2.3.3. Имитационное моделирование процесса обучения распознаванию образов (ситуаций)

В процессе управления подвижным объектом обучаемой системой управления процедура распознавания образов отсутствует, однако существуют задачи, для которых распознавание является конечным результатом и имеет самостоятельное значение, например в экспертных системах. Обучаемые системы управления могут быть использованы для решения таких задач, которые относятся к задачам распознавания образов [64, 65], например для распознавания букв и цифр. Точнее будет назвать это не распознаванием, а формированием выходного сигнала, соответствующего коду образа. Рассмотрим это на примере обучения распознаванию цифр 1, 2, 3 различного написания (см.рис.2.25 а, б).

Рис.2.25. Изображения цифр на сетчатке 5х5 рецепторов

Представим изображения цифр в виде наборов чисел, характеризующих степень затемнения изображением рецепторов сетчатки 5х5. Представим полученные числа в порядке их соответствия рецепторам сетчатки – слева-направо и сверху-вниз (возможен и любой другой порядок, но одинаковый для всех изображений). Зададим для каждого изображения требуемый выходной сигнал обучаемой системы, равный значению изображенной цифры. Получим следующие ситуации обучаемой выборки:

1а)__ 0__1__9__0__0__0__1__2__0__0__0__0__7__0__0__0__0__7__0__0__0__0__7__0__0; ___E₁ = 1; 1б)__ 0__0__6__2__0__0__2__2__0__0__0__2__4__0__0__0__5__1__0__0__1__4__1__0__0; ___E₂ = 1; 2а)__ 0__9__7__9__0__0__7__0__8__0__0__0__5__5__0__0__5__5__0__0__0__9__7__7__0; ___E₃ = 2; 2б)__ 1__5__5__4__0__2__8__3__7__0__0__2__1__7__0__3__5__6__2__3__3__3__4__7__3; ___E₄ = 2; 3а)__ 0__7__7__9__0__0__1__6__4__0__0__2__7__9__0__0__2__0__7__0__0__9__7__9__0; ___E₅ = 3; 3б)__ 1__2__2__3__0__4__6__4__7__0__0__5__8__8__0__2__4__1__7__0__1__6__5__3__0; ___E₆ = 3.

Процесс обучения, проводимый в соответствии с алгоритмом обучения, будем считать законченным после того, как отклонения выходных сигналов не будут превышать значения  _E= 0,001.

Полученные значения весовых коэффициентов рецепторов сетчатки (слева-направо и сверху-вниз): _1) _0,00786; ____2) _0,00294; ____3) _0,00666; ____4) _0,01344; ____5) _0,00000; _6) _0,03048; ____7) _0,02261; ____8) _0,04225; ____9) _0,03587; ___10) _0,00000; 11) _0,00000; ___12) _0,04168; ___13) _0,05806; ___14) _0,06894; ___15) _0,00000; 16) _0,01622; ___17) _0,01386; ___18) –0,00826; ___19) _0,07253; ___20) _0,00146; 21) _0,00790; ___22) _0,03321; ___23) _0,03256; ___24) _0,02441; ___25) _0,00146,

– гарантированно обеспечивают заданные значения выходных сигналов для изображений, которые использовались при обучении. Однако следует сказать, что близкие значения выходных сигналов будут получены и при других вариантах написания этих же цифр, но примерно того же размера и толщины линии. Допустимое отклонение здесь можно принять равным  _E =  0,5. В качестве примера предъявим обученной системе изображения цифр, которые не использовались для ее обучения:

Рис.2.26. Изображения цифр на сетчатке 5х5 рецепторов, которые не использовались для обучения

