Загвар таних математикийн онол. Загвар таних

Одоо байгаа хэв маягийг таних аргуудын тойм

Л.П. Попова , БА ТУХАЙ. Датиев

"Таних" чадварыг бусад амьд организмын нэгэн адил хүн төрөлхтний гол өмч гэж үздэг. Загвар таних нь объект, үзэгдэл, үйл явц, дохио, нөхцөл байдлыг тодорхойлох зарчим, аргуудыг боловсруулдаг кибернетикийн салбар юм - объектыг тодорхойлогч зарим шинж тэмдэг, шинж чанарын хязгаарлагдмал багцаар дүрслэгдэх боломжтой бүх объектууд. .

Зураг бол объектын тайлбар юм. Зургууд нь нэг онцлог шинж чанартай байдаг бөгөөд энэ нь танилцсанаар илэрдэг хязгаарлагдмал тооижил олонлогийн үзэгдлүүд нь таны хүссэн хэмжээгээр таних боломжийг олгодог том тоотүүний төлөөлөгчид.

Загвар таних онолын хувьд хоёр үндсэн чиглэлийг ялгаж салгаж болно.

хүн болон бусад амьд организмын таних чадварыг судлах;

Хэрэглээний тодорхой талбарт хэв маягийг таних бие даасан асуудлыг шийдвэрлэхэд зориулагдсан төхөөрөмжүүдийг бүтээх онол, аргыг боловсруулах.

Цаашилбал, нийтлэлд хоёр дахь чиглэлийг хөгжүүлэхтэй холбоотой зураг таних системийг хэрэгжүүлэх асуудал, зарчим, аргуудыг тайлбарласан болно. Өгүүллийн хоёрдугаар хэсэгт хэв маягийг таних онолын эхний чиглэлтэй холбоотой байж болох мэдрэлийн сүлжээний хэв маягийг таних аргуудыг авч үзэх болно.

Зураг таних системийг бий болгох асуудал

Барилга угсралтын явцад гарч буй бэрхшээлүүд автомат системүүдЗагвар таних үйл ажиллагааг ерөнхийд нь хэд хэдэн үндсэн хэсэгт ангилж болно. Тэдний эхнийх нь хүлээн зөвшөөрөгдөх объектын хувьд хэмжилтийн үр дүнд олж авсан анхны өгөгдлийг танилцуулахтай холбоотой юм мэдрэмжийн асуудал. Хэмжилтийн утга бүр нь "зураг эсвэл объектын шинж чанар юм. Жишээ нь, эдгээр зургууд нь үсэг тоон тэмдэгтүүд юм гэж бодъё. Энэ тохиолдолд Зураг 1(a)-д үзүүлсэнтэй төстэй хэмжих торлог бүрхэвч амжилттай болно. Хэрэв торлог бүрхэвч нь n-элементээс бүрддэг бол хэмжилтийн үр дүнг хэмжилтийн вектор эсвэл зургийн вектор хэлбэрээр дүрсэлж болно. ,

Энд xi элемент бүр нь жишээлбэл, хэрэв дамжуулан байвал 1 гэсэн утгыг авна i-р нүдТорлог бүрхэвч нь тэмдгийн дүрсийг дамжуулдаг бөгөөд өөрөөр хэлбэл утга нь 0 байна.

Зураг руу харцгаая. 2(б). Энэ тохиолдолд зургууд нь t хувьсагчийн тасралтгүй функцууд (дууны дохио гэх мэт) юм. Хэрэв функцийн утгын хэмжилтийг t1, t2, ..., tn салангид цэгүүдэд хийвэл x1= f(t1),x2=f(t2),... гэсэн утгыг авах замаар зургийн векторыг үүсгэж болно. , xn = f(tn).

Зураг 1. Нүдний торлог бүрхэвчийг хэмжих

Загвар таних хоёр дахь асуудал нь сонголттой холбоотой юм онцлог шинж чанаруудэсвэл олж авсан эх өгөгдлөөс шинж чанарууд болон дүрсийн векторуудын хэмжээсийг багасгах. Энэ асуудлыг ихэвчлэн асуудал гэж тодорхойлдог Урьдчилсан боловсруулалт ба онцлогийг сонгох.

Зургийн ангийн шинж чанарууд нь онцлог шинж чанарууд, бүх зурагт нийтлэг байдаг энэ ангийн. Ангиуд хоорондын ялгааг тодорхойлсон шинж чанаруудыг анги хоорондын онцлог гэж тайлбарлаж болно. Анги доторх шинж чанарууд нь авч үзэж буй бүх ангиудад нийтлэг байдаг нь таних үүднээс ашигтай мэдээллийг агуулдаггүй тул анхааралдаа авахгүй байж болно. Онцлог шинж чанарыг сонгох нь таних системийг бий болгохтой холбоотой чухал ажлуудын нэг гэж тооцогддог. Хэрэв хэмжилтийн үр дүн нь бүрэн багцыг авах боломжийг танд олгоно өвөрмөц онцлогБүх ангиудын хувьд дүрсийг таних, ангилах нь өөрөө ямар нэгэн хүндрэл учруулахгүй. Дараа нь автоматаар таних нь энгийн тааруулах процесс эсвэл хүснэгт скан хийх гэх мэт процедурууд болж буурна. Ихэнх тохиолдолд практик асуудлуудхүлээн зөвшөөрөх, гэхдээ тодорхойлолт бүрэн багцОнцлог шинж чанаруудыг ялгах нь үнэхээр хэцүү, боломжгүй юм. Түүхий өгөгдлөөс зарим ялгах шинж чанаруудыг гаргаж аваад үйл явцыг хялбарчлахад ашиглах боломжтой байдаг. автоматаар танихзургууд Ялангуяа мэдээллийн алдагдлыг багасгах хувиргалтыг ашиглан хэмжилтийн векторын хэмжээг багасгаж болно.

Загвар таних системийг бий болгохтой холбоотой гуравдахь асуудал бол тодорхойлох, ангилахад шаардлагатай шийдвэрийн оновчтой горимыг олох явдал юм. Хүлээн зөвшөөрөгдсөн зургийн талаар цуглуулсан өгөгдлийг зургийн орон зайд цэгүүд эсвэл хэмжилтийн векторуудаар төлөөлсний дараа бид эдгээр өгөгдөл нь аль зургийн ангилалд тохирохыг машинд олж мэдэх боломжийг олгодог. Машиныг w1, w2, ... ..., wm гэж тэмдэглэсэн M ангиллыг ялгах зориулалттай болго. Энэ тохиолдолд зургийн орон зайг M мужаас бүрдсэн гэж үзэж болох бөгөөд тус бүр нь нэг ангиллын зурагтай харгалзах цэгүүдийг агуулна. Энэ тохиолдолд хүлээн зөвшөөрөх ажлыг бүртгэгдсэн хэмжилтийн векторууд дээр үндэслэн М ангиудыг тусгаарлах шийдвэрийн талбайн хил хязгаарыг бий болгох гэж үзэж болно. Эдгээр хил хязгаарыг жишээ нь d1(x), d2(x),..., dm(x) шийдвэрийн функцээр тодорхойл. Дискриминант функц гэж нэрлэгддэг эдгээр функцууд нь х-ийн дүрсийн скаляр ба нэг утгатай функцууд юм. Хэрэв di (x) > dj (x) бол х дүрс нь w1 ангилалд хамаарна. Өөрөөр хэлбэл, хэрэв i-р шийдвэрлэх di(x) функц нь хамгийн их утгатай бол шийдвэр гаргах үйл явцыг хэрэгжүүлэхэд үндэслэсэн ийм автомат ангиллын схемийн утга учиртай дүрслэлийг Зураг дээр үзүүлэв. 2 ("GR" диаграммд - генератор шийдвэрлэх функцууд).

Зураг 2. Автомат ангиллын схем.

Шийдвэрлэх функцийг хэд хэдэн аргаар олж авч болно. Хүлээн зөвшөөрөгдсөн зургийн талаар бүрэн априори мэдээлэл байгаа тохиолдолд эдгээр мэдээллийн үндсэн дээр шийдвэрийн функцийг яг таг тодорхойлж болно. Зургийн талаар зөвхөн чанарын мэдээлэл байгаа бол шийдвэрлэх функцүүдийн хэлбэрийн талаар үндэслэлтэй таамаглал дэвшүүлж болно. Б сүүлчийн тохиолдол, шийдлийн талбайн хил хязгаар нь үнэнээс ихээхэн хазайж болзошгүй тул дараалсан тохируулга хийх замаар сэтгэл хангалуун үр дүнд хүрэх системийг бий болгох шаардлагатай байна.

Хэв таних автомат системийг ашиглан таних, ангилах объект (зураг) нь хэмжигдэхүйц шинж чанартай байх ёстой. Бүхэл бүтэн бүлгийн зургийн хувьд харгалзах хэмжилтийн үр дүн ижил төстэй байвал эдгээр объектуудыг нэг ангилалд хамааруулна. Загвар таних системийн зорилго нь үндсэн дээр мэдээлэл цуглуулсантанигдаж буй объектуудад хэмжсэнтэй төстэй шинж чанартай объектын ангиллыг тодорхойлох. Хүлээн зөвшөөрөх зөв эсэх нь хэмжсэн шинж чанарт агуулагдах ялгаварлан гадуурхах мэдээллийн хэмжээ, энэ мэдээллийг ашиглах үр ашгаас хамаарна.

Загвар таних системийг хэрэгжүүлэх үндсэн аргууд

Загварыг таних гэдэг нь бодит эсвэл идеал ертөнц дэх объектуудын тоон эсвэл бэлгэдлийн дүрслэл дээр албан ёсны үйлдлүүдийг бий болгох, хэрэгжүүлэх асуудлыг хэлдэг бөгөөд үр дүн нь эдгээр объектуудын хоорондын эквивалент харилцааг илэрхийлдэг. Эквивалентийн харилцаа нь үнэлэгдсэн объектуудын бие даасан семантик нэгж гэж тооцогддог аливаа ангилалд хамаарахыг илэрхийлдэг.

Таних алгоритмыг бүтээхдээ өөрийн утга учиртай дүрслэлийг ашигладаг судлаач эсвэл гадаад Нэмэлт мэдээлэлШийдвэрлэж буй асуудлын хүрээнд объектуудын ижил төстэй болон ялгаатай байдлын талаар. Дараа нь тэд "багштай хүлээн зөвшөөрөх" тухай ярьдаг. Үгүй бол, өөрөөр хэлбэл. Хэзээ автоматжуулсан системангиллын асуудлыг гадны сургалтын мэдээллийг ашиглахгүйгээр шийддэг, тэд автомат ангилал эсвэл "хяналтгүй хүлээн зөвшөөрөх" тухай ярьдаг. Ихэнх хэв маягийг таних алгоритмууд нь зөвхөн өндөр хүчин чадалтай компьютерийн технологиор хангадаг маш чухал тооцоолох хүчийг ашиглахыг шаарддаг.

Төрөл бүрийн зохиолчид (Ю.Л. Барабаш, В.И. Васильев, А.Л. Горелик, В.А. Скрипкин, Р. Дуда, П. Харт, Л.Т. Кузин, Ф.И. Перегудов, Ф.П. Тарасенко, Темников Ф.Е., Афонин В.А., Дмитриев В., И. Гонзалес, П.Уинстон, К.Фу, Я.З. өөр өөр хэв маягхэв маягийг таних аргууд. Зарим зохиогчид параметрийн, параметрийн бус ба эвристик аргуудыг ялгаж үздэг бол зарим нь энэ салбарын түүхэнд тогтсон сургууль, чиг хандлагад үндэслэн аргуудын бүлгийг тодорхойлдог.

Үүний зэрэгцээ мэдэгдэж буй төрлүүд нь нэг чухал шинж чанарыг харгалздаггүй бөгөөд энэ нь мэдлэгийг танилцуулах аргын өвөрмөц байдлыг илэрхийлдэг. сэдвийн хэсэгзарим албан ёсны хэв маягийг таних алгоритмыг ашиглах. Д.А.Поспелов мэдлэгийг илэрхийлэх хоёр үндсэн аргыг тодорхойлсон.

Зөөлөн дүрслэл - шинж чанарууд (онцлогууд) хоорондын холболтын диаграмм хэлбэрээр.

Өргөтгөсөн дүрслэл - тодорхой баримтуудыг ашиглах (объект, жишээ).

Тэмдгээр ажилладаг ба объекттой ажилладаг эдгээр хоёр бүлэг таних аргууд байдаг нь үнэхээр байгалийн зүйл гэдгийг тэмдэглэх нь зүйтэй. Энэ үүднээс авч үзвэл эдгээр аргуудын аль нь ч нөгөөгөөсөө тусад нь авч үзэх нь тухайн сэдвийн талаар зохих тусгалыг бий болгох боломжийг бидэнд олгодоггүй. Эдгээр аргуудын хооронд Н.Борын утгаараа харилцан бие биенээ нөхөх хамаарал байдаг тул ирээдүйтэй таних системүүд нь зөвхөн нэгийг нь биш, харин эдгээр хоёр аргын хэрэгжилтийг хангах ёстой.

Тиймээс, Д.А.Поспеловын санал болгосон таних аргуудын ангилал нь үндсэн хуулиудад тулгуурладаг хүний ​​замерөнхий мэдлэг, энэ нь бусад ангилалтай харьцуулахад бүрэн онцгой (давуу эрхтэй) байр суурь эзэлдэг бөгөөд үүний цаана илүү хөнгөн, хиймэл харагддаг.

Интенсив аргууд

Интенсив аргуудын нэг онцлог шинж чанар нь тэдгээрийг ашиглах явдал юм янз бүрийн шинж чанаруудтэмдэг ба тэдгээрийн холболт. Эдгээр элементүүд нь аналитик эсвэл конструктив хэлбэрээр илэрхийлэгдсэн үйлдлүүдийг гүйцэтгэдэг онцлог шинж чанарын утгууд, дундаж утга ба хэлбэлзэл, шинж чанарын харилцааны матрицууд гэх мэт бие даасан утгууд эсвэл интервалууд байж болно. Үүний зэрэгцээ эдгээр аргын объектуудыг мэдээллийн салшгүй нэгж гэж үздэггүй боловч тэдгээрийн шинж чанаруудын харилцан үйлчлэл, зан үйлийг үнэлэх шалгуур үзүүлэлт болдог.

Загварыг таних эрчимтэй аргуудын бүлэг нь өргөн цар хүрээтэй бөгөөд түүнийг дэд ангиудад хуваах нь тодорхой хэмжээгээр нөхцөлтэй байдаг.

– шинж чанарын утгын тархалтын нягтын тооцоонд үндэслэсэн аргууд

– шийдвэрийн функцүүдийн ангийн талаарх таамаглалд суурилсан аргууд

- логик аргууд

- хэл шинжлэлийн (бүтцийн) аргууд.

Онцлог шинж чанаруудын тархалтын нягтын тооцоонд үндэслэсэн аргууд.Эдгээр хэв маягийг таних аргуудыг сонгодог онолоос авсан статистик шийдлүүд, үүнд судалгааны объектууд нь олон хэмжээстийн хэрэгжилт гэж тооцогддог санамсаргүй хувьсагч, зарим хуулийн дагуу онцлог орон зайд хуваарилагдсан. Эдгээр нь сонирхол татахуйц Байесийн шийдвэр гаргах тогтолцоонд суурилдаг өмнөх магадлалобъектуудын нэг буюу өөр танигдах ангилалд хамаарах ба нөхцөлт нягтралонцлог вектор утгын хуваарилалт. Эдгээр аргууд нь магадлалын харьцааг тодорхойлоход хүргэдэг янз бүрийн бүс нутаголон хэмжээст онцлог орон зай.

Онцлог шинж чанаруудын тархалтын нягтыг тооцоолоход үндэслэсэн аргуудын бүлэг нь ялгах шинжилгээний аргуудтай шууд холбоотой байдаг. Шийдвэр гаргах Байесийн арга бол хамгийн хөгжсөн арга юм орчин үеийн статистикпараметрийн аргууд гэж нэрлэгддэг бөгөөд үүнийг мэддэг гэж үздэг аналитик илэрхийлэлхуваарилалтын хууль (in энэ тохиолдолдердийн хууль) бөгөөд зөвхөн тооцоолох шаардлагатай бага хэмжээнийпараметрүүд (дундаж утгын векторууд ба ковариацын матрицууд).

Энэ бүлэгт мөн бие даасан шинж чанаруудын магадлалын харьцааг тооцоолох аргыг багтаасан болно. Шинж тэмдгүүдийн бие даасан байдлын таамаглалыг эс тооцвол (бодит байдал дээр бараг хэзээ ч хангагддаггүй) энэ арга нь мэдлэгийг шаарддаггүй. функциональ төрөлхуваарилалтын хууль. Үүнийг параметрийн бус арга гэж ангилж болно.

Тархалтын нягтын муруйн хэлбэр тодорхойгүй, мөн чанарын талаар ямар ч таамаглал дэвшүүлэх боломжгүй үед ашигладаг бусад параметрийн бус аргууд онцгой байр суурь эзэлдэг. Үүнд олон хэмжээст гистограммын алдартай арга, " k-хамгийн ойрын хөршүүд, Евклидийн зайны арга, арга боломжит функцуудболон бусад, тэдгээрийн ерөнхий дүгнэлт нь "Парзений тооцоо" хэмээх арга юм. Эдгээр аргууд нь албан ёсоор объектууд дээр ажилладаг салшгүй бүтэц, гэхдээ таних даалгаврын төрлөөс хамааран тэд эрчимтэй болон өргөтгөсөн хэлбэрээр хоёуланд нь ажиллаж болно.

Параметрийн бус аргууд нь өгөгдсөн олон хэмжээст хэмжээ, хэрэглээнд хамаарах объектын харьцангуй тоог шинжилдэг янз бүрийн функцуудсургалтын дээжийн объектууд болон хүлээн зөвшөөрөгдсөн объектуудын хоорондох зай. Тоон шинж чанаруудын хувьд тэдгээрийн тоо түүврийн хэмжээнээс хамаагүй бага байвал объекттой хийсэн үйлдэл нь орон нутгийн тархалтын нягтыг тооцоолоход завсрын үүрэг гүйцэтгэдэг. нөхцөлт магадлалболон объектууд нь бие даасан мэдээллийн нэгжийн семантик ачааллыг даахгүй. Үүний зэрэгцээ, тэмдгүүдийн тоо тэнцүү байх үед эсвэл илүү тооСудалгаанд хамрагдаж буй объектуудын шинж тэмдгүүд нь чанарын болон дихотомийн шинж чанартай байдаг тул магадлалын тархалтын нягтын орон нутгийн тооцооны талаар ярих боломжгүй юм. Энэ тохиолдолд заасан параметрийн бус аргуудын объектуудыг бие даасан мэдээллийн нэгж гэж үзнэ (интеграл эмпирик баримтууд) бөгөөд эдгээр аргууд нь судалж буй объектуудын ижил төстэй байдал, ялгааг үнэлэх утгыг олж авдаг.

Тиймээс, асуудлын нөхцлөөс хамааран параметрийн бус аргуудын ижил технологийн үйлдлүүд нь шинж чанарын утгын магадлалын тархалтын нягтын орон нутгийн тооцоо, эсвэл объектын ижил төстэй байдал ба ялгаатай байдлын тооцооллыг илэрхийлдэг.

Мэдлэгийг эрчимтэй дүрслэх хүрээнд магадлалын тархалтын нягтын тооцоолол болох параметрийн бус аргуудын эхний талыг энд авч үзнэ. Практикт Парзен тооцоологч зэрэг параметрийн бус аргууд сайн ажилладаг гэдгийг олон зохиогчид тэмдэглэжээ. Эдгээр аргуудыг ашиглахад тулгардаг гол бэрхшээл нь орон нутгийн магадлалын тархалтын нягтын тооцоог тооцоолохын тулд сургалтын дээжийг бүхэлд нь санаж байх шаардлагатай бөгөөд сургалтын түүврийн төлөөлөлгүй байдлын өндөр мэдрэмжтэй байдаг.

Шийдвэрлэх функцүүдийн ангиллын талаархи таамаглалд суурилсан аргууд.Энэ бүлгийн аргуудад шийдвэрийн функцийн ерөнхий хэлбэрийг мэдэгдэж байгаа бөгөөд түүний чанарын функцийг тодорхойлсон болно. Энэхүү функциональ дээр үндэслэн шийдвэрийн функцийн хамгийн сайн ойролцооллыг сургалтын дарааллаар хайдаг. Хамгийн түгээмэл нь шугаман болон ерөнхий шугаман бус олон гишүүнт хэлбэрээр шийдвэрийн функцүүдийн дүрслэл юм. Шийдвэрлэх дүрмийн чанарын функц нь ихэвчлэн ангиллын алдаатай холбоотой байдаг.

Шийдвэрлэх функцүүдийн ангиллын талаархи таамаглалд суурилсан аргуудын гол давуу тал нь экстремумыг хайх асуудал болох таних асуудлыг математикийн томъёоллыг тодорхой болгох явдал юм. Энэ асуудлын шийдлийг ихэвчлэн зарим градиент алгоритмуудыг ашиглан хийдэг. Энэ бүлгийн олон янзын аргуудыг ашигладаг шийдвэрийн дүрмийн чанарын функцууд болон экстремум хайлтын алгоритмуудын өргөн хүрээгээр тайлбарладаг. Ньютоны алгоритм, перцептрон төрлийн алгоритм гэх мэтийг багтаасан авч үзэж буй алгоритмуудын ерөнхий дүгнэлт нь стохастик ойртох арга юм. Параметрийн таних аргуудаас ялгаатай нь энэ бүлгийн аргуудыг ашиглах амжилт нь шинж чанарын орон зай дахь объектын тархалтын хуулиудын тухай онолын санаа, эмпирик бодит байдлын хоорондын зөрүүгээс тийм ч их хамаардаггүй. Бүх үйл ажиллагаа нь нэг гол зорилгод захирагддаг - шийдвэрийн дүрмийн чанарын функциональ байдлын туйлыг олох. Үүний зэрэгцээ параметрийн болон авч үзсэн аргуудын үр дүн ижил төстэй байж болно. Дээр дурдсанчлан тохиолдолд параметрийн аргууд хэвийн тархалтКовариацын ижил матрицтай өөр өөр ангиллын объектууд нь шугаман шийдвэрийн функцэд хүргэдэг. Шугаман оношлогооны загварт мэдээллийн шинж чанарыг сонгох алгоритмыг экстремумыг хайх градиент алгоритмын тусгай хувилбар гэж тайлбарлаж болохыг анхаарна уу.

Экстремум, ялангуяа шугаман бүлэгт хайх градиент алгоритмын боломжууд шийдвэрлэх дүрэм, нэлээд сайн судлагдсан. Эдгээр алгоритмуудын нэгдэл нь зөвхөн хүлээн зөвшөөрөгдсөн объектын ангиудыг авсаархан геометрийн бүтцээр онцлог орон зайд харуулсан тохиолдолд л нотлогдсон. Гэсэн хэдий ч шийдвэрийн дүрмийн хангалттай чанарт хүрэх хүслийг ихэвчлэн хатуу зарчимгүй алгоритмуудыг ашиглан хангаж чаддаг. математикийн нотолгоошийдлийг дэлхийн экстремумд ойртуулах.

Ийм алгоритмууд орно том бүлэгхувьслын загварчлалын чиглэлийг илэрхийлсэн эвристик програмчлалын процедур. Хувьслын загварчлал бол байгалиас авсан бионик арга юм. Энэ нь нарийн төвөгтэй объектыг утга учиртай загварчлах үйл явцыг түүний хувьслын феноменологийн загварчлалаар солихын тулд хувьслын мэдэгдэж буй механизмуудыг ашиглахад суурилдаг.

Загварыг таних хувьслын загварчлалын алдартай төлөөлөгч бол аргументуудын бүлгийн бүртгэлийн арга (MGUA) юм. GMDH-ийн үндэс нь өөрийгөө зохион байгуулах зарчим бөгөөд GMDH алгоритмууд нь масс сонгох схемийг хуулбарладаг. GMDH алгоритмд ерөнхий олон гишүүнтийн гишүүдийг нийлэгжүүлэн тусгай аргаар сонгодог бөгөөд үүнийг ихэвчлэн Колмогоров-Габор олон гишүүнт гэж нэрлэдэг. Энэхүү синтез, сонголт нь улам бүр нарийн төвөгтэй байдлаар хийгддэг бөгөөд ерөнхий олон гишүүнт ямар эцсийн хэлбэртэй болохыг урьдчилан таамаглах боломжгүй юм. Нэгдүгээрт, анхдагч шинж чанаруудын энгийн хос хосолсон хослолыг ихэвчлэн авч үздэг бөгөөд эдгээрээс шийдвэрийн функцүүдийн тэгшитгэлийг эмхэтгэсэн бөгөөд ихэвчлэн хоёр дахь дарааллаас өндөргүй байдаг. Тэгшитгэл бүрийг бие даасан шийдвэрийн функц болгон задлан шинжилж, эмхэтгэсэн тэгшитгэлийн параметрүүдийн утгыг сургалтын дээжийг ашиглан ямар нэгэн байдлаар олдог. Дараа нь шийдвэр гаргах функцүүдийн багцаас хамгийн сайныг нь сонгоно. Шийдвэрлэх бие даасан функцүүдийн чанарыг хяналтын (баталгаажуулах) дээж дээр шалгадаг бөгөөд үүнийг заримдаа гаднаас нэмэх зарчим гэж нэрлэдэг. Сонгосон хэсэгчилсэн шийдвэрийн функцуудыг цаашдаа шинэ шийдвэрийн функцүүдийн ижил төстэй синтезийн анхны аргументууд болох завсрын хувьсагч гэж үздэг. Ийм шаталсан синтезийн үйл явц нь шийдвэрийн функцийн чанарын шалгуурын экстремумд хүрэх хүртэл үргэлжилнэ. анхны шинж чанаруудтай харьцуулахад олон гишүүнт нэр томъёоны дарааллыг цаашид нэмэгдүүлэхийг оролдох үед энэ чанар муудаж байгаагаар илэрдэг.

GMDH-ийн үндэс суурь болох өөрийгөө зохион байгуулах зарчмыг эвристик өөрөө зохион байгуулалт гэж нэрлэдэг, учир нь бүх үйл явц нь эвристик аргаар сонгогдсон гадны нэмэлтүүдийг нэвтрүүлэхэд суурилдаг. Шийдвэрийн үр дүн нь эдгээр эвристикээс ихээхэн хамааралтай байж болно. Үүссэн оношлогооны загвар нь объектуудыг сургалт, туршилтын дээжид хэрхэн хуваах, таних чанарын шалгуурыг хэрхэн тодорхойлох, дараагийн сонголтын мөрөнд хэдэн хувьсагчийг шилжүүлэх гэх мэтээс хамаарна.

GMDH алгоритмуудын заасан шинж чанарууд нь хувьслын загварчлалын бусад аргуудын онцлог шинж юм. Гэхдээ авч үзэж буй аргуудын нэг талыг энд тэмдэглэе. Энэ бол тэдний утга учиртай мөн чанар юм. Шийдвэрлэх функцүүдийн ангиллын (хувьслын ба градиент) таамаглал дээр суурилсан аргуудыг ашиглан оношлогооны загварыг бий болгох боломжтой. өндөр төвөгтэй байдалпрактикт хүлээн зөвшөөрөгдөх үр дүнг авах. Үүний зэрэгцээ, энэ тохиолдолд практик зорилгодоо хүрэх нь хүлээн зөвшөөрөгдсөн объектуудын мөн чанарын талаар шинэ мэдлэг олж авах замаар дагалддаггүй. Энэхүү мэдлэг, тухайлбал шинж чанаруудын (онцлогуудын) харилцан үйлчлэлийн механизмын талаархи мэдлэгийг олж авах боломж нь шийдвэрийн функцүүдийн сонгосон хэлбэрээр тогтоогдсон ийм харилцан үйлчлэлийн өгөгдсөн бүтцээр үндсэндээ хязгаарлагддаг. Тиймээс тодорхой оношилгооны загварыг бий болгосны дараа хамгийн их хэлж чадах зүйл бол загварт багтсан шинж чанарууд болон шинж чанаруудын хослолыг жагсаах явдал юм. Гэхдээ судалж буй объектуудын тархалтын шинж чанар, бүтцийг тусгасан хослолын утга нь энэ аргын хүрээнд ихэвчлэн тодорхойгүй хэвээр байна.

Булийн аргууд. Загварыг таних логик аргууд нь логик алгебрийн төхөөрөмж дээр суурилдаг бөгөөд зөвхөн доторх бус мэдээлэлтэй ажиллах боломжийг олгодог. бие даасан шинж тэмдэг, гэхдээ бас онцлог утгуудын хослолоор. Эдгээр аргуудын хувьд аливаа шинж чанарын утгыг үндсэн үйл явдал гэж үздэг.

Хамгийн ерөнхий хэлбэрээр логик аргуудыг логик хэв маягийн сургалтын дээж, логик шийдвэрийн дүрмийн зарим тогтолцоог бүрдүүлэх (жишээлбэл, холбоос хэлбэрээр) ашиглан хайлтын төрөл гэж тодорхойлж болно. анхан шатны үйл явдлууд), тус бүр өөрийн гэсэн жинтэй байдаг. Бүлэг логик аргууднь олон талт бөгөөд янз бүрийн нарийн төвөгтэй, гүнзгий дүн шинжилгээ хийх аргуудыг агуулдаг. Дихотом (Буль) шинж чанаруудын хувьд мод шиг ангилагч гэж нэрлэгддэг ангилагч, төгсгөлийн туршилтын арга, "Bark" алгоритм болон бусад аргууд түгээмэл байдаг. Илүү нарийн төвөгтэй аргуудалбан ёсны болгоход үндэслэсэн индуктив аргууд D.S.Mill. Албан ёсны болгох нь бараг аксиоматик онолыг бий болгох замаар явагддаг бөгөөд хувьсах урттай хэлхээний тоон үзүүлэлт бүхий олон ангилсан олон утгатай логик дээр суурилдаг.

"Кора" алгоритм нь хэв маягийг таних бусад логик аргуудын нэгэн адил маш их хөдөлмөр шаарддаг тул холболтыг сонгохдоо бүрэн хайлт хийх шаардлагатай байдаг. Тиймээс логик аргуудыг хэрэглэхдээ өндөр шаардлагаруу үр дүнтэй зохион байгуулалтТооцооллын процесс бөгөөд эдгээр аргууд нь боломжийн орон зайн харьцангуй жижиг хэмжээсүүдтэй, зөвхөн хүчирхэг компьютер дээр сайн ажилладаг.

Хэл шинжлэлийн (синтакс эсвэл бүтцийн) аргууд.Загварыг таних хэл шинжлэлийн аргууд нь хэлийг үүсгэдэг тусгай дүрмийг ашиглахад суурилдаг бөгөөд тэдгээрийн тусламжтайгаар хүлээн зөвшөөрөгдсөн объектуудын шинж чанарыг тодорхойлох боломжтой байдаг. Дүрэм гэдэг нь эдгээр үүсээгүй элементүүдээс объект бүтээх дүрмийг хэлнэ.

