પેટર્નની ઓળખ પ્રક્રિયાઓના આધારે હાથ ધરવામાં આવે છે. પેટર્ન માન્યતાના સિદ્ધાંત પર આધારિત જટિલ સિસ્ટમોનું અનુકૂલનશીલ નિયંત્રણ

બ્રુટ ફોર્સ પદ્ધતિ.આ પદ્ધતિમાં, ચોક્કસ ડેટાબેઝ સાથે સરખામણી કરવામાં આવે છે, જ્યાં દરેક ઑબ્જેક્ટ માટે ડિસ્પ્લેમાં ફેરફાર કરવા માટેના વિવિધ વિકલ્પો રજૂ કરવામાં આવે છે. ઉદાહરણ તરીકે, ઓપ્ટિકલ પેટર્નની ઓળખ માટે, તમે બ્રુટ ફોર્સ પદ્ધતિનો ઉપયોગ કરી શકો છો. વિવિધ ખૂણાઅથવા ભીંગડા, ઑફસેટ્સ, વિકૃતિઓ, વગેરે. અક્ષરો માટે, તમે ફોન્ટ અથવા તેના ગુણધર્મોને ટૉગલ કરી શકો છો. સાઉન્ડ પેટર્નની ઓળખના કિસ્સામાં, કેટલીક જાણીતી પેટર્ન (ઘણા લોકો દ્વારા બોલાતા શબ્દ) સાથે સરખામણી કરવામાં આવે છે. આગળ, વધુ ડીપ સ્કેનછબીની લાક્ષણિકતાઓ. ઓપ્ટિકલ માન્યતાના કિસ્સામાં, આ ભૌમિતિક લાક્ષણિકતાઓનું નિર્ધારણ હોઈ શકે છે. આ કિસ્સામાં, ધ્વનિ નમૂના આવર્તન અને કંપનવિસ્તાર વિશ્લેષણને આધિન છે.

આગલી પદ્ધતિ - કૃત્રિમ ન્યુરલ નેટવર્કનો ઉપયોગ(INS). તેને ક્યાં તો માન્યતા કાર્યના વિશાળ સંખ્યામાં ઉદાહરણોની જરૂર છે, અથવા વિશિષ્ટ ન્યુરલ નેટવર્ક માળખું કે જે આપેલ કાર્યની વિશિષ્ટતાઓને ધ્યાનમાં લે છે. પરંતુ, તેમ છતાં, આ પદ્ધતિ અત્યંત કાર્યક્ષમ અને ઉત્પાદક છે.

સુવિધા મૂલ્યોની વિતરણ ઘનતાના અંદાજ પર આધારિત પદ્ધતિઓ. આંકડાકીય નિર્ણયોના શાસ્ત્રીય સિદ્ધાંતમાંથી ઉધાર લીધેલ, જેમાં અભ્યાસના પદાર્થોને બહુપરીમાણીયના અમલીકરણ તરીકે ગણવામાં આવે છે. રેન્ડમ ચલ, અમુક કાયદા અનુસાર લક્ષણ જગ્યામાં વિતરિત. તેઓ બાયેસિયન નિર્ણય લેવાની ફ્રેમવર્ક પર આધારિત છે જે અપીલ કરે છે પ્રારંભિક સંભાવનાઓએક વર્ગ અથવા અન્ય અને શરતી વિતરણ ઘનતા લક્ષણો સાથે સંબંધિત વસ્તુઓ.

લક્ષણ મૂલ્યોની વિતરણ ઘનતાના અંદાજ પર આધારિત પદ્ધતિઓનું જૂથ ભેદભાવયુક્ત વિશ્લેષણની પદ્ધતિઓ સાથે સીધું સંબંધિત છે. નિર્ણય લેવાનો બાયસિયન અભિગમ એ સૌથી વધુ વિકસિત છે આધુનિક આંકડાપેરામેટ્રિક પદ્ધતિઓ જેના માટે તે જાણીતી માનવામાં આવે છે વિશ્લેષણાત્મક અભિવ્યક્તિવિતરણ કાયદો ( સામાન્ય કાયદો) અને તમારે માત્ર અંદાજ કાઢવાની જરૂર છે એક નાની રકમપરિમાણો (મધ્ય મૂલ્યોના વેક્ટર અને સહપ્રવાહ મેટ્રિસિસ). આ પદ્ધતિનો ઉપયોગ કરવામાં મુખ્ય મુશ્કેલીઓ ઘનતાના અંદાજો અને તાલીમ નમૂનાની ઉચ્ચ સંવેદનશીલતાની ગણતરી કરવા માટે સમગ્ર તાલીમ નમૂનાને યાદ રાખવાની જરૂરિયાત તરીકે ગણવામાં આવે છે.

નિર્ણય કાર્યોના વર્ગ વિશેની ધારણાઓ પર આધારિત પદ્ધતિઓ.આ જૂથમાં, નિર્ણય કાર્યનો પ્રકાર જાણીતો માનવામાં આવે છે અને તેની ગુણવત્તાની કાર્યાત્મકતા નિર્દિષ્ટ કરવામાં આવે છે. આ ફંક્શનલના આધારે, પ્રશિક્ષણ ક્રમનો ઉપયોગ કરીને નિર્ણય કાર્યનો શ્રેષ્ઠ અંદાજ જોવા મળે છે. ગુણવત્તા કાર્યક્ષમતા નિર્ણાયક નિયમસામાન્ય રીતે ભૂલ સાથે સંકળાયેલ. પદ્ધતિનો મુખ્ય ફાયદો એ માન્યતા સમસ્યાના ગાણિતિક રચનાની સ્પષ્ટતા છે. ઑબ્જેક્ટની પ્રકૃતિ વિશે નવું જ્ઞાન મેળવવાની શક્યતા, ખાસ કરીને વિશેષતાઓની ક્રિયાપ્રતિક્રિયાની પદ્ધતિઓ વિશેનું જ્ઞાન, અહીં મૂળભૂત રીતે ક્રિયાપ્રતિક્રિયાના આપેલ માળખા દ્વારા મર્યાદિત છે, જે નિર્ણય કાર્યોના પસંદ કરેલા સ્વરૂપમાં નિશ્ચિત છે.

પ્રોટોટાઇપ સાથે સરખામણી કરવાની પદ્ધતિ.વ્યવહારમાં આ સૌથી સરળ એક્સ્ટેંશનલ માન્યતા પદ્ધતિ છે. જ્યારે માન્ય વર્ગો કોમ્પેક્ટ ભૌમિતિક વર્ગો તરીકે બતાવવામાં આવે ત્યારે તેનો ઉપયોગ થાય છે. પછી ભૌમિતિક જૂથનું કેન્દ્ર (અથવા કેન્દ્રની સૌથી નજીકનો પદાર્થ) પ્રોટોટાઇપ બિંદુ તરીકે પસંદ કરવામાં આવે છે.

અવ્યાખ્યાયિત ઑબ્જેક્ટનું વર્ગીકરણ કરવા માટે, તેનો સૌથી નજીકનો પ્રોટોટાઇપ મળે છે અને ઑબ્જેક્ટ તેના જેવા જ વર્ગનો છે. દેખીતી રીતે, આ પદ્ધતિમાં કોઈ સામાન્ય છબીઓ રચાતી નથી. એક માપ તરીકે, તેઓ વાપરી શકાય છે વિવિધ પ્રકારોઅંતર

k-નજીકની પડોશી પદ્ધતિ.પદ્ધતિમાં એ હકીકતનો સમાવેશ થાય છે કે જ્યારે કોઈ અજાણી વસ્તુનું વર્ગીકરણ કરવામાં આવે છે, ત્યારે કોઈપણ વર્ગમાં પહેલાથી જ જાણીતા સભ્યપદ ધરાવતા અન્ય નજીકના પડોશીઓની જગ્યામાં ભૌમિતિક રીતે સૌથી નજીકના લક્ષણોનો આપેલ નંબર (k) જોવા મળે છે. અજાણ્યા પદાર્થનું વર્ગીકરણ કરવાનો નિર્ણય તેના નજીકના પડોશીઓ વિશેની માહિતીનું વિશ્લેષણ કરીને લેવામાં આવે છે. પ્રશિક્ષણ નમૂનામાં ઑબ્જેક્ટ્સની સંખ્યા ઘટાડવાની જરૂરિયાત (ડાયગ્નોસ્ટિક પૂર્વવર્તી) આ પદ્ધતિનો ગેરલાભ છે, કારણ કે આ તાલીમ નમૂનાની પ્રતિનિધિત્વ ઘટાડે છે.

એ હકીકતને આધારે કે વિવિધ માન્યતા અલ્ગોરિધમ્સ પોતાને એક જ નમૂના પર અલગ રીતે પ્રગટ કરે છે, પ્રશ્ન સિન્થેટીક વિશે ઊભો થાય છે નિર્ણાયક નિયમ, જે ઉપયોગ કરશે શક્તિઓબધા અલ્ગોરિધમ્સ. આ હેતુ માટે, એક કૃત્રિમ પદ્ધતિ અથવા નિર્ણય નિયમોના જૂથો છે જે મહત્તમને જોડે છે હકારાત્મક બાજુઓદરેક પદ્ધતિ.

માન્યતા પદ્ધતિઓની સમીક્ષાને સમાપ્ત કરવા માટે, અમે સારાંશ કોષ્ટકમાં ઉપરના સાર રજૂ કરીશું, વ્યવહારમાં ઉપયોગમાં લેવાતી કેટલીક અન્ય પદ્ધતિઓ પણ ઉમેરીશું.

કોષ્ટક 1. માન્યતા પદ્ધતિઓના વર્ગીકરણનું કોષ્ટક, તેમના એપ્લિકેશનના ક્ષેત્રોની તુલના અને મર્યાદાઓ

અને ચિહ્નો. આવી સમસ્યાઓ ઘણી વાર હલ થાય છે, ઉદાહરણ તરીકે, જ્યારે ટ્રાફિક લાઇટને અનુસરીને શેરીમાંથી પસાર થતી વખતે અથવા ડ્રાઇવિંગ કરતી વખતે. સળગતી ટ્રાફિક લાઇટનો રંગ ઓળખવો અને નિયમો જાણવું ટ્રાફિકતમને સ્વીકારવા દે છે યોગ્ય ઉકેલઆ ક્ષણે શેરી પાર કરવી શક્ય છે કે નહીં તે વિશે.

જૈવિક ઉત્ક્રાંતિની પ્રક્રિયામાં, ઘણા પ્રાણીઓએ તેમના દ્રશ્ય અને શ્રાવ્ય ઉપકરણની મદદથી સમસ્યાઓ હલ કરી. પેટર્ન ઓળખઘણુ સારુ. કૃત્રિમ સિસ્ટમોની રચના પેટર્ન ઓળખજટિલ સૈદ્ધાંતિક રહે છે અને તકનીકી સમસ્યા. લશ્કરી બાબતો અને સુરક્ષા પ્રણાલીઓથી લઈને તમામ પ્રકારના એનાલોગ સિગ્નલોના ડિજિટાઈઝેશન સુધી - આવી માન્યતાની જરૂરિયાત વિવિધ ક્ષેત્રોમાં ઊભી થાય છે.

પરંપરાગત રીતે, પેટર્ન ઓળખના કાર્યોને આર્ટિફિશિયલ ઇન્ટેલિજન્સ કાર્યોની શ્રેણીમાં સામેલ કરવામાં આવે છે.

પેટર્ન ઓળખમાં દિશાઓ

બે મુખ્ય દિશાઓ ઓળખી શકાય છે:

• જીવંત માણસો ધરાવે છે તે ઓળખવાની ક્ષમતાઓનો અભ્યાસ કરવો, તેમને સમજાવવું અને મોડેલિંગ કરવું;
• લાગુ કરેલ એપ્લિકેશન્સમાં વ્યક્તિગત સમસ્યાઓ ઉકેલવા માટે રચાયેલ ઉપકરણોના નિર્માણ માટે સિદ્ધાંત અને પદ્ધતિઓનો વિકાસ.

સમસ્યાનું ઔપચારિક નિવેદન

પેટર્ન ઓળખ એ પસંદગીનો ઉપયોગ કરીને ચોક્કસ વર્ગને સ્રોત ડેટાની સોંપણી છે આવશ્યક લક્ષણો, આ ડેટાની લાક્ષણિકતા કુલ માસઅપ્રસ્તુત ડેટા.

ઓળખની સમસ્યાઓ સેટ કરતી વખતે, તેઓ ગાણિતિક ભાષાનો ઉપયોગ કરવાનો પ્રયાસ કરે છે, કૃત્રિમ ન્યુરલ નેટવર્કના સિદ્ધાંતથી વિપરીત, જ્યાં આધાર પ્રયોગ દ્વારા પરિણામ પ્રાપ્ત કરે છે, પ્રયોગને તાર્કિક તર્ક અને ગાણિતિક પુરાવા સાથે બદલવાનો પ્રયાસ કરે છે.

મોનોક્રોમ છબીઓને મોટાભાગે પેટર્ન ઓળખની સમસ્યાઓમાં ધ્યાનમાં લેવામાં આવે છે, જે છબીને પ્લેન પરના કાર્ય તરીકે ધ્યાનમાં લેવાનું શક્ય બનાવે છે. જો આપણે પ્લેન પર સેટ કરેલ બિંદુને ધ્યાનમાં લઈએ ટી, જ્યાં કાર્ય x(x,y) છબીના દરેક બિંદુએ તેની લાક્ષણિકતાઓ વ્યક્ત કરે છે - તેજ, ​​પારદર્શિતા, ઓપ્ટિકલ ઘનતા, તો પછી આવા કાર્ય એ છબીનું ઔપચારિક રેકોર્ડિંગ છે.

તમામ સંભવિત કાર્યોનો સમૂહ x(x,y) સપાટી પર ટી- બધી છબીઓના સેટનું એક મોડેલ છે એક્સ. ખ્યાલનો પરિચય સમાનતાછબીઓ વચ્ચે તમે એક ઓળખ કાર્ય રજૂ કરી શકો છો. આવા નિવેદનનો ચોક્કસ પ્રકાર એક અથવા બીજા અભિગમ અનુસાર માન્યતાના અનુગામી તબક્કાઓ પર ભારપૂર્વક આધાર રાખે છે.

પેટર્ન ઓળખ પદ્ધતિઓ

ઓપ્ટિકલ પેટર્નની ઓળખ માટે, તમે નીચેના ઑબ્જેક્ટના પ્રકાર દ્વારા શોધવાની પદ્ધતિનો ઉપયોગ કરી શકો છો વિવિધ ખૂણા, ભીંગડા, ઑફસેટ્સ, વગેરે. અક્ષરો માટે, તમારે ફોન્ટ, ફોન્ટ ગુણધર્મો, વગેરે દ્વારા સૉર્ટ કરવાની જરૂર છે.

બીજો અભિગમ ઑબ્જેક્ટની રૂપરેખા શોધવા અને તેના ગુણધર્મો (કનેક્ટિવિટી, ખૂણાઓની હાજરી, વગેરે) ની તપાસ કરવાનો છે.

બીજો અભિગમ કૃત્રિમ ન્યુરલ નેટવર્કનો ઉપયોગ કરવાનો છે. આ પદ્ધતિ ક્યાં જરૂરી છે મોટી માત્રામાંઓળખ કાર્યના ઉદાહરણો (સાચા જવાબો સાથે), અથવા ન્યુરલ નેટવર્કનું વિશિષ્ટ માળખું જે આ કાર્યની વિશિષ્ટતાઓને ધ્યાનમાં લે છે.

પેટર્ન ઓળખ પદ્ધતિ તરીકે પરસેપ્ટ્રોન

એફ. રોઝેનબ્લાટ, મગજના મોડેલની વિભાવના રજૂ કરતા, જેનું કાર્ય એ બતાવવાનું છે કે કેવી રીતે અમુક ભૌતિક પ્રણાલીમાં, જેનું માળખું અને કાર્યાત્મક ગુણધર્મો જાણીતા છે, મનોવૈજ્ઞાનિક ઘટનાઓ ઊભી થઈ શકે છે - તેણે સૌથી સરળ વર્ણન કર્યું. ભેદભાવના પ્રયોગો. આ પ્રયોગો સંપૂર્ણપણે પેટર્ન ઓળખ પદ્ધતિઓ સાથે સંબંધિત છે, પરંતુ ઉકેલ અલ્ગોરિધમ નિર્ધારિત નથી તે બાબતમાં અલગ છે.

સૌથી સરળ પ્રયોગ જેના આધારે તમે મનોવૈજ્ઞાનિક રીતે મેળવી શકો છો અર્થપૂર્ણ માહિતીઅમુક સિસ્ટમ વિશે, એ હકીકત પર ઉકળે છે કે મોડેલ બે અલગ-અલગ ઉત્તેજના સાથે રજૂ કરવામાં આવે છે અને તેમને અલગ-અલગ રીતે પ્રતિસાદ આપવાની જરૂર છે. આવા પ્રયોગનો હેતુ પ્રયોગકર્તાના હસ્તક્ષેપની ગેરહાજરીમાં સિસ્ટમ દ્વારા તેમના સ્વયંસ્ફુરિત ભેદભાવની શક્યતાનો અભ્યાસ કરવાનો હોઈ શકે છે અથવા, તેનાથી વિપરીત, બળજબરીપૂર્વકના ભેદભાવનો અભ્યાસ કરવાનો હોઈ શકે છે, જેમાં પ્રયોગકર્તા સિસ્ટમને તાલીમ આપવા માંગે છે. જરૂરી વર્ગીકરણ હાથ ધરો.

