Загвар таних үйл явцын үндсэн дээр хийгддэг. “Загвар таних онол дээр суурилсан цогц системүүдийн дасан зохицох хяналт

Харгис хүчний арга.Энэ аргын хувьд объект бүрийн хувьд дэлгэцийг өөрчлөх өөр өөр хувилбаруудыг харуулсан тодорхой мэдээллийн баазтай харьцуулалт хийдэг. Жишээлбэл, оптик хэв маягийг танихын тулд та харгис хүчний аргыг ашиглаж болно. өөр өөр өнцөгэсвэл масштаб, офсет, хэв гажилт гэх мэт. Үсгийн хувьд та үсгийн фонт эсвэл түүний шинж чанарыг сольж болно. Дууны хэв шинжийг таних тохиолдолд зарим мэдэгдэж буй загвартай (олон хүний ​​ярьдаг үг) харьцуулалт хийдэг. Цааш нь, илүү гүн сканнердахзургийн онцлог. Оптик таних тохиолдолд энэ нь геометрийн шинж чанарыг тодорхойлох явдал байж болно. Энэ тохиолдолд дууны дээжийг давтамж ба далайцын шинжилгээнд хамруулна.

Дараагийн арга - хиймэл мэдрэлийн сүлжээ ашиглах(INS). Энэ нь таних даалгаврын асар олон тооны жишээ эсвэл өгөгдсөн даалгаврын онцлогийг харгалзан үздэг мэдрэлийн сүлжээний тусгай бүтцийг шаарддаг. Гэсэн хэдий ч энэ арга нь өндөр үр ашигтай, үр дүнтэй байдаг.

Онцлог шинж чанаруудын тархалтын нягтын тооцоонд үндэслэсэн аргууд. Судалгааны объектыг олон хэмжээст байдлын хэрэгжилт гэж үздэг статистикийн шийдвэрийн сонгодог онолоос авсан. санамсаргүй хувьсагч, зарим хуулийн дагуу онцлог орон зайд хуваарилагдсан. Эдгээр нь сонирхол татахуйц Байесийн шийдвэр гаргах тогтолцоонд суурилдаг анхны магадлалобъектын аль нэг ангилалд хамаарах, шинж чанарын нөхцөлт хуваарилалтын нягтрал.

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 статистикмэдэгдэж байгаа гэж үздэг параметрийн аргууд аналитик илэрхийлэлхуваарилалтын хууль ( ердийн хууль) мөн та зөвхөн тооцоолох хэрэгтэй бага хэмжээнийпараметрүүд (дундаж утгын векторууд ба ковариацын матрицууд). Энэ аргыг ашиглахад тулгардаг гол бэрхшээл нь нягтралын тооцоог тооцоолохдоо сургалтын дээжийг бүхэлд нь санах, сургалтын дээжийн өндөр мэдрэмжтэй байх шаардлагатай гэж үздэг.

Шийдвэрлэх функцүүдийн ангиллын талаархи таамаглалд суурилсан аргууд.Энэ бүлэгт шийдвэрийн функцын төрлийг мэдэгдэж байгаа гэж үзэж, түүний чанарын функцийг тодорхойлсон болно. Энэхүү функциональ дээр үндэслэн сургалтын дарааллыг ашиглан шийдвэрийн функцийн оновчтой ойролцооллыг олно. Чанарын функциональ байдал шийдвэрлэх дүрэмихэвчлэн алдаатай холбоотой байдаг. Аргын гол давуу тал нь таних асуудлыг математикийн томъёолсон тодорхой байдал юм. Объектын мөн чанарын тухай шинэ мэдлэг, ялангуяа шинж чанаруудын харилцан үйлчлэлийн механизмын талаархи мэдлэгийг олж авах боломж нь шийдвэрийн функцүүдийн сонгосон хэлбэрээр бэхлэгдсэн харилцан үйлчлэлийн өгөгдсөн бүтцээр үндсэндээ хязгаарлагддаг.

Прототиптэй харьцуулах арга.Энэ бол практикт таних хамгийн хялбар арга юм. Энэ нь хүлээн зөвшөөрөгдсөн ангиудыг авсаархан геометрийн анги болгон харуулсан тохиолдолд ашиглагддаг. Дараа нь геометрийн бүлгийн төвийг (эсвэл төвд хамгийн ойр байгаа объектыг) прототипийн цэг болгон сонгоно.

Тодорхойлогдоогүй объектыг ангилахын тулд түүнд хамгийн ойрын прототипийг олж, объект нь түүнтэй ижил ангилалд хамаарна. Мэдээжийн хэрэг, энэ аргад ерөнхий дүр төрх үүсэхгүй. Тэднийг хэмжүүр болгон ашиглаж болно Төрөл бүрийн төрөлзай

k-хамгийн ойрын хөршүүдийн арга.Энэ арга нь үл мэдэгдэх объектыг ангилахдаа аль ч ангид аль хэдийн мэдэгдэж байсан гишүүнчлэлтэй бусад хамгийн ойрын хөршүүдийн орон зайд геометрийн хувьд хамгийн ойрын өгөгдсөн тоог (k) олдог явдал юм. Үл мэдэгдэх объектыг ангилах шийдвэрийг түүний хамгийн ойрын хөршүүдийн талаархи мэдээллийг шинжлэх замаар гаргадаг. Сургалтын түүврийн объектын тоог багасгах хэрэгцээ (оношлогооны урьдал нөхцөл) нь сургалтын түүврийн төлөөллийг бууруулдаг тул энэ аргын сул тал юм.

Янз бүрийн таних алгоритмууд ижил дээж дээр өөр өөр байдлаар илэрдэг тул нийлэг алгоритмын талаар асуулт гарч ирдэг. шийдвэрлэх дүрэм, үүнийг ашиглах болно давуу талбүх алгоритмууд. Энэ зорилгоор хамгийн дээд хэмжээг нэгтгэсэн нийлэг арга буюу шийдвэрийн дүрмийн бүлгүүд байдаг эерэг талуударгууд тус бүр.

Таних аргуудын тоймыг дуусгахын тулд бид дээр дурдсан зүйлийн мөн чанарыг хураангуй хүснэгтэд танилцуулж, практикт ашигладаг бусад аргуудыг нэмж оруулах болно.

Хүснэгт 1. Хүлээн зөвшөөрөх аргуудын ангилал, тэдгээрийн хэрэглээний талбар, хязгаарлалтын харьцуулсан хүснэгт.

Мөн тэмдгүүд. Жишээлбэл, гэрлэн дохионы дагуу гудамжаар гарах эсвэл жолоодох үед ийм асуудлыг ихэвчлэн шийддэг. Гэрлэн дохионы өнгийг таних, дүрмийг мэдэх замын хөдөлгөөнхүлээн зөвшөөрөх боломжийг танд олгоно зөв шийдэлодоогийн байдлаар гудамжаар хөндлөн гарах боломжтой эсэх талаар.

