Teoria recunoașterii modelelor
Versiunea actuală a paginii nu a fost încă examinată de colaboratori experimentați și poate diferi semnificativ de versiunea revizuită la 9 aprilie 2022; verificările necesită 2 modificări .Teoria recunoașterii modelelor este o secțiune a informaticii și a disciplinelor conexe care dezvoltă bazele și metodele de clasificare și identificare a obiectelor, fenomenelor, proceselor , semnalelor , situațiilor etc. obiecte care sunt caracterizate printr-un set finit de anumite proprietăți și caracteristici. Astfel de sarcini sunt rezolvate destul de des, de exemplu, atunci când traversați sau conduceți o stradă la semafoare. Recunoașterea culorii unui semafor aprins și cunoașterea regulilor de circulație vă permite să luați decizia corectă dacă traversați sau nu strada.
Necesitatea unei astfel de recunoașteri apare într-o varietate de domenii - de la afaceri militare și sisteme de securitate până la digitizarea semnalelor analogice.
Problema recunoașterii modelelor a devenit de o importanță deosebită în condiții de supraîncărcare informațională, atunci când o persoană nu poate face față unei înțelegeri liniar-secvențiale a mesajelor primite, în urma căreia creierul său trece la modul de simultaneitate a percepției și gândirii. , ceea ce este caracteristic unei astfel de recunoașteri.
Nu întâmplător, așadar, problema recunoașterii imaginilor s-a regăsit în domeniul cercetării interdisciplinare, inclusiv în legătură cu lucrările de creare a inteligenței artificiale , iar crearea de sisteme tehnice de recunoaștere a imaginilor atrage din ce în ce mai multă atenție. .
Tendințe în recunoașterea modelelor
Există două direcții principale [1] :
- Studiul abilităților de recunoaștere pe care le posedă ființele vii, explicându-le și modelându-le;
- Dezvoltarea teoriei și metodelor de construcție a dispozitivelor destinate rezolvării problemelor individuale în scopuri aplicate.
Declarație formală a problemei
Recunoașterea modelelor este atribuirea datelor inițiale unei anumite clase prin evidențierea trăsăturilor esențiale care caracterizează aceste date din masa totală de date.
Atunci când pun probleme de recunoaștere, ei încearcă să folosească un limbaj matematic, încercând – spre deosebire de teoria rețelelor neuronale artificiale [2] , unde baza este obținerea unui rezultat prin experiment – să înlocuiască experimentul cu raționament logic și dovezi matematice [ 3] .
Enumerarea clasică a problemei recunoașterii modelelor [4] : Este dat un set de obiecte. Ele trebuie clasificate. O mulțime este reprezentată de submulțimi, care sunt numite clase. Date: informații despre clase, o descriere a întregului set și o descriere a informațiilor despre un obiect a cărui apartenență la o anumită clasă este necunoscută. Este necesar, conform informațiilor disponibile despre clase și descrierea obiectului, să se stabilească cărei clase îi aparține acest obiect.
Cel mai adesea, imaginile monocrome sunt luate în considerare în problemele de recunoaștere a modelelor , ceea ce face posibilă considerarea unei imagini ca o funcție pe un plan. Dacă luăm în considerare un punct stabilit pe plan , unde funcția își exprimă caracteristica în fiecare punct al imaginii - luminozitate, transparență, densitate optică, atunci o astfel de funcție este o înregistrare formală a imaginii.
Setul tuturor funcțiilor posibile din plan este un model al setului tuturor imaginilor . Introducând conceptul de similitudine între imagini, putem pune problema recunoașterii. Forma specifică a unei astfel de setari depinde puternic de etapele ulterioare ale recunoașterii, în conformitate cu una sau alta abordare.
Câteva metode de recunoaștere a imaginilor grafice
Pentru recunoașterea optică a imaginii, puteți aplica metoda de iterare peste aspectul unui obiect la diferite unghiuri, scale, decalaje etc. Pentru litere, trebuie să iterați peste font, proprietățile fontului etc.
A doua abordare este de a găsi conturul obiectului și de a explora proprietățile acestuia (conectivitate, prezența colțurilor etc.)
O altă abordare este utilizarea rețelelor neuronale artificiale . Această metodă necesită fie un număr mare de exemple ale sarcinii de recunoaștere (cu răspunsuri corecte), fie o structură specială a rețelei neuronale care ține cont de specificul acestei sarcini.
Perceptron ca metodă de recunoaștere a modelelor
Frank Rosenblatt , introducând conceptul de model al creierului , a cărui sarcină este să arate cum pot apărea fenomene psihologice într-un anumit sistem fizic, ale cărui structură și proprietăți funcționale sunt cunoscute, a descris cele mai simple experimente de discriminare. Aceste experimente sunt în întregime legate de metodele de recunoaștere a modelelor, dar diferă prin faptul că algoritmul de soluție nu este determinist.
Cel mai simplu experiment, pe baza căruia este posibil să se obțină informații semnificative din punct de vedere psihologic despre un anumit sistem, se rezumă la faptul că modelul este prezentat cu doi stimuli diferiți și trebuie să răspundă la aceștia în moduri diferite. Scopul unui astfel de experiment poate fi acela de a studia posibilitatea discriminării lor spontane de către sistem în absența intervenției experimentatorului sau, dimpotrivă, de a studia discriminarea forțată, în care experimentatorul încearcă să învețe sistemul să efectueze clasificare necesară.