પરસેપ્ટ્રોન તાલીમ સાથેના પ્રયોગમાં, છબીઓનો ચોક્કસ ક્રમ સામાન્ય રીતે રજૂ કરવામાં આવે છે, જેમાં દરેક વર્ગના પ્રતિનિધિઓનો સમાવેશ થાય છે. કેટલાક મેમરી ફેરફાર નિયમ મુજબ યોગ્ય પસંદગીપ્રતિક્રિયાઓ પ્રબળ બને છે. પછી પરસેપ્ટ્રોનને નિયંત્રણ ઉત્તેજના સાથે રજૂ કરવામાં આવે છે અને ઉત્તેજના માટે યોગ્ય પ્રતિભાવ મેળવવાની સંભાવના નક્કી કરવામાં આવે છે. આ વર્ગના. પસંદ કરેલ નિયંત્રણ ઉત્તેજના તાલીમ ક્રમમાં ઉપયોગમાં લેવાતી છબીઓમાંથી એક સાથે સુસંગત છે કે નહીં તેના આધારે, વિવિધ પરિણામો પ્રાપ્ત થાય છે:

• 1. જો નિયંત્રણ ઉત્તેજના કોઈપણ તાલીમ ઉત્તેજના સાથે સુસંગત ન હોય, તો પ્રયોગ માત્ર સાથે જ નહીં શુદ્ધ ભેદભાવ, પરંતુ ઘટકોનો પણ સમાવેશ થાય છે સામાન્યીકરણ.
• 2. જો નિયંત્રણ ઉત્તેજના સંવેદનાત્મક તત્વોના ચોક્કસ સમૂહને ઉત્તેજિત કરે છે જે તે જ વર્ગની અગાઉ પ્રસ્તુત ઉત્તેજનાના પ્રભાવ હેઠળ સક્રિય થયેલા તત્વોથી સંપૂર્ણપણે અલગ છે, તો પ્રયોગ એ એક અભ્યાસ છે. શુદ્ધ સામાન્યીકરણ .

પરસેપ્ટ્રોન પાસે શુદ્ધ સામાન્યીકરણની ક્ષમતા હોતી નથી, પરંતુ તેઓ ભેદભાવના પ્રયોગોમાં તદ્દન સંતોષકારક રીતે કાર્ય કરે છે, ખાસ કરીને જો નિયંત્રણ ઉત્તેજના એ છબીઓમાંથી એક સાથે પૂરતા પ્રમાણમાં મેળ ખાતી હોય કે જેની સાથે પરસેપ્ટ્રોન પહેલાથી જ થોડો અનુભવ સંચિત કરે છે.

પેટર્ન ઓળખ સમસ્યાઓના ઉદાહરણો

• પત્રની ઓળખ.
• બારકોડ ઓળખ.
• લાઇસન્સ પ્લેટ ઓળખ.
• ચહેરાની ઓળખ.
• વાણી ઓળખ.
• છબી ઓળખ.
• પૃથ્વીના પોપડાના સ્થાનિક વિસ્તારોની ઓળખ જેમાં ખનિજ થાપણો સ્થિત છે.

પેટર્ન ઓળખ કાર્યક્રમો

આ પણ જુઓ

નોંધો

લિંક્સ

• યુરી લિફશિટ્સ. કોર્સ "સૈદ્ધાંતિક કોમ્પ્યુટર વિજ્ઞાનની આધુનિક સમસ્યાઓ" - પેટર્નની ઓળખ, ચહેરાની ઓળખ, ટેક્સ્ટ વર્ગીકરણની આંકડાકીય પદ્ધતિઓ પર પ્રવચનો
• જર્નલ ઓફ પેટર્ન રેકગ્નિશન રિસર્ચ

સાહિત્ય

• ડેવિડ એ. ફોર્સીથે, જીન પોન્સકમ્પ્યુટર દ્રષ્ટિ. આધુનિક અભિગમ = કોમ્પ્યુટર વિઝન: એક આધુનિક અભિગમ. - એમ.: "વિલિયમ્સ", 2004. - પી. 928. - ISBN 0-13-085198-1
• જ્યોર્જ સ્ટોકમેન, લિન્ડા શાપિરોકોમ્પ્યુટર વિઝન = કોમ્પ્યુટર વિઝન. - એમ.: બિનોમ. નોલેજ લેબોરેટરી, 2006. - પી. 752. - ISBN 5947743841

• A.L.Gorelik, V.A.Skripkin, માન્યતા પદ્ધતિઓ, M.: સ્નાતક શાળા, 1989.
• શ.-કે. ચેંગ, વિઝ્યુઅલ ઇન્ફોર્મેશન સિસ્ટમ્સની ડિઝાઇનના સિદ્ધાંતો, એમ.: મીર, 1994.

વિકિમીડિયા ફાઉન્ડેશન.

મોટા જ્ઞાનકોશીય શબ્દકોશ નવા પ્રદેશોમાંથી એક સાયબરનેટિક્સ R. o ના સિદ્ધાંતની સામગ્રી. કેટલાક વર્ગો સાથે જોડાયેલા પદાર્થો (છબીઓ) ના ગુણધર્મોનું એક્સ્ટ્રાપોલેશન છે જે અમુક અર્થમાં તેમની નજીક છે. સામાન્ય રીતે, જ્યારે ઓટોમેટન આર.ઓ. ઉપલબ્ધ......

ભૂસ્તરશાસ્ત્રીય જ્ઞાનકોશ અંગ્રેજી ઓળખ, છબી; જર્મન Gestalt alterkennung. ગાણિતિક સાયબરનેટિક્સની એક શાખા જે તેમને લાક્ષણિકતા ધરાવતા લક્ષણોના મર્યાદિત સમૂહ દ્વારા વર્ણવેલ વસ્તુઓને વર્ગીકૃત કરવા અને ઓળખવા માટે સિદ્ધાંતો અને પદ્ધતિઓ વિકસાવે છે. એન્ટિનાઝી. જ્ઞાનકોશ......

સમાજશાસ્ત્રનો જ્ઞાનકોશપેટર્ન ઓળખ - કમ્પ્યુટરનો ઉપયોગ કરીને જટિલ વસ્તુઓનો અભ્યાસ કરવાની પદ્ધતિ; સુવિધાઓ પસંદ કરવામાં અને અલ્ગોરિધમ્સ અને પ્રોગ્રામ્સ વિકસાવવામાં સમાવે છે જે કમ્પ્યુટરને આ સુવિધાઓના આધારે ઑબ્જેક્ટ્સને આપમેળે વર્ગીકૃત કરવાની મંજૂરી આપે છે. ઉદાહરણ તરીકે, નક્કી કરો કે કયું......

આર્થિક અને ગાણિતિક શબ્દકોશ - (તકનીકી), પ્રણાલીઓના વિકાસ સાથે સંકળાયેલી વૈજ્ઞાનિક અને તકનીકી દિશા (કોમ્પ્યુટર આધારિત સહિત) અમુક ઑબ્જેક્ટ (ઑબ્જેક્ટ, પ્રક્રિયા, ઘટના, પરિસ્થિતિ, સિગ્નલ) ની પૂર્વ-અસ્તિત્વમાંની એક સાથે સંબંધ સ્થાપિત કરવા માટે. ... ...

જ્ઞાનકોશીય શબ્દકોશ- ગાણિતિક સાયબરનેટિક્સનો એક વિભાગ જે વર્ગીકરણની પદ્ધતિઓ વિકસાવે છે, તેમજ વસ્તુઓની ઓળખ, ઘટના, પ્રક્રિયાઓ, સંકેતો, તે તમામ વસ્તુઓની પરિસ્થિતિઓ કે જે ચોક્કસ સંકેતો અથવા ગુણધર્મોના મર્યાદિત સમૂહ દ્વારા વર્ણવી શકાય છે... ... રશિયન સમાજશાસ્ત્રીય જ્ઞાનકોશ

પેટર્ન ઓળખ- 160 પેટર્ન ઓળખ: સ્વચાલિત માધ્યમોનો ઉપયોગ કરીને રજૂઆતો અને રૂપરેખાંકનોના સ્વરૂપોને ઓળખવા

વ્યાખ્યાન નં. 17.પેટર્ન ઓળખ પદ્ધતિઓ

ઓળખ પદ્ધતિઓના નીચેના જૂથોને અલગ પાડવામાં આવે છે:

નિકટતા કાર્ય પદ્ધતિઓ

ભેદભાવપૂર્ણ કાર્ય પદ્ધતિઓ

આંકડાકીય માન્યતા પદ્ધતિઓ.

ભાષાકીય પદ્ધતિઓ

હ્યુરિસ્ટિક પદ્ધતિઓ.

પદ્ધતિઓના પ્રથમ ત્રણ જૂથો સંખ્યાત્મક ઘટકો સાથે સંખ્યાઓ અથવા વેક્ટર તરીકે દર્શાવવામાં આવેલા લક્ષણોના વિશ્લેષણ પર કેન્દ્રિત છે.

ભાષાકીય પદ્ધતિઓનું જૂથ તેમની રચનાના વિશ્લેષણના આધારે પેટર્નની ઓળખ પ્રદાન કરે છે, જે અનુરૂપ માળખાકીય લક્ષણો અને તેમની વચ્ચેના સંબંધો દ્વારા વર્ણવવામાં આવે છે.

હ્યુરિસ્ટિક પદ્ધતિઓનું જૂથ લાક્ષણિક તકનીકો અને તાર્કિક પ્રક્રિયાઓને જોડે છે જેનો ઉપયોગ પેટર્નની ઓળખમાં માણસો દ્વારા કરવામાં આવે છે.

નિકટતા કાર્ય પદ્ધતિઓ

આ જૂથની પદ્ધતિઓ ફંક્શનના ઉપયોગ પર આધારિત છે જે માન્યતા પ્રાપ્ત છબી અને વેક્ટર વચ્ચેની નિકટતાના માપનો અંદાજ કાઢે છે. x* = (x* 1 ,….,x*n), અને વેક્ટર દ્વારા રજૂ કરાયેલ વિવિધ વર્ગોની સંદર્ભ છબીઓ x i = (x i 1 ,…, x i n), i= 1,…,એન, ક્યાં હું -છબી વર્ગ નંબર.

આ પદ્ધતિ અનુસાર માન્યતા પ્રક્રિયામાં માન્યતા પ્રાપ્ત છબીના બિંદુ અને સંદર્ભ ઇમેજનું પ્રતિનિધિત્વ કરતા દરેક બિંદુઓ વચ્ચેના અંતરની ગણતરીનો સમાવેશ થાય છે, એટલે કે. તમામ મૂલ્યોની ગણતરીમાં d i , i= 1,…,એન. છબી એ વર્ગની છે જેના માટે મૂલ્ય d iબધામાં સૌથી ઓછું મહત્વ છે i= 1,…,એન .

એક કાર્ય જે વેક્ટરની દરેક જોડીને સોંપે છે x i, x*તેમની નિકટતાના માપદંડ તરીકે વાસ્તવિક સંખ્યા, એટલે કે. તેમની વચ્ચેનું અંતર નિર્ધારિત કરવું તદ્દન મનસ્વી હોઈ શકે છે. ગણિતમાં, આવા કાર્યને અવકાશનું મેટ્રિક કહેવામાં આવે છે. તે નીચેના સિદ્ધાંતોને સંતોષવા જોઈએ:

આર(x,y)=આર(y, x);

આર(x,y) > 0 જો xસમાન નથી yઅને આર(x,y)=0 જો x=y;

આર(x,y) <=આર(x,z)+આર(z,y)

સૂચિબદ્ધ સ્વયંસિદ્ધિઓ સંતુષ્ટ છે, ખાસ કરીને, નીચેના કાર્યો દ્વારા

a i= 1/2 , j=1,2,…n.

b i= સરવાળો, j=1,2,…n.

c i= મહત્તમ એબીએસ ( x i‑ x j *), j=1,2,…n.

તેમાંના પ્રથમને વેક્ટર સ્પેસનો યુક્લિડિયન ધોરણ કહેવામાં આવે છે. તદનુસાર, જગ્યાઓ કે જેમાં ઉલ્લેખિત કાર્યનો ઉપયોગ મેટ્રિક તરીકે થાય છે તેને યુક્લિડિયન સ્પેસ કહેવામાં આવે છે.

મોટે ભાગે, માન્ય ઇમેજના કોઓર્ડિનેટ્સમાં રુટ સરેરાશ ચોરસ તફાવતને નિકટતા કાર્ય તરીકે પસંદ કરવામાં આવે છે. x*અને ધોરણ x i, એટલે કે કાર્ય

d i = (1/n) સરવાળો( x i j‑ x j *) 2 , j=1,2,…n.

તીવ્રતા d iજગ્યાના પરિમાણથી સંબંધિત, લક્ષણ જગ્યામાં બિંદુઓ વચ્ચેના અંતરના વર્ગ તરીકે ભૌમિતિક રીતે અર્થઘટન કરવામાં આવે છે.

તે ઘણીવાર તારણ આપે છે કે માન્યતામાં વિવિધ લક્ષણો સમાન રીતે મહત્વપૂર્ણ નથી. નિકટતા કાર્યોની ગણતરી કરતી વખતે આ સંજોગોને ધ્યાનમાં લેવા માટે, વધુ મહત્વપૂર્ણ લક્ષણોને અનુરૂપ સંકલન તફાવતો મોટા ગુણાંક દ્વારા ગુણાકાર કરવામાં આવે છે, અને ઓછા મહત્વપૂર્ણ - નાના દ્વારા ગુણાકાર કરવામાં આવે છે.

આ બાબતે d i = (1/n) સરવાળો w જે (x i j‑ x j *) 2 , j=1,2,…n,

જ્યાં w જે- વજનના ગુણાંક.

વેઇટીંગ ગુણાંકનો પરિચય એ ફીચર સ્પેસની અક્ષોને માપવા અને તે મુજબ જગ્યાને ચોક્કસ દિશામાં ખેંચવા અથવા સંકુચિત કરવા સમાન છે.

વિશેષતાની જગ્યાના દર્શાવેલ વિકૃતિઓ સંદર્ભ છબીઓના બિંદુઓને એવી રીતે મૂકવાના ધ્યેયને અનુસરે છે કે જે સંદર્ભ ઇમેજના બિંદુની નજીકમાં દરેક વર્ગની છબીઓના નોંધપાત્ર સ્કેટરની પરિસ્થિતિઓમાં સૌથી વિશ્વસનીય માન્યતાને અનુરૂપ હોય. .

ફીચર સ્પેસમાં એકબીજાની નજીકના ઈમેજ પોઈન્ટના જૂથોને ક્લસ્ટર કહેવામાં આવે છે, અને આવા જૂથોને ઓળખવાના કાર્યને ક્લસ્ટરિંગ સમસ્યા કહેવામાં આવે છે.

ક્લસ્ટરોને ઓળખવાના કાર્યને અસુરક્ષિત પેટર્ન ઓળખ કાર્ય તરીકે વર્ગીકૃત કરવામાં આવે છે, એટલે કે. સાચી ઓળખના ઉદાહરણની ગેરહાજરીમાં ઓળખની સમસ્યાઓ.

ભેદભાવપૂર્ણ કાર્ય પદ્ધતિઓ

આ જૂથની પદ્ધતિઓનો વિચાર એવા કાર્યોનું નિર્માણ કરવાનો છે જે છબીઓની જગ્યામાં સીમાઓ વ્યાખ્યાયિત કરે છે જે જગ્યાને છબીઓના વર્ગોને અનુરૂપ વિસ્તારોમાં વિભાજિત કરે છે. આ પ્રકારના સૌથી સરળ અને વારંવાર ઉપયોગમાં લેવાતા ફંક્શન્સ એવા ફંક્શન્સ છે જે સુવિધાઓના મૂલ્યો પર રેખીય રીતે આધાર રાખે છે. વિશેષતા અવકાશમાં તેઓ હાયપરપ્લેનના સ્વરૂપમાં વિભાજિત સપાટીઓને અનુરૂપ છે. દ્વિ-પરિમાણીય વિશેષતા અવકાશના કિસ્સામાં, એક સીધી રેખા વિભાજન કાર્ય તરીકે કાર્ય કરે છે.

રેખીય નિર્ણય કાર્યનું સામાન્ય સ્વરૂપ સૂત્ર દ્વારા આપવામાં આવે છે

ડી(x)=ડબલ્યુ 1 x 1 + ડબલ્યુ 2 x 2 +…+w n x n +w એન +1 = ડબલ્યુએક્સ+w એન

જ્યાં x- છબી વેક્ટર, w=(ડબલ્યુ 1 , ડબલ્યુ 2 ,…w એન) - વજનના ગુણાંકનો વેક્ટર.

બે વર્ગોમાં વિભાજનના કિસ્સામાં એક્સ 1 અને એક્સ 2 ભેદભાવપૂર્ણ કાર્ય ડી(x) નિયમ અનુસાર માન્યતાને મંજૂરી આપે છે:

xસંબંધ ધરાવે છે એક્સ 1 જો ડી(x)>0;

xસંબંધ ધરાવે છે એક્સ 2 જો ડી(x)<0.

જો ડી(x)=0, પછી અનિશ્ચિતતાનો કેસ છે.

કેટલાક વર્ગોમાં વિભાજનના કિસ્સામાં, કેટલાક કાર્યો રજૂ કરવામાં આવે છે. આ કિસ્સામાં, છબીઓના દરેક વર્ગને ભેદભાવપૂર્ણ કાર્ય સંકેતોનું ચોક્કસ સંયોજન સોંપવામાં આવે છે.

ઉદાહરણ તરીકે, જો ત્રણ ભેદભાવપૂર્ણ કાર્યો રજૂ કરવામાં આવ્યા છે, તો પછી છબી વર્ગોને ઓળખવા માટે નીચેનો વિકલ્પ શક્ય છે:

xસંબંધ ધરાવે છે એક્સ 1 જો ડી 1 (x)>0,ડી 2 (x)<0,ડી 3 (x)<0;

xસંબંધ ધરાવે છે એક્સ 2 જો ડી(x)<0,ડી 2 (x)>0,ડી 3 (x)<0;

xસંબંધ ધરાવે છે એક્સ 3 જો ડી(x)<0,ડી 2 (x)<0,ડી 3 (x)>0.

એવું માનવામાં આવે છે કે મૂલ્યોના અન્ય સંયોજનો માટે ડી 1 (x),ડી 2 (x),ડી 3 (x) અનિશ્ચિતતાનો કેસ છે.

