользователя, то Freq = request. При этом параметры запроса при
моделировании должны задаваться некоторым вероятностным распре-
делением.
Вычислительные задачи в нейросетевой реализации (Computational
Task — CT). Под вычислительной задачей будем понимать элементарный
(неделимый) фрагмент программы, выполняющий обработку данных или
другие вычисления, например, описывающие одну итерацию обучения, тес-
тирования или работу нейронной сети. Одна элементарная вычислительная
задача может выполняться на одном процессоре либо распараллеливаться на
несколько процессов, выполняемых на одной или нескольких одно- или
многопроцессорных машинах. Таким образом, комплексную задачу класси-
фикации ландшафта по спутниковым снимкам можно описать в виде на-
правленного графа, вершинами которого являются элементарные вычисли-
тельные задачи и задачи передачи данных.
Вычислительные задачи характеризуются следующими параметрами:
— идентификатор задачи;
— частота выполнения (например, по запросу пользователя или другой
задачи, регулярно с заданной периодичностью);
— сложность задачи (вычислительная сложность, требуемый объем
оперативной памяти, дополнительные требования к программным или аппа-
ратным ресурсам).
С учетом приведенного выше списка параметров формальное описание
вычислительной задачи выглядит так:
CT = {ID, Freq, С}. (4)
В (4) приняты следующие обозначения: ID — идентификатор задачи,
Freq — частота выполнения, задаваемая согласно (3), С — сложность зада-
чи, описываемая тройкой параметров
С = {CC, Size, Op}, (5)
где CC — вычислительная сложность задачи (требующая отдельного рас-
смотрения), Size — требуемый объем памяти, Op — дополнительные ограни-
чения (в том числе требования к программным или аппаратным ресурсам).
Принимая во внимание описание двух основных типов элементарных
задач, можно построить иерархию наследования, определяющую объектную
модель задачи классификации в системе мониторинга и поддержки приня-
тия решений на основе спутниковых данных. Диаграмма классов этой объ-
ектной модели на языке UML приведена на рис. 1.
Без снижения общности модели в ней приняты некоторые упрощения:
уровень безопасности для доступа к данным и дополнительные ограничения
вычислительной задачи на диаграмму не вынесены.
100
General Task
ID: int
Freq
Data
ID: int
Volume: int
DataSource
Data Transfer Task
Input: Data
Output: Data
Computational Task
Complexity
TaskComplexity
Task Complexity
Computation: int
Size: int
CompNN Task
NetQuantity: int
Task Structure
NetArchitecture: *int
Training
TrainingAlgorithm
Run
Input: Data
Output: Data
Train
TrainSet
Test
TestSet
Рис. 1
Пример построения объектной модели для задачи классификации
земной поверхности с помощью модульных НС
Процесс классификации с использованием модульных НС можно разде-
лить на два этапа:
— обучение модульной нейронной сети;
— применение готовой нейронной сети для классификации данных.
Прежде чем приводить подробное описание этапов обучения, тестиро-
вания и применения модульной нейронной сети, введем графическое обо-
значение модульной нейронной сети (рис. 2). Такое графическое обозначе-
ние можно использовать в тех случаях, когда модульная нейронная сеть
описывается как «черный ящик», т.е. подробности протекания процессов
внутри модульной нейронной сети в данный момент не имеют значения.
Обучение модульной НС. Данный этап позволяет настроить сеть на
дальнейшую работу с данными. На этом этапе происходит обучение поэтап-
но каждого модуля, выбор параметров каждой нейронной сети и достижение
необходимой точности классификации для каждого класса и для всего объ-
ема данных в целом (рис. 3).
101
модуль 1
модуль 2
модуль n − 1
модуль n
Вход Выход
обозначим как
Вход Выход N
Рис. 2
модуль 1
модуль 2
модуль n
Обучающая
выборка
N
Обучение НС
Общий результат
обучения
Загрузка
Тестовая
выборка
Тестирование НС
Результаты
тестирования
Сохранение
параметров
обученной НС
Высокая точность
классификации
Рис. 3
Обучение модульной нейронной сети разбивается на следующие шаги.
Шаг 1. Загрузка эталонных данных. Эталонами могут быть результаты
замеров на местности, приведенные к нужному виду. Кроме того, данные о
спектральных свойствах объектов можно получить в лаборатории или из
библиотек спектральных кривых. В таком случае данные необходимо при-
водить к виду информации, получаемой из космоса, в зависимости от числа
каналов прибора и диапазонов измерения, а также с учетом функций откли-
ка прибора, которым велась съемка. Кроме перечисленных методов доступ-
ны данные международных программ, например проект Corine, по класси-
фикации наземных объектов [5].
Шаг 2. Формирование обучающей и тестирующей выборок.
Шаг 3. Обучение каждого модуля нейронной сети с использованием
обучающей выборки.
102
Шаг 4. Оценка точности полученных результатов. Если необходимая
точность классификации не достигнута, возвращаемся к шагу 3. Если же ре-
зультаты получены с необходимой точностью, переходим на шаг 5.
Шаг 5. Тестирование работы полученной нейронной сети на тестовом
(независимом) множестве.
