Modelių atpažinimas atliekamas procesų pagrindu. „Adaptyvus sudėtingų sistemų valdymas, pagrįstas modelio atpažinimo teorija

Brutalios jėgos metodas.Šiuo metodu atliekamas palyginimas su tam tikra duomenų baze, kur kiekvienam objektui pateikiamos skirtingos ekrano modifikavimo galimybės. Pavyzdžiui, optiniam modelio atpažinimui galite naudoti brutalios jėgos metodą. skirtingi kampai arba masteliai, poslinkiai, deformacijos ir pan. Raidžių atveju galite perjungti šriftą arba jo savybes. Garso modelio atpažinimo atveju lyginama su kai kuriais žinomais raštais (daugelio žmonių ištartu žodžiu). Be to, daugiau gilią analizęįvaizdžio ypatybės. Optinio atpažinimo atveju tai gali būti geometrinių charakteristikų nustatymas. Šiuo atveju garso mėginiui taikoma dažnio ir amplitudės analizė.

Kitas būdas - dirbtinių neuroninių tinklų naudojimas(INS). Tam reikia arba daugybės atpažinimo užduoties pavyzdžių, arba specialios neuroninio tinklo struktūros, kurioje atsižvelgiama į konkrečios užduoties specifiką. Tačiau, nepaisant to, šis metodas yra labai efektyvus ir produktyvus.

Metodai, pagrįsti bruožų reikšmių pasiskirstymo tankių įverčiais. Pasiskolinta iš klasikinės statistinių sprendimų teorijos, kurioje tiriamieji objektai laikomi daugiamačio reiškinio įgyvendinimu. atsitiktinis kintamasis, pasiskirstę požymių erdvėje pagal kokį nors dėsnį. Jie pagrįsti Bajeso sprendimų priėmimo sistema, kuri patinka pradines tikimybes objektų priklausymas tam tikrai klasei ir sąlyginiai požymių pasiskirstymo tankiai.

Metodų grupė, pagrįsta požymių reikšmių pasiskirstymo tankių įvertinimu, yra tiesiogiai susijusi su diskriminacinės analizės metodais. Bajeso požiūris į sprendimų priėmimą yra vienas iš labiausiai išplėtotų šiuolaikinė statistika parametriniai metodai, kuriems ji laikoma žinoma analitinė išraiška paskirstymo įstatymas ( normalus įstatymas) ir jums tereikia įvertinti mažas kiekis parametrai (vidutinių verčių vektoriai ir kovariacijos matricos). Manoma, kad pagrindiniai šio metodo naudojimo sunkumai yra būtinybė prisiminti visą mokymo pavyzdį, kad būtų galima apskaičiuoti tankio įverčius, ir didelis jautrumas mokymo imčiai.

Metodai, pagrįsti prielaidomis apie sprendimo funkcijų klasę.Šioje grupėje sprendimo funkcijos tipas laikomas žinomu ir nurodoma jos kokybės funkcija. Remiantis šia funkcija, naudojant mokymo seką randamas optimalus aproksimacija sprendimo funkcijai. Kokybiškas funkcionalumas lemiama taisyklė dažniausiai siejama su klaida. Pagrindinis metodo privalumas – atpažinimo problemos matematinės formuluotės aiškumas. Galimybę išgauti naujų žinių apie objekto prigimtį, ypač žinių apie atributų sąveikos mechanizmus, čia iš esmės riboja pateikta sąveikos struktūra, fiksuota pasirinktoje sprendimo funkcijų formoje.

Palyginimo su prototipu metodas. Tai lengviausias išplėtimo atpažinimo būdas praktikoje. Jis naudojamas, kai atpažintos klasės rodomos kaip kompaktiškos geometrinės klasės. Tada geometrinės grupės centras (arba arčiausiai centro esantis objektas) pasirenkamas kaip prototipo taškas.

Norint klasifikuoti neapibrėžtą objektą, randamas jam artimiausias prototipas ir objektas priklauso tai pačiai klasei kaip ir jis. Akivaizdu, kad šiuo metodu nesusidaro apibendrinti vaizdai. Kaip priemonę jie gali būti naudojami įvairių tipų atstumus

k-artimiausių kaimynų metodas. Metodas susideda iš to, kad klasifikuojant nežinomą objektą, kitų artimiausių kaimynų, jau žinomų bet kurios klasės narystei, erdvėje randamas tam tikras skaičius (k) geometriškai artimiausių požymių. Sprendimas klasifikuoti nežinomą objektą priimamas išanalizavus informaciją apie artimiausius jo kaimynus. Šio metodo trūkumas yra poreikis sumažinti objektų skaičių mokymo imtyje (diagnostikos precedentai), nes tai sumažina mokymo imties reprezentatyvumą.

Atsižvelgiant į tai, kad skirtingi atpažinimo algoritmai toje pačioje pavyzdyje pasireiškia skirtingai, kyla klausimas dėl sintetinių lemiama taisyklė, kuris būtų naudojamas stiprybės visi algoritmai. Tam tikslui yra sintetinis metodas arba sprendimų taisyklių grupės, kurios sujungia maksimumą teigiamų aspektų kiekvienas iš metodų.

Atpažinimo metodų apžvalgos pabaigoje pateiksime aukščiau išvardintų dalykų esmę apibendrinančioje lentelėje, pridėdami dar keletą praktikoje naudojamų metodų.

1 lentelė. Atpažinimo metodų klasifikavimo lentelė, jų taikymo sričių ir apribojimų palyginimas

Ir ženklai. Tokios problemos gana dažnai išsprendžiamos, pavyzdžiui, kertant ar pravažiuojant gatvę pagal šviesoforą. Atpažinti degančio šviesoforo spalvą ir išmanyti taisykles eismo leidžia priimti teisingas sprendimas apie tai, ar šiuo metu galima ar negalima pereiti gatvę.

Biologinės evoliucijos procese daugelis gyvūnų sprendė problemas savo regos ir klausos aparato pagalba. modelio atpažinimas pakankamai geras. Dirbtinių sistemų kūrimas modelio atpažinimas išlieka sudėtinga teorinė ir techninė problema. Tokio pripažinimo poreikis iškyla įvairiose srityse – nuo ​​karinių reikalų ir saugumo sistemų iki visų rūšių analoginių signalų skaitmeninimo.

Tradiciškai modelio atpažinimo užduotys įtraukiamos į dirbtinio intelekto užduočių spektrą.

Nurodymai modelio atpažinimui

Galima išskirti dvi pagrindines kryptis:

• Gyvų būtybių turimų atpažinimo gebėjimų tyrimas, jų aiškinimas ir modeliavimas;
• Įrenginių, skirtų individualioms taikomųjų programų problemoms spręsti, konstravimo teorijos ir metodų sukūrimas.

Oficialus problemos išdėstymas

Šablonų atpažinimas – tai šaltinio duomenų priskyrimas konkrečiai klasei naudojant atranką esmines savybes, apibūdinančius šiuos duomenis iš bendra masė nereikšmingi duomenys.

Nustatydami atpažinimo problemas, jie bando naudoti matematinę kalbą, bandydami, kitaip nei dirbtinių neuroninių tinklų teorijoje, kurios pagrindas yra rezultato gavimas eksperimento būdu, eksperimentą pakeisti loginiu samprotavimu ir matematiniu įrodymu.

Vienspalviai vaizdai dažniausiai atsižvelgiama į modelio atpažinimo problemas, todėl vaizdą galima laikyti funkcija plokštumoje. Jei laikysime tašką, nustatytą plokštumoje T, kur funkcija x(x,y) kiekviename vaizdo taške išreiškia jo savybes – ryškumą, skaidrumą, optinis tankis, tada tokia funkcija yra formalus vaizdo įrašymas.

Visų galimų funkcijų rinkinys x(x,y) lėktuve T- yra visų vaizdų rinkinio modelis X. Pristatome koncepciją panašumų tarp vaizdų galite atlikti atpažinimo užduotį. Konkretus tokio teiginio tipas labai priklauso nuo tolesnių pripažinimo etapų pagal vieną ar kitą požiūrį.

Rašto atpažinimo metodai

Norėdami atpažinti optinį šabloną, galite naudoti paieškos pagal objekto tipą metodą skirtingi kampai, masteliai, poslinkiai ir tt Raidėms reikia rūšiuoti pagal šriftą, šrifto savybes ir kt.

Antrasis būdas yra rasti objekto kontūrą ir ištirti jo savybes (jungiamumą, kampų buvimą ir kt.)

Kitas būdas yra naudoti dirbtinius neuroninius tinklus. Šis metodas reikalauja arba didelis kiekis atpažinimo užduoties pavyzdžiai (su teisingais atsakymais), arba speciali neuroninio tinklo struktūra, kurioje atsižvelgiama į šios užduoties specifiką.

Perceptronas kaip modelio atpažinimo metodas

F. Rosenblatt, pristatydamas smegenų modelio koncepciją, kurio užduotis yra parodyti, kaip kokioje nors fizinėje sistemoje, kurios struktūra ir funkcinės savybės yra žinomos, gali atsirasti psichologiniai reiškiniai, – jis apibūdino paprasčiausius. diskriminacijos eksperimentai. Šie eksperimentai yra visiškai susiję su modelio atpažinimo metodais, tačiau skiriasi tuo, kad sprendimo algoritmas nėra deterministinis.

Paprasčiausias eksperimentas, kurio pagrindu galite gauti psichologinį prasminga informacija apie sistemą, susiveda į tai, kad modelis pateikiamas su dviem skirtingais dirgikliais ir turi į juos reaguoti skirtingais būdais. Tokio eksperimento tikslas gali būti ištirti galimybę spontaniškai juos diskriminuoti sistema, kai eksperimentuotojas nesikiša, arba, atvirkščiai, ištirti priverstinę diskriminaciją, kai eksperimentuotojas siekia išmokyti sistemą atlikti reikiamą klasifikaciją.

Eksperimente su perceptronų mokymu dažniausiai pateikiama tam tikra vaizdų seka, į kurią įtraukiami kiekvienos išskirtinos klasės atstovai. Pagal tam tikrą atminties modifikavimo taisyklę teisingas pasirinkimas reakcijos sustiprėja. Tada perceptronui pateikiamas kontrolinis dirgiklis ir nustatoma tikimybė gauti teisingą atsaką į dirgiklius. šios klasės. Priklausomai nuo to, ar pasirinktas valdymo stimulas sutampa, ar nesutampa su vienu iš vaizdų, kurie buvo naudojami treniruočių sekoje, gaunami skirtingi rezultatai:

• 1. Jeigu kontrolinis dirgiklis nesutampa nei su vienu iš treniruočių stimulų, tai eksperimentas siejamas ne tik su gryna diskriminacija, bet apima ir elementus apibendrinimai.
• 2. Jei kontrolinis dirgiklis sužadina tam tikrą jutimo elementų rinkinį, visiškai kitokį nei tie elementai, kurie buvo aktyvuoti anksčiau pateiktų tos pačios klasės dirgiklių įtakoje, tada eksperimentas yra tyrimas. grynas apibendrinimas .

