• Гідрологія і Гідрометрія
• Господарське право
• Економіка будівництва
• Економіка природокористування
• Економічна теорія
• Земельне право
• Історія України
• Кримінально виконавче право
• Медична радіологія
• Методи аналізу
• Міжнародне приватне право
• Міжнародний маркетинг
• Основи екології
• Предмет Політологія
• Соціальне страхування
• Технічні засоби організації дорожнього руху
• Товарознавство продовольчих товарів

КРИТЕРІЇ ЯКОСТІ МЕТОДІВ РОЗПІЗНАВАННЯ

КОЛЕКТИВИ ВИРІШАЛЬНИХ|ухвальних| ПРАВИЛ

Закінчуючи огляд методів розпізнавання образів, зупинимося ще на одному підході. Це так звані колективи вирішальних правил.

Оскільки|тому що| різні алгоритми розпізнавання проявляють|виявляють| себе по-різному на одній і тій же вибірці об'єктів, то закономірно встає питання про синтетичне вирішальне|ухвальне| правило, що адаптивний використовує сильні сторони цих алгоритмів. У синтетичному вирішальному|ухвальному| правилі застосовується дворівнева схема розпізнавання. На першому рівні працюють приватні алгоритми розпізнавання, результати яких об'єднуються на другому рівні в блоці синтезу. Найбільш поширені способи такого об'єднання засновані на виділенні областей компетентності того або іншого приватного алгоритму. Простий спосіб знаходження областей компетентності полягає в апріорному розбитті простору|простір-час| ознак виходячи з професійних міркувань|тями| конкретної науки (наприклад, розшарування вибірки за деякою ознакою). Тоді для кожної з виділених областей будується власний алгоритм, що розпізнає. Інший спосіб базується на вживанні|застосуванні| формального аналізу для визначення локальних областей простору|простір-час| ознак як околиць розпізнаваних об'єктів, для яких доведена успішність роботи якого-небудь приватного алгоритму розпізнавання.

Найзагальніший підхід до побудови блоку синтезу розглядає результуючі показники приватних алгоритмів як вихідні ознаки для побудови нового узагальненого вирішального правила. В цьому випадку можуть використовуватися всі перераховані вище методи интенсионального і экстенсионального напрямів в розпізнаванні образів. Ефективними для вирішення задачі створення колективу вирішальних правил є логічні алгоритми типа “Кора” і алгоритми обчислення оцінок (АВО), покладені в основу так званого підходу алгебри, що забезпечує дослідження і конструктивний опис алгоритмів розпізнавання, в рамки якого укладаються всі існуючі типи алгоритмів [46].

Приведені характеристики різних методів розпізнавання образів були б неповними без обговорення питання про критерії якостіалгоритмів і про способи оцінки цих критеріїв. Показниками якості зазвичай є або власне помилка класифікації, або пов'язані з нею деякі функції втрат. При цьому розрізняють умовну вірогідність помилкової класифікації, очікувану помилку алгоритму класифікації на вибірці заданого об'єму і асимптотичну очікувану помилку класифікації. Функції втрат також розділяють на функцію середніх втрат, функцію очікуваних втрат і емпіричну функцію середніх втрат.

Для оцінки вибраного показника якості того або іншого алгоритму розпізнавання образів застосовується три основні експериментальні способи.

Вибірка використовується одночасно як повчальна і контрольна;

Вибірка розбивається на дві частини|частки| - повчальну і контрольну;

Зі|із| всієї вибірки випадковим чином витягується один об'єкт, а по тих, що залишилися синтезується вирішальне|ухвальне| правило і проводиться розпізнавання об'єкту, що витягує. Процедура повторюється задане число разів (наприклад, до повного|цілковитого| перебору).

Перший спосіб дає завищенуоцінку якості розпізнавання в порівнянні з тією ж оцінкою якості по незалежних від навчання даним. Другий спосіб є найпростішим і переконливішим. Їм широко користуються, якщо експериментальних даних вистачає. В той же час третій спосіб, званий також методом ковзаючого іспиту є найбільш переважним, оскільки дає меншу дисперсію оцінки вірогідності помилки. Проте цей метод є і самим трудомістким, оскільки вимагає багатократної побудови правила розпізнавання.

