Cтраница 1
Достоверное распознавание неизвестных объектов или явлений не является достаточным условием для реализации потенциально достижимой эффективности системы управления. Однако оно является условием необходимым. [1]
Для распознавания неизвестного объекта на основе структурных методов необходимо прежде всего найти его непроизводные элементы и отношения между ними, а затем с помощью синтаксического анализа ( грамматического разбора) установить, согласуется ли описание образа с грамматикой, которая, по предположению, могла его породить. [2]
Наличие описаний классов в принципе позволяет определить решающие правила ( решающие границы), использование которых обеспечивает минимизацию ошибок при распознавании неизвестных объектов. [3]
Итак, общая постановка проблемы распознавания объектов или явлений может быть сформулирована следующим образом: в условиях первоначального ( априорного) описания исходного множества объектов на языке априорного словаря признаков необходимо в пределах выделенных ресурсов на построение измерительной аппаратуры определить оптимальный алфавит классов и оптимальный рабочий словарь признаков, которые при наилучшем решающем правиле обеспечивают наиболее эффективное использование решений, принимаемых по результатам распознавания неизвестных объектов или явлений системой управления. [4]
Алгебраический подход в настоящее время находится в стадии интенсивного развития, однако полученные результаты свидетельствуют о том, что распознающие операторы, которые могут быть определены в рамках этого подхода на основе специально разработанных процедур ( алгоритмов), обеспечивают эффективное решение традиционной задачи теории распознавания - определения решающего правила ( решающих границ), обеспечивающего ( в условиях заданного алфавита классов и словаря признаков) правильное решение задачи распознавания неизвестных объектов и явлений. [5]
В подобных системах для построения алгоритма классификации целесообразно воспользоваться критерием Неймана - Пирсона, суть которого состоит в следующем. Исходя из того, какие решения принимаются на основании результатов распознавания неизвестных объектов, определяется допустимое ( заданное) значение условной вероятности ошибки первого рода, затем определяется такая граница между классами, придерживаясь которой удается добиться минимума условной вероятности ошибки второго рода. [6]
Критерий Байеса - правило, в соответствии с которым стратегия решений выбирается таким образом, чтобы обеспечить минимум среднего риска. Применение критерия Байеса целесообразно в случае, когда система распознавания многократно осуществляет распознавание неизвестных объектов или явлений в условиях неизменного признакового пространства, при стабильном описании классов и неизменной платежной матрице. [7]
Однако в рассматриваемой ситуации объем исходной информации не дает возможности произвести достаточно точного описания классов, найденные их границы не обеспечат предельно достижимой точности ( безошибочности) решения задачи распознавания, ограниченной техническими характеристиками измерительной аппаратуры. Поэтому для уточнения описаний классов используется текущая апостериорная информация, образующаяся в результате функционирования предварительным образом сформированной системы в процессе распознавания неизвестных объектов, не относящихся к обучающей последовательности. [8]
В алгоритмах распознавания, базирующихся на использовании структурных ( лингвистических) признаков, понятие меры близости также может не использоваться. Когда построены языки, описывающие классы в виде совокупностей предложений, характеризующих структурные особенности объекта, относящиеся к каждому классу, то распознавание неизвестного объекта осуществляется идентификацией предложения, описывающего этот объект, с одним из предложений языка - элемента описания соответствующего класса. [9]
В работе рассматривается алгоритм распознавания нормально распределенных образов, в котором за счет некоторого увеличения количества вычислений на стадии обучения достигается существенное его уменьшение при распознавании. Для каждого образа находится матрица, приводящая ковариационную матрицу этого образа к единичной. При распознавании неизвестного объекта находятся векторы произведения найденной матрицы на вектор объекта. Если неизвестная точка принадлежит некоторому образу, то компоненты соответствующего вектора независимы и имеют нормальное распределение с единичной дисперсией. Методами последовательного анализа находится тот вектор, для которого гипотеза о независимости компонент и единичности дисперсий имеет наибольшее правдоподобно. [10]
Задача 2 заключается в проведении первоначальной классификации распознаваемых объектов или явлений, в составлении априорного алфавита классов. Основное в данной задаче - выбор надлежащего принципа классификации. Последний определяется требованиями, предъявляемыми к системе распознавания, которые, в свою очередь, зависят от того, какие решения могут приниматься системой управления по результатам распознавания неизвестных объектов или явлений. При решении последующих задач априорный алфавит классов уточняется, в результате чего формируется рабочий алфавит классов системы распознавания. [11]
Задача 7 состоит в определении рабочего алфавита классов и рабочего словаря признаков системы распознавания. Она представляет собой обитую постановку проблемы распознавания ( см. гл. Суть ее заключается в разработке такого алфавита классов и такого словаря признаков ( назовем их оптимальными), которые в условиях ограничений на построение системы распознавания обеспечивают максимальное значение показателя эффективности системы управления, принимающей в зависимости от результатов распознавания неизвестных объектов соответствующие решения. [12]
Однако из-за ограниченного объема первоначальной информации система при этом не получает указаний о том, к какому классу объекты исходной совокупности принадлежат. Эти указания заменяются набором правил, в соответствии с которыми на стадии самообучения система распознавания сама вырабатывает классификацию, которая, вообще говоря, может отличаться от естественной, и в дальнейшем ее придерживается. На рис. 1.6 ( где ОС - объекты для самообучения; ТС - технические средства; БАР - блок алгоритмов распознавания; АИ - априорная информация; ПК - правила классификации; ФК - формирование классов; штриховые линии - режим самообучения; сплошные линии - распознавание неизвестных объектов) приведена схема самообучающейся системы. [13]
Наличие баз знаний в различных предметных областях позволяет широкому кругу пользователей путем диалога с ЭВМ получать нужные сведения. Однако этим не ограничивается назначение перспективных экспертных систем. Более того, это не основное ее назначение. Главное состоит в том, что благодаря специальным программам логических выводов экспертные системы смогут давать интеллектуальные советы или принимать интеллектуальные решения, в том числе при распознавании неизвестных объектов или явлений. [14]