Применение теории распознования образов в системах управления

Федеральное агентство по образованию

Государственное образовательное учреждение

высшего профессионального образования

Петрозаводский государственный университет

Кольский филиал

Кафедра информационных систем

Применение теории распознования образов в системах управления.

Реферат

студенток 4 курса (гр. 1)

очного отделения

факультета ИПМ

специальность 230201 – Информационные системы и технологии

Шелепанова Ольга Николаевна

Ломазова Оксана Борисовна

Преподаватель:

доцент Быстров В. В.                           

Апатиты

2011

Содержание:

Введение.

              1. Основные понятия и определения, методы, связанные с системами распознавания образов.

                            1.1 Методы распознавания образов.

                            1.2 Признаки и образы конкретных объектов.

                            1.3 Признаки и обобщенные образы классов.

                            1.4 Обучающая выборка и ее репрезентативность по отношению к генеральной совокупности.

                            1.5 Основные операции: обобщение и распознавание.

                            1.6 Обучение с учителем (экспертом) и самообучение (кластерный анализ).

              2. Роль и место распознавания образов в автоматизации управления сложными системами.

                            2.1 Обобщенная структура системы управления.

                            2.2 Управляющая система осуществляет следующие функции.

                            2.3 Управление как задача, обратная идентификации и прогнозированию.

              3. Применение теории распозвания образов.

3.1   Области использования теории распознавания образов в системах управления.

3.2 Примеры задач распознавания образов.

Заключение.

Список литературы.

Введение

С задачей распознавания образов живые системы, в том числе и человек, сталкиваются постоянно с момента своего появления. В частности, информация, поступающая с органов чувств, обрабатывается мозгом, который в свою очередь сортирует информацию, обеспечивает принятие решения, а далее с помощью электрохимических импульсов передает необходимый сигнал далее, например, органам движения, которые реализуют необходимые действия. Затем происходит изменение окружающей обстановки, и вышеуказанные явления происходят заново. И если разобраться, то каждый этап сопровождается распознаванием.

С развитием вычислительной техники стало возможным решить ряд задач, возникающих в процессе жизнедеятельности, облегчить, ускорить, повысить качество результата. К примеру, работа различных систем жизнеобеспечения, взаимодействие человека с компьютером, появление роботизированных систем и др. Тем не менее, отметим, что обеспечить удовлетворительный результат в некоторых задачах (распознавание быстродвижущихся подобных объектов, рукописного текста) в настоящее время не удается.

Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Необходимость в таком распознавании возникает в самых разных областях.

Теория распознавания образов применяется в вычислительных машинах, помогающих поставить медицинский диагноз и рекомендующих лечение, при изучении взаимодействия лекарств, многоэтапной сортировке и анализе, обработке нейробиологических сигналов, обнаружении и классификации гидроакустических сигналов, обработке изображений, промышленном контроле, в системах переработки информации и т. д. Например, автоматический анализ и классификация микрофотографий тканей клеток могут применяться при анализе крови, раковых опухолей, тканей головного мозга и определении свойств хромосом в генетике. Методами теории распознавания образов можно анализировать и классифицировать такие клинические данные, как электрокардиаграммы и электроэнцефалограммы. Другое применение теории распознавания образов — анализ сигналов в коре головного мозга, которые представляют собой отклик на зрительное и слуховое воздействие.

Помимо медицины теория распознавания образов широко используется в военной технике (например, в аэрофотосъемке), при решении задач, связанных с применением метеорологических спутников, фотографированием Земли с целью изучения местоположения полезных ископаемых, при исследовании органической жизни па далеких планетах, а также для обнаружения и классификации целей (в гидролокации и радиолокации) и компенсации межсимвольных помех.

Рассмотрим подробнее, что представляет из себя теория распознавания образов.

1.       Основные понятия и определения, методы, связанные с системами распознавания образов.

Теория распознавания образов — раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков.

Системой распознавания образов будем называть класс систем искусственного интеллекта, обеспечивающих:

•         формирование конкретных образов объектов и обобщенных образов классов;

•         обучение, т.е. формирование обобщенных образов классов на основе ряда примеров объектов, классифицированных (т.е. отнесенных к тем или иным категориям - классам) учителем и составляющих обучающую выборку;

•         самообучение, т.е. формирование кластеров объектов на основе анализа неклассифицированной обучающей выборки;

•         распознавание, т.е. идентификацию (и прогнозирование) состояний объектов, описанных признаками, друг с другом и с обобщенными образами классов;

•         измерение степени адекватности модели;

•         решение обратной задачи идентификации и прогнозирования (обеспечивается не всеми моделями).

1.1 Методы распознавания образов:

Для оптического распознавания образов можно применить метод перебора вида объекта под различными углами, масштабами, смещениями и т. д. Для букв нужно перебирать шрифт, свойства шрифта и т. д.

Второй подход — найти контур объекта и исследовать его свойства (связность, наличие углов и т. д.).

Еще один подход — использовать искусственные нейронные сети. Этот метод требует либо большого количества примеров задачи распознавания (с правильными ответами), либо специальной структуры нейронной сети, учитывающей специфику данной задачи.

1.2 Признаки и образы конкретных объектов.

Признаками объектов будем называть конкретные результаты измерения значений их свойств.

Свойства объектов отличаются своим качеством и измеряются с помощью различных органов восприятия или измерительных приборов в различных единицах измерения.

Результатом измерения является снижение неопределенности в наших знаниях о значении свойств объекта. Значения свойств конкретизируются путем их сопоставления определенным градациям соответствующих измерительных шкал: номинальных, порядковых или отношений.

