Метод решения задачи распознавания - раздел Философия, ОБЩАЯ ХАРАКТЕРИСТИКА ПРОБЛЕМЫ РАСПОЗНАВАНИЯ ОБЪЕКТОВ И ЯВЛЕНИЙ
Рассмотренная Постановка Проблемы Распознавания Позволяет Опр...
Рассмотренная постановка проблемы распознавания позволяет определить последовательность задач, возникающих при разработке системы распознавания, предложить их формулировки и возможные методы решения. Наиболее экономный метод решения проблемы построения системы распознавания — метод математического или физико-математического моделирования. Основная идея работы предлагаемой модели разрабатываемой системы распознавания — реализация итеративной процедуры, обеспечивающей путем последовательных приближений синтез системы, эффективность работы которой достаточно близко приближается к потенциально достижимой.
Для построения модели необходимы:
1. Множество возможных решений, которые могут быть приняты системой управления на основании результатов распознавания неизвестных объектов или явлений L = {l1, ..., lk).
2. Априорный словарь признаков хa={х1 ..., xN}.
3. Исходное множество объектов Ω = {w1 ..., wz}.
4. Величина ресурсов С0, ассигнованных на построение измерительной аппаратуры системы.
5. Значения выигрышей, получаемых системой управления от конкретных решений из множества возможных решений L= {l1 ..., lk}, принимаемых по результатам решения задачи распознавания, т. е. величин G(ΩAαi), i=1, ..., m; α=1, ..., r.
Последовательность построения и работы модели состоит из таких этапов:
Первый этап предназначен для построения модели системы распознавания в первом приближении (a= 1). Алгоритм реализации этого этапа следующий.
1. Определяется первый вариант разбиения множества объектов на классы А1 в соответствии с которым количество классов m1=k+l. При этом к классу ΩA11 относятся объекты, применительно к которым следует принимать решение l1 к классу ΩA12 — объекты, к которым надо принимать решение l2, и т. д., к классу ΩA1k — объекты, к которым надо принимать решение 1k, к объектам класса ΩA1m1 решение не принимается.
2. Определяется непосредственно либо подмножество множества объектов каждого класса: либо разрабатывается некоторый набор правил относительно значений признаков, содержащихся в априорном словаре, в соответствии с которыми на основе методов самообучения при известном числе классов определяются объекты исходного множества, относящиеся к каждому классу.
3. Производится описание каждого класса на языке признаков априорного словаря, а затем находятся наилучшие решающие границы между классами. Эта задача проблемы распознавания — традиционная, методы ее решения достаточно подробно рассмотрены, например, в [5, 7, 8].
4. Проверяется, достаточна ли величина С0 для построения измерителей, обеспечивающих определение всех признаков хa= {х1 ..., xN} априорного словаря. Если то в рабочий словарь системы включаются все признаки априорного словаря. Если для определения первого приближения оптимального рабочего словаря системы (словаря, который при заданных ограничениях на величину С0 обеспечивает, например, либо минимум величины среднего риска, либо максимум среднеквадратичного расстояния между классами, либо экстремальное значение какого-нибудь другого критерия) могут быть использованы, в частности, методы, изложенные в гл. 5.
5. Производится описание классов ΩA1i, i=l, ..., m, на языке рабочего словаря признаков первого приближения и определяются наилучшие решающие границы между ними.
6. Оценивается вероятность правильного решения задачи распознавания Для этого строится математическая модель, подробно описанная в гл. 10, и проводятся ее статистические испытания.
7. Вычисляется первое приближение значения критерия эффективности системы R(1).
На этом завершается первый этап построения системы распознавания.
Второй и последующие этапы предназначены для уточнения модели системы. Их цель — определить такой вариант разбиения объектов на классы А0 и такой словарь признаков, при которых критерий R достигает наибольшего значения. Алгоритм реализации этих этапов таков.
1. Определяется в алфавите классов первого приближения такой класс ΩA1v, v = l, ..., m (либо, исходя из практических соображений, 2—3 класса), для которого величина Этo означает, что к классу Ωv относятся такие объекты, распознавание которых обеспечивает по сравнению распознаванием объектов других классов наименьший выигрыш.