Perceptronai neturi gryno apibendrinimo gebėjimo, tačiau jie gana patenkinamai veikia diskriminacijos eksperimentuose, ypač jei valdymo stimulas pakankamai artimas vienam iš vaizdų, su kuriais perceptronas jau yra sukaupęs tam tikrą patirtį.

Modelių atpažinimo problemų pavyzdžiai

• Laiškų atpažinimas.
• Brūkšninio kodo atpažinimas.
• Valstybinio numerio atpažinimas.
• Veido atpažinimas.
• Kalbos atpažinimas.
• Vaizdo atpažinimas.
• Vietinių žemės plutos sričių, kuriose yra naudingųjų iškasenų telkiniai, atpažinimas.

Raštų atpažinimo programos

Taip pat žr

Pastabos

Nuorodos

• Jurijus Lifšitas. Kursas „Šiuolaikinės teorinės informatikos problemos“ - paskaitos apie statistinius modelio atpažinimo metodus, veido atpažinimą, teksto klasifikavimą
• Modelių atpažinimo tyrimų žurnalas

Literatūra

• David A. Forsythe, Jean Pons Kompiuterinis matymas. Šiuolaikinis požiūris = Computer Vision: A Modern Approach. - M.: "Williams", 2004. - P. 928. - ISBN 0-13-085198-1
• George'as Stockmanas, Linda Shapiro Kompiuterinė vizija = Computer Vision. - M.: Binomas. Žinių laboratorija, 2006. - P. 752. - ISBN 5947743841

• A.L.Gorelikas, V.A.Skripkinas, Atpažinimo metodai, M.: absolventų mokykla, 1989.
• Sh.-K. Cheng, Vaizdinių informacinių sistemų projektavimo principai, M.: Mir, 1994 m.

Wikimedia fondas.

Didysis enciklopedinis žodynas Vienas iš naujų regionų kibernetika. R. o teorijos turinys. yra kelioms klasėms priklausančių objektų (vaizdų) savybių ekstrapoliacija į objektus, kurie tam tikra prasme yra artimi jiems. Paprastai, mokant automatą R. o. prieinama......

Geologijos enciklopedija anglų kalba atpažinimas, vaizdas; vokiečių Gestalt alterkennung. Matematinės kibernetikos šaka, kurianti principus ir metodus, kaip klasifikuoti ir identifikuoti objektus, aprašytus baigtiniu juos apibūdinančių požymių rinkiniu. Antinazi. Enciklopedija......

Sociologijos enciklopedija Rašto atpažinimas - sudėtingų objektų tyrimo kompiuteriu metodas; susideda iš funkcijų parinkimo ir algoritmų bei programų, leidžiančių kompiuteriams automatiškai klasifikuoti objektus pagal šias savybes, kūrimą. Pavyzdžiui, nustatykite, kuris ... ...

Ekonominis-matematinis žodynas - (techninė), mokslinė ir techninė kryptis, susijusi su metodų kūrimu ir sistemų (įskaitant kompiuterines) konstravimu, siekiant nustatyti tam tikro objekto (objekto, proceso, reiškinio, situacijos, signalo) priklausymą vienam iš pažangos. ... ...

Enciklopedinis žodynas- matematinės kibernetikos skyrius, kuriame plėtojami klasifikavimo metodai, taip pat objektų, reiškinių, procesų, signalų, situacijų identifikavimas visų tų objektų, kuriuos galima apibūdinti baigtiniu tam tikrų ženklų ar savybių rinkiniu,... ... Rusijos sociologinė enciklopedija

modelio atpažinimas- 160 modelių atpažinimas: vaizdų ir konfigūracijų formų identifikavimas naudojant automatines priemones

Paskaita Nr.17.RAŠTO ATPAŽINIMO METODAI

Išskiriamos šios atpažinimo metodų grupės:

Artumo funkcijos metodai

Diskriminacinės funkcijos metodai

Statistiniai atpažinimo metodai.

Lingvistiniai metodai

Euristiniai metodai.

Pirmosios trys metodų grupės yra orientuotos į požymių, išreikštų skaičiais arba vektoriais su skaitiniais komponentais, analizę.

Grupė lingvistinių metodų suteikia modelių atpažinimą, pagrįstą jų struktūros analize, aprašyta atitinkamais struktūriniais požymiais ir ryšiais tarp jų.

Euristinių metodų grupė sujungia būdingus metodus ir logines procedūras, kurias naudoja žmonės atpažindami modelius.

Artumo funkcijos metodai

Šios grupės metodai yra pagrįsti funkcijų, kurios įvertina atpažinto vaizdo ir vektoriaus artumo matą, naudojimu. x* = (x* 1 ,….,x*n) ir įvairių klasių nuorodiniai vaizdai, pavaizduoti vektoriais x i = (x i 1 ,…, x i n), i= 1,…,N, Kur aš - vaizdo klasės numeris.

Atpažinimo procedūra pagal šį metodą susideda iš atstumo tarp atpažinto vaizdo taško ir kiekvieno etaloninį vaizdą reprezentuojančio taško apskaičiavimo, t.y. skaičiuojant visas vertes d i , i= 1,…,N. Vaizdas priklauso klasei, kurios vertė d i turi mažiausią reikšmę tarp visų i= 1,…,N .

Funkcija, kuri priskiria kiekvieną vektorių porą x i, x* realusis skaičius kaip jų artumo matas, t.y. atstumo tarp jų nustatymas gali būti gana savavališkas. Matematikoje tokia funkcija vadinama erdvės metrika. Jis turi atitikti šias aksiomas:

r(x,y)=r(y, x);

r(x,y) > 0, jei x nėra lygus y Ir r(x,y)=0 jei x=y;

r(x,y) <=r(x, z)+r(z,y)

Išvardintas aksiomas visų pirma tenkina šios funkcijos

a i= 1/2 , j=1,2,…n.

b i= suma, j=1,2,…n.

c i=max abs ( x i‑ x j *), j=1,2,…n.

Pirmasis iš jų vadinamas euklidine vektorinės erdvės norma. Atitinkamai, erdvės, kuriose nurodyta funkcija naudojama kaip metrika, vadinamos euklidine erdve.

Dažnai atpažinto vaizdo koordinačių vidutinis kvadratinis skirtumas pasirenkamas kaip artumo funkcija x* ir standartinis x i, t.y. funkcija

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

Didumas d i geometriškai interpretuojamas kaip atstumo tarp taškų objekto erdvėje kvadratas, susijęs su erdvės matmeniu.

Dažnai paaiškėja, kad atpažįstant skirtingos savybės nėra vienodai svarbios. Siekiant atsižvelgti į šią aplinkybę skaičiuojant artumo funkcijas, svarbesnius požymius atitinkantys koordinačių skirtumai dauginami iš didelių koeficientų, o iš mažiau svarbių - iš mažesnių.

Tokiu atveju d i = (1/n) suma w j (x i j‑ x j *) 2 , j=1,2,…n,

Kur w j– svoriniai koeficientai.

Svorio koeficientų įvedimas prilygsta požymio erdvės ašių masteliu ir atitinkamai erdvės ištempimui arba suspaudimui tam tikromis kryptimis.

Nurodytomis ypatybių erdvės deformacijomis siekiama orientacinių vaizdų taškus išdėstyti taip, kad atitiktų patikimiausią atpažinimą esant reikšmingai kiekvienos klasės vaizdų sklaidai šalia pamatinio vaizdo taško. .

Arti vienas kito esančios vaizdo taškų grupės (vaizdų sankaupos) objektų erdvėje vadinamos klasteriais, o užduotis identifikuoti tokias grupes – klasterizacijos problema.

Klasterių identifikavimo užduotis priskiriama prie neprižiūrimų modelių atpažinimo užduočių, t.y. atpažinimo problemoms, nesant teisingo atpažinimo pavyzdžio.

Diskriminacinės funkcijos metodai

Šios grupės metodų idėja yra konstruoti funkcijas, kurios apibrėžia ribas vaizdų erdvėje, padalijančias erdvę į sritis, atitinkančias vaizdų klases. Paprasčiausios ir dažniausiai naudojamos tokio pobūdžio funkcijos yra funkcijos, kurios tiesiškai priklauso nuo savybių reikšmių. Funkcijų erdvėje jie atitinka skiriančius paviršius hiperplokštumų pavidalu. Dviejų dimensijų erdvės atveju tiesi linija atlieka atskyrimo funkciją.

Bendroji linijinio sprendimo funkcijos forma pateikiama formule

d(x)=w 1 x 1 + w 2 x 2 +…+w n x n +w n +1 = Wx+w n

Kur x- vaizdo vektorius, w=(w 1 ,w 2 ,…w n) – svorinių koeficientų vektorius.

Esant padalijimui į dvi klases X 1 ir X 2 diskriminacinė funkcija d x) leidžia pripažinti pagal taisyklę:

x priklauso X 1 jei d(x)>0;

x priklauso X 2 jei d(x)<0.

Jeigu d(x)=0, tada yra neapibrėžtumo atvejis.

Suskaidžius į kelias klases, įvedamos kelios funkcijos. Šiuo atveju kiekvienai vaizdų klasei priskiriamas tam tikras diskriminacinių funkcijų ženklų derinys.

Pavyzdžiui, jei įvedamos trys diskriminacinės funkcijos, galima tokia vaizdų klasių identifikavimo parinktis:

x priklauso X 1 jei d 1 (x)>0,d 2 (x)<0,d 3 (x)<0;

x priklauso X 2 jei d(x)<0,d 2 (x)>0,d 3 (x)<0;

x priklauso X 3 jei d(x)<0,d 2 (x)<0,d 3 (x)>0.

Daroma prielaida, kad kitiems reikšmių deriniams d 1 (x),d 2 (x),d 3 (x) yra netikrumo atvejis.

Diskriminacinės funkcijos metodo variantas yra sprendimo funkcijos metodas. Jame, jei yra m Manoma, kad klasės egzistuoja m funkcijas d i(x), vadinamas lemiamu, tokiu, kad jei x priklauso X i, Tai d i(x) > dj(x) visiems j nelygios i, tie. lemiama funkcija d i(x) turi maksimali vertė tarp visų funkcijų dj(x), j=1,...,n..

