Cтраница 4
Для улучшения алгоритма оригинала предлагается заменить стадии 1 - 3 процедурой кластера анализа с методикой распознавания образов. Такая процедура требует вычисления еще трех изображений для формирования векторов признаков каждого пикселя. Это дает более точное выделение особенностей, но требует большого количества вычислений. [46]
Рассмотрим отдельные виды признаков. Основой для работы любой системы индуктивного формирования понятий является множество векторов признаков, описывающих объекты. Входной вектор X содержит компоненты з, называемые далее признаками, или атрибутами объекта. Значения, которые могут принимать признаки объекта, относятся к трем основным типам: количественные, или числовые, качественные и шкалированные. То, какие значения принимают признаки, может оказать большое влияние на процесс обобщения. [47]
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. [48]
Если для всех с классов априорные вероятности P ( CUJ) равны, то слагаемое logP ( cuj) также становится несущественной аддитивной константой, которой можно пренебречь. Оптимальное решающее правило формулируется в этом случае очень просто: чтобы определить класс вектора признаков х, следует измерить евклидово расстояние х-цг от х до каждого из с векторов средних значений и отнести х к классу, соответствующему ближайшему среднему значению. Такой классификатор называют классификатором по минимуму расстояния. [49]
При этом учитывается размер убытка от неправильной дискриминации. Априорная информация о совокупностях л - может состоять в том, что известны функции распределения вектора признаков объекта в каждой из этих совокупностей, она может быть представлена также и в виде выборок из каждой из этих совокупностей, при этом априорные вероятности д - совокупностей могут быть либо известны, либо нет. Очевидно, чем полнее исходная информация, тем точнее могут быть рекомендации. [50]
Изложенный в предыдущем разделе способ нахождения наиболее информативных наборов признаков, основанный на полном переборе подмножеств признаков, вряд ли можно считать практичным, так как даже при относительно небольшой размерности вектора признаков х требуется перебор весьма большого числа вариантов. [51]
Помимо приложений, связанных с передачей визуальных данных ( таких, например, как цифровое телевидение и системы факсимильной связи), проблема сжатия имеет непосредсг венное отношение к анализу изображений, распознаванию образов и системам с базами знаний. И в самом деле, выделение и описание признаков могут рассматриваться как средство сжатия данных. При этом данные сжимаются в вектор признаков или символическое описание, хорошо отражающие характеристики объекта, присутствующего на изображении, и используемые для распознавания или интерпретации. В визуальных информационных системах кодирование изображений позволяет не только экономить опъем устройств хранения информации, но и осуществлять эффективное восстановление этой информации. [52]
Состояние каждого больного характеризуется 85 симптомами ( из анамнеза) объективного и специального обследований. В случае расширения матрицы за счет учета большего числа информативных признаков ( 385 признаков) результаты значительно лучше. Таким образом, уменьшение размерности вектора признаков ухудшает картину классификации. [53]
Цель распознавания образов состоит в том, чтобы классифицировать объекты. Классификация по наблюдаемым векторам может оказаться сложной из-за сложности разделяющей поверхности и высокой размерности. Векторы наблюдений должны быть преобразованы в векторы признаков, которые можно было бы классифицировать с помощью более простых решающих правил. [54]