Биологийн хувьслын явцад олон амьтад харааны болон сонсголын аппаратынхаа тусламжтайгаар асуудлыг шийддэг байв. хэв маягийг таниххангалттай сайн. Хиймэл системийг бий болгох хэв маягийг танихнарийн төвөгтэй онолын болон хэвээр байна техникийн асуудал. Ийм хүлээн зөвшөөрөх хэрэгцээ нь цэргийн хэрэг, аюулгүй байдлын системээс эхлээд бүх төрлийн аналог дохиог дижитал хэлбэрт шилжүүлэх хүртэл янз бүрийн салбарт үүсдэг.

Уламжлал ёсоор загвар таних даалгаврууд нь хиймэл оюун ухааны даалгавруудын хүрээнд багтдаг.

Загвар таних чиглэл

Хоёр үндсэн чиглэлийг ялгаж салгаж болно.

• Амьд биетийн эзэмшдэг таних чадварыг судлах, тэдгээрийг тайлбарлах, загварчлах;
• Хэрэглээний хэрэглээний бие даасан асуудлыг шийдвэрлэхэд зориулагдсан төхөөрөмжүүдийг бүтээх онол, аргыг боловсруулах.

Асуудлын талаархи албан ёсны мэдэгдэл

Загвар таних нь сонгон шалгаруулалтыг ашиглан эх өгөгдлийг тодорхой ангид хуваарилах явдал юм чухал шинж чанарууд, эдгээр өгөгдлийг тодорхойлох нийт массхамааралгүй өгөгдөл.

Хүлээн зөвшөөрөх асуудлыг тавихдаа тэд туршилтаар үр дүнд хүрэхийн тулд хиймэл мэдрэлийн сүлжээний онолоос ялгаатай нь математик хэл ашиглахыг хичээдэг бөгөөд туршилтыг логик үндэслэл, математик нотолгоогоор солихыг хичээдэг.

Монохром зургийг хэв маягийг таних асуудалд ихэвчлэн авч үздэг бөгөөд энэ нь зургийг хавтгай дээрх функц гэж үзэх боломжийг олгодог. Хэрэв бид хавтгай дээр тогтоосон цэгийг авч үзвэл Т, функц хаана байна x(x,y) зургийн цэг бүрт өөрийн шинж чанарыг илэрхийлдэг - тод байдал, ил тод байдал, оптик нягтрал, дараа нь ийм функц нь зургийн албан ёсны бичлэг юм.

Бүх боломжит функцүүдийн багц x(x,y) гадаргуу дээр Т- бүх зургийн багцын загвар байдаг X. Үзэл баримтлалыг танилцуулж байна ижил төстэй байдалЗургийн хооронд та таних даалгавар тавьж болно. Ийм мэдэгдлийн тодорхой төрөл нь нэг буюу өөр арга барилын дагуу хүлээн зөвшөөрөх дараагийн үе шатуудаас ихээхэн хамаардаг.

Загвар таних аргууд

Оптик хэв маягийг танихын тулд та доорх объектын төрлийг тоолох аргыг ашиглаж болно өөр өөр өнцөг, масштаб, офсет гэх мэт. Үсгийн хувьд үсгийн фонт, үсгийн шинж чанар гэх мэтээр эрэмбэлэх хэрэгтэй.

Хоёрдахь арга нь объектын тоймыг олж, түүний шинж чанарыг (холболт, булан байгаа эсэх гэх мэт) шалгах явдал юм.

Өөр нэг арга бол хиймэл мэдрэлийн сүлжээг ашиглах явдал юм. Энэ арга нь аль нэгийг шаарддаг их хэмжээнийтаних даалгаврын жишээ (зөв хариулттай), эсвэл энэ даалгаврын онцлогийг харгалзан үздэг мэдрэлийн сүлжээний тусгай бүтэц.

Перцептрон нь хэв маягийг таних арга юм

Ф.Розенблатт тархины загварын тухай ойлголтыг танилцуулж, түүний даалгавар нь бүтэц, функциональ шинж чанар нь мэдэгдэж байгаа зарим физик системд сэтгэлзүйн үзэгдэл хэрхэн үүсч болохыг харуулах явдал юм - тэрээр хамгийн энгийн зүйлийг тодорхойлсон. ялгаварлан гадуурхах туршилтууд. Эдгээр туршилтууд нь хэв маягийг таних аргуудтай бүхэлдээ холбоотой боловч шийдлийн алгоритм нь тодорхойлогддоггүй гэдгээрээ ялгаатай.

Үүний үндсэн дээр та сэтгэлзүйн олж авах боломжтой хамгийн энгийн туршилт утга учиртай мэдээлэлСистемийн тухайд загвар нь хоёр өөр өдөөгчөөр илэрхийлэгддэг бөгөөд тэдгээрт янз бүрийн аргаар хариу үйлдэл үзүүлэх шаардлагатай болдог. Ийм туршилтын зорилго нь туршилт хийгчийн хөндлөнгийн оролцоо байхгүй тохиолдолд системээр аяндаа ялгаварлан гадуурхах боломжийг судлах, эсвэл эсрэгээр нь албадан ялгаварлан гадуурхахыг судлах явдал байж болно. шаардлагатай ангиллыг хийх.

Перцептрон сургалттай туршилтанд ихэвчлэн тодорхой дарааллаар дүрсэлсэн байдаг бөгөөд үүнд ялгах анги тус бүрийн төлөөлөгч багтдаг. Зарим санах ойн өөрчлөлтийн дүрмийн дагуу зөв сонголтурвалууд бэхжиж байна. Дараа нь перцептроныг хяналтын өдөөлтөөр танилцуулж, өдөөлтөд зөв хариу өгөх магадлалыг тодорхойлно. энэ ангийн. Сонгосон хяналтын өдөөлт нь сургалтын дараалалд ашигласан зургуудын аль нэгтэй давхцаж байгаа эсэхээс хамаарч өөр өөр үр дүнд хүрнэ.

• 1. Хяналтын өдөөлт нь сургалтын өдөөлтүүдийн аль нэгтэй давхцахгүй бол туршилт нь зөвхөн холбоотой биш юм. цэвэр ялгаварлан гадуурхах, гэхдээ бас элементүүдийг агуулдаг ерөнхий дүгнэлтүүд.
• 2. Удирдлагын өдөөлт нь урьд өмнө нь нэг ангийн өдөөлтүүдийн нөлөөн дор идэвхжсэн тэдгээр элементүүдээс огт өөр мэдрэхүйн элементүүдийн тодорхой багцыг өдөөдөг бол туршилт нь судалгаа юм. цэвэр ерөнхий ойлголт .