2. Исключается из алфавита классов первого приближения класс ΩA1v, а объекты этого класса надлежит отнести к такому классу ΩA1m, m=1, ..., m, для которого уменьшение величины по сравнению с уменьшением величины , i=1, ..., m, минимально, т. е.
Таким образом, определяется второй вариант разбиения объектов на классы А2, применительно к которому вновь повторяются операции 1—7 и определяется второе приближение значения критерия R2 эффективности системы. Практически нескольких итераций достаточно для определения такого варианта построения системы, при котором критерий R эффективности системы достигает наибольшего значения.
В заключение следует заметить, что только системный подход к проблеме распознавания объектов и явлений позволяет в реальных условиях при наличии неизбежных ограничений добиться наибольшей эффективности комплекса «система распознавания + система управления».
В А Скрипкин... Методы распознавания... ОБЩАЯ ХАРАКТЕРИСТИКА ПРОБЛЕМЫ РАСПОЗНАВАНИЯ ОБЪЕКТОВ И ЯВЛЕНИЙ...
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:
Метод решения задачи распознавания
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
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 посл
Основные задачи построения систем распознавания
Рассмотренный в § 1.1 пример свидетельствует о том, что распознавание сложных объектов и явлений требует создания специальных систем распознавания — сложных динамических систем, сос
Экспертные системы распознавания
Рассмотренная классификация систем распознавания и принципы их функционирования отражают современное состояние вопроса. Все виды систем распознавания базируются на строго формализов
Содержательная трактовка проблемы распознавания
Процесс распознавания состоит в том, что система распознавания на основании сопоставления апостериорной информации относительно каждого поступившего на вход системы объекта или явле
Постановка задачи распознавания
Пусть задано множество объектов или явлений Ω={w1 ..., ..., wz}, а также множество возможных решений L={l1, ..., lk}, которые могут
Системы распознавания без обучения
Построение систем распознавания без обучения возможно при наличии полной первоначальной априорной информации, которая представляет собой совокупность: 1) сведений о том, какова есте
Обучающиеся системы распознавания
Использование методов обучения для построения систем распознавания необходимо в случае, когда отсутствует полная первоначальная априорная информация. Ее объем позволяет подразделить
Самообучающиеся системы распознавания
На практике иногда приходится сталкиваться с необходимостью построения распознающих устройств в условиях, когда провести классификацию объектов либо невозможно, либо по тем или другим соображениям
Критерий Байеса
Критерий Байеса — правило, в соответствии с которым стратегия решений выбирается таким образом, чтобы обеспечить минимум среднего риска. Применение критерия Байеса целесообразно в с
Минимаксный критерий
При построении систем распознавания возможны такие ситуации, когда априорные вероятности появления объектов соответствующих классов неизвестны. Минимизировать значение среднего риск
Критерий Неймана—Пирсона
При построении некоторых систем распознавания могут быть неизвестны не только априорные вероятности появления объектов соответствующих классов, но и платежная матрица (1.7). В подоб
Процедура последовательных решений
Ранее предполагалось, что решение о принадлежности распознаваемого объекта w соответствующему классу Ωi, i=l, ..., m, принимается после измерения всей совокупности
Регуляризация задачи распознавания
В соответствии со стратегией Байеса, если у распознаваемого объекта со измеренное значение признака х = х0 , то
Рабочего словаря признаков
В § 5.1 был рассмотрен один из возможных методов выбора пространства признаков системы распознавания, обеспечивающий в пределах выделенных ресурсов максимальное значение критерия ка
Сравнительная оценка признаков
Выше были рассмотрены достаточно общие методы выбора совокупности признаков, которые целесообразно и доступно использовать при построении системы распознавания. Однако на практике д
Изображающие числа и базис
Булева функция считается заданной, если можно указать значения истинности этой функции при всех возможных комбинациях значений истинности входящих в нее элементов. Таблицу, которая
Восстановление булевой функции по изображающему числу
Рассмотрим методы, позволяющие переходить от задания булевой функции в виде изображающего числа к явному выражению ее через элементы.
Дизъюнктивная нормальная форма (ДНФ).