ભેદભાવપૂર્ણ કાર્ય પદ્ધતિની વિવિધતા એ નિર્ણય કાર્ય પદ્ધતિ છે. તેમાં, જો ઉપલબ્ધ હોય તો mવર્ગો અસ્તિત્વમાં હોવાનું માનવામાં આવે છે mકાર્યો d i(x), નિર્ણાયક કહેવાય છે, જેમ કે જો xસંબંધ ધરાવે છે X i, તે d i(x) > ડીજે(x) બધા માટે jઅસમાન i, તે. નિર્ણાયક કાર્ય d i(x) તે છે મહત્તમ મૂલ્યબધા કાર્યો વચ્ચે ડીજે(x), j=1,...,n..

આ પદ્ધતિનું ઉદાહરણ ઇમેજ પોઈન્ટ અને સ્ટાન્ડર્ડ વચ્ચેના ફીચર સ્પેસમાં ન્યૂનતમ યુક્લિડિયન અંતરના અંદાજને આધારે વર્ગીકૃત કરી શકાય છે. ચાલો તે બતાવીએ.

માન્ય ઇમેજના ફિચર વેક્ટર વચ્ચે યુક્લિડિયન અંતર xઅને સંદર્ભ ઇમેજનું વેક્ટર સૂત્ર દ્વારા નક્કી થાય છે || x i ‑ x|| = 1/2 , j=1,2,…n.

વેક્ટર xવર્ગને સોંપવામાં આવશે i, જેના માટે મૂલ્ય || x i ‑ x*|| ન્યૂનતમ

અંતરને બદલે, તમે અંતરના ચોરસની તુલના કરી શકો છો, એટલે કે.

||x i ‑ x|| 2 = (x i ‑ x)(x i ‑ x) t = x x- 2x x i +x i x i

કિંમત થી x xદરેક માટે સમાન i, ન્યૂનતમ કાર્ય || x i ‑ x|| 2 નિર્ણય કાર્યની મહત્તમ સાથે સુસંગત રહેશે

d i(x) = 2x x i -x i x i.

તે જ xસંબંધ ધરાવે છે X i, જો d i(x) > ડીજે(x) બધા માટે jઅસમાન i.

તે. લઘુત્તમ અંતર વર્ગીકરણ મશીન રેખીય નિર્ણય કાર્યો પર આધારિત છે. આવા મશીનની સામાન્ય રચના ફોર્મના નિર્ણાયક કાર્યોનો ઉપયોગ કરે છે

d i (x)=w i 1 x 1 + w i 2 x 2 +…+x n માં w +w i n +1

તે અનુરૂપ બ્લોક ડાયાગ્રામ દ્વારા દૃષ્ટિની રીતે રજૂ કરી શકાય છે.

લઘુત્તમ અંતરના આધારે વર્ગીકરણ કરતી મશીન માટે, નીચેની સમાનતાઓ ધરાવે છે: w ij = -2x i j , w i n +1 = x i x i.

ભેદભાવપૂર્ણ કાર્ય પદ્ધતિ દ્વારા સમાન માન્યતા ભેદભાવપૂર્ણ કાર્યોને તફાવત તરીકે વ્યાખ્યાયિત કરીને હાથ ધરવામાં આવી શકે છે ડી આઈજી (x)=d i (x)‑ડીજે (x).

ભેદભાવપૂર્ણ કાર્ય પદ્ધતિનો ફાયદો એ ઓળખ મશીનની સરળ રચના છે, તેમજ મુખ્યત્વે રેખીય નિર્ણય બ્લોક્સ દ્વારા તેના અમલીકરણની શક્યતા છે.

ભેદભાવપૂર્ણ કાર્ય પદ્ધતિનો બીજો મહત્વનો ફાયદો એ છે કે આપેલ (તાલીમ) નમૂનાના આધારે યોગ્ય ઓળખ માટે મશીનને આપમેળે તાલીમ આપવાની ક્ષમતા.

તે જ સમયે, ઓટોમેટિક લર્નિંગ અલ્ગોરિધમ અન્ય ઓળખ પદ્ધતિઓની તુલનામાં ખૂબ જ સરળ હોવાનું બહાર આવ્યું છે.

આ કારણોસર, ભેદભાવપૂર્ણ કાર્ય પદ્ધતિએ વ્યાપક લોકપ્રિયતા મેળવી છે અને વ્યવહારમાં ઘણી વાર તેનો ઉપયોગ થાય છે.

પેટર્નની ઓળખ માટે સ્વ-તાલીમ પ્રક્રિયાઓ

ચાલો ચિત્રોને બે વર્ગોમાં વિભાજીત કરવાની સમસ્યાના સંબંધમાં આપેલ (તાલીમ) નમૂના માટે ભેદભાવપૂર્ણ કાર્ય બનાવવા માટેની પદ્ધતિઓનો વિચાર કરીએ. જો ઈમેજોના બે સેટ આપવામાં આવ્યા હોય, જે અનુક્રમે A અને B વર્ગો સાથે જોડાયેલા હોય, તો રેખીય ભેદભાવપૂર્ણ કાર્યની રચનાની સમસ્યાનો ઉકેલ વજનના ગુણાંકના વેક્ટરના રૂપમાં શોધવામાં આવે છે. ડબલ્યુ=(ડબલ્યુ 1 ,ડબલ્યુ 2 ,...,w એન,w એન+1), જેમાં એવી મિલકત છે કે કોઈપણ છબી માટે નીચેની શરતો સંતુષ્ટ છે:

xવર્ગ A થી સંબંધિત છે જો >0, j=1,2,…n.

xજો વર્ગ B સાથે સંબંધિત છે<0, j=1,2,…n.

જો તાલીમ સમૂહ સમાવે છે એનબંને વર્ગોની છબીઓ, કાર્ય એક વેક્ટર w શોધવાનું ઘટાડે છે જે અસમાનતાઓની સિસ્ટમની માન્યતાને સુનિશ્ચિત કરે છે જો તાલીમ નમૂનામાં સમાવેશ થાય છે એનબંને વર્ગોની છબીઓ, કાર્ય વેક્ટર શોધવા માટે નીચે આવે છે ડબલ્યુ, અસમાનતાઓની સિસ્ટમની માન્યતાની ખાતરી કરવી

x 1 1 w i+x 21 ડબલ્યુ 2 +...+x n 1 w એન+w એન +1 >0;

x 1 2 w i+x 22 ડબલ્યુ 2 +...+x n 2 w એન+w એન +1 <0;

x 1 iw i+x 2i ડબલ્યુ 2 +...+x ni w n+w એન +1 >0;

................................................

x 1 એનw i + x 2એન ડબલ્યુ 2 +...x nN w n +w n + 1>0;

અહીં x i=(x i 1 ,x i 2 ,...,x i n,x i n+ 1 ) - તાલીમ નમૂનામાંથી ઇમેજ ફીચર મૂલ્યોનું વેક્ટર, ચિહ્ન > ઇમેજ વેક્ટરને અનુરૂપ છે x, વર્ગ A, અને ચિહ્ન સાથે સંબંધિત છે< - векторам x, વર્ગ B સાથે જોડાયેલા.

જરૂરી વેક્ટર ડબલ્યુજો વર્ગ A અને B અલગ કરી શકાય તેવા હોય અને અન્યથા અસ્તિત્વમાં ન હોય તો તે અસ્તિત્વમાં છે. વેક્ટર ઘટક મૂલ્યો ડબલ્યુ SRO ના હાર્ડવેર અમલીકરણ પહેલાના તબક્કે અગાઉથી અથવા સીધા SRO દ્વારા તેની કામગીરી દરમિયાન મળી શકે છે. આમાંનો છેલ્લો અભિગમ SRO ની વધુ સુગમતા અને સ્વાયત્તતા પ્રદાન કરે છે. ચાલો પર્સેન્ટ્રોન નામના ઉપકરણના ઉદાહરણનો ઉપયોગ કરીને તેને ધ્યાનમાં લઈએ. 1957 માં અમેરિકન વૈજ્ઞાનિક રોઝેનબ્લાટ દ્વારા શોધ કરવામાં આવી હતી. પર્સેન્ટ્રોનનું એક યોજનાકીય રજૂઆત, જે ખાતરી કરે છે કે છબી બેમાંથી એક વર્ગને સોંપવામાં આવી છે, તે નીચેની આકૃતિમાં રજૂ કરવામાં આવી છે.

રેટિના એસરેટિના એરેટિના આર

ઓહ ઓહ x 1

ઓહ ઓહ x 2

ઓહ ઓહ x 3

o (સરવાળા)-------> આર(પ્રતિક્રિયા)

ઓહ ઓહ x i

ઓહ ઓહ x n

ઓહ ઓહ x n +1

ઉપકરણમાં રેટિના સંવેદનાત્મક તત્વોનો સમાવેશ થાય છે એસ, જે રેટિનાના સહયોગી તત્વો સાથે અવ્યવસ્થિત રીતે જોડાયેલા છે એ. બીજા રેટિનાનું દરેક તત્વ માત્ર ત્યારે જ આઉટપુટ સિગ્નલ ઉત્પન્ન કરે છે જ્યારે તેના ઇનપુટ સાથે જોડાયેલ સંવેદનાત્મક તત્વોની પૂરતી સંખ્યા ઉત્તેજિત સ્થિતિમાં હોય. સમગ્ર સિસ્ટમ પ્રતિભાવ આરચોક્કસ વજન સાથે લેવામાં આવેલા એસોસિએટીવ રેટિનાના ઘટકોની પ્રતિક્રિયાઓના સરવાળાના પ્રમાણસર છે.

દ્વારા નિયુક્ત x iપ્રતિક્રિયા iમી સહયોગી તત્વ અને મારફતે w i- પ્રતિક્રિયા વજન ગુણાંક iમી સહયોગી તત્વ, સિસ્ટમ પ્રતિક્રિયા તરીકે લખી શકાય છે આર= સરવાળો( w j x j), j=1,..,n. જો આર>0, તો પછી સિસ્ટમમાં પ્રસ્તુત ઇમેજ A વર્ગની છે, અને જો આર<0, то образ относится к классу B. Описание этой процедуры классификации соответствует рассмотренным нами раньше принципам классификации, и, очевидно, перцентронная модель распознавания образов представляет собой, за исключением сенсорной сетчатки, реализацию линейной дискриминантной функции. Принятый в перцентроне принцип формирования значений x 1 , x 2 ,...,x nપ્રાથમિક સેન્સર્સના સિગ્નલોના આધારે સુવિધાઓ જનરેટ કરવા માટેના કેટલાક અલ્ગોરિધમને અનુરૂપ છે.

સામાન્ય રીતે, ત્યાં ઘણા ઘટકો હોઈ શકે છે આર, પરસેપ્ટ્રોન પ્રતિક્રિયા બનાવે છે. આ કિસ્સામાં, તેઓ પરસેપ્ટ્રોનમાં રેટિનાની હાજરી વિશે વાત કરે છે આરપ્રતિક્રિયાશીલ તત્વો.

જ્યારે વર્ગોની સંખ્યા બે કરતા વધુ હોય ત્યારે રેટિના તત્વોની સંખ્યામાં વધારો કરીને પર્સેન્ટ્રોન સ્કીમને કેસ સુધી વધારી શકાય છે. આરઉપરોક્ત આકૃતિમાં પ્રસ્તુત રેખાકૃતિ અનુસાર મહત્તમ પ્રતિક્રિયા નક્કી કરવા માટે અલગ કરી શકાય તેવા વર્ગોની સંખ્યા અને બ્લોકની રજૂઆત સુધી. આ કિસ્સામાં, છબી નંબર સાથે વર્ગને સોંપવામાં આવે છે i, જો આર આઇ>આરજે, બધા માટે j.

પર્સેન્ટ્રોન તાલીમ પ્રક્રિયામાં વેઇટીંગ ગુણાંકના મૂલ્યોની પસંદગીનો સમાવેશ થાય છે w જેજેથી કરીને આઉટપુટ સિગ્નલ તે વર્ગને અનુરૂપ હોય કે જેની સાથે માન્યતા પ્રાપ્ત ઈમેજ સંબંધિત છે.

ચાલો બે વર્ગોના ઑબ્જેક્ટ્સને ઓળખવાના ઉદાહરણનો ઉપયોગ કરીને પર્સેન્ટ્રોન ઍક્શન અલ્ગોરિધમનો વિચાર કરીએ: A અને B. વર્ગ Aના ઑબ્જેક્ટ મૂલ્યને અનુરૂપ હોવા જોઈએ આર= +1, અને વર્ગ B - મૂલ્ય આર= -1.

શીખવાની અલ્ગોરિધમ નીચે મુજબ છે.

જો આગામી છબી xવર્ગ A થી સંબંધિત છે, પરંતુ આર<0 (имеет место ошибка распознавания), тогда коэффициенты w જેમૂલ્યો અનુરૂપ સૂચકાંકો સાથે x જે>0, અમુક રકમ વધારો dw, અને બાકીના ગુણાંક w જેદ્વારા ઘટાડો dw. આ કિસ્સામાં, પ્રતિક્રિયાનું મૂલ્ય આરતેના તરફ ઇન્ક્રીમેન્ટ મેળવે છે હકારાત્મક મૂલ્યો, યોગ્ય વર્ગીકરણને અનુરૂપ.

જો xવર્ગ B થી સંબંધિત છે, પરંતુ આર>0 (ત્યાં એક માન્યતા ભૂલ છે), પછી ગુણાંક w જેઅનુરૂપ સૂચકાંકો સાથે x જે<0, увеличивают на dw, અને બાકીના ગુણાંક w જેસમાન રકમ દ્વારા ઘટાડો. આ કિસ્સામાં, પ્રતિક્રિયાનું મૂલ્ય આરસાચા વર્ગીકરણને અનુરૂપ નકારાત્મક મૂલ્યો તરફ વધારો મેળવે છે.

અલ્ગોરિધમ આમ વજનના વેક્ટરમાં ફેરફાર કરે છે ડબલ્યુજો અને માત્ર જો છબી પર રજૂ કરવામાં આવી હોય k-મું પ્રશિક્ષણ પગલું, આ પગલું ચલાવતી વખતે ખોટી રીતે વર્ગીકૃત કરવામાં આવ્યું હતું, અને વજનના વેક્ટરને છોડી દે છે ડબલ્યુજો યોગ્ય રીતે વર્ગીકૃત કરવામાં આવે તો કોઈ ફેરફાર નથી. આ અલ્ગોરિધમના કન્વર્જન્સનો પુરાવો [Tu, Gonzalez] માં રજૂ કરવામાં આવ્યો છે. આવી તાલીમ આખરે (યોગ્ય પસંદગી સાથે dwઅને ઇમેજ વર્ગોની રેખીય અલગતા) વેક્ટર તરફ દોરી જાય છે ડબલ્યુ, યોગ્ય વર્ગીકરણની ખાતરી કરવી.

આંકડાકીય માન્યતા પદ્ધતિઓ.

આંકડાકીય પદ્ધતિઓ વર્ગીકરણ ભૂલની સંભાવનાને ઘટાડવા પર આધારિત છે. ઓળખ માટે સબમિટ કરેલી છબીના ખોટા વર્ગીકરણની સંભાવના P, લક્ષણ વેક્ટર દ્વારા વર્ણવવામાં આવે છે x, સૂત્ર દ્વારા નક્કી કરવામાં આવે છે

P = સરવાળો[ પી(i)સમસ્યા( ડી(x)+i | xવર્ગ i)]

જ્યાં m- વર્ગોની સંખ્યા,

પી(i) = સમસ્યા ( xવર્ગનો છે i) - મનસ્વી છબી સાથે જોડાયેલા હોવાની પ્રાથમિક સંભાવના xપ્રતિ iમી વર્ગ (છબીઓના દેખાવની આવર્તન i-મા વર્ગ),

ડી(x) - એક કાર્ય જે વર્ગીકરણનો નિર્ણય લે છે (સુવિધાઓનું વેક્ટર xવર્ગ નંબર સાથે મેળ ખાય છે iસેટમાંથી (1,2,..., m}),

સમસ્યા( ડી(x) સમાન નથી i| xવર્ગનો છે i) - ઘટનાની સંભાવના " ડી(x) સમાન નથી i"જ્યારે સભ્યપદની શરત પૂરી થાય છે xવર્ગ i, એટલે કે કાર્ય દ્વારા ખોટો નિર્ણય લેવાની સંભાવના ડી(xઆપેલ મૂલ્ય માટે x, માલિકીની i-મા વર્ગ.

તે બતાવી શકાય છે કે ખોટી વર્ગીકરણની સંભાવના ન્યૂનતમ સુધી પહોંચે છે જો ડી(x)=iજો અને માત્ર જો પી(x|i)· પી(i)>પી(x|j)· પી(j), બધા માટે i+j, ક્યાં પી(x|i) - છબી વિતરણ ઘનતા i- લક્ષણ જગ્યામાં વર્ગ.

ઉપરોક્ત નિયમ મુજબ, બિંદુ xમહત્તમ મૂલ્ય જે વર્ગને અનુરૂપ છે તેની સાથે સંબંધિત છે પી(i) પી(x|i), એટલે કે છબીઓના દેખાવની પૂર્વ સંભાવના (આવર્તન) નું ઉત્પાદન i-વર્ગ અને છબી વિતરણ ઘનતા i- લક્ષણ જગ્યામાં વર્ગ. પ્રસ્તુત વર્ગીકરણ નિયમને બાયસિયન કહેવામાં આવે છે, કારણ કે તે સંભાવના સિદ્ધાંતમાં જાણીતા બેયસ સૂત્રમાંથી અનુસરે છે.

ઉદાહરણ. ધારો કે માન્યતા હાથ ધરવી જરૂરી છે અલગ સંકેતોબહાર નીકળવા પર માહિતી ચેનલઅવાજના સંપર્કમાં.

દરેક ઇનપુટ સિગ્નલ 0 અથવા 1 દર્શાવે છે. સિગ્નલ ટ્રાન્સમિશનના પરિણામે, મૂલ્ય ચેનલના આઉટપુટ પર દેખાય છે x, જે શૂન્ય સરેરાશ અને ભિન્નતા b સાથે ગૌસીયન અવાજ સાથે સુપરઇમ્પોઝ થયેલ છે.