В номинальных шкалах отсутствуют отношения порядка, начало отсчета и единица измерения.

На порядковых шкалах определены отношения "больше - меньше", но отсутствуют начало отсчета и единица измерения.

На шкалах отношений определены отношения порядка, все арифметические операции, есть начало отсчета и единица измерения.

Можно представить себе, что шкалы образуют оси координат некоторого абстрактного многомерного пространства, которое будем называть "фазовым пространством".

В этом фазовом пространстве каждый конкретный объект представляется определенной точкой, имеющей координаты, соответствующие значениям его свойств по осям координат, т.е. градациям описательных шкал.

Оси координат фазового пространства в общем случае не являются взаимно-перпендикулярными шкалами отношений, т.е. в общем случае это пространство неортонормированное, более того - неметрическое. Следовательно, в нем в общем случае не применима Евклидова мера расстояний, т.е. не действует Евклидова метрика. Применение этой меры расстояний корректно, если одновременно выполняются два условия:

1. Все оси координат фазового пространства являются шкалами отношений.
2. Все оси координат взаимноперпендикулярны или очень близки к этому.

1.3 Признаки и обобщенные образы классов.

Обобщенный образ класса формируется из нескольких образов конкретных объектов, относящихся к данному классу, т.е. одной градации некоторой классификационной шкалы.

Обобщенные образы классов формализуются (кодируются) путем использования классификационных шкал и градаций, которые могут быть тех же типов, что и описательные, т.е. номинальные, порядковые и отношений.

Сама принадлежность конкретных объектов к данному классу определятся либо человеком-учителем, после чего фиксируется в обучающей выборке, либо самой системой автоматически на основе кластерного анализа конкретных объектов.

1.4 Обучающая выборка и ее репрезентативность по отношению к генеральной совокупности.

Обучающая выборка является некоторым подмножеством исследуемой совокупности, которая называется "генеральная совокупность". На основе изучения обучающей выборки мы хотели бы сделать выводы о генеральной совокупности, причем важно знать степень достоверности этих выводов.

Рассмотрим, как зависит степень достоверности выводов о генеральной совокупности от объема обучающей выборки.

Если обучающая выборка включает все объекты генеральной совокупности, т.е. они совпадают, то достоверность выводов будет наиболее высокой (при всех прочих равных условиях).

Если же обучающая выборка очень мала, то вряд ли на ее основе могут быть сделаны достоверные выводы о генеральной совокупности, т.к. в этом случае в обучающую выборку могут даже не входить примеры объектов всех или подавляющего большинства классов.

Под репрезентативностью обучающей выборки будем понимать ее способность адекватно представлять генеральную совокупность, так что изучение самой генеральной совокупности можно корректно заменить исследованием обучающей выборки.

Но репрезентативность зависит не только от объема, но и от структуры обучающей выборки, т.е. от того, насколько полно представлены все категории объектов генеральной совокупности (классы) и от того, насколько полно они описаны признаками.

1.5 Основные операции: обобщение и распознавание.

Обобщение - это операция формирования обобщенных образов классов на основе описаний конкретных объектов, входящих в обучающую выборку.

Сразу необходимо отметить, что операция обобщения реализуется далеко не во всех моделях систем распознавания, а в тех, в которых оно реализуется, - это делается по-разному.

Обычно, пока не реализовано обобщение нет возможности определить ценность признаков для решения задачи идентификации.

Например, если у нас есть 10 конкретных мячей разного размера и цвета, состоящих из разных материалов и предназначенных для разных игр, и мы рассматриваем их как совершенно независимые друг от друга объекты, наряду с другими, то у нас нет возможности определить, какие признаки являются наиболее характерными для мячей и наиболее сильно отличают их от этих других объектов. Но как только мы сформируем обобщенные образы "мяч", "стул", и т.д., сразу выясниться, что цвет мяча и материал, из которого он сделан, не является жестко связанными с обобщенным образом класса "мяч", а наиболее существенно то, что он круглый и его можно бросать или бить во время игры.

Распознавание - это операция сравнения и определения степени сходства образа данного конкретного объекта с образами других конкретных объектов или с обобщенными образами классов, в результате которой формируется рейтинг объектов или классов по убыванию сходства с распознаваемым объектом.

Ключевым моментом при реализации операции распознавания в математической модели является выбор вида интегрального критерия или меры сходства, который бы на основе знания о признаках конкретного объекта позволил бы количественно определить степень его сходства с другими объектами или обобщенными образами классов.

В ортонормированном пространстве, осями которого являются шкалы отношений, вполне естественным является использовать в качестве такой меры сходства Евклидово расстояние. Однако, такие пространства на практике встречаются скорее как исключение из правила, а операция ортонормирования является довольно трудоемкой в вычислительном отношении и приводит к обеднению модели, а значит ее не всегда удобно и целесообразно осуществлять.

Поэтому актуальной является задача выбора или конструирования интегрального критерия сходства, применение которого было бы корректно и в неортонормированных пространствах. Кроме того, этот интегральный критерий должен быть устойчив к наличию шума, т.е. к неполноте и искажению как в исходных данных, так и самой численной модели.

Требование устойчивости к наличию шума математически означает, что результат применения интегрального критерия к сигналу, состоящему только из белого шума, должен быть равным нулю. Это значит, что в качестве интегрального критерия может быть применена функция, используемая при определении самого понятия "белый шум", т.е. свертка, скалярное произведение, корреляция.