Šio metodo iliustracija gali būti klasifikatorius, pagrįstas mažiausio euklido atstumo įvertinimu objekto erdvėje tarp vaizdo taško ir standarto. Parodykime.

Euklidinis atstumas tarp atpažinto vaizdo požymio vektoriaus x o atskaitos vaizdo vektorius nustatomas pagal formulę || x i ‑ x|| = 1/2 , j=1,2,…n.

Vektorius x bus priskirta klasei i, kurio vertė || x i ‑ x*|| minimalus.

Vietoje atstumo galima lyginti atstumo kvadratą, t.y.

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

Nuo vertės x x visiems tas pats i, minimali funkcija || x i ‑ x|| 2 sutaps su sprendimo funkcijos maksimumu

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

tai yra x priklauso X i, Jei d i(x) > dj(x) visiems j nelygios i.

Tai. minimalaus atstumo klasifikavimo mašina yra pagrįsta linijinėmis sprendimo funkcijomis. Bendroji tokios mašinos struktūra naudoja lemiamas formos funkcijas

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

Jį galima vizualiai pavaizduoti atitinkama blokine schema.

Mašinai, kuri klasifikuoja pagal minimalų atstumą, galioja šios lygybės: w ij = -2x i j , w i n +1 = x i x i.

Lygiavertis atpažinimas diskriminacinės funkcijos metodu gali būti atliktas apibrėžiant diskriminacines funkcijas kaip skirtumus d ij (x)=d i (x)‑dj (x).

Diskriminacinės funkcijos metodo pranašumas yra paprasta atpažinimo mašinos struktūra, taip pat galimybė ją įgyvendinti daugiausia naudojant linijinius sprendimų blokus.

Kitas svarbus diskriminacinės funkcijos metodo pranašumas yra galimybė automatiškai išmokyti mašiną teisingai atpažinti pagal pateiktą (mokomąją) vaizdų pavyzdį.

Tuo pačiu metu automatinio mokymosi algoritmas, palyginti su kitais atpažinimo metodais, yra labai paprastas.

Dėl šių priežasčių diskriminacinės funkcijos metodas įgijo platų populiarumą ir labai dažnai naudojamas praktikoje.

Savaiminio mokymo procedūros modelio atpažinimui

Panagrinėkime diskriminacinės funkcijos konstravimo metodus, pagrįstus duotu (mokomuoju) pavyzdžiu, atsižvelgiant į vaizdų padalijimo į dvi klases problemą. Jei pateikiami du vaizdų rinkiniai, priklausantys atitinkamai A ir B klasėms, tai tiesinės diskriminacinės funkcijos konstravimo problemos sprendimas ieškomas svorinių koeficientų vektoriaus pavidalu. W=(w 1 ,w 2 ,...,w n,w n+1), kuri turi savybę, kad bet kuriam vaizdui tenkinamos šios sąlygos:

x priklauso A klasei, jei >0, j=1,2,…n.

x priklauso B klasei, jei<0, j=1,2,…n.

Jei treniruočių komplektą sudaro N abiejų klasių vaizdų, užduotis redukuojasi iki vektoriaus w, užtikrinančio nelygybių sistemos pagrįstumą, Jei mokymo imtis susideda iš N abiejų klasių vaizdų, užduotis yra surasti vektorių w, užtikrinantis nelygybių sistemos pagrįstumą

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

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

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

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

x 1 Nw i +x 2N w 2 +...+x nN w n +w n + 1>0;

Čia x i=(x i 1 ,x i 2 ,...,x i n ,x i n+ 1 ) - vaizdo ypatybių reikšmių vektorius iš mokymo pavyzdžio, ženklas > atitinka vaizdo vektorius x, priklausantis A klasei, ir ženklas< - векторам x, priklausantis B klasei.

Reikalingas vektorius w egzistuoja, jei A ir B klasės yra atskiriamos ir neegzistuoja kitaip. Vektorinių komponentų reikšmės w galima rasti iš anksto, prieš įdiegiant SRO aparatinę įrangą, arba tiesiogiai pati SRO jo veikimo metu. Paskutinis iš šių metodų suteikia didesnį SRO lankstumą ir savarankiškumą. Panagrinėkime tai naudodami prietaiso, vadinamo procentronu, pavyzdį. 1957 metais išrado amerikiečių mokslininkas Rosenblattas. Scheminis procentrono vaizdas, užtikrinantis, kad vaizdas būtų priskirtas vienai iš dviejų klasių, pateiktas kitame paveikslėlyje.

Tinklainė S Tinklainė A Tinklainė R

oi oi x 1

oi oi x 2

oi oi x 3

o (suma)-------> R(reakcija)

oi oi x i

oi oi x n

oi oi x n +1

Prietaisas susideda iš tinklainės jutimo elementų S, kurie yra atsitiktinai sujungti su asociatyviniais tinklainės elementais A. Kiekvienas antrosios tinklainės elementas sukuria išvesties signalą tik tuo atveju, jei pakankamai sensorinių elementų, prijungtų prie jo įvesties, yra sužadintos. Visos sistemos atsakas R yra proporcinga asociatyvios tinklainės elementų reakcijų sumai, paimtai su tam tikrais svoriais.

Paskyrė x i reakcija i asociatyvinis elementas ir per w i- reakcijos svorio koeficientas i asociatyvinis elementas, sistemos reakcija gali būti parašyta kaip R=sum( w j x j), j=1,..,n. Jeigu R>0, tada sistemai pateiktas vaizdas priklauso A klasei, o jei R<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 n atitinka tam tikrą funkcijų generavimo algoritmą, pagrįstą signalais iš pirminių jutiklių.

Apskritai gali būti keli elementai R formuoja perceptrono reakciją. Šiuo atveju jie kalba apie tinklainės buvimą perceptrone R reaguojantys elementai.

Procentronų schemą galima išplėsti ir tuo atveju, kai klasių skaičius yra didesnis nei dvi, padidinant tinklainės elementų skaičių. R iki išskiriamų klasių skaičiaus ir bloko, skirto maksimaliai reakcijai nustatyti, įvedimas pagal diagramą, pateiktą aukščiau esančiame paveikslėlyje. Šiuo atveju vaizdas priskiriamas klasei su numeriu i, Jei R i>Rj, visiems j.

Procentrono mokymo procesas susideda iš svorinių koeficientų reikšmių parinkimo w j kad išvesties signalas atitiktų klasę, kuriai priklauso atpažintas vaizdas.

Panagrinėkime procrono veiksmų algoritmą naudodami dviejų klasių objektų atpažinimo pavyzdį: A ir B. A klasės objektai turi atitikti reikšmę R= +1, o klasė B – reikšmė R= -1.

Mokymosi algoritmas yra toks.

Jei kitas vaizdas x priklauso A klasei, bet R<0 (имеет место ошибка распознавания), тогда коэффициенты w j su indeksais, kuriuos atitinka reikšmės x j>0, padidinti tam tikra suma dw, ir likusius koeficientus w j sumažintas dw. Šiuo atveju reakcijos reikšmė R link jo gauna prieaugį teigiamas vertes, atitinkanti teisingą klasifikaciją.

Jeigu x priklauso B klasei, bet R>0 (yra atpažinimo klaida), tada koeficientai w j su indeksais, kurie atitinka x j<0, увеличивают на dw, ir likusius koeficientus w j sumažintas ta pačia suma. Šiuo atveju reakcijos reikšmė R gauna prieaugį link neigiamų verčių, atitinkančių teisingą klasifikaciją.

Taigi algoritmas pakeičia svorių vektorių w jei ir tik tada, kai vaizdas pateikiamas k-th treniruotės žingsnis, buvo neteisingai klasifikuojamas atliekant šį žingsnį ir palieka svorių vektorių w jokių pokyčių, jei klasifikuojama teisingai. Šio algoritmo konvergencijos įrodymas pateiktas [Tu, Gonzalez]. Toks mokymas galiausiai bus (tinkamai pasirinkus dw o vaizdo klasių linijinis atskyrimas) veda į vektorių w, užtikrinant teisingą klasifikaciją.

Statistiniai atpažinimo metodai.

Statistiniai metodai yra pagrįsti klasifikavimo klaidos tikimybės sumažinimu. Atpažinti pateikto vaizdo neteisingos klasifikacijos tikimybė P, aprašyta ypatybių vektoriumi x, nustatoma pagal formulę

P = suma[ p(i)prob( D(x)+i | x klasė i)]

Kur m- klasių skaičius,

p(i) = zondas ( x priklauso klasei i) – a priori tikimybė priklausyti savavališkam vaizdui xĮ i klasė (vaizdų atsiradimo dažnis i- klasė),

D(x) - funkcija, kuri priima klasifikavimo sprendimą (požymių vektorius x atitinka klasės numerį i iš komplekto (1,2,..., m}),

prob ( D(x) nėra lygus i| x priklauso klasei i) - įvykio tikimybė " D(x) nėra lygus i“, kai įvykdoma narystės sąlyga x klasė i, t.y. tikimybė, kad funkcija priims klaidingą sprendimą D(x) už nurodytą vertę x, priklauso i- klasė.

Galima parodyti, kad klaidingo klasifikavimo tikimybė pasiekia minimumą, jei D(x)=i jei ir tik tada p(x|i)· p(i)>p(x|j)· p(j), visiems i+j, Kur p(x|i) – vaizdo pasiskirstymo tankis i-klasė objektų erdvėje.

Pagal minėtą taisyklę taškas x priklauso klasei, kurią atitinka didžiausia vertė p(i) p(x|i), t.y. vaizdų atsiradimo išankstinės tikimybės (dažnio) sandauga i-klasių ir vaizdo paskirstymo tankis i-klasė objektų erdvėje. Pateikta klasifikavimo taisyklė vadinama Bajeso, nes tai išplaukia iš tikimybių teorijoje žinomos Bayes formulės.

Pavyzdys. Tarkime, kad būtina atlikti atpažinimą diskretūs signalai prie išėjimo informacijos kanalas veikiami triukšmo.

Kiekvienas įvesties signalas reiškia 0 arba 1. Dėl signalo perdavimo reikšmė rodoma kanalo išvestyje x, kuris dedamas su Gauso triukšmu, kurio vidurkis nulinis ir dispersija b.

Norėdami susintetinti klasifikatorių, kuris atlieka signalo atpažinimą, naudosime Bajeso klasifikavimo taisyklę.

