
- •1.Персептрон и его роль в становлении распознавания образов.
- •3. Предложить алгоритм автоматической классификации для задачи построения скелета объекта изображения.
- •2. Понятие расстояния в распознавании образов.
- •4. Примеры применения распознавания образов.
- •6. Разработать алгоритм кластерного анализа для построения областей одного цвета.
- •9. Разработка алгоритма самообучения для построения границ областей изображения.
- •21. Предложить алгоритм классификации для задач выделения контура объекта изображения.
- •Оператор Собеля
- •7. Аналогия и задачи распознавания.
- •10. Задача распознавания образов и классификации. Постановка.
- •13. Метод разделяющей функции.
- •14. Гипотеза компактности. Ее значение в распознавании образов.
- •15. Разработать алгоритм таксономического анализа для выделения важных признаков. Ваш вариант.
- •16. Понятие сходства и задача распознавания.
- •17. Привести пример классификации шкал измерений.
- •23. Типы шкал. Примеры.
- •18. Задача выделения осевых линий объектов изображения как задача автоматической классификации.
- •20. Алгоритм классификации типа Форэл.
- •25. Детерминистские методы решения задачи распознавания.
- •26. Метод автоматической классификации типа корреляционных плеяд.
- •28. Задача распознавания без учителя. Метод корреляционных плеяд.
- •29. Реализация метода по определению мер важности объектов в методе потенциальных функций.
- •30. Представить процесс работы системы распознавания рукопечатного текста.
- •39. Представить процесс распознавания рукописного текста. Ваш вариант.
- •31. Задача распознавания без учителя на основе метода потенциальных функций, Алгоритм решения.
- •32. Алгоритм распознавания, основанный на вычислении оценок – перечислить 6 этапов.
- •33. Построить алгоритм таксономического анализа.
- •35. Тестовый подход и его значение для распознавания образов.
- •36.Предложить алгоритм выделения областей постоянной яркости изображения.
- •34. Важность объектов. Выделение значимых объектов при решении задач распознавания.
- •37. Примеры применения распознавания образов:
- •40.Задача распознавания с учителем. Метод комитетов.
- •41.Задачи, решаемые алгоритмами распознавания, основанными на вычислении оценок.
- •42. Привести классификацию шкал по Стивенсону.
- •43. Задача распознавания с обучением как задача оптимизации.
- •44. Представить структуру ппп по распознаванию и классификации образов.
- •45. Представить процесс работы системы Fine Reader.
40.Задача распознавания с учителем. Метод комитетов.
Будем считать, что в пространстве признаков заданы некоторые точки. Эти точки являются кодами некоторых реальных объектов. Пусть эти объекты являются объектыми, принадлежащими некоторым образам. Если для части объектов заранее известны образы, к которым они принадлежат, и при построении разделяющей образы поверхности эта информация используется, то такие задачи распознавания называются задачами обучения с учителем. Используемые объекты называются обучающей последовательностью, а построение разделяющей поверхности - обучением. После того как задача распознавания решена и в пространстве признаков построена разделяющая поверхность, все вновь поступающие объекты будут относиться к тому или иному образу в зависимости от того, в какую относительно поверхности часть пространства они попали.
Определение. Комитетом совокупности объектов из двух классов называется множество плоскостей в пространстве объектов, обладающих тем свойством, что каждый объект правильно классифицируется более чем половиной из плоскостей.
Можно доказать, что при некоторых условиях комитет обязательно существует.
Содержательно комитет означает следующее. В том случае, когда обучающая последовательность, вообще говоря, не разделяется плоскостью, образуется набор плоскостей, называемых комитетом и обладающих следующим свойством:
число ошибочных отнесений каждого объекты обучающей последовательности при разделении пространства признаков плоскостями из комитета меньше половины числа плоскостей.
Таким образом, комитет как бы имеет коллективное мнение о том, к какому классу принадлежит объект, причем «большинство» комитета имеет мнение, отвечающее истинной классификации объекты.
Комитет строится по обучающей последовательности объектов x1, …, xr . После построения комитета (обучения) объекты, попадающие на распознавание, относятся в тот класс, к которому их относит большая часть плоскостей.
Естественно, что основной проблемой данного метода является поиск комитета совокупности объектов (обучение).
В настоящее время существуют пакеты прикладных программ, в которых реализован метод комитетов, например, ППП Квазар, ПАРК и другие.
Этот метод является в некотором смысле обобщением идеи разделения классов в пространстве признаков наиболее простой поверхностью.
41.Задачи, решаемые алгоритмами распознавания, основанными на вычислении оценок.
