Резюме за змістом теми

• Розпізнавання образів - процес, при якому на підставі багаточисленних характеристик (ознак) деякого об'єкту визначаються одна або декілька найбільш істотних, але недоступних для безпосереднього визначення, його характеристик, зокрема, його приналежність до певного класу об'єктів.

• Класифікація систем розпізнавання грунтується на використанні як класифікаційний принцип властивості інформації, використовуваної в процесі розпізнавання.

• Системи розпізнавання можна підрозділити на прості і складні залежно від того, фізично однорідна або фізично неоднорідна інформація використовується для опису розпізнаваних об'єктів, чи мають ознаки, на мові яких проведено опис алфавіту класів, єдину або різну фізичну природу.

• Об’єктом у теорії розпізнавання прийнято називати будь-яку сутність, що існує або могла б існувати в реальному світі, а також будь-яке явище або процес.

• Основна відмінність між різними групами методів розпізнавання полягає в тому, яким чином формуються модельні описи об’єктів.

• У більшості методів розпізнавання робиться природне припущення, що зображення об'єктів одного класу (образу) ближчі один одному, чим зображення різних класів.

• Метричні методи засновані на кількісній оцінці цієї близькості. Як зображення об'єкту приймається точка в просторі ознак, мірою близькості вважається відстань між точками.

Терміни та поняття до теми

• Завдання ідентифікації полягає у тому, щоб вирізнити певний конкретний об’єкт серед йому подібних.

• Віднесення об’єкту до того чи іншого класу, наприклад, задача розпізнавання літер або прийняття рішення про наявність дефекту у деякій технічній деталі.

• Кластерний аналіз – полягає в розділенні заданого набору об’єктів на класи, які схожі між собою за тим чи іншим критерієм.

• Класом у теорії розпізнавання образів прийнято називати сукупність об’єктів, які мають ті чи інші спільні ознаки.

• Метрика – правило, за допомогою якого вводиться відстань між елементами простору.

• Гіпотеза компактності – відповідно до якої, класові відповідає компактна множина точок у деякому просторі ознак.

Питання для самоконтролю

1. Охарактеризуйте класифікацію систем розпізнавання

2. Які Ви знаєте практичні застосування систем розпізнавання?

3. Метричні методи засновані на кількісній оцінці цієї близькості.

4. Наведіть типову схему розпізнавання в просторі ознак

5. Чи для будь-якої предметної області можна використовувати розпізнавання в просторі ознак? Наведіть приклади.

6. Охарактеризуйте дискримінантні методи розпізнавання.

7. Що таке простір ознак?

8. Перелічіть відомі Вам типи ознак.

9. Які Ви знаєте міри близькості між об’єктами, якщо ознаки є кількісними?

10. Наведіть формулу євклідової відстані між векторами.

11. Що таке зважені євклідові відстані? В якому випадку їх доцільно використовувати?

12. Охарактеризуйте гіпотезу компактності.

13. Опишіть типову схему розпізнавання в просторі ознак.

14. Охарактеризуйте баєсівські методи розпізнавання образів.

15. Сформулюйте метод найближчого сусіда.

16. Чи вимагає метод найближчого сусіда попереднього вироблення вирішувального правила?

17. Охарактеризуйте основні переваги і недоліки методу найближчого сусіда.

18. Опишіть стиснене правило найближчого сусіда. З чим пов'язана доцільність його застосування?

19. Що таке нейромережа?

20. Поясніть принцип роботи персептрона.

21. Що таке навчання персептрона?

22. Опишіть модель нейрона як пороговий елемент.

23. Що таке активаційна функція порогового елемента?

24. У чому полягає основний принцип навчання модельних нейронів?

25. Які функції, крім порогових, можуть використовуватися як активаційні?

26. Що таке сигмоїдальна функція? Наведіть приклад.

27. Опишіть узагальнену дельта-процедуру для сигмоїдальної активаційної функції.

28. У чому полягають основні принципи використання методу зворот¬ного поширення помилки для навчання нейромереж?

29. Як визначити апріорну інформацію про навчальну вибірку?

30. Як впливає задана кількість циклів навчання на точність навчання?

31. Як впливає задана точність навчання на тривалість навчання?

32. Які вимоги потрібно висувати до навчальної вибірки, та як це вплине на процес навчання?

33. Що таке ітеративний аналіз даних, що самоорганізовується ?

34. Як вибирають початкове розташування центрів ?

35. Яка суттєва відмінність алгоритму ISODATA?

36. З яких кроків складається алгоритм ?

37. Чи є цей алгоритм різновидом алгоритму k- середніх і відрізняється від нього введенням деяких евристичних процедур?

38. Наведіть приклади алгоритмів розстановки центрів кластерів.

39. Переваги та недоліки алгоритму k-внутрішніх групових середніх.

40. Схема алгоитму k-внутрішніх групових середніх.

41. Умова збіжності алгоритму k-внутрішніх групових середніх.

42. Які ви знаєте алгоритми розпізнавання відбитків пальців?

43. Яна основна ідея методу?

44. Що таке універсальна множина?

45. Що таке потенціал?

46. Переваги та недоліки методу потенційних функцій.

47. Які існують способи кодування інформації (символіки штрих-кодів)?

48. Які функції штриха?

49. Як перевірити правильність штрихкоду?

50. Завдання кластер-аналізу.

51. Чіткий кластер-аналіз.

52. Нечіткий кластер-аналіз.

53. Використання кластер-аналізу при побудові систем розпізнавання образів.

54. Навчання з учителем.

55. Навчання без учителя.

56. Подібність кластер-аналізу і метричної класифікації.

57. Лінійна роздільність і лінійна нерозділеність класів.

58. Чи впливає кількість використаних ознак на швидкість кластер-аналізу?

59. Що таке генеральна сукупність, вибірка, екземпляр, ознака?

60. Чи впливає обсяг навчаючої вибірки на швидкість кластер-аналізу?

61. Функції кластер-аналізу у пакеті MATLAB.

62. Функція fcm.

63. Функція subclust.

64. Принцип роботи мережі Хемінга.

65. Який алгоритм роботи мережі лемінга?

66. Область застосування.