8.5. Метод декомпозиции в задаче распознавания

Известен ряд способов сокращения времени вычисления тупиковых

тестов [25], однако они либо трудоемки, либо предполагают

априорную оценку весов признаков.

Мы рассмотрим алгоритм, достаточно простой в реализации,

не снижающий уверенности в достоверности распознавания и не

требующий больших ресурсов ЭВМ. Отметим, что программная

реализация тестового алгоритма распознавания, как показывают

машинные эксперименты и накопленный опыт, возможна и

рациональна при осуществлении следующих двух условий.

Условие 1. Введение в программу счетчика, позволяющего

производить поэтапный расчет с выдачей промежуточных результатов.

Условие 2. Декомпозирование исходных данных таким образом,

чтобы оказалось возможным организовать процедуру обучения и

распознавания по каждому из декомпозированных подмножеств

признаков, не превышающему их обозримое число в 15—0 признаков.

Первое условие обеспечивает возможность получения конечного

результата. Второе же не только позволяет получить

значения весов признаков, но еще и значительно сократить время

расчетов.

221

Шаг 1. Для эталонных таблиц Т1 и Т° вычисляются относительные

частоты появления признаков, т. е. подсчитывается

число единиц в каждом столбце таблиц Г1 и Г0 и находится

отношение к общему числу строк соответствующей таблицы.

Шаг 2. Определяются разности между относительными частотами

г-го столбца таблицы 7"1 и г-го столбца таблицы Т°. По

значениям разностей выделяются столбцы —признаки, наиболее

и наименее отличные друг от друга. Если таких признаков несколько,

то выбор производит ЛПР.

Шаг 3. Осуществляется декомпозиция таблиц Г 1 и Т° на т

подтаблиц {7*1, Т°}; {Т\, Т% {Т\, Т% Формируются т пар под-

таблиц таким образом, что число столбцов не превышает 15—0,

и обязательно включаются в каждую подтаблицу два признака,

выделенные на шаге 2.

Шаг 4. Вычисляются различающие веса для каждой декомпозированной

части, т. е. обучение повторяется т раз.

Шаг 5. Реализуется процедура распознавания (§ 8.4), которая

разбивается на два этапа:

вычисляется значение показателей tjJ, и т^, ср=1, ..., т по

каждому из трех правил алгоритма 8.1 для каждой декомпозированной

части ф;

соответствующие значения показателей декомпозированных

частей суммируются и распознавание осуществляется по интегральным

показателям:

Правило 1а.

Алгоритм 8.2.

ф= 1 ф= 1

Правило 2а.

т < t

(Лгшп) = 2 (T im in g ( Tlmin) = 2 (Л т т ) 9 >

т=1

Правило За.

W°= 2

ф=1 ф=1

Применение декомпозированных данных не приводит к каким-

либо специфическим преобразованиям программ, работающих с

полными исходными данными.

222

8.6. Система распознавания и классификация клара

Осуществление задачи собственно классификации, распознавания

и оценки результатов является заключительным этапом

всей сложной процедуры распознавания, которая в автоматизированной

системе должн а включать в себя и все описанные

выше этапы: выбора и уточнения величины критического расстояния,

коэффициентов значимости факторов, уточнения и минимизации

граф-модели, множества диагностических параметров.

Гра/р-модет

e(X,U)-,I(xi,xj );Xi

Е

￡ Компоненты _____________достижимости

P(Xi)i minpn

-------------------------1 t

Bblfop pKJ>

e<i', n,s>,fitter

ГФотограмма

Pmiit i PmediPmax

-------t \

Вычисление оценок

Ркр. var / Pjj > & i ? ) var >

Г

Ускоренное вычисление оценок

Ркр. var;Qj 'jVt i (oCffi, f )var j Ф j

Селекция параметрoff

A; g ; V

Формирование таблицы

Вы/fop параметров ELEKTRE //

i S, i У/V Pi 4

Bbiifop параметров■ ПОТАРА, ДИДЕ

I I Рд;Я;^,ФцП

Формирование обучающей выборки

Ък i Т0К

X

Обучение распознаванию

Т,к1 то*

$

Распознавание объекта

*1 II TlKiTgxiRjiJ

Состояние объекта

Рис. 8.1. Структурная схема системы классификации и распознавания КЛАРА

223

Это позволит, во-первых, настраивать систему на диагностирование

различных классов объектов на минимизированных множествах

диагностических параметров, во-вторых, обучать систему

в случае получения неудовлетворительных результатов текущего

распознавания. Важнейшим показателем качества работы таких

систем являются показатели достоверности распознавания и

классификации. Самый простой способ оценки надежности распознавания

—подсчет количества неверных ответов при достаточно

большой контрольной выборке. Отношение числа ошибочных

ответов к общему числу предъявленных системе образов характеризует

вероятность ошибки распознавания.

Структурная схема (рис. 8.1) системы КЛАссификации и

РАспознавания КЛАРА, реализующей весь объем перечисленных

задач, иллюстрирует ее структуру, состав и обратные связи.

Табл. 8.1 описывает функциональное назначение модулей.

Система КЛАРА включает в себя пакет ДОМПТОГРАМ и

обладает широкими возможностями адаптации. Уже отмечалось,

что она инвариантна относительно объекта диагностирования.

Кроме того, она функционирует на различных для одного и того же

объекта покрытиях и обладает средствами диалогового взаимодействия

для их синтеза с учетом особых мнений ЛПР-эксперта.