Мета досліджень. Головною метою досліджень є аналіз рельєфу різних поверхонь, а саме: виділення на загальній поверхні окремих ділянок певної форми, наприклад, схилів, що орієнтовані у заданому напрямку. Мета роботи – використання штучних нейронних мереж (ШНМ) для розв’язку задачі класифікації, яка полягає у створенні бінарного класифікатора та дослідження точності його роботи. Методика. Дослідження виконувались на ділянці земної поверхні. Для неї була створена цифрова модель, яка подана грідфайлом, тобто висотами у перехрестях регулярної сітки квадратів, або матрицею 21´17 висот у перехрестях. З цієї матриці були створені образи, тобто вікна окремих ділянок поверхні розміром 3´3 перехрестя. Кожен образ подавався як вектор ознак, якими були нахили з центральної точки вікна на інших восьми крайніх точках. Отже, рельєф взятої поверхні був поданий 77-ма образами. Наступним кроком було створення бінарного класифікатора. Він ділить об’єкти (ділянки поверхні) з нахилом із заходу на схід в одну групу, а усі інші – в другу. Для цього використовувався Модуль опрацювання даних на основі алгоритмів штучних нейронних мереж у пакеті прикладних програм МАТЛАБ. Була створена ШНМ, проведено її навчання, виконано моделювання та тестування, були вибрані вхідні, скриті та вихідні нейронні шари. На основі ШНМ був виконаний процес класифікації. Вхідні дані були представлені матрицею образів розміром 8´77. Матриця завдань (target) була розмірністю 2´77. Її елементи мали значення 0 або 1, залежно від того, до якого класу належить ця ділянка. Третя матриця (test) мала розмірність 8´8. Класифікація та її оцінка точності виконувались двома способами з використанням графічного редактора nntool і nprtool. Результати. Робота створеного класифікатора перевірялась за допомогою тестових образів. У дослідженнях тест був матрицею, що складалась з восьми стовпців. Два стовпці цієї матриці були образами схилів, орієнтованих із заходу на схід, один – близький до них, а решта – образами поверхонь довільної форми. Оцінка роботи класифікатора виконувалась за допомогою матриці неточностей (confusion matrix). У нашому випадку загальна кількість правильно класифікованих зразків становила близько 99 %. Наукова новизна і практична цінність. Проведені експериментальні дослідження з виділення ділянок поверхні зі схилами певної орієнтації та аналіз результатів дають змогу використовувати їх під час дослідженнь рельєфу земної поверхні та поверхонь інших об’єктів, наприклад, під час вивчення мікрорельєфу механічних деталей, різноманітних біологічних об’єктів рельєфу земної поверхні, який значною мірою визначає родючість сільськогосподарських угідь, впливає на екологічно небезпечні явища, а саме: повені, селі, зсуви та снігові лавини. Отже, розробка та вдосконалення об’єктивних методів класифікації ділянок поверхні є актуальним завданням.
- Альперт С. І. Оцінка якості класифікації аерокосмічних зображень на основі матриці помилок та коефіцієнтів точності // Математичні машини і системи. – 2014. – № 1. – С. 101–107.
- Бахарев Д. В., Орлова Л. Н. О нормировании и расчете инсоляции // Светотехника. – 2006. – № 1. – С. 18–27.
- Генсьор, А. Партика. Проблеми класифікації гірських грунтів Польщі на основі бонітету // Вісник Львівського державного університету “Землевпорядкування і земельний кадастр”. – 2003. – № 6. – C. 28–33.
- Медведев В. С., Потемкин В. Г. Нейронные сети. МАТЛАВ 6 / под общ. ред. В. Г. Потемкина. – М.: Диалог. – МИФИ, 2002. – 489 с.
- Роберт Калман. Основные коцепции нейронных сетей. – Москва–Санкт-Петербург–Киев: Издательский дом “ВИЛЬЯМС”, 2001. – С. 2–87.
- Руденко О. Г., Бодянський Е. В. Штучні нейронні мережі: навч. посіб. – Харків: ТОВ “Компанія СМІТ”, 2005. – 408 с.
- Рудий Р. М. Виділення об’єктів з цифрової моделі рельєфу з використанням теорії розпізнавання образів // Геодезія картографія і аерознімання. – 1997. – № 58. – С. 88–92.
- Рудий Р. М. Визначення площ земельних ділянок у гірських районах – Сучасні досягнення геодезичної науки та виробництва // зб. наук. пр. – Львів: Ліга-прес, 2011. – Вип. 1. – С. 208–211.
- Рудий Р. М., Керкер В. Б., Ткачук Г. І. Визначення експозиції земельних ділянок для врахування їхніх екологічних характеристик та вартості // Геодезія, картографія і аерофотознімання. – 2011. – № 75. – С. 150–154.
- Рудий Р., Кравець О., Кравець Я., Приймак Д., Соловей Г. Класифікація земельних угідь за елементами рельєфу // Сучасні досягнення геодезичної науки та виробництва: зб. наук. пр. – 2012. – Вип. ІІ (24), С. 151–154.
- Шульц Р. Застосування нейронних мереж для визначення параметрів калібрування наземних лазерних сканерів // Сучасні досягнення геодезичної науки та виробництва. – 2012. – Вип. 11 (24). – С. 79–85
- Mark Hudson Beale, Martin T. Hagan, Howard B. Demuth Neural Network Toolbox 6. User’s Guide, 2016. – 410 p.
- Luo Mingliang, Tang Guoan Similarity Measurement of Terrain Skeletons by Topological Indices and Spatial Orientation Information. – 2012. IAPRS Page(s) 351–356 Conference Paper (PDF, 459 KB)