ક્લાસિફાયરનું સંશ્લેષણ કરવા માટે કે જે સિગ્નલ ઓળખ કરે છે, અમે બાયસિયન વર્ગીકરણ નિયમનો ઉપયોગ કરીશું.

અમે વર્ગ નં. 1 માં સિગ્નલોનું પ્રતિનિધિત્વ કરીએ છીએ, અને શૂન્યનું પ્રતિનિધિત્વ કરતા સંકેતોને વર્ગ નંબર 2 માં જોડીશું. અગાઉથી જાણી લઈએ કે સરેરાશ દર 1000 સિગ્નલમાંથી aસંકેતો એકમો અને bસંકેતો - શૂન્ય. પછી અનુક્રમે 1 લી અને 2 જી વર્ગો (એક અને શૂન્ય) ના સંકેતોના દેખાવની પ્રાથમિક સંભાવનાઓના મૂલ્યો સમાન લઈ શકાય છે.

p(1)=a/1000, p(2)=b/1000.

કારણ કે અવાજ ગૌસીયન છે, એટલે કે. સામાન્ય (ગૌસિયન) વિતરણ કાયદાનું પાલન કરે છે, પછી મૂલ્યના આધારે પ્રથમ વર્ગની છબીઓની વિતરણ ઘનતા x, અથવા, જે સમાન વસ્તુ છે, આઉટપુટ મૂલ્ય મેળવવાની સંભાવના xજ્યારે ઇનપુટ પર સિગ્નલ 1 લાગુ કરવામાં આવે છે, ત્યારે તે અભિવ્યક્તિ દ્વારા નક્કી કરવામાં આવે છે

પી(x¦1) =(2પીબી) -1/2 એક્સપ(-( x-1) 2 /(2b 2)),

અને મૂલ્યના આધારે વિતરણ ઘનતા xબીજા વર્ગની છબીઓ, એટલે કે. આઉટપુટ મૂલ્ય મેળવવાની સંભાવના xજ્યારે ઇનપુટ પર સિગ્નલ 0 લાગુ કરવામાં આવે છે, ત્યારે તે અભિવ્યક્તિ દ્વારા નક્કી થાય છે

પી(x¦2)= (2pib) -1/2 exp(- x 2 /(2b 2)),

બાયસિયન નિર્ણય નિયમનો ઉપયોગ એ નિષ્કર્ષ તરફ દોરી જાય છે કે વર્ગ 2 સિગ્નલ પ્રસારિત કરવામાં આવ્યો છે, એટલે કે. null પસાર થાય છે જો

પી(2) પી(x¦2) > પી(1) પી(x¦1)

અથવા, વધુ વિશિષ્ટ રીતે, જો

bસમાપ્તિ (- x 2 /(2b 2)) > aસમાપ્તિ(-( x-1) 2 /(2b 2)),

વિભાજન કરીને ડાબી બાજુજમણી બાજુની અસમાનતા, આપણને મળે છે

(b/a) exp((1-2 x)/(2બી 2)) >1,

જ્યાં લઘુગણક લીધા પછી આપણે શોધીએ છીએ

1-2x> 2b 2 ln(a/b)

x< 0.5 - б 2 ln(a/b)

પરિણામી અસમાનતામાંથી તે અનુસરે છે કે જ્યારે a=b, એટલે કે સિગ્નલો 0 અને 1 ની સમાન અગ્રિમ સંભાવનાઓ સાથે, છબીને 0 મૂલ્ય સોંપવામાં આવે છે જ્યારે x<0.5, а значение 1, когда x>0.5.

જો તે અગાઉથી જાણીતું હોય કે સિગ્નલોમાંથી એક વધુ વખત દેખાય છે અને અન્ય ઓછી વારંવાર, એટલે કે. અસમાન મૂલ્યોના કિસ્સામાં aઅને b, વર્ગીકૃતનો પ્રતિભાવ થ્રેશોલ્ડ એક અથવા બીજી દિશામાં બદલાય છે.

તેથી જ્યારે a/b=2.71 (જે એકમોના 2.71 ગણા વધુ વારંવાર ટ્રાન્સમિશનને અનુરૂપ છે) અને b 2 =0.1, છબીને મૂલ્ય 0 સોંપવામાં આવે છે જો x<0.4, и значение 1, если x>0.4. જો અગાઉના વિતરણની સંભાવનાઓ વિશે માહિતી ઉપલબ્ધ ન હોય, તો પછી આંકડાકીય પદ્ધતિઓમાન્યતા, જે બેયેશિયન સિવાયના વર્ગીકરણ નિયમો પર આધારિત છે.

જો કે, વ્યવહારમાં, સૌથી સામાન્ય પદ્ધતિઓ તે છે જે બેયસના નિયમો પર આધારિત છે કારણ કે તેમની વધુ કાર્યક્ષમતા છે, અને એ પણ હકીકતને કારણે કે મોટાભાગની પેટર્ન ઓળખ સમસ્યાઓમાં તે સેટ કરવું શક્ય છે. પૂર્વ સંભાવનાઓદરેક વર્ગની છબીઓનો દેખાવ.

પેટર્નની ઓળખની ભાષાકીય પદ્ધતિઓ.

પેટર્નની ઓળખની ભાષાકીય પદ્ધતિઓ આદર્શ છબીના વર્ણનના વિશ્લેષણ પર આધારિત છે, જે ગ્રાફ અથવા અક્ષરોની સાંકળના સ્વરૂપમાં પ્રસ્તુત છે, જે ચોક્કસ ભાષાના શબ્દસમૂહ અથવા વાક્ય છે.

ઉપર વર્ણવેલ ભાષાકીય માન્યતાના પ્રથમ તબક્કાના પરિણામે પ્રાપ્ત અક્ષરોની આદર્શ છબીઓને ધ્યાનમાં લો. આ આદર્શ છબીઓને આલેખના વર્ણન દ્વારા સ્પષ્ટ કરી શકાય છે, ઉદાહરણ તરીકે, કનેક્શન મેટ્રિસિસના સ્વરૂપમાં, જેમ કે ઉપર ચર્ચા કરેલ ઉદાહરણમાં કરવામાં આવ્યું હતું. સમાન વર્ણન શબ્દસમૂહ દ્વારા રજૂ કરી શકાય છે ઔપચારિક ભાષા(અભિવ્યક્તિ).

ઉદાહરણ. પ્રારંભિક ઇમેજ પ્રોસેસિંગના પરિણામે પ્રાપ્ત થયેલ અક્ષર A ની ત્રણ છબીઓ આપવા દો. ચાલો આ છબીઓને ઓળખકર્તા A1, A2 અને A3 દ્વારા સૂચિત કરીએ.

પ્રસ્તુત છબીઓનું ભાષાકીય રીતે વર્ણન કરવા માટે, અમે PDL (ચિત્ર વર્ણનની ભાષા) નો ઉપયોગ કરીશું. PDL શબ્દભંડોળમાં નીચેના પ્રતીકોનો સમાવેશ થાય છે:

1. સૌથી સરળ છબીઓના નામ (આદિમ). વિચારણા હેઠળના કેસમાં લાગુ થયા મુજબ, આદિમ અને તેમના અનુરૂપ નામો નીચે મુજબ છે.

નિર્દેશિત રેખાના સ્વરૂપમાં છબીઓ:

ઉપર અને ડાબે (le એફ t), ઉત્તર (ઉત્તર), ઉપર અને જમણે (જમણે), પૂર્વ).

નામો: L, N, R, E.

2. દ્વિસંગી કામગીરીના પ્રતીકો. (+,*,-) તેમનો અર્થ આદિમ (+) ના અનુક્રમિક જોડાણને અનુરૂપ છે, આદિમના શરૂઆત અને અંતનું જોડાણ (*), ફક્ત આદિમના અંતનું જોડાણ (-).

3. જમણા અને ડાબા કૌંસ. ((,)) કૌંસ તમને અભિવ્યક્તિમાં ક્રિયાઓનો ક્રમ નક્કી કરવા દે છે.

ધ્યાનમાં લેવામાં આવેલી છબીઓ A1, A2 અને A3 અનુક્રમે PDL ભાષામાં નીચેના અભિવ્યક્તિઓ દ્વારા વર્ણવવામાં આવી છે.

T(1)=R+((R-(L+N))*E-L

T(2)=(R+N)+(N+R)-L)*E-L

T(3)=(N+R)+(R-L)*E-(L+N)

ઇમેજનું ભાષાકીય વર્ણન તૈયાર થઈ ગયા પછી, કેટલીક ઓળખ પ્રક્રિયાનો ઉપયોગ કરીને, આ ઇમેજ આપણા રસના વર્ગ (અક્ષરો A વર્ગ) ની છે કે નહીં તેનું વિશ્લેષણ કરવું જરૂરી છે, એટલે કે. આ ઇમેજમાં કંઇક બંધારણ છે કે નહીં. આ કરવા માટે, સૌ પ્રથમ, છબીઓના વર્ગનું વર્ણન કરવું જરૂરી છે કે જેનું માળખું આપણને રુચિ ધરાવે છે.

દેખીતી રીતે, અક્ષર Aમાં હંમેશા નીચેના માળખાકીય તત્વો હોય છે: ડાબો પગ, જમણો પગ અને માથું. ચાલો આ તત્વોને અનુક્રમે STL, STR, TR કહીએ.

પછી PDL ભાષામાં પ્રતીક વર્ગ A - SIMB A ને અભિવ્યક્તિ દ્વારા વર્ણવવામાં આવે છે

SIMB A = STL + TR - STR

STL નો ડાબો "પગ" હંમેશા R અને N તત્વોની સાંકળ હોય છે, જે આ રીતે લખી શકાય છે

STL ‑> R ¦ N ¦ (STL + R)¦ (STL + N)

(STL એ R અથવા N અક્ષર છે, અથવા સ્ત્રોત STL સ્ટ્રિંગમાં R અથવા N અક્ષરો ઉમેરીને મેળવવામાં આવેલ સ્ટ્રિંગ છે)

STR નો જમણો "પગ" હંમેશા L અને N તત્વોની સાંકળ હોય છે, જે આ રીતે લખી શકાય છે, એટલે કે.

STR ‑> L¦N¦ (STR + L)¦(STR + N)

અક્ષરનો મુખ્ય ભાગ - TR એ તત્વ E અને STL અને STR જેવી સાંકળોથી બનેલો બંધ સમોચ્ચ છે.

પીડીએલમાં, ટીઆર માળખું અભિવ્યક્તિ દ્વારા વર્ણવવામાં આવે છે

TR ‑> (STL - STR) * E

અમને અંતે અક્ષર વર્ગ A નું નીચેનું વર્ણન મળે છે:

SIMB A ‑> (STL + TR - STR),

STL ‑> R¦N¦ (STL + R)¦(STL + N)

STR ‑> L¦N¦ (STR + L)¦(STR + N)

TR ‑> (STL - STR) * E

આ કિસ્સામાં માન્યતા પ્રક્રિયા નીચે પ્રમાણે અમલમાં મૂકી શકાય છે.

1. ઇમેજને અનુરૂપ અભિવ્યક્તિની સંદર્ભ રચના STL + TR - STR સાથે સરખામણી કરવામાં આવે છે.

2. રચનાના દરેક તત્વ STL, TR, STR, જો શક્ય હોય તો, એટલે કે. જો ઇમેજ વર્ણન પ્રમાણભૂત સાથે તુલનાત્મક હોય, તો T(A) અભિવ્યક્તિમાંથી કેટલાક ઉપ-અભિવ્યક્તિ મેળ ખાય છે. દાખ્લા તરીકે,

A1 માટે: STL=R, STR=L, TR=(R-(L+N))*E

A2 માટે: STL = R + N, STR = L, TR = ((N + R) - L) * E

A3 માટે: STL = N + R, STR = L + N, TR = (R - L) * E 3.

અભિવ્યક્તિઓ STL, STR, TR ની તુલના તેમના અનુરૂપ સંદર્ભ માળખા સાથે કરવામાં આવે છે.

4. જો દરેક અભિવ્યક્તિ STL, STR, TR પ્રમાણભૂત એકને અનુરૂપ હોય, તો એક નિષ્કર્ષ કાઢવામાં આવે છે કે છબી અક્ષર વર્ગ Aની છે. જો કોઈપણ તબક્કામાં 2, 3, 4 ની રચના વચ્ચે વિસંગતતા હોય વિશ્લેષિત અભિવ્યક્તિ અને ધોરણ શોધી કાઢવામાં આવે છે, એક નિષ્કર્ષ કાઢવામાં આવે છે કે છબી SIMB વર્ગ A ની નથી. અભિવ્યક્તિ રચનાઓની તુલના એલ્ગોરિધમિક ભાષાઓ LISP, PLANER, PROLOG અને અન્ય સમાન ભાષાઓનો ઉપયોગ કરીને કરી શકાય છે. કૃત્રિમ બુદ્ધિ.

વિચારણા હેઠળના ઉદાહરણમાં, તમામ STL સાંકળો N અને R ચિહ્નોથી બનેલી છે, અને STR સાંકળો L અને N ચિહ્નોથી બનેલી છે, જે આ સાંકળોની આપેલ રચનાને અનુરૂપ છે. વિચારણા હેઠળની છબીઓમાં TR નું માળખું પણ સંદર્ભને અનુરૂપ છે, ત્યારથી STL, STR જેવી સાંકળોના "તફાવત" નો સમાવેશ થાય છે, E પ્રતીક દ્વારા "ગુણાકાર" થાય છે.

આમ, અમે નિષ્કર્ષ પર આવીએ છીએ કે વિચારણા હેઠળની છબીઓ વર્ગની છે SIMBએ.

ડીસી ઇલેક્ટ્રિક ડ્રાઇવ માટે ફઝી કંટ્રોલરનું સંશ્લેષણMatLab પર્યાવરણમાં

એક ઇનપુટ અને આઉટપુટ સાથે અસ્પષ્ટ નિયંત્રકનું સંશ્લેષણ.

સમસ્યા વિવિધ ઇનપુટ સિગ્નલોને ચોક્કસ રીતે અનુસરવા માટે ડ્રાઇવ મેળવવામાં છે. નિયંત્રણ ક્રિયાનો વિકાસ એક અસ્પષ્ટ નિયંત્રક દ્વારા હાથ ધરવામાં આવે છે, જેમાં નીચેના કાર્યાત્મક બ્લોક્સને માળખાકીય રીતે અલગ કરી શકાય છે: એક ફઝીફાયર, નિયમોનો બ્લોક અને ડિફઝીફાયર.

Fig.4 બે ભાષાકીય ચલો સાથેની સિસ્ટમનું સામાન્યકૃત કાર્યાત્મક રેખાકૃતિ.

ફિગ.5 બે ભાષાકીય ચલો સાથે અસ્પષ્ટ નિયંત્રકનું યોજનાકીય રેખાકૃતિ.

સામાન્ય કિસ્સામાં ફઝી કંટ્રોલ એલ્ગોરિધમ એ ફઝી કંટ્રોલરના ઇનપુટ ચલોનું તેના આઉટપુટ ચલોમાં નીચેની આંતરસંબંધિત પ્રક્રિયાઓનો ઉપયોગ કરીને રૂપાંતર છે:

1. ફઝી કંટ્રોલરના ઇનપુટ ભાષાકીય ચલોમાં કંટ્રોલ ઑબ્જેક્ટમાંથી માપન સેન્સરમાંથી પ્રાપ્ત ઇનપુટ ભૌતિક ચલોનું રૂપાંતર;

2. પ્રક્રિયા તાર્કિક નિવેદનો, નિયંત્રકના ઇનપુટ અને આઉટપુટ ભાષાકીય ચલોને લગતા, ભાષાકીય નિયમો કહેવાય છે;

3. ફઝી કંટ્રોલરના આઉટપુટ ભાષાકીય ચલોનું ભૌતિક નિયંત્રણ ચલોમાં રૂપાંતર.

ચાલો આપણે સૌપ્રથમ સરળ કેસને ધ્યાનમાં લઈએ, જ્યારે સર્વો ડ્રાઈવને નિયંત્રિત કરવા માટે માત્ર બે ભાષાકીય ચલો રજૂ કરવામાં આવે છે:

"કોણ" એક ઇનપુટ ચલ છે;

"નિયંત્રણ ક્રિયા" એ આઉટપુટ ચલ છે.

અમે ટૂલબોક્સનો ઉપયોગ કરીને MatLab પર્યાવરણમાં નિયંત્રકને સંશ્લેષણ કરીશું " અસ્પષ્ટ તર્ક" તે તમને સિમુલિંકમાં એકીકૃત કરવાની ક્ષમતા સાથે, MatLab પર્યાવરણમાં અસ્પષ્ટ અનુમાન અને અસ્પષ્ટ વર્ગીકરણ સિસ્ટમ્સ બનાવવાની મંજૂરી આપે છે. મૂળભૂત ખ્યાલફઝી લોજિક ટૂલબોક્સ એ FIS-સ્ટ્રક્ચર છે - ફઝી ઇન્ફરન્સ સિસ્ટમ (ફઝી ઇન્ફરન્સ સિસ્ટમ). FIS માળખું ફિગમાં બતાવેલ ડાયાગ્રામ અનુસાર અસ્પષ્ટ તાર્કિક અનુમાનના આધારે કાર્યાત્મક મેપિંગ "ઇનપુટ-આઉટપુટ" ને અમલમાં મૂકવા માટે તમામ જરૂરી ડેટા ધરાવે છે. 6.

આકૃતિ 6. અસ્પષ્ટ અનુમાન.