Хэрэв зургийн тайлбарыг дериватив бус элементүүд (дэд зураг) ба тэдгээрийн хамаарлыг ашиглан хийсэн бол автомат таних системийг бий болгохын тулд шинж чанарын ерөнхий зарчмыг ашиглан хэл шинжлэлийн эсвэл синтаксистик аргыг ашигладаг. Зургийг ашиглан дүрсэлж болно шаталсан бүтэцхэлний синтаксийн бүтэцтэй төстэй дэд дүрсүүд. Энэ нөхцөл байдал нь онолыг хэрэгжүүлэх боломжийг олгодог албан ёсны хэлнүүд. Зургийн дүрэм нь хувьсагч, дериватив бус элементүүд болон орлуулах дүрэм гэж нэрлэгддэг хязгаарлагдмал олонлог элементүүдийг агуулна гэж үздэг. Орлуулах дүрмийн мөн чанар нь дүрмийн төрлийг тодорхойлдог. Хамгийн их судлагдсан дүрмийн дотроос ердийн, контекстгүй, шууд бүрэлдэхүүн хэсгүүдийн дүрмийг тэмдэглэж болно. Гол онооЭнэ аргын гол зорилго нь зургийн дериватив бус элементүүдийг сонгох, эдгээр элементүүдийн хослол, тэдгээрийг дүрсийн дүрмүүдтэй холбох харилцаа, эцэст нь зохих хэлээр дүн шинжилгээ хийх, таних үйл явцыг хэрэгжүүлэх явдал юм. Энэ арга нь тоон хэмжилтээр дүрслэх боломжгүй эсвэл маш нарийн төвөгтэй зургуудтай ажиллахад ялангуяа ашигтай байдаг орон нутгийн шинж тэмдэгтодорхойлох боломжгүй бөгөөд бид объектын глобал шинж чанаруудад хандах ёстой.

Жишээлбэл, Э.А. Бутаков, В.И. Островский, I.L. Fadeev зураг боловсруулах дараах системийн бүтцийг санал болгож байна (Зураг. 3), ашиглан хэл шинжлэлийн хандлага, функциональ блок бүр нь програм хангамжийн (микропрограмын) цогцолбор (модуль) юм. холбогдох функцууд.

Зураг 3. Бүтцийн схемтаних төхөөрөмж

Зургийн шинжилгээний асуудалд математик хэл шинжлэлийн аргуудыг ашиглах оролдлого нь зургийн хоёр хэмжээст бүтцийг албан ёсны хэлний нэг хэмжээст хэлхээнд буулгахтай холбоотой хэд хэдэн асуудлыг шийдвэрлэх хэрэгцээг бий болгож байна.

Өргөтгөсөн аргууд

Энэ бүлгийн аргуудад интенсив чиглэлээс ялгаатай нь судалж буй объект бүрийг их бага хэмжээгээр бие даасан байдлаар өгдөг. оношлогооны үнэ цэнэ. Үндсэндээ эдгээр аргууд нь хүмүүсийг нэг буюу өөр үзүүлэлтээр эрэмбэлсэн объектуудын гинжин хэлхээ гэж үздэг клиник арга барилд ойрхон байдаг. бүрэн системүүд, тус бүр нь хувь хүн бөгөөд оношлогооны онцгой ач холбогдолтой. Судалгааны объектод ийм болгоомжтой хандах нь объект тус бүрийн талаархи мэдээллийг хасах, алдах боломжийг олгодоггүй бөгөөд энэ нь объектыг зөвхөн тэдгээрийн шинж чанаруудын зан үйлийн хэв маягийг илрүүлэх, бүртгэх зорилгоор ашигладаг эрчимтэй чиглүүлэх аргыг ашиглах үед тохиолддог.

Хэлэлцсэн аргуудыг ашиглан хэв маягийг таних үндсэн үйлдлүүд нь объектуудын ижил төстэй байдал, ялгааг тодорхойлох үйлдлүүд юм. Тодорхойлсон бүлгийн аргуудын объектууд нь оношилгооны өмнөх үүрэг гүйцэтгэдэг. Түүнээс гадна, тодорхой даалгаврын нөхцлөөс хамааран хувь хүний ​​прецедентийн үүрэг нь хамгийн өргөн хүрээнд өөр өөр байж болно: хүлээн зөвшөөрөх үйл явцад үндсэн ба тодорхойлохоос эхлээд шууд бус оролцоо хүртэл. Хариуд нь асуудлын нөхцөл байдал нь оролцоог шаардаж болно янз бүрийн тоо хэмжээоношилгооны урьдчилсан нөхцөл: хүлээн зөвшөөрөгдсөн анги тус бүрийн нэгээс бүрэн түүврийн хэмжээ, түүнчлэн янз бүрийн арга замуудобъектуудын ижил төстэй байдал ба ялгаатай байдлын хэмжүүрийг тооцоолох. Эдгээр шаардлагууд нь өргөтгөх аргуудыг дэд ангилалд хуваахыг тайлбарладаг.

прототиптэй харьцуулах арга;

k-хамгийн ойрын хөршийн арга;

шийдвэрийн дүрмийн хамтын .

Прототиптэй харьцуулах арга.Энэ бол өргөтгөлийн таних хамгийн энгийн арга юм. Жишээлбэл, хүлээн зөвшөөрөгдсөн ангиудыг авсаархан геометрийн бүлэглэлээр онцлог орон зайд харуулах үед үүнийг ашигладаг. Энэ тохиолдолд ихэвчлэн ангийн геометрийн бүлгийн төвийг (эсвэл төвд хамгийн ойр байгаа объектыг) прототипийн цэг болгон сонгодог.

Үл мэдэгдэх объектыг ангилахын тулд түүнд хамгийн ойрын прототипийг олох ба объект нь энэ прототиптэй ижил ангилалд хамаарна. Мэдээжийн хэрэг, энэ аргаар ангиллын ерөнхий дүр төрхийг үүсгэдэггүй.

Янз бүрийн төрлийн зайг ойрын хэмжүүр болгон ашиглаж болно. Ихэнхдээ дихотомийн шинж чанаруудын хувьд Хаммингийн зайг ашигладаг бөгөөд энэ тохиолдолд Евклидийн зайны квадраттай тэнцүү байна. Энэ тохиолдолд объектыг ангилах шийдвэрийн дүрэм нь шугаман шийдвэрийн функцтэй тэнцүү байна.

Энэ баримтыг онцгой анхаарах хэрэгтэй. Энэ нь өгөгдлийн бүтцийн талаархи мэдээллийн эх загвар ба шинж чанарын дүрслэлийн хоорондын холбоог тодорхой харуулж байна. Дээрх дүрслэлийг ашиглан та жишээ нь ямар ч уламжлалт байж болно хэмжих масштаб, тэр нь шугаман функцОношлогооны таамаглал гэж үздэг дихотомийн шинж чанаруудын утгаас. Хариуд нь хүлээн зөвшөөрөгдсөн ангиудын орон зайн бүтцэд дүн шинжилгээ хийх нь тэдгээрийн геометрийн нягт байдлын талаар дүгнэлт гаргах боломжийг олгодог бол эдгээр анги бүрийг нэг прототипээр солиход хангалттай бөгөөд энэ нь үнэн хэрэгтээ шугаман оношлогооны загвартай тэнцэнэ.

Практик дээр мэдээжийн хэрэг нөхцөл байдал нь тайлбарласнаас өөр байдаг. идеалчилсан жишээ. Прототиптэй харьцуулах үндсэн дээр таних аргыг хэрэглэхээр зорьж буй судлаачийн өмнө оношлогооны ангиуд, босоорой хэцүү асуудлууд. Энэ нь юуны түрүүнд объектын хуваарилалтын орон зайн тохиргоог ихээхэн өөрчлөх боломжтой ойрын хэмжүүр (метрик) -ийн сонголт юм. Хоёрдугаарт, бие даасан асуудал бол туршилтын өгөгдлийн олон хэмжээст бүтцэд дүн шинжилгээ хийх явдал юм. Эдгээр хоёр асуудал нь бодит асуудлын онцлог шинж чанар бүхий орон зайн өндөр хэмжээст нөхцөлд судлаачдын хувьд онцгой ач холбогдолтой юм.

k-хамгийн ойрын хөршийн арга.Ялгаварлан шинжлэх асуудлыг шийдвэрлэх k-хамгийн ойрын хөршийн аргыг анх 1952 онд санал болгосон. Энэ нь дараах байдалтай байна.

Үл мэдэгдэх объектыг ангилахдаа хүн олдог өгсөн дугаар(к) танигдахуйц ангиудад аль хэдийн мэдэгдэж буй гишүүнчлэлтэй бусад объектуудын (хамгийн ойрын хөршүүд) онцлог орон зайд геометрийн хувьд хамгийн ойр байдаг. Тодорхойгүй оношилгооны ангид үл мэдэгдэх объектыг хуваарилах шийдвэрийг түүний хамгийн ойрын хөршүүдтэй холбоотой мэдээлэлд дүн шинжилгээ хийх замаар гаргадаг, жишээлбэл, энгийн саналын тооллогыг ашиглан.

Эхэндээ k-хамгийн ойрын хөршийн аргыг магадлалын харьцааг тодорхойлох параметрийн бус арга гэж үзсэн. Энэ аргын хувьд түүний үр нөлөөний онолын тооцоог Байесийн оновчтой ангилагчтай харьцуулсан. k-хамгийн ойрын хөршийн аргын асимптотын алдааны магадлал нь Байесийн дүрмийн алдаанаас хоёр дахин ихгүй байгаа нь батлагдсан.

Дээр дурдсанчлан, in бодит асуудлуудихэвчлэн тайлбарласан объектуудтай ажиллах шаардлагатай болдог их хэмжээнийчанарын (дихотом) шинж чанарууд. Энэ тохиолдолд шинж чанарын орон зайн хэмжээ нь судалж буй түүврийн эзэлхүүнтэй тэнцүү буюу түүнээс их байна. Ийм нөхцөлд сургалтын дээжийн объект бүрийг тусдаа шугаман ангилагч болгон тайлбарлах нь тохиромжтой. Дараа нь энэ эсвэл өөр оношлогооны ангиудыг нэг загвараар биш, харин шугаман ангилагчийн багцаар төлөөлдөг. Шугаман ангилагчдын нийлмэл харилцан үйлчлэл нь эцсийн дүндээ онцлог орон зайд хүлээн зөвшөөрөгдсөн ангиудыг тусгаарлах хэсэгчилсэн шугаман гадаргууг үүсгэдэг. Гипер хавтгайн хэсгүүдээс бүрдэх тусгаарлах гадаргуугийн төрөл нь янз бүр байж болох бөгөөд үүнээс хамаарна харьцангуй байрлалангилсан популяци.

k-хамгийн ойрын хөршийн дүрмийг ашиглан ангилах механизмын өөр нэг тайлбарыг бас ашиглаж болно. Энэ нь хийсвэр эсвэл анхны шинж чанарын орон зайд ямар нэг хувиралтай холбоотой зарим далд хувьсагчийн оршин тогтнох санаан дээр суурилдаг. Хэрэв далд хувьсагчдын орон зайд объектуудын хоорондох хос зай нь анхны шинж чанаруудын орон зайтай ижил бөгөөд эдгээр хувьсагчийн тоо чухал юм. бага тоообъектууд, дараа нь k-хамгийн ойрын хөршийн аргын тайлбарыг нөхцөлт магадлалын тархалтын нягтын параметрийн бус тооцоог харьцуулах үүднээс авч үзэж болно. Энд үзүүлсэн далд хувьсагчдын үзэл бодол нь бодит хэмжээст байдлын үзэл бодол болон хэмжээстийг бууруулах янз бүрийн арга техникт хэрэглэгддэг бусад үзэл бодолтой ойролцоо юм.

Загвар танихад k-хамгийн ойрын хөршийн аргыг ашиглахдаа судлаач шийдэх ёстой нарийн төвөгтэй асуудалоношлогдсон объектуудын ойролцоо байдлыг тодорхойлох хэмжигдэхүүнийг сонгох. Онцлог орон зайн өндөр хэмжээст нөхцөлд энэ асуудал нь хангалттай нарийн төвөгтэй байдлаас шалтгаалан маш хүндэрч байна энэ арга, энэ нь өндөр хүчин чадалтай компьютеруудад ч чухал ач холбогдолтой болж байна. Тиймээс энд, прототиптэй харьцуулах аргын нэгэн адил оношлогооны ангиудыг төлөөлөх объектын тоог багасгахын тулд туршилтын өгөгдлийн олон хэмжээст бүтцэд дүн шинжилгээ хийх бүтээлч асуудлыг шийдвэрлэх шаардлагатай байна.

Үнэлгээг тооцоолох алгоритмууд (санал өгөх).Үнэлгээний тооцооллын алгоритмын (ABO) ажиллах зарчим нь өгөгдсөн шинж чанаруудын дэд багцуудын систем болох онцлог шинж чанаруудын нэгдлүүдийн системийн дагуу хүлээн зөвшөөрөгдсөн болон лавлагаа объектуудын "ойр зай" -ыг тодорхойлдог тэргүүлэх ач холбогдол (ижил төстэй оноо) -ийг тооцоолох явдал юм. .

Өмнө нь авч үзсэн бүх аргуудаас ялгаатай нь тооцоолол хийх алгоритмууд нь объектын тайлбартай цоо шинэ арга замаар ажилладаг. Эдгээр алгоритмуудын хувьд объектууд функцын орон зайн маш өөр дэд орон зайд нэгэн зэрэг оршдог. ABO анги нь шинж чанаруудыг ашиглах санааг логик дүгнэлтэд хүргэдэг: аль шинж чанаруудын хослол нь хамгийн мэдээлэл сайтай байдаг нь үргэлж мэдэгддэггүй тул ABO-д объектуудын ижил төстэй байдлын зэргийг бүх боломжит эсвэл тодорхой хослолыг харьцуулах замаар тооцдог. объектын тайлбарт орсон шинж чанарууд.

Шийдвэр гаргах дүрмийн хамтын . IN шийдвэрлэх дүрэмХоёр түвшний таних схемийг ашигладаг. Эхний түвшинд хувийн таних алгоритмууд ажилладаг бөгөөд тэдгээрийн үр дүнг синтезийн блок дахь хоёрдугаар түвшинд нэгтгэдэг. Ийм нэгдлийн хамгийн түгээмэл аргууд нь тодорхой алгоритмын чадамжийн чиглэлийг тодорхойлоход суурилдаг. Чадамжийн талбарыг олох хамгийн энгийн арга бол тодорхой шинжлэх ухааны мэргэжлийн үзэл баримтлалд үндэслэн шинж чанаруудын орон зайг нэн тэргүүнд хуваах явдал юм (жишээлбэл, тодорхой шинж чанарын дагуу дээжийг ангилах). Дараа нь сонгосон хэсэг бүрийн хувьд өөрийн таних алгоритмыг бүтээдэг. Өөр нэг арга нь тодорхой таних алгоритмын амжилтыг нотолсон танигдсан объектуудын ойр орчмын орон зайн орон зайг тодорхойлох албан ёсны шинжилгээнд суурилдаг.

Ихэнх ерөнхий хандлагасинтезийн блок байгуулахдаа тодорхой алгоритмын үр дүнгийн үзүүлэлтүүдийг шинэ ерөнхий шийдвэрийн дүрмийг бий болгох анхны шинж чанар гэж үздэг. Энэ тохиолдолд хэв маягийг танихад эрчимтэй болон өргөтгөлийн чиглэлийн дээрх бүх аргыг ашиглаж болно. Шийдвэрлэх дүрмийн бүлгийг бий болгох асуудлыг шийдвэрлэхэд үр дүнтэй нь "Кора" төрлийн логик алгоритмууд ба тооцооллын алгоритмууд (ABO) гэж нэрлэгддэг үндэслэлийг бүрдүүлдэг. алгебрийн хандлага, энэ нь одоо байгаа бүх төрлийн алгоритмуудыг багтаасан таних алгоритмуудын судалгаа, бүтээлч тайлбарыг өгдөг.

Мэдрэлийн сүлжээний аргууд

Мэдрэлийн сүлжээний аргууд нь хэрэглээнд суурилсан аргууд юм янз бүрийн төрөлмэдрэлийн сүлжээ (NN). Загвар, дүрсийг танихад янз бүрийн мэдрэлийн сүлжээг ашиглах үндсэн чиглэлүүд:

Өгөгдсөн зургийн гол шинж чанар эсвэл шинж чанарыг задлах програм,

зургуудыг өөрсдөө эсвэл тэдгээрээс аль хэдийн гаргаж авсан шинж чанаруудын ангилал (эхний тохиолдолд гол шинж чанаруудыг задлах нь сүлжээнд шууд тохиолддог),

оновчлолын асуудлыг шийдвэрлэх.

Олон давхаргат мэдрэлийн сүлжээнүүд. Олон давхаргат мэдрэлийн сүлжээний (MNN) архитектур нь дараалсан холбогдсон давхаргуудаас бүрддэг бөгөөд давхарга бүрийн нейрон нь өмнөх давхаргын бүх нейронтой оролт, дараагийнх нь гаралттай холбогддог.

Нэг давхаргат мэдрэлийн сүлжээний (авто ассоциатив санах ой гэж нэрлэдэг) хамгийн энгийн хэрэглээ бол сүлжээг тэжээгдсэн дүрсийг дахин бүтээхэд сургах явдал юм. Туршилтын зургийг оролт болгон өгч, сэргээн босгосон зургийн чанарыг тооцоолсноор та сүлжээ нь оролтын дүрсийг хэр сайн таньсан болохыг үнэлэх боломжтой. Эерэг шинж чанаруудЭнэ арга нь сүлжээ нь гажуудсан, чимээ шуугиантай зургийг сэргээх боломжтой боловч илүү ноцтой зорилгоор ашиглахад тохиромжгүй юм.

MNN нь дүрсийг шууд ангилахад ашиглагддаг - зураг өөрөө ямар нэгэн хэлбэрээр эсвэл өмнө нь гаргаж авсан зургийн үндсэн шинж чанаруудын багц нь гаралтад оруулдаг бөгөөд хамгийн их идэвхжилтэй нейрон нь хүлээн зөвшөөрөгдсөн ангид гишүүнчлэлтэй болохыг харуулж байна (Зураг 1). 4). Хэрэв энэ үйл ажиллагаа нь тодорхой босго хэмжээнээс доогуур байвал илгээсэн зураг нь мэдэгдэж буй ангилалд хамаарахгүй гэж үзнэ. Сургалтын үйл явц нь тодорхой ангид хамаарах оролтод оруулсан зургуудын тохирлыг тогтоодог. Үүнийг хяналттай сургалт гэж нэрлэдэг. Энэ арга нь цөөн тооны хүмүүсийн хандалтыг хянах ажилд тохиромжтой. Энэ арга нь сүлжээг шууд зургуудыг харьцуулах боломжийг олгодог боловч ангиудын тоо нэмэгдэхийн хэрээр сүлжээний сургалт, ажиллах хугацаа экспоненциалаар нэмэгддэг. Тиймээс эрэл хайгуул зэрэг ажилд ижил төстэй хүнтом мэдээллийн санд хайлт хийх гол шинж чанаруудын авсаархан багцыг гаргаж авах шаардлагатай.

Бүх зургийн давтамжийн шинж чанарыг ашиглан ангилах хандлагыг доор тайлбарласан болно. Олон үнэ цэнэтэй нейрон дээр суурилсан нэг давхаргат мэдрэлийн сүлжээг ашигласан.

Сүлжээний оролт нь үндсэн бүрэлдэхүүн хэсгийн аргыг ашиглан зургийн задралын үр дүнг хүлээн авах үед дүрсний ангилалд зориулсан мэдрэлийн сүлжээний хэрэглээг харуулав.

Сонгодог MNN-д давхарга хоорондын мэдрэлийн холболтууд бүрэн холбогдсон бөгөөд дүрс нь хоёр хэмжээст боловч нэг хэмжээст вектор хэлбэрээр дүрслэгддэг. Эвлэлийн мэдрэлийн сүлжээний архитектур нь эдгээр дутагдлыг арилгах зорилготой юм. Энэ нь орон нутгийн рецепторын талбаруудыг (нейронуудын орон нутгийн хоёр хэмжээст холболтыг хангах), хуваалцсан жинг (зургийн аль ч хэсэгт тодорхой шинж чанарыг илрүүлэх) болон орон зайн дэд түүвэрлэлт бүхий шаталсан зохион байгуулалтыг ашигласан. Convolutional Neural Network (CNN) нь масштабын өөрчлөлт, шилжилт хөдөлгөөн, эргэлт, гажуудал зэрэгт хэсэгчилсэн эсэргүүцэл үзүүлдэг.

MNN-ийг мөн тодорхой төрлийн объектыг илрүүлэхэд ашигладаг. Ямар ч бэлтгэгдсэн MNN нь дүрс нь "тэдний" ангилалд хамаарах эсэхийг тодорхой хэмжээгээр тодорхойлж чадахаас гадна тодорхой ангиллыг найдвартай илрүүлэхийн тулд тусгайлан сургаж болно. Энэ тохиолдолд гаралтын ангиуд нь тухайн зургийн төрөлд хамаарах ба хамааралгүй ангиуд байх болно. Оруулсан зурган дээрх нүүрний дүрсийг илрүүлэхийн тулд мэдрэлийн сүлжээ илрүүлэгч ашигласан. Зургийг 20х20 пикселийн хэмжээтэй цонхоор сканнердсан бөгөөд энэ нь тухайн хэсэг нь нүүрний ангилалд хамаарах эсэхийг шийддэг сүлжээний оролтоор тэжээгддэг. Сургалтыг хоёуланг нь ашиглан хийсэн эерэг жишээнүүд (янз бүрийн зурагнүүр царай) ба сөрөг (нүүр царай биш зураг). Илрүүлэх найдвартай байдлыг нэмэгдүүлэхийн тулд мэдрэлийн сүлжээний багийг ашиглаж, өөр өөр жинтэй сургасан бөгөөд үүний үр дүнд мэдрэлийн сүлжээнүүд янз бүрийн аргаар алдаа гаргаж, бүх багийн санал хураалтаар эцсийн шийдвэрийг гаргасан.

Зураг 5. Үндсэн бүрэлдэхүүн хэсэг (өөрийн нүүр) ба дүрсийг үндсэн бүрэлдэхүүн хэсэг болгон задлах

Мэдрэлийн сүлжээг мөн зургийн гол шинж чанарыг задлахад ашигладаг бөгөөд дараа нь дараагийн ангилалд ашигладаг. -д үндсэн бүрэлдэхүүн хэсгийн шинжилгээний аргын мэдрэлийн сүлжээг хэрэгжүүлэх аргыг үзүүлэв. Бүрэлдэхүүн хэсгүүдийн шинжилгээний үндсэн аргын мөн чанар нь оролтын зургийг тодорхойлдог хамгийн их чимэглэсэн коэффициентийг олж авах явдал юм. Эдгээр коэффициентүүдийг үндсэн бүрэлдэхүүн хэсгүүд гэж нэрлэдэг бөгөөд статистикийн дүрсийг шахахад ашигладаг бөгөөд энэ нь зургийг бүхэлд нь илэрхийлэхэд цөөн тооны коэффициентүүдийг ашигладаг. Энэ аргыг ашиглан сургасан N нейрон агуулсан нэг далд давхаргатай мэдрэлийн сүлжээ (энэ нь зургийн хэмжээнээс хамаагүй бага) буцаан тархалтгаралт дээр алдаа сэргээгддэг бол оролтод өгсөн зураг нь далд нейронуудын гаралтын эхний N үндсэн бүрэлдэхүүн хэсгийн коэффициентийг бүрдүүлдэг бөгөөд эдгээрийг харьцуулахад ашигладаг. Ихэвчлэн 10-аас 200 хүртэлх үндсэн бүрэлдэхүүн хэсгүүдийг ашигладаг. Бүрэлдэхүүн хэсгүүдийн тоо нэмэгдэхийн хэрээр түүний төлөөлөх чанар ихээхэн буурч, олон тооны бүрэлдэхүүн хэсгүүдийг ашиглах нь утгагүй болно. Мэдрэлийн элементүүдийн шугаман бус идэвхжүүлэлтийн функцийг ашиглах үед үндсэн бүрэлдэхүүн хэсгүүдэд шугаман бус задрал хийх боломжтой. Шугаман бус байдал нь оролтын өгөгдлийн өөрчлөлтийг илүү нарийвчлалтай тусгах боломжийг олгодог. Нүүрний дүрсийг задлахад үндсэн бүрэлдэхүүн хэсгүүдийн шинжилгээг ашигласнаар бид хувийн нүүр гэж нэрлэгддэг үндсэн бүрэлдэхүүн хэсгүүдийг олж авдаг бөгөөд тэдгээр нь мөн адил шинж чанартай байдаг. ашигтай эд хөрөнгө- Хүйс, арьс өнгө, сэтгэл хөдлөл гэх мэт хүний ​​чухал шинж чанаруудыг голчлон тусгасан бүрэлдэхүүн хэсгүүд байдаг. Сэргээх үед бүрэлдэхүүн хэсгүүд нь нүүр царайтай төстэй харагдах бөгөөд эхнийх нь нүүрний хамгийн ерөнхий хэлбэрийг тусгаж, хоёр дахь нь нүүрний хоорондох янз бүрийн жижиг ялгааг илэрхийлдэг (Зураг 5). Энэ арга нь том мэдээллийн сангаас ижил төстэй царайны зургийг олоход тохиромжтой. NN ашиглан үндсэн бүрэлдэхүүн хэсгүүдийн хэмжээг цаашид багасгах боломжийг мөн харуулав. Оруулсан дүрсийг сэргээн засварлах чанарыг үнэлснээр та түүний нүүрний ангиллын гишүүнчлэлийг маш нарийн тодорхойлж чадна.

Мэдрэлийн сүлжээ өндөр захиалга. Өндөр эрэмбийн мэдрэлийн сүлжээ (HANN) нь зөвхөн нэг давхаргатай байдгаараа MNN-ээс ялгаатай боловч нейроны оролтууд нь мөн оролтын векторын хоёр ба түүнээс дээш бүрэлдэхүүн хэсгүүдийн үржвэр болох өндөр эрэмбийн нөхцлүүдийг хүлээн авдаг. Ийм сүлжээнүүд нь нарийн төвөгтэй хуваах гадаргууг үүсгэж болно.

Хопфилд мэдрэлийн сүлжээ.Хопфилд NN (HNS) нь нэг давхарга бөгөөд бүрэн холбогдсон (өөртөө нейронуудын хооронд ямар ч холболт байхгүй), түүний гаралт нь оролттой холбогдсон байна. MNS-ээс ялгаатай нь ҮСХ нь амралт юм - өөрөөр хэлбэл. анхны төлөвт тохируулагдсан үед энэ нь тогтвортой төлөвт хүрэх хүртэл ажилладаг бөгөөд энэ нь түүний гаралтын утга болно. Оновчлолын асуудалтай холбоотой дэлхийн хамгийн бага хэмжээг хайхын тулд ҮАБЗ-ийн стохастик өөрчлөлтүүдийг ашигладаг.

NSH-ийг ассоциатив санах ой болгон ашиглах нь гажуудсан дүрсийг оролтод оруулах үед сүлжээнд сургагдсан зургуудыг үнэн зөв сэргээх боломжийг олгодог. Энэ тохиолдолд сүлжээ нь хамгийн ойрын сүлжээг "санах" болно (энэ утгаараа орон нутгийн доод хэмжэээрчим хүч) дүрс, улмаар үүнийг таньдаг. Ийм үйл ажиллагааг дээр дурдсан автомат ассоциатив санах ойн дараалсан хэрэглээ гэж илэрхийлж болно. Автомат ассоциатив санах ойгоос ялгаатай нь NSC нь зургийг маш сайн сэргээх болно. Хөндлөнгийн минимумаас зайлсхийх, сүлжээний хүчин чадлыг нэмэгдүүлэхийн тулд ашиглана уу янз бүрийн арга.

Kohonen мэдрэлийн сүлжээг өөрөө зохион байгуулдаг.Өөрийгөө зохион байгуулдаг Kohonen мэдрэлийн сүлжээ (KONNs) нь оролтын зургийн орон зайг топологийн дарааллаар хангадаг. Эдгээр нь n хэмжээст оролтын орон зайг m хэмжээст гаралтын орон зайд топологийн тасралтгүй зураглах боломжийг олгодог, m<

Танин мэдэхүй.Танин мэдэхүйн бүтэц нь харааны бор гадаргын бүтэцтэй төстэй бөгөөд давхарга хоорондын нейронууд зөвхөн орон нутгийн хэмжээнд холбогдсон шаталсан олон давхаргат зохион байгуулалттай байдаг. Өрсөлдөөнт суралцах замаар (багшгүй) сурсан. Тархины давхарга бүр өөр өөр түвшний ерөнхий ойлголтыг хэрэгжүүлдэг; Оролтын давхарга нь зураас гэх мэт энгийн хэв маягт мэдрэмтгий байдаг ба тэдгээрийн харааны хүрээний тодорхой хэсэг дэх чиг баримжааг мэдэрдэг бол бусад давхаргын хариу үйлдэл нь илүү төвөгтэй, хийсвэр, хэв маягийн байрлалаас хамааралгүй байдаг. Харааны бор гадаргын зохион байгуулалтыг загварчлах замаар танин мэдэхүйн системд ижил төстэй функцүүдийг хэрэгжүүлдэг.

Неокогнитрон бол танин мэдэхүйн санааны цаашдын хөгжил бөгөөд харааны системийн бүтцийг илүү нарийвчлалтай тусгаж, тэдгээрийн хувирал, эргэлт, гажуудал, масштабын өөрчлөлтөөс үл хамааран дүрсийг таних боломжийг олгодог.

Cognitron нь дүрсийг таних хүчирхэг хэрэгсэл боловч өндөр тооцооллын зардал шаарддаг бөгөөд одоогоор боломжгүй байна.

Мэдрэлийн сүлжээний аргууд нь дүрсийг хурдан бөгөөд найдвартай таних боломжийг олгодог боловч эдгээр аргыг ашиглах үед гурван хэмжээст объектыг танихад асуудал үүсдэг. Гэсэн хэдий ч энэ арга нь олон давуу талтай.

Дүгнэлт

Одоогийн байдлаар янз бүрийн хэрэглээний даалгаврын хувьд маш олон тооны автомат загвар таних системүүд байдаг.

Шинжлэх ухааны үндсэн чиглэл болох албан ёсны аргаар хэв маягийг хүлээн зөвшөөрөх нь шавхагдашгүй юм.

Зураг боловсруулах математик аргууд нь шинжлэх ухаан, технологи, анагаах ухаан, нийгмийн салбарт өргөн хүрээний хэрэглээтэй байдаг. Цаашид хүний ​​амьдралд хээ таних үүрэг улам нэмэгдэнэ.

Мэдрэлийн сүлжээний аргууд нь дүрсийг хурдан бөгөөд найдвартай таних боломжийг олгодог. Энэ арга нь маш их давуу талтай бөгөөд хамгийн ирээдүйтэй аргуудын нэг юм.

Уран зохиол

Д.В. Брилюк, В.В. Старовойтов. Зургийг таних мэдрэлийн сүлжээний аргууд // /

Кузин Л.Т. Кибернетикийн үндэс: Кибернетик загваруудын үндэс. T.2. - М.: Эрчим хүч, 1979. - 584 х.

Перегудов Ф.И., Тарасенко Ф.П. Системийн шинжилгээний танилцуулга: Сурах бичиг. – М.: Дээд сургууль, 1997. - 389 х.

Темников Ф.Е., Афонин В.А., Дмитриев В.И. Мэдээллийн технологийн онолын үндэс. - М.: Эрчим хүч, 1979. - 511 х.

Tu J., Gonzalez R. Загвар таних зарчим. /Орч. англи хэлнээс - М.: Мир, 1978. - 410 х.

