Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Надежность технологического оборудования. Анализ видов и последствий отказов. Учебник
.pdf
7. Распознавание образов
7.1. Общие сведения
Одно из направлений развития методов контроля надежности элементов системы (или систем), основанных на изучении косвенных параметров, связано c использованием теории
распознавания образов, в которой разрабатываются приемы
и методы, позволяющие по некоторым, часто весьма незначительным, признакам относить объект изучения к тому или
иному классу и характеризовать его состояние.
Распознавание образов – это процесс установления класса (вида, категории) образа на основе определенных признаков образа. Под образом понимают описание объекта или
процесса, позволяющее выделять его из окружающей среды
и группировать с другими объектами или процессами для
принятия необходимых решений. Те категории объектов,
которые мы хотим выделить или на которые хотим разделить все множество образов в процессе распознавания, обычно называют классами, при этом способ задания классов
определяется не столько сущностью предмета исследования,
сколько особенностями имеющейся информации об объектах и способами ее представления.
Теория распознавания образа – раздел информатики и
смежных дисциплин, развивающий основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т.п. объектов, которые характеризуются конечным набором некоторых свойств и признаков.
Методы распознавания образов широко применяются
для решения таких задач, как распознавание буквенно-цифровой информации, прогнозирование погоды, установление
медицинских диагнозов, анализ звуковых записей и т.д.
Важным свойством таких методов является то, что полное
знание распределения вероятностей данных не требуется.
161
7. Распознавание образов
Если в распоряжении имеется лишь небольшое количество
измерений и поэтому нельзя определить значимые статистические распределения, то могут быть использованы непараметрические методы.
Алгоритм распознавания образов можно представить
как абстрактную функциональную систему R, состоящую
из трех компонент:
,, ,RASP
где A = {Ak}, k = 1, ..., K – алфавит классов – множество кате-
горий, по которым распределяются образы;
S = {Sj}, j = 1, ..., n – словарь признаков – множество ха-
рактеристик, из которых составляется описание образа;
P = {Pl}, l = 1, ..., L – множество правил принятия решения.
Функционирование этой системы сводится к следующему: на вход подается образ – некоторая конфигурация
из элементов множества S, к ней применяется определенная
последовательность правил из Р, в результате конфигурации присваивается индекс, соответствующий одному из элементов множества A. Качество функционирования системы
определяется тем, насколько часто присвоенный образу индекс совпадает с ожидаемым нами результатом.
Компоненты A и S представляют собой информацион-
ную часть системы, а P – методологическую. Отметим, что
смысл понятия «класс» для различных способов описания
образов будет различным. В свою очередь, способ описания
образа зависит от физической природы объектов распознавания и возможностей формализации соответствующих им
понятий. Методы принятия решений, естественно, взаимосвязаны со способом представления объектов распознавания.
Поэтому любая система распознавания включает и процесс
синтеза образов, т.е. формирования описаний объектов распознавания и их классов, и процесс анализа образов, т.е. сам
процесс принятия решений.
162
7.1. ОБЩИЕ СВЕДЕНИЯ
В зависимости от особенностей информационных компонент системы R выделяют три подхода к задаче распознавания образов:
1) принцип сравнения с эталоном;
2) принцип кластеризации;
3) принцип общности свойств.
Принцип сравнения с эталоном применяется в тех случаях, когда каждому классу A
можно сопоставить конеч-
k
ный набор эталонных образов. Поэтому принцип сравнения с эталоном иначе называют принципом перечисления.
В этом случае процесс распознавания заключается в простом
сопоставлении образов, поступающих на вход распознающего устройства или алгоритма, с эталонами классов A
на ос-
k
нове выбранной меры сходства. Принцип сравнения с эталоном – один из первых подходов, возникших при построении
технических систем распознавания, когда возможности
вычислительных устройств были весьма ограничены. Тем
не менее он и сейчас применяется, в частности, в аналоговых
и аналогово-цифровых системах распознавания. Характерными примерами применения такого подхода являются распознавание печатных шрифтов и текстур, а также выделения объектов определенной формы.
Принцип кластеризации. Если признаки представляют
собой наборы измерений (параметров) без каких-либо явным
образом заданных взаимосвязей, то образ можно представить, как n-мерный вектор в признаковом пространстве Х:
XXX X
, ,..., ,
12
Т
n
в котором элементы Xi обозначают скалярные величины
измеренных параметров (температура, давление, концентрация и др.). Каждому классу A
сопоставляется некоторое
k
множество векторов в пространстве Х. В результате признаковое пространство разбивается на области, соответствующие классам А
, которые называют кластерами или таксона-
k
163
7. Распознавание образов
ми. Одному классу может соответствовать любое количество
областей пространства X. Эти области могут перекрываться,
но методология принятия решения должна в итоге обеспечивать однозначное отнесение точки пространства к определенному классу. Принцип кластеризации (таксономии) широко
применяется в различных прикладных направлениях при
обработке количественных данных.