Основная задача ВО. Пусть задана таблица обучения Tn,r и некоторое объект s на Х. Требуется указать класс Kj , j = 1, 2,…, L, к которому принадлежит объект s.
Перейдем теперь к описанию класса алгоритмов, решающих основную задачу. Будем называть этот класс классом алгоритмов, основанных на ВО, а каждый конкретный алгоритм - алгоритмом ВО. Класс алгоритмов, основанных на ВО, задается посредством описания шести элементов его определяющих.
1. система опорных множеств,
2. функция близости,
3. ВО по строкам фиксированного опорного множества,
4. ВО для класса по опорному множеству,
5. оценка для класса по системе опорных множеств,
6. решающее правило.
Любой алгоритм распознавания, задание которого складывается из шести элементов, и будет алгоритмом вычисления оценок, представляющих собой совокупность всевозможных алгоритмов распознавания, задаваемых рассматриваемыми шестью элементами.
Задание алгоритма ВО.
А. Система - опорных множеств. Под опорным множеством будем подразумевать некоторый набор номеров столбцов таблицы обучения T n, r . Под системой опорных множеств будем подразумевать совокупность опорных множеств, задаваемых из содержательных соображений при определении алгоритма, основанного на ВО. Например, система может состоять из одного набора, включающего все столбцы, т.е. столбцы с номерами 1, 2, . . ., n.
Б. Функция близости. Пусть xi и xp - некоторые объекты. Пусть задана функция r(xi,xp), которая описывает степень похожести объектов xi и xp на основе анализа только по одному из опорных множеств. Ее и будем называть функцией близости.
Пример. r = 1, если xi и xp совпадают на столбцах, входящих в некоторое опорное множество, и r = 0 - в противном случае.
Строки считаются похожими, если эти части совпадают.
Очевидно, что для каждого опорного множества можно вычислить функцию близости. Выбор той или иной функции близости определяется содержательными соображениями.
В. ВО по строкам фиксированного опорного множества.
Рассматриваемый пункт (элемент) класса алгоритмов распознавания, основанных на ВО, означает учет степени важности, представительности объектов, входящих в обучающую последовательность. Другими словами, пусть априорно задаются числовые коэффициенты γ1,…,γr ,характеризующие важность объектов
x1 ,…,xr .
Тогда
определяем оценку
по строкам фиксированного опорного
множества как некоторую заданную функцию
от функции близости и коэффициентов
γ1
,…,
γr
.
Пример. = γi r, если функция близости вычисляется между объектами xi и xp по некоторому опорному множеству. Таким образом, - это близость по опорному множеству с учетом важности.
Г. ВО для класса по опорному множеству. Оценка Г* для класса по опорному множеству означает вычисление близости между всеми объектыми из одного класса и некоторым объектм, относительно которого эта близость вычисляется. Эта близость вычисляется с учетом важности объектов по фиксированному опорному множеству. Например, если опорное множество представляет собой набор столбцов i1,…,ik , а к классу Km относятся объекты
xr
+1
, … ,xr
,
то
оценку Г* для класса Km
по опорному множеству i1
,…, ik
для произвольного объекты xp
можно вычислить так:
Г* = γ r +1 *r (xr +1 , xp)+…+γr *r(xr , xp).
Д. Оценка для класса Km по системе опорных множеств.
Оценки Гm для класса Km по системе опорных множеств означает близость произвольного объекты xp к объектым из класса Km по всем опорным множествам из системы опорных множеств. Например, в качестве оценки Гт можно взять сумму всех оценок Г*, полученных для каждого опорного множества.
Е. Решающее правило. Пусть по системе опорных множеств к объекту xp вычислены оценки Г1,......, ГL . Под решающим правилом будем подразумевать правило, которое по оценкам Г1,......, ГL выносит суждение о принадлежности xp классам K1 , … , КL .
Пример.
xp относится к классу Kj , если Гj - наибольшая оценка из Г1, . . ., ГL.
На этом описание алгоритмов распознавания, основанных на вычислении оценок, завершается.
Таким образом, можно сказать, что (1) выбирая конкретную систему опорных множеств, (2) определяя функцию близости, (3) задавая правила ВО по строкам фиксированного опорного множества, (4) для класса по опорному множеству и (5) по системе опорных множеств, а также (6) назначая решающее правило, мы получаем некоторый конкретный алгоритм ВО. Класс же алгоритмов распознавания, основанных на ВО, включает в себя всевозможные алгоритмы, которые могут быть построены из рассмотренных шести элементов.