Cтраница 3
Алгоритмы распознавания основываются на сравнении той или другой меры близости или меры сходства распознаваемого объекта с каждым классом. [31]
Следует отметить, что рассмотренный метод наиболее эффективен при размерности пространства исходных данных большей, чем число распознаваемых объектов. При этом векторы Y, описывающие объекты, могут иметь различную размерность. В этом случае мера близости задается следующим. [32]
Логические алгоритмы распознавания, рассмотренные выше, в ряде случаев не позволяют получить однозначное решение о принадлежности распознаваемого объекта к определенному классу. [33]
В этих системах для построения алгоритмов распознавания используются геометрические меры близости, основанные на измерении расстояний между распознаваемым объектом и эталонами классов. В общем случае применение детерминированных методов распознавания предусматривает наличие координат эталонов классов в признаковом пространстве либо координат объектов, принадлежащих соответствующим классам. [34]
Практика распознавания показывает, что в некоторых случаях априори известны поднаборы признаков, которые следует учитывать при сопоставлении распознаваемого объекта с объектами обучающей таблицы. В [26] аналитические формулы получены для случая произвольных опорных множеств. [35]
ПРИЗНАКИ ВЕРОЯТНОСТНЫЕ - признаки, случайные значения которых распределены по всем классам объектов, при этом решение о принадлежности распознаваемого объекта тому или другому классу может приниматься только на основании конкретных значений признаков данного объекта, определенных в результате проведения соответствующих опытов. Признаки распределения объектов следует рассматривать как вероятностные и в случае, если измерение их числовых значений производится с такимиошибками, что по результатам измерений невозможно с полной определенностью сказать, какое числовое значение данная величина приняла. [36]
Эти признаки есть не что иное, как суждения качественного характера, типа наличия или отсутствия некоторых свойств у распознаваемых объектов или явлений. [37]
Вероятностные признаки - признаки, случайные значения которых распределены по всем классам объектов, при этом решение о принадлежности распознаваемого объекта к тому или другому классу может приниматься только на основании конкретных значений признаков данного объекта, определенных в результате проведения соответствующих опытов. Признаки распознаваемых объектов следует рассматривать как вероятностные и в случае, если измерение их числовых значений производится с такими ошибками, что по результатам измерений невозможно с полной определенностью сказать, какое числовое значение данная величина приняла. [38]
Первый способ ( менее успешный) - использование признаков как основной принцип априорного описания классов, равно как и распознаваемых объектов, сохраняется, но в описания вводятся признаки, характеризующие взаимосвязь ( отношения) отдельных признаков, а признакам присваиваются веса, указывающие степень их значимости для описаний, которые определяются на стадии формирования системы распознавания. Даже и в этих случаях последовательное проведение принципа учета структурной информации приводит к существенному усложнению описаний и вычислительных процедур. [39]
Первое соображение связано с наличием или возможностью создания конкретных технических средств наблюдений, обеспечивающих на основе проведения экспериментов определение признаков распознаваемых объектов, а также с целесообразностью использования тех или других технических средств, а значит, и признаков, определяемых с помощью этих средств. [40]
XN, описывающего априорное пространство признаков систем распознавания ( априорное признаковое пространство) размерности N; конкретные точки этого пространства представляют собой распознаваемые объекты. [41]
Использование в качестве признаков характерных элементов экспериментальных кривых, их структура базируется на том факте, что структура сигналов, отраженных распознаваемыми объектами или порожденных ( генерированных) ими, однозначно определяется структурой построения наблюдаемого объекта, его конструктивными, динамическими, тепловыми, отражательными и другими характеристиками. [42]
Вид функции jo ( Qb П2) П3, Й4) существенно зависит от объема и качества информации, получаемой о распознаваемом объекте. [43]
Последовательность реализации процедуры распознавания в соответствии с АВО такова: 1) выделяется система опорных множеств алгоритма, по которым производится анализ распознаваемых объектов; 2) вводится понятие близости на множестве частей описаний объектов; 3) задаются правила: а) позволяющие по вычисленной оценке степени подобия эталонного и распознаваемого объекта вычислить величину, называемую оценкой для пар объектов; б) формирования оценок для каждого из классов по фиксированному опорному множеству на основе оценок для пар объектов; в) формирования суммарной оценки для каждого из классов по всем опорным подмножествам; г) принятия решения, которое на основе оценок для классов обеспечивает отнесение распознаваемого объекта к одному из классов или отказывает ему в классификации. [44]
В ряде случаев достоверная информация о распределении вероятностей Р принципиально не может быть полностью получена в силу неслучайного характера тех или иных параметров распознаваемого объекта. Например, если целью распознавания объекта является диагностика объекта как аварийного или неаварийного, то, как правило не имеет смысла говорить об априорной вероятности перехода в аварийное состояние, так как это событие не является повторяющимся. Неуместно также в этом случае формировать цель распознавания как минимизацию средних потерь, так как это возможно при условии, что потери от нормальной эксплуатации объекта и потери от его аварии измеряются в одних и тех же единицах измерения. В связи с тем, что потери в этих двух ситуациях имеют качественное различие, суммирование их, следовательно, невозможно. Требования к статистическому решающему правилу здесь несколько усложняются. Например, требуют, чтобы потери в аварийной ситуации не превышали некоторого предельного допустимого значения и, вместе с тем, чтобы потери при нормальной эксплуатации были минимальны. Формализация разумных требований в этих ситуациях известны как задачи Неймана-Пирсона, минимаксные задачи, задачи различения сложных гипотез и некоторые другие. Решение каждой из этих небайесовских задач не требует столь исчерпывающих знаний об объекте, как решение байесовской задачи, Фундаментальный результат здесь состоит в полноте класса байесовских решающих функций т.е. решение каждой из известных ныне небайесовских задач совпадает с решением одной из байесовских задач. [45]