Классификация образов на основе решетки множества кортежей данных

• Автор: Минаев, Валерий Евгеньевич
• Шифр специальности: 05.13.17, 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Пенза
• Количество страниц: 174 с. : ил.

СОДЕРЖАНИЕ
СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ КЛАССИФИКАЦИИ.

1.1. Анализ методов распознавания образов

1.2. Методы дискретной классификации.

1.3. Критерии оценки качества алгоритмов распознавания.

Основные результаты и выводы.

2. РЕШЕНИЕ ЗАДАЧИ ДИСКРЕТНОЙ КЛАССИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ КОМБИНАТОРНО УПОРЯДОЧЕННЫХ МОДЕЛЕЙ.

2.1. Обоснование использования методов КУМ.

2.2. Интерпретация методов КУМ для решения задачи классификации

2.3. Модификация алгоритма КУМ.
2.4 Обучение и классификация.
Основные результаты и выводы.
3. РЕАЛИЗАЦИЯ АЛ1 ОРИТМА ДИСКРЕТНОЙ
КЛАССИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ МЕТОДА КУМ.
3.1. Схема работы алгоритма дискретной классификации па основе метода КУМ
3.2. Поиск элементарных классификаторов
3.3. Минимизация времени выполнения операции комбинаторного попарного пересечения
3.4. Минимизация времени выполнения проверки уникальности существенного элемента.
3.5. Параллельная обработка
3.6. Пути реализации параллельной обработки
Основные результаты и выводы.
4. АНАЛИЗ ВОЗМОЖНОСТЕЙ АЛГОРИТМА ДИСКРЕТНОЙ КЛАССИФИКАЦИИ НА ОСНОВЕ МЕТОДА КУМ.
4.1. Выбор метода исследования алгоритма дискретной классификации
4.2. Выбор исходных данных для исследования
4.3. Оценка эффективности алг оритма дискретной
классификации.
Основные результаты и выводы.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


В [4] авторы отмечают, что классификация информации (отнесение документов к одной или нескольким категориям из ограниченного множества) является традиционной задачей организации знаний и обмена информацией. На рисунке 1. Рис. Задачу классификации можно сформулировать как задачу отыскания разделяющих функций д>,(х) и у2(х). Существуют три основные проблемы задач распознавания образов [1]. Первая проблема связана с представлением исходных данных, полученных в результате каких либо измерений или экспериментов. Проблема чувствительности. Каждая измеренная величина является характеристикой образа. В общем случае процесс измерения можно рассматривать как процесс кодирования образов, которое заключается в присвоении каждому свойству определенно значения из какого либо заданного алфавита. При этом кодирование должно осуществляться таком образом, чтобы свойства или признаки класса были легко разделимы. Однако на практике это не всегда удается, т. Вторая проблема - выделение характерных признаков или свойств из исходных данных и снижение размерности описаний образов. Слишком ограниченное число тестов для определения свойств или небрежный их выбор не дадут возможности получить характеристики предъявленных для распознавания образов. С другой стороны, слишком много тестов необоснованно усложнят вычисления при дальнейшем анализе. В реальных задачах распознавания определение полного набора признаков оказывается трудоемкой задачей, а в некоторых случаях и почти не выполнимой. Третья задача состоит в отыскании оптимальных решающих процедур, необходимых при распознавании. Если имеются полные априорные сведения, решающие функции могут быть определены на основе этой информации. Если имеются лишь качественные сведения, то могут быть выдвинуты разумные допущения. Недостаток последнего в том, что результаты распознавания могут существенно искажаться, вследствие чего необходимо прибегать к разумным корректировкам. На практике в большинстве случаев имеются лишь априорные сведения о распознаваемых образах. Как выход из сложившейся ситуации - использование обучающих процедур [1]. С учетом этих основных проблем в [1] приводится функциональная схема адаптивной системы распознавания (рис. Рис. Схема показывает, как наиболее естественно и разумно разграничить функции, которые должна выполнять распознающая система. Множество авторов дают различную классификацию методов распознавания образов [1,6-,-1. Различают параметрические, непараметри-ческие, эвристические методы, методы сравнения с шаблоном, методы с обучением по прецедентам, выделяются группы методов в соответствии со сложившимися школами и направлениями. Эвристический подход является исторически самым ранним методом и основывается на трудно формализуемых знаниях и интуиции исследователя. Здесь исследователь сам определяет, какую информацию и каким образом нужно использовать для достижения требуемого эффекта распознавания. Разработанные системы являются достаточно простыми в реализации, однако жестко прописанные правила лишают систему гибкости. Этот факт рани-чивает применение подобных метода узким кругом задач. Непараметрические методы анализируют относительные количества объектов, попадающих в заданные многомерные объемы, и используют различные функции расстояния между объектами обучающей выборки и распознаваемыми объектами [5]. Для количественных признаков, когда их число много меньше объема выборки, операции с объектами играют промежуточную роль в оценке локальных плотностей распределения условных вероятностей и объекты нс несут смысловой нагрузки самостоятельных информационных единиц. Однако, когда количество признаков равно или больше числа распознаваемых объектов, а сами признаки носят качественный или дихотомический характер, то ни о каких локальных оценках плотностей распределения вероятностей не может идти речи. В этом случае объекты в указанных непараметрических методах рассматриваются как самостоятельные единицы, и данные методы приобретают смысл оценок сходства и различия изучаемых объектов с заданными. В таком случае данные методы могут быть отнесены к группе методов с обучением.