Перемножив степень затемнения каждой ячейки (рис.2.26) с ее весовым коэффициентом и просуммировав полученные 25 чисел, получим: для первого образа выходной сигнал E=1,034477, для второго образа E=2,135356 и для третьего образа E=2,574109. Как видим, полученные значения выходных сигналов находятся в пределах допустимых значений. Если бы выходной сигнал для какого-либо из образов цифр вышел за пределы допустимого значения, то этот образ следовало бы включить в обучаемую выборку и провести дообучение системы. Очевидно, что, чем больше вариантов написания знаков использовать при обучении, тем надежнее будет распознавание этих знаков в любом произвольном написании. Здесь можно провести аналогию с тем, что ученики начальных классов практически не могут прочитать текст, написанный “взрослым” почерком, а в выпускных классах уже сами пишут так, что учителя не всегда в состоянии распознать их произведения. Если полученные весовые коэффициенты представить в виде оптических фильтров соответствующих участков сетчатки, степень затемнения каждого из которых пропорциональна значению его весового коэффициента, то получим негативы оптических преобразователей для распознавания цифр “1”, “2” и “3” в виде оптических фильтров (рис.2.27).

Рис.2.27. Оптические фильтры распознавания цифр “1”, “2” и “3”

Как видно из рис.2.27, весовые коэффициенты обучаемой системы управления (резисторные или оптические) не содержат эталонов образов цифр “1”, “2” и “3”. Если данные оптические фильтры выполнить в виде позитивов, то они реально могут быть использованы в оптической обучаемой системе управления для распознавания изображений цифр “1”, “2” и “3” (см.раздел 5.1). Следует особо отметить, что результат распознавания никак не связан с общей площадью затемнения сетчатки изображением цифры. Так для изображений цифры “3” можно задать выходной сигнал равный единице, а для изображений цифры “1” – равный трем и провести обучение системы. В результате при предъявлении изображения цифр “3”, система будет формировать выходной сигнал близкий к единице, а при предъявлении изображений цифр “1” – близкий к трем. Способность обучаемых систем распознавать образы может быть использована для построения обучаемых экспертных систем [69]. Экспериментальный вариант такой системы был реализован в рамках хозяйственного договора “Разработка и внедрение диагностики оборудования листопрокатного производства ЛПЦ-5” между ЛипПИ и НЛМК (1987–1988 гг) при распознавании состояния узлов и деталей прокатного стана и печей обжига по их тепловым портретам, полученным с помощью тепловизора ТВ-03. Результаты работы отражены в разделе “Обучаемые системы диагностики” заключительного отчета о НИР.

Рис.2.28. Тепловые портреты деталей и узлов прокатного стана

Тепловые портреты (рис.2.28) являются высоко информативными с точки зрения характеристики работы оборудования, в то же время их информация сильно зашумлена и носит избыточный характер. Обучаемые системы не чувствительны к избыточности и зашумленности информации, поэтому использование их в этом случае является эффективным. Для каждого объекта формируется обучаемая выборка из тепловых портретов в различном его состоянии. Для каждого теплового портрета задается определенный код, который обозначает состояние объекта. Тепловые портреты разбиваются на участки, и чем мельче эти участки, тем большую точность распознавания можно получить. Для каждого участка по алгоритму обучения рассчитывается его весовой коэффициент. В процессе работы произведения степени затемненности участков помноженные на их весовые коэффициенты суммируются, и полученное значение сравнивается с набором кодов обучаемой выборки. Наиболее близкое значение кода характеризует текущее состояние объекта. Следует отметить, что при решении задач распознавания образов обучаемые системы управления являются только частью распознающей системы, формирующей код предъявленного образа, по которому другое устройство, например компьютер, относит образ к определенному классу. Такую систему можно рассматривать как один из множества возможных вариантов систем распознавания образов. Способность обучаемых систем управления решать задачи распознавания образов может быть использована в системе управления робота для оценки окружающей его ситуации. Это позволит, к примеру, отключать робот при попадании в его рабочую зону человека, обеспечивая его безопасность, иными словами, совершать акт управления роботом. Таким образом, для обучаемых систем управления задача распознавания образов является частной задачей управления, но не является необходимым этапом для управления подвижным объектом в недетерминированной окружающей его обстановке.