Într-un experiment de învățare, perceptronul este prezentat de obicei cu o anumită secvență de imagini, care include reprezentanți ai fiecăreia dintre clasele care trebuie distinse. Conform unor reguli de modificare a memoriei , alegerea corectă a reacției este întărită. Apoi stimulul de control este prezentat perceptronului și se determină probabilitatea de a obține răspunsul corect pentru stimulii din această clasă. În funcție de faptul că stimulul de control selectat se potrivește sau nu cu una dintre imaginile care au fost utilizate în secvența de antrenament, se obțin rezultate diferite:
- Dacă stimulul de control nu coincide cu niciunul dintre stimulii de învățare, atunci experimentul este asociat nu numai cu discriminarea pură , ci include și elemente de generalizare .
- Dacă stimulul de control excită un set de elemente senzoriale care sunt complet diferite de acele elemente care au fost activate sub influența stimulilor prezentați anterior din aceeași clasă, atunci experimentul este un studiu de generalizare pură .
Perceptronii nu au capacitatea de generalizare pură, dar funcționează destul de satisfăcător în experimentele de discriminare, mai ales dacă stimulul de control coincide suficient de strâns cu unul dintre modelele despre care perceptronul a acumulat deja ceva experiență.
Exemple de probleme de recunoaștere a modelelor
- Recunoaștere optică a caracterelor
- Recunoașterea codurilor de bare
- Recunoașterea plăcuței de înmatriculare
- Recunoaștere facială
- Recunoaștere a vorbirii
- Recunoașterea imaginii
- Recunoașterea zonelor locale ale scoarței terestre în care se află zăcăminte minerale
- Clasificarea documentelor
Vezi și
Note
- ↑ Tu J., Gonzalez R. Principles of Pattern Recognition, M. 1978
- ↑ Matkasym N. N. Recunoașterea modelelor folosind rețele neuronale // Tehnologiile Microsoft în teoria și practica programării: o colecție de lucrări ale celei de-a XIII-a conferințe științifice și practice din întreaga Rusie a studenților, absolvenților și tinerilor oameni de știință, Tomsk, 22-23 martie, 2016. - p. 23-25 . Arhivat din original pe 17 septembrie 2017.
- ↑ Fine V. S. Image recognition, M., 1970
- ↑ Zhuravlev Yu. I. Despre abordarea algebrică a rezolvării problemelor de recunoaștere și clasificare // Probleme de cibernetică. — M.: Nauka, 1978, nr. 33. - S. 5-68.
Literatură
- Arkadiev A. G., Braverman E. M. Învățarea unei mașini pentru recunoașterea modelelor. — M.: Nauka, 1964
- Barabash Yu. L., Varsky BV, Zinoviev VT Întrebări ale teoriei statistice a recunoașterii. - M . : Radio sovietică, 1967. - 399 p.
- Bongard M. M. Problema recunoașterii. - M .: Fizmatgiz , 1967.
- Arkadiev A. G., Braverman E. M. Predarea mașinii de clasificare a obiectelor. — M.: Nauka, 1971.
- Gorelik A. L., Skripkin V. A. Metode de recunoaștere. - a 4-a ed. - M . : Şcoala superioară, 1984, 2004. - 262 p.
- Vapnik V. N. , Chervonenkis A. Ya. Teoria recunoașterii modelelor. — M .: Nauka, 1974. — 416 p.
- Vasiliev V. I. Sisteme de recunoaştere. Director. - Ed. a II-a. - K . : Naukova Dumka , 1983. - 424 p.
- Recunoaştere. Metode matematice. Sistem software. Aplicații practice. / Yu.I. Zhuravlev , V.V. Ryazanov , O.V. Senko . M.: FAZIS, 2006. 147 p. ISBN 5-7036-0108-8 .
- L. Shapiro, J. Stockman. Computer vision = Computer Vision. - M .: Binom. Laboratorul de cunoștințe, 2006. - 752 p. — ISBN 5-947-74384-1 .
- Fomin Ya. A. Recunoașterea modelelor: teorie și aplicații. - Ed. a II-a. - M. : FAZIS, 2012. - 429 p. - ISBN 978-5-7036-0130-4 .
- Fomin Ya. A., Tarlovsky GR Teoria statistică a recunoașterii modelelor. - M . : Radio şi comunicare, 1986. - 624 p.
- Forsyth David A., Pons Jean. Viziune computerizată. Abordare modernă = Computer Vision: A Modern Approach. — M .: Williams , 2004. — 928 p. — ISBN 0-13-085198-1 .
- Cheng Sh.-K. Principii de proiectare a sistemelor informatice vizuale. — M .: Mir, 1994. — 408 p.
- Lbov G.S. Metode de prelucrare a diferitelor tipuri de date experimentale. - Novosibirsk: Nauka, 1981. - 157 p.
Link -uri
- Yuri Lifshits . Curs „Probleme moderne de informatică teoretică” - prelegeri despre metodele statistice de recunoaștere a modelelor, recunoașterea feței, clasificarea textelor
- Journal of Pattern Recognition Research Arhivat 8 septembrie 2008 la Wayback Machine
- Dyukova EV Proceduri de recunoaștere discrete (logice): principii de proiectare, complexitate de implementare și modele de bază. Manual pentru studenții facultăților de matematică ale universităților pedagogice. - M .: Prometeu, 2003. - 29 p. ISBN 5-70420-1092-9 .
 Dicționare și enciclopedii | |
|---|---|
| În cataloagele bibliografice |
|