Перцептрон нь цэвэр ерөнхийлөн дүгнэх чадваргүй боловч ялгаварлан гадуурхах туршилтанд хангалттай ажилладаг, ялангуяа хяналтын өдөөлт нь перцептрон аль хэдийн тодорхой туршлага хуримтлуулсан зургуудын аль нэгтэй нь хангалттай таарч байвал.

Загвар таних асуудлын жишээ

• Үсгийг таних.
• Бар код таних.
• Машины улсын дугаарыг таних.
• Нүүр царай таних.
• Яриа таних.
• Зураг таних.
• Ашигт малтмалын ордууд байрладаг дэлхийн царцдасын орон нутгийн нутаг дэвсгэрийг хүлээн зөвшөөрөх.

Загвар таних програмууд

бас үзнэ үү

Тэмдэглэл

Холбоосууд

• Юрий Лифшиц. "Онолын компьютерийн шинжлэх ухааны орчин үеийн асуудлууд" хичээл - хэв маягийг таних, нүүр царайг таних, текст ангилах статистик аргуудын талаархи лекцүүд.
• Загвар таних судалгааны сэтгүүл

Уран зохиол

• Дэвид А.Форсит, Жан ПонсКомпьютерийн хараа. Орчин үеийн хандлага = Компьютерийн хараа: Орчин үеийн хандлага. - М.: "Уильямс", 2004. - P. 928. - ISBN 0-13-085198-1
• Жорж Стокман, Линда ШапироКомпьютерийн хараа = Компьютерийн хараа. - М .: Бином. Мэдлэгийн лаборатори, 2006. - P. 752. - ISBN 5947743841

• А.Л.Горелик, В.А.Скрипкин, Таних аргууд, М.: төгссөн сургууль, 1989.
• Ш.-К. Ченг, Харааны мэдээллийн системийг зохион бүтээх зарчим, М.: Мир, 1994.

Викимедиа сан.

Том нэвтэрхий толь бичиг Шинэ бүсүүдийн нэг кибернетик. R. o-ийн онолын агуулга. Хэд хэдэн ангилалд хамаарах объектын (зураг) шинж чанарыг ямар нэг утгаараа өөрт ойр байгаа объектуудад экстраполяци хийх явдал юм. Ихэвчлэн автомат машиныг сургахдаа R. o. боломжтой......

Геологийн нэвтэрхий толь бичиг Англи таних, дүрслэх; Герман Гештальт өөрчилсөн. Математикийн кибернетикийн нэг салбар бөгөөд тэдгээрийг тодорхойлогч хязгаарлагдмал шинж чанаруудаар дүрслэгдсэн объектуудыг ангилах, тодорхойлох зарчим, аргыг боловсруулдаг. Антинази. Нэвтэрхий толь......

Социологийн нэвтэрхий толь бичигЗагвар таних - компьютер ашиглан нарийн төвөгтэй объектуудыг судлах арга; Эдгээр шинж чанарууд дээр үндэслэн компьютерт объектуудыг автоматаар ангилах боломжийг олгодог функцуудыг сонгох, алгоритм, программуудыг боловсруулахаас бүрдэнэ. Жишээ нь, алийг нь тодорхойл.......

Эдийн засаг-математикийн толь бичиг - тодорхой объект (объект, үйл явц, үзэгдэл, нөхцөл байдал, дохио) нь аль нэгэнд хамаарах болохыг тогтоох арга, системийг (компьютер дээр суурилсан гэх мэт) боловсруулахтай холбоотой (техникийн), шинжлэх ухаан, техникийн чиглэл. ... ...

нэвтэрхий толь бичиг- ангилах аргуудыг боловсруулдаг математик кибернетикийн хэсэг, түүнчлэн тодорхой тэмдэг, шинж чанарын хязгаарлагдмал багцаар дүрслэгдэх объект, үзэгдэл, үйл явц, дохио, бүх объектын нөхцөл байдлыг тодорхойлох, ... ... Оросын социологийн нэвтэрхий толь бичиг

хэв маягийг таних- 160 загвар таних: Автомат хэрэглүүр ашиглан дүрслэл, тохиргооны хэлбэрийг тодорхойлох

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 жишиг дүрсийг төлөөлөх цэг бүрийн хоорондох зайг тооцоолохоос бүрдэнэ. бүх утгыг тооцоолохдоо d би , i= 1,…,Н. Энэ 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 нэлээд 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 болгоход оршдог бөгөөд энэ нь орон зайг зургийн ангилалд тохирох хэсэгт хуваах явдал юм. Энэ төрлийн хамгийн энгийн бөгөөд хамгийн түгээмэл хэрэглэгддэг функцууд нь функцүүдийн утгуудаас шугаман хамааралтай 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 тохиолдол гарна.

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 бол шийдвэрийн функцийн арга юм. Хэрэв боломжтой бол үүн дотор 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) Байгаа хамгийн их утгабүх функцүүдийн дунд 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 ангид хуваах асуудалтай холбоотойгоор өгөгдсөн (сургалт) түүвэр дээр үндэслэн ялгах функцийг бий болгох аргуудыг авч үзье. Хэрэв А ба В 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 дараах 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 wА 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 Рүүн рүү чиглэсэн нэмэгдлийг хүлээн авдаг эерэг утгууд, зөв ​​ангилалд тохирсон.

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) = prob ( 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. Үүнийг хүлээн зөвшөөрөх шаардлагатай гэж үзье салангид дохиогарц дээр мэдээллийн сувагдуу чимээнд өртөх.

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 бөгөөд дараа нь эхний ангиллын зургийн тархалтын нягтрал нь утгаас хамаарна. 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)),

болон утгаас хамаарч 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)),

Хуваах замаар зүүн талбаруун талд тэгш бус байдал, бид олж авдаг

(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 тараах магадлалын талаарх мэдээлэл байхгүй бол статистикийн аргуудхүлээн зөвшөөрөх, эдгээр нь Bayesian-аас бусад ангиллын дүрэмд үндэслэсэн.

Гэсэн хэдий ч практикт хамгийн түгээмэл аргууд бол Бэйсийн дүрэмд үндэслэсэн аргууд бөгөөд тэдгээрийн үр ашиг өндөр, мөн ихэнх хэв маягийг таних асуудалд үүнийг тохируулах боломжтой байдаг. өмнөх магадлаланги тус бүрийн зургийн дүр төрх.

Загвар 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 хэллэгээр илэрхийлж болно албан ёсны хэл(илэрхийлэл).