Уинстон П. Хиймэл оюун ухаан. /Орч. англи хэлнээс - М.: Мир, 1980. - 520 х.

Фу К. Загвар таних бүтцийн аргууд: Англи хэлнээс орчуулсан. - М.: Мир, 1977. - 320 х.

Цыпкин Я.З. Таних мэдээллийн онолын үндэс. - М.: Наука, 1984. - 520 х.

Поспелов Г.С. Хиймэл оюун ухаан нь шинэ мэдээллийн технологийн үндэс суурь юм. - М.: Наука, 1988. - 280 х.

Ю.Лифшиц, Загвар таних статистик аргууд ///modern/07modernnote.pdf.

Бор Н. Атомын физик ба хүний ​​танин мэдэхүй. /Англи хэлнээс орчуулав - М.: Мир, 1961. - 151 х.

Бутаков Е.А., Островский В.И., Фадеев И.Л. Компьютер дээр зураг боловсруулах.1987.-236х.

Дуда Р., Харт П. Загвар таних, үзэгдэлд дүн шинжилгээ хийх. /Англи хэлнээс орчуулав - М.: Мир, 1978. - 510 х.

Герцог В.А. Компьютерийн сэтгэлзүйн оношлогоо. - Санкт-Петербург: Ахан дүүс, 1994. - 365 х.

Айзенберг И.Н., Айзенберг Н.Н., Кривошеев Г.А. Олон үнэ цэнэтэй ба бүх нийтийн хоёртын мэдрэлийн эсүүд: Сурах алгоритм, зураг боловсруулах, таних програмууд. Хиймэл оюун ухаан дахь лекцийн тэмдэглэл – загвар таних дахь машин сургалт ба өгөгдөл олборлолт, 1999, х. 21-35.

Ranganath S. and Arun K. Трансформацийн функцууд болон мэдрэлийн сүлжээг ашиглан нүүр таних. Загвар таних 1997, Боть. 30, х. 1615-1622.

Головко В.А. Мэдрэлийн оюун ухаан: онол ба хэрэглээ. Ном 1. Шууд ба санал хүсэлтийн холболттой мэдрэлийн сүлжээнүүдийн зохион байгуулалт, сургалт - Брест: BPI, 1999, - 260 х.

Веттер Т. ба Поггио Т. Шугаман объектын ангиуд ба нэг зураг дээрх зургийн нийлэгжилт. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, х. 733-742.

Головко В.А. Мэдрэлийн оюун ухаан: онол ба хэрэглээ. Ном 2. Өөрийгөө зохион байгуулах, гэмтэлд тэсвэртэй байдал, мэдрэлийн сүлжээний хэрэглээ - Брест: BPI, 1999, - 228 х.

Lawrence S., Giles C. L., Tsoi A. C. and Back A. D. Face Recognition: A Convolutional Neural Network Approach. Мэдрэлийн сүлжээн дэх IEEE Transactions, Neural Networks болон Pattern Recognition дээрх тусгай дугаар, х. 1-24.

Wasserman F. Neurocomputer Technology: Онол ба практик, 1992 – 184 х.

Rowley, H. A., Baluja, S. and Kanade, T. Neural Network-based Face Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1998, Vol. 20, х. 23-37.

Valentin D., Abdi H., O"Toole A. J. and Cottrell G. W. Нүүрний боловсруулалтын холболтын загварууд: судалгаа. IN: Pattern Recognition 1994, Vol. 27, pp. 1209-1230.

Баримт бичиг

Тэд алгоритмыг бүрдүүлдэг хүлээн зөвшөөрөхзургууд. Арга зүйхүлээн зөвшөөрөхзургуудДээр дурдсанчлан ... бодит байдал тийм биш юм байдаг"ерөнхийдөө экосистем", ба байдагзөвхөн хувь хүний ​​... дүгнэлтээс дэлгэрэнгүй хянан үзэхаргуудхүлээн зөвшөөрөхБид танилцуулсан ...

1. Харааны таних онцлогийг харгалзан нүүрний зураг дээр үндэслэн хүмүүсийг тодорхойлох аргуудыг тоймлох

   Хяналт

   ... хүлээн зөвшөөрөхбага тодосгогч объектуудын хүнээр, орно. хүмүүс Өгсөн хянан үзэхнийтлэг аргууд ... Байдагбүхэл бүтэн шугам аргууд ... арга зам, судалгааны үр дүнд хөгжүүлэх платформ аргахүлээн зөвшөөрөх ...

2. Глазкова Валентина Владимировнагийн нэрэмжит ОЛОН СЭДВИЙН ГИПЕРТЕКСТ БАРИМТ БИЧИГИЙГ АНГИЛАХ ПРОГРАМЫН ХЭРЭГСЭЛ БҮТЭЭХ АРГАЧЛАЛЫН СУДАЛГАА, ХӨГЖҮҮЛЭЛТ Мэргэжил 05

   Диссертацийн хураангуй

   Гипертекст баримтууд. Бүлэгт заасан хянан үзэхбайгаааргуудавч үзэж буй асуудлын шийдэл, тайлбар... хамаарал багатай ангиудыг таслах замаар // Математик аргуудхүлээн зөвшөөрөхзургууд: Бүх Оросын 13-р бага хурал. Ленинград муж...

3. Слайд 0 Генетикийн текстийг шинжлэх, боловсруулахтай холбоотой биоинформатикийн даалгавруудын тойм

   Лекц

   ДНХ ба уургийн дараалал. Хяналтбиоинформатикийн даалгавруудыг даалгавар болгон ... дохио нь орчин үеийн хэрэглээг шаарддаг аргуудхүлээн зөвшөөрөхзургууд, статистик аргууд ба... генийн нягтрал багатай. Одоо байгаагенийг урьдчилан таамаглах хөтөлбөрүүд нь ...

Харааны системээр тоноглогдсон орчин үеийн роботууд бодит ертөнцтэй ажиллахын тулд сайн харж чаддаг. Тэд ямар төрлийн объект байгаа, өөр хоорондоо ямар харилцаатай, ямар бүлгүүдийг бүрдүүлж байгаа талаар дүгнэлт хийж чадна.

Таних даалгаврын мөн чанар нь судалж буй объектуудыг тодорхой ангилалд ангилах боломжийг олгодог тогтмол хязгаарлагдмал шинж чанаруудтай эсэхийг тогтоох явдал юм.

Загвар таних шинжлэх ухааны зорилго:

Хүний шинжээч эсвэл нарийн төвөгтэй эксперт системийг илүү энгийн системээр солих (хүний ​​үйл ажиллагааг автоматжуулах эсвэл нарийн төвөгтэй системийг хялбарчлах);

Тодорхой дүрэм заагаагүй шийдвэр гаргах чадвартай сургалтын систем, тухайлбал, системд "үзүүлсэн" зөв шийдвэрийн тодорхой хязгаарлагдмал тооны жишээн дээр үндэслэн шийдвэр гаргах дүрмийг өөрсдөө нэгтгэж чаддаг тогтолцоог бий болгох.

Таних даалгавардараах байдлаар тодорхойлж болно.

1. Эдгээр нь үндсэн хоёр үе шатаас бүрдэх мэдээллийн даалгавар юм: эх өгөгдлийг өөрөө таних, танихад тохиромжтой хэлбэрт оруулах.

2. Эдгээр даалгавруудад объектын аналоги, ижил төстэй байдлын тухай ойлголтыг танилцуулж, объектыг тодорхой ангилалд оруулах үндэс болгон объектын ойрын тухай ойлголтыг томъёолж болно.

3. Эдгээр даалгавруудад та ангиллыг нь мэддэг, сургалтын явцад даалгаврыг тохируулахын тулд албан ёсны тайлбар хэлбэрээр таних алгоритмд танилцуулж болох жишээнүүдийн багцыг ашиглаж болно.

4. Эдгээр бодлогуудын хувьд албан ёсны онол бүтээх, математикийн сонгодог аргыг хэрэглэхэд хүндрэлтэй байдаг.

5. Эдгээр асуудлуудад “муу” мэдээлэл гарах боломжтой.

Таних даалгаврын төрлүүд:

Үзүүлсэн объектыг аль нэг ангид хуваарилах (багштай сургалт);

Автомат ангилал - объектын (нөхцөл байдлын) багцыг тэдгээрийн тайлбарын дагуу давхардалгүй ангиллын системд хуваах;

Задаргааны явцад мэдээллийн багц шинж чанарыг сонгох;

Эх сурвалжийн өгөгдлийг танихад тохиромжтой хэлбэрт оруулах;

Динамик таних ба динамик ангилал;

Урьдчилан таамаглах асуудлууд.

Үндсэн тодорхойлолтууд

Зураг- энэ нь объект бүр нь тухайн объектыг тодорхойлсон шинж чанаруудын аль нэгний тоон утгыг илэрхийлдэг шинж чанарын вектороор дүрслэгдсэн объект эсвэл үзэгдлийн бүтэцлэгдсэн тайлбар юм. Өөрөөр хэлбэл: дүрс нь тодорхой тоон шинж чанарын багцыг хэмжих боломжтой аливаа объект юм. Зургийн жишээ: үсэг, зураг, кардиограмм гэх мэт.

Тоон тэмдэг(эсвэл зүгээр л тэмдэг). гэдэг нь тодорхой хэв маягийг таних даалгаврын хүрээнд ажилладаг тодорхой тоон шинж чанартай объектыг тааруулах аргын томьёо эсвэл бусад тайлбар юм. Объект бүрийн хувьд хэд хэдэн өөр шинж чанарыг тодорхойлж болно, өөрөөр хэлбэл хэд хэдэн тоон шинж чанарыг тодорхойлж болно.

Онцлог орон зай.Өгөгдсөн таних даалгаварт тодорхойлогдсон N хэмжээст орон зай, N нь аливаа объектын хэмжсэн шинж чанаруудын тогтмол тоо юм. Таних даалгаврын объектод тохирох функцийн орон зайн вектор нь энэ объектын шинж чанаруудын утгууд болох бүрэлдэхүүн хэсгүүд (x1, x2, ..., xN) бүхий N хэмжээст вектор юм.

OBJECT->Онцлогууд->M хэмжээст онцлог вектор

Анги- таних даалгаврын объектуудын багцаас дурын объектыг тодорхой бүлэг объектуудад хуваарилах боломжийн талаархи албан бус (дүрмээр) санаа. Нэг ангиллын объектуудын хувьд "ижил төстэй байдал" байгаа гэж үздэг. Загвар таних даалгаврын хувьд 1-ээс их ангиудын тоог дурын тоогоор тодорхойлж болно.

Ерөнхийдөө хэв маягийг таних асуудал нь таних, сургах гэсэн хоёр хэсгээс бүрдэнэ.

Загвар таних нь тодорхой шаардлагад үндэслэн тодорхой бүлгийн объектуудыг ангилахаас бүрдэнэ. Нэг төрлийн зургийн ангилалд хамаарах объектууд нийтлэг шинж чанартай байдаг. Янз бүрийн нөхцөл байдал өөр өөр төрлийн ангиллыг шаарддаг тул ангиллыг тодорхойлсон шаардлагууд өөр өөр байж болно.

Жишээлбэл, англи үсгийг танихдаа 26 зургийн анги үүсдэг. Гэсэн хэдий ч таних явцад англи үсгийг хятад тэмдэгтээс ялгахын тулд зөвхөн хоёр ангиллын зураг хэрэгтэй.

Загвар таних хамгийн энгийн арга бол хээ тааруулах явдал юм. Энэ тохиолдолд зургийн ангилал тус бүрээс тодорхой багц дүрс нь машины санах ойд хадгалагдана. Оролтын (танигдсан) дүрсийг (үл мэдэгдэх ангийн) анги бүрийн стандарттай харьцуулна. Ангилал нь урьдчилан сонгосон тохирох шалгуур эсвэл ижил төстэй байдлын шалгуур дээр суурилдаг. Өөрөөр хэлбэл, оролтын дүрс нь бусад стандартаас илүү i-р хэв маягийн ангиллын стандарттай таарч байвал оролтын зургийг i-р загварын ангилалд хамааруулна гэж ангилна.

Энэ аргын сул тал, өөрөөр хэлбэл стандарттай харьцуулах нь зарим тохиолдолд зургийн ангилал бүрээс тохирох стандартыг сонгох, шаардлагатай тохирох шалгуурыг тогтооход хэцүү байдаг.

Илүү дэвшилтэт арга бол ангилал нь оролтын зураг дээр хийсэн сонгосон хэмжилтийн тодорхой багц дээр суурилдаг явдал юм. "Онцлогууд" гэж нэрлэгддэг эдгээр сонгосон хэмжүүрүүд нь өөрчлөгдөөгүй эсвэл нийтлэг тохиолддог өөрчлөлтүүд болон гажуудалд мэдрэмтгий биш бөгөөд бага зэрэг илүүдэлтэй гэж үздэг.

Стандартыг хэмжсэн шинж чанарын хэлбэрээр хадгалдаг "онцлогын хэмжилт" -ийн хоёр дахь аргын онцгой тохиолдол бөгөөд ангилагчд тусгай ангиллын шалгуурыг (харьцуулалт) ашигладаг.

Онцлогуудыг хөгжүүлэгчид тодорхойлдог бөгөөд объектын чиглэл, хэмжээ, хэлбэрийн өөрчлөлтөөс хамааралгүй байх ёстой.

Лекц №17.Хэв маягийг таних АРГА

Дараахь бүлэг таних аргуудыг ялгаж үздэг.

Ойролцоох функцийн аргууд

Дискриминант функцийн аргууд

Статистикийн хүлээн зөвшөөрөх аргууд.

Хэл шинжлэлийн аргууд

Эвристик аргууд.

Эхний гурван бүлгийн аргууд нь тоон бүрэлдэхүүнтэй тоо эсвэл вектор хэлбэрээр илэрхийлэгдсэн шинж чанаруудын шинжилгээнд чиглэгддэг.

Хэл шинжлэлийн бүлэг аргууд нь тэдгээрийн бүтцийн шинж чанар, тэдгээрийн хоорондын хамаарлаар тодорхойлсон бүтцийн дүн шинжилгээнд үндэслэн хэв маягийг таних боломжийг олгодог.

Эвристик аргуудын бүлэг нь хэв маягийг танихад хүмүүсийн ашигладаг онцлог арга, логик процедурыг нэгтгэдэг.

Ойролцоох функцийн аргууд

Энэ бүлгийн аргууд нь хүлээн зөвшөөрөгдсөн зураг ба векторын хоорондох ойрын хэмжүүрийг тооцоолох функцуудыг ашиглахад суурилдаг. x* = (x* 1 ,….,x*n), мөн вектороор дүрслэгдсэн янз бүрийн ангиллын лавлагаа зургууд x i = (x i 1 ,…, x i n), i= 1,…,Н, Хаана би -зургийн ангийн дугаар.

Энэ аргын дагуу таних журам нь хүлээн зөвшөөрөгдсөн зургийн цэг ба лавлагаа дүрсийг төлөөлж буй цэг бүрийн хоорондох зайг тооцоолохоос бүрдэнэ. бүх утгыг тооцоолохдоо d би , i= 1,…,Н. Зураг нь үнэ цэнэтэй ангилалд хамаарна d бибүгдээс хамгийн бага ач холбогдолтой i= 1,…,Н .

Хос вектор бүрийг хуваарилдаг функц x i, x*бодит тоог тэдгээрийн ойрын хэмжүүр болгон, i.e. тэдгээрийн хоорондох зайг тодорхойлох нь маш дур зоргоороо байж болно. Математикийн хувьд ийм функцийг орон зайн хэмжүүр гэж нэрлэдэг. Энэ нь дараах аксиомуудыг хангасан байх ёстой.

r(x,y)=r(у,х);

r(x,y) > 0 бол xтэнцүү биш yТэгээд r(x,y)=0 бол x=y;

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

Жагсаалтад орсон аксиомууд нь ялангуяа дараахь функцээр хангагдсан байдаг

a i= 1/2 , j=1,2,…n.

б би=нийлбэр, j=1,2,…n.

в би=хамгийн их хэвлийн булчин ( x i‑ x j *), j=1,2,…n.

Тэдгээрийн эхнийх нь вектор орон зайн Евклидийн норм гэж нэрлэгддэг. Үүний дагуу заасан функцийг хэмжүүр болгон ашигладаг орон зайг Евклидийн орон зай гэж нэрлэдэг.

Ихэнхдээ хүлээн зөвшөөрөгдсөн зургийн координат дахь язгуур дундаж квадратын зөрүүг ойрын функц болгон сонгодог. x*ба стандарт x i, өөрөөр хэлбэл функц

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

Хэмжээ d бигеометрийн хувьд орон зайн хэмжээстэй холбоотой онцлог орон зайн цэг хоорондын зайны квадрат гэж тайлбарладаг.

Янз бүрийн шинж чанарууд нь хүлээн зөвшөөрөхөд адил чухал биш байдаг нь ихэвчлэн тохиолддог. Ойролцоох функцийг тооцоолохдоо энэ нөхцөл байдлыг харгалзан үзэхийн тулд илүү чухал шинж чанаруудтай харгалзах координатын зөрүүг том коэффициентээр, бага ач холбогдолтой нь жижиг коэффициентээр үржүүлнэ.

Энэ тохиолдолд d би = (1/n) нийлбэр w j (x i j‑ x j *) 2 , j=1,2,…n,

Хаана w j- жинлэх коэффициент.

Жинлэх коэффициентийг нэвтрүүлэх нь онцлог орон зайн тэнхлэгүүдийг масштаблах, үүний дагуу орон зайг тодорхой чиглэлд сунгах эсвэл шахахтай тэнцүү юм.

Онцлог орон зайн заасан хэв гажилт нь жишиг зургийн цэгийн ойролцоо анги тус бүрийн дүрс ихээхэн тархсан нөхцөлд хамгийн найдвартай танихад нийцсэн байдлаар жишиг зургийн цэгүүдийг байрлуулах зорилготой. .

Онцлогын орон зайд бие биентэйгээ ойрхон байгаа дүрсний цэгүүдийн бүлгүүдийг (зургийн бөөгнөрөл) кластер гэж нэрлэдэг бөгөөд ийм бүлгийг тодорхойлох ажлыг кластерын асуудал гэж нэрлэдэг.

Кластеруудыг тодорхойлох ажлыг хяналтгүй хэв маягийг таних даалгавар гэж ангилдаг, i.e. зөв таних жишээ байхгүй тохиолдолд таних асуудал.

Дискриминант функцийн аргууд

Энэ бүлгийн аргын санаа нь зургийн орон зайд хил хязгаарыг тодорхойлдог функцуудыг бий болгох явдал бөгөөд орон зайг зургийн ангиллаар харгалзах хэсэгт хуваах явдал юм. Энэ төрлийн хамгийн энгийн бөгөөд түгээмэл хэрэглэгддэг функцууд нь функцүүдийн утгуудаас шугаман хамааралтай байдаг функцууд юм. Онцлог орон зайд тэдгээр нь гиперплан хэлбэрээр хуваагдах гадаргуутай тохирч байна. Хоёр хэмжээст шинж чанарын орон зайн хувьд шулуун шугам нь салгах функцийг гүйцэтгэдэг.

Шугаман шийдвэрийн функцийн ерөнхий хэлбэрийг томъёогоор өгөгдсөн

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

Хаана x- зургийн вектор, w=(w 1 ,w 2 ,…w n) – жингийн коэффициентүүдийн вектор.

Хоёр ангид хуваагдсан тохиолдолд X 1 ба X 2 ялгах функц г(x) дараах дүрмийн дагуу хүлээн зөвшөөрөхийг зөвшөөрнө.

xхарьяалагддаг X 1 бол г(x)>0;

xхарьяалагддаг X 2 бол г(x)<0.

Хэрэв г(x)=0, тэгвэл тодорхойгүй байдал бий болно.

Хэд хэдэн ангилалд хуваагдсан тохиолдолд хэд хэдэн функцийг нэвтрүүлдэг. Энэ тохиолдолд зургийн анги бүрт ялгаварлан гадуурхах функцийн шинж тэмдгүүдийн тодорхой хослолыг хуваарилдаг.

Жишээлбэл, хэрэв гурван ялгах функцийг нэвтрүүлсэн бол зургийн ангиллыг тодорхойлох дараах сонголтыг хийх боломжтой.

xхарьяалагддаг X 1 бол г 1 (x)>0,г 2 (x)<0,г 3 (x)<0;

xхарьяалагддаг X 2 бол г(x)<0,г 2 (x)>0,г 3 (x)<0;

xхарьяалагддаг X 3 бол г(x)<0,г 2 (x)<0,г 3 (x)>0.

Бусад утгын хослолын хувьд гэж таамаглаж байна г 1 (x),г 2 (x),г 3 (x) тодорхойгүй байдлын тохиолдол байдаг.

Ялгаварлах функцийн аргын нэг хувилбар нь шийдвэрийн функцийн арга юм. Хэрэв боломжтой бол дотор нь мангиуд байдаг гэж үздэг мфункцууд d би(x), шийдвэрлэх гэж нэрлэдэг, ийм бол xхарьяалагддаг X i, Тэр d би(x) > dj(x) бүгдэд нь jтэгш бус би, тэдгээр. шийдвэрлэх үүрэг d би(x) бүх функцүүдийн дунд хамгийн их утгатай байна dj(x), j=1,...,n..

Энэ аргын дүрслэл нь зургийн цэг ба стандарт хоорондын зай дахь Евклидийн хамгийн бага зайг тооцоолоход үндэслэсэн ангилагч байж болно. Үүнийг үзүүлье.

Хүлээн зөвшөөрөгдсөн зургийн онцлог вектор хоорондын Евклидийн зай xба жишиг зургийн векторыг || томъёогоор тодорхойлно x i ‑ x|| = 1/2 , j=1,2,…n.

Вектор xангид хуваарилагдана би, үүний утга нь || x i ‑ x*|| хамгийн бага.

Зайны оронд та зайны квадратыг харьцуулж болно, өөрөөр хэлбэл.

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

Үнэ цэнээс хойш x xбүгдэд адилхан би, хамгийн бага функц || x i ‑ x|| 2 нь шийдвэрийн функцийн дээд хэмжээтэй давхцах болно

d би(x) = 2x x i -x i x i.

тэр бол xхарьяалагддаг X i, Хэрэв d би(x) > dj(x) бүгдэд нь jтэгш бус би.

Тэр. хамгийн бага зайг ангилах машин нь шугаман шийдвэрийн функц дээр суурилдаг. Ийм машины ерөнхий бүтэц нь хэлбэрийн шийдвэрлэх функцуудыг ашигладаг

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

Үүнийг харгалзах блок диаграммаар дүрсэлж болно.

Хамгийн бага зайд үндэслэн ангиллыг гүйцэтгэдэг машины хувьд дараахь тэнцүү байна. w ij = -2x i j , w i n +1 = x i x i.

Ялгаварлах функцийг ялгах функцийг ялгаа гэж тодорхойлох замаар ялгах функцийн аргаар ижил төстэй хүлээн зөвшөөрч болно. d ij (x)=d би (x)‑dj (x).

Ялгаварлах функцийн аргын давуу тал нь таних машины энгийн бүтэц, түүнчлэн түүнийг голчлон шугаман шийдвэрийн блокуудаар дамжуулан хэрэгжүүлэх боломж юм.

Дискриминант функцын аргын бас нэг чухал давуу тал бол өгөгдсөн (сургалт) зургийн дээж дээр үндэслэн машиныг зөв танихад автоматаар сургах чадвар юм.

Үүний зэрэгцээ автомат сургалтын алгоритм нь бусад таних аргуудтай харьцуулахад маш энгийн байдаг.

Эдгээр шалтгааны улмаас ялгах функцийн арга нь өргөн тархсан бөгөөд практикт ихэвчлэн ашиглагддаг.

Загвар танихын тулд өөрийгөө сургах журам

Зургийг хоёр ангилалд хуваах асуудалтай холбоотойгоор өгөгдсөн (сургалт) түүврийн хувьд ялгах функцийг бий болгох аргуудыг авч үзье. Хэрэв A ба B ангилалд хамаарах хоёр багц зургийг өгвөл жингийн коэффициентийн вектор хэлбэрээр шугаман дискриминант функцийг бий болгох асуудлыг шийднэ. В=(w 1 ,w 2 ,...,w n,w n+1), дурын зургийн хувьд дараахь нөхцлийг хангасан шинж чанартай.

xХэрэв >0 бол А ангилалд хамаарна; j=1,2,…n.

xхэрэв В ангилалд хамаарна<0, j=1,2,…n.

Сургалтын иж бүрдэл бүрдвэл Нхоёр ангийн зураг, даалгавар нь тэгш бус байдлын системийн үнэн зөвийг баталгаажуулдаг векторыг олох хүртэл багасгадаг бол сургалтын түүвэр НХоёр ангийн зураг, даалгавар нь векторыг олох явдал юм w, тэгш бус байдлын тогтолцооны хүчинтэй байдлыг хангах

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

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

x 1 Нw i +x 2Н w 2 +...+x nN w n +w n + 1>0;

Энд x i=(x i 1 , x i 2 ,...,x i n ,x i n+ 1 ) - сургалтын дээжээс авсан зургийн онцлог утгын вектор, > тэмдэг нь зургийн векторуудтай тохирч байна x, А ангилалд хамаарах ба тэмдэг< - векторам x, В ангилалд хамаарах.

Шаардлагатай вектор wХэрэв А ба В ангиудыг салгах боломжтой бөгөөд өөрөөр байхгүй бол оршино. Вектор бүрэлдэхүүн хэсгийн утгууд wУрьдчилан, SRO-ийн техник хангамжийг хэрэгжүүлэхээс өмнөх үе шатанд эсвэл SRO-ийн үйл ажиллагааны явцад шууд олж болно. Эдгээр аргуудын сүүлчийнх нь SRO-ийн илүү уян хатан байдал, бие даасан байдлыг хангадаг. Процентрон хэмээх төхөөрөмжийн жишээн дээр үүнийг авч үзье. 1957 онд Америкийн эрдэмтэн Розенблатт зохион бүтээсэн. Зургийг хоёр ангиллын аль нэгэнд нь зааж өгөхийг баталгаажуулдаг процентроны бүдүүвч дүрслэлийг дараах зурагт үзүүлэв.

Нүдний торлог бүрхэвч СНүдний торлог бүрхэвч АНүдний торлог бүрхэвч Р

өө өө x 1

өө өө x 2

өө өө x 3

o (нийлбэр)-------> Р(урвал)

өө өө x i

өө өө x n

өө өө x n +1

Төхөөрөмж нь торлог бүрхэвчийн мэдрэхүйн элементүүдээс бүрдэнэ С, тэдгээр нь торлог бүрхэвчийн ассоциатив элементүүдтэй санамсаргүй байдлаар холбогддог А. Хоёр дахь торлог бүрхэвчийн элемент бүр нь түүний оролттой холбогдсон хангалттай тооны мэдрэхүйн элементүүд нь өдөөгдсөн төлөвт байгаа тохиолдолд л гаралтын дохиог үүсгэдэг. Бүхэл системийн хариу үйлдэл Ртодорхой жингээр авсан ассоциатив торлог бүрхэвчийн элементүүдийн урвалын нийлбэртэй пропорциональ байна.

Томилогдсон x iурвал би th ассоциатив элемент болон дамжуулан w i- урвалын жингийн коэффициент би th ассоциатив элемент, системийн урвал гэж бичиж болно Р=нийлбэр( w j x j), j=1,..,n. Хэрэв Р>0 бол системд үзүүлсэн зураг нь А ангилалд хамаарах ба хэрэв Р<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 nанхдагч мэдрэгчээс ирсэн дохион дээр тулгуурлан функц үүсгэх зарим алгоритмтай тохирч байна.

Ерөнхийдөө хэд хэдэн элемент байж болно Р, перцептрон урвал үүсгэдэг. Энэ тохиолдолд тэд перцептрон дахь торлог бүрхэвч байгаа тухай ярьдаг Рурвалд ордог элементүүд.

Торлог бүрхэвчийн элементүүдийн тоог нэмэгдүүлэх замаар ангийн тоо хоёроос дээш байх тохиолдолд процентрон схемийг сунгаж болно. Рялгах ангиудын тоо хүртэл, дээрх зурагт үзүүлсэн диаграммын дагуу хамгийн их урвалыг тодорхойлох блокыг нэвтрүүлэх. Энэ тохиолдолд зургийг дугаартай ангид хуваарилна би, Хэрэв R i>Рж, бүгдэд нь j.

Процентроны сургалтын үйл явц нь жингийн коэффициентүүдийн утгыг сонгохоос бүрдэнэ w jИнгэснээр гаралтын дохио нь хүлээн зөвшөөрөгдсөн дүрс хамаарах ангид тохирно.

А ба В гэсэн хоёр ангиллын объектыг таних жишээн дээр процентрон үйлдлийн алгоритмыг авч үзье. А ангиллын объектууд нь утгатай тохирч байх ёстой. Р= +1, ангилал B - утга Р= -1.

Сургалтын алгоритм нь дараах байдалтай байна.

Дараагийн зураг бол xА ангилалд хамаарах боловч Р<0 (имеет место ошибка распознавания), тогда коэффициенты w jутгууд нь тохирох индексүүдтэй x j>0, тодорхой хэмжээгээр нэмэгдүүлнэ dw, болон үлдсэн коэффициентүүд w j-аар буурсан dw. Энэ тохиолдолд урвалын үнэ цэнэ Рзөв ангилалд харгалзах эерэг утга руугаа нэмэгдлийг авдаг.

Хэрэв xВ ангилалд хамаарах боловч Р>0 (таних алдаа гарсан), дараа нь коэффициентүүд w jхаргалзах индексүүдтэй x j<0, увеличивают на dw, болон үлдсэн коэффициентүүд w jижил хэмжээгээр бууруулсан. Энэ тохиолдолд урвалын үнэ цэнэ Рзөв ангилалд харгалзах сөрөг утгын өсөлтийг авдаг.

Ийнхүү алгоритм нь жингийн векторт өөрчлөлт оруулдаг wхэрэв зөвхөн зураг дээр үзүүлсэн бол к-Бэлтгэлийн алхамыг энэ алхамыг хийхдээ буруу ангилсан бөгөөд жингийн векторыг орхисон wзөв ангилсан бол өөрчлөлт гарахгүй. Энэхүү алгоритмын нэгдлийн нотолгоог [Ту, Гонзалес] -д үзүүлэв. Ийм сургалт нь эцсийн эцэст (зохих сонголттойгоор). dwба зургийн ангиудын шугаман салгах чадвар) вектор руу хүргэдэг w, зөв ​​ангиллыг хангах.

Статистикийн хүлээн зөвшөөрөх аргууд.

Статистикийн аргууд нь ангиллын алдааны магадлалыг багасгахад суурилдаг. Онцлог вектороор дүрслэгдсэн, танихаар илгээсэн зургийн буруу ангиллын магадлал P. x, томъёогоор тодорхойлогдоно

P = нийлбэр[ х(би)проб( Д(x)+би | xанги би)]

Хаана м- ангийн тоо,

х(би) = шалгах ( xангилалд хамаарна би) - дурын зурагт хамаарах априори магадлал xруу би 3-р анги (зургийн харагдах давтамж би-р анги),

Д(x) - ангиллын шийдвэр гаргадаг функц (онцлогын вектор xангийн дугаартай таарч байна бибагцаас (1,2,..., м}),

prob( Д(x) тэнцүү биш би| xангилалд хамаарна би) - үйл явдлын магадлал " Д(x) тэнцүү биш би"Гишүүнчлэлийн нөхцөл хангагдсан үед xанги би, өөрөөр хэлбэл функцээр алдаатай шийдвэр гаргах магадлал Д(x) өгөгдсөн утгын хувьд x, эзэмшдэг би-р анги.