X - ઇનપુટ ચપળ વેક્ટર; - વેક્ટર અસ્પષ્ટ સેટ, ઇનપુટ વેક્ટર X ને અનુરૂપ;
- અસ્પષ્ટ સમૂહોના વેક્ટરના સ્વરૂપમાં તાર્કિક અનુમાનનું પરિણામ - આઉટપુટ સ્પષ્ટ વેક્ટર;

અસ્પષ્ટ મોડ્યુલ તમને બે પ્રકારની અસ્પષ્ટ સિસ્ટમ્સ બનાવવાની મંજૂરી આપે છે - મમદાની અને સુજેનો. મમદાની જેવી પ્રણાલીઓમાં, જ્ઞાનનો આધાર ફોર્મના નિયમોનો સમાવેશ કરે છે "જો x 1 = નીચો અને x 2 = મધ્યમ, તો y = ઉચ્ચ". સુજેનો-પ્રકારની પ્રણાલીઓમાં, જ્ઞાનનો આધાર ફોર્મના નિયમોનો સમાવેશ કરે છે "જો x 1 = નીચું અને x 2 = મધ્યમ, તો y = a 0 +a 1 x 1 +a 2 x 2 ". આમ, મમદાની અને સુજેનો સિસ્ટમો વચ્ચેનો મુખ્ય તફાવત છે અલગ અલગ રીતેનિયમોમાં આઉટપુટ વેરીએબલના મૂલ્યો સુયોજિત કરવા જે જ્ઞાન આધાર બનાવે છે. મમદાની પ્રકારની સિસ્ટમોમાં, આઉટપુટ વેરીએબલના મૂલ્યો અસ્પષ્ટ શબ્દો દ્વારા નિર્દિષ્ટ કરવામાં આવે છે, સુજેનો પ્રકારની સિસ્ટમોમાં - ઇનપુટ ચલોના રેખીય સંયોજન તરીકે. અમારા કિસ્સામાં, અમે સુજેનો સિસ્ટમનો ઉપયોગ કરીશું, કારણ કે તે ઓપ્ટિમાઇઝેશન માટે પોતાને વધુ સારી રીતે ઉધાર આપે છે.

સર્વો ડ્રાઇવને નિયંત્રિત કરવા માટે, બે ભાષાકીય ચલો રજૂ કરવામાં આવે છે: "ભૂલ" (સ્થિતિ દ્વારા) અને "નિયંત્રણ ક્રિયા". તેમાંથી પ્રથમ ઇનપુટ છે, બીજું આઉટપુટ છે. ચાલો નિર્દિષ્ટ ચલો માટે એક શબ્દ સમૂહ વ્યાખ્યાયિત કરીએ.

અસ્પષ્ટ તાર્કિક અનુમાનના મૂળભૂત ઘટકો. ફઝીફાયર.

દરેક ભાષાકીય ચલ માટે, અમે ફોર્મના મૂળભૂત શબ્દ સમૂહને વ્યાખ્યાયિત કરીએ છીએ, જેમાં અસ્પષ્ટ સેટનો સમાવેશ થાય છે જેને નિયુક્ત કરી શકાય છે: નકારાત્મક ઉચ્ચ, નકારાત્મક નીચું, શૂન્ય, હકારાત્મક નીચું, હકારાત્મક ઉચ્ચ.

સૌ પ્રથમ, ચાલો આપણે "મોટી ભૂલ", "નાની ભૂલ" વગેરે શબ્દોનો અર્થ શું છે તે વ્યક્તિલક્ષી રીતે વ્યાખ્યાયિત કરીએ, અનુરૂપ અસ્પષ્ટ સમૂહો માટે સભ્યપદના કાર્યો નક્કી કરીએ. અહીં, હમણાં માટે, તમે ફક્ત જરૂરી ચોકસાઈ, ઇનપુટ સંકેતોના વર્ગ માટે જાણીતા પરિમાણો અને સામાન્ય જ્ઞાન દ્વારા માર્ગદર્શન મેળવી શકો છો. સભ્યપદ કાર્યોના પરિમાણોને પસંદ કરવા માટે હજુ સુધી કોઈ કડક અલ્ગોરિધમનો પ્રસ્તાવ કરી શક્યું નથી. અમારા કિસ્સામાં, ભાષાકીય ચલ "ભૂલ" આના જેવો દેખાશે.

ફિગ.7. ભાષાકીય ચલ "ભૂલ".

ભાષાકીય ચલ "નિયંત્રણ" ને કોષ્ટકના રૂપમાં પ્રસ્તુત કરવું વધુ અનુકૂળ છે:

કોષ્ટક 1

નિયમ બ્લોક.

ચાલો કેટલાક નિયમોને વ્યાખ્યાયિત કરવાના ક્રમને ધ્યાનમાં લઈએ જે કેટલીક પરિસ્થિતિઓનું વર્ણન કરે છે:

ધારો કે, ઉદાહરણ તરીકે, આઉટપુટ એંગલ ઇનપુટ સિગ્નલ સમાન છે (એટલે ​​​​કે, ભૂલ શૂન્ય છે). દેખીતી રીતે, આ ઇચ્છિત પરિસ્થિતિ છે, અને તેથી આપણે કંઈ કરવાની જરૂર નથી (નિયંત્રણ ક્રિયા શૂન્ય છે).

હવે બીજા કેસનો વિચાર કરો: સ્થિતિની ભૂલ શૂન્ય કરતાં ઘણી મોટી છે. સ્વાભાવિક રીતે, આપણે મોટા હકારાત્મક નિયંત્રણ સિગ્નલ જનરેટ કરીને તેની ભરપાઈ કરવી જોઈએ.

તે. બે નિયમો બનાવવામાં આવ્યા છે, જેને ઔપચારિક રીતે નીચે પ્રમાણે વ્યાખ્યાયિત કરી શકાય છે:

જોભૂલ = શૂન્ય, તેનિયંત્રણ ક્રિયા = શૂન્ય.

જોભૂલ = મોટી હકારાત્મક, તેનિયંત્રણ પ્રભાવ = મોટું હકારાત્મક.

ફિગ.8. સ્થિતિમાં નાની હકારાત્મક ભૂલ સાથે નિયંત્રણની રચના.

ફિગ.9. શૂન્ય સ્થિતિ ભૂલ સાથે નિયંત્રણની રચના.

નીચે આપેલ કોષ્ટક આ માટે તમામ પરિસ્થિતિઓને અનુરૂપ તમામ નિયમો બતાવે છે સરળ કેસ.

કોષ્ટક 2

કુલમાં, n ઇનપુટ અને 1 આઉટપુટ સાથેના અસ્પષ્ટ નિયંત્રક માટે, નિયંત્રણ નિયમો વ્યાખ્યાયિત કરી શકાય છે, i-th ઇનપુટ માટે અસ્પષ્ટ સેટની સંખ્યા ક્યાં છે, પરંતુ નિયંત્રકની સામાન્ય કામગીરી માટે શક્ય તેટલું બધું જ વાપરવું જરૂરી નથી. નિયમો, પરંતુ તમે તેમાંથી ઓછા સાથે મેળવી શકો છો. અમારા કિસ્સામાં, તમામ 5 સંભવિત નિયમોનો ઉપયોગ અસ્પષ્ટ નિયંત્રણ સિગ્નલ જનરેટ કરવા માટે થાય છે.

ડિફઝીફાયર.

આમ, પરિણામી અસર U અમુક નિયમની પરિપૂર્ણતા અનુસાર નક્કી કરવામાં આવશે. જો એક સાથે અનેક નિયમો અમલમાં મુકવામાં આવે ત્યારે પરિસ્થિતિ ઉભી થાય, તો પરિણામી અસર U નીચેના સંબંધ અનુસાર જોવા મળે છે:

, જ્યાં n એ ટ્રિગર થયેલા નિયમોની સંખ્યા છે (પ્રાંતીય કેન્દ્ર પદ્ધતિ દ્વારા ડિફઝિફિકેશન), u એન – ભૌતિક અર્થદરેક ફઝી સેટને અનુરૂપ નિયંત્રણ સિગ્નલ યુબીઓ, યુએમઓ, યુઝેડ, યુએમપી, યુબીપી. mઅન(યુ)- અનુરૂપ અસ્પષ્ટ સમૂહ Un=( નિયંત્રણ સિગ્નલ u સાથે સંબંધિત ડિગ્રી યુબીઓ, યુએમઓ, યુઝેડ, યુએમપી, યુબીપી). અન્ય ડિફઝિફિકેશન પદ્ધતિઓ પણ છે જ્યાં આઉટપુટ ભાષાકીય ચલ "સૌથી મજબૂત" અથવા "નબળા" નિયમના પ્રમાણસર હોય છે.

ચાલો ઉપર વર્ણવેલ અસ્પષ્ટ નિયંત્રકનો ઉપયોગ કરીને ઇલેક્ટ્રિક ડ્રાઇવને નિયંત્રિત કરવાની પ્રક્રિયાનું મોડેલ બનાવીએ.

ફિગ. 10. માળખાકીય યોજનાપર્યાવરણમાં સિસ્ટમોમતલબ.

ફિગ. 11. પર્યાવરણમાં અસ્પષ્ટ નિયંત્રકનું બ્લોક ડાયાગ્રામમતલબ.

ફિગ. 12. એક પગલું ક્રિયા હેઠળ ક્ષણિક પ્રક્રિયા.

ચોખા. 13. એક ઇનપુટ ભાષાકીય ચલ ધરાવતું અસ્પષ્ટ નિયંત્રક સાથેના મોડેલ માટે હાર્મોનિક ઇનપુટ ક્રિયા હેઠળ ક્ષણિક પ્રક્રિયા.

સિન્થેસાઇઝ્ડ કંટ્રોલ એલ્ગોરિધમ સાથે ડ્રાઇવની લાક્ષણિકતાઓનું વિશ્લેષણ દર્શાવે છે કે તે અન્ય પદ્ધતિઓ દ્વારા નિયંત્રણને સંશ્લેષણ કરતી વખતે શ્રેષ્ઠ અને ખરાબ કરતાં દૂર છે (એક પગલાની ક્રિયા માટે નિયંત્રણનો સમય ઘણો લાંબો છે અને ભૂલ હાર્મોનિક છે). આ એ હકીકત દ્વારા સમજાવવામાં આવ્યું છે કે સભ્યપદ કાર્યોના પરિમાણો તદ્દન મનસ્વી રીતે પસંદ કરવામાં આવ્યા હતા, અને નિયંત્રક ઇનપુટ્સ તરીકે માત્ર સ્થિતિ ભૂલ મૂલ્યનો ઉપયોગ કરવામાં આવ્યો હતો. સ્વાભાવિક રીતે, પરિણામી નિયમનકારની કોઈપણ શ્રેષ્ઠતા વિશે કોઈ વાત કરી શકાતી નથી. તેથી, નિયંત્રણ ગુણવત્તાના ઉચ્ચતમ સંભવિત સૂચકાંકો પ્રાપ્ત કરવા માટે અસ્પષ્ટ નિયંત્રકને ઑપ્ટિમાઇઝ કરવાનું કાર્ય સુસંગત બને છે. તે. કાર્ય f(a 1 ,a 2 …a n) ને ઑપ્ટિમાઇઝ કરવાનું છે, જ્યાં a 1 ,a 2 …a n એ ગુણાંક છે જે અસ્પષ્ટ નિયંત્રકના પ્રકાર અને લાક્ષણિકતાઓને નિર્ધારિત કરે છે. ફઝી કંટ્રોલરને ઑપ્ટિમાઇઝ કરવા માટે, અમે Matlab પર્યાવરણમાંથી ANFIS બ્લોકનો ઉપયોગ કરીશું. ઉપરાંત, નિયંત્રકની લાક્ષણિકતાઓને સુધારવાની એક રીત તેના ઇનપુટ્સની સંખ્યામાં વધારો કરી શકે છે. આ રેગ્યુલેટરને વધુ લવચીક બનાવશે અને તેની કામગીરીમાં સુધારો કરશે. ચાલો એક વધુ ઇનપુટ ભાષાકીય ચલ ઉમેરીએ - ઇનપુટ સિગ્નલ (તેના વ્યુત્પન્ન) ના ફેરફારનો દર. તે મુજબ નિયમોની સંખ્યા વધશે. પછી નિયમનકારનું સર્કિટ ડાયાગ્રામ ફોર્મ લેશે:

ફિગ. 14 ત્રણ ભાષાકીય ચલો સાથે અસ્પષ્ટ નિયંત્રકની યોજનાકીય રેખાકૃતિ.

ઇનપુટ સિગ્નલ સ્પીડનું મૂલ્ય હોવા દો. અમે મૂળભૂત શબ્દ સમૂહ Tn ને આ રીતે વ્યાખ્યાયિત કરીએ છીએ:

Tn=("નકારાત્મક (BO)", "શૂન્ય (Z)", "પોઝિટિવ (BP)").

તમામ ભાષાકીય ચલો માટે સભ્યપદના કાર્યોનું સ્થાન આકૃતિમાં દર્શાવેલ છે.

ફિગ. 15. ભાષાકીય ચલ "ભૂલ" ના સભ્યપદ કાર્યો.

ફિગ. 16. ભાષાકીય ચલ "ઇનપુટ સિગ્નલ સ્પીડ" ના સભ્યપદ કાર્યો.

એક વધુ ભાષાકીય ચલ ઉમેરવાને કારણે, નિયમોની સંખ્યા વધીને 3x5=15 થશે. તેમના સંકલનનો સિદ્ધાંત ઉપરોક્ત ચર્ચા જેવો જ છે. તે બધા નીચેના કોષ્ટકમાં બતાવવામાં આવ્યા છે:

કોષ્ટક 3

ઉદાહરણ તરીકે, જો જોભૂલ = શૂન્ય અને ઇનપુટ સિગ્નલનું વ્યુત્પન્ન = મોટું હકારાત્મક, તેનિયંત્રણ પ્રભાવ = નાના નકારાત્મક.

ફિગ. 17. ત્રણ ભાષાકીય ચલો હેઠળ નિયંત્રણની રચના.

ઇનપુટ્સની સંખ્યામાં વધારો થવાને કારણે અને, તે મુજબ, નિયમો પોતે, અસ્પષ્ટ નિયંત્રકનું માળખું વધુ જટિલ બનશે.

ફિગ. 18. બે ઇનપુટ સાથે ફઝી કંટ્રોલરનો બ્લોક ડાયાગ્રામ.

એક ચિત્ર ઉમેરો

ફિગ.20. બે ઇનપુટ ભાષાકીય ચલો ધરાવતા અસ્પષ્ટ નિયંત્રક સાથેના મોડેલ માટે હાર્મોનિક ઇનપુટ ક્રિયા હેઠળની ક્ષણિક પ્રક્રિયા.

ચોખા. 21. બે ઇનપુટ ભાષાકીય ચલો ધરાવતા અસ્પષ્ટ નિયંત્રકવાળા મોડેલ માટે હાર્મોનિક ઇનપુટ ક્રિયા હેઠળ ભૂલ સંકેત.

ચાલો મેટલેબ પર્યાવરણમાં બે ઇનપુટ સાથે ફઝી કંટ્રોલરની કામગીરીનું અનુકરણ કરીએ. મોડેલનો બ્લોક ડાયાગ્રામ ફિગમાં જેવો જ હશે. 19. હાર્મોનિક ઇનપુટ ક્રિયા માટે ક્ષણિક પ્રક્રિયાના ગ્રાફ પરથી, તે જોઈ શકાય છે કે સિસ્ટમની ચોકસાઈ નોંધપાત્ર રીતે વધી છે, પરંતુ તે જ સમયે તેનું ઓસિલેશન વધ્યું છે, ખાસ કરીને તે સ્થાનો જ્યાં આઉટપુટ કોઓર્ડિનેટનું વ્યુત્પન્ન વલણ ધરાવે છે. શૂન્ય સુધી. દેખીતી રીતે, આના કારણો, ઉપર જણાવ્યા મુજબ, ઇનપુટ અને આઉટપુટ ભાષાકીય ચલો બંને માટે સભ્યપદ કાર્ય પરિમાણોની સબઓપ્ટીમલ પસંદગી છે. તેથી, અમે Matlab પર્યાવરણમાં ANFISedit બ્લોકનો ઉપયોગ કરીને ફઝી કંટ્રોલરને ઑપ્ટિમાઇઝ કરીએ છીએ.

અસ્પષ્ટ નિયંત્રકનું ઑપ્ટિમાઇઝેશન.

ચાલો અસ્પષ્ટ નિયંત્રકને ઑપ્ટિમાઇઝ કરવા માટે આનુવંશિક ગાણિતીક નિયમોના ઉપયોગને ધ્યાનમાં લઈએ. આનુવંશિક ગાણિતીક નિયમો - અનુકૂલનશીલ પદ્ધતિઓજે શોધમાં છે હમણાં હમણાંઘણીવાર કાર્યાત્મક ઓપ્ટિમાઇઝેશન સમસ્યાઓ ઉકેલવા માટે વપરાય છે. તેઓ આનુવંશિક પ્રક્રિયાઓની સમાનતા પર આધારિત છે જૈવિક સજીવોજૈવિક વસ્તી કાયદાઓનું પાલન કરીને, ઘણી પેઢીઓમાં વિકાસ પામે છે પ્રાકૃતિક પસંદગીઅને “સર્વાઈવલ ઓફ ધ ફીટેસ્ટ” ના સિદ્ધાંત મુજબ, ચાર્લ્સ દ્વારા ખોલવામાં આવ્યું હતુંડાર્વિન. આ પ્રક્રિયાનું અનુકરણ આનુવંશિક ગાણિતીક નિયમો"વિકાસશીલ" ઉકેલો માટે સક્ષમ વાસ્તવિક સમસ્યાઓ, જો તેઓ યોગ્ય રીતે એન્કોડ કરેલ હોય.

આનુવંશિક ગાણિતીક નિયમો "વ્યક્તિઓ"ના સંગ્રહ સાથે કામ કરે છે - એક વસ્તી - જેમાંથી દરેક આપેલ સમસ્યાના સંભવિત ઉકેલનું પ્રતિનિધિત્વ કરે છે. દરેક વ્યક્તિનું મૂલ્યાંકન તેની "અનુકૂલનક્ષમતા" ના માપદંડ દ્વારા કરવામાં આવે છે, જે મુજબ તેને અનુરૂપ સમસ્યાનું સમાધાન કેટલું "સારું" છે. સૌથી યોગ્ય વ્યક્તિઓ વસ્તીમાં અન્ય વ્યક્તિઓ સાથે "ક્રોસબ્રીડિંગ" દ્વારા સંતાનને "પ્રજનન" કરવામાં સક્ષમ છે. આ નવી વ્યક્તિઓના ઉદભવ તરફ દોરી જાય છે જે તેમના માતાપિતા પાસેથી વારસામાં મળેલી કેટલીક લાક્ષણિકતાઓને જોડે છે. સૌથી ઓછા ફિટ વ્યક્તિઓનું પુનઃઉત્પાદન થવાની શક્યતા ઓછી હોય છે, તેથી તેમની પાસે જે પણ લક્ષણો હતા તે ધીમે ધીમે વસ્તીમાંથી અદૃશ્ય થઈ જશે.

