WWW.PDF.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Разные материалы
 

«Информатика, вычислительная техника и обработка информации УДК 621.391 АНАЛИЗ МЕТОДОВ АВТОМАТИЗАЦИИ ПРОЦЕССОВ РАСПОЗНАВАНИЯ ОБЪЕКТОВ Н.С. Акиншин, А.В. ...»

Информатика, вычислительная техника и обработка информации

УДК 621.391

АНАЛИЗ МЕТОДОВ АВТОМАТИЗАЦИИ ПРОЦЕССОВ

РАСПОЗНАВАНИЯ ОБЪЕКТОВ

Н.С. Акиншин, А.В. Андреев, Е.А. Старожук

Рассматриваются методы принятия решения при распознавании объектов,

даются их анализ и области возможного применения. Приведены обобщенные алгоритмы реализации методов

Ключевые слова: система поддержки принятия решений, распознавание объектов Эффективная работа алгоритмов распознавания объектов практически не возможна без своевременной автоматизированной программной поддержки принятия решений (ПППР). Для создания баз данных (БД) и отработки алгоритмов, правил принятия решений (ПР), без которых невозможно создание интеллектуальных систем (ИНС), необходимо вести параллельно преобразования данных к видам удобному ИНС и человеку, оставив окончательное решение за последним (рис. 1) [1, 2].

Необходимость такого подхода была обоснована возрастающими объемами информации, увеличением числа экстремальных ситуаций; весомостью и значимостью ПР, значительным сокращением времени, отведенного для ПР; стремлением полностью исключить возможность принятия недопустимых решений, а также желанием учесть ситуации, когда имеет место выход из строя ЛПР и других квалифицированных лиц.

На данном этапе в рамках дальнейшей разработки вышеуказанной методики проведен анализ методов, определяющих ПР в структурах обработки видеоданных перспективных систем наблюдения.

Среди значительного числа существующих методов ПР выделены в качестве основных (таблица) классические статистические методы (КСМ) и методы структурирования анализируемых данных (МСАД) [3, 4], которые могут быть использованы в функциональных узлах ИНС и других структурах систем обработки видеоданных. Именно предлагаемый состав основных функциональных узлов структуры комплексной ИНС и предопределил выбор этих методов ПР. Среди КСМ выделены следующие (таблица, № 1 – 5): отношение правдоподобия; Неймана-Пирсона; последовательный анализ Вальда; байесовский подход; условное математическое ожидание, как достаточно хорошо известные и представленные во всех современных статистических программных пакетах (SPSS, STATISTICA, STATGRAPHICS и др.).

Все они базируются на методе отношения правдоподобия и с большим успехом применяются при вторичной обработке видеоданных. Блок-схема обобщенного алгоритма ПР статистическими методами представлена на рис. 2.

Известия ТулГУ. Технические науки. 2015. Вып. 9 Рис. 1. Блок-схема формирования БД ИНС и обучения НС распознаванию и классификации объектов Методы структурирования анализируемых данных (МСАД) (таблица, № 6 – 13) являются основными при анализе данных в БД современных ДЭС, но могут применяться самостоятельно в качестве ПР в не очень Информатика, вычислительная техника и обработка информации сложных ситуациях. Структурные методы иногда относят к лингвистическим методам, основанным на использовании специальных грамматик порождающих языки, с помощью которых может описываться совокупность свойств анализируемых объектов. В этом случае для различных классов объектов выделяются непроизводные элементы (признаки, подобразы) и возможные отношения между ними. Тогда под грамматикой полагают именно правила построения объектов из этих непроизводных элементов. Большинство предлагаемых к использованию МСАД представлены в программном пакете (ПП) Data Mining в виде отдельных систем (таблица, графа 4). В качестве критериев ПР для МСАД в простых ситуациях определяют объект (ПР), которому соответствует максимальное число признаков (условий) в входном цифровом векторе состояний ВС [5].