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 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. Хэрэв 2, 3, 4-р үе шатуудын аль нэгэнд нь бүтцийн хооронд зөрүү гарсан бол зураг нь А үсгийн ангилалд хамаарна. илэрхийлэлд дүн шинжилгээ хийж, стандартыг илрүүлснээр зураг нь SIMB ангилалд хамаарахгүй гэсэн дүгнэлтэд хүрсэн. Илэрхийллийн бүтцийг LISP, PLANER, PROLOG болон бусад ижил төстэй хэлүүдийг алгоритмын хэлээр харьцуулж болно. хиймэл оюун.

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 өөр өөр 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. боловсруулах логик мэдэгдлүүд, хэл шинжлэлийн дүрэм гэж нэрлэгддэг, хянагчийн оролт, гаралтын хэл шинжлэлийн хувьсагчийн талаар;

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

Эхлээд серво дискийг 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 MatLab орчинд хянагчийг хэрэгслийн хайрцаг ашиглан нэгтгэх болно. Тодорхой бус логик" Энэ нь MatLab орчинд бүдэг бадаг дүгнэлт болон бүдэг ангиллын системийг бий болгож, Simulink-д нэгтгэх боломжийг олгодог. Үндсэн ойлголт Fuzzy Logic Toolbox нь FIS-structure - fuzzy inference system (Fuzzy Inference System) юм. FIS бүтэц нь Зураг дээр 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; - вектор бүдэг олонлогууд, оролтын вектор X-д харгалзах;
- 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 юм янз бүрийн аргаармэдлэгийн баазыг бүрдүүлдэг дүрэмд гаралтын хувьсагчийн утгыг тохируулах. 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 = их эерэг.

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

Зураг 9. Тэг байрлалын алдаатай хяналтыг бүрдүүлэх.

Доорх хүснэгтэд бүх нөхцөл байдалд тохирсон бүх дүрмийг харуулав энгийн тохиолдол.

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 бүх боломжит тохиргоог ашиглах шаардлагагүй. дүрэм, гэхдээ та тэдгээрийн цөөхөн нь байж болно. Манай тохиолдолд тодорхой бус удирдлагын дохиог үүсгэхийн тулд бүх боломжит 5 дүрмийг ашигладаг.

Гэмтүүлэгч.

Иймээс үүсэх нөлөөллийг U тодорхой дүрмийн дагуу тодорхойлно. Хэрэв хэд хэдэн дүрмийг нэгэн зэрэг гүйцэтгэх үед нөхцөл байдал үүсвэл U нөлөөллийг дараах хамаарлын дагуу олно.

, энд n нь өдөөгдсөн дүрмийн тоо (бүс нутгийн төвийн аргаар бүдгэрүүлэх), у н – физик утгатодорхой бус олонлог тус бүрт тохирох хяналтын дохио 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. Бүтцийн схемхүрээлэн буй орчин дахь системүүдMatlab.

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.

Синтезийн хяналтын алгоритм бүхий хөтчийн шинж чанаруудын дүн шинжилгээ нь тэдгээр нь оновчтой биш бөгөөд бусад аргаар удирдлагыг нэгтгэхээс хамаагүй 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 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 бадаг хянагчтай загварт зориулсан гармоник оролтын үйлдлээр түр зуурын процесс.

Цагаан будаа. 21. Оролтын хэл шинжлэлийн хоёр хувьсагчийг агуулсан бүдэг бадаг хянагчтай загварын гармоник оролтын үйлдлийн 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 үйл ажиллагааны 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 хянагчийг оновчтой болгодог.

Тодорхой бус хянагчийг оновчтой болгох.

Тодорхой бус хянагчийг оновчтой болгохын тулд генетикийн алгоритмуудыг ашиглах талаар авч үзье. Генетикийн алгоритмууд - дасан зохицох аргуудбайгаа хайлтууд Сүүлийн үедихэвчлэн функциональ оновчлолын асуудлыг шийдвэрлэхэд ашигладаг. Эдгээр нь генетикийн үйл явцтай ижил төстэй байдалд суурилдаг биологийн организмууд: Биологийн популяци хэд хэдэн үеийн туршид хууль тогтоомжид захирагдаж хөгждөг байгалийн сонголтмөн "хамгийн сайн нь амьд үлдэх" зарчмын дагуу Чарльз нээсэнДарвин. Энэ үйл явцыг дуурайж байна генетикийн алгоритмуудшийдлийг "боловсруулах" чадвартай бодит асуудлууд, хэрэв тэдгээр нь зохих ёсоор кодлогдсон бол.

Генетикийн алгоритмууд нь тухайн асуудлын боломжит шийдлийг илэрхийлдэг "хувь хүн" буюу популяцийн цуглуулгатай ажилладаг. Хувь хүн бүрийг "дасан зохицох чадварын" хэмжүүрээр 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. Энэхүү шинэ үе нь эзэмшсэн шинж чанаруудын илүү өндөр харьцааг агуулдаг сайн хонгоруудөмнөх үе. Ийнхүү үеэс үед, сайн шинж чанаруудхүн амын даяар 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 диаграммыг дүрсэлж болно.

1. Анхдагч популяцийг эхлүүлэх - үүсгэх өгсөн дугаароновчлолын процесс эхэлсэн асуудлын шийдэл;

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 сүлжээний анхны хувилбаруудын нэг бөгөөд тусгай төрлийн дамжуулагч мэдрэлийн сүлжээ юм. Нейро-тодорхой сүлжээний архитектур нь бүдэг баазтай изоморф юм. Мэдрэлийн тодорхой бус сүлжээнүүд нь дифференциал шийдлүүдийг ашигладаг гурвалжин хэм хэмжээ(үржүүлэх болон магадлалын OR), түүнчлэн жигд гишүүнчлэлийн функцууд. Энэ нь мэдрэлийн бүдэг сүлжээг бий болгох аргад суурилсан мэдрэлийн сүлжээг сургах хурдан бөгөөд генетик алгоритмуудыг ашиглах боломжийг танд олгоно. буцаан тархалталдаа. 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 - олж авсан үр дүнг нэгтгэх янз бүрийн дүрэм.

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

Зураг.23. БүтэцANFIS- сүлжээнүүд

Цаашид танилцуулахад шаардлагатай дараах тэмдэглэгээг танилцуулъя.

Сүлжээний оролтууд байг;

y - сүлжээний гаралт;

Тодорхой бус дүрэм серийн дугаар r;

m - дүрмийн тоо;

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

Бодит тоо r-р дүрмийн төгсгөлд (,).

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.

5-р давхарга.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 зөрүүгээс хамааран өгдөг. давталтын аргахамгийн бага квадратууд оновчтой параметрүүддөрөв дэх давхаргын зангилаа. 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. Ажлын талбар ANFISedit.

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. үүнийг дагадаг ихэнх ньцаг хугацааны хувьд хөдөлгүүр бүрэн хүчин чадлаараа ажиллаж байх ёстой хамгийн их гүйцэтгэл, хүссэн утга руу ойртох үед энэ нь жигд удаашрах ёстой. Эдгээр энгийн аргументуудыг удирдлага болгон бид доорх хүснэгт хэлбэрээр үзүүлсэн утгуудын жишээг сургалтын жишээ болгон авах болно.