આ રીતે શક્ય ઉકેલોની સંપૂર્ણ નવી વસ્તીનું પુનઃઉત્પાદન કરવામાં આવે છે, પાછલી પેઢીના શ્રેષ્ઠ પ્રતિનિધિઓને પસંદ કરીને, તેમને પાર કરીને અને ઘણી નવી વ્યક્તિઓ મેળવે છે. આ નવી પેઢીમાં વિશેષતાઓનો ઉચ્ચ ગુણોત્તર છે સારી ડિક્સઅગાઉની પેઢી. આમ, પેઢી દર પેઢી, સારી લાક્ષણિકતાઓસમગ્ર વસ્તીમાં ફેલાય છે. આખરે, વસ્તી સમસ્યાના શ્રેષ્ઠ ઉકેલ તરફ વળશે.

આનુવંશિક અલ્ગોરિધમ્સના માળખામાં જૈવિક ઉત્ક્રાંતિના વિચારને અમલમાં મૂકવાની ઘણી રીતો છે. પરંપરાગત, આકૃતિ 22 માં બતાવેલ નીચેના બ્લોક ડાયાગ્રામ તરીકે રજૂ કરી શકાય છે, જ્યાં:

1. પ્રારંભિક વસ્તીની શરૂઆત - પેઢી આપેલ નંબરસમસ્યાના ઉકેલો કે જ્યાંથી ઑપ્ટિમાઇઝેશન પ્રક્રિયા શરૂ થાય છે;

2. ક્રોસઓવર અને મ્યુટેશન ઓપરેટર્સની અરજી;

3. રોકવાની પરિસ્થિતિઓ - સામાન્ય રીતે ઑપ્ટિમાઇઝેશન પ્રક્રિયા ત્યાં સુધી ચાલુ રહે છે જ્યાં સુધી આપેલ ચોકસાઈ સાથે સમસ્યાનો ઉકેલ ન મળે, અથવા જ્યાં સુધી તે નિર્ધારિત ન થાય કે પ્રક્રિયા કન્વર્જ થઈ ગઈ છે (એટલે ​​​​કે, સમસ્યાના ઉકેલમાં છેલ્લી N પેઢીઓમાં સુધારો થયો નથી).

Matlab પર્યાવરણમાં, આનુવંશિક ગાણિતીક નિયમો અલગ ટૂલબોક્સ દ્વારા તેમજ ANFIS પેકેજ દ્વારા દર્શાવવામાં આવે છે. ANFIS એ અનુકૂલનશીલ-નેટવર્ક-આધારિત ફઝી ઇન્ફરન્સ સિસ્ટમ - અનુકૂલનશીલ અસ્પષ્ટ અનુમાન નેટવર્કનું સંક્ષેપ છે. ANFIS એ હાઇબ્રિડ ન્યુરો-ફઝી નેટવર્કના પ્રથમ પ્રકારોમાંનું એક છે - એક ખાસ પ્રકારનું ફીડ-ફોરવર્ડ ન્યુરલ નેટવર્ક. ન્યુરો-ફઝી નેટવર્કનું આર્કિટેક્ચર અસ્પષ્ટ જ્ઞાન આધાર માટે આઇસોમોર્ફિક છે. ન્યુરો-ફઝી નેટવર્ક વિવિધ અમલીકરણોનો ઉપયોગ કરે છે ત્રિકોણાકાર ધોરણો(ગુણાકાર અને સંભવિત OR), તેમજ સરળ સભ્યપદ કાર્યો. આ તમને ન્યુરો-ફઝી નેટવર્ક સેટ કરવાની પદ્ધતિના આધારે ન્યુરલ નેટવર્કને તાલીમ આપવા માટે ઝડપી અને આનુવંશિક અલ્ગોરિધમનો ઉપયોગ કરવાની મંજૂરી આપે છે. બેકપ્રોપગેશનભૂલો ANFIS નેટવર્કના દરેક સ્તરના આર્કિટેક્ચર અને ઓપરેટિંગ નિયમો નીચે વર્ણવેલ છે.

ANFIS પાંચ-સ્તર ફીડફોરવર્ડ ન્યુરલ નેટવર્ક તરીકે સુજેનો ફઝી ઇન્ફરન્સ સિસ્ટમનો અમલ કરે છે. સ્તરોનો હેતુ નીચે મુજબ છે: પ્રથમ સ્તર ઇનપુટ ચલોની શરતો છે; બીજો સ્તર - અસ્પષ્ટ નિયમોના પૂર્વવર્તી (પરિસર); ત્રીજો સ્તર એ નિયમોના પાલનની ડિગ્રીનું સામાન્યકરણ છે; ચોથું સ્તર એ નિયમોનું નિષ્કર્ષ છે; પાંચમું સ્તર - પ્રાપ્ત પરિણામનું એકત્રીકરણ વિવિધ નિયમો.

નેટવર્ક ઇનપુટ્સ અલગ લેયરમાં ફાળવવામાં આવતા નથી. આકૃતિ 23 એક ઇનપુટ ચલ ("ભૂલ") અને પાંચ અસ્પષ્ટ નિયમો સાથે ANFIS નેટવર્ક બતાવે છે. ઇનપુટ ચલ "ભૂલ" ના ભાષાકીય મૂલ્યાંકન માટે, 5 શબ્દોનો ઉપયોગ થાય છે.

ફિગ.23. માળખુંANFIS- નેટવર્ક્સ

ચાલો આગળની રજૂઆત માટે જરૂરી નીચેના સંકેતો રજૂ કરીએ:

નેટવર્ક ઇનપુટ્સ રહેવા દો;

y - નેટવર્ક આઉટપુટ;

સાથે અસ્પષ્ટ નિયમ અનુક્રમ નંબરઆર;

m - નિયમોની સંખ્યા;

r-th નિયમ (,) માં ચલના ભાષાકીય મૂલ્યાંકન માટે ઉપયોગમાં લેવાતા સભ્યપદ કાર્ય સાથેનો અસ્પષ્ટ શબ્દ;

વાસ્તવિક સંખ્યાઓ r-th નિયમ (,) ના નિષ્કર્ષ પર.

ANFIS નેટવર્ક નીચે મુજબ કાર્ય કરે છે.

સ્તર 1.પ્રથમ સ્તરમાં દરેક નોડ ઘંટડીના આકારના સભ્યપદ કાર્ય સાથે એક શબ્દનું પ્રતિનિધિત્વ કરે છે. નેટવર્ક ઇનપુટ્સ ફક્ત તેમની શરતો સાથે જોડાયેલા છે. પ્રથમ સ્તરમાં નોડ્સની સંખ્યા ઇનપુટ વેરીએબલ્સના ટર્મ સેટ્સના કાર્ડિનલિટીના સરવાળા જેટલી છે. નોડનું આઉટપુટ એ ડિગ્રી છે કે જેમાં ઇનપુટ ચલનું મૂલ્ય અનુરૂપ અસ્પષ્ટ શબ્દ સાથે સંબંધિત છે:

,

જ્યાં a, b અને c સભ્યપદ કાર્યના રૂપરેખાંકિત પરિમાણો છે.

સ્તર 2.બીજા સ્તરમાં ગાંઠોની સંખ્યા m છે. આ સ્તરમાં દરેક નોડ એક અસ્પષ્ટ નિયમને અનુરૂપ છે. બીજા સ્તરનો નોડ પ્રથમ સ્તરના તે ગાંઠો સાથે જોડાયેલ છે જે અનુરૂપ નિયમના પૂર્વવર્તી બનાવે છે. તેથી, બીજા સ્તરમાં દરેક નોડ 1 થી n ઇનપુટ સંકેતો પ્રાપ્ત કરી શકે છે. નોડનું આઉટપુટ એ નિયમ પરિપૂર્ણતાની ડિગ્રી છે, જે ઇનપુટ સિગ્નલોના ઉત્પાદન તરીકે ગણવામાં આવે છે. ચાલો આ સ્તરના નોડ્સના આઉટપુટને , દ્વારા દર્શાવીએ.

સ્તર 3.ત્રીજા સ્તરમાં ગાંઠોની સંખ્યા પણ m છે. આ સ્તરનો દરેક નોડ અસ્પષ્ટ નિયમની પરિપૂર્ણતાની સંબંધિત ડિગ્રીની ગણતરી કરે છે:

સ્તર 4.ચોથા સ્તરમાં ગાંઠોની સંખ્યા પણ m છે. દરેક નોડ ત્રીજા સ્તરના એક નોડ સાથે તેમજ તમામ નેટવર્ક ઇનપુટ્સ સાથે જોડાયેલ છે (ઇનપુટ સાથેના જોડાણો ફિગ. 18 માં દર્શાવવામાં આવ્યા નથી). ચોથું સ્તર નોડ નેટવર્ક આઉટપુટમાં એક અસ્પષ્ટ નિયમના યોગદાનની ગણતરી કરે છે:

સ્તર 5.આ સ્તરમાં એક નોડ તમામ નિયમોના યોગદાનનો સારાંશ આપે છે:

.

એએનએફઆઈએસ નેટવર્કને રૂપરેખાંકિત કરવા માટે ન્યુરલ નેટવર્કને તાલીમ આપવા માટેની લાક્ષણિક પ્રક્રિયાઓનો ઉપયોગ કરી શકાય છે કારણ કે તે માત્ર વિભેદક કાર્યોનો ઉપયોગ કરે છે. સામાન્ય રીતે, બેકપ્રોપેગેશન અને ઓછામાં ઓછા ચોરસના સ્વરૂપમાં ઢાળના વંશના સંયોજનનો ઉપયોગ થાય છે. બેકપ્રોપેગેશન એલ્ગોરિધમ નિયમોના પૂર્વવર્તી પરિમાણોના પરિમાણોને સમાયોજિત કરે છે, એટલે કે. સભ્યપદ કાર્યો. નિયમ નિષ્કર્ષના ગુણાંક ઓછામાં ઓછા ચોરસ પદ્ધતિનો ઉપયોગ કરીને અંદાજવામાં આવે છે, કારણ કે તે નેટવર્ક આઉટપુટ સાથે રેખીય રીતે સંબંધિત છે. સેટઅપ પ્રક્રિયાના દરેક પુનરાવર્તન બે પગલામાં કરવામાં આવે છે. પ્રથમ તબક્કે, એક તાલીમ નમૂના ઇનપુટ્સને પૂરા પાડવામાં આવે છે, અને નેટવર્કના ઇચ્છિત અને વાસ્તવિક વર્તન વચ્ચેની વિસંગતતા અનુસાર. પુનરાવર્તિત પદ્ધતિઓછામાં ઓછા ચોરસ છે શ્રેષ્ઠ પરિમાણોચોથા સ્તરના ગાંઠો. બીજા તબક્કે, શેષ અવશેષને નેટવર્ક આઉટપુટમાંથી ઇનપુટ્સમાં સ્થાનાંતરિત કરવામાં આવે છે, અને બેકપ્રોપેગેશન પદ્ધતિનો ઉપયોગ કરીને પ્રથમ સ્તરના નોડ્સના પરિમાણોમાં ફેરફાર કરવામાં આવે છે. આ કિસ્સામાં, પ્રથમ તબક્કે મળેલા નિયમ નિષ્કર્ષના ગુણાંક બદલાતા નથી. પુનરાવર્તિત ટ્યુનિંગ પ્રક્રિયા ત્યાં સુધી ચાલુ રહે છે જ્યાં સુધી વિસંગતતા પૂર્વનિર્ધારિત મૂલ્ય કરતાં વધી જાય. સભ્યપદના કાર્યોને સેટ કરવા માટે, બેકપ્રોપેગેશન પદ્ધતિ ઉપરાંત, અન્ય ઑપ્ટિમાઇઝેશન અલ્ગોરિધમનો ઉપયોગ કરી શકાય છે, ઉદાહરણ તરીકે, લેવેનબર્ગ-માર્કવાર્ટ પદ્ધતિ.

ફિગ.24. વર્કસ્પેસ ANFISedit.

ચાલો હવે સિંગલ સ્ટેપ એક્શન માટે ફઝી કંટ્રોલરને ઑપ્ટિમાઇઝ કરવાનો પ્રયાસ કરીએ. ઇચ્છિત ક્ષણિક પ્રક્રિયામાં લગભગ નીચેનું સ્વરૂપ છે:

ફિગ.25. ઇચ્છિત સંક્રમણ પ્રક્રિયા.

ફિગમાં બતાવેલ ગ્રાફમાંથી. તે અનુસરે છે સૌથી વધુસમય, ખાતરી કરવા માટે એન્જિન સંપૂર્ણ શક્તિ પર ચાલતું હોવું જોઈએ મહત્તમ કામગીરી, અને જ્યારે ઇચ્છિત મૂલ્ય સુધી પહોંચે છે ત્યારે તે સરળતાથી ધીમું થવું જોઈએ. આ સરળ દલીલો દ્વારા માર્ગદર્શન આપીને, અમે નીચે આપેલા મૂલ્યોના નમૂના લઈશું, જે નીચે કોષ્ટક સ્વરૂપમાં પ્રસ્તુત છે, તાલીમ નમૂના તરીકે:

કોષ્ટક 4

ફિગ.26. તાલીમ નમૂનાનો પ્રકાર.

અમે 100 પગલામાં તાલીમ લઈશું. વપરાયેલી પદ્ધતિના સંપાત માટે આ પર્યાપ્ત કરતાં વધુ છે.

ફિગ.27. ન્યુરલ નેટવર્કને તાલીમ આપવાની પ્રક્રિયા.

શીખવાની પ્રક્રિયા દરમિયાન, સભ્યપદના કાર્યોના પરિમાણો એવી રીતે રચાય છે કે જ્યારે આપેલ મૂલ્યભૂલો, નિયમનકારે જરૂરી નિયંત્રણ બનાવ્યું. નોડલ પોઈન્ટ વચ્ચેના વિસ્તારમાં, ભૂલ પર નિયંત્રણ અવલંબન એ ટેબલ ડેટાનું પ્રક્ષેપ છે. ઇન્ટરપોલેશન પદ્ધતિ ન્યુરલ નેટવર્ક કેવી રીતે પ્રશિક્ષિત છે તેના પર આધાર રાખે છે. હકીકતમાં, તાલીમ પછી, અસ્પષ્ટ નિયંત્રક મોડેલ રજૂ કરી શકાય છે બિનરેખીય કાર્યએક ચલ, જેનો ગ્રાફ નીચે પ્રસ્તુત છે.

ફિગ.28. કંટ્રોલરની અંદર પોઝિશન એરર વિરુદ્ધ નિયંત્રણનો ગ્રાફ.

સદસ્યતા કાર્યોના મળેલા પરિમાણોને સાચવ્યા પછી, અમે ઑપ્ટિમાઇઝ ફઝી કંટ્રોલર સાથે સિસ્ટમનું અનુકરણ કરીએ છીએ.

ચોખા. 29. એક ઇનપુટ ભાષાકીય વેરીએબલ ધરાવતા ઑપ્ટિમાઇઝ ફઝી કંટ્રોલરવાળા મોડેલ માટે હાર્મોનિક ઇનપુટ એક્શન હેઠળ ક્ષણિક પ્રક્રિયા.

ફિગ.30. બે ઇનપુટ ભાષાકીય ચલો ધરાવતા અસ્પષ્ટ નિયંત્રક સાથેના મોડેલ માટે હાર્મોનિક ઇનપુટ ક્રિયા હેઠળ ભૂલ સંકેત.

તે આલેખમાંથી અનુસરે છે કે ન્યુરલ નેટવર્ક તાલીમનો ઉપયોગ કરીને અસ્પષ્ટ નિયંત્રકનું ઑપ્ટિમાઇઝેશન સફળ રહ્યું હતું. ભૂલની પરિવર્તનક્ષમતા અને તીવ્રતા નોંધપાત્ર રીતે ઘટાડવામાં આવી હતી. તેથી, ન્યુરલ નેટવર્કનો ઉપયોગ નિયમનકારોને ઑપ્ટિમાઇઝ કરવા માટે તદ્દન વાજબી છે જેના સંચાલન સિદ્ધાંત અસ્પષ્ટ તર્ક પર આધારિત છે. જો કે, ઑપ્ટિમાઇઝ કંટ્રોલર પણ ચોકસાઈ માટેની આવશ્યકતાઓને સંતોષી શકતું નથી, તેથી જ્યારે અસ્પષ્ટ નિયંત્રક ઑબ્જેક્ટને સીધી રીતે નિયંત્રિત કરતું નથી, પરંતુ વર્તમાન પરિસ્થિતિને આધારે ઘણા નિયંત્રણ કાયદાઓને જોડે છે ત્યારે અન્ય નિયંત્રણ પદ્ધતિને ધ્યાનમાં લેવાની સલાહ આપવામાં આવે છે.

અને ચિહ્નો. આવી સમસ્યાઓ ઘણી વાર હલ થાય છે, ઉદાહરણ તરીકે, જ્યારે ટ્રાફિક લાઇટને અનુસરીને શેરીમાંથી પસાર થતી વખતે અથવા ડ્રાઇવિંગ કરતી વખતે. સળગતી ટ્રાફિક લાઇટના રંગને ઓળખવાથી અને રસ્તાના નિયમો જાણવાથી તમે આ ક્ષણે શેરી પાર કરી શકો છો કે નહીં તે અંગે યોગ્ય નિર્ણય લઈ શકો છો.