Метод таблиц решений (ТР) в общем случае представляет собой таблицы, в которых указаны действия, предпринимаемые в различных условиях, причем ПР - это выбор между альтернативными действиями (рис. 3.). Обычно таблица состоит из четырех основных частей: «предварительные условия», «возможные действия», «окончательные условия», «предпринимаемые действия» – ПР.

Необходимо отметить, что все возможные комбинации признаков (условий) ВС перечислены так, что применение метода ТР всегда дает одно предпринимаемое действие.

Метод k-ближайших соседей для решения задач классификационного анализа заключается в следующем [5-7]. При классификации неизвестного объекта находится заданное число k геометрически ближайших к нему в пространстве признаков других объектов (ближайших соседей) с уже известной принадлежностью к распознаваемым классам. Решение об отнесении неизвестного объекта к тому или иному классу принимается путем анализа информации об известной принадлежности его ближайших соседей с помощью простого подсчета голосов.

Если приходится оперировать объектами, которые описываются большим количеством качественных признаков, при этом размерность пространства признаков соизмерима или превышает объем исследуемой выборки, то в таких условиях удобно интерпретировать каждый объект обучающей выборки, как отдельный линейный классификатор. Тогда диагностический класс представляется не одним прототипом, а набором линейных классификаторов. Совокупное взаимодействие линейных классификаторов дает в итоге кусочно-линейную поверхность, разделяющую в пространстве признаков распознаваемые классы. Вид разделяющей поверхности, состоящей из кусков гиперплоскостей, может быть разнообразным и зависит от взаимного расположения классифицируемых совокупностей.

Информатика, вычислительная техника и обработка информации Анализ методов принятия решений Известия ТулГУ. Технические науки. 2015. Вып. 9 Продолжение Информатика, вычислительная техника и обработка информации Продолжение Известия ТулГУ. Технические науки. 2015. Вып. 9 Окончание Известия ТулГУ. Технические науки. 2015. Вып. 9 При использовании метода k-ближайших соседей для распознавания образов решается сложная проблема выбора метрики для определения близости диагностируемых объектов. Эта проблема в условиях высокой размерности пространства признаков чрезвычайно обостряется вследствие достаточной трудоемкости данного метода, которая становится значимой даже для высокопроизводительных компьютеров. Поэтому здесь так же, как и в методе сравнения с прототипом (рис. 4), необходимо решать задачу анализа многомерной структуры экспериментальных данных для минимизации числа объектов, представляющих диагностические классы.

Принцип действия алгоритмов вычисления оценок (АВО) состоит в вычислении приоритета (оценок сходства), характеризующих “близость” распознаваемого и эталонных объектов по системе ансамблей признаков, представляющей собой систему подмножеств заданного множества признаков.

В отличие от всех ранее рассмотренных методов алгоритмы вычисления оценок принципиально по-новому оперируют описаниями объектов.

Для этих алгоритмов объекты существуют одновременно в самых разных подпространствах пространства признаков. Класс АВО доводит идею использования признаков до логического конца: поскольку не всегда известно, какие сочетания признаков наиболее информативны, то в АВО степень сходства объектов вычисляется при сопоставлении всех возможных или определенных сочетаний признаков, входящих в описания объектов [8].

Используемые сочетания признаков (подпространства) называют опорными множествами или множествами частичных описаний объектов.

Здесь вводится понятие обобщенной близости между распознаваемым объектом и объектами обучающей выборки (с известной классификацией), которые называют эталонными объектами. Эта близость представляется комбинацией близостей распознаваемого объекта с эталонными объектами, вычисленных на множествах частичных описаний.

Таким образом, АВО является расширением метода k-ближайших соседей, в котором близость объектов рассматривается только в одном заданном пространстве признаков.

Суть метода деревьев решений (ДР) состоит в разбиении задачи на ряд подзадач, а те, в свою очередь, на другие подзадачи, и так далее. В результате основная задача представляется в виде ДР. В части вершин ДР выбор осуществляется непосредственно ЛПР, в другой части - на основе субъективной вероятности свершения событий. ДР завершается исходами, каждому из которых приписывается определенная полезность.