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 хэзээ өгөгдсөн үнэ цэнэалдаа гарсан тохиолдолд зохицуулагч шаардлагатай хяналтыг бий болгосон. 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 төлөөлж болно шугаман бус функцнэг хувьсагч бөгөөд тэдгээрийн графикийг доор үзүүлэв.

Зураг.28. Удирдлага доторх байрлалын алдаа ба хяналтын график.

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

Цагаан будаа. 29. Нэг оролтын хэл шинжлэлийн хувьсагч агуулсан оновчтой бүдэг хянагчтай загварт зориулсан гармоник оролтын үйл ажиллагааны дор түр зуурын процесс.

Зураг 30. Оролтын хэл шинжлэлийн хоёр хувьсагчийг агуулсан бүдэг хянагчтай загварт зориулсан гармоник оролтын үйлдлийн 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.

Мөн тэмдгүүд. Жишээлбэл, гэрлэн дохионы дагуу гудамжаар гарах эсвэл жолоодох үед ийм асуудлыг ихэвчлэн шийддэг. Гэрэлтдэг гэрлэн дохионы өнгийг таньж, замын хөдөлгөөний дүрмийг мэдэж байгаа нь яг одоо гудамжаар гарах эсэхээ зөв шийдэх боломжийг олгоно.

Хиймэл системийг бий болгох хэв маягийг танихонол техникийн нарийн төвөгтэй асуудал хэвээр байна. Ийм хүлээн зөвшөөрөх хэрэгцээ нь цэргийн хэрэг, аюулгүй байдлын системээс эхлээд бүх төрлийн аналог дохиог дижитал хэлбэрт шилжүүлэх хүртэл янз бүрийн салбарт үүсдэг.

Уламжлал ёсоор загвар таних даалгаврууд нь хиймэл оюун ухааны даалгавруудын хүрээнд багтдаг.

Загвар таних чиглэл

Хоёр үндсэн чиглэлийг ялгаж салгаж болно.

• Амьд биетийн эзэмшдэг таних чадварыг судлах, тэдгээрийг тайлбарлах, загварчлах;
• Хэрэглээний зорилгоор бие даасан асуудлыг шийдвэрлэхэд зориулагдсан төхөөрөмжийг бүтээх онол, аргыг боловсруулах.

Асуудлын талаархи албан ёсны мэдэгдэл

Загвар таних нь чухал биш өгөгдлийн нийт массаас энэ өгөгдлийг тодорхойлдог чухал шинж чанарыг тодорхойлох замаар эх өгөгдлийг тодорхой ангилалд хуваарилах явдал юм.

Хүлээн зөвшөөрөх асуудлыг тавихдаа тэд туршилтаар үр дүнд хүрэхийн тулд хиймэл мэдрэлийн сүлжээний онолоос ялгаатай нь математик хэл ашиглахыг оролдож, туршилтыг логик үндэслэл, математик нотолгоогоор солихыг хичээдэг.

Загвар таних асуудлын сонгодог томъёолол: Объектуудын багц өгөгдсөн. Тэдгээрийн талаар ангилал хийх шаардлагатай байна. Олонлогийг анги гэж нэрлэдэг дэд олонлогуудаар төлөөлдөг. Өгөгдсөн: ангиудын тухай мэдээлэл, бүхэл бүтэн багцын тодорхойлолт, тодорхой ангид гишүүнчлэл нь тодорхойгүй объектын талаарх мэдээллийн тайлбар. Тухайн объектын ангилал, тайлбарын талаархи мэдээлэлд үндэслэн энэ объект аль ангилалд хамаарахыг тодорхойлох шаардлагатай.

Монохром зургийг хэв маягийг таних асуудалд ихэвчлэн авч үздэг бөгөөд энэ нь зургийг хавтгай дээрх функц гэж үзэх боломжийг олгодог. Хэрэв бид зурагны цэг бүрт функц нь өөрийн шинж чанарыг илэрхийлдэг хавтгай дээр тогтоосон цэгийг авч үзвэл - тод байдал, ил тод байдал, оптик нягтрал, ийм функц нь зургийн албан ёсны бичлэг юм.

Хавтгай дээрх бүх боломжит функцүүдийн багц нь бүх зургийн багцын загвар юм. Үзэл баримтлалыг танилцуулж байна ижил төстэй байдалЗургийн хооронд та таних даалгавар тавьж болно. Ийм мэдэгдлийн тодорхой төрөл нь тодорхой хандлагын дагуу хүлээн зөвшөөрөх дараагийн үе шатуудаас ихээхэн хамаардаг.

График хэв маягийг таних зарим аргууд

Оптик хэв маягийг танихын тулд та объектыг янз бүрийн өнцгөөр харах, масштаб, офсет гэх мэт хайх аргыг ашиглаж болно. Үсгийн хувьд үсгийн фонт, үсгийн шинж чанар гэх мэтийг эрэмбэлэх хэрэгтэй.

Хоёрдахь арга нь объектын тоймыг олж, түүний шинж чанарыг (холболт, булан байгаа эсэх гэх мэт) шалгах явдал юм.

Өөр нэг арга бол хиймэл мэдрэлийн сүлжээг ашиглах явдал юм. Энэ арга нь таних даалгаврын олон тооны жишээг (зөв хариулттай) эсвэл энэ даалгаврын онцлогийг харгалзан үздэг мэдрэлийн сүлжээний тусгай бүтцийг шаарддаг.

Перцептрон нь хэв маягийг таних арга юм

Ф.Розенблатт тархины загварын тухай ойлголтыг танилцуулж, түүний зорилго нь тодорхой физик системд сэтгэл зүйн үзэгдэл хэрхэн үүсч болохыг харуулах, бүтэц, үйл ажиллагааны шинж чанар нь мэдэгдэж, ялгаварлан гадуурхах хамгийн энгийн туршилтуудыг тайлбарлав. Эдгээр туршилтууд нь хэв маягийг таних аргуудтай бүхэлдээ холбоотой боловч шийдлийн алгоритм нь тодорхойлогддоггүй гэдгээрээ ялгаатай.

Тодорхой системийн талаар сэтгэл зүйн ач холбогдолтой мэдээллийг олж авах хамгийн энгийн туршилт нь загвар нь хоёр өөр өдөөлтийг үзүүлж, түүнд янз бүрийн аргаар хариу үйлдэл үзүүлэх шаардлагатай болдог. Ийм туршилтын зорилго нь туршилт хийгчийн хөндлөнгийн оролцоо байхгүй тохиолдолд системээр аяндаа ялгаварлан гадуурхах боломжийг судлах, эсвэл эсрэгээр нь албадан ялгаварлан гадуурхахыг судлах явдал байж болно. шаардлагатай ангиллыг хийх.

