Information-extreme machine training of on-board recognition system with optimization of RGB-component digital images

Abstract

The research increases the recognition reliability of ground natural and infrastructural objects by use of an autonomous onboard unmanned aerial vehicle (UAV). An information-extreme machine learning method of an autonomous onboard recognition system with the optimization of RGB components of a digital image of ground objects is proposed. The method is developed within the framework of the functional approach to modeling cognitive processes of natural intelligence at the formation and acceptance of classification decisions. This approach, in contrast to the known methods of data mining, including neuro-like structures, provides the recognition system with the properties of adaptability to arbitrary initial conditions of image formation and flexibility in retraining the system. The idea of the proposed method is to maximize the information capacity of the recognition system in the machine learning process. As a criterion for optimizing machine learning parameters, a modified Kullback information measure was used, this informational criterion is the functionality of exact characteristics. As optimization parameters, the geometric parameters of hyperspherical containers of recognition classes and control tolerances for recognition signs were considered, which played the role of input data quantization levels when transforming the input Euclidean training matrix into a working binary training matrix using admissible transformations of a working training matrix the offered machine learning method allows to adapt the input mathematical description of recognition system to the maximum full probability of the correct classification decision acceptance. To increase the depth of information-extreme machine learning, optimization was conducted according to the information criterion of the weight coefficients of the RGB components of the brightness spectrum of ground object images. The results of physical modeling on the example the recognition of terrestrial natural and infrastructural objects confirm the increase in functional efficiency of information-extreme machine learning of on-board system at optimum in information understanding weight coefficients of RGB-components of terrestrial objects image brightness.

Метою дослідження є підвищення достовірності розпізнавання автономною бортовою системою безпілотного літального апарату наземних природних та інфраструктурних об’єктів. Запропоновано метод інформаційно-екстремального машинного навчання автономної бортової системи розпізнавання з оптимізацією RGB-складових цифрового зображення наземних об’єктів. Метод розроблено в рамках функціонального підходу до моделювання когнітивних процесів природнього інтелекту при формуванні та прийнятті класифікаційних рішень. Такий підхід на відміну від відомих методів інтелектуального аналізу даних, включаючи нейроподібні структури, дозволяє надати системі розпізнавання властивості адаптивності до довільних початкових умов формування образу та гнучкості при перенавчанні системи. Ідея запропонованого методу полягає в максимізації інформаційної спроможності системи розпізнавання в процесі машинного навчання. Як критерій оптимізації параметрів машинного навчання використовується модифікація інформаційної міри Кульбака, яка є функціоналом точнісних характеристик класифікаційних рішень. Як параметри оптимізації розглядалися геометричні параметри гіперсферичних контейнерів класів розпізнавання, і контрольні допуски на ознаки розпізнавання. які відігравали роль рівнів квантування вхідних даних при перетворенні вхідної евклідової навчальної матриці в робочу бінарну навчальну матрицю. Шляхом допустимих перетворень робочої навчальної матриці запропонований метод машинного навчання дозволяє адаптувати вхідний математичний опис системи розпізнавання до максимальної повної ймовірності прийняття правильних класифікаційних рішень. З метою підвищення глибини інформаційноекстремального машинного навчання здійснювалася оптимізація за інформаційним критерієм вагових коефіцієнтів RGB-складових спектру яскравості зображень наземних об’єктів. Результати фізичного моделювання на прикладі розпізнавання наземних природних та інфраструктурних об’єктів підтверджують підвищення функціональної ефективності інформаційно-екстремального машинного навчання бортової системи при оптимальних в інформаційному розумінні вагових коефіцієнтах RGB-складових яскравості зображень наземних об’єктів.

Целью исследования является повышение достоверности распознавания автономной бортовой системой беспилотного летательного аппарата наземных природных и инфраструктурных объектов. Предложен метод информационно-экстремального машинного обучения автономной бортовой системы распознавания с оптимизацией RGB-компонент цифрового изображения наземных объектов. Метод разработан в рамках функционального подхода к моделированию когнитивных процессов природного интеллекта при формировании и принятии классификационных решений. Такой подход в отличие от известных методов интеллектуального анализа данных, включая нейроподобные структуры, позволяет придать системе распознавания свойства адаптивности к произвольным начальным условиям формирования образа и гибкости при переобучении системы. Идея предложенного метода состоит в максимизации информационной способности системы распознавания в процессе машинного обучения. В качестве критерия оптимизации параметров машинного обучения используется модифицированная информационная мера Кульбака, являющаяся функционалом точностных характеристик классификационных решений. В качестве параметров оптимизации рассматривались геометрические параметры гиперсферических контейнеров классов распознавания и контрольные допуски на признаки распознавания, являющиеся уровнями квантования входных данных при преобразовании входной эвклидовой обучающей матрицы в рабочую бинарную обучающую матрицу. Путём допустимых преобразований рабочей обучающей матрицы предложенный метод машинного обучения позволяет адаптировать входное математическое описание системы распознавания к максимальной полной вероятности принятия правильных классификационных решений. С целью увеличения глубины информационно-экстремального машинного обучения осуществлялась оптимизация по информационному критерию весовых коэффициентов RGB-компонент спектра яркости изображений наземных объектов. Результаты физического моделирования на примере распознавания наземных природных и инфраструктурных объектов подтверждают повышение функциональной эффективности информационно-экстремального машинного обучения бортовой системы при оптимальных в информационном смысле весовых коэффициентах RGB-компонент яркости изображений наземных объектов.