Vienetinius signalus sujungsime į klasę Nr.1, o signalus, vaizduojančius nulius į klasę Nr.2. Iš anksto žinokite, kad vidutiniškai iš 1000 signalų a signalai žymi vienetus ir b signalai – nulis. Tada 1 ir 2 klasių signalų atsiradimo a priori tikimybių reikšmės (vienetai ir nuliai) gali būti lygios

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

Nes triukšmas yra Gauso, t.y. paklūsta normaliajam (Gauso) pasiskirstymo dėsniui, tada pirmosios klasės vaizdų pasiskirstymo tankis priklauso nuo reikšmės x, arba, kas yra tas pats, tikimybė gauti išvesties vertę x kai įėjime taikomas signalas 1, jis nustatomas pagal išraišką

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

o pasiskirstymo tankis priklauso nuo reikšmės x antros klasės vaizdų, t.y. tikimybė gauti išvesties vertę x kai įėjime taikomas signalas 0, jis nustatomas pagal išraišką

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

Taikant Bajeso sprendimo taisyklę, darytina išvada, kad buvo perduotas 2 klasės signalas, t.y. nulis perduodamas, jei

p(2) p(x¦2) > p(1) p(x¦1)

arba, konkrečiau, jei

b exp (- x 2 /(2b 2)) > a exp (-( x-1) 2 / (2b 2)),

Dalijant kairėje pusėje nelygybė dešinėje, gauname

(b/a) exp((1-2 x)/(2b 2)) >1,

kur paėmę logaritmus randame

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

x< 0.5 - б 2 ln(a/b)

Iš susidariusios nelygybės išplaukia, kad kada a=b, t.y. esant vienodoms a priori signalų 0 ir 1 atsiradimo tikimybėms, vaizdui priskiriama reikšmė 0, kai x<0.5, а значение 1, когда x>0.5.

Jei iš anksto žinoma, kad vienas iš signalų pasirodo dažniau, o kitas – rečiau, t.y. esant nevienodoms vertybėms a Ir b, klasifikatoriaus atsako slenkstis pasislenka viena ar kita kryptimi.

Taigi kada a/b=2,71 (tai atitinka 2,71 karto dažnesnį vienetų perdavimą) ir b 2 =0,1, vaizdui priskiriama reikšmė 0, jei x<0.4, и значение 1, если x>0.4. Jei informacijos apie ankstesnes paskirstymo tikimybes nėra, tada statistiniais metodais pripažinimo, kurie yra pagrįsti kitomis nei Bajeso klasifikavimo taisyklėmis.

Tačiau praktikoje labiausiai paplitę metodai yra pagrįsti Bayes taisyklėmis dėl didesnio efektyvumo, taip pat dėl ​​to, kad daugelyje modelių atpažinimo problemų galima nustatyti išankstinės tikimybės kiekvienos klasės vaizdų išvaizda.

Lingvistiniai modelio atpažinimo metodai.

Lingvistiniai modelio atpažinimo metodai yra pagrįsti idealizuoto vaizdo aprašymo, pateikto grafiko arba simbolių grandinės forma, tai yra tam tikros kalbos frazė ar sakinys, analize.

Apsvarstykite idealizuotus raidžių vaizdus, ​​​​gautus pirmiau aprašyto pirmojo kalbinio atpažinimo etapo metu. Šiuos idealizuotus vaizdus galima patikslinti grafikų aprašymais, pateikiamais, pavyzdžiui, jungčių matricų pavidalu, kaip buvo padaryta aukščiau aptartame pavyzdyje. Tą patį aprašymą galima pavaizduoti fraze formalią kalbą(išraiška).

Pavyzdys. Tegu pateikiami trys raidės A vaizdai, gauti iš anksto apdorojant vaizdą. Šiuos vaizdus pažymėkime identifikatoriais A1, A2 ir A3.

Pateiktiems vaizdams lingvistiškai apibūdinti naudosime PDL (Picture Description Language). PDL žodyną sudaro šie simboliai:

1. Paprasčiausių vaizdinių (pirmybių) pavadinimai. Nagrinėjamu atveju primityvai ir juos atitinkantys pavadinimai yra tokie.

Vaizdai nukreiptos linijos pavidalu:

aukštyn ir kairėn (le F t), šiaurė (šiaurė), aukštyn ir dešinėn (dešinėn), rytai).

Vardai: L, N, R, E.

2. Dvejetainių operacijų simboliai. (+,*,-) Jų reikšmė atitinka nuoseklų primityvų ryšį (+), primityvų pradų ir galūnių ryšį (*), tik primityvų galūnių ryšį (-).

3. Dešinieji ir kairieji skliaustai. ((,)) Skliaustai leidžia nustatyti reiškinio operacijų seką.

Nagrinėjami vaizdai A1, A2 ir A3 atitinkamai aprašomi PDL kalba tokiomis išraiškomis.

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)

Sukonstruojus lingvistinį atvaizdo aprašymą, taikant kokią nors atpažinimo procedūrą, reikia išanalizuoti, ar šis vaizdas priklauso mus dominančiai klasei (A raidžių klasei), t.y. Nesvarbu, ar šis vaizdas turi tam tikrą struktūrą, ar ne. Norėdami tai padaryti, pirmiausia reikia apibūdinti vaizdų, turinčių mus dominančią struktūrą, klasę.

Akivaizdu, kad raidėje A visada yra šie struktūriniai elementai: kairė koja, dešinė koja ir galva. Pavadinkime šiuos elementus atitinkamai STL, STR, TR.

Tada PDL kalboje simbolių klasė A - SIMB A apibūdinama išraiška

SIMB A = STL + TR - STR

Kairioji STL „koja“ visada yra elementų R ir N grandinė, kurią galima parašyti taip

STL -> R ¦ N ¦ (STL + R)¦ (STL + N)

(STL yra simbolis R arba N arba eilutė, gauta pridedant simbolius R arba N prie šaltinio STL eilutės)

Dešinioji STR „koja“ visada yra elementų L ir N grandinė, kurią galima užrašyti taip, t.y.

STR -> L¦N¦ (STR + L)¦ (STR + N)

Raidės galvos dalis – TR yra uždaras kontūras, sudarytas iš elemento E ir grandinių, tokių kaip STL ir STR.

PDL TR struktūra apibūdinama išraiška

TR -> (STL - STR) * E

Galiausiai gauname tokį A raidės klasės aprašymą:

SIMB A -> (STL + TR - STR),

STL –> R¦N¦ (STL + R)¦ (STL + N)

STR -> L¦N¦ (STR + L)¦ (STR + N)

TR -> (STL - STR) * E

Pripažinimo procedūra šiuo atveju gali būti įgyvendinta taip.

1. Vaizdą atitinkanti išraiška lyginama su atskaitos struktūra STL + TR - STR.

2. Kiekvienas struktūros elementas STL, TR, STR, esant galimybei, t.y. jei vaizdo aprašymas yra palyginamas su standartu, kai kuri posakis iš išraiškos T(A) atitinka. Pavyzdžiui,

A1: STL=R, STR=L, TR=(R-(L+N))*E

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

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

Išraiškos STL, STR, TR lyginamos su atitinkamomis atskaitos struktūromis.

4. Jei kiekvienos išraiškos STL, STR, TR struktūra atitinka standartinę, daroma išvada, kad vaizdas priklauso A raidžių klasei. Išanalizuota išraiška ir aptiktas standartas, daroma išvada, kad vaizdas nepriklauso SIMB klasei A. Išraiškos struktūrų palyginimas gali būti atliktas naudojant algoritmines kalbas LISP, PLANER, PROLOG ir kitas panašias kalbas. dirbtinis intelektas.

Nagrinėjamame pavyzdyje visos STL grandinės yra sudarytos iš simbolių N ir R, o STR grandinės – iš simbolių L ir N, o tai atitinka nurodytą šių grandinių struktūrą. TR struktūra nagrinėjamuose vaizduose taip pat atitinka pamatinę, nes susideda iš grandinių, tokių kaip STL, STR, „skirtumo“, „padauginto“ iš simbolio E.

Taigi darome išvadą, kad nagrinėjami vaizdai priklauso klasei SIMB A.

Neryškaus nuolatinės srovės elektros pavaros valdiklio sintezėMatLab aplinkoje

Neryškaus valdiklio su vienu įėjimu ir išėjimu sintezė.

Iššūkis yra priversti vairuoti tiksliai sekti skirtingus įvesties signalus. Valdymo veiksmo kūrimą atlieka neryškus valdiklis, kuriame struktūriškai galima išskirti šiuos funkcinius blokus: fuzifikatorių, taisyklių bloką ir defuzifikatorių.

4 pav. Sistemos su dviem kalbiniais kintamaisiais apibendrinta funkcinė schema.

5 pav. Neryškaus valdiklio su dviem kalbiniais kintamaisiais schema.

Apytikslis valdymo algoritmas bendruoju atveju yra neryškaus valdiklio įvesties kintamųjų transformavimas į jo išvesties kintamuosius, naudojant šias tarpusavyje susijusias procedūras:

1. įvesties fizinių kintamųjų, gautų iš matavimo jutiklių iš valdymo objekto, transformavimas į neaiškiojo valdiklio įvesties lingvistinius kintamuosius;

2. apdorojimas loginiai teiginiai, vadinamas lingvistinėmis taisyklėmis, susijusias su valdiklio įvesties ir išvesties kalbiniais kintamaisiais;

3. neaiškiojo valdiklio išvesties kalbinių kintamųjų transformavimas į fizinius valdymo kintamuosius.

Pirmiausia panagrinėkime paprasčiausią atvejį, kai servo pavarai valdyti įvedami tik du kalbiniai kintamieji:

„kampas“ yra įvesties kintamasis;

„Valdymo veiksmas“ yra išvesties kintamasis.

Mes sintetinsime valdiklį MatLab aplinkoje naudodami įrankių rinkinį " Neaiškioji logika“ Tai leidžia sukurti neaiškias išvadas ir neaiškias klasifikavimo sistemas „MatLab“ aplinkoje su galimybe jas integruoti į „Simulink“. Pagrindinė koncepcija Fuzzy Logic Toolbox yra FIS struktūra – neaiškių išvadų sistema (Fuzzy Inference System). FIS struktūroje yra visi reikalingi duomenys, kad būtų galima įgyvendinti funkcinį „įėjimų-išėjimų“ atvaizdavimą, pagrįstą neaiškiomis loginėmis išvadomis pagal diagramą, parodytą Fig. 6.

6 pav. Neaiškios išvados.

X - įvesties crisp vektorius; - vektorius neryškūs rinkiniai, atitinkantis įvesties vektorių X;
- loginės išvados rezultatas neaiškių aibių vektoriaus pavidalu - išvesties aiškus vektorius.

