|
разделяющей функции от шага к шагу.
4. Модели, построенные на
базе математической логики
[2, 4, 13, 14]. Они в
основном строятся на основе исчисления высказываний, в частности, на аппарате алгебры
логики. В этих моделях классы и признаки объектов рассматриваются как логические
переменные, а описание классов на языке признаков представляется в форме булевых
соотношений.
5. Модели, основанные на вычислении оценок
[4, 5]. Основой формирования этих
моделей является принцип частичной прецедентности. Главная идея этого принципа
заключается в оценке "близости" между частями описанных ранее классифицированных
объектов и объекта, принадлежащего распознаванию.
Таким образом, обзор моделей алгоритмов распознавания показывает, что в
настоящее время разработан целый ряд различных методов построения алгоритмов
распознавания. Однако анализ существующих литературных источников показывает, что
для многих моделей алгоритмов отсутствует возможность:
282
- анализа данных при довольно больших размерностях. На сегодняшний день для
решения большинства практических задач распознавания необходимо обработать
информацию значительного объема. В связи с этим одним из основных требований к
алгоритмам распознавания образов является высокая скорость распознавания объектов,
чего достичь, как показывают, в частности, эксперименты, проведенные в рамках
настоящей работы, с помощью большинства известных алгоритмов распознавания не
представляется возможным;
- построения модели алгоритмов распознавания, которая имеет малую меру
сложности. При этом эта модель должна быть достаточно ёмкой для эффективного решения
достаточно широкого круга практических задач;
- реализации простых оптимизационных процедур построения распознающего
алгоритма при наличии взаимосвязанных признаков в обучающей выборке. Известно, что
с ростом числа признаков растет и вероятность некоторой их коррелированности, что не
позволяет построения эффективных решающих правил на основе известных моделей
алгоритмов распознавания без привлечения дополнительных алгоритмов, реализованных
на эвристических принципах и ориентированных на узкий круг решаемых задач.
Вследствие этого процедуры построения экстремального алгоритма распознавания
становятся довольно сложными.
К тому же большинство алгоритмов распознавания требует привлечения весьма
значительных вычислительных мощностей, которые могут быть обеспечены только
высокопроизводительной компьютерной техникой. Следовательно, остается недостаточно
разработанным вопрос о практической применимости тех или иных моделей алгоритмов
распознавания для решения задач при больших размерностях данных.
Литература
1. Ту Дж., Гонсалес Р. Принципы распознавания образов. – М.: Мир, 1978. – 414 c.
2. Лбов Г.С., Бериков В.Б. Устойчивость решающих функций в задачах
распознавания образов и анализа разнотипной информации. – Новосибирск: Изд-во Ин-та
математики, 2005. – 220 с.
3. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на
основе теории распознавания образов. – Краснодар: Изд-во КубГТУ, 1999. – 318 с.
4. Журавлев Ю.И. Избранные научные труды. – М: Магистр, 2002. – 420 с.
5. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические
методы. Программная система. Практические применения. – М.: Фазис, 2006. – 159 с.
6. Duda R., Hart P., Stork D. Pattern Classification. – New York: John Wiley, 2001. – 680
p.
7. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические
алгоритмы и нечеткие системы. – М.: Горячая линия-Телеком, 2007. – 452 с.
8. Фомин Я.А. Распознавание образов: теория и применения. – М.: ФАЗИС, 2012. –
429 с.
9. Мерков А.Б. Распознавание образов: Введение в методы статистического
обучения. – М.: Эдиториал УРСС, 2011. – 256 с.
10. Шлезингер М., Главач В. Десять лекций по статистическому и структурному
распознаванию. – Киев: Наукова думка, 2004. – 545 с.
11. Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Метод потен-циальных
функций в теории обучения машин. – М.: Наука, 1970. – 348 с.
12. Dougherty G. Pattern Recognition and Classification. – New York: Springer, 2013. –
203 p.
13. Theodoridis S., Koutroumbas S. Pattern Recognition. – New York: Elsevier, 2003. –
711 p.
14. Кудрявцев В.Б., Андреев А.Е., Гасанов Э.Э. Теория тестового распознавания. –
М.: Физматлит, 2007. – 320 с.
283
Do'stlaringiz bilan baham: |
