дображення. Наприклад, для оптичного розпізнавання образів можна застосувати метод перебору виду об'єкта під різними кутами, масштабами, зміщеннями, деформаціями і т. д. Для букв потрібно перебирати шрифт, властивості шрифту і т. д. У випадку розпізнавання звукових образів, відповідно, відбувається порівняння з деякими відомими шаблонами (наприклад, слово, вимовлене кількома людьми). p> Другий підхід - виробляється більше глибокий аналіз характеристик образу. У разі оптичного розпізнавання це може бути визначення різних геометричних характеристик. Звуковий зразок в цьому випадку піддається частотному, амплітудному аналізу і т. д.
Наступний метод - використання штучних нейронних мереж (ІНС). Цей метод вимагає або великої кількості прикладів завдання розпізнавання при навчанні, або спеціальною структури нейронної мережі, що враховує специфіку даної задачі. Тим не менш, його відрізняє більш висока ефективність і продуктивність. Детально нейронні мережі ми розглядали в "КІ" N 15, 16, 17 за 2005 р [9, c. 84]. br/>
4. Історія розпізнавання образів
Розглянемо стисло математичний формалізм розпізнавання образів. Об'єкт в розпізнаванні образів описується сукупністю основних характеристик (ознак, властивостей). Основні характеристики можуть мати різну природу: вони можуть братися з упорядкованої множини типу речовій прямий, або з дискретного безлічі (яке, втім, так само може бути наділене структурою). Таке розуміння об'єкта узгоджується як потребою практичних додатків розпізнавання образів, так і з нашим розумінням механізму сприйняття об'єкта людиною. Дійсно, ми вважаємо, що при спостереженні (вимірі) об'єкта людиною, відомості про нього надходять за кінцевим числом сенсорів (аналізованих каналів) у мозок, і кожному сенсору можна зіставити відповідну характеристику об'єкта. Крім ознак, відповідних наших вимірах об'єкта, існує так само виділений ознака, або група ознак, які ми називаємо класифікуючими ознаками, і в з'ясуванні їх значень при заданому векторі Х і полягає завдання, яку виконують природні та штучні розпізнають системи.
Зрозуміло, що для того, щоб встановити значення цих ознак, необхідно мати інформацію про те, як пов'язані відомі ознаки з класифікуючими. Інформація про цей зв'язок задається у формі прецедентів, тобто безлічі описів об'єктів з відомими значеннями классифицирующих ознак. І з цієї прецедентної інформації і потрібно побудувати вирішальне правило, яке буде ставити безпідставного опису об'єкта значення його классифицирующих ознак.
Таке розуміння задачі розпізнавання образів утвердилося в науці починаючи з 50-х років минулого століття. І тоді ж було відмічено що така постановка зовсім не є нової. З подібним формулюванням стикалися і вже існували цілком не погано зарекомендували себе методи статистичного аналізу даних, які активно використовувалися для багатьох практичних завдань, таких як наприклад, технічна діагностика. Тому перші кроки розпізнавання образів пройшли під знаком статистичного підходу, який і диктував основну проблематику [8, c. 176]. p> Статистичний підхід грунтується на ідеї, що початковий простір об'єктів являє собою імовірнісний простір, а ознаки (характеристики) об'єктів являють собою випадкові величини задані на ньому. Тоді завдання дослідника даних полягала в тому, щоб з деяких міркувань висунути статистичну гіпотезу про розподіл ознак, а точніше про залежність классифицирующих ознак від інших. Статистична гіпотеза, як правило, представляла собою параметрично заданий безліч функцій розподілу ознак. Типовою і класичної статистичної гіпотезою є гіпотеза про нормальності цього розподілу (різновидів таких гіпотез статистики придумали безліч). Після формулювання гіпотези залишалося перевірити цю гіпотезу на прецедентних даних. Це перевірка складалася у виборі деякого розподілу з спочатку заданої множини розподілів (параметра гіпотези про розподіл) та оцінки надійності (довірчого інтервалу) цього вибору. Власне ця функція розподілу і була відповіддю до задачі, тільки об'єкт класифікувався вже не однозначно, але з деякими ймовірностями приналежності до класів. Статистиками були розроблено так само і ассимптотическое обгрунтування таких методів. Такі обгрунтування робилися за наступною схемою: встановлювався деякий функціонал якості вибору розподілу (Довірчий інтервал) і показувалося, що при збільшенні числа прецедентів, наш вибір з імовірністю прямує до 1 ставав вірним у сенсі цього функціоналу (довірчий інтервал прагнув до 0). Забігаючи наперед скажемо, що Статистичний погляд на проблему розпізнавання виявився досить плідним НЕ тільки в сенсі розроблених алгоритмів (у число яких входять методи кластерного, дискримінантного аналізів, непараметрична регресія і т.д.), але і привів згодом Вапніка до створення глибокої статистичної теорії розпізнавання [2, c. 7]. p> Тим Проте існує серйозна аргументація на користь того, що завдання розпізнавання обра...
