Классификация поверхностей

Составление карты рельефа поверхности – довольно нетривиальная задача. Она требует больших временных затрат, четкой и слаженной работы всего программно-аппаратного комплекса. Поэтому на первом этапе было решено упростить поставленную задачу - для первоначального интеллектуального анализа данных было принято решение свести задачу к отнесению поверхности, по которой робот осуществлял передвижение, к одному из трех классов:

· ровная поверхность,

· поверхность с постоянным наклоном и

· неровная (бугристая) поверхность.

Безусловно, любая реальная поверхность сложна и может одновременно содержать все три этих элемента одновременно. Однако указанные три типа поверхности являются наиболее часто встречающимися упрощениями реальных типов поверхности. Как раз именно эти типы поверхностей несложно смоделировать на испытательном полигоне: в качестве передвижения по бугристой поверхности можно учитывать передвижение робота по картонным кочкам на полигоне, в качестве передвижения по наклонной плоскости можно исследовать движение по большому наклонному препятствию из пенопласта.

Рис. 54 а. ровная поверхность                    Рис. 54б. поверхность с постоянным наклоном

Рис. 54в. неровная поверхность

Для решения задач классификации можно использовать разные методы: статические алгоритмы классификации, генетические алгоритмы, некоторые разновидности нейронных сетей.

В данном проекте для решения поставленной задачи классификации было решено использовать нейронные сети типа LVQ. Для моделирования нейронных сетей использована утилита Neural Network Toolbox в составе программного комплекса математического моделирования Matlab 2013

Нейронные сети LVQ

Нейронные сети Кохонена - класс нейронных сетей, основным элементом которых является слой Кохонена. Слой Кохонена состоит из адаптивных линейных сумматоров(«линейных формальных нейронов»). Как правило, выходные сигналы слоя Кохонена обрабатываются по правилу «победитель забирает всё»: наибольший сигнал превращается в единичный, остальные обращаются в ноль.

По способам настройки входных весов сумматоров и по решаемым задачам различают много разновидностей сетей Кохонена. Наиболее известные из них:

· Сети векторного квантования сигналов, тесно связанные с простейшим базовым алгоритмом кластерного анализа (метод динамических ядер или K-средних)

· Самоорганизующиеся карты Кохонена (Self-Organising Maps, SOM)

· Сети векторного квантования, обучаемые с учителем (Learning Vector Quantization, LVQ)