Вероятность каждого исхода подсчитывается как произведение субъективных вероятностей на пути, идущем от вершины ДР. Путем "сворачивания" ДР от конца к началу выбирается исход с наибольшей субъекИнформатика, вычислительная техника и обработка информации тивной ожидаемой полезностью. Метод ДР позволяет ЛПР, определить оптимальную последовательность действий (стратегию) с учетом личных оценок и предпочтений. Выбранная стратегия будет "лучшей" на данный момент из тех многих, которые имеются в распоряжении.

В основу метода группового учета аргументов (МГУА) положен принцип самоорганизации. В алгоритмах МГУА особым образом синтезируются и отбираются члены обобщенного полинома, называемого полиномом Колмогорова-Габора. Этот синтез и отбор производится с нарастающим усложнением, и заранее нельзя предугадать, какой окончательный вид будет иметь обобщенный полином. Сначала обычно рассматривают простые по парные комбинации исходных признаков, из которых составляются уравнения решающих функций, как правило, не выше второго порядка. Каждое уравнение анализируется как самостоятельная решающая функция, и по обучающей выборке тем или иным способом находятся значения параметров составленных уравнений. Затем из полученного набора решающих функций отбирается часть в некотором смысле лучших. Проверка качества отдельных решающих функций осуществляется на контрольной (проверочной) выборке, что иногда называют принципом внешнего дополнения. Отобранные частные решающие функции рассматриваются далее как промежуточные переменные, служащие исходными аргументами для аналогичного синтеза новых решающих функций и т.д.

Процесс такого иерархического синтеза продолжается до тех пор, пока не будет достигнут экстремум критерия качества решающей функции, что на практике проявляется в ухудшении этого качества при попытках дальнейшего увеличения порядка членов полинома относительно исходных признаков.

Проведенный анализ ПР: КСМ, МСАД и МАД позволил выбрать приемлемые методы для решения рассматриваемой проблемы, исходя из структурных особенностей предлагаемого подхода [4,5] (табл. 1, граф.

«Наимен.метода», выделенные шрифтом методы).

В качестве одного из разработанных методов ПР предложено смешанное применении двух МСАД: ДР, ТР и критерия Гурвица (ДТРГ).

Здесь необходимо обратить внимание, что исходные анализируемые данные представляются в виде стандартизированного информационного ВС объекта, размерностью 64 разряда. Когда количество составляющих векторов много меньше общего числа объектов, то решение принимается по методу ДР, в противном случае решение принимается по методу ТР. При наличия весовых коэффициентов (приоритетов) объектов/ИВОР ПР основываются на критерии Гурвица.

Согласно Гурвица выбирается такая стратегия, которая занимает некоторое промежуточное положение между крайним пессимизмом и оптимизмом:

Известия ТулГУ. Технические науки. 2015. Вып. 9

–  –  –

При = 1 критерий Гурвица превращается в критерий Вальда (пессимиста), а при = 0 - в критерий азартного игрока. В технических приложениях правильно выбрать этот множитель бывает так же трудно, как и правильно выбрать критерий. Поэтому чаще всего весовой множитель = 0,5 принимается в качестве средней точки зрения.

Общая блок-схема алгоритма структурирования данных ДТРГ представлена на рис. 5.

К преимуществам такого подхода к анализу данных при ПР относятся:

возможность ПР по части ВС, т.е. при неполной входной информации;

возможность учитывать динамику событий, описывающих входным ВС наиболее информационно важных объектов, по которых принимаются решения.

Информационная подсистема ПППР, на ряду с динамической экспертной системой (ДЭС) и эмулятором нейросети (ЭНС), входит в состав комплексной ИНС [4] и является неотъемлемой составляющей программно-аппаратного комплекса обработки видеоданных. ДЭС выполняет функции анализа на основе ВС наиболее важных объектов распознавания в режиме реального времени.

