ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 27.05.2024
Просмотров: 45
Скачиваний: 0
Вимога стійкості до наявності шуму математично означає, що результат вживання інтегрального критерію до сигналу, що складається тільки з білого шуму, повинен бути рівним нулю. Це значить, що як інтегральний критерій може бути застосована функція, що використовується при визначенні самого поняття "білий шум", тобто згортка, скалярний твір, кореляція.
Такий інтегральний критерій запропонований в математичній моделі системно-когнітивного аналізу і реалізований в системі "Ейдос".
Навчання з вчителем (експертом) і самонавчання (кластерний аналіз)
Навчання з вчителем – це процес формування узагальнених образів класів, на основі повчальної вибірки, характеристики конкретних об'єктів, що містить, як в описових, так і в класифікаційних шкалах і градаціях.
Причому, якщо описові характеристики можуть формуватися за допомогою інформаційно-вимірювальної системи автоматично, то класифікаційні – є результатом взагалі кажучи процесу оцінки ступеня приналежності даних об'єктів до різних класів, який здійснюється людиною-експертом або, що не формалізується, як традиційно говорять фахівці по розпізнаванню образів, "вчителем". В цьому випадку не виникає питання про те, для формування узагальненого образу яких класів використовувати опис даного конкретного об'єкту.
Навчання без вчителя або самонавчання – це процес формування узагальнених образів класів, на основі повчальної вибірки, характеристики конкретних об'єктів, що містить, причому тільки в описових шкалах і градаціях.
Тому цей процес реалізується в три етапи:
1. Кластерний аналіз об'єктів повчальної вибірки, в результаті якого визначаються групи самих схожих їх їх по їх ознаках (кластери).
2. Привласнення кластерам статусу узагальнених класів, для формування узагальнених образів яких використовуються конкретні об'єкти, що входять саме в ці кластери.
3. Формування узагальнених образів класів, аналогічно тому, як це робилося при навчанні з вчителем.
Верифікація, адаптація і синтез модели. Як тільки вимовлено або написано слово "модель", відразу неминуче виникає питання про ступінь її адекватності.
Верифікація моделі – це операція встановлення ступеня її адекватності (валидности) шляхом порівняння результатів ідентифікації конкретних об'єктів з їх фактичною приналежністю до узагальнених образів класів.
Розрізняють внутрішню і зовнішню, інтегральну і диференціальну валидность.
Внутрішня валидность – це здатність моделі вірно ідентифікувати об'єкти повчальної вибірки.
Якщо модель має низьку внутрішню валидность, то модель не можна вважати вдало сформованою.
Зовнішня валидность – це здатність моделі вірно ідентифікувати об'єкти, що не входять в повчальну вибірку.
Інтегральна валидность – це средневзвешенная достовірність ідентифікації по всіх класах і розпізнаваних об'єктах.
Диференціальна валидность – це здатність моделі вірно ідентифікувати об'єкти в розрізі по класах.
Адаптація моделі – це облік в моделі об'єктів, що не входять в повчальну вибірку, але що входять в генеральну сукупність, по відношенню до якої дана повчальна вибірка репрезентативна.
Якщо моделлю вірно ідентифікуються об'єкти, що не входять в повчальну вибірку, то це означає, що ці об'єкти входять в генеральну сукупність, по відношенню до якої дана повчальна вибірка репрезентативна. Отже, на основі повчальної вибірки вдалося виявити закономірності взаємозв'язків між ознаками і приналежністю об'єктів до класів, які діють не тільки в повчальній вибірці, але мають силу і для генеральної сукупності.
Адаптація моделі не вимагає зміни класифікаційних і описових шкал і градацій, а лише об'єму повчальної вибірки, і приводить до кількісної зміни моделі.
Синтез (або повторний синтез – пересинтез) моделі – це облік в моделі об'єктів, що не входять ні в повчальну вибірку, ні в генеральну сукупність, по відношенню до якої дана повчальна вибірка репрезентативна.
Це об'єкти з новими, раніше невідомими закономірностями взаємозв'язків ознак з приналежністю цих об'єктів до тих або інших класів. Причому і ознаки, і класи, можуть бути як ті, які вже були відображені в моделі раніше, так і нові. Пересинтез моделі приводить до її якісної зміни.
4. Проблема розпізнавання образів
Проблема розпізнавання образів зводиться до двох задач: навчання і розпізнавання. Тому, перш ніж сформулювати задачу навчання розпізнаванню образів уточнимо, в чому значення їх розпізнавання.
Найпростішим варіантом розпізнавання є строгий запит на пошук об'єкту в базі даних по його ознаках, який реалізується в інформаційно-пошукових системах. При цьому кожному полю відповідає ознака (описова шкала), а значенню поля – значення ознаки (градація описової шкали). Якщо в базі даних є записи, всі значення заданих полів яких точно співпадають із значеннями, заданими в запиті на пошук, то ці записи витягуються в звіт, інакше запис не витягується.
Складнішими варіантами розпізнавання є нечіткий запит з неповнотою інформації, коли не всі ознаки шуканих об'єктів задаються в запиті на пошук, оскільки не всі вони відомі, і нечіткий запит з шумом, коли не всі ознаки об'єкту відомі, а деякі вважаються відомими помилково. В цих випадках з бази даних витягуються всі об'єкти, у яких співпадає хоча б одна ознака і в звіті об'єкти сортуються (ранжируються) в порядку убування кількості ознак, що співпали. При цьому при визначенні рангу об'єкту у відсортованому списку всі ознаки вважаються тими, що мають однакову "вагу" і враховується тільки їх кількість.
Проте:
– по-перше, насправді ознаки мають різну вагу, тобто одна і та ж ознака різною мірою характерна для різних об'єктів;
– по-друге, нас можуть цікавити не стільки самі об'єкти, витягувані з бази даних прецедентів по запитах, скільки класифікація самого запиту, тобто віднесення його до певної категорії, тобто до того або іншого узагальненого образу класу.
Якщо реалізація строгих і навіть нечітких запитів не викликає особливих складнощів, то розпізнавання як ідентифікація з узагальненими чинами класів, причому з урахуванням відмінності терезів ознак є певною проблемою.
Навчання здійснюється шляхом пред'явлення системі окремих об'єктів, описаних на мові ознак, з вказівкою їх приналежності тому або іншому класу. При цьому сама приналежність до класів повідомляється система людиною – Вчителем (експертом).
В результаті навчання система, що розпізнає, повинна придбати здатність:
1. Відносити об'єкти до класів, до яких вони належать (ідентифікувати об'єкти вірно).
2. Не відносити об'єкти до класів, до яких вони не належать (неидентифицировать об'єкти помилково).
Це і є проблема навчання розпізнаванню образів, і полягає вона в наступному:
1. В розробці математичної моделі, що забезпечує: узагальнення образів конкретних об'єктів і формування узагальнених образів класів; розрахунок терезів ознак; визначення ступеня схожості конкретних об'єктів з класами і ранжирування класів по ступеню схожості з конкретним об'єктом, включаючи і позитивне, і негативна схожість.
2. В наповненні цієї моделі конкретною інформацією, що характеризує певну наочну область.
