образів, але отримали застосування в дослідженнях з асоціативної пам'яті, стисненню зображень. Хоча цей напрям досліджень і перетинається сильно з проблематикою розпізнавання образів, але являє собою окремий розділ кібернетики. Для распознавателя на даний момент, нейронні мережі не більш ніж дуже специфічно певну, параметрично заданий безліч відображень, яке в цьому сенсі не має яких-небудь істотних переваг над багатьма іншим подібними моделями навчання які далі будуть коротко перераховані.
У зв'язку з даною оцінкою ролі нейронних мереж для власне розпізнавання (то Тобто не для біоніки, для якої вони мають першорядне значення вже зараз) хотілося б відзначити наступне: нейронні мережі, будучи надзвичайно складним об'єктом для математичного аналізу, при грамотному їх використанні, дозволяють знаходити вельми нетривіальні закони в даних. Їх складність для аналізу, в загальному випадку, пояснюється їх складною структурою і як наслідок, практично невичерпними можливостями для узагальнення самих різних закономірностей. Але ці достоїнства, як це часто і буває, є джерелом потенційних помилок, можливості перенавчання. Як буде розказано далі, подібний двоякий погляд на перспективи якої моделі навчання є одним із принципів машинного навчання [6, c.163].
Ще одним популярним напрямком у розпізнаванні є логічні правила і дерева рішень. У порівнянні з вищезгаданими методами розпізнавання ці методи найбільш активно використовують ідею вираження наших знань про предметну області у вигляді, ймовірно самих природних (на свідомому рівні) структур - логічних правил. Під елементарним логічним правилом мається на увазі вислів типу В«якщо неклассіфіціруемие ознаки знаходяться в співвідношенні X то класифікуються знаходяться в співвідношенні Y В». Прикладом такого правила в медичній діагностиці служить наступне: якщо вік пацієнта вище 60 років і раніше він переніс інфаркт, то операцію не робити - ризик негативного результату великий [2, c. 43]. p> Для пошуку логічних правил в даних необхідні 2 речі: визначити міру "Інформативності" правила і простір правил. І завдання пошуку правил після цього перетворюється у завдання повного чи часткового перебору в просторі правил з метою знаходження найбільш інформативних з них. Визначення інформативності може бути введено самими різними способами і ми не будемо зупинятися на цьому, вважаючи що це теж певний параметр моделі. Простір же пошуку визначається стандартно. p> Після знаходження досить інформативних правил настає фаза В«збіркиВ» правил у кінцевий класифікатор. Чи не обговорюючи глибоко проблеми які тут виникають (а їх виникає чимала кількість) перерахуємо 2 основних способи В«збіркиВ». Перший тип - лінійний список. Другий тип - зважене голосування, коли кожному правилом ставиться у відповідність деякий вага, і об'єкт відноситься класифікатором до того класу за який проголосувала найбільша кількість правил.
У дійсності, етап побудови правил і етап В«збіркиВ» виконуються спільно і, при побудові зваженого голосування чи списку, пошук правил на частинах прецедентних даних викликається знову і знову, щоб забезпечити краще узгодження даних і моделі [4, c. 142]. <В
5. Загальна характеристика задач розпізнавання образів та їх типи
Загальна структура системи розпізнавання і етапи в процесі її розробки показані на рис. 4. br/>В
Рис. 4. Структура системи розпізнавання
Завдання розпізнавання мають наступні характерні риси. p> Це інформаційні завдання, що складаються з двох етапів: - Перетворення вихідних даних до виду, зручного для розпізнавання; - власне розпізнавання (вказівка ​​приналежності об'єкта певному класу). p> У цих завданнях можна вводити поняття аналогії або подібності об'єктів і формулювати правила, на підставі яких об'єкт зараховується до один і той же клас або в різні класи. p> У цих завданнях можна оперувати набором прецедентів-прикладів, класифікація яких відома і які у вигляді формалізованих описів можуть бути пред'явлені алгоритмом розпізнавання для налаштування на завдання в процесі навчання. p> Для цих завдань важко будувати формальні теорії і застосовувати класичні математичні методи (часто недоступна інформація для точної математичної моделі чи виграш від використання моделі та математичних методів непорівнянний з витратами). p> Виділяють такі типи завдань розпізнавання: - Завдання розпізнавання - віднесення пред'явленого об'єкта за його опису до одному із заданих класів (навчання з учителем); - Завдання автоматичної класифікації - розбиття множини об'єктів, ситуацій, явищ за їх описами на систему непересічних класів (таксономія, кластерний аналіз, самонавчання);
- Завдання вибору інформативного набору ознак при розпізнаванні; - Завдання приведення вихідних даних до виду, зручного для розпізнавання; - Динамічне розпізнавання і динамічна класифікація - задачі 1 і 2 для динамічних об'єктів;
- Завдання прогнозування ...