Буруу ангилах магадлал хамгийн багадаа хүрдэг болохыг харуулж болно Д(x)=бихэрвээ мөн л бол х(x|би)· х(би)>х(x|j)· х(j), бүгдэд нь i+j, Хаана х(x|i) - зургийн тархалтын нягт би- онцлог орон зай дахь анги.

Дээрх дүрмийн дагуу цэг xхамгийн их утга тохирох ангилалд хамаарна х(би) х(x|i), i.e. зураг гарч ирэх өмнөх магадлалын (давтамж) бүтээгдэхүүн би-ангилал ба зургийн тархалтын нягтрал би- онцлог орон зай дахь анги. Үзүүлсэн ангиллын дүрмийг Bayesian гэж нэрлэдэг, учир нь Энэ нь магадлалын онолд мэдэгдэж буй Бэйсийн томъёоноос гардаг.

Жишээ. Дуу чимээнд өртөж буй мэдээллийн сувгийн гаралтын үед салангид дохиог таних шаардлагатай.

Оролтын дохио бүр 0 эсвэл 1-ийг илэрхийлдэг. Дохио дамжуулалтын үр дүнд сувгийн гаралт дээр утга гарч ирдэг. x, энэ нь тэг дундаж ба дисперстэй Гауссын шуугиантай давхардсан байна b.

Дохио танихыг гүйцэтгэдэг ангилагчийг нэгтгэхийн тулд бид Bayesian ангиллын дүрмийг ашиглана.

Бид нэгийг илэрхийлэх дохиог 1-р ангид, тэгийг төлөөлөх дохиог 2-р ангид нэгтгэнэ. Дунджаар 1000 дохио бүрд байдаг гэдгийг урьдчилан мэдэгдээрэй адохио нь нэгж ба бдохио - тэг. Дараа нь 1 ба 2-р ангиллын дохио (нэг ба тэг) гарч ирэх магадлалын утгыг тэнцүү авч болно.

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

Учир нь дуу чимээ нь Гаусс, өөрөөр хэлбэл. хэвийн (Гауссын) тархалтын хуулийг дагаж мөрддөг, дараа нь утгаас хамааран нэгдүгээр ангиллын зургийн тархалтын нягтрал. x, эсвэл, энэ нь ижил зүйл, гаралтын утгыг олж авах магадлал xоролтод 1 дохио өгөхөд илэрхийллээр тодорхойлогдоно

х(x¦1) =(2пиб) -1/2 exp(-() x-1) 2 /(2б 2)),

мөн утгаас хамааран тархалтын нягт xхоёрдугаар ангийн зургууд, өөрөөр хэлбэл. гаралтын утгыг олж авах магадлал xоролтод 0 дохио өгөхөд илэрхийллээр тодорхойлогдоно

х(x¦2)= (2pib) -1/2 exp(- x 2 /(2б 2)),

Байесийн шийдвэрийн дүрмийг хэрэглэснээр 2-р ангиллын дохиог дамжуулсан гэсэн дүгнэлтэд хүргэдэг, өөрөөр хэлбэл. null бол хэрэв дамжуулагдана

х(2) х(x¦2) > х(1) х(x¦1)

эсвэл, тодруулбал, хэрэв

б exp(- x 2 /(2б 2)) > а exp(-( x-1) 2 /(2б 2)),

Тэгш бус байдлын зүүн талыг баруун тийш хуваахад бид олж авна

(б/а) exp((1-2 x)/(2б 2)) >1,

Логарифмыг авсны дараа бид хаанаас олдог

1-2x> 2б 2 лн(а/б)

x< 0.5 - б 2 ln(a/b)

Үүссэн тэгш бус байдлаас харахад хэзээ a=b, өөрөөр хэлбэл 0 ба 1 дохио үүсэх магадлал тэнцүү байх үед зурагт 0 утгыг өгнө. x<0.5, а значение 1, когда x>0.5.

Хэрэв дохионы аль нэг нь илүү олон удаа, нөгөө нь бага гарч ирдэг гэдгийг урьдчилан мэдэж байгаа бол, i.e. тэгш бус утгуудын хувьд аТэгээд б, ангилагчийн хариу урвалын босго нь нэг чиглэлд шилжинэ.

Тийм үед а/б=2.71 (энэ нь нэгжийн дамжуулалтаас 2.71 дахин их байна) ба b 2 =0.1 байвал зурагт 0 утгыг өгнө. x<0.4, и значение 1, если x>0.4. Хэрэв өмнөх тархалтын магадлалын талаар мэдээлэл байхгүй бол Bayesian-аас бусад ангиллын дүрэмд үндэслэсэн статистик таних аргуудыг ашиглаж болно.

Гэсэн хэдий ч практик дээр Бэйсийн дүрэмд суурилсан аргууд нь илүү үр дүнтэй байдаг тул хамгийн түгээмэл байдаг бөгөөд ихэнх хэв маягийг таних асуудалд анги тус бүрийн зургуудын харагдах магадлалыг априори тогтоох боломжтой байдаг.

Хэв маягийг таних хэл шинжлэлийн аргууд.

Загварыг таних хэл шинжлэлийн аргууд нь тодорхой хэлний хэллэг, өгүүлбэр болох график эсвэл тэмдэгтийн гинжин хэлхээ хэлбэрээр үзүүлсэн идеалчилсан дүрсийн тайлбарт дүн шинжилгээ хийхэд суурилдаг.

Дээр дурдсан хэл шинжлэлийн танин мэдэхүйн эхний үе шатны үр дүнд олж авсан үсгүүдийн төгс дүрсийг авч үзье. Эдгээр хамгийн тохиромжтой зургуудыг дээр дурдсан жишээн дээр хийсэн шиг холболтын матриц хэлбэрээр үзүүлсэн графикуудын тайлбараар тодорхойлж болно. Үүнтэй ижил тайлбарыг албан ёсны хэллэг (илэрхийлэл) -ээр илэрхийлж болно.

Жишээ. Урьдчилсан зургийн боловсруулалтын үр дүнд олж авсан А үсгийн гурван зургийг өгье. Эдгээр зургуудыг A1, A2, A3 танигчаар тэмдэглэе.

Үзүүлсэн зургуудыг хэл шинжлэлийн хувьд тайлбарлахын тулд бид PDL (Picture Description Language) ашиглана. PDL толь бичигт дараах тэмдэгтүүд орно.

1. Хамгийн энгийн зургуудын нэрс (командууд). Хэлэлцэж буй хэрэгт хэрэглэснээр командууд болон тэдгээрийн холбогдох нэрс дараах байдалтай байна.

Зургийг чиглэсэн шугам хэлбэрээр:

дээш ба зүүн (le Ф t), хойд (хойд), дээш ба баруун тийш (баруун), зүүн).

Нэр: L, N, R, E.

2. Хоёртын үйлдлийн тэмдэгтүүд. (+,*,-) Тэдний утга нь командын дараалсан холболт (+), командын эхлэл ба төгсгөлийн холболт (*), зөвхөн командын төгсгөлийн холболт (-) -тай тохирч байна.

3. Баруун болон зүүн хаалт. ((,)) Хаалт нь илэрхийлэл дэх үйлдлүүдийн дарааллыг тодорхойлох боломжийг олгодог.

Харгалзан үзсэн A1, A2, A3 зургуудыг PDL хэл дээр дараах илэрхийллээр тус тус тайлбарлав.

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)

Зургийн хэл шинжлэлийн тайлбарыг хийсний дараа зарим таних процедурыг ашиглан энэ зураг нь бидний сонирхсон ангилалд (А үсэгний ангилал) хамаарах эсэхийг шинжлэх шаардлагатай. Энэ зураг ямар нэгэн бүтэцтэй эсэхээс үл хамаарна. Үүнийг хийхийн тулд юуны түрүүнд бидний сонирхдог бүтэцтэй зургийн ангиллыг тодорхойлох шаардлагатай.

Мэдээжийн хэрэг, А үсэг нь үргэлж дараахь бүтцийн элементүүдийг агуулдаг: зүүн хөл, баруун хөл, толгой. Эдгээр элементүүдийг STL, STR, TR гэж нэрлэе.

Дараа нь PDL хэлэнд A - SIMB A ангиллын тэмдэглэгээг илэрхийллээр дүрсэлсэн болно

SIMB A = STL + TR - STR

STL-ийн зүүн "хөл" нь үргэлж R ба N элементүүдийн гинж бөгөөд үүнийг ингэж бичиж болно

STL ‑> R ¦ N ¦ (STL + R)¦ (STL + N)

(STL нь R эсвэл N тэмдэгт эсвэл эх STL тэмдэгт мөрөнд R эсвэл N тэмдэгтүүдийг нэмснээр олж авсан тэмдэгт мөр юм)

STR-ийн баруун "хөл" нь үргэлж L ба N элементүүдийн гинж бөгөөд үүнийг ингэж бичиж болно, өөрөөр хэлбэл.

STR ‑> L¦N¦ (STR + L)¦(STR + N)

Үсгийн толгой хэсэг - TR нь E элемент ба STL, STR зэрэг гинжээс бүрдсэн хаалттай контур юм.

PDL-д TR бүтцийг илэрхийллээр дүрсэлсэн байдаг

TR ‑> (STL - STR) * E

Эцэст нь бид А үсгийн ангийн дараах тайлбарыг авна.

SIMB A ‑> (STL + TR - STR),

STL ‑> R¦N¦ (STL + R)¦(STL + N)

STR ‑> L¦N¦ (STR + L)¦(STR + N)

TR ‑> (STL - STR) * E

Энэ тохиолдолд хүлээн зөвшөөрөх журмыг дараах байдлаар хэрэгжүүлж болно.

1. Зурагт харгалзах илэрхийлэлийг STL + TR - STR лавлах бүтэцтэй харьцуулна.

2. Боломжтой бол бүтцийн элемент бүр STL, TR, STR, i.e. хэрэв зургийн тайлбарыг стандарттай харьцуулах боломжтой бол T(A) илэрхийллийн зарим дэд илэрхийлэл таарч байна. Жишээлбэл,

A1-д: STL=R, STR=L, TR=(R-(L+N))*E

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

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

STL, STR, TR илэрхийлэлүүдийг тэдгээрийн харгалзах лавлагааны бүтэцтэй харьцуулсан болно.

4. Хэрэв STL, STR, TR илэрхийлэл бүрийн бүтэц нь стандарттай тохирч байвал тухайн дүрс нь А үсгийн ангилалд хамаарна гэсэн дүгнэлт гаргана. 2, 3, 4-р үе шатуудын аль нэгэнд нь шинжилж буй бүтцийн хооронд зөрүү гарсан бол илэрхийлэл ба стандарт илэрсэн үед зураг нь SIMB ангиллын А-д хамаарахгүй гэсэн дүгнэлтэд хүрсэн. Илэрхийллийн бүтцийг LISP, PLANER, PROLOG алгоритмын хэл болон бусад ижил төстэй хиймэл оюун ухааны хэлүүдийг ашиглан харьцуулах боломжтой.

Харж буй жишээн дээр бүх STL гинж нь N ба R тэмдэгтүүдээс бүрдэх ба STR гинж нь L ба N тэмдэгтүүдээс бүрдэх бөгөөд энэ нь эдгээр хэлхээний өгөгдсөн бүтэцтэй тохирч байна. Харж буй зургууд дахь TR-ийн бүтэц нь лавлагаатай тохирч байгаа тул E тэмдгээр "үржүүлсэн" STL, STR зэрэг гинжний "ялгаа"-аас бүрдэнэ.

Тиймээс бид авч үзэж буй зургууд нь тухайн ангилалд хамаарах гэсэн дүгнэлтэд хүрч байна SIMBА.

Тогтмол гүйдлийн цахилгаан хөтөчийн бүдэг хянагчийн синтезMatLab орчинд

Нэг оролт гаралттай бүдэг бадаг хянагчийн нийлэгжилт.

Асуудал нь хөтчийг янз бүрийн оролтын дохиог үнэн зөв дагахад оршино. Хяналтын үйлдлийг боловсруулах нь бүдэг бадаг хянагчаар хийгддэг бөгөөд үүнд дараахь функциональ блокуудыг бүтцийн хувьд ялгах боломжтой: бүдэгрүүлэгч, дүрмийн блок, бүдгэрүүлэгч.

Зураг.4 Хэл шинжлэлийн хоёр хувьсагчтай системийн ерөнхий функциональ диаграмм.

Зураг.5 Хэл шинжлэлийн хоёр хувьсагчтай бүдэг бадаг хянагчийн бүдүүвч диаграм.

Ерөнхий тохиолдолд тодорхой бус удирдлагын алгоритм нь тодорхой бус хянагчийн оролтын хувьсагчдыг дараах харилцан уялдаатай процедурыг ашиглан гаралтын хувьсагч болгон хувиргах явдал юм.

1. хяналтын объектоос хэмжих мэдрэгчээс хүлээн авсан оролтын физик хувьсагчдыг бүдэг хянагчийн оролтын хэл шинжлэлийн хувьсагч болгон хувиргах;

2. хянагчийн оролтын болон гаралтын хэл шинжлэлийн хувьсагчтай холбоотой хэлний дүрэм гэж нэрлэгддэг логик мэдэгдлүүдийг боловсруулах;

3. тодорхой бус хянагчийн гаралтын хэл шинжлэлийн хувьсагчдыг физик хяналтын хувьсагч болгон хувиргах.

Эхлээд серво хөтөчийг удирдахын тулд зөвхөн хоёр хэл шинжлэлийн хувьсагчийг нэвтрүүлсэн хамгийн энгийн тохиолдлыг авч үзье.

"өнцөг" нь оролтын хувьсагч юм;

"Хяналтын үйлдэл" нь гаралтын хувьсагч юм.

Бид Fuzzy Logic хэрэгслийн хайрцгийг ашиглан MatLab орчинд хянагчийг нэгтгэх болно. Энэ нь MatLab орчинд бүдэг бадаг дүгнэлт, бүдэг ангиллын системийг бий болгож, Simulink-д нэгтгэх боломжийг олгодог. Fuzzy Logic Toolbox-ийн үндсэн ойлголт нь FIS бүтэц - Fuzzy Inference System юм. FIS бүтэц нь зурагт үзүүлсэн диаграммын дагуу бүдэг логик дүгнэлтэд суурилсан "оролт-гаралт" функциональ зураглалыг хэрэгжүүлэхэд шаардлагатай бүх өгөгдлийг агуулдаг. 6.

Зураг 6. Тодорхой бус дүгнэлт.

X - тод вектор оруулах; - оролтын вектор Х-д тохирох бүдэг олонлогийн вектор;
- тодорхой бус олонлогийн вектор хэлбэрийн логик дүгнэлтийн үр дүн - гаралтын тодорхой вектор;

Бүдэг модуль нь Мамадани ба Сугено гэсэн хоёр төрлийн бүдэг бадаг системийг бүтээх боломжийг олгодог. Мамадани гэх мэт системүүдийн мэдлэгийн бааз нь хэлбэрийн дүрмээс бүрддэг "Х 1 = бага, x 2 = дунд бол у = өндөр". Sugeno төрлийн системд мэдлэгийн бааз нь хэлбэрийн дүрмээс бүрддэг "Хэрэв x 1 = бага, x 2 = дунд бол у = a 0 +a 1 x 1 +a 2 x 2". Тиймээс Мамадани ба Сугено системүүдийн гол ялгаа нь мэдлэгийн баазыг бүрдүүлдэг дүрмүүдэд гаралтын хувьсагчийн утгыг тодорхойлох янз бүрийн арга замд оршдог. Мамдани төрлийн системд гаралтын хувьсагчийн утгыг бүдэг томъёогоор, Sugeno төрлийн системд оролтын хувьсагчдын шугаман хослолоор тодорхойлдог. Манай тохиолдолд бид Sugeno системийг ашиглах болно, учир нь Энэ нь оновчтой болгоход илүү тохиромжтой.

Серво хөтөчийг удирдахын тулд "алдаа" (байрлалаар) ба "хяналтын үйлдэл" гэсэн хоёр хэл шинжлэлийн хувьсагчийг нэвтрүүлсэн. Тэдний эхнийх нь оролт, хоёр дахь нь гаралт юм. Заасан хувьсагчийн багц нэр томъёог тодорхойлъё.

Тодорхой бус логик дүгнэлтийн үндсэн бүрэлдэхүүн хэсгүүд. Бүдэгрүүлэгч.

Хэл шинжлэлийн хувьсагч бүрийн хувьд бид сөрөг өндөр, сөрөг бага, тэг, эерэг бага, эерэг өндөр гэсэн тодорхойлогддог бүдэг бадаг олонлогуудыг багтаасан хэлбэрийн үндсэн нэр томъёог тодорхойлдог.

Юуны өмнө харгалзах бүдэг олонлогийн гишүүнчлэлийн функцийг тодорхойлохдоо "том алдаа", "жижиг алдаа" гэх мэт нэр томъёо нь юу гэсэн үг болохыг субъектив байдлаар тодорхойлъё. Энд одоохондоо та зөвхөн шаардлагатай нарийвчлал, оролтын дохионы ангиллын мэдэгдэж буй параметрүүд, нийтлэг ойлголтоор удирдаж болно. Гишүүнчлэлийн функцүүдийн параметрүүдийг сонгох хатуу алгоритмыг хэн ч санал болгож чадаагүй байна. Манай тохиолдолд "алдаа" хэл шинжлэлийн хувьсагч иймэрхүү харагдах болно.

Зураг 7. Хэл шинжлэлийн хувьсагч "алдаа".

"Хяналт" гэсэн хэл шинжлэлийн хувьсагчийг хүснэгт хэлбэрээр үзүүлэх нь илүү тохиромжтой.

Хүснэгт 1

Дүрмийн блок.

Зарим нөхцөл байдлыг тодорхойлсон хэд хэдэн дүрмийг тодорхойлох дарааллыг авч үзье.

Жишээлбэл, гаралтын өнцөг нь оролтын дохиотой тэнцүү байна гэж бодъё (өөрөөр хэлбэл алдаа нь тэг). Мэдээжийн хэрэг, энэ бол хүссэн нөхцөл байдал, тиймээс бид юу ч хийх шаардлагагүй (хяналтын үйлдэл нь тэг).

Одоо өөр нэг тохиолдлыг авч үзье: байрлалын алдаа нь тэгээс хамаагүй их байна. Мэдээжийн хэрэг, бид их хэмжээний эерэг хяналтын дохио үүсгэх замаар үүнийг нөхөх ёстой.

Тэр. дараах байдлаар албан ёсоор тодорхойлж болох хоёр дүрмийг боловсруулсан болно.

Хэрэвалдаа = null, Тэрхяналтын үйлдэл = тэг.

Хэрэвалдаа = том эерэг, Тэрхяналтын нөлөө = том эерэг.

Зураг 8. Байршилд бага зэргийн эерэг алдаатай хяналтыг бий болгох.

Зураг 9. Тэг байрлалын алдаатай хяналтыг бүрдүүлэх.

Доорх хүснэгтэд энэ энгийн тохиолдлын бүх нөхцөл байдалд тохирсон бүх дүрмийг харуулав.

хүснэгт 2

Нийтдээ n оролт, 1 гаралттай бүдэг бадаг хянагчийн хувьд хяналтын дүрмийг тодорхойлж болох ба i-р оролтод зориулсан бүдэг олонлогийн тоо хаана байна, гэхдээ хянагч хэвийн ажиллахын тулд боломжтой бүх зүйлийг ашиглах шаардлагагүй. дүрэм, гэхдээ та тэдгээрийн цөөхөн нь байж болно. Манай тохиолдолд тодорхой бус удирдлагын дохиог үүсгэхийн тулд бүх 5 боломжит дүрмийг ашигладаг.

Гэмтүүлэгч.

Иймээс үүсэх нөлөөлөл U тодорхой дүрмийн биелэлтийн дагуу тодорхойлогдоно. Хэрэв хэд хэдэн дүрмийг нэгэн зэрэг гүйцэтгэх үед нөхцөл байдал үүсвэл U үр нөлөөг дараах хамаарлын дагуу олно.

, энд n нь өдөөгдсөн дүрмийн тоо (бүс нутгийн төвийн аргаар бүдгэрүүлэх), у н– тодорхой бус олонлог тус бүрт тохирох хяналтын дохионы физик утга UBO, UMo, УЗ, UMp, УБП. мUn(u)– удирдлагын дохио u харгалзах бүдэг олонлогт хамаарах зэрэг Un=( UBO, UMo, УЗ, UMp, УБП). Гаралтын хэл шинжлэлийн хувьсагч нь "хамгийн хүчтэй" эсвэл "хамгийн сул" дүрэмтэй пропорциональ байдаг бусад бүдгэрүүлэх аргууд байдаг.

Дээр тайлбарласан бүдэг хянагч ашиглан цахилгаан хөтөчийг удирдах үйл явцыг загварчилж үзье.

10-р зураг. Хүрээлэн буй орчин дахь системийн блок диаграммMatlab.

11-р зураг. Хүрээлэн буй орчны бүдэг бадаг хянагчийн блок диаграммMatlab.

12-р зураг. Нэг алхам үйл ажиллагааны дор түр зуурын үйл явц.

Цагаан будаа. 13. Нэг оролтын хэл шинжлэлийн хувьсагч агуулсан бүдэг бадаг хянагчтай загварт зориулсан гармоник оролтын үйл ажиллагаатай түр зуурын процесс.

Синтезжүүлсэн хяналтын алгоритм бүхий хөтчийн шинж чанаруудын дүн шинжилгээ нь тэдгээр нь оновчтой биш бөгөөд бусад аргаар удирдлагыг нэгтгэхээс илүү муу байгааг харуулж байна (хяналтын хугацаа нь нэг алхамын үйлдэл хийхэд хэтэрхий урт, алдаа нь гармоник). Энэ нь гишүүнчлэлийн функцүүдийн параметрүүдийг дур зоргоороо сонгосон, зөвхөн байрлалын алдааны утгыг хянагчийн оролт болгон ашигласантай холбон тайлбарлаж байна. Мэдээжийн хэрэг, үүссэн зохицуулагчийн оновчтой байдлын талаар ярих боломжгүй юм. Тиймээс хяналтын чанарын хамгийн өндөр үзүүлэлтэд хүрэхийн тулд бүдэг хянагчийг оновчтой болгох ажил чухал болж байна. Тэдгээр. Даалгавар нь f(a 1 ,a 2 …a n) зорилгын функцийг оновчтой болгох явдал бөгөөд a 1 ,a 2 …a n нь бүдэг хянагчийн төрөл, шинж чанарыг тодорхойлдог коэффициентүүд юм. Тодорхой бус хянагчийг оновчтой болгохын тулд бид Matlab орчноос ANFIS блокыг ашиглана. Мөн хянагчийн шинж чанарыг сайжруулах арга замуудын нэг нь түүний оролтын тоог нэмэгдүүлэх явдал байж болно. Энэ нь зохицуулагчийг илүү уян хатан болгож, гүйцэтгэлийг сайжруулах болно. Оролтын дохионы өөрчлөлтийн хурд (түүний дериватив) гэсэн өөр нэг оролтын хэл шинжлэлийн хувьсагчийг нэмье. Тэр хэрээр журмын тоо нэмэгдэнэ. Дараа нь зохицуулагчийн хэлхээний диаграмм нь дараах хэлбэртэй болно.

Зураг 14 Хэл шинжлэлийн гурван хувьсагчтай бүдэг бадаг хянагчийн бүдүүвч диаграмм.

Оролтын дохионы хурдны утга гэж үзье. Бид Tn олонлогийн үндсэн нэр томъёог дараах байдлаар тодорхойлдог.

Tn=("сөрөг (BO)", "тэг (Z)", "эерэг (АД)").

Бүх хэл шинжлэлийн хувьсагчийн гишүүнчлэлийн функцүүдийн байршлыг зурагт үзүүлэв.

15-р зураг. Хэл шинжлэлийн "алдаа" хувьсагчийн гишүүнчлэлийн функцууд.

16-р зураг. "Оролтын дохионы хурд" хэл шинжлэлийн хувьсагчийн гишүүнчлэлийн функцууд.

Хэл шинжлэлийн нэг хувьсагч нэмэгдсэнээр дүрмийн тоо 3х5=15 болж өснө. Тэдний эмхэтгэлийн зарчим нь дээр дурдсантай бүрэн төстэй юм. Эдгээрийг бүгдийг нь дараах хүснэгтэд үзүүлэв.

Хүснэгт 3

Жишээлбэл, хэрэв Хэрэвалдаа = тэг ба оролтын дохионы дериватив = том эерэг, Тэрхяналтын нөлөө = бага сөрөг.

17-р зураг. Хэл шинжлэлийн гурван хувьсагчийн дор хяналтыг бий болгох.

Оролтын тоо нэмэгдэж, үүний дагуу дүрмүүд нь бүрхэг хянагчийн бүтэц илүү төвөгтэй болно.

18-р зураг. Хоёр оролттой бүдэг бадаг хянагчийн блок диаграмм.

Зураг нэмнэ үү

Зураг 20. Оролтын хэл шинжлэлийн хоёр хувьсагчийг агуулсан бүдэг хянагчтай загварт зориулсан гармоник оролтын үйлдлээр түр зуурын процесс.

Цагаан будаа. 21. Оролтын хэл шинжлэлийн хоёр хувьсагч агуулсан бүдэг хянагчтай загварын гармоник оролтын үйл ажиллагааны дор гарсан алдааны дохио.

Matlab орчинд хоёр оролттой бүдэг бадаг хянагчийн ажиллагааг дуурайж үзье. Загварын блок диаграмм нь Зураг дээрхтэй яг ижил байх болно. 19. Гармоник оролтын эффектийн түр зуурын процессын графикаас харахад системийн нарийвчлал мэдэгдэхүйц нэмэгдсэн боловч үүний зэрэгцээ түүний хэлбэлзэл, ялангуяа гаралтын координатын дериватив хандлагатай байгаа газруудад нэмэгдсэн байна. тэг хүртэл. Мэдээжийн хэрэг, үүний шалтгаан нь дээр дурьдсанчлан, оролтын болон гаралтын хэл шинжлэлийн хувьсагчийн гишүүнчлэлийн функцийн параметрүүдийн оновчтой бус сонголт юм. Тиймээс бид Matlab орчинд ANFISedit блок ашиглан бүдэг бадаг хянагчийг оновчтой болгодог.

Тодорхой бус хянагчийг оновчтой болгох.

Тодорхой бус хянагчийг оновчтой болгохын тулд генетикийн алгоритмуудыг ашиглах талаар авч үзье. Генетик алгоритмууд нь функциональ оновчлолын асуудлыг шийдвэрлэхэд сүүлийн үед ихэвчлэн ашиглагддаг дасан зохицох хайлтын аргууд юм. Эдгээр нь биологийн организмын генетикийн үйл явцтай ижил төстэй байдалд суурилдаг: биологийн популяци нь байгалийн шалгарлын хуулийг дагаж, Чарльз Дарвины нээсэн "хамгийн сайн нь амьд үлдэх" зарчмын дагуу хэд хэдэн үе дамждаг. Энэ үйл явцыг дуурайснаар генетикийн алгоритмууд нь зөв кодлогдсон тохиолдолд бодит ертөнцийн асуудлуудын шийдлүүдийг "хөгжүүлж" чаддаг.

Генетикийн алгоритмууд нь тухайн асуудлын боломжит шийдлийг илэрхийлдэг "хувь хүн" буюу популяцийн цуглуулгатай ажилладаг. Хувь хүн бүрийг "дасан зохицох чадварын" хэмжигдэхүүнээр үнэлдэг бөгөөд түүнд тохирсон асуудлын шийдэл хэр "сайн" байна. Чадварлаг хүмүүс популяцийн бусад бодгальтай "эрлийзжүүлэх" замаар үр удмаа "үржих" боломжтой. Энэ нь эцэг эхээсээ өвлөн авсан зарим шинж чанаруудыг нэгтгэсэн шинэ хүмүүс гарч ирэхэд хүргэдэг. Чадвар багатай хүмүүс үржих магадлал бага байдаг тул тэдний эзэмшсэн ямар ч шинж чанар нь популяциас аажмаар алга болно.

Боломжит шийдлүүдийн шинэ популяцийг ингэж үржүүлж, өмнөх үеийн шилдэг төлөөлөгчдийг сонгож, тэдгээрийг гаталж, олон шинэ хүмүүсийг олж авдаг. Энэ шинэ үе нь өмнөх үеийн сайн гишүүдийн эзэмшсэн шинж чанаруудаас илүү өндөр харьцаатай байдаг. Ийнхүү үеэс үед сайн шинж чанарууд нь хүн амын дунд тархсан. Эцсийн эцэст хүн ам асуудлыг шийдэх оновчтой шийдэлд нэгдэх болно.

Биологийн хувьслын санааг генетикийн алгоритмын хүрээнд хэрэгжүүлэх олон арга бий. Уламжлалт, 22-р зурагт үзүүлсэн дараах блок диаграмаар дүрсэлж болно.

1. Анхдагч популяцийг эхлүүлэх - оновчлолын процесс эхэлдэг асуудлын өгөгдсөн тооны шийдлүүдийг бий болгох;

2. Кроссовер болон мутацийн операторуудын хэрэглээ;

3. Зогсоох нөхцөл - ихэвчлэн оновчлолын үйл явц нь тухайн асуудлын шийдлийг өгөгдсөн нарийвчлалтай олох хүртэл эсвэл процесс нэгдэхийг тодорхойлох хүртэл үргэлжилдэг (жишээ нь, асуудлын шийдэл сүүлийн N үеийн туршид сайжрахгүй).

Matlab орчинд генетикийн алгоритмууд нь тусдаа хэрэгслийн хайрцаг, мөн ANFIS багцаар илэрхийлэгддэг. ANFIS нь Adaptive-Network-Based Fuzzy Inference System - adaptive fuzzy inference network гэсэн үгийн товчлол юм. ANFIS бол эрлийз мэдрэлийн бүдэг бадаг сүлжээний анхны хувилбаруудын нэг бөгөөд тусгай төрлийн дамжуулагч мэдрэлийн сүлжээ юм. Мэдрэлийн тодорхой бус сүлжээний архитектур нь бүдэг баазтай изоморф юм. Мэдрэлийн бүдэг бадаг сүлжээнүүд нь гурвалжин хэм хэмжээ (үржүүлэх ба магадлалын OR) -ын ялгах боломжтой хэрэгжилт, түүнчлэн жигд гишүүнчлэлийн функцуудыг ашигладаг. Энэ нь мэдрэлийн сүлжээг бий болгохын тулд буцаж тархах аргад суурилсан мэдрэлийн сүлжээг сургахад хурдан бөгөөд генетик алгоритмуудыг ашиглах боломжийг олгодог. ANFIS сүлжээний давхарга бүрийн бүтэц, үйлдлийн дүрмийг доор тайлбарлав.

ANFIS нь Sugeno тодорхой бус дүгнэлтийн системийг таван давхаргат дамжуулагч мэдрэлийн сүлжээ болгон хэрэгжүүлдэг. Давхаргын зорилго нь дараах байдалтай байна: эхний давхарга нь оролтын хувьсагчдын нэр томъёо; хоёр дахь давхарга - тодорхойгүй дүрмийн өмнөх (байр); гурав дахь давхарга нь дүрэмд нийцсэн түвшинг хэвийн болгох; дөрөв дэх давхарга нь дүрмийн дүгнэлт; тав дахь давхарга нь янз бүрийн дүрмийн дагуу олж авсан үр дүнг нэгтгэх явдал юм.