Перцептрон сургалттай туршилтанд ихэвчлэн тодорхой дарааллаар дүрсэлсэн байдаг бөгөөд үүнд ялгах анги тус бүрийн төлөөлөгч багтдаг. Санах ойн өөрчлөлтийн зарим дүрмийн дагуу хариултын зөв сонголтыг бэхжүүлдэг. Дараа нь перцептроныг хяналтын өдөөлтөөр танилцуулж, тухайн ангийн өдөөлтөд зөв хариу өгөх магадлалыг тодорхойлно. Сонгосон хяналтын өдөөлт нь сургалтын дараалалд ашигласан зургуудын аль нэгтэй давхцаж байгаа эсэхээс хамаарч өөр өөр үр дүнд хүрнэ.

1. Хэрэв хяналтын өдөөлт нь сургалтын өдөөлтүүдийн аль нэгтэй давхцахгүй бол туршилт нь зөвхөн холбоотой биш юм цэвэр ялгаварлан гадуурхах, гэхдээ бас элементүүдийг агуулдаг ерөнхий дүгнэлтүүд.
2. Хэрэв хяналтын өдөөлт нь тухайн ангийн өмнө нь танилцуулсан өдөөлтүүдийн нөлөөн дор идэвхжсэн элементүүдээс огт өөр мэдрэхүйн элементүүдийн тодорхой багцыг өдөөдөг бол туршилт нь судалгаа юм. цэвэр ерөнхий ойлголт.

Перцептрон нь цэвэр ерөнхийлөн дүгнэх чадваргүй боловч ялгаварлан гадуурхах туршилтанд хангалттай ажилладаг, ялангуяа хяналтын өдөөлт нь перцептрон аль хэдийн тодорхой туршлага хуримтлуулсан зургуудын аль нэгтэй нь хангалттай таарч байвал.

Загвар таних асуудлын жишээ

• Бар код таних
• Машины улсын дугаарыг таних
• Зураг таних
• Ашигт малтмалын ордууд байрладаг дэлхийн царцдасын орон нутгийн нутаг дэвсгэрийг хүлээн зөвшөөрөх

бас үзнэ үү

Тэмдэглэл

Уран зохиол

• Горелик А.Л., Скрипкин В.А.Таних аргууд. - 4-р хэвлэл. - М.: Дээд сургууль, 1984, 2004. - 262 х.
• Вапник В.Н., Червоненкис А.Я.Загвар таних онол. - М.: Наука, 1974. - 416 х.
• Васильев В.И.Таних системүүд. Лавлах. - 2-р хэвлэл. - К.: Наукова Думка, 1983. - 424 х.
• Жорж Стокман, Линда Шапиро.Компьютерийн хараа = Компьютерийн хараа. - М .: Бином. Мэдлэгийн лаборатори, 2006. - 752 х. - ISBN 5-947-74384-1
• Форсит Дэвид А., Понс Жан.Компьютерийн хараа. Орчин үеийн хандлага = Компьютерийн хараа: Орчин үеийн хандлага. - М.: Уильямс, 2004. - 928 х. - ISBN 0-13-085198-1
• Чен С.-К.Харааны мэдээллийн системийн дизайны зарчим. - М.: Мир, 1994. - 408 х.

Холбоосууд

• Юрий Лифшиц. "Онолын компьютерийн шинжлэх ухааны орчин үеийн асуудлууд" хичээл - хэв маягийг таних, нүүр царайг таних, текст ангилах статистик аргуудын талаархи лекцүүд.
• Загвар таних судалгааны сэтгүүл

Викимедиа сан.

• Хүлээн зөвшөөрөгдсөн хэл
• Распопа

Бусад толь бичгүүдээс "Загвар таних онол" гэж юу болохыг харна уу.

хэв маягийг таних онол- сэтгэл судлал, физиологийн өгөгдөл, магадлалын онол дээр үндэслэсэн шинжлэх ухааны чиглэл, тухайн объект нь аль нэгэнд хамаарах эсэхийг тодорхойлох зорилготой систем (компьютерт суурилсан гэх мэт) зарчим, бүтэцтэй холбоотой. Сэтгэл судлал, сурган хүмүүжүүлэх нэвтэрхий толь бичиг

Социологийн нэвтэрхий толь бичиг- тухайн объект нь урьдчилан тодорхойлсон объектуудын аль нэгэнд хамаарах эсэхийг тодорхойлох зорилготой системийг бий болгох, зарчмуудыг боловсруулахтай холбоотой шинжлэх ухааны чиглэл. R. o дахь объектуудын доор. ойлгох янз бүрийн зүйл … Зөвлөлтийн агуу нэвтэрхий толь бичиг

нэвтэрхий толь бичиг- математикийн хэсэг. кибернетик, ангилах зарчим, аргуудыг боловсруулах, түүнчлэн тодорхой тэмдэг, шинж чанарын хязгаарлагдмал багцаар дүрслэх боломжтой объект, үзэгдэл, үйл явц, дохио, бүх объектын нөхцөл байдлыг тодорхойлох, ... ... Математик нэвтэрхий толь бичиг

Социологийн нэвтэрхий толь бичиг

Загвар таних (кибернетик) - Автомат таниххүмүүс тусгай хөтөлбөр. Загвар таних онол нь кибернетикийн хөгжиж буй салбар юм онолын үндэслэлболон объект, үзэгдэл, үйл явц, дохио, нөхцөл байдал гэх мэт объектуудыг ангилах, тодорхойлох арга,... ... Википедиа

МЭДЭЭЛЛИЙН ОНОЛ- математиктай холбоотой хэрэглээний математик, кибернетикийн хэсэг. мэдээлэл дамжуулах, хадгалах, хайх, ангилах чанарын тодорхойлолт, үнэлгээ. 50-аад онд үүссэн нэр томъёо I. t. 20-р зуунд одоог хүртэл (1978 он гэхэд) ганц ч ... ... байхгүй. Математик нэвтэрхий толь бичиг

Хяналтгүй суралцах- (Англи хэл: Хяналтгүй суралцах, бие даан суралцах, аяндаа суралцах) аргуудын нэг машин сурах, үүнийг шийдэх үед туршилтанд хамрагдаж буй систем нь гадны хөндлөнгийн оролцоогүйгээр өгөгдсөн даалгаврыг аяндаа гүйцэтгэж сурдаг... ... Wikipedia

Хиймэл мэдрэлийн сүлжээ- Энэ нэр томъёо нь өөр утгатай, мэдрэлийн сүлжээ (утга) -ыг үзнэ үү. Энгийн мэдрэлийн сүлжээний схем. Ногоон нь оролтын нейрон, цэнхэр далд нейрон, шар гаралтын нейрон... Википедиа

2015 оны 3-р сарын 29, Ням

Одоогийн байдлаар зураг дээрх объект байгаа эсэхээс хамааран шийдвэр гаргах эсвэл ангилах шаардлагатай олон ажил байдаг. "Таних" чадварыг үндсэн өмч гэж үздэг биологийн амьтад, компьютерийн системүүд энэ шинж чанарыг бүрэн эзэмшдэггүй.

