- •Часть 3. Модели распознавания образов.
- •10.1. Постановка задачи распознавания образов.
- •10.1.1. Предмет распознавания образов.
- •10.1.2. Формулировка задачи распознавания образов.
- •10.1.3. Алгоритмы распознавания образов.
- •10.2. Модели распознавания образов на основе линейной алгебры.
- •10.3. Диагностика малых групп в структуре социальной системы.
- •10.3.1. Формирование социометрической матрицы.
- •10.3.2. Выявление малых групп в социуме.
- •10.3.3. Полугрупповые подходы при управлении малыми группами
- •11.1. Искусственный интеллект и нейронаука.
- •11.2. Мозг – как функциональная система.
- •11.3. Нейросетевые модели мозга: требования, описания и
- •11.4. Нейросетевое обучение в дискретной модели Хопфилда/
- •11.5. «Нейросетевая педагогика» и ее приложения.
- •11.6. Нелинейные модели и прогноз развития
- •12.1. Оценка состояния современной информатики
- •12.2. Квантовая физика и квантовая информатика.
- •12.3. Кубиты и операции с ними.
- •12.4. Принципиальная схема квантового компьютера.
- •12.5. Реализации и перспективы квантовой информатики.
Часть 3. Модели распознавания образов.
Лекция 10. Задачи распознавания образов.
10.1. Постановка задачи распознавания образов.
10.1.1. Предмет распознавания образов.
Распознавание образов – это область кибернетики, связанная с искусственным интеллектом (ИИ) по линии выработки принципов и методов классификации и идентификации объектов, которые могут быть описаны конечным набором признаков или свойств, характеризующих данный объект [1]. Данное определение неявно подразумевает случай, когда представляемый образ должен распознаваться по неполной информации, что в практических приложениях чаще всего имеет место.
Среди отечественных исследованиях это направление представлено пионерскими работами М.М. Бонгарда (60-е гг. ХХ в.) в области машинного обучения, который всякий учебный процесс рассматривал как целенаправленное распознавание образов учебной информации. Таким образом, моделируя деятельность мозга в рамках простейших нейросетевых моделей (вроде перцептрона Ф. Розенблатта), были реализованы программы «Арифметика» (распознавание числовых таблиц, построенных по разным арифметическим законам) и «Геометрия» (распознавание геометрических образов в виде биполярных клеток) [2].
10.1.2. Формулировка задачи распознавания образов.
Формально задача распознавания образов описывается в рамках следующей модели. Дано некоторое множество М объектов m, на котором существует конечное разбиение M=M1…Mn. Разбиение определено не полностью и известна лишь некоторая частичная информация I0 (M1;…;Mn) о классах Mi, i=. Каждый из объектов mM характеризуется определенным набором признаков xj, j= и каждый из признаков xj может принимать значения из некоторого множества допустимых значений, например, из множества {-1; 0;1}, полагая xj=-1 при невыполнении данного признака для объекта m; xj=1 – при его выполнении; значение xj=0 – говорит об отсутствии информации об этом признаке у объекта m. Таким образом, описание I(m) объекта m представляет собой некоторый вектор (x1(m);…;xs(m))= I(m). Задача распознавания при этом сводится к тому, чтобы для заданного объекта mM по его описанию I(m) в рамках классов разбиения и известной обучающей информации I0(M1;…; Mn) о классах определить значения предикатов Pi(m): mMj, полагая значение 1 при mMj, значение -1 при mMj и значение 0, если не известно принадлежит объект m классу Mi или нет. В результате для объекта m определяется так называемый информационный вектор =(a1(m);…;an(m)), где ai(m){-1;0;1}, представляющий решение поставленной задачи.
10.1.3. Алгоритмы распознавания образов.
Среди алгоритмов распознавания наиболее известны следующие [3]:
1). Алгоритмы, основанные на принципе разделения, когда объекты разных классов в пространстве признаков разделяются поверхностями достаточно простого вида.
2). Алгоритмы, опирающиеся на аппарат математической статистики, например, в случае, когда классы разделяемых объектов коррелируют в рамках некоторой функции распределения.
3). Алгоритмы, построенные на основе теории потенциала, когда функция принадлежности объекта данному классу определяется по расстоянию от источника потенциала с помощью подходящей потенциальной функции.
4). Алгоритмы, использующие модели голосования, основанные на введении отношения частичной прецедентности [4], по которому устанавливается «близость» между ранее классифицированными объектами и объектом, который следует распознать. В частности, по такому принципу строится метод комитетов в задачах классификации [5].
5). Алгоритмы, опирающиеся на аппарат математической логики, в которых классы и признаки объектов рассматриваются как логические переменные, а описание классов формируется в виде представлений булевой алгебры.