Исследование и разработка методов формирования решающих правил при классификации сигналов изображений

• Автор: Дударов, Денис Александрович
• Шифр специальности: 05.13.18, 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Таганрог
• Количество страниц: 187 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

ГЛАВА 1 ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ И АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ

1.1 Постановка задачи выбора моделей сигнала

1.2 Анализ методов формирования решающих правил, применяемых

для решения задач классификации.

1.2.1 Распознавание образов

1.2.1 Формирование признаков по изображению

1.3 Постановка задачи оптимизации признаковых пространств

1.4 Методы распознавания, основанные на теории статистических

решений.
1.5 Обзор методов оптимизации параметров распознающих систем в
случае параметрической априорной неопределенности.
1.5.1 Оптимизация временных характеристик системы распознавания одномерных нормальных совокупностей
1.5.2 Оптимизация временных характеристик системы распознавания многомерных нормальных совокупностей
1.5.3 Оптимизация размерности признакового пространства
Выводы по материалам 1 главы
ГЛАВА 2 ИССЛЕДОВАНИЕ ХАРАКТЕРИСТИК СИГНАЛОВ ИЗОБРАЖЕНИЙ В РАСПОЗНАЮЩИХ СИСТЕМАХ
2.1 Объекты исследования
2.2 Выбор математической модели сигналов изображений
2.3 Методика преобразования сигналов изображений
2.3.1 Нормализация сигналов изображений
2.4 Укрупнение описания сигналов изображений на основе
обобщенного оператора преобразования
Выводы по материалам 2 главы
ГЛАВА 3 РАЗРАБОТКА МОДЕЛЕЙ ПРИНЯТИЯ РЕШЕНИЙ ПРИ НЕПАРАМЕТРИЧЕСКОМ РАСПОЗНАВАНИИ СИГНАЛОВ ИЗОБРАЖЕНИЙ,
3.1 Формирование системы признаков на основе метода
стохастического кодирования сигналов изображений.
3.1.1 Исследование связи статистических характеристик
анализируемого процесса с опорным процессом.
3.2 Оптимизация разделяющих поверхностей и принятие решений.
3.3 Определение структурной схемы алгоритма распознавания
3.4 Исследование влияния вида и количества опорных
распределений на эффективность классификатора
3.5 Исследование влияния времени обучения и распознавания на
эффективность классификатора.
Выводы по материалам 3 главы.
ГЛАВА 4 МОДЕЛИРОВАНИЕ И ЭКСПЕРИМЕТАЛЬНАЯ ПРОВЕРКА ЭФФЕКТИВНОСТИ РАБОТЫ КЛАССИФИКАТОРА СИГНАЛОВ ИЗОБРАЖЕНИЙ
4.1 Задачи исследования
4.2 Методы моделирования устройств обработки сигналов,
основанные на использовании современных пакетов программ
для математического моделирования
4.3 Моделирование алгоритмов непараметрического распознавания.
4.4 Оценка вычислительной сложности программы моделирования.
4.5 Сравнительный анализ показателей качества и сложности НК
МСОК и алгоритма непараметрической классификации по
методу к ближайших соседей
4.6 Оценка статистической погрешности результатов моделирования
4.7 Разработка структурной схемы экспериментальной установки
4.8 Определение показателей качества работы непараметрического
классификатора.
Выводы по материалам 4 главы
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Определены статические характеристики оператора преобразования, которые необходимы для построения разделяющих поверхностей в пространстве неизоморфных моделей сигналов и оценок вероятности правильной классификации. В третьей главе выбран метод формирования классификационных признаков (метод стохастического кодирования сигналов), основанный на использовании функционала нелинейного преобразования первичных признаковых пространств, выбранного во втором разделе. Данный метод строится на принципах измерения корреляционных моментов с помощью функций знаковой корреляции. Предложен метод формирования классификационных признаков и построение на их основе решающих правил, основанный на использовании функционала нелинейного преобразования первичных признаковых пространств. Показано, что при использовании метода стохастического кодирования возрастает дисперсия оценок измеряемых моментов, однако при этом достигаются следующие положительные результаты: сокращается избыточность описания исходных процессов, подлежащих распознаванию; упрощается реализация алгоритма распознавания в микропроцессорных системах за счет применения одноразрядного квантования, дающего на выходе только знаки отсчетов. Разработан алгоритм непараметрической классификации случайных процессов по методу собственных областей класса (МСОК), использующий в качестве признаков корреляционные моменты знаковых последовательностей, сформированных на основе метода стохастического кодирования. В качестве опорных сигналов используются случайные процессы с некоррелированными отсчетами. Методами цифрового моделирования найдены зависимости математических ожиданий и среднеквадратических отклонений признаков от вида и количества опорных распределений и от времени обучения и классификации. Разработана структурная схема предлагаемого непараметрического классификатора по МСОК, а также алгоритмы процедур обучения и классификации. В четвертой главе рассмотрены вопросы моделирования алгоритма непараметрической классификации МСОК на ЭВМ. В результате моделирования работы классификатора МСОК при классификации случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями, определены значения суммарных вероятностей ошибки классификации при различных объемах обучающих и контрольных выборок и различных размерах признакового пространства. Установлено, что алгоритм классификации с формированием собственных областей распознаваемых классов эффективно работает при объемах обучающих наблюдений признаков, начиная от . Алгоритм целесообразно применять только при больших количествах распознаваемых классов, то есть в случае, когда построение разделяющих поверхностей на основе функций правдоподобия приводит к значительным вычислительным затратам. Получена зависимость оценок суммарных вероятностей ошибки классификации от числа объектов обучения по классам. Из приведенных зависимостей установлено, что при критически низом количестве объектов обучения (менее 8-) алгоритм по методу к ближайших соседей значительно проигрывает разработанному алгоритму в показателях вероятностей правильной классификации. Однако при увеличении количества объектов обучения (более -) алгоритм по методу к ближайших соседей имеет преимущества, заключающихся в более высоких вероятностях правильной классификации по сравнению с разработанным алгоритмом по МСОК. Определены также вероятности ошибки при классификации изображений принадлежащих четырем различным объектам. Получены матрицы перепуты-вания. Результаты экспериментов показывают, что разработанные алгоритмы могут иметь область применения, выходящую за рамки исследования сигналов изображений. Они также могут быть использованы в любых системах диагностики, где объектом исследований являются шумоподобные сигналы. Разработаны комплексы программ осуществляющих классификацию реальных изображений, а также случайных процессов, которые внедрены в учебный процесс. Для проведения эксперимента была разработана экспериментальная установка, включающая в себя цифровую ПЗС камеру и персональная ЭВМ. В заключении сформулированы основные научные и практические результаты работы.