Качественное описание задачи распознавания i

Распознавание образов (объектов, сигналов, ситуаций, явлений или процессов) — едва ли не самая распространенная задача, которую человеку приходится решать практически ежесекундно от первого до последнего дня своего существования. Для решения этой задачи человек использует огромные ресурсы своего мозга, включая одновременно около 10 — 12 млрд нейронов. Именно это дает возможность людям мгновенно узнавать друг друга, с большой скоростью читать печатные и рукописные тексты, безошибочно водить автомобили в сложном потоке уличного движения, осуществлять отбраковку деталей на конвейере, дешифрировать аэро- и космические фотоснимки, разгадывать коды, древнюю египетскую клинопись и т. д.

Распознавание представляет собой задачу преобразования входной информации, в качестве которой уместно рассматривать некоторые парамеры, признаки распознаваемых образов, в выходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ. Поэтому, учитывая, что кибернетика есть наука об общих законах преобразования информации в сложных системах, распознавание образов есть один из разделов этой науки.

Потребности в комплексной механизации и автоматизации производства, создании роботов, в широких масштабах решать задачи технической и медицинской диагностики, метеорологического прогноза, формализованной оценки общественных, экономических и социологических явлений и процессов, в определении наиболее вероятных направлений их трансформации предопределили значительные усилия научной и инженерной мысли, направленные на решение теоретических и прикладных вопросов проблемы распознавания. Чтобы в полном объеме оценить все значение этой проблемы, достаточно сказать, что создание искусственного интеллекта — это, по-видимому, построение распознающих систем, приближающихся по своим возможностям к возможностям человека в решении задач распознавания.

Ниже будут обсуждены основные задачи, возникающие при построении систем распознавания, их формальная постановка и методы решения. Однако прежде рассмотрим содержательную интерпретацию задачи распознавания. Выполним это на примере задачи распознавания стороной А самолетов стороны В.

Для построения системы распознавания самолетов стороны В стороне А необходимо провести детальный анализ всей доступной информации об авиации стороны В и, исходя из анализа тактико-технических характеристик своих средств противодействия самолетам стороны В, оценить, какие решения она может принимать в случае налета самолетов стороны В. Такими решениями могут быть, например: 1) применить средство противодействия S₁, 2) применить средство противодействия S₂; 3) совместно использовать средства S₁ и S₂. В соответствии с этими решениями самолеты стороны В следует подразделить на три класса. При этом, если появляются самолеты первого класса, следует применить средство S₁ если самолеты второго класса — средство S₂ и, наконец, если самолеты третьего класса — совместно средства S₁ и S₂.

Наличие конкретных технических средств обнаружения самолетов и определения их параметров, а также недостаточный объем исходной (априорной) информации о классах самолетов стороны В (положим, первый класс — бомбардировщики, второй класс — истребители, третий класс — штурмовики) может привести к тому, что с точки зрения эффективности стороне А целесообразно ввести в рассмотрение только два класса, так как при этом повышается вероятность правильного распознавания самолетов. Этот вопрос можно решить только путем математического или физико-математического моделирования разрабатываемой системы распознавания. После проведения классификации самолетов стороны В следует определить, с помощью каких параметров или признаков можно описать выделенные классы самолетов, а затем из полученного перечня исключить те признаки, относительно которых не представляется возможным определить их значения применительно к каждому классу самолетов.

Далее в соответствии с техническими возможностями средств наблюдения за самолетами (радиолокаторы, акустические средства, лазеры, оптические устройства и т. д.) из полученного перечня признаков надо выделить признаки, которые могут быть реально определены (например, крейсерская и максимальная скорости, предельная высота полета, число и тип двигателей, длина фюзеляжа, размах крыльев и др.). И наконец, на основе априорных данных следует описать на языке выбранных признаков каждый класс самолетов. В данном случае одни признаки имеют качественный характер (тип двигателей), другие — количественный (скорость, высота полета и т. д.). Поэтому в описании классов должны содержаться сведения как о том, присущи или не присущи каждому классу те или иные признаки качественного характера, так и о возможных диапазонах или законах распределений значений признаков, имеющих количественные выражения, для каждого класса. На этом подготовительную работу можно считать завершенной, поскольку накоплена и проанализирована априорная информация о самолетах, произведена их классификация, выбрана система признаков и описаны все классы самолетов на языке этих признаков. Положим, что с помощью каких-либо средств наблюдения в результате проведения опытов найдены некоторые признаки неизвестного, подлежащего распознаванию самолета. Сопоставление полученных апостериорных данных об этом самолете с данными, заключенными в априорном описании всех классов самолетов на языке признаков, позволяет определить, к какому классу относится неизвестный самолет, т. е. позволяет произвести его распознавание.