Сүлжээний оролтыг тусдаа давхаргад хуваарилдаггүй. Зураг 23-т нэг оролтын хувьсагч (“алдаа”) болон таван бүдэг дүрэмтэй ANFIS сүлжээг үзүүлэв. Оролтын "алдаа" хувьсагчийн хэл шинжлэлийн үнэлгээний хувьд 5 нэр томъёог ашигладаг.

Зураг.23. БүтэцANFIS- сүлжээнүүд

Цаашид танилцуулахад шаардлагатай дараах тэмдэглэгээг танилцуулъя.

Сүлжээний оролтууд байг;

y - сүлжээний гаралт;

r дарааллын дугаар бүхий тодорхой бус дүрэм;

m - дүрмийн тоо;

r-р дүрмийн хувьсагчийн хэл шинжлэлийн үнэлгээнд ашигладаг гишүүнчлэлийн функцтэй бүдэг нэр томъёо (,);

r-р дүрмийн дүгнэлт дэх бодит тоонууд (,).

ANFIS сүлжээ нь дараах байдлаар ажилладаг.

1-р давхарга.Эхний давхаргын зангилаа бүр нь хонх хэлбэртэй гишүүнчлэлийн функцтэй нэг нэр томъёог илэрхийлдэг. Сүлжээний оролтууд нь зөвхөн нөхцлөөр нь холбогддог. Эхний давхарга дахь зангилааны тоо нь оролтын хувьсагчийн нэр томъёоны үндсэн байдлын нийлбэртэй тэнцүү байна. Зангилааны гаралт нь оролтын хувьсагчийн утга харгалзах тодорхой бус нэр томъёонд хамаарах зэрэг юм.

,

a, b ба c нь гишүүнчлэлийн функцийн тохируулж болох параметрүүд юм.

Давхарга 2.Хоёр дахь давхаргын зангилааны тоо m байна. Энэ давхаргын зангилаа бүр нэг бүдэг дүрэмтэй тохирч байна. Хоёрдахь давхаргын зангилаа нь холбогдох дүрмийн өмнөх үеийг бүрдүүлдэг эхний давхаргын зангилаатай холбогддог. Тиймээс хоёр дахь давхаргын зангилаа бүр 1-ээс n хүртэлх оролтын дохиог хүлээн авах боломжтой. Зангилааны гаралт нь дүрмийн биелэлтийн зэрэг бөгөөд үүнийг оролтын дохионы үржвэрээр тооцдог. Энэ давхаргын зангилааны гаралтыг , гэж тэмдэглэе.

Давхарга 3.Гурав дахь давхаргын зангилааны тоо бас м байна. Энэ давхаргын зангилаа бүр тодорхой бус дүрмийн биелэлтийн харьцангуй түвшинг тооцдог.

4-р давхарга.Дөрөв дэх давхаргын зангилааны тоо бас м байна. Зангилаа бүр нь гурав дахь давхаргын нэг зангилаа болон бүх сүлжээний оролттой холбогдсон байна (оролттой холболтыг 18-р зурагт үзүүлээгүй). Дөрөв дэх давхаргын зангилаа нь сүлжээний гаралтад нэг бүдэг дүрмийн оруулсан хувь нэмрийг тооцдог.

Давхарга 5.Энэ давхаргын нэг зангилаа нь бүх дүрмийн оруулсан хувь нэмрийг нэгтгэн харуулна:

.

Мэдрэлийн сүлжээг сургах ердийн процедурыг ANFIS сүлжээ нь зөвхөн ялгах функцийг ашигладаг тул тохируулахад ашиглаж болно. Ихэвчлэн буцах тархалт ба хамгийн бага квадрат хэлбэрээр градиент уналтын хослолыг ашигладаг. Буцааж тархах алгоритм нь дүрмийн өмнөх хүчин зүйлсийн параметрүүдийг тохируулдаг, i.e. гишүүнчлэлийн функцууд. Дүрмийн дүгнэлтийн коэффициентүүд нь сүлжээний гаралттай шугаман хамааралтай байдаг тул хамгийн бага квадратын аргыг ашиглан тооцдог. Тохируулах процедурын давталт бүрийг хоёр үе шаттайгаар гүйцэтгэдэг. Эхний шатанд сургалтын дээжийг оролтод нийлүүлж, сүлжээний хүссэн болон бодит үйл ажиллагааны хоорондын зөрүү дээр үндэслэн давталтын хамгийн бага квадратын аргыг ашиглан дөрөв дэх давхаргын зангилааны оновчтой параметрүүдийг олдог. Хоёр дахь шатанд үлдэгдэл үлдэгдэл нь сүлжээний гаралтаас оролт руу шилжиж, эхний давхаргын зангилааны параметрүүдийг буцаах аргыг ашиглан өөрчилдөг. Энэ тохиолдолд эхний шатанд олдсон дүрмийн дүгнэлтийн коэффициентүүд өөрчлөгдөхгүй. Давталтын тааруулах процедур нь зөрүү нь урьдчилан тогтоосон утгаас хэтрэх хүртэл үргэлжилнэ. Гишүүнчлэлийн функцийг тохируулахын тулд буцаан тархалтын аргаас гадна бусад оновчлолын алгоритмуудыг, жишээлбэл, Левенберг-Марквартын аргыг ашиглаж болно.

Зураг.24. ANFISedit ажлын талбар.

Одоо нэг алхам үйлдэл хийхэд бүдэг хянагчийг оновчтой болгохыг хичээцгээе. Хүссэн түр зуурын процесс нь ойролцоогоор дараах хэлбэртэй байна.

Зураг.25. Хүссэн шилжилтийн үйл явц.

Зурагт үзүүлсэн графикаас. Үүнээс үзэхэд хөдөлгүүр нь хамгийн их гүйцэтгэлийг хангахын тулд ихэнх тохиолдолд бүрэн хүчин чадлаараа ажиллах ёстой бөгөөд хүссэн утгад ойртох үед жигд тоормослох ёстой. Эдгээр энгийн аргументуудыг удирдлага болгон бид доорх хүснэгт хэлбэрээр үзүүлсэн утгуудын жишээг сургалтын жишээ болгон авна.

Хүснэгт 4

Зураг.26. Сургалтын дээжийн төрөл.

Бид 100 алхамаар сургалт явуулна. Энэ нь ашигласан аргыг нэгтгэхэд хангалттай юм.

Зураг.27. Мэдрэлийн сүлжээг сургах үйл явц.

Сургалтын явцад гишүүнчлэлийн функцүүдийн параметрүүд нь өгөгдсөн алдааны утгын хувьд хянагч шаардлагатай хяналтыг бий болгох байдлаар үүсдэг. Зангилааны цэгүүдийн хоорондох хэсэгт алдааны хяналтын хамаарал нь хүснэгтийн өгөгдлийн интерполяци юм. Интерполяцийн арга нь мэдрэлийн сүлжээг хэрхэн сургахаас хамаарна. Үнэн хэрэгтээ, сургалтын дараа бүдэг хянагчийн загварыг нэг хувьсагчийн шугаман бус функцээр дүрсэлж болох бөгөөд графикийг доор үзүүлэв.

Зураг.28. Хянагч доторх удирдлагын байрлалын алдааны график.

Гишүүнчлэлийн функцүүдийн олсон параметрүүдийг хадгалсны дараа бид системийг оновчтой бүдэг хянагчаар дуурайлган хийдэг.

Цагаан будаа. 29. Нэг оролтын хэл шинжлэлийн хувьсагч агуулсан оновчтой бүдэг бадаг хянагчтай загварт зориулсан гармоник оролтын үйлдлээр түр зуурын процесс.

Зураг.30. Оролтын хэл шинжлэлийн хоёр хувьсагчийг агуулсан бүдэг хянагчтай загварын гармоник оролтын үйл ажиллагааны дор гарсан алдааны дохио.

Графикаас харахад мэдрэлийн сүлжээний сургалтыг ашиглан бүдэг хянагчийг оновчтой болгох нь амжилттай болсон. Алдааны хувьсах чанар, хэмжээ мэдэгдэхүйц багассан. Тиймээс, үйл ажиллагааны зарчим нь бүдэг логик дээр суурилдаг зохицуулагчдыг оновчтой болгоход мэдрэлийн сүлжээг ашиглах нь нэлээд үндэслэлтэй юм. Гэсэн хэдий ч оновчтой хянагч ч гэсэн нарийвчлалын шаардлагыг хангаж чадахгүй тул бүдэг хянагч нь объектыг шууд удирддаггүй боловч одоогийн нөхцөл байдлаас шалтгаалан хэд хэдэн хяналтын хуулийг хослуулсан тохиолдолд хяналтын өөр аргыг авч үзэх нь зүйтэй.

Урам зориг

Логик хандлага

Тэмдэглэл

Магадлалын хандлага

Энэ илэрхийлэлийг үндэслэл, үр дагавар гэж тайлбарлаж болох боловч үндэслэлээс үр дагавар руу шилжих нь логик биш харин магадлалын хуулиудад захирагдах болно. Тэдгээр. Ангид 0 ба 1 гэсэн логикийн утгатай үнэний хүснэгтийн оронд 0-ээс 1 хүртэлх магадлалын утгууд байх болно. Bayes-ийн томъёог ашиглаад дараах илэрхийллийг авна уу.

Энэ илэрхийллийн баруун талыг илүү нарийвчлан авч үзье. Үржүүлэгчийг өмнөх магадлал гэж нэрлэдэг бөгөөд боломжит бүх алимны дундаас амттай алим олох магадлалыг хэлнэ. Амтгүй алимтай тулгарах магадлал априори байдаг. Энэ магадлал нь байгальд амттай, тааламжгүй алим хэрхэн тархдаг талаарх бидний хувийн мэдлэгийг илэрхийлж магадгүй юм. Жишээлбэл, бүх алимны 80% нь амттай байдаг гэдгийг бид өнгөрсөн туршлагаасаа мэддэг. Эсвэл бид жагсаалтад байгаа амтат алимны эзлэх хувийг түүхэн өгөгдөл S-ээр тооцоолсноор л энэ утгыг тооцоолж болно. Дараагийн хүчин зүйл нь 1-р ангиллын алимны тодорхой өнгө, хэмжээтэй утгыг олж авах магадлал хэр байгааг харуулдаг. Энэ илэрхийллийг мөн нэрлэдэг. магадлалын функц нь дараах байдлаар харагдаж болно: зарим тодорхой тархалт, жишээлбэл, хэвийн. Хүссэн магадлал нь 0-ээс 1 хүртэл хэлбэлзэхийн тулд бид хуваагчийг хэвийн болгох тогтмол болгон ашигладаг. Бидний эцсийн зорилго бол магадлалыг хайх биш, харин шууд ангиллыг өгөх шийдвэрлэх дүрмийг хайх явдал юм. Шийдвэрлэх дүрмийн эцсийн хэлбэр нь бидэнд ямар үнэ цэнэ, параметрүүдийг мэддэг байхаас хамаарна. Жишээлбэл, бид зөвхөн өмнөх магадлалын утгыг мэдэх боломжтой бөгөөд үлдсэн утгыг тооцоолох боломжгүй юм. Дараа нь шийдвэрлэх дүрэм нь энэ байх болно - бүх алимыг априори магадлал хамгийн их байгаа ангийн утгыг онооно. Тэдгээр. Хэрэв бид байгаль дээрх алимны 80% нь амттай гэдгийг мэддэг бол алим бүрт 1-ийн ангиллыг өгдөг. Тэгвэл бидний алдаа 20% болно. Хэрэв бид $p(X=x_m | Y=1)$ магадлалын функцийн утгыг мөн үнэлж чадвал дээр бичсэнчлэн Bayes томъёог ашиглан хүссэн магадлалын утгыг олох боломжтой. Энд шийдвэрлэх дүрэм нь дараах байх болно: магадлал хамгийн их байх ангид шошго тавь.

Энэ дүрмийг Bayesian ангилагч гэж нэрлэе. Бид магадлалын асуудлыг шийдэж байгаа тул магадлалын том утга ч алим 0-р ангилалд хамаарахгүй гэсэн баталгаа өгөхгүй. Алим дээрх алдааны магадлалыг дараах байдлаар тооцоолъё: хэрэв шийдвэрийн дүрмээр 1-тэй тэнцүү ангиллын утгыг буцаасан бол , дараа нь алдаа гарах магадлал нь эсрэгээр:

Ангилагчийн алдаа гарах магадлалыг бид зөвхөн энэ жишээнд төдийгүй бүх боломжит алимны хувьд сонирхож байна.

Энэ илэрхийлэл нь алдааны хүлээгдэж буй утга юм. Тиймээс анхны асуудлыг шийдэж, бид Bayesian ангилагч дээр ирсэн боловч түүний сул тал юу вэ? Гол асуудал бол өгөгдлөөс нөхцөлт магадлалыг тооцох явдал юм. Манай тохиолдолд бид өнгө, хэмжээ гэсэн хос тоо бүхий объектыг төлөөлдөг боловч илүү төвөгтэй асуудлуудын хувьд шинж чанаруудын хэмжээ хэд дахин их байх ба түүхэн өгөгдөл бүхий жагсаалтаас авсан ажиглалтын тоо нь үүнийг тооцоолоход хангалтгүй байж магадгүй юм. олон хэмжээст санамсаргүй хэмжигдэхүүний магадлал. Дараа нь бид ангилагчийн алдааны тухай ойлголтоо ерөнхийд нь авч үзэхээс гадна асуудлыг шийдэхийн тулд өөр ангилагчийг сонгох боломжтой эсэхийг харах болно.

Ангилагчийн алдааны алдагдал

Нөхцөлт ба Байезийн эрсдэл

Манай тохиолдолд хоёртын ангиллын хувьд дараах байдалтай байна.

Дээр бид хамгийн их магадлалын утгатай объектыг ангилах шийдвэрийн дүрмийг тайлбарласан болно. бид танилцуулсан. Энэ нь Байезийн ангилагч хамгийн бага ангиллын алдаатай байна гэсэн үг.

Зарим ердийн алдагдлын функцууд

Дараа нь a(x) = 1-ийн нөхцөлт эрсдэл нь тухайн объект дээр 0 анги авах магадлалын утга болно.

Үүнтэй адилаар a(x) = 0:

1-0 алдагдлын функц нь ангилагч объект дээр алдаа гаргавал 1, алдаагүй бол 0 утгыг авна. Одоо алдааны утга нь 1-тэй тэнцүү биш, харин шийдвэрийн дүрэм болон жинхэнэ ангийн шошгооос хамааран өөр Q функцтэй тэнцүү эсэхийг шалгацгаая.

Дараа нь нөхцөлт эрсдлийг дараах байдлаар бичиж болно.

Тэмдэглэгээний талаархи тэмдэглэл

Үл мэдэгдэх хамаарлыг ойртуулахыг оролдож буй функц хаана байна вэ, бидний функцийн бодит утга ба утгын алдагдлын функц хаана байна. Энэ тэмдэглэгээ нь дараагийн ойлголт болох эмпирик эрсдэлийг нэвтрүүлэхийн тулд илүү тодорхой юм.

Эмпирик эрсдэл

Жишээ нь: маягтын бүх функцийн багцыг үзье

Энэ олонлогийн бүх функцууд бие биенээсээ зөвхөн коэффициентээр ялгаатай байх болно. Бид ийм гэр бүлийг сонгохдоо 1-р ангийн цэгүүд ба 0-р ангийн цэгүүдийн хоорондох өнгөний хэмжээсийн координатууд дээр ийм коэффициент бүхий шулуун шугам зурж болно гэж үзсэн. Янз бүрийн ангилалтай цэгүүд шулуун шугамын өөр өөр талуудын дагуу байрладаг. Энэ төрлийн шугамын хувьд коэффицент вектор нь шугамд хэвийн байдаг нь мэдэгдэж байна. Одоо бид үүнийг хийж байна - бид алимаа авч, өнгө, хэмжээг нь хэмжиж, өнгөний хэмжээтэй тэнхлэгт график дээр олж авсан координатуудтай цэгийг зурна. Дараа нь бид энэ цэг ба $w$ векторын хоорондох өнцгийг хэмжинэ. Бидний цэг шулуун шугамын нэг эсвэл нөгөө талд байрлаж болохыг бид анзаарч байна. Дараа нь цэгийн хоорондох өнцөг нь хурц эсвэл мохоо байх ба скаляр үржвэр нь эерэг эсвэл сөрөг байх болно. Энэ нь шийдвэрлэх дүрэмд хүргэдэг:

Бид $H $ функцүүдийн ангиллыг зассаны дараа асуулт гарч ирнэ - шаардлагатай коэффициент бүхий функцийг хэрхэн сонгох вэ? Хариулт нь - бидний Bayesian эрсдэлийг багасгах функцийг сонгоцгооё $R()$. Дахин хэлэхэд асуудал нь Bayesian эрсдэлийн утгыг тооцоолохын тулд та $p(x,y)$ тархалтыг мэдэх хэрэгтэй, гэхдээ энэ нь бидэнд өгөгддөггүй бөгөөд үүнийг сэргээх нь үргэлж боломжгүй байдаг. Өөр нэг санаа бол бүх боломжит объектуудад биш, зөвхөн дээж дээр эрсдэлийг багасгах явдал юм. Тэдгээр. функцийг багасгах:

Энэ функцийг эмпирик эрсдэл гэж нэрлэдэг. Дараагийн асуулт бол бид яагаад эмпирик эрсдлийг бууруулснаар Байесийн эрсдэлийг бууруулахаар шийдсэн бэ? Бидний практик ажил бол аль болох бага ангиллын алдаа гаргах явдал гэдгийг сануулъя. Алдаа бага байх тусам Bayesian эрсдэл бага байна. Мэдээллийн хэмжээ нэмэгдэхийн хэрээр эмпирик эрсдэлийг Байесийн эрсдэлд ойртуулах үндэслэлийг 70-аад онд В.Н.Вапник, А.Я.Червоненкис нар олж авсан.

Конвергенцийн баталгаа. Хамгийн энгийн тохиолдол

Теорем

"Бага үнэ цэнэ" ба "хангалттай хэмжээ" гэж юу гэсэн үг вэ, доорх ном зохиолоос үзнэ үү.

Баталгаажуулах санаа

Практик үр дүн

Мөн бид шийдэж буй асуудлаас хамааран өөр өөр алдагдлын функцийг орлуулдаг. Шугаман регрессийн хувьд:

Логистик регрессийн хувьд:

Хэдийгээр дэмжих вектор машинууд нь үндсэндээ геометрийн сэдэлтэй байдаг ч эрсдэлийг багасгах эмпирик асуудал гэж үзэж болно.

Дүгнэлт

Ашигласан номууд

• Статистикийн сургалтын онолын мөн чанар, Владимир Н.Вапник
• Загварын ангилал, 2-р хэвлэл, Ричард О.Дуда, Питер Э.Харт, Дэвид Г.Сторк
• Машины сургалтын тухай ойлголт: Онолоос алгоритм хүртэл, Шай Шалев-Шварц, Шай Бен-Дэвид

Шошго: шошго нэмэх

Бүлэг 3: Загварыг хүлээн зөвшөөрөх, шийдвэр гаргах аргуудын аналитик тойм

Загвар таних онол ба удирдлагын автоматжуулалт

Дасан зохицох хэв маягийг таних үндсэн ажлууд

Таних нь оролт гаралттай зарим мэдээлэл хувиргагч (ухаалаг мэдээллийн суваг, таних систем)-ээр хэрэгждэг мэдээллийн процесс юм. Системийн оролт нь танилцуулсан объектууд ямар шинж чанартай байдаг тухай мэдээлэл юм. Системийн гаралт нь хүлээн зөвшөөрөгдсөн объектууд аль ангилалд (ерөнхий зураг) хамаарах тухай мэдээллийг харуулдаг.

Хэв таних автоматжуулсан системийг бий болгох, ажиллуулах явцад хэд хэдэн асуудлыг шийддэг. Эдгээр ажлыг товч бөгөөд энгийн байдлаар авч үзье. Өөр өөр зохиогчид эдгээр асуудлын ижил томъёололтой байдаг бөгөөд энэ нь тухайн эсвэл өөр таних систем дээр суурилсан тодорхой математик загвараас тодорхой хэмжээгээр хамаардаг тул багц нь давхцдаггүй гэдгийг анхаарна уу. Нэмж дурдахад зарим таних загварт зарим асуудал шийдэгдээгүй бөгөөд үүний дагуу тавигддаггүй.

Сэдвийн талбарыг албан ёсны болгох даалгавар

Үндсэндээ энэ даалгавар бол кодлох ажил юм. Объектуудын тодорхой хэрэгжилт хамаарах ерөнхий ангиллын жагсаалт, түүнчлэн эдгээр объектууд зарчмын хувьд байж болох шинж чанаруудын жагсаалтыг эмхэтгэсэн болно.

Сургалтын дээжийг бүрдүүлэх даалгавар

Сургалтын багц нь эдгээр объектуудыг таних тодорхой ангиудад хамаарах тухай мэдээллээр нэмэлт, шинж чанарын хэлээр объектуудын тодорхой хэрэгжилтийн тайлбарыг агуулсан мэдээллийн сан юм.

Таних системийн сургалтын даалгавар

Сургалтын түүвэр нь энэ анги болон бусад ангиудад хамаарах сургалтын түүврийн объектууд ямар шинж чанартай байдаг талаарх мэдээллийг нэгтгэн дүгнэхэд үндэслэн таних ангиудын ерөнхий дүр төрхийг бүрдүүлэхэд ашиглагддаг.

Онцлог орон зайн хэмжээг багасгах асуудал

Таних системийг сургасны дараа (онцлогуудын давтамжийн тархалтын статистикийг ангиар нь олж авсны дараа) шинж чанар тус бүрийн хувьд таних асуудлыг шийдвэрлэх утгыг тодорхойлох боломжтой болно. Үүний дараа хамгийн бага үнэ цэнэтэй шинж чанаруудыг функцийн системээс устгаж болно. Дараа нь таних системийг дахин сургах шаардлагатай, учир нь зарим шинж чанарыг арилгасны үр дүнд үлдсэн шинж чанаруудын ангиллын хуваарилалтын статистик өөрчлөгддөг. Энэ процессыг давтаж болно, i.e. давталттай байх.

Таних даалгавар

Хүлээн зөвшөөрөгдсөн түүврийн объектуудыг хүлээн зөвшөөрдөг бөгөөд тэдгээр нь ялангуяа нэг объектоос бүрдэж болно. Хүлээн зөвшөөрөх дээж нь сургалтынхтай ижил төстэй боловч объектуудын ангилалд хамаарах мэдээллийг агуулдаггүй, учир нь энэ нь таних явцад тодорхойлогддог. Объект бүрийг таних үр дүн нь хүлээн зөвшөөрөгдсөн объектын ижил төстэй байдлын буурах дарааллаар бүх таних ангиудын хуваарилалт эсвэл жагсаалт юм.

Хүлээн зөвшөөрөх чанарын хяналтын асуудал

Хүлээн зөвшөөрсний дараа түүний зохистой байдлыг тогтоож болно. Сургалтын дээжийн объектуудын хувьд үүнийг нэн даруй хийж болно, учир нь тэдний хувьд аль ангид хамаарах нь зүгээр л мэдэгдэж байна. Бусад объектуудын хувьд энэ мэдээллийг дараа нь авч болно. Ямар ч тохиолдолд хүлээн зөвшөөрөгдсөн объектыг тодорхой ангид хуваарилах үед алдаа гарах магадлалыг бүх таних ангиудын бодит дундаж магадлалыг тодорхойлж болно.

Хүлээн зөвшөөрөх чанарын талаарх бэлэн байгаа мэдээллийг харгалзан хүлээн зөвшөөрөх үр дүнг тайлбарлах ёстой.

Дасан зохицох асуудал

Хэрэв чанарын хяналтын журмын үр дүнд энэ нь хангалтгүй гэж тогтоогдвол буруу хүлээн зөвшөөрөгдсөн объектын тайлбарыг таних дээжээс сургалтын объект руу хуулж, зохих ангиллын мэдээллээр нэмж, шийдвэрийн дүрмийг шинэчлэхэд ашиглаж болно. , өөрөөр хэлбэл харгалзан үзсэн. Түүнээс гадна, хэрэв эдгээр объектууд нь одоо байгаа таних ангилалд хамаарахгүй бол тэдгээрийг буруу таних шалтгаан болж магадгүй бол энэ жагсаалтыг өргөжүүлж болно. Үүний үр дүнд таних систем нь дасан зохицож, эдгээр объектуудыг зохих ёсоор ангилж эхэлдэг.

Урвуу таних асуудал

Таних даалгавар нь тухайн объектын мэдэгдэж буй шинж чанарт үндэслэн систем нь урьд өмнө нь үл мэдэгдэх ангилалд хамаарахыг тогтоох явдал юм. Урвуу таних асуудалд, эсрэгээр, өгөгдсөн таних ангийн хувьд систем нь энэ ангийн объектуудын аль шинж чанар нь хамгийн онцлог шинж чанартай, аль нь биш (эсвэл сургалтын түүврийн аль объект нь энэ ангилалд хамаарах) болохыг тогтоодог.

Кластер ба конструктив шинжилгээний асуудлууд

Кластерууд нь кластер бүрийн дотор аль болох ижил төстэй, өөр өөр кластеруудын хооронд аль болох ялгаатай байдаг ийм бүлэг объект, анги, шинж чанарууд юм.

Бүтэц (энэ хэсэгт авч үзсэн контекст) нь эсрэг тэсрэг кластеруудын систем юм. Тиймээс тодорхой утгаараа бүтээцүүд нь кластеруудын кластерийн шинжилгээний үр дүн юм.

Кластерийн шинжилгээнд объектуудын ижил төстэй байдал, ялгаатай байдлын зэрэг (анги, онцлог) тоон үзүүлэлтээр хэмжигддэг бөгөөд энэ мэдээллийг ангилахад ашигладаг. Кластерийн шинжилгээний үр дүн нь объектуудыг кластер болгон ангилах явдал юм. Энэ ангиллыг семантик сүлжээ хэлбэрээр илэрхийлж болно.

Танин мэдэхүйн шинжилгээний даалгавар

Танин мэдэхүйн шинжилгээнд анги, шинж чанаруудын ижил төстэй болон ялгаатай байдлын талаархи мэдээлэл нь судлаачийн сонирхлыг татдаг бөгөөд үүнийг кластер, конструктив дүн шинжилгээ хийх гэх мэт ангилалд ашиглахын тулд биш юм.

Хэрэв ижил шинж чанар нь таних хоёр ангиллын шинж чанар юм бол энэ нь эдгээр хоёр ангийн ижил төстэй байдалд хувь нэмэр оруулдаг. Хэрэв ангиудын аль нэгний хувьд энэ онцлог шинж чанаргүй бол энэ нь ялгааг бий болгоно.

Хэрэв хоёр шинж чанар нь хоорондоо уялдаатай байвал тодорхой утгаараа тэдгээрийг нэг шинж чанар гэж үзэж болно, хэрэв тэдгээр нь эсрэг хамааралтай бол ялгаатай гэж үзэж болно. Энэ нөхцөл байдлыг харгалзан үзвэл өөр өөр ангиудад өөр өөр шинж чанарууд байгаа нь тэдний ижил төстэй байдал, ялгаатай байдалд тодорхой хувь нэмэр оруулдаг.

Танин мэдэхүйн шинжилгээний үр дүнг танин мэдэхүйн диаграм хэлбэрээр танилцуулж болно.

Загвар таних аргууд ба тэдгээрийн шинж чанарууд

Загвар таних аргуудыг ангилах зарчим

Загварыг таних гэдэг нь бодит эсвэл идеал ертөнц дэх объектуудын тоон эсвэл бэлгэдлийн дүрслэл дээр албан ёсны үйлдлүүдийг бий болгох, хэрэгжүүлэх асуудлыг хэлдэг бөгөөд үр дүн нь эдгээр объектуудын хоорондын эквивалент харилцааг илэрхийлдэг. Эквивалентийн харилцаа нь үнэлэгдсэн объектуудын бие даасан семантик нэгж гэж тооцогддог аливаа ангилалд хамаарахыг илэрхийлдэг.

Таних алгоритмыг бүтээхдээ өөрийн утга учиртай санааг ашигласан, эсвэл шийдэж буй асуудлын хүрээнд объектуудын ижил төстэй байдал, ялгаатай байдлын талаархи гадны нэмэлт мэдээллийг ашигладаг судлаачаар эквивалентын ангиллыг тодорхойлж болно. Дараа нь тэд "багштай хүлээн зөвшөөрөх" тухай ярьдаг. Үгүй бол, өөрөөр хэлбэл. Автоматжуулсан систем нь гадны сургалтын мэдээллийг ашиглахгүйгээр ангиллын асуудлыг шийдэхэд бид автомат ангилал эсвэл "хяналтгүй хүлээн зөвшөөрөх" гэж ярьдаг. Ихэнх хэв маягийг таних алгоритмууд нь зөвхөн өндөр хүчин чадалтай компьютерийн технологиор хангадаг маш чухал тооцоолох хүчийг ашиглахыг шаарддаг.

Төрөл бүрийн зохиолчид (Ю.Л. Барабаш, В.И. Васильев, А.Л. Горелик, В.А. Скрипкин, Р. Дуда, П. Харт, Л. Т. Кузин, Ф. И. Перегудов, Ф. П. Тарасенко, Ф. Е. Темников, Ж. Ту, Р. Гонзалес, П. Уинстон, П. К.Фу, Я.З.Цыпкин гэх мэт) хэв маягийг таних аргуудын өөр төрлийн хэв шинжийг өгдөг. Зарим зохиогчид параметрийн, параметрийн бус ба эвристик аргуудыг ялгаж үздэг бол зарим нь энэ салбарын түүхэнд тогтсон сургууль, чиг хандлагад үндэслэн аргуудын бүлгийг тодорхойлдог. Жишээлбэл, таних аргуудын тухай эрдэм шинжилгээний тоймыг харуулсан уг бүтээлд хэв маягийг таних аргын дараах төрлийг ашигласан болно.

• салгах зарчимд суурилсан аргууд;
• статистикийн аргууд;
• "боломжтой функцууд" дээр суурилсан аргууд;
• үнэлгээг тооцох арга (санал өгөх);
• саналын тооцоонд суурилсан аргууд, тухайлбал логик алгебрийн төхөөрөмжид суурилсан арга.

Энэхүү ангилал нь хэв маягийг таних албан ёсны аргуудын ялгаан дээр үндэслэсэн тул шинжээчдийн системд бүрэн, хангалттай хөгжсөн хүлээн зөвшөөрөх эвристик аргыг авч үзэхгүй. Эвристик арга нь судлаачийн албан ёсны болгоход хэцүү мэдлэг, зөн совин дээр суурилдаг. Энэ тохиолдолд шаардлагатай таних үр дүнд хүрэхийн тулд систем ямар мэдээлэл, хэрхэн ашиглах ёстойг судлаач өөрөө тодорхойлдог.

Янз бүрийн нарийвчлалтай таних аргуудын ижил төстэй хэлбэрийг таних талаар олон бүтээлээс олж болно. Үүний зэрэгцээ мэдэгдэж буй төрлүүд нь нэг чухал шинж чанарыг харгалздаггүй бөгөөд энэ нь аливаа албан ёсны хэв маягийг таних алгоритмыг ашиглан тухайн сэдвийн талаархи мэдлэгийг илэрхийлэх аргын өвөрмөц байдлыг илэрхийлдэг.