Принцип общности свойств существенно использует связи между элементами образа. Как правило, он применяется в тех случаях, когда множество образов каждого класса
слишком велико, чтобы получить надежное описание конечного числа эталонов, но можно выявить достаточное количество отличительных особенностей классов по конечным выборкам образов. Выявленные свойства кодируются на основе
подходящей модели и хранятся в памяти в виде некоторых
структур, функций или отношений. В процессе распознавания производится анализ образа по схеме, позволяющей выявить необходимые свойства образа; затем они сопоставляются со свойствами классов A
.
k
Перечисленные подходы к распознаванию относятся в основном к процессу синтеза образов, т.е. к способу представления информации – компонент A и S системы R. Методы
анализа образов, т.е. правила принятия решений, обычно
взаимосвязаны со способом синтеза образов, хотя довольно
часто тот или иной аппарат принятия решений, например
статистический, может применяться при различных способах синтеза.
В методологии принятия решений при распознавании образов также выделяют три основных направления:
1) эвристические методы;
2) математические методы;
3) лингвистические (синтаксические) методы.
Эвристические методы основываются на опыте и интуиции разработчика системы распознавания. Как правило, эти
164
7.1. ОБЩИЕ СВЕДЕНИЯ
методы ориентированы на решение конкретного типа задач
распознавания и непосредственно привязаны к способу синтеза образов. Наиболее часто применяются при использовании принципа сравнения с эталоном и принципа общности
свойств.
Математические методы опираются на использование
классического математического аппарата: методов линейного программирования, корреляционного анализа, теории
статистических решений и т.п. Применяются в тех случаях,
когда признаки представлены измерениями (параметрами),
а их связи могут быть описаны в виде аналитических зависимостей. В той или иной степени математические методы используются во всех трех подходах к распознаванию.
Лингвистические (синтаксические, структурные) методы
применяются в тех случаях, когда образ представляет собой
некоторую структуру, состоящую из так называемых непроизводных (первичных) элементов и признаков, описывающих связи между ними. В этих методах широко используется аппарат алгебры логики и теории формальных языков.
Современный уровень развития вычислительных средств
позволяет комбинировать в системах распознавания как
различные подходы к описанию образов, так и методы, использующиеся в процессе распознавания. Рациональное использование этих подходов является главной задачей разработчика системы распознавания.
Процедуру распознавания образов путем выделения признаков и классификации можно рассматривать как трехступенчатых процесс (рис. 7.1).
После выполнения соответствующих измерений результаты направляются в блок выделения признаков, в котором
выделяются или вычисляются характерные признаки. Выбранные признаки представляются в векторной форме. Фактически процесс выделения признаков представляет собой
удерживание класса дискриминирующей информации и от-
165
7. Распознавание образов
сеивания класса бесполезной информации из системы измерений различных классов. В результате полученная информация может быть представлена в виде вектора признаков.
Блок выделения
признаков
•Набор измерений
Вектор признаков
Рис. 7.1. Схема распознавания образов путем выделения
Классификатор
Классы
признаков и классификации
•Целевая функция
Анализ неполадок
Рекомендации
•Методы
анализа
Решение
Далее применяются различные решающие правила для
классификации векторов признаков на один или более классов, после чего может быть проведен анализ неполадок.
В простейшем случае вектор признаков принимает только
два возможных образа: соответствует или не соответствует
нормальной работе. Решающие правила могут быть выбраны
априори или установлены в процессе обнаружения и диагностики неполадок.
На практике для анализа неполадок использую непараметрические методы распознавания образов, к которым относится дискриминационный анализ, кластеризация и последовательные непараметрические методы.
166
7.2. МАТРИЦА РАСПОЗНАВАНИЯ
7.2. Матрица распознавания
Матрица распознавания, известная также как словарь
неполадок, таблица состояний или таблица решений, является основой для классификации, при этом наиболее эффективно ее заполнение результатами контрольных измерений,
выполненных одновременно по нескольким переменным,
возможно, через последовательные промежутки времени.
К сожалению, ее сложность резко увеличивается с ростом
числа измеряемых переменных, поэтому она имеет ограничения, даже в случае применения компьютерной техники.