Ингээд авч үзье нийтлэг элементүүдангиллын загварууд.

Анги- байгаа объектуудын багц ерөнхий шинж чанарууд. Нэг ангиллын объектуудын хувьд "ижил төстэй байдал" байгаа гэж үздэг. Таних даалгаврын хувьд 1-ээс их ангийн дурын тоог тодорхойлж болно. Анги бүр өөрийн гэсэн ангиллын шошготой байдаг.

Ангилал- эдгээр объектын шинж чанарын зарим тайлбарын дагуу объектуудад ангийн шошго олгох үйл явц. Ангилагч нь объектын шинж чанаруудын багцыг оролтын өгөгдөл болгон хүлээн авч, үр дүнд нь ангийн шошго үүсгэдэг төхөөрөмж юм.

Баталгаажуулалт- объектын жишээг нэг объектын загвар эсвэл ангийн тайлбарт буулгах үйл явц.

Доод аргаБид олон объект эсвэл үзэгдлийг харуулсан онцлог талбар дахь талбайн нэрийг ойлгох болно материаллаг ертөнц. Гарын үсэг зурах - тоон тодорхойлолтсудалж буй объект, үзэгдлийн нэг буюу өөр шинж чанар.

Онцлог орон зайЭнэ N хэмжээст орон зай, өгөгдсөн таних даалгаврын хувьд тодорхойлогдсон бөгөөд N нь аливаа объектын хэмжсэн шинж чанаруудын тогтмол тоо юм. Таних даалгаврын объектод харгалзах функцын х орон зайн вектор нь энэ объектын шинж чанарын утгууд болох бүрэлдэхүүн хэсгүүд (x_1,x_2,…,x_N) бүхий N хэмжээст вектор юм.

Өөрөөр хэлбэл, хэв маягийг таних нь чухал бус нарийн ширийн зүйлсийн нийт массаас энэ өгөгдлийг тодорхойлдог чухал шинж чанар эсвэл шинж чанарыг тодорхойлох замаар эх өгөгдлийг тодорхой ангилалд хуваарилах гэж тодорхойлж болно.

Ангиллын асуудлын жишээ нь:

• дүрийг таних;
• яриа таних;
• эмнэлгийн оношийг тогтоох;
• цаг агаарын урьдчилсан мэдээ;
• царай таних
• баримт бичгийн ангилал гэх мэт.

Ихэнхдээ эх сурвалж нь камераас авсан зураг юм. Асуудлыг авч үзэж буй зурган дээрх анги тус бүрийн шинж чанарын векторуудыг олж авах байдлаар томъёолж болно. Уг процессыг анги тус бүрийн функцийн орон зайгаас онцлог тус бүрт утга оноохыг агуулсан кодчиллын процесс гэж үзэж болно.

Хэрэв бид 2 ангиллын объектыг авч үзвэл: насанд хүрэгчид, хүүхдүүд. Та өндөр, жинг шинж тэмдэг болгон сонгож болно. Зургаас харахад эдгээр хоёр анги нь хоёр салангид багц үүсгэдэг бөгөөд үүнийг сонгосон шинж чанаруудаар тайлбарлаж болно. Гэсэн хэдий ч зөв хэмжсэн параметрүүдийг ангийн шинж чанар болгон сонгох нь үргэлж боломжгүй байдаг. Жишээлбэл, сонгосон параметрүүд нь хөлбөмбөгчид болон сагсан бөмбөгчдийн ангиллыг бий болгоход тохиромжгүй байдаг.

Таних хоёрдахь ажил бол эх зургаас онцлог шинж чанар, шинж чанарыг гаргаж авах явдал юм. Энэ ажлыг урьдчилсан боловсруулалт гэж ангилж болно. Хэрэв бид яриа таних даалгаврыг авч үзвэл эгшиг, гийгүүлэгч гэх мэт шинж чанаруудыг ялгаж салгаж болно. Шинж чанар нь тодорхой ангийн шинж чанар байх ёстой бөгөөд үүний зэрэгцээ энэ ангид нийтлэг байх ёстой. Хоорондын ялгааг тодорхойлдог шинж чанарууд - анги хоорондын шинж чанарууд. Бүх ангиудад нийтлэг шинж чанарууд нь хэрэгцээтэй мэдээлэл агуулдаггүй бөгөөд таних даалгаварт хамаарахгүй. Онцлогыг сонгох нь таних системийг бий болгохтой холбоотой чухал ажлуудын нэг юм.

Онцлогуудыг тодорхойлсны дараа ангилах оновчтой шийдвэрийн журмыг тодорхойлох шаардлагатай. m_1,m_2,…,m гэж тэмдэглэсэн өөр M ангиудыг таних зориулалттай загвар таних системийг авч үзье. 3. Дараа нь зургийн орон зай нь M мужаас бүрдэх ба тус бүр нь нэг ангиллын зурагт харгалзах цэгүүдийг агуулна гэж үзэж болно. Дараа нь хүлээн зөвшөөрөх асуудлыг хүлээн авсан хэмжилтийн векторууд дээр үндэслэн M ангиудыг тусгаарлах хил хязгаарыг бий болгох гэж үзэж болно.

Дүрсийг урьдчилан боловсруулах, шинж чанарыг задлах, оновчтой шийдэл, ангиллыг олж авах асуудлыг шийдвэрлэх нь ихэвчлэн хэд хэдэн параметрүүдийг тооцоолох хэрэгцээтэй холбоотой байдаг. Энэ нь параметрийн үнэлгээний асуудалд хүргэдэг. Нэмж дурдахад, шинж чанарыг задлах нь ашиглагдах нь ойлгомжтой Нэмэлт мэдээлэлангиудын шинж чанарт үндэслэн.

Объектуудыг хэмжилтийн вектор хэлбэрээр дүрсэлсэнд үндэслэн харьцуулж болно. Хэмжилтийн өгөгдлийг бодит тоо хэлбэрээр илэрхийлэх нь тохиромжтой. Дараа нь хоёр объектын онцлог векторуудын ижил төстэй байдлыг Евклидийн зайг ашиглан тодорхойлж болно.

Энд d нь онцлог векторын хэмжээс юм.

