- •1. Задача распознавания и её формальное описание. Проблема распознавания.
- •Обсуждение задачи опознавания.
- •Общая постановка задачи.
- •Язык распознавания образов.
- •Априорные предположения — это записанные специальным образом, накопленные знания специалистов.
- •3. Исходные данные для задачи распознавания
- •2 . Геометрическая интерпретация задачи распознавания.
- •4. Структура таблицы «объекты-свойства»
- •6. Анализ данных с целью выбора постановки задач и методы решения.
- •5. Прямые и косвенные свойства в задачах распознавания.
- •7. Основные этапы анализа данных.
- •8. Анализ расположения объектов в пространстве свойств с целью выбора алгоритма распознавания.
- •9. Этапы решения задач распознавания.
- •10. Классификация алгоритмов распознавания.
- •15. Задача разбиения образа на однородные группы.
- •12. Область применения алгоритма Дискриминантная функция.
- •11. Алгоритм распознавания «Дискриминатная функция».
- •13. Мера сходства и ее свойства.
- •14. Метрика и ее свойства.
- •16. Алгоритм «Гол n»
- •26. Шкалы измерения свойств.
- •17.Способы вычисления типичного представителя в алгоритме «Гол n»
- •18. Решающее правило в алгоритме «Гол n»
- •20. Условия применения алгоритма «Гол 1»
- •22. Исследования представительности мо
- •21. Различия между алгоритмами “Гол n” и «Гол 1»
- •19. Алгоритм распознавания «Гол 1»
- •23. Распознавание с отказами и без отказов
- •24. Алгоритм распознавание «Энтропия»
- •25. Решающее правило в алгоритме «Энтропия»
- •30. Общая схема постановки и решения задачи распознавания.
- •28. Алгоритм распознавания «Тесты».
- •27. Алгоритм распознавания «Кора 3»
- •32. Основные понятия системы массового обслуживания.
- •40. Постановка задачи оптимизации при нескольких критериях.
- •41. Математическая модель многокритериальной задачи.
- •29. Алгоритм распознавания «Направление опробования»
- •31. Принципы построения и функционирования сппр.
- •32. Основные понятия системы массового обслуживания.
- •47. Способ лексикографической оптимизации.
- •48. Построение обобщенного критерия в многокритериальной задаче.
- •45. Способ указания нижних границ критериев.
- •42. Отношение доминирования по Парето
- •38. Модель производственных поставок.
- •39. Модель поставок со скидкой.
- •43. Геометрическая интерпретация доминирования по Парето
- •52. Логическая модель представления знаний
- •Продукционная модель представления знаний
- •Фреймовая модель представления знаний
- •Модель семантических сетей
- •Классификация систем Business-to-business (b2b-систем)
- •61. Понятие логистической системы
- •Основные отличия знаний от данных
- •Классификация информационно-поисковых систем
- •Основные модели представлений знаний
12. Область применения алгоритма Дискриминантная функция.
Назначение:
решение задач распознавания в ситуациях, когда в МО представлены объекты K образов (K=2,3,…), распределенные нормально.
Постановка задачи:
в исходных данных, представленных в виде ТОС, присутствуют представители всех образов. Для каждого объекта указана его принадлежность к образу. В процессе распознавания определяется принадлежность объектов экзамена к одному из образов.
Условия применимости:
- все свойства измерены в арифметической шкале;
- в МО не менее 2 образов;
- в пространстве «объекты-свойства» объекты обучения имеют нормальное распределение (образы компактны).
Дискриминантный анализ эффективно использовать при достаточно
близком расположении образов и даже при небольшом их наложении.
11. Алгоритм распознавания «Дискриминатная функция».
Назначение — решение задач распознавания в ситуациях, когда в МО представлены объекты K образов (K=2,3..), распределенные нормально.
Постановка задачи.
В исходных данных, представленных в виде ТОС, присутствуют представители всех образов. Для каждого объекта указана его принадлежность к образу. В процессе распознавания определяется принадлежность объектов экзамена к одному из образов.
Метод решения задачи.
Этот метод основан на предположении, что объекты, составляющие каждый из образов, многомерно нормально распределены. Мы опираемся на эталонные объекты. Теоретически разделяются:
— линейный дискриминантный анализ, когда матрицы ковариации для разных образов равны;
— квадратичный дискриминантный анализ, когда матрицы ковариации для разных объектов различны.
Линейный дискриминантный анализ.
Рассмотрим случай, когда в МО имеется два образа. Оказывается, что при равных ковариационных матрицах поверхность с одной стороны от которой больше вероятность принадлежности к одному из образов, а с другой к другому (критерий Байеса) является гиперплоскость, т.е. линейная поверхность размерности n-1 (n— размерность пространства).
В данном случае эта поверхность вычисляется следующим образом:
(5.1)
Формула (5.1) называется уравнением линейной дискриминантной функции, где
— n-мерный вектор столбец в пространстве свойств ;
— математическое ожидание (среднее) объектов 1-го образа;
— математическое ожидание (среднее) объектов 2-го образа;
T — транспонирование;
— матрица коэффициентов ковариации.
Коэффициенты ковариации вычисляются следующим образом:
,
где M — знак математического ожидания.
Распознавание с отказами.
Пусть имеется k образов, где k>2(т.е. известны эталоны для этих образов). Тогда можно построить линейную дискриминантную функцию для любой пары образов:
, где i, j-1, k — образы.
относится к i-му образу, если для всех j, или к области отказа, если такового i — нет.
Посмотрим как это выглядит на графике (рис. 5.11), где
D — гиперплоскости;
1, 2, 3 — образы;
4 — область отказа.
В область отказа попадают такие точки, для которых невозможно определить принадлежность к одному из образов. Другими словами точка отказа — это такая точка, координаты которой при подставлении в дискриминантную функцию дают следующие значения:
; ; ; .
Дискриминантный анализ эффективно использовать при достаточно близком расположении образов и даже при небольшом их наложении.