Оптимiзацiя вхiдного простору моделей машинного навчання для виявлення аномалiй в багатовимiрних геопросторових даних
Вантажиться...
Дата
2023
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Квалiфiкацiйна робота мiстить: 82 стор., 43 рисунки, 9 таблиць, 10 джерел.
Метою роботи є пошук методiв для виявлення та побудови iнформативних ознак, що дозволять оптимiзувати вхiдний простiр моделей машинного навчання в задачах сегментацiї (виявлення аномалiй) на основi супутникових даних. Об’єктом дослiдження є лiси та методи їх монiторингу на основi супутникових даних. Предметом дослiдження є методи виявлення та вибору значущих ознак для вирiшення задач монiторингу на основi супутникових знiмкiв. У результатi було показано, що вiдстань Бгаттачар’я пiдходить для виявлення значущих ознак. Запропоновано метод вибору набору ознак, якi були б найбiльш iнформативними та найбiльш незалежними мiж собою. Було запропоновано схеми вегетацiйних iндексiв, що були б нечутливi до змiни яскравостi. Пiдтверджено експериментально, що використання запропонованого методу та схем дозволяють побудувати модель, щоб добре розв’язує задачу виявлення хворого хвойного лiсу.
Опис
Ключові слова
вiдстань бгаттачар’я, bhattacharyya distance, машинне навчання, machine learning, вегетацiйний iндекс, vegetation index, семантична сегментацiя, semantic segmentation, багатошаровий перцептрон, multilayer perceptron, sentinel-2, супутниковi данi, satellite data
Бібліографічний опис
Салій, Є. В. Оптимiзацiя вхiдного простору моделей машинного навчання для виявлення аномалiй в багатовимiрних геопросторових даних : дипломна робота … бакалавра : 113 Прикладна математика / Салій Євгенiй Валерiйович. – Київ, 2023. – 82 с.