„Fuzzy“ modulis leidžia sukurti dviejų tipų neaiškias sistemas - „Mamdani“ ir „Sugeno“. Tokiose sistemose kaip Mamdani žinių bazę sudaro formos taisyklės "Jei x 1 = mažas ir x 2 = vidutinis, tada y = didelis". Sugeno tipo sistemose žinių bazę sudaro formos taisyklės „Jei x 1 = mažas ir x 2 = vidutinis, tada y = a 0 +a 1 x 1 +a 2 x 2. Taigi pagrindinis skirtumas tarp Mamdani ir Sugeno sistemų yra įvairiais būdais išvesties kintamojo reikšmių nustatymas taisyklėse, kurios sudaro žinių bazę. Mamdani tipo sistemose išvesties kintamojo reikšmės nurodomos neaiškiais terminais, Sugeno tipo sistemose - kaip tiesinis įvesties kintamųjų derinys. Mūsų atveju naudosime Sugeno sistemą, nes ji geriau tinka optimizavimui.

Norėdami valdyti servo pavarą, įvedami du kalbiniai kintamieji: „klaida“ (pagal padėtį) ir „valdymo veiksmas“. Pirmasis iš jų yra įvestis, antrasis yra išėjimas. Apibrėžkime nurodytų kintamųjų terminų rinkinį.

Pagrindiniai neaiškios loginės išvados komponentai. Fuzifikatorius.

Kiekvienam kalbiniam kintamajam apibrėžiame pagrindinę formos terminų rinkinį, į kurį įeina neaiškios aibės, kurias galima priskirti: neigiamas didelis, neigiamas mažas, nulis, teigiamas mažas, teigiamas didelis.

Pirmiausia subjektyviai apibrėžkime, ką reiškia terminai „didelė klaida“, „maža klaida“ ir kt., apibrėžiantys atitinkamų neaiškių aibių narystės funkcijas. Čia kol kas galite vadovautis tik reikiamu tikslumu, žinomais įvesties signalų klasės parametrais ir sveiku protu. Niekas dar negalėjo pasiūlyti jokio griežto narystės funkcijų parametrų pasirinkimo algoritmo. Mūsų atveju kalbinis kintamasis „klaida“ atrodys taip.

7 pav. Kalbinis kintamasis „klaida“.

Kalbinį kintamąjį „kontrolė“ patogiau pateikti lentelės pavidalu:

1 lentelė

Taisyklių blokas.

Panagrinėkime kelių taisyklių, apibūdinančių kai kurias situacijas, apibrėžimo seką:

Tarkime, pavyzdžiui, išvesties kampas lygus įvesties signalui (ty paklaida lygi nuliui). Akivaizdu, kad tai yra norima situacija, todėl mes neturime nieko daryti (kontrolės veiksmas yra nulis).

Dabar apsvarstykite kitą atvejį: padėties paklaida yra daug didesnė už nulį. Natūralu, kad mes turime tai kompensuoti generuodami didelį teigiamą valdymo signalą.

Tai. buvo sudarytos dvi taisyklės, kurias formaliai galima apibrėžti taip:

Jeigu klaida = null, Tai valdymo veiksmas = nulis.

Jeigu klaida = didelis teigiamas, Tai kontrolės įtaka = didelis teigiamas.

8 pav. Valdymo formavimas su nedidele teigiama padėties paklaida.

9 pav. Valdymo su nulinės padėties paklaida formavimas.

Žemiau esančioje lentelėje pateiktos visos taisyklės, atitinkančios visas situacijas paprastas atvejis.

2 lentelė

Iš viso neaiškiam valdikliui su n įėjimų ir 1 išėjimu galima apibrėžti valdymo taisykles, kur yra neaiškių rinkinių skaičius i-jam įėjimui, tačiau normaliam valdiklio veikimui nebūtina naudoti visų galimų taisykles, bet jūs galite apsieiti su mažiau jų. Mūsų atveju neryškiam valdymo signalui generuoti naudojamos visos 5 galimos taisyklės.

Defuzifikatorius.

Taigi gautas poveikis U bus nustatytas pagal kokios nors taisyklės įvykdymą. Jei susidaro situacija, kai vienu metu vykdomos kelios taisyklės, tada gaunamas poveikis U randamas pagal tokį ryšį:

, kur n yra suaktyvintų taisyklių skaičius (defuzzification regiono centro metodu), u n – fizinę reikšmę valdymo signalas, atitinkantis kiekvieną iš neaiškių rinkinių UBO, UMo, UZ, UMp, UBP. mUn(u)– valdymo signalo u priklausomybės laipsnis atitinkamai neaiškiai aibei Un=( UBO, UMo, UZ, UMp, UBP). Taip pat yra kitų defuzzification metodų, kai išvesties kalbinis kintamasis yra proporcingas „stipriausiajai“ arba „silpniausiajai“ taisyklei.

Modeliuokime elektrinės pavaros valdymo procesą naudodami aukščiau aprašytą neaiškią valdiklį.

10 pav. Blokinė schema sistemos aplinkojeMatlab.

11 pav. Neryškaus valdiklio aplinkoje blokinė schemaMatlab.

12 pav. Laikinas procesas vienu žingsniu.

Ryžiai. 13. Trumpalaikis procesas veikiant harmoniniam įvesties veiksmui modeliui su neaiškiu valdikliu, turinčiu vieną įvesties kalbinį kintamąjį.

Pavaros charakteristikų analizė su sintezuotu valdymo algoritmu rodo, kad jos toli gražu nėra optimalios ir prastesnės nei sintezuojant valdymą kitais būdais (valdymo laikas per ilgas vieno žingsnio veiksmui, o paklaida harmoninga). Tai paaiškinama tuo, kad narystės funkcijų parametrai buvo parinkti gana savavališkai, o kaip valdiklio įvestis buvo naudojama tik padėties paklaidos reikšmė. Natūralu, kad apie jokį gaunamo reguliatoriaus optimalumą negali būti nė kalbos. Todėl, siekiant kuo aukštesnių valdymo kokybės rodiklių, aktualus tampa uždavinys optimizuoti neryškųjį valdiklį. Tie. Užduotis optimizuoti tikslo funkciją f(a 1 ,a 2 …a n), kur a 1 ,a 2 …a n yra koeficientai, nulemiantys neaiškiojo valdiklio tipą ir charakteristikas. Norėdami optimizuoti neaiškią valdiklį, naudosime ANFIS bloką iš Matlab aplinkos. Taip pat vienas iš būdų pagerinti valdiklio charakteristikas gali būti jo įėjimų skaičiaus padidinimas. Tai padarys reguliatorių lankstesnį ir pagerins jo veikimą. Pridėkime dar vieną įvesties kalbinį kintamąjį – įvesties signalo (jo išvestinės) kitimo greitį. Atitinkamai padidės taisyklių skaičius. Tada reguliatoriaus grandinės schema bus tokia:

14 pav. Neryškaus valdiklio su trimis kalbiniais kintamaisiais schema.

Leisti yra įvesties signalo greičio vertė. Mes apibrėžiame pagrindinę terminų rinkinį Tn taip:

Tn=("neigiamas (BO)", "nulis (Z)", "teigiamas (BP)").

Visų kalbinių kintamųjų narystės funkcijų vieta parodyta paveikslėlyje.

15 pav. Kalbinio kintamojo „error“ narystės funkcijos.

16 pav. Kalbinio kintamojo „įvesties signalo greitis“ narystės funkcijos.

Pridėjus dar vieną kalbinį kintamąjį, taisyklių skaičius padidės iki 3x5=15. Jų sudarymo principas yra visiškai panašus į aukščiau aptartą. Visi jie parodyti šioje lentelėje:

3 lentelė

Pavyzdžiui, jei Jeigu klaida = nulis ir įvesties signalo išvestinė = didelis teigiamas, Tai kontrolės įtaka = mažas neigiamas.

17 pav. Valdymo formavimas pagal tris kalbinius kintamuosius.

Dėl padidėjusio įėjimų skaičiaus ir, atitinkamai, pačių taisyklių, neaiškio valdiklio struktūra taps sudėtingesnė.

18 pav. Neryškaus valdiklio su dviem įėjimais blokinė schema.

Pridėti paveikslėlį

20 pav. Trumpalaikis procesas veikiant harmoninei įvesties veiksmui modeliui su neaiškiu valdikliu, turinčiu du įvesties lingvistinius kintamuosius.

Ryžiai. 21. Klaidos signalas veikiant harmoninei įvesties modeliui su neaiškiu valdikliu, turinčiu du įvesties kalbinius kintamuosius.

Imituosime neryškaus valdiklio su dviem įėjimais veikimą Matlab aplinkoje. Modelio blokinė schema bus lygiai tokia pati kaip pav. 19. Iš harmoninio įvesties veiksmo pereinamojo proceso grafiko matyti, kad sistemos tikslumas žymiai padidėjo, bet tuo pačiu padidėjo jos virpesiai, ypač tose vietose, kur linksta išvesties koordinatės išvestinė. iki nulio. Akivaizdu, kad to priežastys, kaip minėta aukščiau, yra neoptimalus narystės funkcijos parametrų pasirinkimas tiek įvesties, tiek išvesties kalbiniams kintamiesiems. Todėl optimizuojame neryškų valdiklį naudodami ANFISedit bloką Matlab aplinkoje.

Neryškaus valdiklio optimizavimas.

Panagrinėkime genetinių algoritmų naudojimą neryškiam valdikliui optimizuoti. Genetiniai algoritmai - adaptaciniai metodai atliekamos paieškos pastaruoju metu dažnai naudojamas funkcinio optimizavimo problemoms spręsti. Jie pagrįsti panašumu į genetinius procesus biologiniai organizmai: biologinės populiacijos vystosi per kelias kartas, paklusdamos dėsniams natūrali atranka ir pagal principą „išgyventi stipriausius“, atidarė Charlesas Darvinas. Imituojant šį procesą genetiniai algoritmai galintys „plėtoti“ sprendimus tikros problemos, jei jie tinkamai užkoduoti.

Genetiniai algoritmai veikia su „individų“ rinkiniu – populiacija, kurių kiekvienas yra galimas konkrečios problemos sprendimas. Kiekvienas individas vertinamas pagal jo „pritaikomumo“ matą pagal tai, kiek „geras“ jį atitinkančios problemos sprendimas. Tinkamiausi individai gali „atsidauginti“ palikuonių „kryžmindami“ su kitais populiacijos individais. Dėl to atsiranda naujų asmenų, kurie sujungia kai kurias savybes, kurias paveldi iš savo tėvų. Mažiausiai tinkami individai yra mažiau linkę daugintis, todėl bet kokios jų savybės palaipsniui išnyks iš populiacijos.

