Mintafelismerési elmélet
Az oldal jelenlegi verzióját még nem ellenőrizték tapasztalt közreműködők, és jelentősen eltérhet a 2022. április 9-én felülvizsgált verziótól ; az ellenőrzések 2 szerkesztést igényelnek .A mintafelismerési elmélet a számítástechnika és a kapcsolódó tudományágak egy része , amely kidolgozza az olyan tárgyak, jelenségek, folyamatok , jelek , helyzetek stb. objektumok osztályozásának és azonosításának alapjait és módszereit, amelyeket bizonyos tulajdonságok és jellemzők véges halmaza jellemez. Az ilyen feladatokat meglehetősen gyakran oldják meg, például közlekedési lámpáknál történő átkeléskor vagy egy utcán vezetve. A világító lámpa színének felismerése és a KRESZ szabályainak ismerete lehetővé teszi, hogy megfelelő döntést hozzon arról, hogy átkel-e az utcán vagy sem.
Az ilyen felismerés szükségessége számos területen felmerül – a katonai ügyektől és a biztonsági rendszerektől az analóg jelek digitalizálásáig.
A mintafelismerés problémája kiemelkedő jelentőségűvé vált az információs túlterheltség körülményei között, amikor az ember nem tud megbirkózni a hozzá érkező üzenetek lineáris-szekvenciális megértésével, aminek következtében agya az észlelés és a gondolkodás egyidejűségének módjára vált át. , ami az ilyen felismerésre jellemző.
Nem véletlen tehát, hogy a képfelismerés problémája az interdiszciplináris kutatások területén találta magát, többek között a mesterséges intelligencia létrehozásával kapcsolatos munkával kapcsolatban, és egyre nagyobb figyelmet kap a technikai képfelismerő rendszerek létrehozása. .
Trendek a mintafelismerésben
Két fő irány van [1] :
- Az élőlények felismerő képességeinek tanulmányozása, magyarázata, modellezése;
- Alkalmazott célokra egyedi problémák megoldására tervezett eszközök konstrukciójának elméletének és módszereinek kidolgozása.
A probléma hivatalos megfogalmazása
A mintafelismerés a kiindulási adatok egy bizonyos osztályhoz való hozzárendelése oly módon, hogy a teljes adattömegből kiemeli azokat a lényeges jellemzőket, amelyek ezeket az adatokat jellemzik.
A felismerési problémák felállításakor matematikai nyelvet próbálnak használni, igyekeznek - ellentétben a mesterséges neurális hálózatok elméletével [2] , ahol a kísérletes eredmény elérése az alap - a kísérletet logikai érveléssel és matematikai bizonyítással helyettesíteni [ 3] .
A mintafelismerés problémájának klasszikus megfogalmazása [4] : Adott objektumok halmaza. Be kell őket sorolni. Egy halmazt részhalmazok képviselnek, amelyeket osztályoknak nevezünk. Adott: információ az osztályokról, a teljes halmaz leírása és egy olyan objektum információinak leírása, amelynek egy adott osztályhoz való tartozása ismeretlen. Az osztályokról rendelkezésre álló információk és az objektum leírása alapján meg kell határozni, hogy az objektum melyik osztályba tartozik.
A mintafelismerési problémákban leggyakrabban monokróm képeket vesznek figyelembe , ami lehetővé teszi, hogy egy képet egy síkon lévő függvényként tekintsünk. Ha egy síkon beállított pontot tekintünk , ahol a függvény a kép minden pontján kifejezi jellemzőjét - fényerőt, átlátszóságot, optikai sűrűséget, akkor egy ilyen függvény a kép formális rögzítése.
A síkon az összes lehetséges függvény halmaza az összes kép halmazának modellje . A képek közötti hasonlóság fogalmát bevezetve felvehetjük a felismerés problémáját. Egy ilyen beállítás konkrét formája erősen függ a felismerés későbbi szakaszaitól az egyik vagy másik megközelítés szerint.
A grafikus képek felismerésének néhány módja
Az optikai képfelismeréshez alkalmazhatja az objektum különböző szögekben, léptékekben, eltolásokban stb. való megjelenése feletti iterálás módszerét. A betűk esetében ismételni kell a betűtípust, a betűtípus tulajdonságait stb.
A második megközelítés az objektum körvonalának megtalálása és tulajdonságainak (összeköthetőség, sarkok jelenléte stb.) feltárása.
Egy másik megközelítés a mesterséges neurális hálózatok használata . Ez a módszer vagy nagyszámú példát igényel a felismerési feladatra (helyes válaszokkal), vagy egy speciális neurális hálózati struktúrát, amely figyelembe veszi ennek a feladatnak a sajátosságait.
Perceptron mint a mintafelismerés módszere
Frank Rosenblatt az agymodell fogalmát ismertetve , akinek az a feladata, hogy bemutassa, hogyan jöhetnek létre pszichológiai jelenségek valamilyen fizikai rendszerben, amelynek szerkezete és funkcionális tulajdonságai ismertek, ismertette a legegyszerűbb diszkriminációs kísérleteket. Ezek a kísérletek teljes mértékben a mintafelismerési módszerekhez kapcsolódnak, de abban különböznek egymástól, hogy a megoldási algoritmus nem determinisztikus.
A legegyszerűbb kísérlet, amely alapján pszichológiailag jelentős információhoz juthatunk egy bizonyos rendszerről, abban rejlik, hogy a modell két különböző ingerrel jelenik meg, és ezekre eltérő módon kell reagálni. Egy ilyen kísérlet célja lehet a kísérletező beavatkozása nélkül a rendszer általi spontán megkülönböztetés lehetőségének tanulmányozása, vagy fordítva, a kényszerdiszkrimináció tanulmányozása, amelyben a kísérletvezető meg akarja tanítani a rendszert a szükséges besorolás.
