- •«Определение интеллекта»
- •«Основные подходы к построению систем искусственного интеллекта»
- •Логический подход
- •Структурный подход
- •Эволюционный подход
- •Имитационный подход
- •«Знания и их представления»
- •«Модели представления знаний» Семантические сети
- •Фреймовое представление
- •Продукционное представление знаний
- •Логические модели знаний
- •«Особенности назначения и разработки экспертных систем»
- •Структура экспертной системы
- •Классическая схема управления экспертной системой
- •«Развитие традиционной системы управления»
- •«Методы логического вывода и управления знаниями»
- •«Системы общения на естественном языке»
- •Построение естественно-языковых интерфейсов
- •«Интеллектуализация поисковых процедур»
- •Интеллектуализация поисковых процедур
- •Распознавание образов и анализ изображений
- •«Методы интеллектуальных технологий в управлении техническими системами»
- •«Перспективы развития интеллектуальных систем»
Распознавание образов и анализ изображений
Разнообразные процедуры поиска информации или случившегося события среди множества других данных и событий, контроль состояния сложных многопараметрических объектов и процессов, управление в условиях неопределенности и ограниченной информации играют большую прикладную роль в решении многих задач в различных предметных областях. Здесь используются, как правило, методы обучения алгоритмическим процедурам преобразования и анализа информации для задач, алгоритмы решения которых неизвестны.
Задачи распознавания (классификации) возникают в связи с обработкой и преобразованием на ЭВМ структур, представляющих в программах искусственного интеллекта знания о предметной области в целом и знания, относящиеся к конкретной задаче.
Под образом понимается структурированное приближенное (частичное) описание изучаемого объекта или процессов, причем частичная определенность описания является принципиальным свойством образа. Образ допускает рекурсивное определение: символ является образом, список символов является образом. Можно допустить, что образ состоит из двух групп символов, представляющих соответственно переменные и постоянные характеристики объекта описания.
Описания служат для установления соответствия образов, т.е. доказательства их идентичности, аналогичности, подобия, сходства и т.п., осуществляемого сопоставлением. Сопоставление образов представляет собой основную задачу как распознавания, так и искусственного интеллекта в целом.
В различных задачах искусственного интеллекта понятию «образ» придается различный смысл. Так, в распознавании (в классических моделях) образ описывается вектором признаков, каждый элемент которого представляет числовое значение одного из признаков, характеризующих соответствующий объект. В структурной модели распознавания в качестве образа выступает высказывание, порождаемое грамматикой, характеризующий класс, которому данный образ принадлежит.
Целью создания автоматизированных вычислительных систем распознавания является автоматизация группы процессов восприятия и познания, связанных с поиском, выделением, идентификацией, классификацией и описанием образов на основе анализа реальных данных. Обычно поиск и выделение образов осуществляются на начальном этапе анализа в процессе обработки исходных данных; следующий этап — разработка «классификатора» — включает анализ выборочных (преобразованных) данных, синтез модели, учитывающий изменчивость образов, выбор из заданного набора характеристик наиболее информативных и разработку алгоритма распознавания (классификации).
В основе гносеологического обоснования распознавания и таких фундаментальных понятий распознавания, как образ, класс, распознающий алгоритм, лежит представление о структурированности мира, т.е. существовании регулярности, проявляющейся в виде постоянных связей, закономерностей. Отправной точкой служат объект (образ как таковой) и проблемы природы образа, прототипа, класса. Образы рассматриваются в рамках точного формализма, который используется в качестве основы для синтеза и анализа образов, что способствует пониманию того, каким способом образы строятся и обрабатываются. В результате процедуры, обеспечивающие описание, аппроксимацию, восстановление и распознавание образов, принимают вид естественных следствий процедур формирования и преобразования объектов. Основным объектом служат комбинаторные регулярные структуры (конфигурации), логические конструкции, позволяющие определять типы регулярности. С формальной точки зрения речь идет о построении новых объектов посредством комбинирования заданных объектов в соответствии с определенными правилами построения объектов. Постулируется, что образы формируются из простых стандартных элементов (атомов), которые выбираются в соответствии с «физической» природой изучаемых объектов и процессов. В качестве таких элементов могут выступать абстрактные символы, множества, отношения или функции, но роль элементов в порождении регулярных структур идентична.
Распознавание обычно связывают с двумя функциями: отнесением объекта к неизвестному классификатору классу объектов и идентификацией объекта в качестве элемента известного классификатору класса. Первая функция представляет собой процесс выделения новых классов — кластеризацию, а вторая — собственно распознавание.
Основной целью распознавания является построение на основе систематических, теоретических и экспериментальных исследований эффективных вычислительных средств для отнесения формализованных описаний процессов и объектов к соответствующим классам. Задачи распознавания представляют собой дискретные аналогии задач поиска оптимальных решений, в которых по некоторой информации требуется установить, обладает ли объект сированным набором свойств.
Математические модели распознавания образов. Среди достаточно хорошо зарекомендовавших себя математических моделей следует выделить следующие:
1. Модели, основанные на использовании принципа разделения, различаются главным образом заданием класса поверхностей, среди которых выбирается поверхность (или набор поверхностей), в некотором смысле наилучшим образом разделяющая объекты разных классов.
