принадлежность к пересечению нечетких множеств А к В
ссификации.
Нечеткие метки могут использоваться для отражения неопределенности в принадлежности объектов обучающего множества к соответствующим классам. Это означает необходимость классификации объектов с учетом всех возможных классов. Использование нечетких меток в процессе обучения распознающей системы, вместо четких меток, указывающих однозначно принадлежность к определенному классу, может привести к получению более точных результатов классификации на этапе функционирования системы распознавания, поскольку в этом случае на этапе обучения используется больший объем информации и имеется возможность работать с более репрезентативным обучающим множеством, так как все объекты, включая сомнительные и «выбросы», могут быть помечены.
Введение понятия «нечеткие признаки» связано с искусственным «размыванием» значений признаков X, представляющих результаты объективных измерений и не содержащих нечеткостей, посредством отображения на интервале 0,1, например, в виде:
где ? и ? – положительные постоянные, подлежащие определению,
– «идеальное» значение признака для класса l.
В процессе распознавания над значениями признаков могут выполняться операции объединения, пересечения с помощью выше приведенных формул:
Нечеткие классификации могут быть получены, реализуя указанные выше процедуры установления значений принадлежности элементов для всех классов. Нечеткость результатов классификации можно устранить либо алгоритмически – относя объект к классу, которому соответствует наибольшее значение принадлежности, либо в интерактивном режиме, когда лицо, принимающее решение, вырабатывает свое правило отнесения объекта к определенному классу, располагая при этом сведениями о вычисленных значениях принадлежности. Нечеткие классификации можно использовать в кластерном анализе при формировании критерия выделения кластеров с целью получения гибкого и исчерпывающего описания реально используемой стратегии.
При создании систем распознавания символов, речи, отпечатков пальцев, для обнаружения дефектов промышленных объектов, деталей машин и механизмов, в биологии, медицине и других отраслях описание образов выполняется через непроизводные элементы и их отношения на некотором «языке». Для описания таких образов создаются специальные грамматики, содержащие набор правил, позволяющих составлять образы из непроизводных элементов. Способы распознавания представленных таким образом объектов базируются на лингвистических (структурных) методах.
В заключение следует отметить, что в условиях многоаспектности предметных областей распознавания, разработано мощное множество конкретных методов, используемых в различных системах распознавания в разных целях. Эти методы являются результатом творчества их авторов во взаимодействии со знаниями, полученными в различных дисциплинах, например, таких как математика, физика, теория автоматов, теория информации, кибернетика, искусственный интелект, информатика, обработка изображений, лингвистика, теория нервных сетей, биология, социология и психология. Распознавание можно использовать в различных областях, как для имитации органов чувств человека или в качестве вспомогательного средства, так и для анализа сложных структур данных, например, с целью получения новых знаний.
NB
¦ Методология распознавания объектов, сигналов, явлений, ситуаций, процессов и т. п. базируется на теоретических разработках и опыте практического построения систем распознавания образов. Распознавание, как процесс установления (опознавания, определения) сущности элементов окружающего мира, постоянно осуществляется человеком в процессе жизнедеятельности.
¦ Распознавание – это процесс получения выходной информации о принадлежности каждого исследуемого элемента к определенному классу из входной об исследуемых элементах среды с помощью специально разработанного метода преобразования входной информации в выходную.
¦ Ограниченные ресурсы, выделяемые на реализацию процессов распознавания, и требования получения желаемого уровня эффективности их реализации, как правило, конфликтуют между собой при разработке и реализации процессов распознавания. Поэтому приходится искать компромисс в этих ситуациях. То есть искать наилучшее (наиболее приемлемое) решение в условиях имеющихся ограничений при проектировании и реализации процессов распознавания.
¦ Осуществление целей распознавания должно быть достигнуто к моменту завершения процесса распознавания. Степень достижения целей распознавания характеризует эффективность реализации процесса распознавания. Чем выше степень достижения целей распознавания при равенстве затрат на реализацию процессов распознавания, тем выше его эффективность.
¦ Примерами специальных распознающих устройств могут служить устройства автоматического размена монет, применявшиеся в метро, устройства распознавания монет, жетонов определенного достоинства, применяющиеся в автоматах по продаже газированной воды, телефонных автоматах и т. п.
¦ Примерами специальных сложных систем распознавания являются системы медицинской, технической диагностики, системы распознавания движущихся объектов (транспортных средств), превышающих установленный скоростной режим на автодорогах, и ряд других.
¦ По критерию участия персонала (человека) в процессе функционирования систем распознавания по осуществлению классификации зафиксированных на ее входе объектов, их можно разделить на автоматические, автоматизированные и интегрированные (комплексные).
¦ Процедура обучения заключается в том, что созданной системе распознавания, до начала ее практического использования, многократно предъявляются для распознавания обучающие элементы среды всех классов, выработанного алфавита классов, а «учитель» сообщает (подсказывает) разработанному алгоритму обучения к каким классам они принадлежат. В результате вырабатываются описания классов.
¦ Детерминированные признаки – это признаки, характеризующиеся принимаемыми дискретными значениями на числовых осях в количественных шкалах измерения. Например, к ним относятся признаки, характеризующие весо-габаритные параметры элементов среды. Например, масса, вес, длина, ширина, высота и т. п., измеренные в шкале отношений.
¦ Вероятностные признаки – это признаки имеющие по тем или иным причинам стохастический (случайный) характер.
¦ Структурные признаки, называемые так же лингвистическими, синтаксическими, представляют собой непроизводные элементы (символы) структуры объекта, конгломераты непроизводных элементов и их отношения.
¦ С целью обеспечения высокой эффективности сложных, больших систем распознавания наряду с теоретическими исследованиями применяют математическое или (и) физико-математическое моделирование.
¦ Кластерный анализ служит инструментом для выделения структур, классов, множеств подобных объектов из исходных неклассифицированных совокупностей.
¦ При создании систем распознавания символов, речи, отпечатков пальцев, для обнаружения дефектов промышленных объектов, деталей машин и механизмов, в биологии, медицине и других отраслях описание образов выполняется через непроизводные элементы и их отношения на некотором «языке». Для описания таких образов создаются специальные грамматики, содержащие набор правил, позволяющих составлять образы из непроизводных элементов.
Литература
1. Верхаген К., Дейн Р., Грун Ф. и др. Распознавание образов: состояние и перспективы. – М.: Радио и связь, 1985.
2. Глушков В.М. Основы безбумажной информатики. – М.: Наука, 1987.
3. Горелик А.Л., Скрипкин В.А. Методы распознавания. – М.: Высшая школа, 1984.
4. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. – М.: Радио и связь, 1985.
5. Дуда Р., Харт П. Распознавание образов и анализ сцен. – М.:Мир, 1976.
6. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. «Проблемы кибернетики». Вып. 33. – М.: Наука, 1978.
7. Селекция и распознавание на основе локационной информации / А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев и др.; Под ред. А.Л. Горелика. – М.: Радио и связь, 1990.
8. Харкевич А.А. Опознавание образов. –М.: Радиотехника, 1959. Т. 14,15.
9. Цыпкин Я.З. Основы теории обучающихся систем. – М.: Наука, 1970.
10. Энциклопедия кибернетики. – Киев: Главная редакция Украинской советской энциклопедии, 1975.
11. Rosenblatt F. Perception simulation experiments. – Proc. I.R.E., 1960.
Похожие рефераты:
