Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Структурная схема классификации систем распознавания
Определение: В зависимости от степени однотипности информации могут быть подразделены на простые и сложные. а) в простых системах для описания распознаваемых объектов используется однотипная информация, т.е. признаки, на языке которых произведено описание алфавита классов, имеющих единую физическую природу; Пример простой системы: ü читающая автоматическая распознающая система (признаки – линейные размеры распознаваемых объектов); ü автоматы размена денег (признаки – масса); ü автоматы отбраковки деталей (признаки или линейные размеры или масса); б) в сложных системах для описания объектов используется разнородная информация. Пример сложной системы: ü системы медицинской диагностики (в качестве признаков – данные кардиограммы, анализа крови, кровяного давления, температуры тела и т.д.); ü ГИСы – геоинформационные системы (признаки – линейные размеры ландшафта, виды земной поверхности, воды, флоры и т.д.). Особенностью сложных систем является то, что в общем случае они состоят не только из совокупности технических средств получения и переработки информации, но часто и наличия операторов - специалистов, принимающих как промежуточные решения, так и итоговые. По способу получения апостериорной информации сложные системы подразделяются на одноуровневые и многоуровневые: а) в одноуровневых системах апостериорная информация формируется путем прямых измерений с последующей обработкой; б) в многоуровневых системах апостериорная информация о признаках образуется на основе косвенных измерений как результат функционирования вспомогательных распознающих устройств. На их входы поступает предварительно обработанная измерительная информация, а на выходе – или информация о признаках, или промежуточная информация как исходный материал для функционирования подсистем следующих уровней. По количеству первоначальной априорной информации о распознаваемых объектах системы распознавания могут быть разделены на: ü системы без обучения; ü обучающиеся системы; ü самообучающиеся системы. В многоуровневых системах нет такого однозначного подразделения. 1. В системах без обучения: ü количество первоначальной информации достаточно для разделения всей совокупности объектов на классы в соответствии с выбранным принципом классификации; 2. В обучающихся системах: ü количество исходной априорной информации также достаточно для разделения множества объектов на классы и определения словаря признаков, однако этой информации недостаточно для описания классов на языке признаков. Здесь цель процедуры обучения – определить разделяющие функции путем многократного предъявления системе распознавания объектов с указанием классов, к которым эти объекты принадлежат. Таким образом, системы распознавания работают с учителем до начала функционирования. Учитель многократно предъявляет системе обучающие объекты всех выделенных классов и указывает, к каким классам они принадлежат. В соответствии с выбранным алгоритмом обучения система распознавания вырабатывает описания классов. Затем “учитель” экзаменует систему распознавания и корректирует ее ответы до тех пор, пока количество ошибок в среднем не достигает желаемого уровня. 3. В самообучающихся системах количество первоначальной априорной информации достаточно лишь для определения словаря признаков, но недостаточно для проведения классификации объектов. Ввиду ограниченного объема начальной информации система не получает указаний о том, к какому классу объекты исходной совокупности принадлежат. Эти указания заменяются некоторым набором правил, в соответствии с которыми на стадии самообучения система сама вырабатывает некоторую классификацию и в дальнейшем ее придерживается.
система без обучения
решение WÎ Qi
система с учителем обучающие объекты
решение w Î Qi
самообучающаяся система
решение w Î Qi Необходимо отметить, что термин “полная первоначальная информация” характеризует не абсолютное, а относительное количество необходимой информации. То лишь свидетельствует о том, что в системах без обучения при прочих равных условиях количество первоначальной информации больше, чем у систем распознавания других названных классов. Определение: Таким образом, цель обучения или самообучения состоит в том, чтобы добыть такое количество измерительной информации, которое необходимо для реализации целевой функции распознающих систем. Появление таких систем обусловлено априорной неопределенностью исходных ситуаций для систем распознавания. Следствие: В распознающих системах всех видов исходная информация позволяет лишь в первом приближении построить модель системы распознавания. На ее основе с учетом ограничений определяют окончательный алфавит классов и словарь признаков. Здесь принцип классификации – в использовании первоначальной априорной информации. К другим принципам можно отнести характер (вид) информации о признаках объектов. Определение: В зависимости от того, на языке каких признаков производится описание распознаваемых объектов, системы распознавания могут быть подразделены на детерминированные, вероятностные, логические и структурные, а также – комбинированные. В детерминированных используются геометрические меры близости, т.е. расстояния между распознаваемым объектом и классами (эвклидово, по Хеммингу, взвешенные расстояния и т.д.). при этом каждый класс задается либо талоном (точкой в признаковом пространстве), либо совокупностями объектов, принадлежащих каждому классу. f(x1, x2, …, xn/Qm). В логических системах для построения алгоритмов распознавания используются логические методы, основанные на дискретном анализе исчислении высказываний. В общем случае применение логического метода распознавания предусматривает наличие логических связей, выраженных через систему булевых уравнений, где переменными являются логические признаки объектов, а в качестве неизвестных величин – классы, к которым эти объекты относятся. В вероятностных системах для построения алгоритмов распознавания используются вероятностные методы, основанные на теории статистических решений. Здесь предусматривается вероятностная зависимость (f(x/Qm)r?) между признаками и классами, к которым относятся распознаваемые объекты. В структурных системах (лингвистических) для построения алгоритмов распознавания используются специально сформированные грамматики, позволяющие порождать языки, состоящие из предложений, каждое из которых описывает конкретный объект, относящийся к соответствующему классу. Применение структурных методов распознавания предусматривает наличие совокупности предложений, описывающих все исходное множество объектов с указанием классов, к которым они относятся. В комбинированных системах для построения алгоритмов распознавания используются методы, основанные на вычислении оценок. Применение этих методов предусматривает наличие информации относительно признаков (разных) некоторых групп объектов с указанием классов, к которым они относятся.
|