Решение задачи сверхразрешения с использованием модели нейронной сети прямого распространения

Обложка

Цитировать

Полный текст

Аннотация

Рассмотрена и решена задача повышения эффективности управления подвижными объектами при использовании новых алгоритмов, улучшающих качество изображений, получаемых при обзоре пространства. Существенное повышение качества основано на достижении угловой разрешающей способности, в десятки раз превышающей критерий Рэлея. Угловое сверхразрешение обеспечивает раздельное наблюдение нескольких объектов, не разрешаемых при прямом наблюдении, а сопутствующее повышение четкости изображений дает возможность фиксировать незаметные ранее детали образов сложных объектов. На этой основе возрастает вероятность правильных решений задач распознавания и идентификации. Для обеспечения углового сверхразрешения решена задача обучения полносвязной нейронной сети прямого распространения. Для многоэлементных приемо-передающих систем измерений предложен и обоснован экстраполяционный метод достижения углового сверхразрешения. Основу метода составляет экстраполяция значений комплексных амплитуд принятого сигнала отдельными элементами приемных устройств за пределы измерительной системы. Тем самым создаётся виртуальная система большего размера, для которой выполняется критерий Рэлея, превосходящий по показателям критерий для физической системы. В итоге эффективное угловое разрешение возрастает пропорционально возрастанию размеров виртуальной системы. Исследованы и представлены сравнительные результаты математического моделирования работы нейросети и других методов экстраполяции.

