2412, 2021

ПОСТРОЕНИЕ ПОРОГОВЫХ ПРАВИЛ РАСПОЗНАВАНИЯ, ОСНОВАННЫХ НА ВЫДЕЛЕНИИ ОДНОМЕРНЫХ ПРЕДСТАВИТЕЛЬНЫХ ПСЕВДООБЪЕКТОВ

Рубрики: Актуальные вопросы развития инновационно-информационных технологий на транспорте|Метки: , , , |

Автор(ы): Гулмира МИРЗАЕВА, Олимжон МИРЗАЕВ, Жахонгир НОРКУЛОВ

В работе рассмотрены вопросы, связанные с построением модели алгоритмов распознавания, предназначенных для решения задачи классификации объектов в условиях большой размерности пространства признаков. Предложен новый подход к построению модели алгоритмов распознавания, основанный на построения элементарных пороговых правил. Основная идея предложенной модели алгоритмов распознавания заключается в формировании набора предпочтительных элементарных пороговых правил. Отличительная особенность предлагаемой модели, заключается в определении подходящего набора предпочтительных элементарных пороговых правил при построении экстремального алгоритма распознавания.

 

Введение. В последние годы ведутся активные исследования в области распознавания образов. На сегодняшний день разработано и исследовано несколько типов моделей, из которых можно выделить, например, следующие достаточно распространенные [1-5]: модели, основанные на использовании принципа разделения; статистические модели; модели, построенные на принципе потенциалов; модели, основанные на вычислении оценок.

Однако анализ этих моделей показывает, что в настоящее время главным образом разрабатываются модели алгоритмов, ориентированные на решение задач, где объекты описаны в пространстве независимых (или слабозависимых) признаков. В связи с этим возрастает актуальность проблемы усовершенствования, разработки и исследования моделей алгоритмов, ориентированных на решение задач классификации объектов, описанных признаками высокой размерности.

Целью данного доклада является построение модели алгоритмов распознавания объектов, заданных в признаковом пространстве большой размерности. В основе предложенной модели алгоритмов лежат пороговые правила распознавания, основанные на выделении одномерных представительных псевдообъектов.

Постановка задачи. Дано некоторое множество допустимых объектов , которое разбито на  непересекающихся подмножеств (классов) . При этом разбиение  определено не полностью, а имеется только некоторая начальная информация  о классах  [1, 5]:

,

где    – информационный вектор объекта , а  – значение предиката .

Предполагается, что в пространстве признаков  для произвольного объекта  можно сопоставить -мерный вектор  Размерность пространства признаков достаточно большая  Задача заключается в построении алгоритма  который переводит набор  в информационную матрицу . Здесь  множество контрольных объектов  Значение  интерпретируется также, как и в работе [1].

Метод решения. В работе рассмотрен один из подходов к решению задачи построения алгоритмов распознавания в условиях большой размерности признакового пространства. На базе этого подхода предложена модель алгоритмов распознавания, основанных на построении пороговых правил. При этом пороговые правила будут построены на базе одномерных представительных псевдообъектах. Основная идея предлагаемой модели состоит в формировании пространства независимых признаков и выделении представительных псевдообъектов в рамках каждого репрезентативного признака. Задание этих алгоритмов включает следующие основные этапы.

  1. Выделение «независимых» подмножеств сильносвязанных признаков. Первым этапом задания модели алгоритмов распознавания, основанных на пороговых правилах, является определение системы WA «независимых» подмножеств. На данном этапе получаем «независимых» подмножеств сильносвязанных признаков [5].
  2. Определение репрезентативных признаков. Вторым этапом задания модели алгоритмов распознавания, основанных на пороговых правилах, является определение набора репрезентативных признаков (РП). Каждый признак из этого набора является типичным представителем выделенного подмножества сильносвязанных признаков. В результате выполнения данного этапа формируется пространство признаков с меньшим числом признаков [6].
  3. Выделение подмножеств сильносвязанных объектов по каждому РП. На этом этапе определяются «независимых» подмножеств сильносвязанных объектов по каждому репрезентативному признаку [7, 8].
  4. Выделение представительных объектов. На этом этапе определяется множество представительных объектов по каждому репрезентативному признаку  [7].
  5. Определение пороговой функция различия в одномерном подпространстве РП. На данном этапе задается функция, характеризующая удаленность объектов и  в одномерном подпространстве РП. Пусть в пространстве РП определено множество , состоящее из  элементов:

Тогда различие между объектами  и   в подпространстве  определяется следующим образом:

(3)

Таким образом, функция различия (3) определяется параметром .

