Разработка нейроаналитического алгоритма классификации образов и исследование его на устойчивость при наличии шумов

К настоящему времени значимость пространственных данных возрастает, что приводит к необходимости повышения точности результатов их обработки. В связи с этим актуальной является задача оптимизации существующих методов классификации образов, разработка и реализация новых подходов к анализу данных дистанционного зондирования Земли.

В отечественной геодезической, фотограмметрической литературе практически отсутствует разработка методов цифровой классификации образов. В современном мире существует множество современных программ, которые содержат различные методы цифровой классификации образов, однако они не раскрывают своих алгоритмов, что делает невозможным их использование для дальнейшей разработки с целью повышения точности классификации образов.

Распознавание образов является одним из приоритетных задач по созданию топографической основы [4]. В настоящее время широко исследуется принцип обучения нейронного классификатора [2]. При этом важное теоретическое и практическое значение при распознавании образов имеет способность нейронных сетей к обучению [7]. Помимо разработки алгоритмов, важным фактором является качество их работы по распознаванию и классификации объектов [1]. Существующие нейросетевые алгоритмы при отсутствии шумов входных сигналов могут приводить к неверным значениям выходных сигналов [3], что, в частности, отражено в работе [8]. Существующими нейросетевыми алгоритмами при наличии незначительно зашумленных входных сигналов классифицируются неудовлетворительно [6, 5].

В связи с этим возникает проблема не только совершенствования существующих алгоритмов классификации образов, но и создания новых, которые были бы устойчивы к шумам входных сигналов.

В процессе разработки и исследования нейроаналитического алгоритма классификации образов использовался эмпирический и экспериментальный методы исследований.