- •Распознавание образов. Общие положения.
- •Объекты в распознавании образов
- •Классификация объектов. Понятие расстояния между объектами.
- •Две группы методов распознавания и их особенности.
- •Разделяющая функция. Решающее правило. Пример разделения на два класса.
- •Линейные разделяющие функции для n классов. 1-ый случай разделения
- •Линейные разделяющие функции для n классов. 2-ой случай разделения
- •Обучение в решении задачи классификации
- •Обучение с учителем и без учителя
- •11. Алгоритм класс-ции на базе контролируемого обучения (к-средних)
- •12. Алгоритм классификации на базе самообучения (Максимин)
- •13. Расстояние между классами (частный случай)
- •14. Расстояние между списками
- •15. Метод динамического программирования
- •16. Классификация объектов вероятностным подходом. Закон Бейеса.
- •17. Решающее правило при вероятностном подходе.
- •18. Разделение объектов на два класса при вероятностном подходе
- •19. Устройство автоматической классификации «Персептрон»
- •20. Критерий коррекции весовых коэф-в для классификации объектов
- •21. Алгоритм классификации объектов на n классов (Персептрон)
- •22. Метод потенциалов
- •23. Иерархическое группирование
- •24. Определение иерархии
- •25. Пример метода иерархической классификации
- •26. Постановка задачи синтаксического распознавания образов. Структурная схема системы распознавания. (V)
- •27. Понятия языка, строки, грамматики. Описание грамматики и ее компонентов.
- •28. Связь между автоматами и грамматиками при синтаксическом распознавании. (V)
- •29. Постановка задачи синтаксического распознавания образов. Грамматический разбор сверху вниз (привести пример) (V)
- •30. Постановка задачи синтаксического распознавания образов. Грамматический разбор снизу вверх (привести пример). (V)
- •31. Применение методов синтаксического распознавания для двумерных объектов. Использование языка описания изображений pdl (привести пример). (V)
- •32. Стохастические грамматики и языки (привести пример).
- •33. Алгоритм вывода цепочечных грамматик. (V)
- •3 Части построения Алгоритма:
- •34. Алгоритм вывода двумерных грамматик.(V)
- •35. Общие понятия систем распознавания
- •36. Проблематика задач создания систем распознавания
- •37. Формулировка задач создания систем распознавания и методы их решения. Задачи 1,2
- •38. Формулировка задач создания ср и их решение. Задачи 3,4
- •39. Формулировка задач создания ср и их решение. Задачи 5,6
- •40. Принципы классификации ср (1, 2)
- •Однородность информации для описания распознаваемых объектов и явлений
- •Способ получения апостериорной информации
- •41. Принципы классификации ср (3, 4)
- •Количество первоначальной априорной информации
- •Характер информации признаках распознавания
- •42. Обучающиеся и самообучающиеся ср (структурные схемы)
- •43. Биологические основы функционирования нейрона
- •44. Принципы построения и действия искусственной нейронной сети
- •45. Инс в виде многослойного персептрона
- •46. Решение задач с помощью нс на базе многослойного персептрона
38. Формулировка задач создания ср и их решение. Задачи 3,4
Задача 3.
Разработка априорного словаря признаков распознавания.
Решая задачу № 2 необходимо было найти все одинаковые признаки объектов или явлений. Аналогично, решая задачу № 2, определяют состав классов. На текущем этапе располагая перечнем и априорным алфавитом классов, анализируют возможности определения признаков. Таким образом, главное действие 3-й задачи – создание словаря, обеспечивающего реально возможными измерениями. Однако оценить набор признаков распознавания можно только создав модель системы распознавания, которой на текущем этапе еще нет.
Задача 4.
Описание классов априорного алфавита на языке априорного словаря признаков.
Решение этой задачи частично поможет ответить на вопрос о том, насколько
эффективным оказывается выбранный набор признаков.
Априорное описание классов считается наиболее трудоемкой задачей в процессе создания системы распознавания, т.к. требуется глубокое изучение свойств объектов распознавания и, кроме того, эта задача считается творческой и она не поддается автоматизации. В рамках этой задачи необходимо каждому классу поставить в соответствие числовые параметры.
Значения признаков можно получить в результате следующих действий:
Эксперименты
Математическое моделирование
Математические расчеты
Литература
Физические модели
И т.д.
39. Формулировка задач создания ср и их решение. Задачи 5,6
Задача 5.
Выбор алгоритма классификации, обеспечивающего отнесение распознаваемого объекта или явления к соответствующему классу.
Решение задачи распознавания на основе использования словаря признаков и алфавита классов объектов (явлений) фактически заключается в разбиении пространства значений признаков распознавания на области соответствующие классам. Разбиение должно быть выполнено таким образом, чтобы обеспечивались минимальные значения ошибок отнесения классифицируемых объектов или явлений к “чужим” классам.
Результатом такой операции является отнесение объекта, имеющего набор признаков, к классу, если указанная точка лежит в соответствующей классу области признаков.
Данная задача фактически завершает круг задач, связанных с созданием системы распознавания. При этом следует помнить, что создание системы распознавания осуществляется последовательными приближениями по мере получения дополнительной информации. В этом ряду последовательных приближений главную роль играют признаки распознавания. От эффективности их набора зависит эффективность системы в целом. В процессе совершенствования системы указанный набор пополняется, неэффективные признаки исключаются. Поэтому одной из задач создания системы распознавания должна быть задача перехода от априорных словаря признаков и алфавита классов к рабочим словарю и алфавиту классов.
Задача 6.
Определение рабочего алфавита классов и рабочего словаря признаков системы распознавания.
Настоящая задача на уровне разработки, прошедшей решение задач 1-5, по крайней мере, уже может быть поставлена. Т.е. решив первые 5 задач, может быть построена модель системы распознавания.
Суть данной задачи в том, чтобы разработать такие алфавит класса и словарь признаков, которые обеспечивали бы максимальное значение показателей эффективности распознавания, т.е. из априорных данных необходимо выбрать признаки, позволяющие при всех имеющихся ограничениях достичь максимальной вероятности правильной классификации объектов.