Источником информации для ПР служат данные, получаемые при многоспектральной обработке видеоизображения программными приложениями, созданными в проектной среде Hyperception ImageDSP. В качестве современных хранилищ данных выступают БД, имеющие такие динамические показатели как возможности наращения и подтипизации.

Архитектура БД выбирается из условия обеспечения процессов дешифрирования, анализа разноспектральных и гиперспектральных данных изображений и повышения их эффективности [3].

Формирование БД выполняется поэтапно. На первом этапе проведится анализ предметной области, в ходе которого определяются типы объектов (площадные, линейные и точечные) и их свойства, являющиеся наиболее существенными для ПР.

В ходе второго этапа осуществляется формализация предметной области в соответствии с требованиями выбранной реляционной модели, которая для удобства проектирования представляется семантической схемой «сущность-связь».

Для описания структуры БД могут быть использованы автоматизированные средства проектирования ИС CASE- систем (ПО Allfusion Erwin Data Modeler). Эти средства позволяют сгенерировать отношения и сценарий создания БД, что в значительной мере упростило задачу в плане её реализации и сократило время разработки.

Информатика, вычислительная техника и обработка информации воречий, а так же для возможности наращения БД, должна быть определена сущность верхнего уровня – супертип, содержащая общие для всех объектов атрибуты. При этом характеристики, имеющие смысл только для определенных типов, объединяются в подтипы. Благодаря такому подходу возможно добавление в БД новых типов объектов и детализация свойств уже существующих. На данном этапе для формирования записей БД используется стандартизованный входной ВС, имеющий ограниченную разрядность, а значит, и определенное количество описываемых свойств, но в дальнейшем возможно использование других источников входной информации.

Список литературы

1. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Краснодар: Техн. ун-т Кубан. гос. технол. ун-та, 1999. 318 с.

2. Bay H., Ess A., Tuytelaars T. SURF: Speeded Up Robust Features // Computer Vision and Image Understanding (CVIU). Vol. 110. No. 3, 2008.

P. 346 – 359.

3. Калинина Н.Д., Куров А.В. Анализ методов распознавания и поиска образов на космических снимках // Вестник МГТУ им. Н.Э. Баумана.

Сер. Приборостроение. 2012. С. 174 – 188.

4. Загоруйко Н.Г. Прикладные методы анализа данных и знаний.

Новосибирск: ИМ СО РАН, 1999. 270 с.

5. Фу К. Структурные методы распознавания образов / пер. с англ.

М.: Мир, 1977. 318 с.

6. Миркин Б.Г. Методы кластер-анализа для поддержки принятия решений: обзор: препринт WP7/2011/03. М.: Изд. Дом Национального исследовательского университета «Высшая школа экономики», 2011. 88 с.

7. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988.

8. Горелик А.Л., Скрипкин В.А. Методы распознавания. 2-е изд.

М.: Высш. шк., 1984. 219 с.

Акиншин Николай Степанович, д-р техн. наук, проф., нач. отдела, nakinshin@yandex.ru, Россия, Тула, Центральное конструкторское бюро аппаратостроения, Андреев Андрей Владимирович, нач. отдела, sokol-ats@inbox.ru, Россия, Белгород, ЗАО «Сокол АТС», Старожук Евгений Андреевич, канд. экон. наук, доц., проректор по экономике и инновациям, abiturient@bmstu.ru, Россия, Москва, Московский государственный университет им. Н.Э. Баумана Известия ТулГУ. Технические науки. 2015. Вып. 9

ANALYSIS METHODS OF OBJECTS RECOGNITION PROCESS AUTOMATION

–  –  –

The methods of decision-making with the recognition of objects are considered.

Their analysis and the field of possible applications are given. The generalized algorithm implementation methods are adduced.

Key words: decision support system, object recognition.