«+»
«0»
«0»
Переменная 1
Переменная 2
Номер образа
(неполадки)
Номер
неполадки
Рис. 7.2. Дерево решений для обнаружения неполадок
«+»
«0»
С-1 С-2 С-3 С-4 С-5 С-6 С-7 С-8 С-9
при измерении двух переменных
«+»
«–»
«–»
«–»
«+»
«0»
«–»
4423331222
При разработке матрицы определяют измеряемые переменные, устанавливают пределы их измерения (уровни), выбирают виды входных воздействий, при которых измеряются переменные, составляют перечень ситуаций, образуемых
сочетаниями и значениями измеряемых переменных, опре-
167
7. Распознавание образов
деляют возможные отказы (нарушения) элементов объекта,
устанавливают соответствие между ситуациями и отказами,
строят дерево решений, заполняют матрицу и проводят работы по ее компактному представлению.
Пусть измеряются только две переменные, каждая
из которых в соответствии с некоторым критерием может
находиться на трех уровнях: «+» – высокий уровень; «0» –
нормальный уровень; «–» – низкий уровень. На рис. 7.2 приведено дерево неполадок, а в табл. 7.1 – соответствующая матрица распознавания (словарь неполадок).
Таблица 7.1
Матрица распознавания при измерении двух переменных
(см. рис. 7.2)
Номер образа
(ситуации)
С-1 Х Х 2
С-2 Х Х Отсутствует
С-3 Х Х 1, 3
С-4 Х Х 2, 4
С-5 Х Х Отсутствует
С-6 Х Х 3
С-7 Х Х 2, 3
С-8 Х Х 2
С-9 Х Х 4
Переменная 1 Переменная 2
+0–+0–
Номер обнаруженных
неполадок
Отметим комбинаторный характер решений: число ис-
2
ходов равно 3
= 9. Если бы имелось 8 измеряемых перемен-
ных на трех уровнях, то количество ситуаций возросло бы
8
= 6561! Таким образом, даже с применением компью-
до 3
теров для обработки большого числа измерений и векторов
признаков трудно подготовить словарь, хранить и использовать все ситуации, если количество переменных и число
уровней квантования становится лишь умеренно большим.
Поэтому возникает проблема уменьшения размера словаря.
168
7.2. МАТРИЦА РАСПОЗНАВАНИЯ
На рис. 7.3 приведена упрощенная схема промежуточной (буферной) емкости химической установки, в которой
поддержание более или менее постоянного уровня жидкости осуществляется путем регулирования скорости потока
1
на выходе
сти входного V
. Измеряемыми переменными являются скоро-
и выходного V2 потоков жидкости, причем
1
значения каждого из них разделены на три уровня: высокий («+»), нормальный («0»), низкий («–»). Кроме того, для
регулирования скорости выходного потока используется
вентиль В, который также имеет три положения: открытое
(«О»), нормальное («0») и закрытое («З»). Если выписать все
векторы признаков, то словарь неполадок (матрица распознавания) будет иметь 27 строк (табл. 7.2).
V
1
В
V
2
Рис. 7.3. Схема промежуточной емкости химической
установки: Б – байпас; В – вентиль
Б
Каждая строка в таблице соответствует одному или нескольким событиям. Нетрудно заметить, что некоторые ситуации (правила) соответствую одним и тем же отказам, и их
1
Berenblut B.J., Whitehouse H.D. A method for monitoring process
plant based on decision table analysis // The Chem. Engr. March 1977.
P. 175–181.
169
7. Распознавание образов
можно объединить. Например, ситуации 2, 11 и 20 дают
одну и туже информацию – отказы 2 и 3, и поэтому измерения входного потока V
можно отметить буквой «Л», озна-
1
чающей любое значение (или «не имеет значения»), что позволит уменьшить размеры таблицы благодаря объединению
ситуаций 2, 11 и 20, т.е.
С-2
0+ –Л
++ ++
00 00
+
С-11
С-20
+
=
После учета всех отмеченных в таблице возможностей
объединения ситуаций получили матрицу распознавания
(табл. 7.3), размер которой уменьшился приблизительно
в 2 раза по сравнению с исходной таблицей. Правило С-1
представляет нормальную ситуацию; правила 13–15 связаны с физически невозможной ситуацией, когда поступающий поток меньше по величине, чем выходящий поток.
Таблица 7.2
Матрица распознавания для устройства,
изображенного на рис. 7.3
Ситуация
(исход,
правило)
С-1 0 0 0 Нет Нет
С-2 0 + 0 2, 3 С-11, С-20
С-3 0 – 0 4 С-12, С-21
С-4 0 0 О 4 С-13, С-22
С-5 0 + О А Нет
С-6 0 – О 4 С-15, С-24
С-7 0 0 З 2, 3 С-16, С-25
С-8 0 + З 2, 3 С-17, С-26
170
Скорость пото-
ка на входе V
Переменные
Скорость
потока на
1
выходе V
2
Состо-
яние
вентиля
Номер
события
(отказа)
Возможность
объединения
ситуаций
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]