Taip atkuriama visa nauja įmanomų sprendimų populiacija, pasirenkant geriausius ankstesnės kartos atstovus, juos kertant ir gaunant daug naujų individų. Šioje naujoje kartoje yra didesnis turimų savybių santykis geri varpai ankstesnės kartos. Taigi iš kartos į kartą geros savybės išplito visoje populiacijoje. Galiausiai gyventojai susilies prie optimalaus problemos sprendimo.

Yra daug būdų, kaip įgyvendinti biologinės evoliucijos idėją pagal genetinius algoritmus. Tradicinis, gali būti pavaizduotas kaip tokia blokinė schema, parodyta 22 paveiksle, kur:

1. Pradinės populiacijos inicijavimas – generavimas duotas numeris problemos, nuo kurios prasideda optimizavimo procesas, sprendimai;

2. Kryžminimo ir mutacijų operatorių taikymas;

3. Stabdymo sąlygos – paprastai optimizavimo procesas tęsiamas tol, kol randamas problemos sprendimas tam tikru tikslumu arba kol nustatoma, kad procesas suartėjo (t.y. problemos sprendimas nepagerėjo per pastarąsias N kartų).

Matlab aplinkoje genetinius algoritmus vaizduoja atskira įrankių rinkinys, taip pat ANFIS paketas. ANFIS yra Adaptive-Network-Based Fuzzy Inference System - adaptyvus neaiškių išvadų tinklas - santrumpa. ANFIS yra vienas iš pirmųjų hibridinių neuro-neaiškių tinklų variantų – specialaus perdavimo pirmyn neuroninio tinklo. Neuro-neaiškiojo tinklo architektūra yra izomorfinė neaiškiai žinių bazei. Neuro-neaiškiuose tinkluose naudojami skirtingi diegimai trikampės normos(daugyba ir tikimybinis ARBA), taip pat sklandžios narystės funkcijos. Tai leidžia naudoti greitus ir genetinius neuroninių tinklų mokymo algoritmus, pagrįstus neuro-neaiškių tinklų nustatymo metodu. dauginimas atgal klaidų. Toliau aprašyta kiekvieno ANFIS tinklo sluoksnio architektūra ir veikimo taisyklės.

ANFIS įgyvendina Sugeno neaiškių išvadų sistemą kaip penkių sluoksnių grįžtamąjį neuroninį tinklą. Sluoksnių paskirtis yra tokia: pirmasis sluoksnis yra įvesties kintamųjų terminai; antrasis sluoksnis – neaiškių taisyklių antcecendentai (prielaidos); trečiasis sluoksnis yra taisyklių laikymosi laipsnių normalizavimas; ketvirtas sluoksnis yra taisyklių išvados; penktasis sluoksnis - rezultato, gauto iš įvairios taisyklės.

Tinklo įėjimai nėra priskirti atskiram sluoksniui. 23 paveiksle parodytas ANFIS tinklas su vienu įvesties kintamuoju ("klaida") ir penkiomis neaiškiomis taisyklėmis. Lingvistiniam įvesties kintamojo „error“ įvertinimui naudojami 5 terminai.

23 pav. StruktūraANFIS- tinklai

Įveskime tokį žymėjimą, reikalingą tolesniam pristatymui:

Leisti būti tinklo įėjimai;

y - tinklo išvestis;

Neaiškia taisyklė su serijos numeris r;

m - taisyklių skaičius;

Neryškus terminas su narystės funkcija, naudojamas lingvistiniam r-osios taisyklės kintamojo vertinimui (,);

Realūs skaičiai r-osios taisyklės pabaigoje (,).

ANFIS tinklas veikia taip.

1 sluoksnis. Kiekvienas pirmojo sluoksnio mazgas reiškia vieną terminą su varpelio formos narystės funkcija. Tinklo įėjimai yra prijungti tik prie jų sąlygų. Pirmojo sluoksnio mazgų skaičius lygus įvesties kintamųjų terminų aibių kardinalybių sumai. Mazgo išvestis yra laipsnis, kuriuo įvesties kintamojo reikšmė priklauso atitinkamam neaiškiam terminui:

,

kur a, b ir c yra konfigūruojami narystės funkcijos parametrai.

2 sluoksnis. Antrojo sluoksnio mazgų skaičius yra m. Kiekvienas šio sluoksnio mazgas atitinka vieną neaiškią taisyklę. Antrojo sluoksnio mazgas yra sujungtas su tais pirmojo sluoksnio mazgais, kurie sudaro atitinkamos taisyklės pirmtakus. Todėl kiekvienas antrojo sluoksnio mazgas gali priimti nuo 1 iki n įvesties signalų. Mazgo išvestis yra taisyklės įvykdymo laipsnis, kuris apskaičiuojamas kaip įvesties signalų sandauga. Šio sluoksnio mazgų išvestis pažymėkime , .

3 sluoksnis. Mazgų skaičius trečiajame sluoksnyje taip pat yra m. Kiekvienas šio sluoksnio mazgas apskaičiuoja santykinį neaiškios taisyklės įvykdymo laipsnį:

4 sluoksnis. Ketvirtojo sluoksnio mazgų skaičius taip pat yra m. Kiekvienas mazgas yra prijungtas prie vieno trečiojo sluoksnio mazgo, taip pat su visais tinklo įėjimais (jungtys su įėjimais nepavaizduotos 18 pav.). Ketvirtasis sluoksnio mazgas apskaičiuoja vienos neaiškios taisyklės indėlį į tinklo išvestį:

5 sluoksnis. Vienas mazgas šiame sluoksnyje apibendrina visų taisyklių indėlį:

.

Įprastos neuroninių tinklų mokymo procedūros gali būti naudojamos ANFIS tinklui konfigūruoti, nes jame naudojamos tik diferencijuojamos funkcijos. Paprastai naudojamas gradiento nusileidimas atgalinio sklidimo ir mažiausių kvadratų pavidalu. Backpropagation algoritmas koreguoja taisyklių pirmtakų parametrus, t.y. narystės funkcijas. Taisyklės išvadų koeficientai apskaičiuojami naudojant mažiausių kvadratų metodą, nes jie yra tiesiškai susiję su tinklo išvestimi. Kiekviena sąrankos procedūros iteracija atliekama dviem etapais. Pirmajame etape į įvestis tiekiamas mokymo pavyzdys, atsižvelgiant į neatitikimą tarp norimos ir tikrosios tinklo elgsenos. pasikartojantis metodas yra mažiausi kvadratai optimalūs parametrai ketvirtojo sluoksnio mazgai. Antrame etape likutinis likutis perkeliamas iš tinklo išvesties į įvestis, o pirmojo sluoksnio mazgų parametrai modifikuojami atgalinio propagavimo metodu. Šiuo atveju pirmajame etape rasti taisyklių išvadų koeficientai nesikeičia. Iteracinė derinimo procedūra tęsiama tol, kol neatitikimas viršija iš anksto nustatytą vertę. Narystės funkcijoms nustatyti, be atgalinio propagavimo metodo, galima naudoti kitus optimizavimo algoritmus, pavyzdžiui, Levenbergo-Marquardto metodą.

24 pav. Darbo zona ANFISedit.

Dabar pabandykime optimizuoti neaiškią valdiklį vieno žingsnio veiksmui. Norimas pereinamasis procesas yra maždaug tokios formos:

25 pav. Norimas perėjimo procesas.

Iš grafiko, parodyto pav. iš to išplaukia dauguma laiku, variklis turi veikti visu galingumu, kad būtų užtikrintas maksimalus našumas, o artėjant prie norimos vertės turėtų sklandžiai sulėtėti. Vadovaudamiesi šiais paprastais argumentais, kaip mokymo pavyzdį imsime toliau pateiktą verčių pavyzdį, pateiktą lentelės formoje:

4 lentelė

26 pav. Treniruočių pavyzdžio tipas.

Mokymus vykdysime 100 žingsnių. Tai yra daugiau nei pakankamai, kad būtų suderintas naudojamas metodas.

27 pav. Neuroninio tinklo mokymo procesas.

Mokymosi proceso metu narystės funkcijų parametrai formuojami taip, kad kada duota vertė klaidų, reguliatorius sukūrė reikiamą kontrolę. Srityje tarp mazgų taškų valdymo priklausomybė nuo klaidos yra lentelės duomenų interpoliacija. Interpoliacijos metodas priklauso nuo to, kaip treniruojamas neuroninis tinklas. Tiesą sakant, po treniruotės galima pavaizduoti neryškų valdiklio modelį netiesinė funkcija vienas kintamasis, kurio grafikas pateiktas žemiau.

28 pav. Valdymo ir padėties klaidos valdiklio viduje grafikas.

Išsaugoję rastus narystės funkcijų parametrus, sistemą imituojame optimizuotu fuzzy valdikliu.

Ryžiai. 29. Trumpalaikis procesas veikiant harmoniniam įvesties veiksmui modeliui su optimizuotu neaiškiu valdikliu, turinčiu vieną įvesties kalbinį kintamąjį.

30 pav. Klaidos signalas atliekant harmoninės įvesties veiksmą modeliui su neaiškiu valdikliu, kuriame yra du įvesties kalbiniai kintamieji.

Iš grafikų matyti, kad neryškaus valdiklio optimizavimas naudojant neuroninio tinklo mokymą buvo sėkmingas. Klaidos kintamumas ir dydis žymiai sumažėjo. Todėl neuroninio tinklo naudojimas yra gana pagrįstas optimizuojant reguliatorius, kurių veikimo principas pagrįstas neaiškia logika. Tačiau net ir optimizuotas valdiklis negali patenkinti tikslumo reikalavimų, todėl patartina apsvarstyti kitą valdymo būdą, kai neryškus valdiklis tiesiogiai nevaldo objekto, o sujungia kelis valdymo dėsnius, priklausomai nuo esamos situacijos.

Ir ženklai. Tokios problemos gana dažnai išsprendžiamos, pavyzdžiui, kertant ar pravažiuojant gatvę pagal šviesoforą. Šviečiančio šviesoforo spalvos atpažinimas ir kelių eismo taisyklių žinojimas leidžia priimti teisingą sprendimą, ar šiuo metu galite ar negalite pereiti gatvę.

Dirbtinių sistemų kūrimas modelio atpažinimas tebėra sudėtinga teorinė ir techninė problema. Tokio pripažinimo poreikis iškyla įvairiose srityse – nuo ​​karinių reikalų ir saugumo sistemų iki visų rūšių analoginių signalų skaitmeninimo.