Akinshin Nikolay Stepanovich, doctor of technical sciences, professor, head of department, nakinshin@yandex.ru, Russia, Tula, Central Design Bureau of Apparatostroyeniye, Andreev Andrey Vladimirovich, head of department, sokol-ats@inbox.ru, Russia, Belgorod, JSC "Sokol ATS", Starozhuk Eugene Aleksandrovich, candidate of economic sciences, vice-rector for economy and innovation, abiturient@bmstu.ru, Russia, Moscow, Moscow State University named after N.E. Bauman



Похожие работы:

«ТЕОРИЯ И МЕТОДОЛОГИЯ УДК 323/324(470+571):316.77 А.Ю. Антоновский ОТ ИНТЕГРАЦИИ К ИНФОРМАЦИИ. К КОММУНИКАТИВНЫМ ТРАНСФОРМАЦИЯМ В РОССИЙСКОЙ НАЦИИ1 АНТОНОВСКИЙ Александр Юрьевич — кандидат философских наук, старший научный сотрудник сектора Социальной эпистемологии Института философии РАН. E-mail: ras189@mail.ru. А...»

«СПИИРАН КАТЕГОРИРОВАНИЕ ВЕБ-СТРАНИЦ С НЕПРИЕМЛЕМЫМ СОДЕРЖИМЫМ Комашинский Д.В., Чечулин А.А., Котенко И.В. Учреждение Российской академии наук СанктПетербургский институт информатики и автоматизации РАН РусКрипто’2011, 30 марта – 2 апреля 2011 г. Сод...»

«ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 2013 Управление, вычислительная техника и информатика № 2(23) УДК 519.2 В.Б. Бериков КОЛЛЕКТИВ АЛГОРИТМОВ С ВЕСАМИ В КЛАСТЕРНОМ АНАЛИЗЕ РАЗНОРОДНЫХ ДАННЫХ1 Для кластерного анализа разнородных данных предложен метод построения коллективного решения с учетом весов р...»

«Московский государственный университет имени М.В. Ломоносова Факультет вычислительной математики и кибернетики Кафедра математических методов прогнозирования Чабаненко Владислав Дмитриевич Модификации метода стохастического градиентного с...»

«К.А. Кирьянов, В.С. Сизиков УДК 621.397 ПРОГРАММИРОВАНИЕ ЗАДАЧ ВОССТАНОВЛЕНИЯ ИСКАЖЕННЫХ ИЗОБРАЖЕНИЙ НА C/C++ В СИГНАЛЬНЫХ МИКРОПРОЦЕССОРАХ ФИРМЫ TEXAS INSTRUMENTS К.А. Кирьянов, В.С. Сизиков Рассматривается инструментальная реализация алгоритмов восстановления искаженных (смазанных, дефокусированных и (или) зашумленных)...»

«Автоматическое распараллеливание последовательных программ Степени параллелизма. Статическое и динамическое распараллеливание последовательных программ Как писать код для параллельного вычисления? Программирование на последовательном языке программирования и последующее автоматическое распараллеливание...»

«КОМПЬЮТЕРНЫЕ ИССЛЕДОВАНИЯ И МОДЕЛИРОВАНИЕ 2014 Т. 6 № 2 С. 331344 ПРИКЛАДНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ И ИНФОРМАЦИОННЫЕ СИСТЕМЫ УДК: 004.02 Методика работы с унаследованными информационными системами Н. С. Калуцкий ООО «Прогресстех-Дубна», Россия...»

«Министерство образования Республики Беларусь Учреждение образования БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИНФОРМАТИКИ И РАДИОЭЛЕКТРОНИКИ «УТВЕРЖДАЮ» Проректор по учебной работе _А.А. Хмыль «13_»05_2014 г. ПРОГРАММА вступите...»

«Заключительный этап Всесибирской открытой олимпиады школьников по информатике 15 марта 2015 года Для всех задач: Имя входного файла: input.txt Имя выходного файла: output.txt Ограничение по памяти: 256 Мб Ограничение по времени: 1 с. на тест Максимальная оценка за задачу: 100 баллов Задача 1. Игра Был ничем не при...»





















 
2017 www.pdf.knigi-x.ru - «Бесплатная электронная библиотека - разные матриалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.