Методы и алгоритмы адаптивной нечеткой классификации сложных объектов

• Автор: Ялов, Владимир Павлович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Смоленск
• Количество страниц: 169 с. : ил

Введение

1. СОВРЕМЕННОЕ СОСТОЯНИЕ НАУЧНЫХ ИССЛЕДОВАНИЙ ПО КЛАССИФИКАЦИИ СЛОЖНЫХ ОБЪЕКТОВ.

1.1. Содержательная и математическая постановка задачи классификации.

1.1.1. Распознавание образов с учителем и без учителя

1.1.2. Признаки

1.1.3. Решающие правила и риск потерь

1.2. Классификация методов распознавания

1.2.1. Детерминистские методы

1.2.2. Статистические методы.

1.2.3. Лингвистические методы

1.2.4. Нейросетевые методы.

1.2.5. Методы с использованием теории нечетких множеств
1.2.6. Другие методы распознавания.
1.3. Постановка цели и задач исследований.
1.4. Выводы по главе
2. МЕТОДЫ И АЛГОРИТМЫ ПОСТРОЕНИЯ НЕЧЕТКИХ АДАПТИВНЫХ КЛАССИФИКАТОРОВ
2.1. Предварительная обработка данных.
2.2.Методы построения адаптивного нечеткого классификатора
2.3. Свойства классификатора
2.4. Анализ погрешности классификации.
2.5. Выводы по главе
3. РАЗРАБОТКА КОМПЛЕКСА ПРОГРАММ НЕЧЕТКОГО АДАПТИВНОГО РАСПОЗНАВАНИЯ ОБРАЗОВ.
3.1. Архитектура и обобщенный алгоритм функционирования комплекса программ РиггускяБ
3.2. Универсальные программные средства.
3.3. Программа универсального классификатора РСЬАБМОЭ версия 1.0.
3.4. Выводы по главе
4. ПРИМЕНЕНИЕ НЕЧЕТКИХ АДАПТИВНЫХ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ ДЛЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ
4.1. Общее описание геоинформационной системы города Смоленска
4.2. Структура МГИС как информационной системы.
4.3. Подсистема мониторинга МГИС
4.4. Муниципальная геоинформационная система Экология Строения.
4.5. Выводы по главе
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


Двумя существенными проблемами в распознавании являются следующие: какие входные данные можно считать уместными и какая (предварительная) обработка исходных данных (обычно отличающихся чрезвычайной избыточностью) приводит к получению "свойств" или "признаков", действительно позволяющих проводить классификацию. Этим проблемам уделяется много внимания, но, к сожалению, сегодня неизвестны формализованные методы, которые позволили бы получить ответ на эти вопросы. Априорные знания, интуиция, метод проб и ошибок, опыт так или иначе используются при определении признаков. При наличии значительного объема априорных сведений о регулярностях, составляющих образы, и при условии, что эти регулярности просты и имеют детерминистскую природу, отыскание признаков обычно не составляет труда. Однако при распознавании образов приходится сталкиваться главным образом со сложными ситуациями, когда явных знаний о соответствующих регулярностях имеется немного, а сами регулярности отличаются существенными флуктуациями и изменчивостью. Размерность признакового пространства п обычно стремятся сделать как можно меньше, поскольку при этом сокращается количество требуемых измерений, упрощаются вычисления, формирующие и реализующие решающие правила, повышается статистическая устойчивость результатов распознавания. Вместе с тем уменьшение п, вообще говоря, ведет к росту риска потерь. В зависимости от спецификации задачи используются следующие типы признаков: количественные, типа непроизводных элементов (структурные) и качественные (логические). Если получаемые в результате признаки можно рассматривать как количественные статистические величины, то для выделения из исходного набора наиболее важных признаков можно воспользоваться статистическими методами выбора признаков [3-6]. Если признаки можно рассматривать как непроизводные элементы и их отношения, то для описания и анализа образов можно воспользоваться лингвистическим подходом (см. При выборе непроизводных элементов должны получаться такие непроизводные элементы и их комбинации, которые позволяют строить простые описания анализируемых образов. Логические признаки устанавливаются, как правило, экспертным путем. Построение решающих правил, пожалуй, наиболее богатая в отношении разработанных подходов и методов решения компонента задач распознавания. Основная цель, которая при этом преследуется, - минимизация риска потерь. Возможны два подхода к формированию набора (базы) правил - параметрический и непараметрический. При параметрическом подходе вид (формулы) решающих правил известны, и по обучающему множеству требуется определить лишь параметры этих правил. При непараметрическом подходе по обучающей выборке неизвестен ни вид (формулы) решающих правил, ни их параметры. Риск потерь Я фактически является критерием, по которому формируется наиболее информативное признаковое пространство и наиболее эффективные решающие правила. И алфавит, и признаки, и решающие правила должны быть такими, чтобы по возможности минимизировать риск потерь. Этот критерий (характеристика распознающей системы) является составным. В него в общем случае входят потери (штрафы) за ошибки распознавания и затраты на измерения признаков распознаваемых объектов. В частном, наиболее широко используемом случае, в качестве риска потерь фигурирует средняя вероятность ошибок распознавания или максимальная компонента матрицы вероятностей ошибок. На практике, конечно, речь идет не о вероятностях, а об их выборочных оценках. Нисколько не претендуя на единственность и исключительность предлагаемой классификации методов распознавания образов, рассмотрим ее возможный вариант, приведенный на рис. Рис. Первая группа методов распознавания (или, точнее, первая концепция) -это детерминистская или геометрическая. Анализируя расположение точек в пространстве объектов, можно предложить несколько детерминистских алгоритмов распознавания. Статистические методы (методы статистической теории решений) применимы при работе с объектами, признаками которых служат числовые значения, имеющие случайный характер.