Эволюционно-аппроксимационные методы и алгоритмы распознавания динамически изменяющихся образов

• Автор: Гимаров, Владимир Александрович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Москва
• Количество страниц: 190 с. : ил

Введение. Глава 1. Изменчивость реализаций образов. Анализ современных . Классификация методов распознавания. Статистические методы. Нейросетевые методы. Другие методы распознавания. Выводы по главе. Глава 2. Метод коллективного распознавания. Метод с использованием элементов нечеткой логики
2. Метод и алгоритм прогнозируемых эталонов. Сущность метода. Критерии проверки динамичности задачи распознавания. Выводы по главе. Глава 3. Архитектура и обобщенный алгоритм функционирования комплекса программ ишЫазв. Выводы по главе. Глава 4. Машинист. Архитектура и программная реализация комплекса программ ТЕБТМАСН. Архитектура и программная реализация компьютерной системы поддержки принятия инновационных решений 1
Нейросетевые методы распознавания, основанные на аппарате искусственных нейронных сетей, используются достаточно давно, с конца х годов. Вначале данные методы реализовывали простейшие системы типа персептрона, а к настоящему времени несколько достаточно сложных структур многослойные персептроны, карты Кохонена, сети Хопфилда, когнитроны и т.


Рассмотрим перечисленные методы более подробно, оценивая их с точки зрения пригодности для решения поставленной задачи исследования распознавания образов, динамически изменяющихся во времени. Приведем несколько типовых детермининистских методов распознавания 1,6. Метод построения эталонов. По существу, эталон это усредненный по обучающей выборке абстрактный объект абстрактным он называется потому, что может не совпадать ни с одним объектом генеральной совокупности. Распознавание осуществляется следующим образом. На вход системы поступает объект набор признаков х, принадлежность которого к тому или иному образу системы неизвестна. От этого объекта измеряются расстояния до эталонов всех образов, и система относит к тому образу, расстояние которого до эталона минимально. Расстояние измеряется в той метрике, которая введена для решения определенной задачи распознавания. Не рассматривая эффективность данного метода, отметим, что он может быть применен непосредственно для распознавания динамически изменяющихся образов лишь в том случае, если известны законы изменения эталонов во времени, т. ХЭ1 I. Метод дробящихся эталонов. Процесс обучения состоит в следующем. На первом этапе в обучающей выборке охватывают все объекты каждого класса гиперсферой возможно меньшего радиуса. Сделать это можно, например, так. Строится эталон каждого класса. Вычисляется расстояние от эталона до всех объектов данного класса, входящих в обучающую выборку. Выбирается максимальное из этих расстояний гпцл. Строится гиперсфера с центром в эталоне и радиусом Я гпвх , охватывающая все объекты данного класса. Подобная процедура проводится для всех классов образов.