A tanulási kísérlet során a perceptront általában egy bizonyos képsorral mutatják be, amely tartalmazza az egyes megkülönböztetendő osztályok képviselőit. Egyes memóriamódosítási szabályok szerint megerősítik a reakció helyes megválasztását. Ezután a kontrollingert bemutatjuk a perceptronnak, és meghatározzuk annak valószínűségét, hogy az ebbe az osztályba tartozó ingerekre a megfelelő választ kapjuk. Attól függően, hogy a kiválasztott vezérlőinger egyezik-e vagy nem egyezik-e az edzéssorozatban használt képek egyikével, különböző eredményeket kapunk:
- Ha a kontrollinger nem esik egybe a tanulási ingerek egyikével sem, akkor a kísérlet nem csak a tiszta diszkriminációhoz kapcsolódik , hanem az általánosítás elemeit is tartalmazza .
- Ha a kontrollinger olyan szenzoros elemek halmazát gerjeszti, amelyek teljesen különböznek azoktól az elemektől, amelyek az előzőleg azonos osztályba tartozó ingerek hatására aktiválódtak, akkor a kísérlet a tiszta általánosítás vizsgálata .
A perceptronok nem rendelkeznek tiszta általánosítási képességgel, de elég kielégítően működnek a diszkriminációs kísérletekben, különösen akkor, ha a kontrollinger kellően egybeesik valamelyik olyan mintázattal, amelyről a perceptron már felhalmozott némi tapasztalatot.
Példák mintafelismerési problémákra
- Optikai karakter felismerés
- Vonalkód felismerés
- Rendszám felismerés
- Arcfelismerés
- Beszédfelismerés
- Képfelismerés
- A földkéreg azon helyi területeinek felismerése, ahol ásványlelőhelyek találhatók
- Dokumentum minősítés
Lásd még
Jegyzetek
- ↑ Tu J., Gonzalez R. A mintafelismerés elvei, M. 1978
- ↑ Matkasym N. N. Mintafelismerés neurális hálózatok segítségével // Microsoft technológiák a programozás elméletében és gyakorlatában: a diákok, végzős hallgatók és fiatal tudósok XIII. Összoroszországi tudományos és gyakorlati konferenciájának gyűjteménye, Tomszk, március 22-23. 2016. - 23-25.o . Archiválva az eredetiből 2017. szeptember 17-én.
- ↑ Fine V. S. Képfelismerés, M., 1970
- ↑ Zhuravlev Yu. I. A felismerési és osztályozási problémák megoldásának algebrai megközelítéséről // A kibernetika problémái. — M.: Nauka, 1978, sz. 33. - S. 5-68.
Irodalom
- Arkadiev A. G., Braverman E. M. A gép megtanítása mintafelismerésre. — M.: Nauka, 1964
- Barabash Yu. L., Varsky BV, Zinoviev VT . A felismerés statisztikai elméletének kérdései. - M . : Szovjet rádió, 1967. - 399 p.
- Bongard M. M. A felismerés problémája - M .: Fizmatgiz , 1967.
- Arkadiev A. G., Braverman E. M. Az objektumosztályozó gép tanítása. — M.: Nauka, 1971.
- Gorelik A. L., Skripkin V. A. Felismerési módszerek. - 4. kiadás - M . : Felsőiskola, 1984, 2004. - 262 p.
- Vapnik V. N. , Chervonenkis A. Ya. A mintafelismerés elmélete. — M .: Nauka, 1974. — 416 p.
- Vasziljev V. I. Rendszerek felismerése. Könyvtár. - 2. kiadás - K . : Naukova Dumka , 1983. - 424 p.
- Elismerés. Matematikai módszerek. Szoftver rendszer. Praktikus alkalmazások. / Yu.I. Zsuravlev , V.V. Rjazanov , O.V. Senko . M.: FAZIS, 2006. 147 p. ISBN 5-7036-0108-8 .
- L. Shapiro, J. Stockman. Számítógépes látás = Computer Vision. - M . : Binom. Tudáslaboratórium, 2006. - 752 p. — ISBN 5-947-74384-1 .
- Fomin Ya. A. Mintafelismerés: elmélet és alkalmazások. - 2. kiadás - M. : FAZIS, 2012. - 429 p. - ISBN 978-5-7036-0130-4 .
- Fomin Ya. A., Tarlovsky GR A mintafelismerés statisztikai elmélete. - M . : Rádió és kommunikáció, 1986. - 624 p.
- Forsyth David A., Pons Jean. Számítógépes látás. Modern megközelítés = Computer Vision: A Modern Approach. — M .: Williams , 2004. — 928 p. — ISBN 0-13-085198-1 .
- Cheng Sh.-K. Vizuális információs rendszerek tervezési elvei. — M .: Mir, 1994. — 408 p.
- Lbov G.S. Különféle kísérleti adatok feldolgozásának módszerei. - Novoszibirszk: Nauka, 1981. - 157 p.
Linkek
- Yuri Lifshits . "Az elméleti informatika modern problémái" tanfolyam - előadások a mintafelismerés, arcfelismerés, szövegosztályozás statisztikai módszereiről
- Journal of Pattern Recognition Research archiválva : 2008. szeptember 8. a Wayback Machine -nél
- Dyukova EV Diszkrét (logikai) felismerési eljárások: tervezési elvek, megvalósítás bonyolultsága és alapmodellek. Tankönyv a pedagógiai egyetemek matematikai karának hallgatói számára. - M .: Prometheus, 2003. - 29 p. ISBN 5-70420-1092-9 .
 Szótárak és enciklopédiák | |
|---|---|
| Bibliográfiai katalógusokban |
|