Teorie rozpoznávání vzorů

Teorie rozpoznávání vzorů  je část informatiky a příbuzných oborů, která rozvíjí základy a metody pro klasifikaci a identifikaci objektů, jevů, procesů , signálů , situací atd. objektů, které se vyznačují konečným souborem určitých vlastností a znaků. Takové úkoly se řeší poměrně často, například při přecházení nebo jízdě po ulici na semaforech. Rozpoznání barvy rozsvíceného semaforu a znalost pravidel silničního provozu vám umožní správně se rozhodnout, zda přejdete nebo nepřejdete ulici.

Potřeba takového rozpoznání vyvstává v různých oblastech – od vojenských záležitostí a bezpečnostních systémů až po digitalizaci analogových signálů.

Problém rozpoznávání vzorů se stal mimořádně důležitým v podmínkách přetížení informacemi, kdy se člověk nedokáže vyrovnat s lineárně-sekvenčním chápáním zpráv, které k němu přicházejí, v důsledku čehož se jeho mozek přepne do režimu simultánnosti vnímání a myšlení. , což je pro takové rozpoznávání charakteristické.

Není tedy náhodou, že problém rozpoznávání obrazu se ocitl v oblasti interdisciplinárního výzkumu, mimo jiné v souvislosti s prací na vytvoření umělé inteligence , a vytváření technických systémů rozpoznávání obrazu přitahuje stále více pozornosti. .

Trendy v rozpoznávání vzorů

Existují dva hlavní směry [1] :

• Studium rozpoznávacích schopností, které mají živé bytosti, jejich vysvětlení a modelování;
• Rozvoj teorie a metod konstrukce zařízení určených k řešení jednotlivých problémů pro aplikační účely.

Formální vyjádření problému

Rozpoznávání vzorů je přiřazení počátečních dat k určité třídě zvýrazněním základních vlastností, které charakterizují tato data z celkového množství dat.

Při nastavování problémů rozpoznávání se snaží používat matematický jazyk, snaží se – na rozdíl od teorie umělých neuronových sítí [2] , kde je základem získat výsledek experimentem – experiment nahradit logickým uvažováním a matematickými důkazy [ 3] .

Klasické vyjádření problému rozpoznávání vzorů [4] : Je dána množina objektů. Je třeba je klasifikovat. Množina je reprezentována podmnožinami, které se nazývají třídy. Jsou uvedeny: informace o třídách, popis celé sady a popis informací o objektu, jehož příslušnost ke konkrétní třídě není známa. Podle dostupných informací o třídách a popisu objektu je nutné určit, do které třídy tento objekt patří.

Nejčastěji jsou monochromatické obrázky uvažovány v problémech s rozpoznáváním vzorů , což umožňuje považovat obrázek za funkci v rovině. Uvažujeme-li bod na rovině , kde funkce vyjadřuje v každém bodě obrazu svou charakteristiku - jas, průhlednost, optickou hustotu, pak je taková funkce formálním záznamem obrazu.

Množina všech možných funkcí v rovině  je modelem množiny všech obrázků . Zavedením konceptu podobnosti mezi obrazy můžeme nastolit problém rozpoznávání. Konkrétní podoba takového nastavení silně závisí na následných fázích uznání v souladu s tím či oním přístupem.

Některé metody rozpoznávání grafických obrázků

Pro optické rozpoznávání obrazu můžete použít metodu iterace přes vzhled objektu v různých úhlech, měřítkách, odsazeních atd. U písmen je potřeba iterovat přes písmo, vlastnosti písma atd.

Druhým přístupem je najít obrys objektu a prozkoumat jeho vlastnosti (konektivita, přítomnost rohů atd.)

Dalším přístupem je použití umělých neuronových sítí . Tato metoda vyžaduje buď velké množství příkladů úlohy rozpoznávání (se správnými odpověďmi), nebo speciální strukturu neuronové sítě, která zohledňuje specifika této úlohy.

Perceptron jako metoda rozpoznávání vzorů

Frank Rosenblatt , zavádějící koncept modelu mozku , jehož úkolem je ukázat, jak mohou vznikat psychologické jevy v nějakém fyzikálním systému, jehož struktura a funkční vlastnosti jsou známé, popsal nejjednodušší diskriminační experimenty. Tyto experimenty zcela souvisejí s metodami rozpoznávání vzorů, ale liší se v tom, že algoritmus řešení není deterministický.

Nejjednodušší experiment, na jehož základě je možné získat psychologicky významné informace o určitém systému, se scvrkává na skutečnost, že modelu jsou předloženy dva různé podněty a je třeba na ně reagovat různými způsoby. Účelem takového experimentu může být studium možnosti jejich spontánní diskriminace systémem bez zásahu experimentátora, nebo naopak studium nucené diskriminace, kdy se experimentátor snaží naučit systém provádět požadovaná klasifikace.

