зів не зводяться до статистики. Будь-яку таку задачу, в принципі, можна розглядати зі статистичної точки зору і результати її вирішення можуть інтерпретуватися статистично. Для цього необхідно лише припустити, що простір об'єктів задачі є імовірнісним. Але з точки зору інструменталізму, критерієм вдалості статистичної інтерпретації деякого методу розпізнавання може служити лише наявність обоснаванія цього методу на мові статистики як розділу математики. Під обоснаванія тут розуміється вироблення основних вимог до задачі які забезпечують успіх в застосуванні цього методу. Проте на даний момент для більшої частини методів розпізнавання, у тому числі і для тих, які безпосередньо виникли в рамках статистичного підходу, подібних задовільних обгрунтувань не знайдено. Крім цього, найбільш часто застосовуються на даний момент статистичні алгоритми, типу лінійного дискриминанта Фішера, парзеновского вікна, EM-алгоритму, методу найближчих сусідів, не кажучи вже про байєсівських мережах довіри, мають сильно виражений евристичний характер і можуть мати інтерпретації відмінні від статистичних. І нарешті, до всього вищесказаного слід додати, що крім асимптотичної поведінки методів розпізнавання, яке і є основним питанням статистики, практика розпізнавання ставить питання обчислювальної та структурної складності методів, які виводять далеко за рамки однієї лише теорії ймовірностей.
Разом, всупереч прагненням статистиків розглядати розпізнавання образів як розділ статистики, в практику та ідеологію розпізнавання входили зовсім інші ідеї. Одна з них була викликана дослідженнями в галузі розпізнавання зорових образів і заснована на наступному аналогією [2, c. 20]. p> Як уже зазначалося, в повсякденному житті люди постійно вирішують (найчастіше несвідомо) проблеми розпізнавання різних ситуацій, слухових і зорових образів. Подібна здатність для ЕОМ являє собою в кращому разі справа майбутнього. Звідси деякими піонерами розпізнавання образів був зроблений висновок, що вирішення цих проблем на ЕОМ повинно в загальних рисах моделювати процеси людського мислення. Найбільш відомою спробою підійти до проблеми з цього боку було знамените дослідження Ф. Розенблатта по перцептроном [8, c. 183]. p> До середини 50-х років здавалося, що нейрофізіологами були зрозумілі фізичні принципи роботи мозку (у книзі "Новий Розум Короля" знаменитий британський фізик-теоретик Р. Пенроуз цікаво ставить під сумнів нейромережевому модель мозку, обгрунтовуючи істотну роль у його функціонуванні квантово-механічних ефектів; хоча, втім, ця модель піддавалася сумніву з самого початку. Відштовхуючись від цих відкриттів Ф.Розенблатт розробив модель навчання розпізнаванню зорових образів, названу ним персептроном. Персептрон Розенблатта представляє собою наступну функцію (рис. 1) [6, c. 41]:
В
Рис 1. Схема Персептрон
На вході персептрон отримує вектор об'єкта, який в роботах Розенблатта представляв собою бінарний вектор, що показував який з пікселів екрану Зачерне зображенням а який ні. Далі кожен з ознак подається на вхід нейрона, дію якого представляє собою просте множення на деякий вага нейрона. Результати подаються на останній нейрон, який їх складає і загальну суму порівнює з деяким порогом. Залежно від результатів порівняння вхідний об'єкт Х визнається потрібним чином або ні. Тоді завдання навчання розпізнаванню образів полягала в такому підборі ваг нейронів і значення порога, щоб персептрон давав на прецедентних зорових образах правильні відповіді. Розенблатт вважав, що вийшла, функція буде непогано розпізнавати потрібний зоровий образ навіть якщо вхідного об'єкта і не було серед прецедентів. З біонічних міркувань їм так само був придуманий і метод підбору ваг і порога, на якому зупинятися ми не будемо. Скажемо лише, що його підхід виявився успішним у ряді задач розпізнавання і породив собою цілий напрям досліджень алгоритмів навчання заснованих на нейронних мережах, окремим випадком яких і є персептрон [6, c. 147]. p> Далі були придумані різні узагальнення персептрона, функція нейронів була ускладнена: нейрони тепер могли не тільки множити вхідні числа або складати їх і порівнювати результат з порогами, але застосовувати по відношенню до них більш складні функції. На малюнку 2 зображено одна з подібних ускладнень нейрона:
В
Рис. 2 Схема нейронної мережі. br/>
Крім того топологія нейронної мережі могла бути значно складніше тієї, що розглядав Розенблатт, наприклад такий:
В
Рис. 3. Схема нейронної мережі Розенблатта. br/>
Ускладнення приводили до збільшення числа параметрів, що настроюються при навчанні, але за це збільшували можливість налаштовуватися на дуже складні закономірності. Дослідження в цій області зараз йдуть по двох тісно пов'язаним напрямками - вивчаються і різні топології мереж і різні методи налаштувань.
Нейронні мережі на даний момент є не тільки інструментом вирішення завдань розпізнавання ...
