Инженеры РУДН назвали лучшие методы машинного обучения для обработки данных радаров

Инженеры РУДН назвали лучшие методы машинного обучения для обработки данных радаров

Инженеры РУДН сравнили четыре метода машинного обучения, которые применяют для обработки данных радиолокационных радаров. Исследователи назвали самый эффективный и самый быстрый методы.

Изображения поверхности Земли и других планет получают с помощью радиолокатора (радара) с синтезированной апертурой (SAR). Радар располагают на космическом аппарате или самолете-носителе. Он сканирует поверхность и одновременно отслеживает свое положение. В результате получаются детальные карты поверхности, причем их качество не зависит ни от погоды, ни от времени суток. Самая распространенная разновидность таких радаров — PolSAR. Для обработки данных радара применяют методы машинного обучения. Из-за различий в работе алгоритмов они работают с разной точностью и скоростью. Поэтому при неправильно подобранном алгоритме вычисления оказываются менее точными или требуют большего времени на расчеты. Инженеры РУДН сравнили четыре наиболее популярных метода и выяснили, какой из них самый эффективный.

«Классификация данных PolSAR — одна из любимых тем в области дистанционного зондирования. Для этого используется большой спектр алгоритмов. Наиболее известный из них — метод опорных векторов SVM — широко применяется для классификации данных PolSAR. Однако до сих пор не проводилось исследований по использованию некоторых расширенных версий SVM. Мы сравнили эти методы для классификации данных PolSAR», — доктор технических наук Юрий Разумный, директор департамента механики и процессов управления Инженерной академии РУДН.

Инженеры РУДН совместно со своими зарубежными партнерами сравнили четыре метода: метод опорных векторов (SVM) и три его модификации — метод наименьших квадратов опорных векторов (LSSVM), метод релевантных векторов (RVM) и метод импорта векторов (IVM). Их работу проверили на трех наборах данных, полученных с PolSAR: снимках провинции Флеволанд (Нидерланды), окрестностей деревни Фоулум (Дания) и города Виннипег (Канада). Первый и третий набор данных включал в себя обширные сельскохозяйственные территории. На снимки Фолума попали в основном лес, сельскохозяйственные поля и заселенные площади. Задача алгоритмов машинного обучения — определить, как используется каждый участок земли (где выращивают пшеницу, где растет лес, где течет река и так далее). Обучение алгоритмов проводили на 5%, 10%, 50% и 90% данных, а оставшиеся использовали для проверки их работы. Эффективность алгоритмов оценивали показателем, изменяющимся от 0 до 1, причем единице соответствует идеальная классификация, а также временем, необходимым для обучения по алгоритму.

Самым быстрым оказался LSSVM — при любом объеме обучающих данных и для всех трех районов. Например, для Фоулума при 50% данных, отданных под обучение, LSSVM понадобилось менее 0,5 секунд, а остальным алгоритмам понадобилось в 12–15 раз больше времени. Однако наиболее эффективным оказался SVM. Он показал самый высокий показатель обучения почти для всех объемов данных для Виннипега и Фоулума: 0,78 для Фоулума и 0,69 для Виннипега. На втором месте в обоих случаях оказался IVM — 0,76 и 0,68 соответственно.

«SVM оказался более эффективным, более точным и более стабильным при классификации двух из трех наборов данных. Еще один вывод, который мы сделали, — потрясающая скорость LSSVM по сравнению с другими методами. LSSVM выдает сопоставимую точность со скоростью в 12 раз быстрее, чем SVM, и примерно в 15 раз быстрее, чем RVM и IVM. Поэтому LSSVM можно рассматривать как достойную модификацию SVM с приемлемой точностью и большей скоростью», — Джавад Хатамиафкуиех, аспирант инженерной академии РУДН.

Исследование опбуликовано в European Journal of Remote Sensing.

Новости
Все новости
Наука
16 октября
Студентка РУДН победила в секции «Биотехнология» на российском форуме OpenBio

В конце сентября прошёл XII Российский форум биотехнологий OpenBio. Это крупное мероприятие, которое объединяет представителей науки, бизнеса и государства для решения задач по обеспечению устойчивого развития биотехнологической отрасли и экономики страны. В его программе были экспертные дискуссии, круглые столы, выступления лидеров отрасли, мастер-классы, презентации технологий и оборудования.

Наука
14 октября
Стартовал приём заявок на шестую акселерационную программу «GreenTech Устойчивое развитие»

Фонд «Сколково» (Группа ВЭБ.РФ) совместно с Министерством природных ресурсов и экологии РФ и ведущими промышленными компаниями страны объявил о старте шестого цикла крупнейшей в России программы развития экосистемы поставщиков для промышленности «GreenTech Устойчивое развитие». Приём заявок от разработчиков технологических решений продлится до 20 октября 2025 года.

Наука
10 октября
«Семья, исследования, будущее»: студент РУДН — о работе научного общества факультета социальных и гуманитарных наук

Исторические конференции, встречи с политологами и археологами и интересные проекты. Это жизнь активистов, которые состоят в научном студенческом обществе факультета социальных и гуманитарных наук РУДН. В конкурсе среди вузовских НСО оно заняло третье место.