Стосовно розглянутих методів розпізнавання образів ця трудомісткість найбільш істотна для багатьох методів интенсионального напряму, для яких необхідно на кожному кроці ковзаючого іспиту проводити корекцію використовуваних характеристик ознак і їх зв'язків (наприклад, середніх значень і коваріацій). Але для экстенсиональных методів, що оперують об'єктами, досить просто не включати контрольний об'єкт в досліджуване правило розпізнавання. Тому дані методи (до-найближчих сусідів, АВО) як би пристосовані для реалізації методу ковзаючого іспиту, який дозволяє уникати марнотратного поводження з експериментальним матеріалом і одночасно отримувати найбільш ефективні оцінки якості алгоритмів, що розпізнають.

Порівняння описаних вище методів розпізнавання образів|зображень| наводить|приводить| до наступних|таких| виводів|висновків|. Для вирішення реальних завдань|задач| з|із| групи методів интенсионального| напряму|направлення| практичну цінність представляють|уявляють| параметричні методи і методи, засновані на пропозиціях|реченнях| про вигляд|вид| вирішальних|ухвальних| функцій. Параметричні методи складають основу традиційної методології конструювання показників. Вживання|застосування| цих методів в реальних задачіх|задачах| пов'язане з накладенням сильних обмежень на структуру даних, які наводять|приводять| до лінійних діагностичних моделей з|із| дуже приблизними оцінками їх параметрів. При використанні методів, заснованих на припущеннях про вигляд|вид| вирішальних|ухвальних| функцій, дослідник також вимушений|змушений| звертатися|обертатися| до лінійних моделей. Це обумовлено високою розмірністю простору|простір-час| ознак, характерною для реальних завдань|задач|, яка при підвищенні міри|ступеня| полиноминальной| вирішальної|ухвальної| функції дає величезне зростання|зріст| числа її членів при проблематичному супутньому підвищенні якості розпізнавання. Таким чином, спроектувавши сферу потенційного застосування інтенсіональних| методів розпізнавання на реальну проблематику, отримаємо|одержуватимемо| картину, відповідну добре відпрацьованій традиційній методології лінійних діагностичних моделей.

Як наголошувалося раніше, властивості лінійних діагностичних моделей, в яких діагностичний показник представлений|уявляти| зваженою сумою вихідних|початкових| ознак, добре вивчені. Результати цих моделей (при відповідному нормуванні) інтерпретуються як відстані від досліджуваних об'єктів до деякої гіперплощини в просторі|простір-час| ознак або, що еквівалентно, як проекції об'єктів на деяку пряму лінію в даному просторі|простір-час|. Тому лінійні моделі адекватні лише|тільки| простим геометричним конфігураціям областей простору|простір-час| ознак, в які відображуються|відображають| об'єкти різних діагностичних класів. При складніших розподілах ці моделі принципово не можуть відображати|відбивати| багато особливостей структури експериментальних даних. В той же час такі особливості здатні|здібні| нести коштовну|цінну| діагностичну інформацію.

В той же час|разом з тим|, появу в якому-небудь реальному завданні|задачі| простих багатовимірних|багатомірних| структур (зокрема, багатовимірних|багатомірних| нормальних розподілів) слід швидше|скоріше| розцінювати як виняток, ніж як правило. Часто діагностичні класи формуються на підставі складених зовнішніх критеріїв, що автоматично спричиняє за собою геометричну неоднорідність даних класів в просторі|простір-час| ознак. Це особливо стосується “життєвих”, найчастіше критеріїв, що практично зустрічаються. У таких умовах вживання|застосування| лінійних моделей фіксує лише|тільки| “найгрубіші” закономірності експериментальної інформації.

Вживання|застосування| экстенсиональных| методів не зв'язане яким-небудь припущеннями про структуру експериментальної інформації крім того, що усередині|всередині| розпізнаваних класів повинні існувати одна або декілька груп чимось схожих об'єктів, а об'єкти різних класів повинні чимось відрізнятися один від одного. Вочевидь|очевидно| при будь-якій кінцевій|скінченній| розмірності навчальної вибірки (а інший вона бути і не може) ця вимога виконується завжди просто з тієї причини, що існують випадкові відмінності між об'єктами. Як заходи схожості застосовуються різні заходи близькості (відстані) об'єктів в просторі|простір-час| ознак. Тому ефективне використання экстенсиональных| методів розпізнавання образів|зображень| залежить від того, наскільки вдало визначені вказані заходи близькості, а також від того, які об'єкти навчальної вибірки (об'єкти з|із| відомою класифікацією) виконують роль діагностичних прецедентів. Успішне вирішення даних завдань|задач| дає результат, що наближається до теоретично досяжних меж ефективності розпізнавання.