Рассмотренный пример содержит качественное описание задачи распознавания и не поясняет, как производить разбиение объектов на классы, как накапливать и обрабатывать априорную информацию, из каких соображений осуществлять выбор признаков и как описать на их языке классы, на основе каких методов сопоставлять апостериорную и априорную информацию, т. е. распознавать неизвестный объект. Однако пример дает возможность составить представление о задаче распознавания в следующей трактовке. Имеется некоторая совокупность объектов или явлений. В соответствии с выбранным принципом классификации она подразделена на ряд классов, т. е. составлен алфавит классов. Разработан словарь признаков, на языке которого описывается каждый класс объектов. Созданы технические средства, обеспечивающие определение признаков, а на вычислительных средствах системы распознавания реализован алгоритм распознавания, позволяющий сопоставлять апостериорные данные о неизвестном объекте с априорной информацией и на основе сопоставления определять, к какому классу он может быть отнесен. Когда появляется объект, подлежащий распознаванию, с помощью технических средств наблюдения проводятся опыты и определяются его признаки. Данные о признаках неизвестного объекта поступают на вход алгоритма распознавания, который, используя априорные описания классов, определяет, к какому классу может быть отнесен этот объект.

В рамках кибернетики во второй половине 50-х годов XX в. начало формироваться новое научное направление, связанное с разработкой теоретических основ и практической реализацией устройств, а затем и систем, предназначенных для распознавания неизвестных объектов, явлений, процессов. Новая научная дисциплина получила название «Распознавание образов». Подобное название возникло в связи с тем, что процесс распознавания отождествляется с выявлением вопроса о том, к какому классу объектов (образу) может быть отнесен распознаваемый объект. При этом класс олицетворяет собой некоторую совокупность (подмножество) объектов, обладающих близкими свойствами.

Первая работа в области распознавания образов в нашей стране была выполнена одним из основоположников современной теории информации акад. А. А. Харкевичем. Значительный вклад в развитие теории и практики распознавания внесли также всемирно известные ученые-академики В. М. Глушков, Ю. И. Журавлев, В. С. Михалевич, В. С. Пугачев, Я. 3. Цыпкин, член-корреспонденты РАН В. С. Матросов и К. В. Рудаков и др. Из зарубежных ученых следует отметить в первую очередь Ф. Розенблатта, предложившего в 1957 г. машину, обучающуюся распознаванию образов, названную им персептрон (от англ. to percept — воспринимать), в качестве простейшей модели деятельности мозга, связанной с распознаванием образов. Кроме того, необходимо назвать видных ученых Р. Гонсалеса, У. Гренандера, Р. Дуда, Г. Себестиана, Дж. Ту, К. Фу, П. Харта, основные работы которых переведены на русский язык.

Первые работы в области распознавания образов были посвящены главным образом теории и практике построения читающих автоматов, и само слово «образ» использовалось для обозначения напечатанного или написанного от руки знака, изображающего букву или цифру. Математическим аппаратом постановки и решения задач распознавания с момента их возникновения явилась теория статистических решений.

Классические результаты теории статистических решений послужили базой для построения алгоритмов распознавания, обеспечивающих определение класса, к которому может быть отнесен неизвестный объект, на основе экспериментальных измерений определенного набора параметров (признаков), характеризующих этот объект, и определенных априорных данных, описывающих классы рассматриваемых объектов. В последующем математический аппарат, используемый для решения задач распознавания, существенно расширился за счет применения методов алгебры логики и ряда разделов прикладной математики, теории информации, математического программирования и системотехники.

В нашей стране и за рубежом основное внимание уделяется разработке больших и, как правило, многоуровневых систем распознавания. Они представляют собой совокупность технических средств и программно-алгоритмических комплексов. К техническим средствам относятся измерительные системы или измерительная аппаратура, предназначенная для обнаружения распознаваемых объектов и определения признаков, на языке которых они описываются, а также локальные вычислительные машины, входящие в состав измерительных систем, и центральные ЭВМ системы. Программно-алгоритмический комплекс представляет собой совокупность алгоритмов, предназначенных для обработки апостериорной измерительной информации и определения признаков распознаваемых объектов, программно реализованных на вычислительных средствах измерительных систем, а также собственно алгоритмов распознавания, программно реализованных на центральных вычислительных средствах системы распознавания. К большим системам распознавания следует отнести также и коллективы специалистов, осуществляющих первичную формализацию исходной информации и анализ как полученных апостериорных данных, так и формальных решений задачи распознавания на всех уровнях системы.

Системы распознавания в настоящее время получают все большее распространение, и трудно назвать такую отрасль науки или сферу производственной деятельности, где они не используются или не будут использоваться в ближайшие годы.

Особое значение приобретают системы распознавания в современных условиях развития экономики, в эпоху ускорения научно-технического прогресса. Связано это с тем, что существует ряд направлений науки и техники, в которых использование методов распознавания оказывает революционизирующее влияние на развитие этих направлений. Рассмотрим только несколько примеров.