Об авторах

Борис Андреевич Лаговский

Российский технологический университет МИРЭА

Email: robertlag@yandex.ru
Москва

Евгений Яковлевич Рубинович

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: rubinvch@gmail.com
Москва

Иван Александрович Юрченков

Российский технологический университет МИРЭА

Email: yurchenkov@mirea.ru
Москва

Список литературы

  1. АРСЕНИН В.Я., ТИХОНОВ А.Н. Методы решения некор-ректных задач. – М.: Наука. –1974.
  2. АХТЕРОВ А.В., КИРИЛЬЧЕНКО А.А. Основы теоретиче-ской робототехники. Искусственные нейронные сети. (Об-зор) // Препринты Института прикладной математикиим. М.В. Келдыша РАН. – 2008. – №10. – С. 2–20.
  3. ВИНОГРАДОВА Е.П., ГОЛОВИН Е.Н. Метрики качестваалгоритмов машинного обучения в задачах классифика-ции // Научная сессия ГУАП. – 2017. – С. 202–206.
  4. КАШИРИНА И.Л., ДЕМЧЕНКО М.В. Исследование исравнительный анализ методов оптимизации, используе-мых при обучении нейронных сетей // Вестник ВГУ. Се-рия: Системный анализ и информационные технологии. –2018. – № 4. – С. 123–132.
  5. КОЗАР Б.А., КУГУРАКОВА В.В., САХИБГАРЕЕВА Г.Ф.Структуризация сущностей естественного текста с ис-пользованием нейронных сетей для генерации трехмерныхсцен // Программные продукты и системы. – 2022. – Т. 35,№3. – С. 329–339.
  6. ЛАГОВСКИЙ Б.А., РУБИНОВИЧ Е.Я. Алгоритмы цифро-вой обработки данных измерений, обеспечивающие угловоесверхразрешение // Мехатроника, автоматизация, управле-ние. – 2021. – Т. 22, № 7. – С. 349–356.
  7. МИНАЕВ Е.Ю., КУТИКОВА В.В., НИКОНОРОВ А.В. Тре-кинг объектов в видеопотоке на основе сверточных ней-ронных сетей и фрактального анализа // Сб. тр. IV меж-дународной конференции и молодежной школы «Инфор-мационные технологии и нанотехнологии» (ИТНТ-2018). –Самара: Новая техника. – 2018. – С. 2792–2798.
  8. СЕМЕНЮК В.В., СКЛАДЧИКОВ М.В. Разработка алго-ритма распознавания эмоций человека с использованиемсверточной нейронной сети на основе аудиоданных // Ин-форматика. – 2022. –Т. 19, №4.
  9. СУКИНА С.А. Нейронные сети // Новая наука: стратегиии векторы развития. – 2016. – Т. 82, №5. – С. 248.
  10. ТОРМОЗОВ В.С. Настройка, обучение и тестированиенейронной сети долгой краткосрочной памяти для задачираспознавания образов // Промышленные АСУ и контрол-леры. – 2020. – № 3. – С. 52–57.
  11. ШИШКИН Ю.Е., СКАТКОВ А.В. Метрики качества дляоценки и прогнозирования критических состояний // Каче-ство и жизнь. – 2019. – №1. – С. 61–66.
  12. ЯМАШКИН А.А., ЯМАШКИН С.А. Использование нейрон-ных сетей прямого распространения для ландшафтногокартографирования на базе космических снимков // Геоде-зия и картография. – 2014. – №11. – С. 52–58.
  13. ЯШИНВ.И.Растущие нейронные сетивробототехнике //Роботизация Вооруженных Сил Российской Федерации. –2020. – С. 279–284.
  14. ALMEIDA M.S., FIGUEIREDO M.A. Deconvolving imageswith unknown boundaries using the alternating directionmethod of multipliers // IEEE Trans. Image Process. – 2013. –Vol. 22, No. 8. – P. 3074–3086.
  15. BURG J.P. Maximum Entropy Spectral Analysis. – PhD thesis,Department of Geophysics, Stanford University, Stanford, CA,1975.
  16. DIEDERIK P. KINGMA JIMMY BA. Adam: A Method forStochastic Optimization // arXiv:1412.6980. – 2017.
  17. KASTURIWALA S.B., LADHAKE S.A. Superresolution: Anovel application to image restoration // International Journalon Computer Science and Engineering. – 2010. – No. 5. –P. 1659–1664.
  18. LAVATE T.B., KOKATE V.K., SAPKAL A.M. PerformanceAnalysis of MUSIC and ESPRIT. DOA Estimation Algorithmsfor Adaptive Array Smart Antenna in Mobile Communication //2nd Int. Conf. on Computer and Network Technology (ICCNT),US. – 2010. – P. 308–311.
  19. MORSE P., FESHBACH H. Methods of Theoretical Physics. –McGraw-Hill. Science/Engineering/Math, 1953. – 1978 P.
  20. PARK S.C., PARK M.K., KANG M.G. Super-resolution imagereconstruction: a technical overview // IEEE Signal ProcessingMagazine. – 2003. – Vol. 20, No. 3. – P. 21–36.
  21. SHCHUKIN А.А., PAVLOV A.E. Parameterization of userfunctions in digital signal processing for obtaining angularsuper-resolution // Russian Technological Journal. – 2022. –Vol. 10, No. 4. – P. 38–43.
  22. SROUBEK F.,CRISTOBAL G.,FLUSSER J.SimultaneousSuper-Resolution and Blind Deconvolution //Journal of Physics:Conference Series. – 2008. – Vol. 124, No. 1. – P. 012–048.
  23. TAN W.Q., HOU Y.G. Estimation of direction of source arrivalbased upon MUSIC and Capon // Journal of Nanchang Instituteof Technology. – 2008. – Vol. 27, No. 1. – P. 20–23.
  24. UTTAM S., GOODMAN N.A. Super-resolution of coherentsources in real-beam Data // IEEE Trans. on Aerospace andElectronic Systems. – 2010. – Vol. 46, No. 3. – P. 1557– 1566.
  25. WAWERU N.P., KONDITI D.B.O., LANGAT P.K.Performance Analysis of MUSIC Root-MUSIC and ESPRIT //DOA Estimation Algorithm. International Journal of ElectricalComputer Energetic Electronic and Comm. Engineering. –2014. – Vol. 8, No. 1. – P. 209–216.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).