2. Статистические модели, основанные на использовании аппарата математической статистики. Применяются в тех случаях, когда определены вероятностные характеристики классов, например законы распределения.
3. Модели, построенные на основе «методы потенциальных функций» и базирующиеся на заимствованной из физики идее потенциала, определенного для любой точки пространства и зависящего от расстояния до источника потенциала.
4. Модели вычисления оценок (голосования), основанные на принципе частичной прецедентности. Анализируется «близость» между частями описаний ранее классифицированных объектов и объекта, который надо распознать. Наличие близости служит частичным прецедентом и оценивается по заданному правилу (посредством числовой оценки).
5. Модели, основанные на исчислении высказываний, в частности на аппарате алгебры логики, в которых классы и признаки объектов рассматриваются как логические переменные.
Появление каждого нового эвристического алгоритма можно рассматривать как эксперимент, а со всем множеством экспериментов и их результатов необходимо работать как с новым для математики множеством объектов, т.е. изучать с помощью строгих математических методов множество некорректных процедур решения плохоформализованных задач.
Потребность в синтезе моделей распознавания определялась необходимостью фиксировать класс алгоритмов при выборе оптимальной или хотя бы приемлемой процедуры решения конкретной задачи.
Восприятие и обработка информации
Через зрительный канал в мозг человека поступает от 70 до 90% информации. Поэтому при создании ИС, воспринимающих информацию извне, необходимо учитывать зрительное восприятие человека. Основными функциями зрения человека являются: общая ориентировка в окружающей среде; узнавание объектов; запоминание наблюдаемых сцен; обучение и получение новой информации. Восприятие видеоданных в ИС логично рассматривать в такой последовательности: запоминание, выделение общей информации об окружающей среде, распознавание образов, содержательная интерпретация наблюдаемой сцены.
В этом направлении выделяют три основных типа задач: собственно обработку изображений, когда и исходные данные, и результаты обработки представляются в изобразительной форме; анализ (интерпретацию, распознавание или «понимание») изображений, когда входные данные являются изображением, а результат представляется в неизобразнтельной форме, например в виде текстового описания наблюдаемой сцены; синтез изображений (машинную графику), когда на входе имеется описание (алгоритм построения)
В последние годы системы, решающие достаточно сложные и «интеллектуальные» задачи обработки и анализа видеоданных (изображений), которые обычно работают со входной информацией в виде полутоновых или многоспектральных изображений, объединяют под общим названием автоматизированных систем обработки изображений (АСОИз). Одно из направлений наиболее широкого практического применения АСОИз - обработка результатов дистанционных исследований. Проблемно-ориентированные прикладные АСОИз используют, как правило, достаточно богатый арсенал различных методов и средств обработки данных, анализируют различную входную информацию, активно используют возможности человека. Наличие разнородных компонентов, работающих совместно для достижения общей цели, есть признаки превращения современных АСОИз в интегрированные системы. Интеграция является одной из главных тенденций развития современных АСОИз.
Прежде всего, АСОИз уже нельзя рассматривать обособленно от ее окружения — средств сбора и передачи видеоданных, систем обработки и анализа данных других типов. АСОИз, рассматриваемая как элемент некой метасистемы, перестает быть элементом изолированным, приобретает богатые информационные связи с другими элементами. Это интеграция внешняя. Показательным примером служит здесь японский проект создания ЭВМ пятого поколения. Согласно этому проекту система распознавания образов и изображений (наряду с системами машинного перевода, ответов на запросы, понимания специализированного языка и решения прикладных задач) является базовой в обеспечении интеллектуального интерфейса человек —ЭВМ, при этом все упомянутые системы должны работать параллельно и одновременно над единым потоком данных, дополняя друг друга. Интеграция приводит к появлению в составе АСОИз развитых средств коммуникации, подсистемы накопления и хранения как исходных данных, так и промежуточных и окончательных результатов. Внутренняя интеграция затрагивает различные компоненты АСОИз: средства и методы обработки, сами обрабатываемые данные.
Системы анализа изображений (САИ), Можно выделить три основных класса задач, решаемых САИ, которые определяют их различное назначение:
1. Распознавание образов.
2. Содержательная интерпретация изображений.
3. Получение справочной информации в архивах видеоданных.
Для решения указанных задач САИ должны обеспечивать выполнение ряда функций, среди которых основными являются следующие:
1. Хранение и поиск формализованных знаний о предметной области и обработке изображений.
2. Выполнение операций обработки изображений.
3. Выполнение операций логических выводов на основе формализованных знаний и результатов обработки видеоданных, построение и проверка гипотез.
4. Анализ промежуточных результатов работы системы и принятие решений о дальнейших действиях, невозможности решения задачи, необходимости дополнительной информации и др.
5. Анализ запросов пользователя, поддержка диалога, документирование действий системы и формирование пояснений пользователю.
6. Пополнение баз знаний и видеоданных системы новыми сведениями, данными.
Конкретная система не обязательно выполняет все перечисленные функции, их набор определяется назначением системы. Современные системы довольно разнообразны по своей структуре и организации взаимодействия ее составных частей.