APLICACIÓN DEL GEORRADAR... (Bishop 1995). Dicho algoritmo pertenece a la rama de inteligencia artificial denominada Machine Learning y, dentro de este campo, al área del Aprendizaje Supervisado. Esto significa que el sistema tendrá que ser entrenado con una serie de blancos patrón, que incluirán los indicados en la Figura 1 así como con otros materiales como maderas, plásticos o rocas. La señal de entrada al sistema serán las trazas que el GPR proporciona cada 2 cm, compuestas cada una de ellas por 292 muestras. Las trazas adyacentes estarán fuertemente correladas, por lo que se ha establecido una ventana deslizante que contendrá un número seleccionable de trazas consecutivas. El tamaño de la ventana estará relacionado con el tamaño máximo de los blancos que deseamos detectar, y el deslizamiento temporal de la ventana, estará relacionado con la máxima resolución espacial que se desee obtener. Para este estudio se ha establecido un tamaño de ventana de 15 trazas y un deslizamiento de 1 traza, obteniendo así la resolución máxima. Cada uno de los puntos de amplitud dentro de una ventana se corresponderá con una variable de entrada al sistema, por lo que se dispondrá de 4.380 variables de entrada. Todos los radargramas se han dividido en ventanas deslizantes siguiendo este esquema. Dichas ventanas conformarán las muestras de entrada al algoritmo y se dividirán en tres bloques: el 60% se utilizará para entrenar el modelo (training set); el 20% para seleccionar el modelo (cross-validation set), y el 20% restante, para validar el modelo (test set), dejando estas muestras completamente al margen del proceso de entrenamiento. Ninguno de estos conjuntos debe estar sesgado, es decir que todos ellos deberán contener muestras de todos y cada uno de los blancos bajo estudio. En cuanto a la red neuronal, se ha elegido un esquema de tres capas, con neuronas de tipo Sigmoid. El número de neuronas en la capa de entrada viene determinado por el número de variables de entrada, y lo mismo ocurre en la capa de salida. El número de neuronas en la capa intermedia o capa oculta es variable y está relacionado con la capacidad de aprendizaje de la red. Para esta aplicación se ha utilizado una red con 10 neuronas en la capa oculta, dimensión suficiente para conseguir resultados de calidad manteniendo los requisitos de computación en tiempo real. El algoritmo proporcionará una salida que tomará valores entre 0 y 1, representando la probabilidad de existencia de blanco dentro de la ventana deslizante bajo estudio. Para esta aplicación se ha establecido en 0,25 el umbral de corte que determina la existencia de blanco potencial. 3.- RESULTADOS En este apartado se presentan los resultados 2D y 3D generados. El análisis e interpretación de estos resultados permite evaluar la idoneidad de la frecuencia para la detección de las minas enterradas y su posterior caracterización del patrón de reflexión esperado en función de la tipología y disposición. Se presentan también los resultados de la aplicación de detección automática desarrollada en función de Redes Neuronales. 3.1.- Radargramas (imágenes 2D o secciones verticales). La Figura 3A muestra un ejemplo de lo que sería un perfil completo. En este caso, se trata de un perfil sobre la hilera de objetos del núm. 11 al 15. No obstante, para el BOLETÍN DE LA INFANTERÍA DE MARINA 23
BOLETIN INFANTERIA MARINA 23
To see the actual publication please follow the link above