новости  материалы  справочник  форум  гостевая  ссылки  
Новости
Материалы
  Логические подходы
  Нейронные сети
  Генетические алгоритмы
  Разное
  Публикации
  Алгоритмы
  Применение
Справочник
Форум
Гостевая книга
Ссылки
О сайте
 

1. Анализ существующих методов автоматизированного
решения задач классификации

Распознавание образов [3], [8] является одним из самых распространенных видов интеллектуальной деятельности. Построение системы распознавания образов, способной заменить собой специалиста в какой либо области интеллектуальной деятельности человека представляется очень перспективным, поскольку удалось бы повысить качество производимого товара или услуги, сделать более доступным данный товар или услугу, в следствии снижения его стоимости.

Типичным применением системы распознавания образов является случай, в котором необходимо некоторый объект, доступный лишь в качестве сведений о нем, отнести к какому либо из существующих в данной предметной области классов объектов. В составе системы распознавания образов должны, помимо прочего, содержаться описания классификационных (решающих) правил для каждого из классов объектов предметной области.

Классификационное правило некоторого класса – это правило, по которому можно отнести, или не отнести, некоторый объект к данному классу.

Таким образом, система распознавания образов предназначены для решения задач классификации.

Важнейшими необходимыми действиями при создании системы распознавания образов какой либо предметной области является построение объектной модели предметной области и определение классификационных правил для каждого из классов.

  1. Построение объектной модели предметной области - это определение состава сведений, которые будут представлять модель объекта предметной области; выделение классов, по которым будет происходить разделение объектов.

  2. Определение классификационных правил - для каждого из классов объектов определяется, наличие каких их сведений о объекте позволяет судить о том, что данный объект относится к данному классу.

1.1. Классификация систем распознавания образов

Системы распознавания образов можно условно разделить на две большие группы - системы с явным заданием классификационных правил и системы с неявным заданием классификационных правил. Основное их отличие друг от друга состоит в том, что в системах с явным заданием классификационных правил существует база знаний, содержащая в себе заданные в явном виде правила, указывающие какие из поступивших сведений позволяют сделать какой вывод; сделанные выводы могут быть использованы другими правилами для получения выводов второго уровня; те - правилами для получения выводов третьего уровня и т. д. Системы с неявным заданием классифицикационных правил не содержат заданные в явном виде классификационные правила, но включают в себя набор фактов о предметной области - например, набор сведений о конкретных объектах предметной области, с указанием того, к какому классу каждый из объектов относится. Системы с неявным заданием классификационных правил способны самостоятельно сделать вывод о том, какие из представленных сведений позволяют сделать какие выводы.

Базы знаний в системах с явным заданием классификационных правил могут быть представлены в различных формах:

  • В виде набора ЕСЛИ-ТО правил [4], [28]. Здесь, каждое правило представлено в виде, подобном:

ЕСЛИ <условие_выполняется> ТО <можно_сделать_выводы>.

  • В виде набора лингвистических переменных (переменных многозначной, нечеткой логики) и взаимосвязей между ними [1], [11]. Этот способ во многом подобен предшествующему, однако здесь, в процессе распознавания участвует множество конкурирующих выводов, каждый из которых обладает той, или иной степенью уверенности. Данный вид систем мы относим к системам с явным заданием классификационных правил поскольку правила взаимосвязи между лингвистическими переменными явно заданы - обычно в виде формул, алгоритмов, описывающих способ получения уверенности в достоверности конкретного вывода.

  • В виде системы фреймов [15]. Здесь база знаний - это набор взаимосвязанных шаблонов ситуаций - фреймов. Здесь явно задана взаимосвязь данных - говорится, что при определенных условиях следует рассматривать тот, или иной набор фреймов.

Среди систем с неявным заданием классификационных правил наибольшее распространение получили:

  • Системы, основанные на применении ДСМ метода [20, 132]. Здесь происходит генерация ряда более или менее правдоподобных гипотез о наличии причинно-следственных связей среди имеющихся данных о предметной области.

  • Нейронные сети [10], [27]. Наибольшее распространение получила послойная реализация нейронной сети. Здесь нейронная сеть - это последовательность слоев нейронов; выход каждого нейрона одного слоя поступает на взвешенный вход каждого нейрона последующего входа.

В рамках данной работы будет рассмотрен еще один вид систем с неявным заданием классификационных правил, основанный на объектном подходе.

Множество объектов, на основе которого принимается решение о том, к какому из классов следует некоторый объект, будем называть обучающей выборкой. Целесообразно разбить обучающую выборку на группу подмножеств, в каждое из которых будут входить лишь объекты обучающей выборки, относящиеся к одному классу.

img1

Рисунок 1. Схема процесса функционирования системы распознавания образов

Процесс функционирования системы распознавания образов, основанной на обучающей выборке состоит в следующем:

  1. На вход системы поступают сведения о некотором объекте
  2. Для каждого из классов, представленных в обучающей выборке, выполняется операция сравнения объектов (точнее - сведений о них), относящихся к данному классу, со сведениями о объекте, поступившими на вход системы
  3. Результатом операции сравнения данного объекта с объектами каждого их классов, представленных в обучающей выборке, является степень уверенности в том, что данный объект относится к данному классу.

1.2. Недостатки существующих методов

Используемые в настоящее время средства автоматизации процесса принятия решений и классификации обладают, однако, рядом недостатков.

Построение экспертных систем [4], [28] затруднено созданием базы знаний, полноценно описывающей знания и алгоритм принятия решений эксперта в данной области - во многих областях не существует четко формализованных правил, описывающих механизм принятия того или иного решения. Зачастую, решения принимаются на основе личного опыта эксперта, нередко чисто интуитивно. Поэтому процесс построения экспертных систем - процесс долгий, требующий больших затрат труда и знаний, а следовательно дорогой и малодоступный.

Применение нейронных сетей для автоматизации процесса принятия решений и классификации [10], [27] с одной стороны избавляет от необходимости построения базы знаний, а с другой стороны, построение нейронной сети, способной заменить эксперта в той или иной предметной области также сопряжено с рядом проблем. Одной из важнейших проблем построения систем распознавания образов на базе нейронных сетей является то, что возникает необходимость подбора значений ряда параметров, имеющих отдаленное отношение к данной предметной области - параметров, касающихся самой нейронной сети: количество слоев, количество нейронов в каждом конкретном слое, вид функции возбуждения нейрона. Это приводит к тому, что в процессе построения системы приходится искать не только наиболее оптимальную модель данной предметной области, но и наиболее оптимальное сочетание параметров нейронной сети - строить и обучать множество сетей, соответствующих определенной модели и определенным параметрам. Процесс обучения нейронной сети достаточно продолжителен, а эффективного метода, позволяющего определить оптимальные параметры сети без ее предварительного обучения - нет, следовательно поиск оптимальных параметров ведется "в слепую", занимает продолжительное время, приводит к дороговизне систем на нейронных сетях.

Таким образом, существует потребность в системах распознавания образов, с одной стороны не требующих формального описания механизма принятия решения, а с другой стороны не нуждающейся в продолжительной предварительной настройке внутренних параметров, прямо не связанных с данной предметной областью. Очевидно, это должна быть система с неявным заданием классификационных правил. В следующей главе мы рассмотрим вид системы распознавания образов, удовлетворяющий перечисленным требованиям.


Предыдущая Содержание Следующая