Tradiciškai modelio atpažinimo užduotys įtraukiamos į dirbtinio intelekto užduočių spektrą.

Nurodymai modelio atpažinimui

Galima išskirti dvi pagrindines kryptis:

• Gyvų daiktų turimų atpažinimo gebėjimų tyrimas, jų paaiškinimas ir modeliavimas;
• Įrenginių, skirtų individualioms taikomosios paskirties problemoms spręsti, konstravimo teorijos ir metodų sukūrimas.

Oficialus problemos išdėstymas

Modelių atpažinimas – tai šaltinio duomenų priskyrimas tam tikrai klasei, identifikuojant reikšmingus požymius, apibūdinančius šiuos duomenis iš bendros nesvarbių duomenų masės.

Nustatydami atpažinimo problemas, jie stengiasi naudoti matematinę kalbą, bandydami, priešingai nei dirbtinių neuroninių tinklų teorijoje, kurios pagrindas yra rezultato gavimas eksperimento būdu, eksperimentą pakeisti loginiu samprotavimu ir matematiniu įrodymu.

Klasikinė modelio atpažinimo problemos formuluotė: pateikta objektų rinkinys. Reikia atlikti jų klasifikaciją. Aibę vaizduoja poaibiai, vadinami klasėmis. Pateikiama: informacija apie klases, viso rinkinio aprašymas ir informacijos apie objektą, kurio priklausymas konkrečiai klasei nežinomas, aprašymas. Remiantis turima informacija apie objekto klases ir aprašymą, reikia nustatyti, kuriai klasei šis objektas priklauso.

Vienspalviai vaizdai dažniausiai atsižvelgiama į modelio atpažinimo problemas, todėl vaizdą galima laikyti funkcija plokštumoje. Jeigu laikytume tašką, nustatytą plokštumoje, kur funkcija kiekviename vaizdo taške išreiškia savo charakteristikas – ryškumą, skaidrumą, optinį tankį, tai tokia funkcija yra formalus vaizdo įrašymas.

Visų galimų funkcijų rinkinys plokštumoje yra visų vaizdų rinkinio modelis. Pristatome koncepciją panašumų tarp vaizdų galite atlikti atpažinimo užduotį. Konkretus tokio pareiškimo tipas labai priklauso nuo tolesnių pripažinimo etapų pagal tam tikrą metodą.

Kai kurie grafinio modelio atpažinimo būdai

Optiniam rašto atpažinimui galite naudoti objekto vaizdo surašymo įvairiais kampais, mastelių, poslinkių ir tt metodą.Raidžių atveju reikia surašyti šriftą, šrifto savybes ir kt.

Antrasis būdas yra rasti objekto kontūrą ir ištirti jo savybes (jungiamumą, kampų buvimą ir kt.)

Kitas būdas yra naudoti dirbtinius neuroninius tinklus. Šis metodas reikalauja arba daug atpažinimo užduoties pavyzdžių (su teisingais atsakymais), arba specialios neuroninio tinklo struktūros, kuri atsižvelgia į šios užduoties specifiką.

Perceptronas kaip modelio atpažinimo metodas

F. Rosenblatt, pristatydamas smegenų modelio koncepciją, kurio užduotis – parodyti, kaip psichologiniai reiškiniai gali atsirasti tam tikroje fizinėje sistemoje, kurios struktūra ir funkcinės savybės yra žinomos, aprašė paprasčiausius diskriminacijos eksperimentus. Šie eksperimentai yra visiškai susiję su modelio atpažinimo metodais, tačiau skiriasi tuo, kad sprendimo algoritmas nėra deterministinis.

Paprasčiausias eksperimentas, iš kurio galima gauti psichologiškai reikšmingos informacijos apie tam tikrą sistemą, susiveda į tai, kad modelis pateikiamas su dviem skirtingais dirgikliais ir turi į juos reaguoti skirtingai. Tokio eksperimento tikslas gali būti ištirti galimybę spontaniškai juos diskriminuoti sistema, kai eksperimentuotojas nesikiša, arba, atvirkščiai, ištirti priverstinę diskriminaciją, kai eksperimentuotojas siekia išmokyti sistemą atlikti reikiamą klasifikaciją.

Eksperimente su perceptronų mokymu dažniausiai pateikiama tam tikra vaizdų seka, į kurią įtraukiami kiekvienos išskirtinos klasės atstovai. Pagal tam tikrą atminties modifikavimo taisyklę sustiprinamas teisingas atsako pasirinkimas. Tada perceptronui pateikiamas kontrolinis dirgiklis ir nustatoma tikimybė gauti teisingą atsaką į tam tikros klasės dirgiklius. Priklausomai nuo to, ar pasirinktas valdymo stimulas sutampa, ar nesutampa su vienu iš vaizdų, kurie buvo naudojami treniruočių sekoje, gaunami skirtingi rezultatai:

1. Jei kontrolinis dirgiklis nesutampa nei su vienu treniruočių dirgikliu, tai eksperimentas siejamas ne tik su gryna diskriminacija, bet apima ir elementus apibendrinimai.
2. Jei kontrolinis dirgiklis sužadina tam tikrą jutimo elementų rinkinį, visiškai kitokį nei tie elementai, kurie buvo aktyvuoti anksčiau pateiktų tos pačios klasės dirgiklių įtakoje, tada eksperimentas yra tyrimas. grynas apibendrinimas.

Perceptronai neturi gryno apibendrinimo gebėjimo, tačiau jie gana patenkinamai veikia diskriminacijos eksperimentuose, ypač jei valdymo stimulas pakankamai artimas vienam iš vaizdų, su kuriais perceptronas jau yra sukaupęs tam tikrą patirtį.

Modelių atpažinimo problemų pavyzdžiai

• Brūkšninio kodo atpažinimas
• Valstybinio numerio atpažinimas
• Vaizdo atpažinimas
• Vietinių žemės plutos sričių, kuriose yra naudingųjų iškasenų telkiniai, atpažinimas

Taip pat žr

Pastabos

Literatūra

• Gorelikas A. L., Skripkinas V. A. Atpažinimo metodai. – 4-asis leidimas. - M.: Aukštoji mokykla, 1984, 2004. - 262 p.
• Vapnikas V. N., Červonenkis A. Ya. Modelių atpažinimo teorija. - M.: Nauka, 1974. - 416 p.
• Vasiljevas V.I. Atpažinimo sistemos. Katalogas. - 2 leidimas. - K.: Naukova Dumka, 1983. - 424 p.
• George'as Stockmanas, Linda Shapiro. Kompiuterinė vizija = Computer Vision. - M.: Binomas. Žinių laboratorija, 2006. - 752 p. - ISBN 5-947-74384-1
• Forsyth David A., Pons Jean. Kompiuterinis matymas. Šiuolaikinis požiūris = Computer Vision: A Modern Approach. - M.: Williams, 2004. - 928 p. - ISBN 0-13-085198-1
• Cheng S.-K. Vaizdinių informacinių sistemų projektavimo principai. - M.: Mir, 1994. - 408 p.

Nuorodos

• Jurijus Lifšitas. Kursas „Šiuolaikinės teorinės informatikos problemos“ - paskaitos apie statistinius modelio atpažinimo metodus, veido atpažinimą, teksto klasifikavimą
• Modelių atpažinimo tyrimų žurnalas

Wikimedia fondas.

• Pripažinta kalba
• Raspopa

Pažiūrėkite, kas yra „Modelio atpažinimo teorija“ kituose žodynuose:

modelio atpažinimo teorija- mokslinė kryptis, pagrįsta psichologijos ir fiziologijos, tikimybių teorijos duomenimis ir susijusi su principų kūrimu ir sistemų (įskaitant kompiuterines), skirtų nustatyti, ar tam tikras objektas priklauso vienam iš... Enciklopedinis psichologijos ir pedagogikos žodynas

Sociologijos enciklopedija- mokslinė kryptis, susijusi su principų kūrimu ir sistemų, skirtų nustatyti, ar tam tikras objektas priklauso vienai iš iš anksto nustatytų objektų klasių, kūrimu. Po objektais R. o. suprasti įvairių daiktų … Didžioji sovietinė enciklopedija

Enciklopedinis žodynas- matematikos skyrius. kibernetika, kuriant klasifikavimo principus ir metodus, taip pat objektų, reiškinių, procesų, signalų, visų tų objektų situacijų identifikavimą, kuriuos galima apibūdinti baigtiniu tam tikrų ženklų ar savybių rinkiniu,... ... Matematinė enciklopedija

Sociologijos enciklopedija

Šablonų atpažinimas (kibernetika) - Automatinis atpažinimas asmenų speciali programa. Modelių atpažinimo teorija yra besivystanti kibernetikos šaka teoriniai pagrindai ir objektų, reiškinių, procesų, signalų, situacijų ir kt. objektų klasifikavimo ir identifikavimo metodai,... ... Vikipedija

INFORMACIJOS TEORIJA- taikomosios matematikos ir kibernetikos skyrius, susijęs su matematika. informacijos perdavimo, saugojimo, paieškos ir klasifikavimo kokybės aprašymas ir įvertinimas. Terminas I. t., atsiradęs 50-aisiais. XX a., vis dar (iki 1978 m.) neturi nė vieno... ... Matematinė enciklopedija

Mokymasis be priežiūros- (angliškai: neprižiūrimas mokymasis, savarankiškas mokymasis, spontaniškas mokymasis) vienas iš būdų mašininis mokymasis, kurią spręsdama bandoma sistema spontaniškai išmoksta atlikti paskirtą užduotį, be įsikišimo iš išorės... ... Vikipedija

Dirbtinis neuroninis tinklas- Šis terminas turi kitas reikšmes, žr. Neuroninis tinklas (reikšmės). Paprasto neuroninio tinklo schema. Žalia žymi įvesties neuronus, mėlyni paslėpti neuronai, geltoni išvesties neuronai... Vikipedija

Sekmadienis, 2015 m. kovo 29 d

Šiuo metu yra daug užduočių, kurias atliekant būtina priimti kokį nors sprendimą, priklausomai nuo objekto buvimo vaizde arba jį klasifikuoti. Gebėjimas „atpažinti“ laikomas pagrindine savybe biologinės būtybės, o kompiuterinės sistemos šios savybės visiškai neturi.

Pasvarstykime bendri elementai klasifikavimo modeliai.