Д.А. Поспелов (1990) мэдлэгийг илэрхийлэх хоёр үндсэн аргыг тодорхойлсон.

• эрч хүчтэй, шинж чанаруудын (онцлогуудын) хоорондын холболтын диаграм хэлбэрээр.
• өргөтгөсөн, тодорхой баримтуудын тусламжтайгаар (объект, жишээ).

Зөөлөн дүрслэл нь өгөгдлийн бүтцийг тайлбарлах хэв маяг, холболтыг олж авдаг. Оношилгооны ажлуудын хувьд ийм бэхэлгээ нь шаардлагатай оношлогооны үр дүнд хүргэдэг объектын шинж чанарууд (онцлогууд) дээр хийх үйлдлийг тодорхойлоход оршино. Зөөлөн дүрслэл нь шинж чанарын утгуудын үйлдлээр хэрэгждэг бөгөөд тодорхой мэдээллийн баримтууд (объектууд) дээр хийсэн үйлдлийг илэрхийлдэггүй.

Хариуд нь мэдлэгийн өргөтгөсөн дүрслэл нь тухайн субьектийн тодорхой объектуудыг дүрслэх, тогтоохтой холбоотой бөгөөд үйл ажиллагаанд хэрэгждэг бөгөөд тэдгээрийн элементүүд нь салшгүй систем болох объект юм.

Мэдлэгийг эрчимтэй болон өргөтгөсөн дүрслэл, хүний ​​тархины зүүн ба баруун тархины үйл ажиллагааны үндсэн механизмын хооронд зүйрлэж болно. Хэрэв баруун тархи нь хүрээлэн буй ертөнцийг бүхэлд нь дүрсэлсэн загвараар тодорхойлогддог бол зүүн тархи нь энэ ертөнцийн шинж чанаруудын хоорондын холбоог тусгасан хэв маягаар ажилладаг.

Дээр дурдсан мэдлэгийг илэрхийлэх үндсэн хоёр арга нь хэв маягийг таних аргуудын дараах ангиллыг санал болгох боломжийг бидэнд олгодог.

• онцлогтой үйлдлүүд дээр суурилсан эрчимтэй аргууд.
• объектуудтай хийх үйлдэлд суурилсан өргөтгөлийн аргууд.

Тэмдгээр ажилладаг ба объекттой ажилладаг эдгээр хоёр (зөвхөн хоёр) таних аргууд байдаг нь үнэхээр байгалийн зүйл гэдгийг онцлон тэмдэглэх нь зүйтэй. Энэ үүднээс авч үзвэл эдгээр аргуудын аль нь ч нөгөөгөөсөө тусад нь авч үзэх нь тухайн сэдвийн талаар зохих тусгалыг бий болгох боломжийг бидэнд олгодоггүй. Зохиогчдын үзэж байгаагаар эдгээр аргуудын хооронд Н.Борын утгаараа харилцан бие биенээ нөхөх хамаарал байдаг тул ирээдүйтэй таних систем нь эдгээр аргуудын аль нэгийг нь биш, харин хоёуланг нь хэрэгжүүлэх боломжийг олгох ёстой.

Тиймээс, Д.А.Поспеловын санал болгосон таних аргуудын ангилал нь хүний ​​танин мэдэхүйн үндсэн хэв маягт үндэслэсэн бөгөөд энэ нь бусад ангилалтай харьцуулахад бүрэн онцгой (давуу эрхтэй) байр суурь эзэлдэг бөгөөд үүний цаана илүү хөнгөн, хөнгөн харагддаг. хиймэл.

Интенсив аргууд

Интенсив аргуудын нэг онцлог шинж чанар нь хэв маягийг таних алгоритмыг бий болгох, ашиглахдаа функцүүдийн янз бүрийн шинж чанар, тэдгээрийн холболтыг үйлдлийн элемент болгон ашигладаг явдал юм. Эдгээр элементүүд нь аналитик эсвэл конструктив хэлбэрээр илэрхийлэгдсэн үйлдлүүдийг гүйцэтгэдэг онцлог шинж чанарын утгууд, дундаж утга ба хэлбэлзэл, шинж чанарын харилцааны матрицууд гэх мэт бие даасан утгууд эсвэл интервалууд байж болно. Үүний зэрэгцээ эдгээр аргын объектуудыг мэдээллийн салшгүй нэгж гэж үздэггүй боловч тэдгээрийн шинж чанаруудын харилцан үйлчлэл, зан үйлийг үнэлэх шалгуур үзүүлэлт болдог.

Загварыг таних эрчимтэй аргуудын бүлэг нь өргөн хүрээтэй бөгөөд түүнийг дэд ангиудад хуваах нь тодорхой хэмжээгээр нөхцөлт байдаг.

Онцлог шинж чанаруудын тархалтын нягтын тооцоонд үндэслэсэн аргууд

Эдгээр хэв маягийг таних аргуудыг статистикийн шийдвэрийн сонгодог онолоос авсан бөгөөд судалгааны объектыг зарим хуулийн дагуу шинж чанарын орон зайд тархсан олон хэмжээст санамсаргүй хэмжигдэхүүнүүдийн бодит байдал гэж үздэг. Эдгээр нь тодорхой хүлээн зөвшөөрөгдсөн ангилалд хамаарах объектуудын априори магадлал болон онцлог вектор утгын нөхцөлт тархалтын нягтыг харгалзан үздэг Байесийн шийдвэр гаргах схем дээр суурилдаг. Эдгээр аргууд нь олон хэмжээст орон зайн янз бүрийн хэсэгт магадлалын харьцааг тодорхойлоход хүргэдэг.

Онцлог шинж чанаруудын тархалтын нягтыг тооцоолоход үндэслэсэн аргуудын бүлэг нь ялгах шинжилгээний аргуудтай шууд холбоотой байдаг. Шийдвэр гаргах Байесийн хандлага нь орчин үеийн статистикийн хамгийн хөгжсөн параметрийн аргуудын нэг бөгөөд тархалтын хуулийн аналитик илэрхийлэл (энэ тохиолдолд ердийн хууль) нь мэдэгдэж байгаа бөгөөд зөвхөн цөөн тооны параметрүүд ( дундаж утгын векторууд ба ковариацын матрицууд) -ийг тооцоолох шаардлагатай.

Эдгээр аргуудыг ашиглахад тулгардаг гол бэрхшээл нь орон нутгийн магадлалын тархалтын нягтын тооцоог тооцоолохын тулд сургалтын дээжийг бүхэлд нь санаж байх шаардлагатай бөгөөд сургалтын түүврийн төлөөлөлгүй байдлын өндөр мэдрэмжтэй байдаг.

Шийдвэрлэх функцүүдийн ангиллын талаархи таамаглалд суурилсан аргууд

Энэ бүлгийн аргуудад шийдвэрийн функцийн ерөнхий хэлбэрийг мэдэгдэж байгаа бөгөөд түүний чанарын функцийг тодорхойлсон болно. Энэхүү функциональ дээр үндэслэн сургалтын дарааллыг ашиглан шийдвэрийн функцийн хамгийн сайн ойролцооллыг олно. Хамгийн түгээмэл нь шугаман болон ерөнхий шугаман бус олон гишүүнт хэлбэрээр шийдвэрийн функцүүдийн дүрслэл юм. Шийдвэрлэх дүрмийн чанарын функц нь ихэвчлэн ангиллын алдаатай холбоотой байдаг.

Шийдвэрлэх функцүүдийн ангиллын талаархи таамаглалд суурилсан аргуудын гол давуу тал нь экстремумыг хайх асуудал болох таних асуудлыг математикийн томъёоллыг тодорхой болгох явдал юм. Энэ бүлгийн олон янзын аргуудыг ашигладаг шийдвэрийн дүрмийн чанарын функцууд болон экстремум хайлтын алгоритмуудын өргөн хүрээгээр тайлбарладаг. Ньютоны алгоритм, перцептрон төрлийн алгоритм гэх мэтийг багтаасан авч үзэж буй алгоритмуудын ерөнхий дүгнэлт нь стохастик ойртох арга юм.

Градиент экстремум хайлтын алгоритмуудын чадавхи, ялангуяа шугаман шийдвэрийн дүрмийн бүлэгт нэлээд сайн судлагдсан. Эдгээр алгоритмуудын нэгдэл нь зөвхөн хүлээн зөвшөөрөгдсөн объектын ангиудыг авсаархан геометрийн бүтцээр онцлог орон зайд харуулсан тохиолдолд л нотлогдсон.

Шийдвэрийг дэлхийн экстремумд ойртуулах математикийн хатуу нотолгоо байхгүй алгоритмуудыг ашиглан шийдвэрийн дүрмийн хангалттай өндөр чанарыг олж авах боломжтой. Ийм алгоритмд хувьслын загварчлалын чиглэлийг төлөөлдөг эвристик програмчлалын томоохон бүлэг орно. Хувьслын загварчлал бол байгалиас авсан бионик арга юм. Энэ нь нарийн төвөгтэй объектыг утга учиртай загварчлах үйл явцыг түүний хувьслын феноменологийн загварчлалаар солихын тулд хувьслын мэдэгдэж буй механизмуудыг ашиглахад суурилдаг. Загварыг таних хувьслын загварчлалын алдартай төлөөлөгч бол аргументуудын бүлгийн бүртгэлийн арга (MGUA) юм. GMDH-ийн үндэс нь өөрийгөө зохион байгуулах зарчим бөгөөд GMDH алгоритмууд нь масс сонгох схемийг хуулбарладаг.

Гэсэн хэдий ч энэ тохиолдолд практик зорилгодоо хүрэх нь хүлээн зөвшөөрөгдсөн объектын мөн чанарын талаархи шинэ мэдлэг олж авах замаар дагалддаггүй. Энэхүү мэдлэг, тухайлбал шинж чанаруудын (онцлогуудын) харилцан үйлчлэлийн механизмын талаархи мэдлэгийг олж авах боломж нь шийдвэрийн функцүүдийн сонгосон хэлбэрээр тогтоогдсон ийм харилцан үйлчлэлийн өгөгдсөн бүтцээр үндсэндээ хязгаарлагддаг.

Булийн аргууд

Загварыг таних логик аргууд нь логик алгебрийн төхөөрөмж дээр суурилдаг бөгөөд зөвхөн бие даасан шинж чанарт төдийгүй шинж чанарын утгын хослолд агуулагдах мэдээлэлтэй ажиллах боломжийг олгодог. Эдгээр аргуудын хувьд аливаа шинж чанарын утгыг үндсэн үйл явдал гэж үздэг.

Хамгийн ерөнхий хэлбэрээр логик аргуудыг логик хэв маягийн сургалтын түүвэр, логик шийдвэрийн дүрмийн тодорхой тогтолцоог бүрдүүлэх замаар (жишээлбэл, анхан шатны үйл явдлуудын холболт хэлбэрээр) хайлтын нэг төрөл гэж тодорхойлж болно. өөрийн гэсэн жинтэй байдаг. Логик аргуудын бүлэг нь олон янз бөгөөд янз бүрийн нарийн төвөгтэй, гүнзгий дүн шинжилгээ хийх аргуудыг агуулдаг. Дихотом (Буль) шинж чанаруудын хувьд мод шиг ангилагч гэж нэрлэгддэг ангилагч, төгсгөлийн туршилтын арга, "Bark" алгоритм гэх мэт түгээмэл байдаг.

"Кора" алгоритм нь хэв маягийг таних бусад логик аргуудын нэгэн адил тооцооллын хувьд нэлээд эрчимтэй байдаг, учир нь холболтыг сонгохдоо бүрэн хайлт хийх шаардлагатай байдаг. Тиймээс логик аргуудыг ашиглахдаа тооцоолох үйл явцыг үр ашигтай зохион байгуулахад өндөр шаардлага тавьдаг бөгөөд эдгээр аргууд нь харьцангуй жижиг хэмжээтэй, зөвхөн хүчирхэг компьютерт сайн ажилладаг.

Хэл шинжлэлийн (бүтцийн) аргууд

Загварыг таних хэл шинжлэлийн аргууд нь хүлээн зөвшөөрөгдсөн объектын шинж чанарыг тодорхойлоход ашиглаж болох хэлийг үүсгэдэг тусгай дүрмийн хэрэглээнд суурилдаг.

Төрөл бүрийн ангиллын объектуудын хувьд үүсээгүй (атомын) элементүүд (дэд зураг, шинж чанарууд) ба тэдгээрийн хоорондын боломжит хамаарлыг тодорхойлдог. Дүрэм гэдэг нь эдгээр үүсээгүй элементүүдээс объект бүтээх дүрмийг хэлнэ.

Тиймээс объект бүр нь өөр хоорондоо ямар нэгэн байдлаар "холбогдсон" үүсмэл бус элементүүдийн цуглуулга юм, өөрөөр хэлбэл ямар нэг "хэлний" "өгүүлбэр" юм. Энэ бодлын маш чухал үзэл суртлын үнэ цэнийг би онцгойлон тэмдэглэхийг хүсч байна.

"Өгүүлбэр"-ийг синтаксик аргаар шинжлэх (дүрэм зүйн хувьд задлан шинжлэх) замаар түүний синтакс "зөв" эсэх, эсвэл үүнтэй адил ангиудыг тодорхойлсон зарим тогтмол дүрэм нь объектын одоо байгаа тайлбарыг үүсгэж чадах эсэхийг тодорхойлдог.

Гэсэн хэдий ч өгөгдсөн хэлийг үүсгэдэг тодорхой багц мэдэгдлүүдээс (өгүүлбэр - объектын тайлбар) дүрмийг сэргээн засварлах (тодорхойлох) ажлыг албан ёсны болгоход хэцүү байдаг.

Өргөтгөсөн аргууд

Энэ бүлгийн аргуудад интенсив чиглэлээс ялгаатай нь судлагдсан объект бүр нь их бага хэмжээгээр бие даасан оношлогооны ач холбогдолтой байдаг. Үндсэндээ эдгээр аргууд нь хүмүүсийг нэг буюу өөр үзүүлэлтээр эрэмбэлсэн объектуудын гинжин хэлхээ биш, тус бүр нь хувь хүн бөгөөд оношилгооны онцгой ач холбогдолтой салшгүй систем гэж үздэг эмнэлзүйн арга барилд ойрхон байдаг. Судалгааны объектод ийм болгоомжтой хандах нь объект тус бүрийн талаархи мэдээллийг хасах, алдах боломжийг олгодоггүй бөгөөд энэ нь объектыг зөвхөн тэдгээрийн шинж чанаруудын зан үйлийн хэв маягийг илрүүлэх, бүртгэх зорилгоор ашигладаг эрчимтэй чиглүүлэх аргыг ашиглах үед тохиолддог.

Хэлэлцсэн аргуудыг ашиглан хэв маягийг таних үндсэн үйлдлүүд нь объектуудын ижил төстэй байдал, ялгааг тодорхойлох үйлдлүүд юм. Тодорхойлсон бүлгийн аргуудын объектууд нь оношилгооны өмнөх үүрэг гүйцэтгэдэг. Түүнээс гадна, тодорхой даалгаврын нөхцлөөс хамааран хувь хүний ​​прецедентийн үүрэг нь хамгийн өргөн хүрээнд өөр өөр байж болно: хүлээн зөвшөөрөх үйл явцад үндсэн ба тодорхойлохоос эхлээд шууд бус оролцоо хүртэл. Хариуд нь асуудлын нөхцөл байдал нь амжилттай шийдвэрлэхийн тулд янз бүрийн оношилгооны урьдчилсан мэдээний оролцоог шаардаж болно: хүлээн зөвшөөрөгдсөн анги тус бүрээс нэгээс бүрэн түүврийн хэмжээ, түүнчлэн объектын ижил төстэй байдал, ялгааг хэмжих өөр өөр аргууд. . Эдгээр шаардлагууд нь өргөтгөх аргуудыг дэд ангиудад хуваахыг тайлбарладаг.

Прототиптэй харьцуулах арга

Энэ бол өргөтгөлийн таних хамгийн энгийн арга юм. Энэ нь жишээлбэл, хүлээн зөвшөөрөгдсөн ангиудыг авсаархан геометрийн бүлэглэлээр онцлог орон зайд харуулсан тохиолдолд ашиглагддаг. Энэ тохиолдолд ихэвчлэн ангийн геометрийн бүлгийн төвийг (эсвэл төвд хамгийн ойр байгаа объектыг) прототипийн цэг болгон сонгодог.

Үл мэдэгдэх объектыг ангилахын тулд түүнд хамгийн ойрын прототипийг олох ба объект нь энэ прототиптэй ижил ангилалд хамаарна. Мэдээжийн хэрэг, энэ аргаар ангиллын ерөнхий дүр төрхийг үүсгэдэггүй.

Янз бүрийн төрлийн зайг ойрын хэмжүүр болгон ашиглаж болно. Ихэнхдээ дихотомийн шинж чанаруудын хувьд Хаммингийн зайг ашигладаг бөгөөд энэ тохиолдолд Евклидийн зайны квадраттай тэнцүү байна. Энэ тохиолдолд объектыг ангилах шийдвэрийн дүрэм нь шугаман шийдвэрийн функцтэй тэнцүү байна.

Энэ баримтыг онцгой анхаарах хэрэгтэй. Энэ нь өгөгдлийн бүтцийн талаархи мэдээллийн эх загвар ба шинж чанарын дүрслэлийн хоорондын холбоог тодорхой харуулж байна. Дээрх дүрслэлийг ашиглан жишээлбэл, дихотомийн шинж чанарын утгуудын шугаман функц болох аливаа уламжлалт хэмжүүрийг оношилгооны прототип гэж үзэж болно. Хариуд нь хүлээн зөвшөөрөгдсөн ангиудын орон зайн бүтцэд дүн шинжилгээ хийх нь тэдгээрийн геометрийн нягт байдлын талаар дүгнэлт гаргах боломжийг олгодог бол эдгээр анги бүрийг нэг прототипээр солиход хангалттай бөгөөд энэ нь үнэн хэрэгтээ шугаман оношлогооны загвартай тэнцэнэ.

Практик дээр мэдээжийн хэрэг нөхцөл байдал нь тайлбарласан загвараас ялгаатай байдаг. Оношилгооны прототип ангиудтай харьцуулах үндсэн дээр таних аргыг хэрэглэхээр зорьж буй судлаач хүнд бэрхшээлтэй тулгардаг.

Нэгдүгээрт, энэ нь объектын хуваарилалтын орон зайн тохиргоог мэдэгдэхүйц өөрчлөх боломжтой ойрын хэмжүүрийн сонголт юм. Хоёрдугаарт, бие даасан асуудал бол туршилтын өгөгдлийн олон хэмжээст бүтцэд дүн шинжилгээ хийх явдал юм. Эдгээр хоёр асуудал нь бодит асуудлын онцлог шинж чанар бүхий орон зайн өндөр хэмжээст нөхцөлд судлаачдын хувьд онцгой ач холбогдолтой юм.

k хамгийн ойрын хөршийн арга

Дискриминант шинжилгээний асуудлыг шийдвэрлэх k-хамгийн ойрын хөршийн аргыг анх 1952 онд санал болгосон. Энэ нь дараах байдалтай байна.

Үл мэдэгдэх объектыг ангилахдаа хүлээн зөвшөөрөгдсөн ангилалд аль хэдийн мэдэгдэж байсан гишүүнчлэлтэй бусад объектуудын (хамгийн ойрын хөршүүд) шинж чанаруудын орон зайд геометрийн хувьд хамгийн ойр өгөгдсөн тоог (k) олдог. Тодорхойгүй оношилгооны ангид үл мэдэгдэх объектыг хуваарилах шийдвэрийг түүний хамгийн ойрын хөршүүдтэй холбоотой мэдээлэлд дүн шинжилгээ хийх замаар гаргадаг, жишээлбэл, энгийн саналын тооллогыг ашиглан.

Эхэндээ k-хамгийн ойрын хөршийн аргыг магадлалын харьцааг тодорхойлох параметрийн бус арга гэж үзсэн. Энэ аргын хувьд түүний үр нөлөөний онолын тооцоог Байесийн оновчтой ангилагчтай харьцуулсан. k-хамгийн ойрын хөршийн аргын асимптотын алдааны магадлал нь Байесийн дүрмийн алдаанаас хоёр дахин ихгүй байгаа нь батлагдсан.

Загварыг танихад k-хамгийн ойрын хөршийн аргыг ашиглахдаа судлаач оношлогдсон объектын ойролцоо байдлыг тодорхойлох хэмжүүр сонгох хэцүү асуудлыг шийдэх ёстой. Онцлог орон зайн өндөр хэмжээст нөхцөлд энэ асуудал нь энэ аргын хангалттай нарийн төвөгтэй байдлаас шалтгаалан маш хүндэрч байгаа бөгөөд энэ нь өндөр хүчин чадалтай компьютеруудад ч чухал ач холбогдолтой болдог. Тиймээс энд, прототиптэй харьцуулах аргын нэгэн адил оношлогооны ангиудыг төлөөлөх объектын тоог багасгахын тулд туршилтын өгөгдлийн олон хэмжээст бүтцэд дүн шинжилгээ хийх бүтээлч асуудлыг шийдвэрлэх шаардлагатай байна.

Сургалтын түүврийн объектын тоог багасгах хэрэгцээ (оношлогооны урьдал нөхцөл) нь сургалтын түүврийн төлөөллийг бууруулдаг тул энэ аргын сул тал юм.

Үнэлгээг тооцоолох алгоритм ("санал өгөх")

Үнэлгээний тооцооллын алгоритмын (ABO) ажиллах зарчим нь өгөгдсөн шинж чанаруудын дэд багцуудын систем болох онцлог шинж чанаруудын системийн дагуу хүлээн зөвшөөрөгдсөн болон лавлагаа объектуудын "ойр зай" -ыг тодорхойлдог тэргүүлэх чиглэлийг (ижил төстэй оноо) тооцоолох явдал юм. .

Өмнө нь авч үзсэн бүх аргуудаас ялгаатай нь тооцоолол хийх алгоритмууд нь объектын тайлбартай цоо шинэ арга замаар ажилладаг. Эдгээр алгоритмуудын хувьд объектууд функцын орон зайн маш өөр дэд орон зайд нэгэн зэрэг оршдог. ABO анги нь шинж чанаруудыг ашиглах санааг логик дүгнэлтэд хүргэдэг: аль шинж чанаруудын хослол нь хамгийн мэдээлэл сайтай байдаг нь үргэлж мэдэгддэггүй тул ABO-д объектуудын ижил төстэй байдлын зэргийг бүх боломжит эсвэл тодорхой хослолыг харьцуулах замаар тооцдог. объектын тайлбарт орсон шинж чанарууд.

Зохиогчид ашигласан функцүүдийн хослолыг (дэд орон зай) дэмжих багц эсвэл объектын хэсэгчилсэн тайлбарын багц гэж нэрлэдэг. Лавлагаа объект гэж нэрлэгддэг сургалтын түүврийн (мэдэгдэж буй ангилалтай) хүлээн зөвшөөрөгдсөн объект ба объектуудын хоорондох ерөнхий ойролцоо байдлын тухай ойлголтыг нэвтрүүлсэн. Энэхүү ойртлыг хэсэгчилсэн тайлбарын багц дээр тооцоолсон танигдсан объектын лавлагаа объектуудтай ойрын хослолоор төлөөлдөг. Тиймээс АВО нь k-хамгийн ойрын хөршийн аргын өргөтгөл бөгөөд объектуудын ойролцоо байдлыг зөвхөн нэг онцлог орон зайд авч үздэг.

ABO-ийн өөр нэг өргөтгөл бол эдгээр алгоритмуудад объектын ижил төстэй байдал, ялгааг тодорхойлох ажлыг параметрийн хэлбэрээр томъёолж, сургалтын багц дээр үндэслэн ABO-г тохируулах үе шатыг онцлон тэмдэглэсэн бөгөөд энэ үед оруулсан хамгийн оновчтой утгыг зааж өгсөн болно. параметрүүдийг сонгосон. Чанарын шалгуур нь таних алдаа бөгөөд шууд утгаараа бүх зүйл параметртэй байдаг.

• бие даасан шинж чанарт үндэслэн объектын ойр орчмын хэмжээг тооцоолох дүрэм;
• онцлог дэд орон зай дахь объектуудын ойролцоохыг тооцоолох дүрэм;
• тодорхой лавлагааны объектын оношлогооны урьдал болох ач холбогдлын зэрэг;
• хүлээн зөвшөөрөгдсөн объектын аливаа оношлогооны ангитай ижил төстэй байдлын эцсийн үнэлгээнд лавлагаа шинж чанаруудын оруулсан хувь нэмэрийн ач холбогдол.

ABO параметрүүдийг босго утгын хэлбэрээр ба (эсвэл) заасан бүрэлдэхүүн хэсгүүдийн жингээр тодорхойлно.

AVO-ийн онолын чадвар нь бусад хэв маягийг таних алгоритмаас дор хаяж доогуур биш юм, учир нь AVO-ийн тусламжтайгаар судалж буй объектуудтай хийх боломжтой бүх үйлдлүүдийг хийж болно.

Гэхдээ ихэвчлэн тохиолддог шиг боломжит чадавхийг өргөжүүлэх нь тэдгээрийг практик хэрэгжүүлэхэд, ялангуяа энэ төрлийн алгоритмыг бий болгох (тохируулах) үе шатанд ихээхэн бэрхшээлтэй тулгардаг.

K-хамгийн ойрын хөршийн аргын талаар ярихдаа зарим бэрхшээлийг өмнө нь тэмдэглэсэн бөгөөд үүнийг ABO-ийн тайрсан хувилбар гэж тайлбарлаж болно. Үүнийг мөн параметрийн хэлбэрээр авч үзэж, сонгосон төрлийн жигнэсэн хэмжигдэхүүнийг олохын тулд асуудлыг багасгаж болно. Үүний зэрэгцээ, өндөр хэмжээст асуудлуудын хувьд үр дүнтэй тооцоолох үйл явцыг зохион байгуулахтай холбоотой онолын нарийн төвөгтэй асуултууд, асуудлууд гарч ирдэг.

AVO-ийн хувьд хэрэв та эдгээр алгоритмуудын чадавхийг бүрэн хэмжээгээр ашиглахыг оролдвол эдгээр бэрхшээлүүд хэд дахин нэмэгддэг.

Дээр дурдсан асуудлууд нь практикт өндөр хэмжээст асуудлыг шийдэхийн тулд ABO-г ашиглах нь зарим эвристик хязгаарлалт, таамаглалуудыг нэвтрүүлж байгааг тайлбарлаж байна. Ялангуяа АВО-г сэтгэцийн оношлогоонд ашигласан нэгэн алдартай жишээ байдаг бөгөөд АВО-ийн төрлийг туршиж үзсэн нь үнэндээ k-en ойрын хөршийн аргатай дүйцэхүйц юм.

Шийдвэрлэх дүрмийн хамтын ажиллагаа

Загвар таних аргуудын тоймыг дуусгахын тулд өөр нэг аргыг харцгаая. Эдгээр нь шийдвэрийн дүрмийн нэгдэл (DRGs) гэж нэрлэгддэг.

Өөр өөр таних алгоритмууд нь ижил объектын жишээн дээр өөр өөр байдлаар илэрдэг тул эдгээр алгоритмуудын давуу талыг дасан зохицох байдлаар ашигладаг нийлэг шийдвэрийн дүрмийн тухай асуулт гарч ирдэг. Синтетик шийдвэрийн дүрэм нь хоёр түвшний хүлээн зөвшөөрөх схемийг ашигладаг. Эхний түвшинд хувийн таних алгоритмууд ажилладаг бөгөөд тэдгээрийн үр дүнг синтезийн блок дахь хоёрдугаар түвшинд нэгтгэдэг. Ийм нэгдлийн хамгийн түгээмэл аргууд нь тодорхой алгоритмын чадамжийн чиглэлийг тодорхойлоход суурилдаг. Чадамжийн талбарыг олох хамгийн энгийн арга бол тодорхой шинжлэх ухааны мэргэжлийн үзэл баримтлалд үндэслэн шинж чанаруудын орон зайг нэн тэргүүнд хуваах явдал юм (жишээлбэл, тодорхой шинж чанарын дагуу дээжийг ангилах). Дараа нь сонгосон хэсэг бүрийн хувьд өөрийн таних алгоритмыг бүтээдэг. Өөр нэг арга нь тодорхой таних алгоритмын амжилтыг нотолсон танигдсан объектуудын ойр орчмын орон зайн орон зайг тодорхойлох албан ёсны шинжилгээнд суурилдаг.

Синтезийн блок байгуулах хамгийн ерөнхий хандлага нь тодорхой алгоритмын үр дүнгийн үзүүлэлтүүдийг шинэ ерөнхий шийдвэрийн дүрмийг бий болгох анхны шинж чанар гэж үздэг. Энэ тохиолдолд хэв маягийг танихад эрчимтэй болон өргөтгөлийн чиглэлийн дээрх бүх аргыг ашиглаж болно. Шийдвэрлэх дүрмийн бүлгийг бий болгох асуудлыг шийдвэрлэхэд үр дүнтэй нь "Кора" төрлийн логик алгоритмууд ба тооцооллын алгоритмууд (ABO) бөгөөд эдгээр нь алгебрийн аргын үндэс суурийг бүрдүүлдэг бөгөөд энэ нь алгебрийн аргын үндэс суурийг бүрдүүлдэг. таних алгоритмууд, тэдгээрийн хүрээнд одоо байгаа бүх төрлийн алгоритмууд багтдаг.

Загвар таних аргуудын харьцуулсан шинжилгээ

Дээр дурдсан хэв маягийг таних аргуудыг харьцуулж, нарийн төвөгтэй системүүдийн дасан зохицох автомат удирдлагын системд зориулсан SDA загваруудын 3.3.3-т заасан шаардлагуудтай нийцэж байгаа эсэхийг үнэлье.

Хүчтэй аргуудын бүлгээс бодит асуудлыг шийдвэрлэхийн тулд шийдвэрийн функцийн хэлбэрийн талаархи саналд суурилсан параметрийн арга, аргууд нь практик ач холбогдолтой юм. Параметрийн аргууд нь шалгуур үзүүлэлтийг бий болгох уламжлалт арга зүйн үндэс суурь болдог. Эдгээр аргуудыг бодит асуудалд ашиглах нь өгөгдлийн бүтцэд хүчтэй хязгаарлалт тавьсантай холбоотой бөгөөд энэ нь тэдгээрийн параметрүүдийг маш бүдүүлэг тооцоолсон шугаман оношлогооны загварыг бий болгодог. Шийдвэрлэх функцийн хэлбэрийн талаархи таамаглалд суурилсан аргуудыг ашиглахдаа судлаач шугаман загвар руу шилжихээс өөр аргагүй болдог. Энэ нь бодит асуудлын онцлог шинж чанар бүхий орон зайн өндөр хэмжээсттэй холбоотой бөгөөд энэ нь олон гишүүнт шийдвэрийн функцын зэрэглэлийг нэмэгдүүлэх үед түүний гишүүдийн тоог асар их хэмжээгээр нэмэгдүүлж, хүлээн зөвшөөрөх чанарын асуудалтай зэрэгцэн нэмэгддэг. Ийнхүү эрчимтэй таних аргуудын боломжит хэрэглээний талбарыг бодит асуудалд тусгаснаар бид шугаман оношлогооны загварчлалын сайн боловсруулсан уламжлалт арга зүйд нийцсэн дүр зургийг олж авдаг.