V experimentu s učením je perceptronu obvykle prezentována určitá sekvence obrázků, která zahrnuje zástupce každé z tříd, které je třeba rozlišit. Podle nějakého pravidla modifikace paměti je posílena správná volba reakce. Poté je perceptronu předložen kontrolní podnět a je stanovena pravděpodobnost získání správné odpovědi na podněty této třídy. V závislosti na tom, zda se vybraný kontrolní stimul shoduje nebo neshoduje s jedním z obrázků, které byly použity v tréninkové sekvenci, se získají různé výsledky:

1. Pokud se kontrolní podnět neshoduje s žádným učebním podnětem, pak je experiment spojen nejen s čistou diskriminací , ale zahrnuje i prvky zobecnění .
2. Pokud kontrolní podnět vybudí nějaký soubor smyslových prvků, které jsou zcela odlišné od prvků, které byly aktivovány pod vlivem dříve prezentovaných podnětů stejné třídy, pak je experiment studií čistého zobecnění .

Perceptrony nemají schopnost čistého zobecnění, ale v diskriminačních experimentech fungují docela uspokojivě, zvláště pokud se kontrolní podnět dostatečně kryje s některým ze vzorců, o nichž už perceptron nashromáždil nějaké zkušenosti.

Příklady problémů s rozpoznáváním vzorů

• Optické rozpoznávání znaků
• Rozpoznávání čárových kódů
• Rozpoznávání SPZ
• Rozpoznávání obličejů
• Rozpoznávání řeči
• Rozpoznávání obrazu
• Rozpoznání místních oblastí zemské kůry, ve kterých se nacházejí ložiska nerostů
• Klasifikace dokumentů

Viz také

• Dimenze Vapnik-Chervonenkis
• Diskriminační analýza

Poznámky

1. ↑ Tu J., Gonzalez R. Principles of Pattern Recognition, M. 1978
2. ↑ Matkasym N. N. Rozpoznávání vzorů pomocí neuronových sítí  // Technologie Microsoft v teorii a praxi programování: sborník sborníků z XIII. Všeruské vědecké a praktické konference studentů, postgraduálních studentů a mladých vědců, Tomsk, 22.-23. 2016. - s. 23-25 ​​. Archivováno z originálu 17. září 2017.
3. ↑ Fine V. S.  Rozpoznávání obrazu, M., 1970
4. ↑ Zhuravlev Yu. I.  O algebraickém přístupu k řešení problémů rozpoznávání a klasifikace // Problémy kybernetiky. — M.: Nauka, 1978, no. 33. - S. 5-68.

Literatura

• Arkadiev A. G., Braverman E. M.  Učí stroj rozpoznávat vzory. — M.: Nauka, 1964
• Barabash Yu.L., Varsky BV, Zinoviev VT Otázky statistické teorie rozpoznávání. - M . : Sovětský rozhlas, 1967. - 399 s.
• Bongard M.M. Problém rozpoznávání. - M.: Fizmatgiz , 1967.
• Arkadiev A. G., Braverman E. M. Výuka stroje na klasifikaci objektů. — M.: Nauka, 1971.
• Gorelik A. L., Skripkin V. A. Metody rozpoznávání. - 4. vyd. - M . : Vyšší škola, 1984, 2004. - 262 s.
• Vapnik V. N. , Chervonenkis A. Ya. Teorie rozpoznávání vzorů. — M .: Nauka, 1974. — 416 s.
• Vasiliev V. I. Rozpoznávání systémů. Adresář. - 2. vyd. - K . : Naukova Dumka , 1983. - 424 s.
• Uznání. Matematické metody. Softwarový systém. Praktické aplikace. / Yu.I. Zhuravlev , V.V. Rjazanov, O.V. Senko . M.: FAZIS, 2006. 147 s. ISBN 5-7036-0108-8 .
• L. Shapiro, J. Stockman. Počítačové vidění = Počítačové vidění. - M .: Binom. Vědomostní laboratoř, 2006. - 752 s. — ISBN 5-947-74384-1 .
• Fomin Ya. A. Rozpoznávání vzorů: teorie a aplikace. - 2. vyd. - M. : FAZIS, 2012. - 429 s. - ISBN 978-5-7036-0130-4 .
• Fomin Ya. A., Tarlovsky GR Statistická teorie rozpoznávání vzorů. - M . : Rozhlas a komunikace, 1986. - 624 s.
• Forsyth David A., Pons Jean. Počítačové vidění. Moderní přístup = počítačová vize: moderní přístup. — M .: Williams , 2004. — 928 s. — ISBN 0-13-085198-1 .
• Cheng Sh.-K. Principy návrhu vizuálních informačních systémů. — M .: Mir, 1994. — 408 s.
• Lbov G.S. Metody zpracování různých typů experimentálních dat. - Novosibirsk: Nauka, 1981. - 157 s.

Odkazy

• Yuri Lifshits . Kurz "Moderní problémy teoretické informatiky"  - přednášky o statistických metodách rozpoznávání vzorů, rozpoznávání obličejů, klasifikace textu
• Journal of Pattern Recognition Research Archivováno 8. září 2008 na Wayback Machine
• Dyukova EV Diskrétní (logické) rozpoznávací postupy: principy návrhu, složitost implementace a základní modely. Učebnice pro studenty matematických fakult vysokých pedagogických škol. - M .: Prometheus, 2003. - 29 s. ISBN 5-70420-1092-9 .

Slovníky a encyklopedie	Velká Katalánština velká čínština velká čínština Skvělý norský Skvělý norský Velký Rus Britannica (online)
V bibliografických katalozích	GND : 4040936-3 J9U : 987007529556805171 LCCN : sh85098789 NDL : 00569072 NKC : ph168762