Зависимость и независимость высказываний
Условия независимости. Поскольку каждая булева функция может иметь два значения истинности, n булевых функций могут образовывать 2n комбинаций значений истинности. По опр
Булевы уравнения
Решение многих задач, связанных с распознаванием объектов, может быть сведено к нахождению решений булевых алгебраических уравнений с одним (или более) неизвестным. Примером булева
Замена переменных
Понятие замены переменных в алгебре логики аналогично понятию замены переменных в обычной алгебре. Если А, В, С, ... — элементарные высказывания и совершается замена переменных, то,
Решение логических задач распознавания
В логических системах распознавания классы и признаки объектов рассматриваются как логические переменные. Чтобы подчеркнуть эту особенность, для обозначения классов и признаков введ
Решение задач распознавания при большом числе элементов
Приложение изложенных в предыдущих параграфах методов построения сокращенного базиса и решения логических задач существенно ограничивается объемом памяти ЭВМ и их быстродействием. Т
Распознавание объектов в условиях их маскировки
Маскировка — один из основных методов снижения эффективности разведки противника в общем комплексе мероприятий по противодействию. Решение проблемы маскировки требует привлечения, с
Распознавание в условиях противодействия
Рассмотрим задачу распознавания объектов в условиях, когда противник может препятствовать как выявлению отдельных признаков объектов, так и сознательно изменять свою тактику в отнош
Алгоритмы распознавания, основанные на вычислении оценок
Логические алгоритмы распознавания, рассмотренные выше, в ряде случаев не позволяют получить однозначное решение о принадлежности распознаваемого объекта к определенному классу. Ю.
Общая характеристика структурных методов распознавания
Во многих случаях апостериорная информация о распознаваемых объектах или явлениях содержится в записях соответствующих сигналов (электрокардиограмм, энцефалограмм, отраженных от цел
Основные элементы аппарата структурных методов распознавания
Говоря о средстве описания объектов в терминах непроизводных элементов и их отношений, употребляют понятие язык. Правила этого языка, определяющие способы построения объекта из непр
Постановка задачи оптимизации процесса распознавания
Прежде всего покажем, что с увеличением числа признаков, используемых при распознавании, вероятность правильного распознавания неизвестных объектов также увеличивается.
Вер
Алгоритм управления процессом распознавания
Рассмотренные понятия позволяют построить алгоритм управления процессом распознавания в виде правила последовательного поиска решений, обеспечивающего разработку оптимального плана
Частные подходы к принятию решений при распознавании
Решение задачи оптимизации распознавания в рассмотренной постановке требует наличия определенных данных. Когда они отсутствуют, приходится пользоваться частными подходами к пр
Алгебраический подход к задаче распознавания
Выше рассмотрены алгоритмы распознавания: детерминированные алгоритмы, основанные на проведении в признаковом пространстве решающей границы (границы, разделяющей классы и представля
Эффективность вероятностных систем распознавания
Чтобы оценить эффективность вероятностных систем распознавания на основе математического моделирования, можно использовать метод статистических испытаний. Для проведения таких испыт
Эффективность логических систем распознавания
При построении логических систем распознавания приходится сталкиваться с ситуацией, когда значения истинности элементов А1..., Аn, выражающих признаки объектов
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
либо разрабатывается некоторый набор правил относительно значений признаков, содержащихся в априорном словаре, в соответствии с которыми на основе методов самообучения при известном числе классов определяются объекты исходного множества, относящиеся к каждому классу.
то в рабочий словарь системы включаются все признаки априорного словаря. Если 
для определения первого приближения оптимального рабочего словаря системы (словаря, который при заданных ограничениях на величину С0 обеспечивает, например, либо минимум величины среднего риска, либо максимум среднеквадратичного расстояния между классами, либо экстремальное значение какого-нибудь другого критерия) могут быть использованы, в частности, методы, изложенные в гл. 5.
Для этого строится математическая модель, подробно описанная в гл. 10, и проводятся ее статистические испытания.
Этo означает, что к классу Ωv относятся такие объекты, распознавание которых обеспечивает по сравнению распознаванием объектов других классов наименьший выигрыш.
по сравнению с уменьшением величины 
, i=1, ..., m, минимально, т. е. 
Новости и инфо для студентов