  1. Выделение предпочтительных пороговых функций различия. На данном этапе выделяются предпочтительные пороговые функции различия. Рассмотрим набор пороговых функций различия , определенных на предыдущем этапе. Пусть – подмножества представительных объектов, принадлежащих классу : . Тогда  – подмножество представительных объектов, не принадлежащих классу : . Выбор предпочтительного пороговой функции различия осуществляется следующим образом:

Как уже подчеркивалось в [38], «чем больше величина , тем большее предпочтение получает соответствующее пороговая функция различия при разделении объектов, принадлежащих ».

В результате применения (4) формируется набор предпочтительных пороговых функции различия , где . Каждый набор предпочтительных пороговых функций характеризует только одно подмножество (класс) объектов. Далее рассматриваются только предпочтительные пороговые функций, построенных по каждому репрезентативному объекту.

  1. Задание подмножеств опорных пороговых функций. На этом этапе формируется подмножество опорных пороговых функций близости Примерами таких систем является совокупность всех подмножеств мощности

Известно, что каждому подмножеству опорных пороговых функций близости  можно взаимно однозначно сопоставить характеристический булев вектор , где  а остальные координаты равны 0.

  1. Задание функции близости между классом и объектом по фиксированному подмножеству опорных пороговых функций. На данном этапе вычисляются оценки для класса по фиксированному подмножеству опорных пороговых функций близости:

 

где -части множеств предпочтительных пороговых функций различия.

  1. Оценка для класса по системе опорных множеств. На данном этапе вычисляется оценка для класса  по системе опорных множеств. Оценкой по системе опорных множеств  является величина

где – заданный параметр алгоритма.

  1. Решающее правило. На данном этапе задается решающее правило в виде [1]:

 

где  – параметры алгоритма.

Мы определили модель алгоритмов распознавания, основанных на выделение одномерных представительных псевдообъектом. Любой алгоритм A из этой модели полностью определяется заданием набора параметров[1, 5, 9]:

Совокупность всех распознающих алгоритмов из предлагаемой модели обозначим через . Поиск наилучшего алгоритма осуществляется в пространстве параметров .

Экспериментальная проверка алгоритмов. Для практического применения предложенной модели алгоритмов распознавания разработаны процедуры определения значений неизвестных параметров. Программная реализация разработанных процедур осуществлена в среде Delphi. В целях оценки работоспособности описанных алгоритмов были проведены экспериментальные исследования с использованием разработанных программ при решении модельного примера.

Исходные данные о распознаваемых объектах для модельного примера были сгенерированы в пространстве зависимых признаков. Количество классов на данном эксперименте равно 2. Объем обучающей выборки – 400 реализаций (по 200 реализаций для каждого класса). Объем контрольной выборки –
200 реализаций (по 100 реализаций для каждого класса). Количество признаков в тестах равно 400.

В результате этих экспериментов выявлены все зависимые признаки и построен эффективный алгоритм на базе выделенных признаков. Анализ результатов решения ряда модельных задач с помощью предлагаемых алгоритмов показывает преимущество этих алгоритмов в быстродействии и точности распознавания в случаях описания объектов в признаковом пространстве высокой размерности.

Заключение. Применение разработанной модели алгоритмов распознавания образов, заданных в пространстве большой размерности, позволяет улучшить точность распознавания и расширить область применения при решении прикладных задач. Данная модель алгоритмов значительно снижает число вычислительных операций при распознавании неизвестного объекта и может быть использована при составлении различных программ, ориентированных на решение задач прогнозирования и классификации объектов, заданных в пространстве признаков высокой размерности.

Нужно индивидуальное решение?

Если у вас есть вопросы вы можете связаться с нами через форму обратной связи.

Чем мы можем помочь?

Заголовок