Cтраница 3
Задачу распознавания образов можно понимать как сопоставление некоторой реализации, относительно которой неизвестно к какому образу она относится, с эталонами. В этом случае реализация сравнивается с эталоном каждого образа и относится к тому или иному образу на основе заранее выбранного критерия соответствия или критерия подобия. [31]
Теория распознавания образов появилась в конце 50 - х годов. [32]
Теория распознавания образов и логическое моделирование основаны на сочетании идей факторного анализа с некоторыми методами алгебры логики, в частности, методами минимизации булевых функций, предназначенными для извлечения информации из больших массивов данных. [33]
Методы распознавания образов не накладывают жестких ограничений на размерность решаемой задачи и выгодно отличаются от других широко используемых методов относительно требований, предъявляемых к объему экспериментального материала. Методы распознавания образов предъявляют определенные требования к объему памяти и быстродействию средств вычислительной техники. Однако развитие вычислительной техники, продолжающееся высокими темпами, создание новых поколений вычислительных машин в ближайшем будущем, вероятно, устранит те трудности, которые для некоторых конкретных задач возникают при использовании ЭВМ. [34]
Цель распознавания образов состоит в том, чтобы определить, к какому классу принадлежит данный объект. В процессе наблюдения или измерения получают множество чисел, которые составляют вектор наблюдений. Этот вектор служит входом решающего правила, с помощью которого он может быть отнесои к одному из заданных классов. [35]
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. [36]
Цель распознавания образов состоит в том, чтобы определить, к какому классу принадлежит данный объект, В процессе наблюдения или измерения получают множество чисел, которые составляют вектор наблюдений. Этот вектор служит входом решающего правила, с помощью которого оп может быть отнесои к одному из заданных классов. [37]
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. [38]
Задача распознавания образов состоит в отнесении предъявляемых объектов к одному из классов по некоторым признакам, принимающим вполне определенное значение для каждого класса. Алгоритм распознавания образов состоит из обучения и распознавания. В процессе обучения показываются примеры объектов и сообщается точная информация о том, к какому классу они принадлежат. В процессе распознавания на основе принятого в данной задаче алгоритма ( адаптационной модели) и полученной ранее информации решается вопрос о том, к какому классу относятся новые объекты. [39]
Теория распознавания образов, используя методы теории вероятностей и математической статистики, позволяет по результатам ограниченного числа измерений принять оптимальное решение о принадлежности месторождения к тому или иному классу. [40]
Процесс распознавания образов проводится обычно с участием ряда известных образов, называемых тренировочным рядом. Истинная идентичность каждого образа сопоставляется с идентичностью, достигнутой на стадии классификации, и результаты сравнения вводятся в машину для исправления ошибки. Это может осуществляться либо полностью автоматически, либо при участии аналитика. Этот метод классификации называется управляемым обучением. Коэффициент полезного действия обучаемой машины отражается в ее способности правильно классифицировать члены тренировочного ряда. Для оценки эффективности классификатора часто используются следующие четыре показателя: 1) распознавание - способность решающей функции правильно классифицировать те образы, при помощи которых он был разработан; 2) скорость сходимости - скорость, с которой алгоритм сходится к 100 % - ному распознаванию; 3) надежность - способность классификатора правильно классифицировать члены тренировочного ряда, который был каким-либо образом нарушен и 4) предсказание - способность классификатора правильно классифицировать образы, которые не являются членами тренировочного ряда. [41]
Задачами распознавания образов называются задачи определения типа объекта или процесса по качественным или количественным признакам, его описывающим. Мояшо считать, что всякая процедура, решающая такую задачу, реализует некоторую функцию, определенную на множестве параметров, характеризующих объект, и принимающую конечное ( обычно небольшое) число значений. Каждое значение этой функции соответствует одному из возможных типов объекта или процесса. [42]
Задача распознавания образов возникает также при контроле продукции, когда по данным кратковременных испытаний требуется определить степень годности изделия, а также во многих других технических и научных-г. [43]
Задача распознавания образов приводит к необходимости точного описания характеризующих этот образ признаков. Однако далеко не во всех случаях такого рода описание можно дать без преодоления весьма значительных трудностей. Поэтому на практике идут обычно по пути построения алгоритмов, позволяющих осуществлять так называемое обучение распознаванию образов. Смысл указанного обучения состоит в том, чтобы получить приближенное описание ( или, как принято обычно говорить, аппроксимацию) образа в результате указания некоторого множества ( вообще говоря, не всех. [44]
Задача распознавания образов представляет собой задачу трансляции плоскостного языка в линейный, оперирующий последовательностями символов. Общая теория плоскостных языков находится, однако, на самом начальном этапе развития. [45]