કૃત્રિમ સિસ્ટમોની રચના પેટર્ન ઓળખએક જટિલ સૈદ્ધાંતિક અને તકનીકી સમસ્યા રહે છે. લશ્કરી બાબતો અને સુરક્ષા પ્રણાલીઓથી લઈને તમામ પ્રકારના એનાલોગ સિગ્નલોના ડિજિટાઈઝેશન સુધી - આવી માન્યતાની જરૂરિયાત વિવિધ ક્ષેત્રોમાં ઊભી થાય છે.

પરંપરાગત રીતે, પેટર્ન ઓળખના કાર્યોને આર્ટિફિશિયલ ઇન્ટેલિજન્સ કાર્યોની શ્રેણીમાં સામેલ કરવામાં આવે છે.

પેટર્ન ઓળખમાં દિશાઓ

બે મુખ્ય દિશાઓ ઓળખી શકાય છે:

• જીવંત વસ્તુઓ ધરાવે છે તે ઓળખવાની ક્ષમતાઓનો અભ્યાસ, તેમની સમજૂતી અને મોડેલિંગ;
• લાગુ હેતુઓ માટે વ્યક્તિગત સમસ્યાઓ ઉકેલવા માટે રચાયેલ ઉપકરણોના નિર્માણ માટે સિદ્ધાંત અને પદ્ધતિઓનો વિકાસ.

સમસ્યાનું ઔપચારિક નિવેદન

પેટર્ન ઓળખ એ નોંધપાત્ર લક્ષણોને ઓળખીને ચોક્કસ વર્ગને સ્રોત ડેટાની સોંપણી છે જે બિનમહત્વપૂર્ણ ડેટાના કુલ સમૂહમાંથી આ ડેટાને લાક્ષણિકતા આપે છે.

ઓળખની સમસ્યાઓ સેટ કરતી વખતે, તેઓ કૃત્રિમ ન્યુરલ નેટવર્કના સિદ્ધાંતથી વિપરીત ગાણિતિક ભાષાનો ઉપયોગ કરવાનો પ્રયાસ કરે છે, જ્યાં આધાર પ્રયોગ દ્વારા પરિણામ પ્રાપ્ત કરે છે, પ્રયોગને તાર્કિક તર્ક અને ગાણિતિક પુરાવા સાથે બદલવા માટે.

પેટર્ન ઓળખ સમસ્યાનું ઉત્તમ નિર્માણ: ઑબ્જેક્ટનો સમૂહ આપેલ છે. તેમના વિશે વર્ગીકરણ કરવાની જરૂર છે. સમૂહને વર્ગો તરીકે ઓળખાતા સબસેટ દ્વારા રજૂ કરવામાં આવે છે. આપેલ: વર્ગો વિશેની માહિતી, સમગ્ર સમૂહનું વર્ણન અને ઑબ્જેક્ટ વિશેની માહિતીનું વર્ણન કે જેની ચોક્કસ વર્ગમાં સભ્યપદ અજાણ છે. વર્ગો અને ઑબ્જેક્ટના વર્ણન વિશેની ઉપલબ્ધ માહિતીના આધારે, આ ઑબ્જેક્ટ કયા વર્ગનો છે તે નક્કી કરવા માટે તે જરૂરી છે.

મોનોક્રોમ છબીઓને મોટાભાગે પેટર્ન ઓળખની સમસ્યાઓમાં ધ્યાનમાં લેવામાં આવે છે, જે છબીને પ્લેન પરના કાર્ય તરીકે ધ્યાનમાં લેવાનું શક્ય બનાવે છે. જો આપણે પ્લેન પર સેટ કરેલા બિંદુને ધ્યાનમાં લઈએ, જ્યાં ફંક્શન છબીના દરેક બિંદુ પર તેની લાક્ષણિકતાઓ વ્યક્ત કરે છે - તેજ, ​​પારદર્શિતા, ઓપ્ટિકલ ઘનતા, તો પછી આવા કાર્ય એ છબીનું ઔપચારિક રેકોર્ડિંગ છે.

પ્લેન પરના તમામ સંભવિત કાર્યોનો સમૂહ એ બધી છબીઓના સમૂહનું એક મોડેલ છે. ખ્યાલનો પરિચય સમાનતાછબીઓ વચ્ચે તમે એક ઓળખ કાર્ય રજૂ કરી શકો છો. આવા નિવેદનનો ચોક્કસ પ્રકાર ચોક્કસ અભિગમ અનુસાર માન્યતાના અનુગામી તબક્કાઓ પર ભારપૂર્વક આધાર રાખે છે.

કેટલીક ગ્રાફિક પેટર્ન ઓળખ પદ્ધતિઓ

ઓપ્ટિકલ પેટર્નની ઓળખ માટે, તમે વિવિધ ખૂણા, ભીંગડા, ઑફસેટ્સ વગેરે પર ઑબ્જેક્ટના દૃશ્ય દ્વારા શોધવાની પદ્ધતિનો ઉપયોગ કરી શકો છો. અક્ષરો માટે, તમારે ફોન્ટ, ફોન્ટ ગુણધર્મો વગેરે દ્વારા સૉર્ટ કરવાની જરૂર છે.

બીજો અભિગમ ઑબ્જેક્ટની રૂપરેખા શોધવા અને તેના ગુણધર્મો (કનેક્ટિવિટી, ખૂણાઓની હાજરી, વગેરે) ની તપાસ કરવાનો છે.

બીજો અભિગમ કૃત્રિમ ન્યુરલ નેટવર્કનો ઉપયોગ કરવાનો છે. આ પધ્ધતિ માટે ક્યાં તો ઓળખ કાર્ય (સાચા જવાબો સાથે) ના મોટી સંખ્યામાં ઉદાહરણો અથવા વિશિષ્ટ ન્યુરલ નેટવર્ક માળખું જરૂરી છે જે આ કાર્યની વિશિષ્ટતાઓને ધ્યાનમાં લે છે.

પેટર્ન ઓળખ પદ્ધતિ તરીકે પરસેપ્ટ્રોન

એફ. રોઝેનબ્લાટ, મગજના મોડેલની વિભાવના રજૂ કરતા, જેનું કાર્ય ચોક્કસ ભૌતિક સિસ્ટમમાં મનોવૈજ્ઞાનિક ઘટના કેવી રીતે ઊભી થઈ શકે છે તે બતાવવાનું છે, જેનું માળખું અને કાર્યાત્મક ગુણધર્મો જાણીતા છે, સૌથી સરળ ભેદભાવ પ્રયોગોનું વર્ણન કર્યું છે. આ પ્રયોગો સંપૂર્ણપણે પેટર્નની ઓળખ પદ્ધતિઓ સાથે સંબંધિત છે, પરંતુ ઉકેલ એલ્ગોરિધમ નિર્ધારિત નથી તે બાબતમાં અલગ છે.

સૌથી સરળ પ્રયોગ કે જેમાંથી કોઈ ચોક્કસ સિસ્ટમ વિશે મનોવૈજ્ઞાનિક રીતે નોંધપાત્ર માહિતી મેળવી શકે છે તે હકીકતને ઉકળે છે કે મોડેલ બે અલગ-અલગ ઉત્તેજના સાથે રજૂ કરવામાં આવે છે અને તેમને અલગ અલગ રીતે પ્રતિસાદ આપવા માટે જરૂરી છે. આવા પ્રયોગનો હેતુ પ્રયોગકર્તાના હસ્તક્ષેપની ગેરહાજરીમાં સિસ્ટમ દ્વારા તેમના સ્વયંસ્ફુરિત ભેદભાવની શક્યતાનો અભ્યાસ કરવાનો હોઈ શકે છે અથવા, તેનાથી વિપરીત, બળજબરીપૂર્વકના ભેદભાવનો અભ્યાસ કરવાનો હોઈ શકે છે, જેમાં પ્રયોગકર્તા સિસ્ટમને તાલીમ આપવા માંગે છે. જરૂરી વર્ગીકરણ હાથ ધરો.

પરસેપ્ટ્રોન તાલીમ સાથેના પ્રયોગમાં, છબીઓનો ચોક્કસ ક્રમ સામાન્ય રીતે રજૂ કરવામાં આવે છે, જેમાં દરેક વર્ગના પ્રતિનિધિઓનો સમાવેશ થાય છે. મેમરી ફેરફારના કેટલાક નિયમ અનુસાર, પ્રતિભાવની યોગ્ય પસંદગીને વધુ મજબૂત બનાવવામાં આવે છે. પછી પરસેપ્ટ્રોનને નિયંત્રણ ઉત્તેજના સાથે રજૂ કરવામાં આવે છે અને આપેલ વર્ગની ઉત્તેજના માટે યોગ્ય પ્રતિભાવ મેળવવાની સંભાવના નક્કી કરવામાં આવે છે. પસંદ કરેલ નિયંત્રણ ઉત્તેજના તાલીમ ક્રમમાં ઉપયોગમાં લેવાતી છબીઓમાંથી એક સાથે સુસંગત છે કે નહીં તેના આધારે, વિવિધ પરિણામો પ્રાપ્ત થાય છે:

1. જો નિયંત્રણ ઉત્તેજના કોઈપણ તાલીમ ઉત્તેજના સાથે સુસંગત ન હોય, તો પ્રયોગ માત્ર સાથે જ નહીં શુદ્ધ ભેદભાવ, પરંતુ ઘટકોનો પણ સમાવેશ થાય છે સામાન્યીકરણ.
2. જો નિયંત્રણ ઉત્તેજના સંવેદનાત્મક તત્વોના ચોક્કસ સમૂહને ઉત્તેજિત કરે છે જે તે જ વર્ગની અગાઉ પ્રસ્તુત ઉત્તેજનાના પ્રભાવ હેઠળ સક્રિય થયેલા તત્વોથી સંપૂર્ણપણે અલગ છે, તો પ્રયોગ એ એક અભ્યાસ છે. શુદ્ધ સામાન્યીકરણ.

પરસેપ્ટ્રોન પાસે શુદ્ધ સામાન્યીકરણની ક્ષમતા હોતી નથી, પરંતુ તેઓ ભેદભાવના પ્રયોગોમાં તદ્દન સંતોષકારક રીતે કાર્ય કરે છે, ખાસ કરીને જો નિયંત્રણ ઉત્તેજના એ છબીઓમાંથી એક સાથે પૂરતા પ્રમાણમાં મેળ ખાતી હોય કે જેની સાથે પરસેપ્ટ્રોન પહેલાથી જ થોડો અનુભવ સંચિત કરે છે.

પેટર્ન ઓળખ સમસ્યાઓના ઉદાહરણો

• બારકોડ ઓળખ
• લાઇસન્સ પ્લેટ ઓળખ
• છબી ઓળખ
• પૃથ્વીના પોપડાના સ્થાનિક વિસ્તારોની ઓળખ જેમાં ખનિજ થાપણો સ્થિત છે

આ પણ જુઓ

નોંધો

સાહિત્ય

• ગોરેલિક એ.એલ., સ્ક્રીપકીન વી.એ.માન્યતા પદ્ધતિઓ. - ચોથી આવૃત્તિ. - એમ.: ઉચ્ચ શાળા, 1984, 2004. - 262 પૃષ્ઠ.
• વાપનિક વી. એન., ચેર્વોનેન્કિસ એ. યા.પેટર્ન માન્યતા સિદ્ધાંત. - એમ.: નૌકા, 1974. - 416 પૃષ્ઠ.
• વાસિલીવ વી.આઈ.ઓળખ પ્રણાલીઓ. ડિરેક્ટરી. - 2જી આવૃત્તિ. - કે.: નૌકોવા દુમકા, 1983. - 424 પૃ.
• જ્યોર્જ સ્ટોકમેન, લિન્ડા શાપિરો.કોમ્પ્યુટર વિઝન = કોમ્પ્યુટર વિઝન. - એમ.: બિનોમ. નોલેજ લેબોરેટરી, 2006. - 752 પૃ. - ISBN 5-947-74384-1
• ફોર્સીથ ડેવિડ એ., પોન્સ જીન.કમ્પ્યુટર દ્રષ્ટિ. આધુનિક અભિગમ = કોમ્પ્યુટર વિઝન: એક આધુનિક અભિગમ. - એમ.: વિલિયમ્સ, 2004. - 928 પૃ. - ISBN 0-13-085198-1
• ચેંગ એસ.-કે.દ્રશ્ય માહિતી સિસ્ટમો માટે ડિઝાઇન સિદ્ધાંતો. - એમ.: મીર, 1994. - 408 પૃષ્ઠ.

લિંક્સ

• યુરી લિફશિટ્સ. કોર્સ "સૈદ્ધાંતિક કોમ્પ્યુટર વિજ્ઞાનની આધુનિક સમસ્યાઓ" - પેટર્નની ઓળખ, ચહેરાની ઓળખ, ટેક્સ્ટ વર્ગીકરણની આંકડાકીય પદ્ધતિઓ પર પ્રવચનો
• જર્નલ ઓફ પેટર્ન રેકગ્નિશન રિસર્ચ

વિકિમીડિયા ફાઉન્ડેશન.

• માન્ય ભાષા
• રાસ્પોપા

અન્ય શબ્દકોશોમાં "પેટર્ન રેકગ્નિશન થિયરી" શું છે તે જુઓ:

પેટર્ન ઓળખ સિદ્ધાંત- મનોવિજ્ઞાન અને શરીરવિજ્ઞાન, સંભાવના સિદ્ધાંતના ડેટા પર આધારિત વૈજ્ઞાનિક દિશા અને સિદ્ધાંતોના વિકાસ અને સિસ્ટમના નિર્માણ સાથે સંકળાયેલ (કોમ્પ્યુટર આધારિત સહિત) એ નક્કી કરવા માટે રચાયેલ છે કે આપેલ ઑબ્જેક્ટ... ... મનોવિજ્ઞાન અને શિક્ષણશાસ્ત્રનો જ્ઞાનકોશીય શબ્દકોશ

સમાજશાસ્ત્રનો જ્ઞાનકોશ- આપેલ ઑબ્જેક્ટ ઑબ્જેક્ટના પૂર્વ-નિર્ધારિત વર્ગોમાંથી એક છે કે કેમ તે નિર્ધારિત કરવા માટે રચાયેલ સિદ્ધાંતોના વિકાસ અને સિસ્ટમોના નિર્માણ સાથે સંકળાયેલ એક વૈજ્ઞાનિક દિશા. R. o માં ઓબ્જેક્ટો હેઠળ. સમજવું વિવિધ વસ્તુઓ … ગ્રેટ સોવિયેત જ્ઞાનકોશ

જ્ઞાનકોશીય શબ્દકોશ- ગણિતનો વિભાગ. સાયબરનેટિક્સ, વિકાસશીલ સિદ્ધાંતો અને વર્ગીકરણની પદ્ધતિઓ, તેમજ વસ્તુઓની ઓળખ, ઘટના, પ્રક્રિયાઓ, સંકેતો, તે તમામ વસ્તુઓની પરિસ્થિતિઓ કે જે ચોક્કસ સંકેતો અથવા ગુણધર્મોના મર્યાદિત સમૂહ દ્વારા વર્ણવી શકાય છે, ... ... ગાણિતિક જ્ઞાનકોશ

સમાજશાસ્ત્રનો જ્ઞાનકોશ

પેટર્નની ઓળખ (સાયબરનેટિક્સ) - આપોઆપ ઓળખવ્યક્તિઓ ખાસ કાર્યક્રમ. પેટર્ન રેકગ્નિશન થિયરી એ સાયબરનેટિક્સની એક શાખા છે જે વિકસિત થાય છે સૈદ્ધાંતિક આધારઅને વસ્તુઓ, ઘટના, પ્રક્રિયાઓ, સંકેતો, પરિસ્થિતિઓ વગેરે વસ્તુઓના વર્ગીકરણ અને ઓળખની પદ્ધતિઓ,... ... વિકિપીડિયા

માહિતી સિદ્ધાંત- ગણિતથી સંબંધિત લાગુ ગણિત અને સાયબરનેટિક્સનો વિભાગ. માહિતીના ટ્રાન્સમિશન, સ્ટોરેજ, પુનઃપ્રાપ્તિ અને વર્ગીકરણની ગુણવત્તાનું વર્ણન અને મૂલ્યાંકન. I.t. શબ્દ, જે 50 ના દાયકામાં ઉદ્ભવ્યો. 20મી સદી, હજુ (1978 સુધીમાં) પાસે એક પણ નથી... ... ગાણિતિક જ્ઞાનકોશ

દેખરેખ વિનાનું શિક્ષણ- (અંગ્રેજી: અનસુપરવાઇઝ્ડ લર્નિંગ, સેલ્ફ-લર્નિંગ, સ્પોન્ટેનિયસ લર્નિંગ) એક રીત મશીન લર્નિંગ, જેને ઉકેલતી વખતે પરીક્ષણ હેઠળની સિસ્ટમ બહારના હસ્તક્ષેપ વિના, સોંપાયેલ કાર્ય કરવા સ્વયંભૂ શીખે છે... ... વિકિપીડિયા

કૃત્રિમ ન્યુરલ નેટવર્ક- આ શબ્દના અન્ય અર્થો છે, જુઓ ન્યુરલ નેટવર્ક (અર્થો). સરળ ન્યુરલ નેટવર્કની યોજના. લીલો ઇનપુટ ચેતાકોષ, વાદળી છુપાયેલા ચેતાકોષો, પીળો આઉટપુટ ચેતાકોષ સૂચવે છે... વિકિપીડિયા

રવિ, માર્ચ 29, 2015

હાલમાં, એવા ઘણા કાર્યો છે જેમાં ઇમેજમાં ઑબ્જેક્ટની હાજરીના આધારે અમુક નિર્ણય લેવા અથવા તેનું વર્ગીકરણ કરવું જરૂરી છે. "ઓળખવાની" ક્ષમતાને મૂળભૂત મિલકત ગણવામાં આવે છે જૈવિક જીવો, જ્યારે કોમ્પ્યુટર સિસ્ટમો પાસે આ ગુણધર્મ સંપૂર્ણપણે નથી.

ચાલો વિચાર કરીએ સામાન્ય તત્વોવર્ગીકરણ મોડેલો.