Оношилгооны үзүүлэлтийг анхны шинж чанаруудын жигнэсэн нийлбэрээр илэрхийлдэг шугаман оношлогооны загваруудын шинж чанарыг сайтар судалсан. Эдгээр загваруудын үр дүнг (зохих нормчилолтой) судалж буй объектуудаас онцлог орон зай дахь зарим гипер хавтгай хүртэлх зай эсвэл ижил төстэй байдлаар энэ орон зай дахь зарим шулуун шугам дээрх объектуудын төсөөлөл гэж тайлбарладаг. Тиймээс шугаман загварууд нь янз бүрийн оношлогооны ангиллын объектуудыг дүрсэлсэн орон зайн талбайн энгийн геометрийн тохиргоонд л хангалттай. Илүү төвөгтэй тархалттай бол эдгээр загварууд нь туршилтын өгөгдлийн бүтцийн олон шинж чанарыг тусгаж чадахгүй. Үүний зэрэгцээ ийм шинж чанарууд нь оношилгооны үнэ цэнэтэй мэдээллээр хангадаг.

Үүний зэрэгцээ аливаа бодит асуудалд энгийн олон хэмжээст бүтэц (ялангуяа олон хэмжээст хэвийн тархалт) гарч ирэх нь дүрмээр бус онцгой тохиолдол гэж үзэх ёстой. Ихэнхдээ оношлогооны ангиуд нь нарийн төвөгтэй гадаад шалгуурын үндсэн дээр үүсдэг бөгөөд энэ нь эдгээр ангиудын гетероген шинж чанарыг автоматаар илэрхийлдэг. Энэ нь ялангуяа практикт хамгийн их тохиолддог "амин чухал" шалгууруудын хувьд үнэн юм. Ийм нөхцөлд шугаман загварыг ашиглах нь зөвхөн туршилтын мэдээллийн хамгийн "барзгар" хэв маягийг олж авдаг.

Өргөтгөсөн аргуудыг ашиглах нь туршилтын мэдээллийн бүтцийн талаархи таамаглалтай холбоогүй бөгөөд хүлээн зөвшөөрөгдсөн ангиудад зарим талаараа ижил төстэй объектуудын нэг буюу хэд хэдэн бүлэг байх ёстой бөгөөд өөр өөр ангиллын объектууд бие биенээсээ арай өөр байх ёстой. Мэдээжийн хэрэг, сургалтын түүврийн хязгаарлагдмал хэмжээтэй (мөн өөр байж болохгүй) объектуудын хооронд санамсаргүй ялгаа байдаг тул энэ шаардлагыг үргэлж хангадаг. Ижил төстэй байдлын хэмжүүрийн хувьд онцлог орон зай дахь объектуудын ойрын (зай) янз бүрийн хэмжүүрийг ашигладаг. Тиймээс хэв маягийг таних өргөтгөсөн аргуудыг үр дүнтэй ашиглах нь заасан ойрын хэмжүүрийг хэр сайн тодорхойлсон, түүнчлэн сургалтын дээжийн аль объектууд (мэдэгдэж буй ангилалтай объектууд) оношлогооны урьдал болж ажиллахаас хамаарна. Эдгээр асуудлыг амжилттай шийдвэрлэх нь хүлээн зөвшөөрөх үр ашгийн онолын хувьд хүрч болох хязгаарт ойртох үр дүнг өгдөг.

Загварыг таних өргөтгөсөн аргын давуу талууд нь юуны түрүүнд тэдгээрийг практик хэрэгжүүлэх техникийн өндөр төвөгтэй байдлаас шалтгаална. Өндөр хэмжээст шинж чанартай орон зайн хувьд хамгийн ойрын цэгүүдийг олох нь энгийн мэт санагдах ажил нь ноцтой асуудал болж хувирдаг. Түүнчлэн, олон зохиогчид хүлээн зөвшөөрөгдсөн ангиудыг төлөөлөх хангалттай олон тооны объектыг санах шаардлагатай байгааг асуудал гэж тэмдэглэжээ.

Энэ нь өөрөө асуудал биш боловч объект бүрийг таних үед сургалтын багц дахь бүх объектыг бүрэн хайхад хүргэдэг тул асуудал гэж үздэг (жишээлбэл, k-хамгийн ойрын хөршүүд).

Тиймээс, таних ангийн ерөнхий дүр төрхийг бий болгоход зөвхөн нэг удаа хийгддэг тул таних явцад сургалтын дээж дэх объектуудыг бүрэн тоолох асуудлыг арилгасан таних системийн загварыг ашиглахыг зөвлөж байна. Өөрийгөө таних явцад тодорхойлсон объектыг зөвхөн таних ангиудын ерөнхий дүр төрхтэй харьцуулж үздэг бөгөөд тэдгээрийн тоо нь тогтмол бөгөөд сургалтын дээжийн хэмжээнээс бүрэн хамаардаггүй. Энэ арга нь таних хугацааг хүлээн зөвшөөрөх боломжгүй нэмэгдүүлэхэд хүргэж болзошгүй гэсэн айдасгүйгээр ерөнхий дүрсний шаардлагатай өндөр чанарыг олж авах хүртэл сургалтын дээжийн хэмжээг нэмэгдүүлэх боломжийг олгодог (энэ загварт таних хугацаа нь тухайн загвараас хамаарахгүй тул). сургалтын дээжийн хэмжээ).

Өргөтгөсөн таних аргуудыг ашиглах онолын асуудлууд нь мэдээллийн шинж чанарын бүлгийг хайх, объектын ижил төстэй байдал, ялгааг хэмжих оновчтой хэмжигдэхүүнийг олох, туршилтын мэдээллийн бүтцэд дүн шинжилгээ хийхтэй холбоотой байдаг. Үүний зэрэгцээ эдгээр асуудлыг амжилттай шийдвэрлэх нь үр дүнтэй таних алгоритмыг бий болгохоос гадна эмпирик баримтуудын өргөтгөсөн мэдлэгээс тэдгээрийн бүтцийн хэв маягийн талаархи эрч хүчтэй мэдлэг рүү шилжих боломжийг олгодог.

Өргөтгөсөн мэдлэгээс эрчимтэй мэдлэг рүү шилжих нь албан ёсны таних алгоритмыг аль хэдийн бүтээж, түүний үр нөлөөг харуулсан үе шатанд тохиолддог. Дараа нь үр ашгийн үр дүнд хүрэх механизмыг судалдаг. Өгөгдлийн геометрийн бүтцэд дүн шинжилгээ хийхтэй холбоотой ийм судалгаа нь жишээлбэл, оношилгооны тодорхой ангиудыг төлөөлөх объектыг нэг ердийн төлөөлөгч (прототип) -ээр солиход хангалттай гэсэн дүгнэлтэд хүргэж болно. Энэ нь дээр дурьдсанчлан уламжлалт шугаман оношилгооны хуваарийг тодорхойлохтой дүйцэхүйц юм. Оношилгооны анги бүрийг зарим дэд ангиудын ердийн төлөөлөгч гэж тодорхойлсон хэд хэдэн объектоор солих нь хангалттай бөгөөд энэ нь шугаман масштабын фэн барихтай адил юм. Доор хэлэлцэх бусад сонголтууд байдаг.

Иймд таних аргуудын тойм нь одоо онолын хувьд хэд хэдэн өөр хэв маягийг таних аргуудыг боловсруулсан болохыг харуулж байна. Уран зохиол нь тэдгээрийн нарийвчилсан ангиллыг өгдөг. Гэсэн хэдий ч эдгээр аргуудын дийлэнх нь програм хангамжийн хэрэгжилт байхгүй бөгөөд энэ нь үнэхээр байгалийн зүйл бөгөөд таних аргуудын шинж чанараар "урьдчилан тодорхойлсон" гэж хэлж болно. Ийм системийг тусгай ном зохиол болон бусад мэдээллийн эх сурвалжид ховор дурддаг тул үүнийг дүгнэж болно.

Иймээс бодит (өөрөөр хэлбэл нэлээд ач холбогдолтой) өгөгдлийн хэмжээсүүд болон бодит орчин үеийн компьютер дээр практик асуудлыг шийдвэрлэхэд онолын таних тодорхой аргуудыг практикт ашиглах эсэх асуудал хангалтгүй хөгжсөн хэвээр байна.

Математик загварын нарийн төвөгтэй байдал нь системийн програм хангамжийн хэрэгжилтийн нарийн төвөгтэй байдлыг экспоненциал байдлаар нэмэгдүүлж, энэ систем практикт ажиллах боломжийг бууруулдаг гэдгийг санах юм бол дээр дурдсан нөхцөл байдлыг ойлгож болно. Энэ нь бодит байдал дээр зөвхөн нэлээд энгийн бөгөөд "ил тод" математик загварт суурилсан програм хангамжийн системийг зах зээлд нэвтрүүлэх боломжтой гэсэн үг юм. Тиймээс программ хангамжийн бүтээгдэхүүнээ хуулбарлах сонирхолтой хөгжүүлэгч математик загварыг сонгох асуудалд цэвэр шинжлэх ухааны үүднээс биш, харин программ хангамжийг хэрэгжүүлэх боломжийг харгалзан прагматикч байдлаар ханддаг. Загвар нь аль болох энгийн байх ёстой гэж тэр үзэж байгаа бөгөөд энэ нь бага зардлаар, илүү чанартай хэрэгжих ёстой бөгөөд энэ нь бас ажиллах ёстой (практик үр дүнтэй байх ёстой).

Үүнтэй холбогдуулан таних системд нэг ангилалд хамаарах объектын тодорхойлолтыг ерөнхийд нь илэрхийлэх механизмыг хэрэгжүүлэх ажил нь ялангуяа хамааралтай мэт санагдаж байна, жишээлбэл. авсаархан ерөнхий дүр төрхийг бий болгох механизм. Мэдээжийн хэрэг, ийм ерөнхийлөлт механизм нь аливаа хэмжээсийн сургалтын дээжийг хэмжээсээр урьдчилан мэддэг ерөнхий зургийн мэдээллийн санд "шахах" боломжтой болгоно. Энэ нь прототиптэй харьцуулах арга, k-хамгийн ойрын хөршийн арга, АВО гэх мэт таних аргуудад ч томъёолж чадахгүй байгаа хэд хэдэн асуудлыг тавьж, шийдвэрлэх боломжийг олгоно.

Эдгээр нь даалгаварууд юм:

• ерөнхий зургийн мэдээллийн хөрөг дэх шинж чанаруудын мэдээллийн хувь нэмрийг тодорхойлох;
• ерөнхий дүрсний кластер-конструктив дүн шинжилгээ;
• шинж чанарын семантик ачааллыг тодорхойлох;
• шинж чанаруудын семантик кластер-конструктив шинжилгээ;
• Ангиудын ерөнхий дүр төрхийг бие биентэйгээ харьцуулах, бие биетэйгээ шинж чанаруудыг харьцуулах (танин мэдэхүйн диаграм, түүний дотор Мерлин диаграм).

Эдгээр асуудлыг шийдвэрлэх боломжийг олгосон арга нь түүн дээр суурилсан ирээдүйтэй системийг бусад системээс ялгаж өгдөг, учир нь хөрвүүлэгч нь орчуулагчдаас ялгаатай байдаг, учир нь энэхүү ирээдүйтэй системд ерөнхий дүр төрхийг бий болгосны ачаар таних хугацаа нь бие даасан байдаг. сургалтын дээжийн хэмжээнд хүрсэн. Энэ хамаарал байгаа нь хангалттай статистикийн талаар ярих боломжтой бол хамгийн ойрын хөршийн арга, ABO, KRP зэрэг сургалтын түүврийн хэмжигдэхүүнүүдэд компьютерийн цагийг хүлээн зөвшөөрөх боломжгүй зардалд хүргэдэг нь мэдэгдэж байна. .

Таних аргуудын тухай товч тоймыг дүгнэхийн тулд дээр дурдсан зүйлийн мөн чанарыг дараах параметрүүдийн дагуу хэв маягийг таних янз бүрийн аргуудын товч тайлбарыг агуулсан хураангуй хүснэгтэд (Хүснэгт 3.1) толилуулъя.

• таних аргын ангилал;
• таних аргын хэрэглээний талбар;
• таних аргын хязгаарлалтын ангилал.

Хүснэгт 3.1 - Хүлээн зөвшөөрөх аргуудын ангиллын хураангуй хүснэгт, тэдгээрийн хэрэглээний талбар, хязгаарлалтын харьцуулалт

Нарийн төвөгтэй системийг удирдах автоматжуулалт дахь хэв маягийг таних үүрэг, байр суурь

Автомат удирдлагын систем нь хяналтын объект ба удирдлагын систем гэсэн хоёр үндсэн хэсгээс бүрдэнэ.

Хяналтын систем нь дараахь үүргийг гүйцэтгэдэг.

• хяналтын объектын төлөв байдлыг тодорхойлох;
• хяналтын объект, хүрээлэн буй орчны төлөв байдлыг харгалзан удирдлагын зорилгод суурилсан хяналтын үйл ажиллагааг боловсруулах;
• хяналтын объектод хяналтын нөлөө үзүүлэх.

Загвар таних нь зарим объектын төлөв байдлыг тодорхойлохоос өөр зүйл биш юм.

Тиймээс хяналтын объектын төлөв байдлыг тодорхойлох үе шатанд хэв маягийг таних системийг ашиглах боломж нь нэлээд ойлгомжтой бөгөөд байгалийн юм. Гэсэн хэдий ч энэ нь шаардлагагүй байж магадгүй юм. Тиймээс ямар тохиолдолд автоматжуулсан удирдлагын системд таних системийг ашиглах нь зүйтэй, ямар тохиолдолд хэрэглэхгүй вэ гэсэн асуулт гарч ирнэ.

Уран зохиолын дагуу хяналтын объектын төлөв байдлыг тодорхойлох, хяналтын үйлдлүүдийг боловсруулах дэд системүүдэд өмнө нь боловсруулсан, орчин үеийн олон автоматжуулсан хяналтын системүүд нь "шууд тооцооллын" детерминист математик загваруудыг ашигладаг бөгөөд энэ нь хяналттай юу хийхийг хоёрдмол утгагүй бөгөөд энгийн байдлаар тодорхойлдог. тодорхой гадаад параметртэй бол объект.

Үүний зэрэгцээ эдгээр параметрүүд нь хяналтын объектын зарим төлөвтэй хэрхэн холбоотой вэ гэсэн асуулт гарч ирээгүй, шийдэгдээгүй байна. Энэ байр суурь нь "анхдагчаар" тэдний ганцаарчилсан харилцааг хүлээн зөвшөөрдөг гэсэн үзэл бодолтой тохирч байна. Тиймээс "хяналтын объектын параметрүүд" ба "хяналтын объектын төлөв" гэсэн нэр томъёог ижил утгатай гэж үздэг бөгөөд "хяналтын объектын төлөв" гэсэн ойлголтыг огт тусгаагүй болно. Гэсэн хэдий ч ерөнхий тохиолдолд хяналтын объектын ажиглагдах параметрүүд болон түүний төлөв байдлын хоорондын хамаарал нь динамик, магадлалын шинж чанартай байдаг нь ойлгомжтой.

Тиймээс уламжлалт автоматжуулсан хяналтын системүүд нь үндсэндээ параметрийн хяналтын системүүд юм. хяналтын объектын төлөв байдлыг бус зөвхөн ажиглаж болох параметрүүдийг удирддаг системүүд. Хяналтын арга хэмжээний тухай шийдвэрийг "сохроор" гэх мэт системд гаргадаг. Хяналтын объект, хүрээлэн буй орчны өнөөгийн байдлын талаархи цогц дүр төрхийг бий болгохгүйгээр, түүнчлэн хүрээлэн буй орчны хөгжил, түүнд үзүүлэх тодорхой хяналтын нөлөөнд хяналтын объектын хариу урвалыг урьдчилан таамаглахгүйгээр, хүрээлэн буй орчны урьдчилан таамагласан нөлөөлөлтэй нэгэн зэрэг ажиллах. .

Энэхүү ажилд боловсруулсан хэтийн төлөвөөс харахад "шийдвэр гаргах" гэсэн нэр томъёог орчин үеийн утгаар нь уламжлалт автомат удирдлагын системд бүрэн хэрэглэх боломжгүй юм. Баримт нь "шийдвэр гаргах" нь хамгийн багадаа хүрээлэн буй орчны объектыг зөвхөн одоогийн төлөв байдалд нь төдийгүй динамикийн хувьд, бие биетэйгээ болон хяналтын системтэй харилцах харилцааны цогц алсын хараатай байхыг шаарддаг. Энэ бүхэл бүтэн системийг хөгжүүлэх янз бүрийн хувилбаруудыг авч үзэх, түүнчлэн тодорхой зорилтот шалгуурт үндэслэн эдгээр хувилбаруудын олон янз байдлыг (багасгах) нарийсгах. Мэдээжийн хэрэг, эдгээрийн аль нь ч уламжлалт автомат удирдлагын системд байдаггүй, эсвэл байдаг, гэхдээ хялбаршуулсан хэлбэрээр байдаг.

Мэдээжийн хэрэг, уламжлалт арга нь хангалттай бөгөөд хяналтын объект нь үнэхээр тогтвортой, хатуу тодорхойлогдсон систем бөгөөд хүрээлэн буй орчны нөлөөллийг үл тоомсорлож болох тохиолдолд ашиглах нь нэлээд зөв бөгөөд үндэслэлтэй юм.

Гэсэн хэдий ч бусад тохиолдолд энэ арга нь үр дүнгүй байдаг.

Хэрэв хяналтын объект нь динамик бол оролт ба гаралтын параметрүүдийн хоорондын хамаарал, мөн чухал параметрүүдийн багц нь өөрөө өөрчлөгддөг тул хяналтын алгоритмын үндсэн загварууд хурдан хангалтгүй болно. Үндсэндээ энэ нь уламжлалт автоматжуулсан хяналтын системүүд нь хяналтын объектын төлөв байдлыг зөвхөн тэнцвэрийн цэгийн ойролцоох сул хяналтын үйлдлээр хянах чадвартай гэсэн үг юм. жижиг цочролын аргаар. Тэнцвэрийн байдлаас хол, уламжлалт үүднээс авч үзвэл хяналтын объектын зан байдал нь урьдчилан таамаглах боломжгүй, хяналтгүй харагдаж байна.

Хэрэв хяналтын объектын оролт ба гаралтын параметрүүдийн хооронд хоёрдмол утгагүй холболт байхгүй бол (жишээлбэл, оролтын параметрүүд ба объектын төлөвийн хооронд), өөрөөр хэлбэл, хэрэв энэ холболт нь тодорхой магадлалын шинж чанартай бол энэ нь тодорхойлогдсон загварууд юм. Тодорхой параметрийг хэмжсэний үр дүн нь зүгээр л тоо гэж таамагласан нь эхэндээ хэрэглэгдэхгүй. Нэмж дурдахад, энэ холболтын төрөл нь зүгээр л тодорхойгүй байж болох бөгөөд дараа нь энэ нь магадлалын шинжтэй эсвэл огт тогтоогдоогүй гэсэн ерөнхий таамаглалаас гарах шаардлагатай.

Уламжлалт зарчим дээр суурилсан автоматжуулсан хяналтын систем нь зөвхөн холболтын загвар нь мэдэгдэж, судалж, математик загварт тусгагдсан параметрийн үндсэн дээр ажиллах боломжтой хамгийн чухал параметрүүдийг тодорхойлох, тэдгээрийн хоорондын холболтын шинж чанар болон хяналтын объектын төлөв байдлыг тодорхойлох чадвартай системийг бий болгох боломжтой хяналтын системүүд.

Энэ тохиолдолд бодит нөхцөл байдалд тохирсон хэмжилтийн илүү боловсронгуй аргуудыг ашиглах шаардлагатай.

• дүрсийг ангилах, таних (сургалтын багц дээр үндэслэн суралцах, таних алгоритмын дасан зохицох чадвар, судалж буй анги, параметрийн багцын дасан зохицох чадвар, хамгийн чухал параметрүүдийг сонгох, өгөгдсөн илүүдлийг хадгалахын тулд тайлбарын хэмжээг багасгах гэх мэт);
• тодорхой параметрийг хэмжих үр дүн нь тусдаа тоо биш, харин магадлалын тархалт болох статистик хэмжилтүүд: статистик хувьсагчийн өөрчлөлт нь түүний утгыг өөрчилдөггүй, харин магадлалын тархалтын шинж чанарыг өөрчилдөг гэсэн үг юм. түүний үнэт зүйлс.

Үүний үр дүнд уламжлалт детерминистик хандлагад суурилсан автоматжуулсан хяналтын системүүд нь жишээлбэл, "Динамик эдийн засаг дахь макро ба микро нийгэм-эдийн засгийн системүүд гэх мэт нарийн төвөгтэй динамик олон параметртэй сул тодорхойлогдсон хяналтын объектуудтай бараг ажилладаггүй. шилжилтийн үе”, шаталсан элит ба угсаатны бүлгүүд, нийгэм ба сонгогчид, хүний ​​физиологи ба сэтгэл зүй, байгалийн болон зохиомол экосистем болон бусад олон.

80-аад оны дундуур И.Пригожинийн сургууль аливаа тогтолцооны (хүнийг оролцуулаад) хөгжил нь тухайн систем нь "ихэвчлэн тодорхойлогч" эсвэл "ихэвчлэн санамсаргүй" байдлаар явагддаг үеийг сольж байдаг арга барилыг боловсруулсан нь маш чухал юм. Мэдээжийн хэрэг, жинхэнэ хяналтын систем нь хяналтын объектыг түүхийнхээ "детерминист" хэсэгт төдийгүй цаашдын үйл ажиллагаа нь маш тодорхойгүй болох үед тогтвортой хянах ёстой. Энэ нь дангаараа зан төлөв нь санамсаргүй байдлын томоохон элементийг (эсвэл математикийн хувьд "санамсаргүй" гэж тодорхойлсон) агуулсан хяналтын системд хандах хандлагыг боловсруулах шаардлагатай гэсэн үг юм.

Тиймээс нарийн төвөгтэй динамик олон параметртэй сул детерминистик системийг хянах ирээдүйтэй автоматжуулсан удирдлагын системд хиймэл оюун ухааны аргууд (ялангуяа хэв маягийг таних), шийдвэр гаргахад дэмжлэг үзүүлэх аргад суурилсан хүрээлэн буй орчин, хяналтын объектын төлөв байдлыг тодорхойлох, урьдчилан таамаглах дэд системүүд багтах болно. бүтээх ба мэдээллийн онол.

Хяналтын үйлдлүүдийн талаар шийдвэр гаргахын тулд зураг таних системийг ашиглах асуудлыг товч авч үзье (энэ асуудал нь энэ ажлын гол асуудал тул дараа нь илүү дэлгэрэнгүй авч үзэх болно). Хэрэв бид хяналтын объектын зорилтот болон бусад төлөвийг таних анги, түүнд нөлөөлж буй хүчин зүйлсийг шинж чанар болгон авч үзвэл хэв маягийг таних загварт хүчин зүйл ба төлөв байдлын хоорондын хамаарлын хэмжүүрийг үүсгэж болно. Энэ нь тухайн хяналтын объектын төлөв байдалд шилжихэд саад болж буй хүчин зүйлийн талаар мэдээлэл олж авах, үүний үндсэн дээр хяналтын үйл ажиллагааны талаар шийдвэр гаргах боломжийг олгодог.

Хүчин зүйлсийг дараах бүлгүүдэд хувааж болно.

• хяналтын объектын арын дэвсгэрийг тодорхойлох;
• хяналтын объектын өнөөгийн байдлыг тодорхойлох;
• хүрээлэн буй орчны хүчин зүйлүүд;
• технологийн (хянах боломжтой) хүчин зүйлүүд.

Тиймээс хэв маягийг таних системийг автоматжуулсан хяналтын системийн нэг хэсэг болгон ашиглаж болно: хяналтын объектын төлөв байдлыг тодорхойлох, хяналтын үйлдлийг боловсруулах дэд системд.

Энэ нь хяналтын объект нь нарийн төвөгтэй системтэй үед тохиромжтой.

Автомат удирдлагын систем дэх хяналтын үйл ажиллагааны талаар шийдвэр гаргах

Дасан зохицох автоматжуулсан удирдлагын системийг нарийн төвөгтэй системээр нэгтгэх асуудлыг шийдэх шийдлийг хэв маягийг таних, шийдвэр гаргах аргуудын хоорондох олон, гүнзгий аналогийг харгалзан үзсэн болно.

Нэг талаас, хэв маягийг таних асуудал нь хүлээн зөвшөөрөгдсөн объект нь таних тодорхой ангилалд хамаарах эсэх талаар шийдвэр гаргах явдал юм.

Нөгөө талаас, зохиогчид шийдвэр гаргах асуудлыг урвуу код тайлах асуудал эсвэл урвуу хэв маягийг таних асуудал гэж үзэхийг санал болгож байна (2.2.2-ыг үзнэ үү).

Загварыг таних, шийдвэр гаргах аргын үндсэн санаануудын нийтлэг байдал нь тэдгээрийг мэдээллийн онолын үүднээс авч үзэхэд ялангуяа тод илэрдэг.

Шийдвэр гаргах янз бүрийн асуудал

Шийдвэр гаргах нь зорилгоо биелүүлэх явдал юм

Тодорхойлолт: Шийдвэр гаргах ("сонголт") гэдэг нь олон тооны хувилбарууд дээр хийх үйлдэл бөгөөд үүний үр дүнд анхны хувилбарууд нарийсдаг, өөрөөр хэлбэл. түүний бууралт үүснэ.

Сонголт нь бүх үйл ажиллагаанд зорилго өгдөг үйлдэл юм. Сонголтын үйлдлээр дамжуулан бүх үйл ажиллагааг тодорхой зорилго эсвэл харилцан уялдаатай олон зорилгод захируулах нь хэрэгждэг.

Тиймээс сонголт хийх боломжтой болохын тулд дараахь зүйлийг хийх шаардлагатай.

• сонголт хийх шаардлагатай олон хувилбаруудыг бий болгох эсвэл нээх;
• сонголт хийх зорилгоо тодорхойлох;
• Өөр хувилбаруудыг бие биетэйгээ харьцуулах аргыг боловсруулах, хэрэглэх, жишээлбэл. Альтернатив тус бүрийг зорилгодоо хэр нийцэж байгааг шууд бусаар үнэлэх боломжийг олгодог тодорхой шалгуурын дагуу хувилбар бүрийн давуу үнэлгээг тодорхойлох.

Шийдвэр гаргахад дэмжлэг үзүүлэх орчин үеийн ажил нь хамгийн сайн (тодорхой утгаараа) шийдлийг олохыг бүрэн албан ёсны болгох нь зөвхөн сайн судлагдсан, харьцангуй энгийн асуудлуудад боломжтой байдаг бол практикт сул бүтэцтэй асуудлууд байдаг гэсэн онцлог нөхцөл байдлыг илрүүлсэн. Албан ёсны алгоритмыг бүрэн боловсруулаагүй (бүрэн хайлт, туршилт, алдаанаас бусад) илүү олон удаа тулгардаг. Гэсэн хэдий ч туршлагатай, чадварлаг, чадвартай мэргэжилтнүүд ихэвчлэн сайн сонголт хийдэг. Тиймээс байгалийн нөхцөлд шийдвэр гаргах практикт орчин үеийн чиг хандлага нь хүний ​​албан бус асуудлыг шийдвэрлэх чадварыг албан ёсны арга, компьютерийн загварчлалын чадвартай хослуулах явдал юм: шийдвэр гаргахад дэмжлэг үзүүлэх интерактив систем, шинжээчийн систем, дасан зохицох хүн-машины автомат удирдлагын систем. , мэдрэлийн сүлжээ ба танин мэдэхүйн систем.

Шийдвэр гаргах нь тодорхойгүй байдлыг арилгах (мэдээллийн арга)

Мэдээллийг олж авах үйл явцыг дохио хүлээн авсны үр дүнд тодорхойгүй байдлын бууралт гэж үзэж болно, мэдээллийн хэмжээг тодорхой бус байдлыг арилгах түвшний тоон хэмжүүр гэж үзэж болно.

Гэхдээ багцаас тодорхой дэд багцыг сонгосны үр дүнд, i.e. шийдвэр гаргасны үр дүнд ижил зүйл тохиолддог (тодорхойгүй байдлыг багасгах). Энэ нь сонголт бүр, шийдвэр бүр тодорхой хэмжээний мэдээллийг бий болгодог тул мэдээллийн онолоор тайлбарлаж болно гэсэн үг юм.

Шийдвэр гаргах асуудлын ангилал

Шийдвэр гаргах даалгаврын олон талт байдал нь шийдвэр гаргах нөхцөл байдлын бүрэлдэхүүн хэсэг бүрийг чанарын хувьд өөр өөр хувилбараар хэрэгжүүлэх боломжтой байдагтай холбоотой юм.

Эдгээр сонголтуудын хэдхэнийг жагсаая:

• хувилбаруудын багц нь нэг талаас, хязгаарлагдмал, тоолж болох эсвэл тасралтгүй, нөгөө талаас хаалттай (өөрөөр хэлбэл бүрэн мэдэгдэж байгаа) эсвэл нээлттэй (үл мэдэгдэх элементүүдийг оруулаад) байж болно;
• хувилбаруудын үнэлгээг нэг буюу хэд хэдэн шалгуурын дагуу хийж болох бөгөөд энэ нь эргээд тоон болон чанарын шинж чанартай байж болно;
• Сонгох горим нь дан (нэг удаагийн) эсвэл олон, давтагдах, сонголтын үр дүнгийн талаархи санал хүсэлтийг багтаасан байж болно. өмнөх сонгуулийн үр дагаврыг харгалзан шийдвэр гаргах алгоритмыг сургах боломжийг олгох;
• Альтернатив хувилбар бүрийг сонгох үр дагаврыг урьдчилан мэдэж болно (тодорхой нөхцөлд сонголт хийх), хийсэн сонголтын дараа гарч болзошгүй үр дагаврын магадлал тодорхой бол магадлалын шинж чанартай (эрсдлийн нөхцөлд сонголт) эсвэл тодорхойгүй тодорхой бус үр дагавартай байх боломжтой. магадлал (тодорхойгүй нөхцөлд сонголт хийх);
• сонголт хийх хариуцлага байхгүй, хувь хүн эсвэл бүлэг байж болно;
• Бүлгийн сонголт дахь зорилгын тууштай байдлын зэрэг нь талуудын ашиг сонирхлын бүрэн давхцлаас (хоршооны сонголт) эсрэг тал (мөргөлдөөнтэй нөхцөлд сонголт) хүртэл өөр өөр байж болно. Завсрын хувилбарууд бас боломжтой: буулт хийх, эвсэх, зөрчилдөөн нэмэгдэх эсвэл бүдгэрэх.

Эдгээр сонголтуудын янз бүрийн хослолууд нь янз бүрийн түвшинд судлагдсан шийдвэр гаргахад олон асуудал үүсгэдэг.

Шийдвэр гаргах аргуудыг тайлбарлах хэл

Нэг ижил үзэгдлийг өөр өөр хэлээр янз бүрийн түвшний ерөнхий, хангалттай байдлаар ярьж болно. Өнөөдрийг хүртэл сонголтыг тайлбарлах гурван үндсэн хэл бий болсон.

Хамгийн энгийн, хамгийн хөгжсөн, хамгийн алдартай нь шалгуурын хэл юм.

Шалгуур хэл

Энэ хэлний нэр нь бие даасан хувилбар бүрийг тодорхой (нэг) тоогоор үнэлэх боломжтой гэсэн үндсэн таамаглалтай холбоотой бөгөөд үүний дараа хувилбаруудын харьцуулалтыг харгалзах тоонуудын харьцуулалт болгон бууруулна.

