Les ingénieurs de l'URAP ont appelé les meilleures méthodes d'apprentissage, pour le traitement des données de radars
Des images de la surface de la Terre et des autres planètes obtiennent à l’aide de radar (radar) à synthèse d’ouverture (SAR). Le radar disposent sur l’appareil ou un avion porteur. Il scanne la surface et, simultanément, surveille sa position. Il en résulte des cartes détaillées de la surface, et leur qualité ne dépend pas de la météo, ni de l’heure de la journée. La plus commune est une variante de ces radars — PolSAR. Pour le traitement des données radar d’appliquer des méthodes d’apprentissage automatique. En raison de différences dans le fonctionnement des algorithmes ils travaillent avec divers degrés de précision et de rapidité. Par conséquent, lorsque mal подобранном l’algorithme de calcul sont de moins en moins précis ou nécessitent plus de temps sur les calculs. Les ingénieurs de l’URAP ont comparé quatre les plus populaires de la méthode et j’ai découvert, lequel est le plus efficace.
«La classification des données PolSAR — l’un des thèmes de prédilection dans le domaine de la télédétection. Pour ce faire, utilisez une grande gamme d’algorithmes. La plus connue est la méthode à vecteurs de support SVM — est largement utilisée pour la classification des données PolSAR. Mais jusqu’à présent, n’a pas effectué d’études sur l’utilisation de certaines avancées versions de SVM. Nous avons comparé ces méthodes pour la classification des données PolSAR», — docteur ès sciences techniques Yuri Raisonnable, directeur du Département de mécanique et des processus de gestion de l’académie d’Ingénierie de l’URAP.
Les ingénieurs de l’URAP, en collaboration avec ses partenaires étrangers ont comparé quatre méthodes: la méthode à vecteurs de support (SVM) et trois de ses modifications — la méthode des moindres carrés à vecteurs de support (LSSVM), la méthode pertinents des vecteurs (RVM) et la méthode d’importation des vecteurs (GIV). Leur travail vérifié sur trois ensembles de données obtenus avec PolSAR: images de la province Флеволанд (pays-bas), les environs du village de Фоулум (Danemark) et la ville de Winnipeg (Canada). Le premier et le troisième ensemble de données comprend de vastes agricoles communes. Sur des photos de Фолума touché principalement la forêt, des champs cultivés et habités de la place. La tâche d’algorithmes d’apprentissage automatique — déterminer comment utiliser chaque parcelle de terre où l’on cultive le blé, où se développe une forêt où coule la rivière et ainsi de suite). La formation des algorithmes passé de 5%, 10%, 50% et 90% des données, et le reste utilisé pour vérifier leur fonctionnement. L’efficacité d’un algorithme a évalué la mesure de l’évolution des de 0 à 1, où l’unité correspond à l’idéal de la classification, ainsi que la période de temps nécessaire pour l’apprentissage de l’algorithme.
La plus rapide s’est avéré être LSSVM — lors de n’importe quel volume de données d’apprentissage pour les trois zones. Par exemple, pour Фоулума à 50%, les données obtenues en vertu de la formation, LSSVM il a fallu moins de 0,5 secondes, et le reste des algorithmes pris en 12 à 15 fois plus de temps. Cependant, le plus efficace était de SVM. Il a montré le taux le plus élevé de la formation de presque tous les volumes de données pour Winnipeg et Фоулума: 0,78 pour Фоулума et 0,69 pour la santé de Winnipeg. Sur la deuxième place dans les deux cas, s’est avéré être IVM — 0,76 et 0,68 respectivement.
«SVM s’est avéré plus efficace, plus précis et plus stable lors de la classification de deux des trois ensembles de données. Autre constat que nous avons fait, une grande vitesse de LSSVM par rapport à d’autres méthodes. LSSVM émet comparable précision de vitesse et de 12 fois plus rapide que la SVM, et à environ 15 fois plus rapide que RVM et IVM. Donc LSSVM peut être considéré comme digne de modification de SVM avec un précision et une plus grande vitesse», Jawad Хатамиафкуиех, un étudiant diplômé de l’académie d’Ingénierie de l’URAP.
L'étude est publiée dans le European Journal of Remote Sensing.
Un agrotechnicien de l'Université RUDN a identifié des génotypes de blé résistants à un pathogène fongique dangereux qui infecte les plantes avant même la fonte des neiges et réduit les rendements.
Les ingénieurs de RUDN ont calculé les paramètres d'un système qui peut empêcher les centrales électriques lunaires de surchauffer. Ces développements seront nécessaires lors de la planification de missions lunaires à long terme et de la colonisation du satellite.
Un mathématicien de l'Université RUDN a appelé les réseaux de neurones qui peuvent aider les médecins à interpréter les résultats de l'EEG et d'autres analyses de l'activité cérébrale. Le meilleur d'entre eux fonctionne avec une précision de près de 100 %, tout en donnant non seulement le résultat, mais en expliquant pourquoi cela s'est passé comme il l'a fait.