Загвар таних 3 бүлэг аргууд байдаг:

• Дээжтэй харьцуулах. Энэ бүлэгт хамгийн ойрын дундажаар ангилах, хүрэх зайнаас хамааран ангилах зэрэг орно хамгийн ойрын хөрш. Бүтцийн таних аргуудыг түүвэртэй харьцуулах бүлэгт мөн оруулж болно.
• Статистикийн аргууд. Нэрнээс нь харахад статистикийн аргууд заримыг нь ашигладаг статистик мэдээлэлтаних асуудлыг шийдвэрлэх үед. Энэ арга нь тухайн объектыг магадлалд тулгуурлан тодорхой ангилалд хамаарах эсэхийг тодорхойлдог. Зарим тохиолдолд тухайн объектын шинж чанар нь зохих утгыг авсан тохиолдолд тодорхой ангилалд хамаарах объектын арын магадлалыг тодорхойлоход хүргэдэг. Жишээ нь Байесийн шийдвэрийн дүрэмд суурилсан арга юм.
• Мэдрэлийн сүлжээнүүд. Таних аргуудын тусдаа анги. Бусдаас ялгарах онцлог нь суралцах чадвар юм.

Хамгийн ойрын дундажаар ангилна

Сонгодог хэв маягийг таних аргад ангилалд үл мэдэгдэх объектыг үндсэн шинж чанарын вектор хэлбэрээр төлөөлдөг. Онцлог шинж чанарт суурилсан таних системийг янз бүрийн аргаар боловсруулж болно. Эдгээр векторуудыг сургалтын үр дүнд системд урьдчилан мэдэж эсвэл зарим загвар дээр үндэслэн бодит цаг хугацаанд урьдчилан таамаглаж болно.

Энгийн ангиллын алгоритм нь вектор ашиглан ангийн лавлагааны өгөгдлийг бүлэглэх явдал юм математикийн хүлээлтанги (дундаж утга).

Энд x(i,j) нь i ангиллын j-р лавлагааны шинж чанар, n_j нь i ангийн лавлагаа векторуудын тоо юм.

Дараа нь үл мэдэгдэх объект нь бусад ангиудын математикийн хүлээлтийн векторуудаас i ангийн математикийн хүлээлтийн вектортой илүү ойр байвал i ангилалд хамаарах болно. Энэ арга нь анги бүрийн цэгүүд нь бусад ангиудын цэгүүдээс хол зайд байрладаг асуудлуудад тохиромжтой.

Хичээл бага зэрэг нэмэгдвэл хүндрэл гарах болно нарийн төвөгтэй бүтэцжишээлбэл, зураг дээрх шиг. Энэ тохиолдолд 2-р анги нь нэг дундаж утгаараа муу дүрслэгдсэн хоёр салангид хэсэгт хуваагдана. Мөн 3-р анги нь 3-р ангиллын том координатын утга бүхий 3-р ангиас 1-р ангиллын дундаж утгатай ойролцоо байна.

Тодорхойлсон асуудлыг зарим тохиолдолд зайны тооцоог өөрчлөх замаар шийдэж болно.

Бид координатын i чиглэл бүрийн дагуу ангиллын утгуудын "тарагдах" шинж чанарыг харгалзан үзэх болно - σ_i. Стандарт хазайлт нь квадрат язгууртархалтаас. x вектор ба хүлээлт x_c векторын хоорондох масштабтай Евклидийн зай нь байна

Энэхүү зайны томъёо нь ангиллын алдааны тоог багасгах боловч бодит байдал дээр ихэнх асуудлыг ийм энгийн ангиар илэрхийлэх боломжгүй юм.

Хамгийн ойрын хөрш хүртэлх зайгаар ангилах

Ангилах өөр нэг арга бол үл мэдэгдэх шинж чанарын вектор x-ийг тухайн түүвэрт энэ вектор хамгийн төстэй ангилалд оноох явдал юм. Энэ дүрмийг хамгийн ойрын хөршийн дүрэм гэж нэрлэдэг. Хамгийн ойрын хөршийн ангилал нь ангиуд нь нарийн төвөгтэй бүтэцтэй эсвэл анги давхцаж байсан ч илүү үр дүнтэй байж болно.

Энэ арга нь орон зай дахь онцлог векторуудын тархалтын загваруудын талаархи таамаглалыг шаарддаггүй. Алгоритм нь зөвхөн мэдэгдэж буй лавлагааны дээжийн мэдээллийг ашигладаг. Шийдлийн арга нь өгөгдлийн сан дахь дээж бүрийн х зайг тооцоолж, хамгийн бага зайг олоход суурилдаг. Энэ аргын давуу талууд нь тодорхой байна:

• та хүссэн үедээ мэдээллийн санд шинэ дээж нэмэх боломжтой;
• мод болон сүлжээний өгөгдлийн бүтэц нь тооцоолсон зайны тоог багасгадаг.

Нэмж дурдахад бид мэдээллийн сангаас хамгийн ойрын хөршийг биш, харин k гэж хайвал шийдэл нь илүү дээр байх болно. Дараа нь k > 1-ийн хувьд векторуудын тархалтын хамгийн сайн түүвэрлэлтийг хангана d хэмжээст орон зай. Гэсэн хэдий ч k утгыг үр ашигтай ашиглах нь орон зайн бүс бүрт хангалттай тоо байгаа эсэхээс хамаарна. Хэрэв хоёроос олон анги байвал зөв шийдвэр гаргахад хэцүү болно.

Уран зохиол

• M. Castrillon, . O. Deniz, . Д.Эрнандес ба Ж.Лорензо, “Виола-Жонсын ерөнхий объект илрүүлэх тогтолцоонд суурилсан нүүр ба нүүрний онцлог илрүүлэгчийн харьцуулалт,” Олон улсын компьютерийн харааны сэтгүүл, № 22. 481-494, 2011.
• Ю.-К. Ван, "Виола-Жонсын царайг илрүүлэх алгоритмын шинжилгээ," IPOL сэтгүүл, 2013 он.
• L. Shapiro болон D. Stockman, Computer Vision, Binom. Мэдлэгийн лаборатори, 2006 он.
• З.Н.Г., Таних аргууд ба тэдгээрийн хэрэглээ, Зөвлөлтийн радио, 1972 он.
• Ж.Ту, Р.Гонзалес, Загвар таних математикийн зарчим, Москва: “Мир” Москва, 1974.
• Khan, H. Abdullah and M. Shamian Bin Zainal, "Viola jones болон арьсны өнгөний пиксел илрүүлэх хослолыг ашиглан нүд, амны үр дүнтэй илрүүлэх алгоритм," International Journal of Engineering and Applied Sciences, No. Vol. 3 No 4, 2013 он.
• V. Gaede болон O. Gunther, "Multimensional Access Methods," ACM Computing Surveys, pp. 170-231, 1998 он.