Жишээлбэл, (X) нь альтернативуудын олонлог, x нь энэ олонлогт хамаарах тодорхой хувилбарууд байг: x∈X. Дараа нь бүх x-ийн хувьд q(x) функцийг зааж өгөх боломжтой гэж үздэг бөгөөд үүнийг шалгуур гэж нэрлэдэг (чанарын шалгуур, зорилгын функц, давуу функц, ашигтай функц гэх мэт), хэрэв өөр x 1 байвал илүүд үздэг шинж чанартай байдаг. x 2 хүртэл (хэмжээ: x 1 > x 2), дараа нь q(x 1) > q(x 2).

Энэ тохиолдолд сонголт нь өөр хувилбар хайж олох явдал юм хамгийн өндөр үнэ цэнэшалгуурын функц.

Гэсэн хэдий ч бодит байдал дээр хувилбаруудын давуу байдлын түвшинг харьцуулахдаа зөвхөн нэг шалгуурыг ашиглах нь үндэслэлгүй хялбаршуулсан үйлдэл болж хувирдаг. дэлгэрэнгүй авч үзэххувилбарууд нь тэдгээрийг нэгээр нь биш, харин байж болох олон шалгуураар үнэлэх шаардлагад хүргэдэг өөр мөн чанармөн чанарын хувьд бие биенээсээ ялгаатай.

Жишээлбэл, зорчигчдод болон ашиглалтын байгууллагад хамгийн их хүлээн зөвшөөрөгдсөн агаарын хөлгийн төрлийг сонгохдоо тодорхой төрөлЗамуудыг техникийн, технологи, эдийн засаг, нийгэм, эргономик гэх мэт олон бүлгийн шалгуурын дагуу нэгэн зэрэг харьцуулдаг.

Олон шалгуурын асуудалд өвөрмөц ерөнхий шийдэл байдаггүй. Тиймээс олон шалгуурт бодлого өгөх олон аргыг санал болгож байна хувийн үзэмж, зөвхөн нэгийг зөвшөөрдөг нийтлэг шийдвэр. Мэдээжийн хэрэг, эдгээр шийдлүүд нь янз бүрийн аргуудын хувьд өөр өөр байдаг. Тиймээс олон шалгуурын асуудлыг шийдвэрлэхэд хамгийн чухал зүйл бол энэ төрлийн томъёоллыг зөвтгөх явдал юм.

Олон шалгуураар сонгох асуудлыг хялбарчлахын тулд янз бүрийн хувилбаруудыг ашигладаг. Тэдгээрийн заримыг жагсаацгаая.

1. Нөхцөлт дээд хэмжээ (интеграл шалгуурын дэлхийн экстремум олдохгүй, гэхдээ орон нутгийн экстремумүндсэн шалгуур).
2. Заасан шинж чанартай өөр хувилбар хайх.
3. Парето олонлогийг олох.
4. Интеграл шалгуурыг нэвтрүүлэх замаар олон шалгууртай бодлогыг нэг шалгууртай бодлого болгон бууруулах.

Олон шалгуурт асуудлыг нэг шалгуур болгон бууруулах аргын албан ёсны томъёоллыг илүү нарийвчлан авч үзье.

Ингээд танилцуулъя интеграл шалгуур q 0 (x), вектор аргументын скаляр функцээр:

q 0 (x) = q 0 ((q 1 (x), q 2 (x), ..., q n (x)).

Интеграл шалгуур нь q 0-ийн утгын дагуу хувилбаруудыг захиалах боломжийг олгодог бөгөөд ингэснээр хамгийн сайн (энэ шалгуурын утгаараа) онцлох болно. q 0 функцийн хэлбэр нь шалгуур тус бүрийн интеграл шалгуурт оруулах хувь нэмрийг бид хэрхэн тусгайлан төсөөлж байгаагаас хамаарч тодорхойлогддог. Нэмэлт ба үржүүлэх функцийг ихэвчлэн ашигладаг.

q 0 = ∑a i ⋅q i /s i

1 - q 0 = ∏(1 - b i ⋅q i /s i)

Миний өгсөн коэффициентууд:

1. a i ⋅q i /s i тооны хэмжээсгүй байдал эсвэл нэг хэмжээс (янз бүрийн тодорхой шалгуурууд байж болно өөр өөр хэмжээтэй, дараа нь тэдгээрт арифметик үйлдлүүд хийж, интеграл шалгуур болгон багасгах боломжгүй).
2. Хэвийн байдал, өөрөөр хэлбэл. нөхцөлийг хангах: b i ⋅q i /s i<1.

a i ба b i коэффициентүүд нь q i хэсэгчилсэн шалгуурын интеграл шалгуурт харьцангуй хувь нэмрийг тусгана.

Тиймээс, олон шалгуурын томъёололд аль нэг хувилбарыг сонгох шийдвэр гаргах асуудал нь интеграл шалгуурыг хамгийн их байлгахад хүргэдэг.

x * = arg max(q 0 (q 1 (x), q 2 (x), ..., q n (x)))

Шийдвэр гаргах асуудлыг олон шалгуураар томъёолоход тулгарч буй гол асуудал бол загварын дараах шинж чанарыг хангах a i ба b i коэффициентүүдийн аналитик хэлбэрийг олох шаардлагатай байгаа явдал юм.

• тухайн сэдэв, мэргэжилтнүүдийн үзэл бодолд нийцсэн байдал;
• интеграл шалгуурыг хамгийн их байлгахад хамгийн бага тооцооллын хүндрэл, i.e. янз бүрийн хувилбаруудын тооцоо;
• анхны өгөгдлийн бага зэргийн эвдрэлээс интеграл шалгуурыг нэмэгдүүлэх үр дүнгийн тогтвортой байдал.
• Шийдлийн тогтвортой байдал гэдэг нь анхны өгөгдлийн бага зэрэг өөрчлөлт нь интеграл шалгуурын утгыг бага зэрэг өөрчлөх, үүний дагуу гаргасан шийдвэрт бага зэрэг өөрчлөлт оруулах ёстой гэсэн үг юм. Тиймээс, хэрэв анхны өгөгдөл нь бараг ижил байвал шийдвэрийг ижил эсвэл маш ойрхон гаргах ёстой.

Дараалсан хоёртын сонголтын хэл

Хоёртын харилцааны хэл нь олон шалгуурт хэлний ерөнхий ойлголт бөгөөд өөр хувилбарыг үнэлэхдээ энэ үнэлгээ нь үргэлж харьцангуй байдаг гэдгийг харгалзан үзэхэд суурилдаг. Судалгаанд хамрагдсан багц эсвэл нийт хүн амын бусад хувилбаруудыг тодорхой эсвэл илүү олон удаа далд хэлбэрээр харьцуулах үндэслэл эсвэл лавлагааны хүрээ болгон ашигладаг. Хүний сэтгэлгээ нь эсрэг тэсрэг (бүтээл)-ийн эрэл хайгуул, дүн шинжилгээн дээр суурилдаг тул том, эрэмбэлэгдсэн багцаас нэг хувилбараас эсрэг хоёр хувилбарын аль нэгийг сонгох нь бидэнд үргэлж хялбар байдаг.

Тиймээс энэ хэлний үндсэн таамаглалууд нь дараах байдалтай байна.

• тусдаа хувилбарыг үнэлдэггүй, өөрөөр хэлбэл. шалгуурын функцийг нэвтрүүлээгүй;
• хос хувилбар бүрийн хувьд тэдгээрийн аль нэгийг нь нөгөөгөөсөө илүүд үздэг, эсхүл тэдгээр нь дүйцэхүйц эсвэл харьцуулшгүй гэдгийг ямар нэг байдлаар тогтоож болно;
• Аль ч хос хувилбар дахь давуу байдлын хамаарал нь сонгоход санал болгож буй үлдсэн хувилбаруудаас хамаарахгүй.

Хоёртын харилцааг тодорхойлох янз бүрийн арга байдаг: шууд, матриц, давуу график ашиглах, хэсгийн арга гэх мэт.

Нэг хосын хувилбаруудын хоорондын хамаарлыг эквивалент, дэг журам, давамгайлал гэсэн ойлголтоор илэрхийлдэг.

Сонгох функцийн ерөнхий хэл

Сонголтын функцийн хэл нь олонлогын онол дээр суурилдаг бөгөөд элементүүдийг тоолохгүйгээр олонлогоос тэдгээрийн дэд олонлогуудын өөр өөр сонголттой харгалзах зураглалтай ажиллах боломжийг олгодог. Энэ хэл нь маш ерөнхий бөгөөд ямар ч сонголтыг дүрслэх чадвартай. Гэсэн хэдий ч ерөнхий сонголтын функцүүдийн математик аппаратыг одоогоор зөвхөн шалгуурт суурилсан эсвэл хоёртын хандлагыг ашиглан аль хэдийн шийдсэн асуудлууд дээр голчлон боловсруулж, туршиж байна.

Бүлгийн сонголт

Хамтын шийдвэр гаргахад оролцох эрхтэй хэсэг бүлэг хүмүүс байгаасай. Энэ бүлэг тодорхой хувилбаруудыг авч үзэж байгаа бөгөөд бүлгийн гишүүн бүр өөрийн сонголтыг хийдэг гэж бодъё. Даалгавар бол хувь хүний ​​​​сонголтыг тодорхой хэмжээгээр зохицуулж, бүлгийн "ерөнхий санал бодлыг" илэрхийлэх шийдлийг боловсруулах явдал юм. бүлгийн сонголт гэж хүлээн зөвшөөрсөн.

Мэдээжийн хэрэг, хувь хүний ​​шийдвэрийг зохицуулах өөр өөр зарчмууд нь бүлгийн янз бүрийн шийдвэрт нийцэх болно.

Бүлэг сонгохдоо хувь хүний ​​шийдвэрийг зохицуулах дүрмийг санал хураах дүрэм гэж нэрлэдэг. Хамгийн түгээмэл нь "олонхийн дүрэм" бөгөөд хамгийн олон санал авсан хувилбарыг бүлгийн шийдвэр гэж хүлээн зөвшөөрдөг.

Ийм шийдвэр нь зөвхөн бүлэгт өөр өөр үзэл бодол давамгайлж байгааг харуулж байгаа бөгөөд хэн ч санал өгөх боломжгүй жинхэнэ оновчтой хувилбар биш гэдгийг ойлгох хэрэгтэй. "Үнэнийг санал хураалтаар тогтоодоггүй."

Нэмж дурдахад "санал өгөх парадокс" гэж нэрлэгддэг зүйлүүд байдаг бөгөөд тэдгээрийн хамгийн алдартай нь Arrow-ийн парадокс юм.

Эдгээр парадоксууд нь санал хураах процедурын маш тааламжгүй шинж тэмдгүүдэд хүргэж, заримдаа хүргэдэг: жишээлбэл, бүлэг нэг шийдвэр гаргаж чадахгүй байх тохиолдол байдаг (хороо байхгүй эсвэл хүн бүр өөр өөрийн гэсэн өвөрмөц сонголтоор санал өгдөг гэх мэт) .), заримдаа (олон үе шаттай санал хураалтаар) цөөнх олонхидоо хүсэл зоригоо тулгаж болно.

Тодорхой бус нөхцөлд сонголт хийх

Тодорхойгүй байдал нь тодорхойгүй байдлын онцгой тохиолдол, тухайлбал: энэ нь тэгтэй ойролцоо тодорхойгүй байдал юм.

Орчин үеийн сонголтын онолд шийдвэр гаргах асуудалд тодорхойгүй байдлын гурван үндсэн төрөл байдаг гэж үздэг.

1. Шийдвэр гаргах анхны өгөгдлийн мэдээллийн (статистикийн) тодорхой бус байдал.
2. Шийдвэр гаргах үр дагаврын тодорхой бус байдал (сонголт).
3. Шийдвэр гаргах үйл явцын бүрэлдэхүүн хэсгүүдийн тайлбар дахь тодорхой бус байдал.

Тэдгээрийг дарааллаар нь харцгаая.

Эх сурвалж дахь мэдээллийн (статистикийн) тодорхойгүй байдал

Тухайн сэдвийн талаар олж авсан өгөгдлийг туйлын үнэн зөв гэж үзэх боломжгүй юм. Нэмж дурдахад эдгээр өгөгдөл нь бидний сонирхлыг татдаггүй, гэхдээ зөвхөн бидний сонирхож буй зүйлийн талаархи тодорхой мэдээллийг агуулсан дохио юм. Тиймээс бид зөвхөн чимээ шуугиантай, алдаатай мэдээлэл төдийгүй шууд бус, магадгүй бүрэн бус мэдээлэлтэй харьцаж байна гэж үзэх нь илүү бодитой юм. Нэмж дурдахад, эдгээр өгөгдөл нь судалж буй нийт хүн амд хамаарахгүй, гэхдээ бид бодитоор мэдээлэл цуглуулж чадсан түүний тодорхой хэсэгтэй холбоотой боловч үүний зэрэгцээ бид нийт хүн амын талаар дүгнэлт хийхийг хүсч байна. Эдгээр дүгнэлтийн найдвартай байдлын түвшинг мэдэхийг хүсч байна.

Ийм нөхцөлд статистикийн шийдвэрийн онолыг ашигладаг.

Энэ онолд тодорхойгүй байдлын хоёр үндсэн эх сурвалж байдаг. Нэгдүгээрт, анхны өгөгдөл ямар тархалттай байгаа нь тодорхойгүй байна. Хоёрдугаарт, анхны өгөгдлийг бүрдүүлдэг дэд олонлогоос дүгнэлт гаргахыг хүсч буй олонлог (нийт хүн ам) ямар тархалттай байгаа нь тодорхойгүй байна.

Статистикийн процедур нь эдгээр хоёр төрлийн тодорхойгүй байдлыг арилгадаг шийдвэр гаргах журам юм.

Статистикийн аргыг буруу хэрэглэхэд хүргэдэг хэд хэдэн шалтгаан байдаг гэдгийг тэмдэглэх нь зүйтэй.

• Статистикийн дүгнэлт нь бусадтай адил тодорхой найдвартай, хүчинтэй байдаг. Гэхдээ бусад олон тохиолдлуудаас ялгаатай нь статистикийн дүгнэлтийн найдвартай байдал нь статистикийн судалгааны явцад мэдэгдэж, тодорхойлогддог;
• статистикийн процедурыг хэрэглэсний үр дүнд олж авсан шийдлийн чанар нь эх сурвалжийн өгөгдлийн чанараас хамаарна;
• статистикийн шинж чанаргүй өгөгдлийг статистикийн боловсруулалтад оруулахгүй байх;
• судалж буй популяцийн талаархи априори мэдээллийн түвшинд тохирсон статистикийн процедурыг ашиглах ёстой (жишээлбэл, ANOVA аргыг Гауссын бус өгөгдөлд хэрэглэх ёсгүй). Хэрэв анхны өгөгдлийн тархалт тодорхойгүй бол түүнийг тогтоох, эсвэл хэд хэдэн өөр аргыг хэрэглэж, үр дүнг харьцуулах шаардлагатай. Хэрэв тэдгээр нь маш өөр бол энэ нь ашигласан зарим процедурыг ашиглах боломжгүй болохыг харуулж байна.

Үр дагаврын тодорхойгүй байдал

Нэг эсвэл өөр хувилбарыг сонгохын үр дагаврыг альтернатив хувилбар нь хоёрдмол утгагүйгээр тодорхойлдог бол бид хувилбар болон түүний үр дагаврыг ялгаж салгаж чадахгүй, өөр хувилбарыг сонгосноор бид түүний үр дагаврыг үнэхээр сонгож байна гэж үздэг.

Гэсэн хэдий ч бодит амьдрал дээр нэг эсвэл өөр хувилбарыг сонгох нь хийсэн сонголтын үр дагаврыг хоёрдмол утгаар тодорхойлдог илүү төвөгтэй нөхцөл байдлыг даван туулах шаардлагатай болдог.

Альтернатив хувилбаруудын салангид багц ба тэдгээрийн сонгосон үр дүнгийн хувьд боломжит үр дүнгийн багц нь өөрөө бүх хувилбарт нийтлэг байдаг тохиолдолд өөр өөр хувилбарууд нь үр дүнгийн магадлалын хуваарилалтаар бие биенээсээ ялгаатай гэж бид үзэж болно. Ерөнхий тохиолдолд эдгээр магадлалын хуваарилалт нь хувилбаруудын сонголтын үр дүн болон үүссэн бодит үр дүнгээс хамаарч болно. Хамгийн энгийн тохиолдолд үр дүн нь адилхан магадлалтай. Үр дүн нь өөрөө ихэвчлэн олз эсвэл алдагдлын утгыг агуулдаг бөгөөд тоон хэлбэрээр илэрхийлэгддэг.

Хэрэв бүх хувилбарт үр дүн нь тэнцүү байвал сонгох зүйл байхгүй. Хэрэв тэдгээр нь өөр бол та тэдгээрийн тодорхой тоон тооцоог оруулан өөр хувилбаруудыг харьцуулж болно. Тоглоомын онолын олон янзын асуудлууд нь өөр хувилбаруудыг сонгох үр дүнд бий болох алдагдал ба олзуудын тоон шинж чанарын янз бүрийн сонголт, хувилбаруудыг сонгох талуудын хоорондын зөрчилдөөний янз бүрийн зэрэгтэй холбоотой байдаг.

Энэ төрлийн тодорхойгүй байдлыг тодорхой бус тодорхойгүй байдал гэж үзье

Аливаа сонголтын даалгавар бол сонголтуудын багцыг чиглэсэн нарийсгах даалгавар юм. Альтернатив хувилбаруудын албан ёсны тайлбар (тэдгээрийн жагсаалт, тэдгээрийн шинж чанар, параметрийн жагсаалт), тэдгээрийг харьцуулах дүрмийн тайлбар (шалгуур, хамаарал) хоёулаа үргэлж нэг буюу өөр хэмжүүрээр (нэг хэмжүүрээр) өгдөг. Үүнийг хийдэг хүн энэ талаар мэдэхгүй).

Бүх масштабууд бүдгэрч байгаа нь мэдэгдэж байгаа боловч янз бүрийн түвшинд байна. "Бүдгэрүүлэх" гэсэн нэр томъёо нь масштабын шинж чанарыг илэрхийлдэг бөгөөд энэ нь ялгах боломжтой хоёр хувилбарыг үргэлж танилцуулах боломжтой байдагтай холбоотой юм. ижил масштабаар ялгаатай, ялгагдахгүй, i.e. адилхан, нөгөө нь - илүү бүдэг. Тодорхой масштабын зэрэглэл бага байх тусам улам бүр бүдгэрнэ.

Тиймээс бид өөр хувилбаруудыг тодорхой харж, үүнтэй зэрэгцэн тодорхой бус ангилж болно, өөрөөр хэлбэл. аль ангилалд хамаарах нь тодорхойгүй байна.

Беллман, Заде нар тодорхой бус нөхцөлд шийдвэр гаргах анхны ажилдаа аль хэдийн зорилго, хязгаарлалтыг альтернатив олонлог дээр тодорхой бус олонлогоор илэрхийлэх ёстой гэсэн санааг дэвшүүлсэн.

Оновчлолын аргын зарим хязгаарлалтын тухай

Дээр дурдсан бүх сонгон шалгаруулалтын асуудал, шийдвэр гаргах аргуудын хувьд асуудал нь өгөгдсөн нөхцөлд анхны багцаас хамгийн сайныг нь олох явдал байв. тодорхой утгаараа оновчтой хувилбарууд.

Оновчтой байдлын санаа нь кибернетикийн гол санаа бөгөөд техникийн системийг зохион бүтээх, ажиллуулах практикт бат бөх байршжээ. Үүний зэрэгцээ бид үүнийг нийгэм-эдийн засгийн тогтолцоо гэх мэт нарийн төвөгтэй, том, сул тодорхойлогдсон тогтолцоог удирдах талбарт шилжүүлэхийг оролдох үед энэ санааг анхааралтай авч үзэхийг шаарддаг.

Ийм дүгнэлт гаргахад хангалттай үндэслэл бий. Тэдгээрийн заримыг нь харцгаая:

1. Хамгийн оновчтой шийдэл нь ихэвчлэн тогтворгүй байдаг, жишээлбэл. Асуудлын нөхцөл, орц, хязгаарлалтын бага зэргийн өөрчлөлт нь ихээхэн ялгаатай хувилбаруудыг сонгоход хүргэдэг.
2. Оновчлолын загварыг зөвхөн бодит хяналтын объектуудыг хангалттай, системтэйгээр тусгадаггүй нэлээд энгийн асуудлын нарийн ангиллаар боловсруулдаг. Ихэнх тохиолдолд оновчлолын аргууд нь зөвхөн зарим том, нарийн төвөгтэй системийн нэлээд энгийн бөгөөд албан ёсоор тайлбарласан дэд системийг оновчтой болгох боломжийг олгодог. зөвхөн орон нутгийн оновчлолыг зөвшөөрөх. Гэсэн хэдий ч хэрэв том системийн дэд систем бүр оновчтой ажилладаг бол энэ нь систем бүхэлдээ оновчтой ажиллана гэсэн үг биш юм. Тиймээс, дэд системийг оновчтой болгох нь системийг бүхэлд нь оновчтой болгоход шаардлагатай зан төлөвт хүргэдэггүй. Түүнээс гадна заримдаа орон нутгийн оновчлол нь бүхэлдээ системийн хувьд сөрөг үр дагаварт хүргэж болзошгүй юм. Тиймээс дэд системүүд болон системийг бүхэлд нь оновчтой болгохдоо зорилго, дэд зорилгын мод, тэдгээрийн тэргүүлэх чиглэлийг тодорхойлох шаардлагатай.
3. Ихэнхдээ зарим математик загварын дагуу оновчлолын шалгуурыг нэмэгдүүлэх нь оновчлолын зорилго гэж тооцогддог боловч бодит байдал дээр зорилго нь хяналтын объектыг оновчтой болгох явдал юм. Оновчлолын шалгуурууд болон математик загварууд нь үргэлж зорилготой шууд бусаар холбоотой байдаг, i.e. их бага хэмжээгээр хангалттай, гэхдээ үргэлж ойролцоогоор.

Тиймээс математикийн хувьд зохих ёсоор албан ёсны болгох боломжтой системүүдийн хувьд маш үр дүнтэй оновчтой байдлын санааг нарийн төвөгтэй системд болгоомжтой шилжүүлэх хэрэгтэй. Мэдээжийн хэрэг, заримдаа ийм системд санал болгож болох математик загваруудыг оновчтой болгох боломжтой. Гэсэн хэдий ч нарийн төвөгтэй системүүдийн хувьд үл тоомсорлож болохгүй эдгээр загваруудыг маш хялбаршуулсан байдал, түүнчлэн нарийн төвөгтэй системүүдийн хувьд эдгээр загваруудын хүрэлцээний зэрэг нь бараг тодорхойгүй байгааг үргэлж анхаарч үзэх хэрэгтэй. . Тиймээс энэ оновчлол нь ямар практик ач холбогдолтой болохыг мэдэхгүй байна. Техникийн систем дэх оновчлолын өндөр практик байдал нь нарийн төвөгтэй системийг оновчтой болгоход үр дүнтэй байх болно гэсэн хуурмаг байдлыг төрүүлэх ёсгүй. Нарийн төвөгтэй системийг утга учиртай математик загварчлах нь маш хэцүү, ойролцоо, буруу юм. Систем нь илүү төвөгтэй байх тусам түүнийг оновчтой болгох санааг илүү болгоомжтой хийх хэрэгтэй.

Тиймээс нарийн төвөгтэй, том, сул детерминист системийг хянах аргыг боловсруулахдаа зохиогчид гол зүйл бол сонгосон арга барилын албан ёсны математикийн үүднээс оновчтой байхаас гадна түүний зорилгод нийцсэн байдал, мөн чанарыг харгалзан үздэг. хяналтын объект.

Мэргэжилтэнг сонгох арга

Нарийн төвөгтэй системийг судлахдаа янз бүрийн шалтгааны улмаас одоогийн боловсруулсан математикийн аппаратыг ашиглан нарийн томъёолж, шийдвэрлэх боломжгүй асуудлууд ихэвчлэн гарч ирдэг. Эдгээр тохиолдолд шинжээчдийн (системийн шинжээчдийн) үйлчилгээг ашигладаг бөгөөд тэдний туршлага, зөн совин нь асуудлын нарийн төвөгтэй байдлыг багасгахад тусалдаг.

Гэсэн хэдий ч мэргэжилтнүүд өөрсдөө маш нарийн төвөгтэй систем бөгөөд тэдний үйл ажиллагаа нь гадаад, дотоод олон нөхцөл байдлаас хамаардаг гэдгийг анхаарах хэрэгтэй. Тиймээс шинжээчийн үнэлгээг зохион байгуулах арга барилд шинжээчдийн ажиллах гадаад, сэтгэл зүйн таатай нөхцлийг бүрдүүлэхэд ихээхэн анхаарал хандуулдаг.

Мэргэжилтнүүдийн ажилд дараахь хүчин зүйлс нөлөөлдөг.

• шалгалтын үр дүнг ашиглах хариуцлага;
• бусад мэргэжилтнүүд мөн оролцож байгаа тухай мэдлэг;
• мэргэжилтнүүдийн хооронд мэдээлэл солилцох боломж;
• шинжээчдийн хоорондын харилцаа (хэрэв тэдний хооронд мэдээллийн холбоо байгаа бол);
• үнэлгээний үр дүнд шинжээчийн хувийн сонирхол;
• шинжээчдийн хувийн шинж чанарууд (бардам зан, конформизм, хүсэл зориг гэх мэт)

Мэргэжилтнүүдийн хоорондын харилцан үйлчлэл нь тэдний үйл ажиллагааг идэвхжүүлж, дарангуйлдаг. Тиймээс янз бүрийн тохиолдолд шинжээчдийн харилцан үйлчлэлийн шинж чанараараа ялгаатай янз бүрийн шалгалтын аргуудыг ашигладаг: нэргүй, нээлттэй судалгаа, асуулга, уулзалт, хэлэлцүүлэг, бизнесийн тоглоом, тархины шуурга гэх мэт.

Шинжээчдийн дүгнэлтийг математик боловсруулах янз бүрийн аргууд байдаг. Мэргэжилтнүүд янз бүрийн хувилбаруудыг нэг эсвэл шалгуур үзүүлэлтийн системийг ашиглан үнэлэхийг хүсдэг. Нэмж дурдахад тэд шалгуур үзүүлэлт бүрийн ач холбогдлын зэргийг (түүний "жин" эсвэл "хувь нэмэр") үнэлэхийг хүсдэг. Мэргэжилтнүүд өөрсдөө бүлгийн дүгнэлтэд тус бүрийн оруулсан хувь нэмрийг харгалзан чадамжийн түвшинг өгдөг.

Мэргэжилтнүүдтэй ажиллахад зориулсан боловсруулсан аргачлал бол Delphi арга юм. Энэхүү аргын гол санаа нь шүүмжлэл, маргаан нь шинжээчийн бардам зан нь хөндөгдөөгүй, хувийн сөргөлдөөнийг үгүйсгэх нөхцлийг бүрдүүлсэн тохиолдолд эерэг нөлөө үзүүлдэг.

Шинжээчдийн систем дэх шинжээчдийн аргыг ашиглах, шийдвэр гаргахад дэмжлэг үзүүлэх шинж чанарт үндсэн ялгаа байгааг онцлон тэмдэглэх нь зүйтэй. Хэрэв эхний тохиолдолд шинжээчид шийдвэр гаргах аргыг албан ёсны болгох шаардлагатай бол хоёрдугаарт - зөвхөн шийдвэр өөрөө л гардаг.

Мэргэжилтнүүд яг одоо автоматжуулсан системээр хангагдаагүй, эсвэл хүнээс илүү муу гүйцэтгэдэг функцуудыг хэрэгжүүлэхэд оролцдог тул автоматжуулсан системийг хөгжүүлэх ирээдүйтэй чиглэл бол эдгээр функцийг хамгийн их автоматжуулах явдал юм.

Шийдвэрийг дэмжих автоматжуулсан систем

Шийдвэр гаргахдаа хүн үргэлж туслахуудыг ашигладаг байсан: эдгээр нь зүгээр л удирдлагын объектын талаар мэдээлэл өгдөг, шийдвэрийн хувилбаруудыг санал болгож, үр дагаварт нь дүн шинжилгээ хийдэг зөвлөхүүд (зөвлөхүүд) байв. Шийдвэр гаргаж байгаа хүн үүнийг үргэлж тодорхой мэдээллийн орчинд гаргадаг: цэргийн даргад штаб, ректорын хувьд эрдмийн зөвлөл, сайдын хувьд зөвлөл байдаг.

Өнөө үед шийдвэр гаргах мэдээллийн дэд бүтцийг интерактив шийдвэрийн үнэлгээний автоматжуулсан систем, ялангуяа шийдвэрийг дэмжих систем (DDS - Шийдвэрийг дэмжих систем)гүйгээр төсөөлөхийн аргагүй юм. шийдвэр гаргахад шаардлагатай мэдээллийг бэлтгэхэд зориулагдсан автоматжуулсан системүүд. Шийдвэр гаргахад дэмжлэг үзүүлэх системийг хөгжүүлэх нь ялангуяа Лаксенбург (Австри) дахь Хэрэглээний системийн шинжилгээний олон улсын хүрээлэнгийн ивээл дор хэрэгжиж буй олон улсын төслийн хүрээнд явагддаг.

Бодит нөхцөл байдалд сонголт хийх нь хэд хэдэн үйлдлүүдийг шаарддаг бөгөөд заримыг нь хүн, заримыг нь машин илүү үр дүнтэй гүйцэтгэдэг. Тэдний давуу талыг үр дүнтэй хослуулж, дутагдлаа нөхөх нь шийдвэр гаргахад дэмжлэг үзүүлэх автоматжуулсан системд тусгагдсан байдаг.

Хүн тодорхойгүй нөхцөлд машинаас илүү сайн шийдвэр гаргадаг боловч зөв шийдвэр гаргахын тулд тухайн сэдвийг тодорхойлсон хангалттай (бүрэн, найдвартай) мэдээлэл хэрэгтэй. Гэсэн хэдий ч хүмүүс "түүхий" боловсруулаагүй их хэмжээний мэдээллийг сайн даван туулж чаддаггүй нь мэдэгдэж байна. Тиймээс шийдвэр гаргахад машины үүрэг нь хяналтын объект ба хяналтгүй хүчин зүйлсийн (хүрээлэн буй орчны) талаарх мэдээллийг урьдчилан бэлтгэх, тодорхой шийдвэр гаргах үр дагаврыг харахад туслах, мөн энэ бүх мэдээллийг нүдээр харуулах явдал байж болно. шийдвэр гаргахад тохиромжтой арга.

Тиймээс шийдвэр гаргахад туслах автоматжуулсан систем нь тухайн хүний ​​сул талыг нөхөж, түүнийг ердийн урьдчилсан мэдээлэл боловсруулахаас чөлөөлж, түүний давуу талыг илүү сайн харуулах мэдээллийн таатай орчинг бүрдүүлдэг. Эдгээр системүүд нь шийдвэр гаргагчийн чиг үүргийг автоматжуулахад чиглэгддэггүй (үүний үр дүнд эдгээр функцийг түүнээс салгаж, улмаар гаргасан шийдвэрийн хариуцлагыг ихэвчлэн хүлээн зөвшөөрдөггүй), харин түүнд сайн зүйл олоход нь туслах зорилготой юм. шийдэл.