Достоїнствам экстенсиональных| методів розпізнавання образів|зображень| протиставила, в першу чергу, висока технічна складність їх практичного втілення. Для високорозмірних просторів|простір-час| ознак зовні|зовнішньо| просте задачі|задача| знаходження пар найближчих точок|точок| перетворюється на серйозну проблему. Також багато авторів відзначають як проблему необхідність запам'ятовування досить|достатньо| великої кількості об'єктів, що представляють|уявляють| розпізнавані класи.

На думку авторів, само по собі це не є проблемою, проте сприймається як проблема (наприклад, в методі до-найближчих сусідів) з тієї причини, що при розпізнаванні кожного об'єкту відбувається повний перебір всіх об'єктів навчальної вибірки.

Теоретичні проблеми вживання|застосування| экстенсиональных| методів розпізнавання пов'язані з проблемами пошуку інформативних груп ознак, знаходження оптимальних метрик для виміру|вимірювання| схожості і відмінності об'єктів і аналізу структури експериментальної інформації. В той же час успішне вирішення перерахованих проблем дозволяє не лише|не тільки| конструювати|сконструйовувати| ефективні алгоритми, що розпізнають, але і здійснювати перехід від экстенсионального| знання емпіричних фактів до интенсиональному| знання про закономірності їх структури.

Перехід від экстенсионального| знання до интенсиональному| відбувається|походить| на тій стадії, коли формальний алгоритм розпізнавання вже сконструйований і продемонстрував свою ефективність. Тоді проводиться винавчання механізмів, за рахунок яких досягається отримана|одержувати| ефективність. Таке винавчання, пов'язане з аналізом геометричної структури даних, може, наприклад, привести до виводу|висновку|, що досить замінити об'єкти, що представляють|уявляють| той або інший діагностичний клас, одним типовим представником (прототипом). Це еквівалентно, як наголошувалося вище, завданню|задаванню| традиційної лінійної діагностичної шкали. Також можливо, що кожен діагностичний клас досить замінити декількома об'єктами, осмисленими як типові представники деяких підкласів, що еквівалентно побудові|шикуванню| віяла лінійних шкал. Можливі і інші варіанти, які будуть розглянуті|розглядувати| нижчим.

Таким чином огляд методів розпізнавання показує, що в даний час|нині| теоретично розроблений цілий ряд|низка| різних методів розпізнавання образів|зображень|. У літературі наводиться|приводить| розгорнута|розгорнена| їх класифікація. Проте|однак| для більшості цих методів їх програмна|програмова| реалізація відсутня, і це глибоко закономірно, можна навіть сказати “зумовлено” характеристиками самих методів розпізнавання. Про це можна судити тому, що такі системи мало згадуються в спеціальній літературі, інших загальнодоступних джерелах інформації.

Читайте також:

1. H) інноваційний менеджмент – це сукупність організаційно-економічних методів управління всіма стадіями інноваційного процесу.
2. Алгебраїчні критерії стійкості
3. АЛЬТЕРНАТИВНІ ПІДХОДИ ДО ВИДІЛЕННЯ МЕТОДІВ УПРАВЛІННЯ
4. АНАЛІЗ ПЕРСПЕКТИВНИХ НАПРЯМІВ|направлень| РОЗВИТКУ МЕТОДІВ РОЗПІЗНАВАННЯ
5. АНАЛІЗ ПЕРСПЕКТИВНИХ НАПРЯМІВ|направлень| РОЗВИТКУ МЕТОДІВ РОЗПІЗНАВАННЯ
6. Аналіз структури та якості кредитного портфеля
7. Аналіз якості виробничої інформації
8. Аналіз якості обігового капіталу
9. Аналіз якості продукції та робіт
10. В якості критеріїв для оцінки або вимірювання предмета завдання з надання впевненості не можуть використовуватись очікування, судження або власний досвід аудитора.
11. Вибір дидактичних методів
12. Вибір методів виконання робіт і пов’язаних з ними методів механізації

Переглядів: 1128