Известно, что одним из важнейших прикладных направлений применения методов распознавания являются системы технической диагностики машин и механизмов. Широкое внедрение систем технической диагностики является одним из важнейших факторов повышения эффективности использования машин и технологического оборудования, резкого сокращения расходов на их ремонт и эксплуатацию и, следовательно, может по праву рассматриваться как одно из важнейших направлений ускорения научно-технического прогресса в нашей стране. Особую роль приобретают системы технической диагностики в связи со сменой поколений технических систем. Например, на смену сравнительно простым металлообрабатывающим станкам приходят обрабатывающие центры с числовым программным управлением; цифровым машинам первых поколений — ЭВМ пятого поколения; тепловым электростанциям — атомные; весьма людным производствам — безлюдные технологии и т. д. Усложнение и, как следствие, удорожание машин автоматически приводят к резкому увеличению затрат трудовых и материальных ресурсов, связанных с их ремонтом и эксплуатацией. Наиболее эффективным направлением решения этой проблемы является широкое применение систем технической диагностики, которые обеспечивают возможность безразборного поиска неисправностей, перехода от крайне расточительного планово-предупредительного ремонта к ремонту по фактической необходимости, осуществлять оптимальную регулировку машин и прогнозировать их состояние.

Другой пример — медицинская диагностика, история которой восходит ко временам Гиппократа и насчитывает несколько тысячелетий. Использование в медицинской диагностике методов распознавания и создание на их основе автоматизированных систем коренным образом изменяет эффективность диагностики с точки зрения широты и глубины охвата медицинских симптомов, ее оперативности, полноты и достоверности. Только создание широкой сети автоматизированных компьютерных систем медицинской диагностики позволит поставить на практическую основу решение задачи огромной важности — всеобщей ежегодной диспансеризации населения нашей страны, имеющей большое социальное и экономическое значение.

Распознающие устройства и системы распознавания займут большое место в сельском хозяйстве. Здесь следует иметь в виду распознавание размера урожая конкретных сельскохозяйственных культур на определенных участках поля по данным аэро-и космических наблюдений, значительное уменьшение ручного труда при сортировке плодов по их форме, цвету и размерам, массовую медицинскую диагностику сельскохозяйственных животных, автоматическую дойку роботами, снабженными системами распознавания. Именно оснащение промышленных и сельскохозяйственных роботов системами распознавания обеспечивает их «интеллектуализацию», а следовательно, расширяет сферу их эффективного использования.

Проектирование систем распознавания —- достаточно сложный итеративный процесс, реализация которого сопряжена с построением постепенно уточняющейся математической или физико-математической модели проектируемой системы. Первая итерация может быть названа априорной (исходной). На ее основе составляется априорный алфавит классов и разрабатывается априорный словарь признаков. Описание классов на языке признаков позволяет найти в некотором смысле наилучшие границы классов в априорном признаковом пространстве. После выбора алгоритма распознавания можно приступить к решению основной задачи, составляющей основу проблемы распознавания — определение алфавита классов и словаря признаков, которые в условиях ресурсных ограничений на построение системы распознавания обеспечивают наибольшую эффективность управленческих решений. Уточненная модель системы распознавания служит основой нахождения новых границ между классами, возможной корректировки алфавита классов и словаря признаков. Этот процесс итеративный. Как правило, нескольких итераций достаточно для окончательного решения вопроса о структуре и свойствах разрабатываемой системы распознавания.

Публикации по проблеме распознавания могут создать у читателей представление о том, что «распознающая система — это автоматическое вычислительное устройство, предназначенное для распознавания образов», а проблема распознавания состоит лишь в таком разделении пространства признаков на области, соответствующие классам, при котором обеспечивается минимум ошибок распознавания, т. е. в нахождении решающих правил, решающих границ. Это не так. Проблема распознавания значительно сложнее. Вычислительная машина представляет собой лишь один из элементов системы распознавания. Другими элементами, зачастую значительно более сложными и дорогостоящими являются технические средства обнаружения распознаваемых объектов, которые подчас приходится специально разрабатывать (вспомним хитроумные ловушки элементарных частиц или современные радиолокационные системы), средства формирования измерительной информации, на основе обработки которой могут быть определены признаки этих объектов.

Математическое обеспечение систем распознавания также не определяется собственно алгоритмом построения решающих правил, решающих границ. В его состав входят: математическая модель системы, используемая как на стадии проектирования системы распознавания, так и в ходе ее эксплуатации для уточнения структуры и параметров системы; методы и алгоритмы обработки измерительной информации, получаемой техническими средствами системы и предназначенной для определения признаков распознаваемых объектов; методы и алгоритмы распознавания; методы и алгоритмы в определенном смысле оптимального управления процессом распознавания; методы и алгоритмы оценки эффективности системы распознавания как на стадии проектирования, так и в процессе ее функционирования и т. д. Содержательному и формальному рассмотрению задач, связанных с построением систем распознавания, и посвящено настоящее учебное пособие.