- •I. Основные понятия
- •1. Изображение объекта. Виды изображений.
- •2. Образ (класс).
- •9.Примеры задач распознавания.
- •I I Простейшие методы распознавания (сравнение с эталоном)
- •Вопрос 10. Общая характеристика простейших методов распознавания.
- •11. Метод совмещения с эталоном.
- •12. Метод зондов
- •22. Эвристический алгоритм максиминного расстояния.
- •23. Алгоритм к внутригрупповых средних.
- •24. Алгоритм isodata.
- •25. Достоинства и недостатки алгоритмов обучения без учителя.
- •V. Применение алгебры высказываний для решения задач распознавания
- •26. Изображающие числа и базис.
- •27. Восстановление булевой функции по изображающему числу.
- •28. Зависимость и независимость булевых функций.
- •30. Отыскание решений логического уравнения.
- •31. Техника решения логических уравнений с помощью булевых матриц.
- •32. Две задачи о замене переменных в булевых функциях.
- •33. Прямая и обратная логические задачи распознавания.
- •34. Пример логической задачи распознавания
- •37. Перцептрон и его мат. Модель
- •Вопрос 35. Алгоритм вычисления оценок (аво).
- •Вопрос 36. Основные идеи, лежащие в основе аво.
- •38. Алгоритм обучение перцептрона
- •39. Сходимость алгоритма обучения перцептрона. Теорема Новикова.
- •40. Итеративные процедуры распознав. На основе градиентных методов: минимизация одной ф-ии.
- •41. Итеративные процедуры распознав. На основе градиентных методов: совместная минимизация нескольких ф-ий.
- •42. Алгоритм обучения перцептрона как реализация спец. Стратегии совместной минимизации нескольких ф-ий с помощью градиентных методов.
- •43. Физическая интерпретация метода потенциальных ф-ий.
- •44. Кумулятивный потенциал. Алгоритм итеративного вычисления кумулятивного потенциала.
- •45. Теоремы о сходимости обучения классификации методом потенциальных функций.
- •46. Достоинства и недостатки распознающих процедур перцептронного типа.
- •VIII Стохастический подход к распознаванию образов
- •47. Элементы задачи решения.
- •48. Условный риск. Общий риск.
- •53. Схема доказательства оптимальности процедуры Неймана-Пирсона.
- •54 Обучение байесовской процедуры распознавания: оценка неизвестных параметров.
- •55. Оценка неизвестной плотности вероятности по априорной информации.
- •56. Оценка неизвестной плотности вероятности с использованием экспериментальных данных.
- •57 Правило ближайшего соседа как пример непараметрического метода
- •58. Основы мгуа.
- •59. Применение мгуа для решения задачи ро
- •70. Требование к вектору признаков
I. Основные понятия
1. Изображение объекта. Виды изображений.
Изображение объекта – отображение объекта на воспринимающие органы распознающей системы.
Виды изображений - имеются два вида:
В виде n-мерного вектора признаков . Н-р, набор атрибутов, часто бинарный.
2.В виде некоторой лингвистической структуры. (в виде цепочек некоторого языка).
2. Образ (класс).
Пусть задано разбиение множества всех изображений на непересекающиеся подмножества. Каждое такое подмножество назовём классом или образом. Объекты, относящиеся к одному и тому же образу, образуют класс эквивалентности. Иногда под образом понимают множество, элементы которого обладают свойствами рефлексивности и симметричности, но не транзитивности (т.е. отношением толерантности) (для элементов на границе классов).
3. Задача распознавания образов.
заключается в том, что для любого х, принадлежащего исходному множеству объектов, нужно определить класс, в котором этот объект содержится. Процедура решения поставленной задачи называется правилом для вынесения решения, распознающей процедурой или классификатором.
4. Обучающая последовательность.
Обучающая последовательность – выборка из всего множества объектов из различных классов, на основе которой в дальнейшем будет осуществляться построение распознающей процедуры.
5. Задача обучения РО.
Задача обучения распознаванию образов – построение по данной обучающей последовательности распознающей процедуры, которая бы решала задачу распознавания для любого объекта исходного множества. включая и не вошедшие в эту ОП
6. Задача обучения с учителем.
Задача обучения с учителем – задача распознавания образов, в которой для каждого объекта из обучающей последовательности указан класс, к которому принадлежит объект (то есть дана маркированная обучающая последовательность).
7. Задача обучения без учителя.
Задача обучения без учителя – задача распознавания образов, в которой для образов из обучающей последовательности не известны классы, к которым они принадлежат (то есть дана немаркированная выборка).
8. Решающая функция
Объект представлен вектором признаков X=(x1,…,xn), имеется m образов(классов) w1,…,wm.
Решающую ф-ю м-о представить в виде dij(x) где i<>j i,j = 1…m
Решающая функция обладает свойствами: 1). dij(x)>0, i<>j если xwi 2). dij(x) =-dji (x). Если есть такой набор РФ, то работа распознающей процедуры сводится к проверке для данного объекта х условия (1) для всех i =1…m. В результате м/б, что: а) объект отнесён к классу i*. б) объект не отнесён ни к одному из m заданных классов. Множество объектов, не классифицируемых процедурой, составляет область неопределённости. в) по условию (2) невозможно отнесение процедурой объекта х более чем к одному классу: если при данном х усл (1) выполнено для нек-го i, то для всех j≠i dij(x)<0, т.е. объект не отнесён ни к какому из классов с номером j≠i
9.Примеры задач распознавания.
Диагностика комбинационных схем
w1=(x1,x2,x3,x4,y) – недеф-я схема w2=(x1,x2,x3,x4,y) – деф-я схема
Смысл в том, чтобы подавая символ на вход и получая сигнал на выходе решить – явл ли схема деф-ой
Задача в терминах РО:
a) изобр (x1,x2,x3,x4,y) б)имется 2 класса изобр w1 и w2
РП по предъявленному О-у x по конкретному вектору решить к какому классу относится данный О-т
2) Контроль состояния ядерного реактора. а)изобр x=(x0, x1,…,x31) – спектр плотности
w1 – мн-во x, которые соответствуют <ЯР норме> w2– мн-во x, которые соответствуют <аномальное состояние>
В результате работы РП xw1 – реактор в норме, если xw2 – необх принимать меры.
3) Распознавание символов