વર્ગ- ધરાવતી વસ્તુઓનો સમૂહ સામાન્ય ગુણધર્મો. સમાન વર્ગના પદાર્થો માટે, "સમાનતા" ની હાજરી માનવામાં આવે છે. ઓળખના કાર્ય માટે, વર્ગોની મનસ્વી સંખ્યા, 1 થી વધુ, વર્ગોની સંખ્યાને S નંબર દ્વારા દર્શાવવામાં આવે છે. દરેક વર્ગનું પોતાનું ઓળખીતું વર્ગ લેબલ હોય છે.

વર્ગીકરણ- આ ઑબ્જેક્ટ્સના ગુણધર્મોના કેટલાક વર્ણન અનુસાર, ઑબ્જેક્ટ્સને વર્ગ લેબલ્સ સોંપવાની પ્રક્રિયા. ક્લાસિફાયર એ એક ઉપકરણ છે જે ઇનપુટ ડેટા તરીકે ઑબ્જેક્ટ વિશેષતાઓનો સમૂહ મેળવે છે અને પરિણામે વર્ગ લેબલ બનાવે છે.

ચકાસણી- એક ઑબ્જેક્ટ મોડેલ અથવા વર્ગ વર્ણન પર ઑબ્જેક્ટના દાખલાને મેપ કરવાની પ્રક્રિયા.

હેઠળ માર્ગઆપણે ફીચર સ્પેસમાં એ વિસ્તારનું નામ સમજીશું જેમાં ઘણી વસ્તુઓ અથવા ઘટનાઓ પ્રદર્શિત થાય છે ભૌતિક વિશ્વ. હસ્તાક્ષર - માત્રાત્મક વર્ણનપદાર્થ અથવા ઘટનાની એક અથવા બીજી મિલકતનો અભ્યાસ કરવામાં આવે છે.

ફીચર જગ્યાઆ એન-પરિમાણીય જગ્યા, આપેલ ઓળખ કાર્ય માટે વ્યાખ્યાયિત થયેલ છે, જ્યાં N એ કોઈપણ ઑબ્જેક્ટ માટે માપેલ લક્ષણોની નિશ્ચિત સંખ્યા છે. ઓળખ કાર્ય ઑબ્જેક્ટને અનુરૂપ ફીચર સ્પેસ xમાંથી એક વેક્ટર એ ઘટકો (x_1,x_2,…,x_N) સાથેનું N-પરિમાણીય વેક્ટર છે, જે આ ઑબ્જેક્ટ માટે વિશેષતા મૂલ્યો છે.

બીજા શબ્દોમાં કહીએ તો, બિનમહત્વપૂર્ણ વિગતોના કુલ સમૂહમાંથી આ ડેટાની લાક્ષણિકતા ધરાવતા આવશ્યક લક્ષણો અથવા ગુણધર્મોને ઓળખીને પેટર્નની ઓળખને ચોક્કસ વર્ગને સ્રોત ડેટાની સોંપણી તરીકે વ્યાખ્યાયિત કરી શકાય છે.

વર્ગીકરણ સમસ્યાઓના ઉદાહરણો છે:

• પાત્ર ઓળખ;
• વાણી ઓળખ;
• તબીબી નિદાનની સ્થાપના;
• હવામાન આગાહી;
• ચહેરાની ઓળખ
• દસ્તાવેજોનું વર્ગીકરણ, વગેરે.

મોટેભાગે, સ્ત્રોત સામગ્રી એ કેમેરામાંથી પ્રાપ્ત કરેલી છબી છે. સમસ્યાને વિચારણા હેઠળની ઇમેજમાં દરેક વર્ગ માટે ફીચર વેક્ટર મેળવવા તરીકે ઘડી શકાય છે. પ્રક્રિયાને એક એન્કોડિંગ પ્રક્રિયા તરીકે જોઈ શકાય છે જેમાં દરેક વર્ગ માટે ફીચર સ્પેસમાંથી દરેક ફીચરને મૂલ્ય અસાઇન કરવાનો સમાવેશ થાય છે.

જો આપણે વસ્તુઓના 2 વર્ગોને ધ્યાનમાં લઈએ: વયસ્કો અને બાળકો. તમે ચિહ્નો તરીકે ઊંચાઈ અને વજન પસંદ કરી શકો છો. આકૃતિમાંથી નીચે મુજબ, આ બે વર્ગો બે અસંબંધિત સમૂહો બનાવે છે, જે પસંદ કરેલ લક્ષણો દ્વારા સમજાવી શકાય છે. જો કે, વર્ગના લક્ષણો તરીકે યોગ્ય માપેલા પરિમાણો પસંદ કરવાનું હંમેશા શક્ય નથી. ઉદાહરણ તરીકે, પસંદ કરેલ પરિમાણો ફૂટબોલ ખેલાડીઓ અને બાસ્કેટબોલ ખેલાડીઓના અસંબંધિત વર્ગો બનાવવા માટે યોગ્ય નથી.

માન્યતાનું બીજું કાર્ય સ્ત્રોત ઈમેજીસમાંથી લાક્ષણિક લક્ષણો અથવા ગુણધર્મો કાઢવાનું છે. આ કાર્યને પ્રીપ્રોસેસિંગ તરીકે વર્ગીકૃત કરી શકાય છે. જો આપણે વાણી ઓળખના કાર્યને ધ્યાનમાં લઈએ, તો આપણે સ્વરો અને વ્યંજન જેવા લક્ષણોને અલગ પાડી શકીએ છીએ. વિશેષતા એ ચોક્કસ વર્ગની લાક્ષણિક મિલકત હોવી જોઈએ, અને તે જ સમયે આ વર્ગ માટે સામાન્ય. વિશેષતાઓ જે વચ્ચેના તફાવતોને લાક્ષણિકતા આપે છે - ઇન્ટરક્લાસ સુવિધાઓ. તમામ વર્ગો માટે સમાન લક્ષણો ઉપયોગી માહિતી ધરાવતું નથી અને ઓળખ કાર્યમાં લક્ષણો તરીકે ગણવામાં આવતા નથી. વિશેષતાની પસંદગી એ ઓળખ પ્રણાલીના નિર્માણ સાથે સંકળાયેલા મહત્વપૂર્ણ કાર્યોમાંનું એક છે.

એકવાર લક્ષણો નક્કી થઈ ગયા પછી, વર્ગીકરણ માટે શ્રેષ્ઠ નિર્ણય પ્રક્રિયા નક્કી કરવી આવશ્યક છે. ચાલો વિવિધ M વર્ગોને ઓળખવા માટે રચાયેલ પેટર્ન ઓળખ સિસ્ટમ પર વિચાર કરીએ, જેને m_1,m_2,…,m તરીકે દર્શાવવામાં આવે છે. 3. પછી આપણે ધારી શકીએ કે ઇમેજ સ્પેસમાં M વિસ્તારો છે, જેમાં દરેક એક વર્ગની ઇમેજને અનુરૂપ બિંદુઓ ધરાવે છે. પછી માન્યતા સમસ્યાને દત્તક લીધેલા માપન વેક્ટરના આધારે M વર્ગોને અલગ કરતી સીમાઓ બાંધવા તરીકે ગણી શકાય.

ઇમેજ પ્રીપ્રોસેસિંગ, ફીચર એક્સટ્રક્શન અને શ્રેષ્ઠ ઉકેલ મેળવવાની સમસ્યા અને વર્ગીકરણની સમસ્યાનું નિરાકરણ સામાન્ય રીતે સંખ્યાબંધ પરિમાણોનો અંદાજ કાઢવાની જરૂરિયાત સાથે સંકળાયેલું છે. આ પરિમાણ અંદાજની સમસ્યા તરફ દોરી જાય છે. વધુમાં, તે સ્પષ્ટ છે કે લક્ષણ નિષ્કર્ષણનો ઉપયોગ કરી શકે છે વધારાની માહિતીવર્ગોની પ્રકૃતિ પર આધારિત.

માપન વેક્ટર તરીકે તેમની રજૂઆતના આધારે વસ્તુઓની તુલના કરી શકાય છે. વાસ્તવિક સંખ્યાઓના સ્વરૂપમાં માપન ડેટાનું પ્રતિનિધિત્વ કરવું અનુકૂળ છે. પછી યુક્લિડિયન અંતરનો ઉપયોગ કરીને બે પદાર્થોના લક્ષણ વેક્ટરની સમાનતા વર્ણવી શકાય છે.

જ્યાં d એ લક્ષણ વેક્ટરનું પરિમાણ છે.

પેટર્ન ઓળખ પદ્ધતિઓના 3 જૂથો છે:

• નમૂના સાથે સરખામણી. આ જૂથમાં નજીકના સરેરાશ અનુસાર વર્ગીકરણ, અંતર અનુસાર વર્ગીકરણનો સમાવેશ થાય છે નજીકનો પાડોશી. નમૂના સાથે સરખામણીના જૂથમાં માળખાકીય ઓળખ પદ્ધતિઓનો પણ સમાવેશ કરી શકાય છે.
• આંકડાકીય પદ્ધતિઓ. નામ સૂચવે છે તેમ, આંકડાકીય પદ્ધતિઓ કેટલીકનો ઉપયોગ કરે છે આંકડાકીય માહિતીઓળખની સમસ્યા હલ કરતી વખતે. આ પદ્ધતિ સંભવિતતાના આધારે નક્કી કરે છે કે કોઈ વસ્તુ ચોક્કસ વર્ગની છે કે કેમ, તે ચોક્કસ વર્ગ સાથે સંબંધિત ઑબ્જેક્ટની પાછળની સંભાવના નક્કી કરવા માટે નીચે આવે છે, જો કે આ ઑબ્જેક્ટની લાક્ષણિકતાઓએ યોગ્ય મૂલ્યો લીધા હોય. બાયસિયન નિર્ણય નિયમ પર આધારિત પદ્ધતિનું ઉદાહરણ છે.
• ન્યુરલ નેટવર્ક્સ. માન્યતા પદ્ધતિઓનો એક અલગ વર્ગ. અન્ય લોકો પાસેથી એક વિશિષ્ટ લક્ષણ એ શીખવાની ક્ષમતા છે.

નજીકના અર્થ દ્વારા વર્ગીકરણ

શાસ્ત્રીય પેટર્ન ઓળખના અભિગમમાં, જેમાં વર્ગીકરણ માટે અજાણ્યા પદાર્થને પ્રાથમિક લક્ષણોના વેક્ટર તરીકે રજૂ કરવામાં આવે છે. એક લક્ષણ-આધારિત ઓળખ સિસ્ટમ વિવિધ રીતે વિકસાવી શકાય છે. આ વેક્ટર્સ પ્રશિક્ષણના પરિણામે સિસ્ટમને અગાઉથી જાણી શકાય છે અથવા કેટલાક મોડેલોના આધારે વાસ્તવિક સમયમાં આગાહી કરી શકાય છે.

એક સરળ વર્ગીકરણ અલ્ગોરિધમ એ વેક્ટરનો ઉપયોગ કરીને વર્ગ સંદર્ભ ડેટાને જૂથબદ્ધ કરવાનું છે ગાણિતિક અપેક્ષાવર્ગ (સરેરાશ મૂલ્ય).

જ્યાં x(i,j) એ વર્ગ i નું jth સંદર્ભ લક્ષણ છે, n_j એ વર્ગ i ના સંદર્ભ વેક્ટર્સની સંખ્યા છે.

પછી અજ્ઞાત પદાર્થ વર્ગ iનો હશે જો તે વર્ગ i ની ગાણિતિક અપેક્ષાના વેક્ટર કરતાં અન્ય વર્ગોની ગાણિતિક અપેક્ષાઓના વેક્ટરની નોંધપાત્ર રીતે નજીક હોય. આ પદ્ધતિ એવી સમસ્યાઓ માટે યોગ્ય છે જેમાં દરેક વર્ગના બિંદુઓ સઘન રીતે અને અન્ય વર્ગોના બિંદુઓથી દૂર સ્થિત છે.

જો વર્ગો થોડા વધુ હોય તો મુશ્કેલીઓ ઊભી થશે જટિલ માળખું, ઉદાહરણ તરીકે, આકૃતિની જેમ. આ કિસ્સામાં, વર્ગ 2 ને બે અસંબંધિત વિભાગોમાં વિભાજિત કરવામાં આવે છે જેનું એક સરેરાશ મૂલ્ય દ્વારા ખરાબ રીતે વર્ણન કરવામાં આવ્યું છે. ઉપરાંત, વર્ગ 3 ખૂબ વિસ્તૃત છે; x_2 કોઓર્ડિનેટ્સના મોટા મૂલ્યો સાથે વર્ગ 3 ના નમૂનાઓ વર્ગ 3 કરતા વર્ગ 1 ના સરેરાશ મૂલ્યની નજીક છે.

કેટલાક કિસ્સાઓમાં વર્ણવેલ સમસ્યાને અંતરની ગણતરી બદલીને ઉકેલી શકાય છે.

અમે વર્ગ મૂલ્યોના "સ્કેટર" ની લાક્ષણિકતાને ધ્યાનમાં લઈશું - σ_i, દરેક સંકલન દિશા i સાથે. પ્રમાણભૂત વિચલન છે વર્ગમૂળવિખેરાઈ થી. વેક્ટર x અને અપેક્ષા વેક્ટર x_c વચ્ચેનું સ્કેલ કરેલ યુક્લિડિયન અંતર છે

આ અંતર સૂત્ર વર્ગીકરણ ભૂલોની સંખ્યામાં ઘટાડો કરશે, પરંતુ વાસ્તવમાં મોટાભાગની સમસ્યાઓ આવા સરળ વર્ગ દ્વારા રજૂ કરી શકાતી નથી.

નજીકના પાડોશી માટે અંતર દ્વારા વર્ગીકરણ

વર્ગીકરણ માટેનો બીજો અભિગમ એ વર્ગને અજ્ઞાત લક્ષણ વેક્ટર x સોંપવાનો છે કે જેમાં વ્યક્તિગત નમૂના આ વેક્ટર સૌથી સમાન છે. આ નિયમને નજીકના પડોશી નિયમ કહેવામાં આવે છે. જ્યારે વર્ગોમાં જટિલ માળખું હોય અથવા જ્યારે વર્ગો ઓવરલેપ થાય ત્યારે પણ નજીકના પડોશી વર્ગીકરણ વધુ કાર્યક્ષમ હોઈ શકે છે.

આ અભિગમને અવકાશમાં સુવિધા વેક્ટર્સના વિતરણ મોડલ વિશે ધારણાઓની જરૂર નથી. અલ્ગોરિધમ માત્ર જાણીતા સંદર્ભ નમૂનાઓ વિશેની માહિતીનો ઉપયોગ કરે છે. ઉકેલ પદ્ધતિ ડેટાબેઝમાં દરેક નમૂનાના અંતર xની ગણતરી કરવા અને લઘુત્તમ અંતર શોધવા પર આધારિત છે. આ અભિગમના ફાયદા સ્પષ્ટ છે:

• તમે કોઈપણ સમયે ડેટાબેઝમાં નવા નમૂનાઓ ઉમેરી શકો છો;
• ટ્રી અને ગ્રીડ ડેટા સ્ટ્રક્ચર્સ ગણતરી કરેલ અંતરની સંખ્યા ઘટાડે છે.

વધુમાં, જો આપણે ડેટાબેઝને કોઈ નજીકના પાડોશી માટે નહીં, પરંતુ k માટે શોધીએ તો ઉકેલ વધુ સારું રહેશે. પછી, k > 1 માટે, તે માં વેક્ટર્સના વિતરણનું શ્રેષ્ઠ નમૂના પ્રદાન કરે છે ડી-પરિમાણીય જગ્યા. જો કે, k મૂલ્યોનો કાર્યક્ષમ ઉપયોગ અવકાશના દરેક ક્ષેત્રમાં પૂરતી સંખ્યાઓ છે કે કેમ તેના પર આધાર રાખે છે. જો બે કરતાં વધુ વર્ગો હોય, તો યોગ્ય નિર્ણય લેવાનું વધુ મુશ્કેલ બની જાય છે.

સાહિત્ય

• એમ. કેસ્ટ્રીલોન, . ઓ. ડેનિઝ, . ડી. હર્નાન્ડેઝ અને જે. લોરેન્ઝો, "વાયોલા-જોન્સ જનરલ ઑબ્જેક્ટ ડિટેક્શન ફ્રેમવર્ક પર આધારિત ચહેરા અને ચહેરાના વિશેષતા શોધકોની સરખામણી," ઇન્ટરનેશનલ જર્નલ ઑફ કમ્પ્યુટર વિઝન, નંબર 22, પૃષ્ઠ. 481-494, 2011.
• Y.-Q. વાંગ, “એન એનાલિસિસ ઓફ વાયોલા-જોન્સ ફેસ ડિટેક્શન અલ્ગોરિધમ,” IPOL જર્નલ, 2013.
• એલ. શાપિરો અને ડી. સ્ટોકમેન, કમ્પ્યુટર વિઝન, બિનોમ. નોલેજ લેબોરેટરી, 2006.
• Z. N. G., માન્યતા પદ્ધતિઓ અને તેમની એપ્લિકેશન, સોવિયેત રેડિયો, 1972.
• જે. તુ, આર. ગોન્ઝાલેઝ, પેટર્નની ઓળખના ગાણિતિક સિદ્ધાંતો, મોસ્કો: “મીર” મોસ્કો, 1974.
• ખાન, એચ. અબ્દુલ્લા અને એમ. શામિયન બિન ઝૈનલ, "વાયોલા જોન્સ અને ત્વચાનો રંગ પિક્સેલ ડિટેક્શનના સંયોજનનો ઉપયોગ કરીને કાર્યક્ષમ આંખો અને મોં શોધ અલ્ગોરિધમ," ઇન્ટરનેશનલ જર્નલ ઑફ એન્જિનિયરિંગ એન્ડ એપ્લાઇડ સાયન્સ, નંબર વોલ્યુમ. 3 નંબર 4, 2013.
• વી. ગેડે અને ઓ. ગુંથર, "બહુપરિમાણીય ઍક્સેસ પદ્ધતિઓ," ACM કમ્પ્યુટિંગ સર્વે, પીપી. 170-231, 1998.