Шаг 6. Сохранение параметров модульной нейронной сети для даль-
нейшего использования.
Применение нейронной сети для классификации данных. На этом
этапе выполняется предобработка данных дистанционного зондирования,
обработка массива данных каждым модулем нейронной сети, сравнение
промежуточных результатов и компоновка конечного результата классифи-
кации (рис. 4).
модуль 1
модуль 2
модуль n − 1
модуль n
Предобработка
данных
Решающее
правило
Результат
Классификация данных
Загрузка
Рис. 4
Классификация данных с использованием модульной нейронной сети
разбивается на следующие шаги.
Шаг 1. Загрузка данных.
Шаг 2. Предобработка данных. В зависимости от источника данных
предварительная обработка может включать в себя калибровку данных,
масштабирование и т.д.
Шаг 3. Классификация данных каждым модулем нейронной сети.
Шаг 4. Оценка полученных результатов. Если различные модули выда-
ют различные результаты по отношению к одним и тем же данным, то ре-
шение принимается с помощью решающего правила, которое определяет
приоритет модулей.
Шаг 5. Окончательный результат.
Диаграмма последовательностей для сценария обучения модульной
нейронной сети приведена на рис. 5, для классификации данных с исполь-
зованием модульной нейронной сети — на рис. 6.
97
103
Рис. 5
98
104
Рис. 6
3
Заключение
Для программной реализации сложных задач, включающих в себя ряд
параллельных процессов, необходимо использовать наглядные инструмен-
ты, позволяющие спроектировать систему, определить основные компонен-
ты, их назначение и взаимодействие. Построение объектной модели задачи
классификации спутниковых данных при помощи модульных нейронных
сетей позволяет наглядно описать и отладить последовательность работы и
взаимодействие отдельных элементов модульной системы в зависимости от
режима обучения, тестирования или работы. Предложенная объектная мо-
дель задачи в системе обработки спутниковых данных с помощью модуль-
ных нейронных сетей является составной частью модели комплексной зада-
чи и представляет собой удобный инструмент для дальнейшего моделиро-
вания.
1. Насуро Е.В. Нейросетевая модификация метода оценки биоразнообразия // Кибернетика
и вычисл. техника. — 2006. — Вып. 152. — С. 61–69.
2. Скакун С.В., Насуро Е.В., Лавренюк А.Н., Куссуль О.М. Анализ применимости нейрон-
ных сетей для классификации спутниковых данных // Проблемы управления и информа-
тики. — 2007. — № 2. — С. 105–117.
3. Насуро Е.В. Модульные нейронные сети в сервисе оценки биоразнообразия // Материа-
лы конгресса третьего белорусского космического конгресса. — Минск: ОИПИ НАН Бе-
ларуси, 2007. — С. 139–143.
4. Шелестов А.Ю. Объектная модель задач в Grid-системе обработки спутниковых дан-
ных // Наукові праці Донецьк. нац. техн. ун-ту. — 2007. — Вип. 8(120). — С. 317–330.
5. NASA Landsat 7. — http://landsat.gsfc.nasa.gov.
Национальный авиационный университет, Киев Получено 21.12.2007
105
|
| id | nasplib_isofts_kiev_ua-123456789-7628 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0452-9910 |
| language | Russian |
| last_indexed | 2025-11-25T20:47:27Z |
| publishDate | 2009 |
| publisher | Міжнародний науково-навчальний центр інформаційних технологій і систем НАН України та МОН України |
| record_format | dspace |
| spelling | Насуро, Е.В. 2010-04-06T10:51:17Z 2010-04-06T10:51:17Z 2009 Объектная модель задачи классификации спутниковых данных / Е.В. Насуро // Кибернетика и вычисл. техника. — 2009. — Вип. 156. — С. 97-105. — Бібліогр.: 5 назв. — рос. 0452-9910 https://nasplib.isofts.kiev.ua/handle/123456789/7628 528.85/.87(15); 004.8.032.26 Рассмотрены два основных типа элементарных задач обработки спутниковых данных с помощью нейронных сетей с модульной архитектурой. Предложены объектная модель для поставленной задачи, диаграмма классов объектной модели, диаграмма последовательностей для сценариев обучения и тестирования модульной нейронной сети и диаграмма последовательностей для классификации данных с использованием модульной нейронной сети. ru Міжнародний науково-навчальний центр інформаційних технологій і систем НАН України та МОН України Дискретные системы управления Объектная модель задачи классификации спутниковых данных Article published earlier |
| spellingShingle | Объектная модель задачи классификации спутниковых данных Насуро, Е.В. Дискретные системы управления |
| title | Объектная модель задачи классификации спутниковых данных |
| title_full | Объектная модель задачи классификации спутниковых данных |
| title_fullStr | Объектная модель задачи классификации спутниковых данных |
| title_full_unstemmed | Объектная модель задачи классификации спутниковых данных |
| title_short | Объектная модель задачи классификации спутниковых данных |
| title_sort | объектная модель задачи классификации спутниковых данных |
| topic | Дискретные системы управления |
| topic_facet | Дискретные системы управления |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/7628 |
| work_keys_str_mv | AT nasuroev obʺektnaâmodelʹzadačiklassifikaciisputnikovyhdannyh |