Klasė- objektų rinkinys, turintis bendrosios savybės. Tos pačios klasės objektams daroma prielaida, kad yra „panašumas“. Atpažinimo užduočiai gali būti nustatytas bet koks klasių skaičius, didesnis nei 1. Klasių skaičius žymimas skaičiumi S. Kiekviena klasė turi savo identifikavimo klasės etiketę.

Klasifikacija- klasių etikečių priskyrimo objektams procesas, remiantis tam tikru šių objektų savybių aprašymu. Klasifikatorius yra įrenginys, kuris gauna objekto atributų rinkinį kaip įvesties duomenis ir dėl to sukuria klasės etiketę.

Patikrinimas- objekto egzemplioriaus susiejimo su vienu objekto modeliu arba klasės aprašymu procesas.

Pagal būdu mes suprasime vietovės pavadinimą objektų erdvėje, kurioje rodoma daug objektų ar reiškinių materialus pasaulis. Pasirašyti - kiekybinis aprašymas viena ar kita tiriamo objekto ar reiškinio savybė.

Funkcijų erdvė Tai N matmenų erdvė, apibrėžtas tam tikrai atpažinimo užduočiai, kur N yra fiksuotas bet kokių objektų išmatuotų savybių skaičius. Vektorius iš objektų erdvės x, atitinkantis atpažinimo užduoties objektą, yra N matmenų vektorius su komponentais (x_1,x_2,…,x_N), kurie yra šio objekto ypatybių reikšmės.

Kitaip tariant, modelio atpažinimas gali būti apibrėžtas kaip šaltinio duomenų priskyrimas tam tikrai klasei, identifikuojant reikšmingus požymius ar savybes, apibūdinančias šiuos duomenis iš bendros nesvarbių detalių masės.

Klasifikavimo problemų pavyzdžiai:

• simbolių atpažinimas;
• kalbos atpažinimas;
• medicininės diagnozės nustatymas;
• orų prognozė;
• veido atpažinimas
• dokumentų įslaptinimas ir kt.

Dažniausiai pirminė medžiaga yra vaizdas, gautas iš fotoaparato. Problema gali būti suformuluota kaip kiekvienos nagrinėjamo vaizdo ypatybių vektorių gavimas. Procesas gali būti vertinamas kaip kodavimo procesas, kurio metu kiekvienai ypatybei priskiriama vertė iš kiekvienos klasės funkcijų erdvės.

Jei laikytume 2 objektų klases: suaugusiųjų ir vaikų. Galite pasirinkti ūgį ir svorį kaip ženklus. Kaip matyti iš paveikslo, šios dvi klasės sudaro dvi atskiras aibes, kurias galima paaiškinti pasirinktomis savybėmis. Tačiau ne visada įmanoma pasirinkti tinkamus išmatuotus parametrus kaip klasės ypatybes. Pavyzdžiui, pasirinkti parametrai netinka sukurti atskiras futbolininkų ir krepšininkų klases.

Antroji atpažinimo užduotis – iš šaltinio vaizdų išskirti būdingus bruožus arba savybes. Ši užduotis gali būti klasifikuojama kaip išankstinis apdorojimas. Jei atsižvelgsime į kalbos atpažinimo užduotį, galime išskirti tokius bruožus kaip balsiai ir priebalsiai. Atributas turi būti būdinga tam tikros klasės savybė ir tuo pat metu bendra šiai klasei. Savybės, apibūdinančios skirtumus tarp - tarpklasinės savybės. Visoms klasėms būdingos savybės neteikia naudingos informacijos ir nėra laikomos atpažinimo užduoties savybėmis. Funkcijos pasirinkimas yra viena iš svarbių užduočių, susijusių su atpažinimo sistemos kūrimu.

Nustačius požymius, turi būti nustatyta optimali klasifikavimo sprendimo procedūra. Panagrinėkime modelio atpažinimo sistemą, skirtą atpažinti skirtingas M klases, pažymėtas kaip m_1,m_2,…,m 3. Tada galime daryti prielaidą, kad vaizdo erdvę sudaro M regionai, kurių kiekvienoje yra taškai, atitinkantys vaizdą iš vienos klasės. Tada atpažinimo problema gali būti laikoma ribų, skiriančių M klases, konstravimas remiantis priimtais matavimo vektoriais.

Vaizdo išankstinio apdorojimo, savybių išskyrimo ir optimalaus sprendimo gavimo bei klasifikavimo problemos sprendimas dažniausiai siejamas su poreikiu įvertinti daugybę parametrų. Tai veda prie parametrų įvertinimo problemos. Be to, akivaizdu, kad funkcijų ištraukimas gali būti naudojamas papildomos informacijos remiantis klasių pobūdžiu.

Objektai gali būti lyginami remiantis jų vaizdavimu kaip matavimo vektoriais. Matavimo duomenis patogu vaizduoti realiųjų skaičių forma. Tada dviejų objektų požymių vektorių panašumą galima apibūdinti naudojant Euklido atstumą.

čia d yra požymio vektoriaus matmuo.

Yra 3 modelių atpažinimo metodų grupės:

• Palyginimas su pavyzdžiu. Į šią grupę įeina klasifikacija pagal artimiausią vidurkį, klasifikacija pagal atstumą iki artimiausias kaimynas. Struktūrinio atpažinimo metodai taip pat gali būti įtraukti į palyginimo su imtimi grupę.
• Statistiniai metodai. Kaip rodo pavadinimas, statistiniai metodai naudoja kai kuriuos statistinė informacija sprendžiant atpažinimo problemą. Metodas nustato, ar objektas priklauso konkrečiai klasei, remiantis tikimybe. Kai kuriais atvejais tai reiškia, kad nustatoma užpakalinė tikimybė, kad objektas priklausys konkrečiai klasei, su sąlyga, kad šio objekto charakteristikos turi atitinkamas reikšmes. Pavyzdys yra metodas, pagrįstas Bajeso sprendimo taisykle.
• Neuroniniai tinklai. Atskira atpažinimo metodų klasė. Iš kitų išskirtinis bruožas yra gebėjimas mokytis.

Klasifikacija pagal artimiausią vidurkį

Taikant klasikinį modelio atpažinimo metodą, kai nežinomas objektas klasifikavimui vaizduojamas kaip elementarių požymių vektorius. Funkcijomis pagrįsta atpažinimo sistema gali būti sukurta įvairiais būdais. Šiuos vektorius sistema gali žinoti iš anksto treniruojant arba numatyti realiu laiku, remiantis kai kuriais modeliais.

Paprastas klasifikavimo algoritmas yra sugrupuoti klasės atskaitos duomenis naudojant vektorių matematinis lūkestis klasė (vidutinė vertė).

čia x(i,j) yra j-asis i klasės atskaitos požymis, n_j – i klasės atskaitos vektorių skaičius.

Tada nežinomas objektas priklausys i klasei, jei jis yra žymiai artimesnis i klasės matematinių lūkesčių vektoriui nei kitų klasių matematinių lūkesčių vektoriams. Šis metodas tinka problemoms, kuriose kiekvienos klasės taškai yra kompaktiškai ir toli nuo kitų klasių taškų.

Jei klasėse bus šiek tiek daugiau, kils sunkumų sudėtinga struktūra, pavyzdžiui, kaip parodyta paveikslėlyje. Šiuo atveju 2 klasė yra padalinta į dvi atskiras dalis, kurios blogai apibūdinamos viena vidutine verte. Be to, 3 klasė yra per pailgi;

Aprašytą problemą kai kuriais atvejais galima išspręsti pakeitus atstumo skaičiavimą.

Atsižvelgsime į klasės reikšmių „sklaidos“ charakteristikas - σ_i, išilgai kiekvienos koordinatės krypties i. Standartinis nuokrypis yra kvadratinė šaknis nuo dispersijos. Euklidinis atstumas tarp vektoriaus x ir lūkesčių vektoriaus x_c yra

Ši atstumo formulė sumažins klasifikavimo klaidų skaičių, tačiau iš tikrųjų daugumos problemų negalima pavaizduoti tokia paprasta klase.

Klasifikavimas pagal atstumą iki artimiausio kaimyno

Kitas klasifikavimo būdas yra priskirti nežinomą ypatybių vektorių x klasei, į kurią šis vektorius yra labiausiai panašus. Ši taisyklė vadinama artimiausio kaimyno taisykle. Artimiausio kaimyno klasifikacija gali būti efektyvesnė net tada, kai klasės turi sudėtingą struktūrą arba kai klasės persidengia.

Šis metodas nereikalauja prielaidų apie požymių vektorių pasiskirstymo erdvėje modelius. Algoritmas naudoja tik informaciją apie žinomus etaloninius pavyzdžius. Sprendimo metodas pagrįstas atstumo x apskaičiavimu iki kiekvieno duomenų bazės pavyzdžio ir minimalaus atstumo suradimu. Šio metodo pranašumai yra akivaizdūs:

• bet kada galite įtraukti naujus pavyzdžius į duomenų bazę;
• medžio ir tinklelio duomenų struktūros sumažina apskaičiuotų atstumų skaičių.

Be to, sprendimas bus geresnis, jei duomenų bazėje ieškosime ne vieno artimiausio kaimyno, o k. Tada, kai k > 1, jis pateikia geriausią vektorių pasiskirstymo atranką d matmenų erdvė. Tačiau efektyvus k reikšmių naudojimas priklauso nuo to, ar kiekviename erdvės regione yra pakankamai skaičių. Jei yra daugiau nei dvi klasės, padaryti teisingą sprendimą bus sunkiau.

Literatūra

• M. Castrillon, . O. Denizas,. D. Hernández ir J. Lorenzo, „Veido ir veido bruožų detektorių palyginimas pagal Viola-Jones bendrą objektų aptikimo sistemą“, International Journal of Computer Vision, Nr. 22, p. 481-494, 2011 m.
• Y.-Q. Wang, „Viola-Jones veido aptikimo algoritmo analizė“, IPOL žurnalas, 2013 m.
• L. Shapiro ir D. Stockman, Computer Vision, Binom. Žinių laboratorija, 2006 m.
• Z. N. G., Atpažinimo metodai ir jų taikymas, Sovietų radijas, 1972 m.
• J. Tu, R. Gonzalez, Matematiniai modelio atpažinimo principai, Maskva: „Mir“ Maskva, 1974 m.
• Khan, H. Abdullah ir M. Shamian Bin Zainal, „Efektyvus akių ir burnos aptikimo algoritmas, naudojant viola jones ir odos spalvos pikselių aptikimo derinį“, International Journal of Engineering and Applied Sciences, Nr. 3 Nr.4 2013 m.
• V. Gaede ir O. Gunther, "Multidimensional Access Methods", ACM Computing Surveys, p. 170-231, 1998.