Портал освітньо-інформаційних послуг «Студентська консультація»

  
Телефон +3 8(066) 185-39-18
Телефон +3 8(093) 202-63-01
 (066) 185-39-18
Вконтакте Студентська консультація
 studscon@gmail.com
 facebook.com/studcons

<script>

  (function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){

  (i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),

  m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)

  })(window,document,'script','//www.google-analytics.com/analytics.js','ga');

 

  ga('create', 'UA-53007750-1', 'auto');

  ga('send', 'pageview');

 

</script>

Розробки алгоритму ідентифікації складних об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

Предмет: 
Тип роботи: 
Бакалаврська робота
К-сть сторінок: 
62
Мова: 
Українська
Оцінка: 

ЗМІСТ

 

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ

ВСТУП

1. ТАКТИКО − ТЕХНІЧНЕ ОБГРУНТУВАННЯ НЕОБХІДНОСТІ РОЗРОБКИ АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ’ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

1.1 Методи та алгоритми кластеризації

1.2 Постановка задачі дослідження

2. РОЗРОБКА АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ’ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

2.1 Основні ознаки, що дозволяють здійснювати ідентифікацію складних об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

2.2 Вибір доцільного алгоритму кластеризації складних об’єктів моніторингу

2.3. Синтез математичної моделі кластеризації об’єктів за результатами роботи засобів радіомоніторингу

2.4 Алгоритм ідентифікації складних об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

3. АПРОБАЦІЯ АЛГОРИТМУ ІДЕНТИФІКАЦІЇ РІЗНИХ ТИПІВ СКЛАДНИХ ОБ’ЄКТІВ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

4. ОХОРОНА ПРАЦІ

4.1 Аналіз умов праці на робочому місці

4.2 Вимоги безпеки при роботі з ПЕОМ

ВИСНОВКИ

ПЕРЕЛІК ПОСИЛАНЬ

ДОДАТКИ

Додаток А. Блок-схема алгоритму кластеризації об’єктів радіомоніторингу

Додаток Б. Програма реалізації алгоритму ідентифікації складних ОМ на основі нечітких алгоритмів кластерного аналізу

 

 

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ

 

ГІС-геоінформаційна система

ДРВп-джерело радіовипромінювання

ЗС- збройні сили

ІР-інформаційна робота

ОМ-об’єкт моніторингу

РЕО-радіоелектронна обстановка

РЛС-радіолокаційна станція

РМ-радіомоніторинг

РТМ-радіотехнічний моніторинг

 

ВСТУП

 

Об’єктом дослідження кваліфікаційної роботи є процес ведення інформаційної роботи підрозділами радіомоніторингу (РМ). Предметом дослідження є програмно - алгоритмічне забезпечення інформаційної роботи (ІР) ідентифікації об’єктів моніторингу (ОМ) за результатами роботи засобів РМ. Ведення ІР має на меті обробку даних від добуваючих підрозділів. Зокрема, підвищення інформаційного забезпечення застосування військ, у підрозділах і частинах збройних сил (ЗС) передбачається за рахунок підвищення точності визначення місцеположення джерела радіовипромінювання (ДРВп) засобами моніторингу з подальшою їх ідентифікацією та створенням відповідних моделей їх діяльності.

Метою роботи є розробка алгоритму ідентифікації різних видів складних ОМ при веденні ІР, внаслідок роботи якого збільшується швидкість обробки інформації, яка надходить від засобів РМ та збільшується час для прийняття рішення оператором.

Робота виконувалась методом кластерного аналізу, адже одним з найефективніших варіантів побудови моделі розміщення складних об’єктів моніторингу в умовах відсутності апріорної вибірки є застосування кластерного аналізу. Використання алгоритмів кластеризації дозволяє здійснювати побудову можливих варіантів розміщення об’єктів моніторингу з врахуванням особливостей рельєфу місцевості на основі геоінформаційних систем (ГІС) з меншими затратами часу.

Отримані результати відображають бойовий порядок, тип підрозділу та радіоелектронну обстановку (РЕО) в ньому. Для побудови моделі розміщення складних об’єктів моніторингу застосовується принцип статистичного детермінованого розміщення простих об’єктів. Застосування даного принципу зводиться до послідовного отримання засічок для побудови моделі відображення РЕО.

Результати роботи можуть бути використані для ведення ІР підрозділами РМ.

Розвиток даної роботи полягає у збільшенні кількості ознак ідентифікації, що в свою чергу призведе до збільшення ймовірності правильного розпізнавання складних ОМ.

 

1. ТАКТИКО - ТЕХНІЧНЕ ОБГРУНТУВАННЯ НЕОБХІДНОСТІ РОЗРОБКИ АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ’ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

 

Сьогодні, основою досягнення переваги над противником є технологічна перевага та збільшення інформаційної складової забезпечення бойових дій ЗС, а головною рисою сучасної збройної боротьби – інтеграція процесів ведення моніторингу, передачі даних, управління військами та зброї, вогневої поразки противника в масштабі часу близькому до реального.

Цим питанням присвячено чимало розробок закордонних і вітчизняних фахівців. Їх успішність радикально пов’язують з можливостями добувати й доставляти споживачеві необхідну інформацію для вирішення визначених збройним силам завдань.

Метою даного розділу є обґрунтування необхідності удосконалення процесу розпізнавання та вибір доцільного алгоритму ідентифікації складних ОМ.

Даний алгоритм повинен забезпечити вибір найкращого рішення з множини можливих рішень при проведенні ідентифікації складних ОМ. Процес прийняття рішення при веденні РМ характеризується частковою невизначеністю, неповнотою і недостовірністю інформації, малим резервом часу та динамічною зміною РЕО. Крім того, він повинен враховувати існуючі недоліки процесу ідентифікації складних ОМ.

Враховуючи особливості ведення РМ: умови невизначеності та відсутність апріорної інформації про груповий об’єкт, що робить не можливим використання класичної теорії ідентифікації (класифікації), в даній роботі мною запропоновано рішення даної задачі за допомогою кластерного аналізу [3].

Згідно [9] кластерний аналіз – це спосіб групування багатовимірних об’єктів, оснований на представленні результатів окремих спостережень точками геометричного простору з подальшим виділенням груп як «згустків» цих точок.

Таким чином, основна мета аналізу – виділити у вхідних багатовимірних масивах даних такі однорідні підмножини, щоб об’єкти всередині груп були схожі між собою, а об’єкти з різних груп – не схожі. Під «схожістю» розуміється близькість об’єктів в багатовимірному просторі ознак, і тоді задача зводиться до виділення в цьому просторі скупчень об’єктів, які вважаються однорідними групами. В даному розділі розглянуто існуючі алгоритми кластеризації та проведено їх аналіз [7], а також здійснено постановку задачі дослідження. Задача ідентифікації вирішується в умовах невизначеності, адже для кожного окремого завдання необхідно вибрати відповідний алгоритм і міри відстаней. Вибір метрики повністю лежить на операторі, оскільки результати кластеризації можуть істотно відрізнятися при використанні різних способів визначення ступеня схожості. Візуалізація великої кількості просторових даних займає тривалий час. Дана проблема вирішується за допомогою вибору найбільш доцільного методу

Фото Капча