Применение метода распознавания образов

В химии искусственный интеллект развивается по многим направлениям. Среди них наиболее важные — применение методов распознавания образов в аналитических целях и для предсказания возможности синтеза конкретного соединения и его свойств. При помощи этих методов была предсказана возможность синтеза интерметаллических соединений и окислов с определенной структурой. В большинстве случаев наиболее успешные результаты были получены при применении систем признаков, в которых используются численные данные периодической таблицы элементов Д. И. Менделеева. Это обстоятельство указывает на то, что в статистических методах распознавания образов существенную роль должны играть уже установленные закономерности природы. Интеллектуальная деятельность человека при создании абстрактных теорий и классификации объектов, по-видимому, имеет единый характер. Поэтому только сочетание теории и статистического отбора различных схем [c.5]

ПРИМЕНЕНИЕ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ И ЛОГИКО-СТРУКТУРНОГО ПОДХОДА К ИССЛЕДОВАНИЮ И ОПТИМИЗАЦИИ ХТС [c.241]

Первый случай применения методов распознавания образов в аналитической химии относится к 1969 году, когда была произведена классификация масс-спектров с использованием линейного обучающего устройства (ЛОУ). В методе ЛОУ основой для классификации служат дискриминантные функции, которые разделяют Л -мерное пространство признаков на области, соответствующие отдельным классам. Это разделение можно затем использовать для предсказания принадлежности неизвестного объекта к тому или иному классу. [c.537]

Обработка фотографий представляет собой область, в которой возможно широкое применение методов распознавания образов. Именно по этой причине автоматизация процессов обработки фотографических изображений привлекла столь большое внимание исследователей. Методами распознавания образов удалось интерпретировать микрофотографии таких биологических объектов, как кровяные клетки и хромосомы [7]. Изучались также возможности обработки аэрофотоснимков для военных целей и дистанционного получения данных. Аэрофотосъемка позволяет узнавать культуры посевов на полях, выявлять очаги лесных пожаров, районы засухи и другие особенности сфотографированной местности [8]. Методами распознавания образов анализируют процессы в пузырьковых, искровых и паровых камерах (камерах Вильсона) [9], опознают личность по отпечаткам пальцев [101. [c.11]

Предварительная обработка исходных данных часто предопределяет успех применения методов распознавания образов и упрощает саму процедуру классификации. Если воспользоваться понятием л-мерного евклидова пространства, называемого пространством образов, то предварительная обработка исходных данных или их преобразование сводятся к следующим задачам [c.29]

Применение данного метода в аналитической химии весьма подробно рассматривается в монографии [133], автор которой представил исчерпывающую библиографию. К числу наиболее интересных областей аналитической химии, в которых возможно использование методов распознавания образов, относятся газовая хроматография [134, 135], спектрометрия [136], электрохимия [137, 138] и исследование акустической эмиссии [139]. Кригер опубликовал краткий обзор [140] принципов, на которых основано распознавание образов, и обзор [144] методов, используемых в аналитической химии, которые можно рассматривать как вводный курс в данный предмет. [c.397]

Вторая глава посвящена применению ЭВМ для идентификации и качественного анализа определение структуры неизвестного соединения с использованием больших каталогов масс-спектров методами распознавания образов и эвристического программирования. Рассмотрены алгоритмы построения структур возможных изомеров по заданной брутто-формуле, применяющиеся в эвристическом программировании. Машинные методы качественного анализа сочетаются с различными приемами масс-спектрометрии высокого разрешения и активирующих столкновений. Возможности структурной идентификации ароматических углеводородов и некоторых типов гетероатомных соединений существенно расширились благодаря работам в области масс-спектрометрии отрицательных ионов. Описание этих методов еще не вошедших в повседневную аналитическую практику,, также дано во второй главе. [c.6]

Существует два общих подхода к применению масс-спектрометрии для идентификации неизвестного органического вещества. В первом подходе масс-спектр рассматривается как отпечаток пальца , образ, а идентификация осуществляется методами распознавания образов или сравнением с картотекой или атласом масс-спектров. В другом подходе масс-спектр пытаются проанализировать с тем, чтобы из отношений масс ионов к их зарядам вывести тип соединения, могущего дать такой спектр. [c.252]

Методы распознавания образов приобрели важное значение в практике научной работы благодаря широкому применению электронно-вычислительной техники. Машинный алгоритм распознавания образов, по-видимому, может имитировать процесс распознавания образов мозгом человека. Однако мозг человека значительно уступает машине в способности запомнить огромное число мелких деталей. Только машина может запомнить большой ряд чисел, характеризуюш,ий изучаемый объект, упорядочить их, выявить совпадение чисел, соответствующих объектам одного класса, т. е. провести классификацию множества объектов. [c.5]

Главное достоинство книги — очень простая форма изложения теории распознавания образов в применении к аналитическим задачам. В первую очередь рассмотрены такие проблемы, как масс-спектрометрический анализ органических веществ и установление брутто-формул и структурных формул соединений. Кроме того, обсуждены возможности анализа полярографических кривых и спектров ЯМР. Объем изложенного материала вполне достаточен для того, чтобы химик мог получить исчерпывающее представление о методах распознавания образов и смог работать в этой области. Конечно, при этом необходимо, чтобы химик владел искусством общения с ЭВМ хотя бы на уровне использования стандартных программ, а также был знаком с элементами регрессионного анализа и математической статистики. [c.6]

Настоящая книга представляет собой вводный курс, посвященный приложениям некоторых методов распознавания образов к решению химических задач. Распознавание образов охватывает чрезвычайно широкую область разнообразных методов и их применений, однако мы сознательно сузили круг рассматриваемых вопросов. Значительная часть книги посвящена обсуждению таких непараметрических распознающих систем, которые называются обучающимися машинами . Свое название эти машины получили от способности обучаться давать с накоплением опыта все более правильные ответы на вопросы, относящиеся к классификации. Основным блоком подобных систем служит приспосабливающийся бинарный классификатор образов, или адаптивный пороговый логический элемент. Такие устройства обследуют множество помеченных данных на инвариантность, которую можно использовать при классификации. Эта процедура известна как обучение с учителем. Большая часть рассмотренных в книге работ связана с использованием адаптивных бинарных классификаторов образов, которые при обучении с учителем вырабатывают способность к классификации. [c.7]

В основном обсуждаются данные спектроскопических исследований, такие, как масс-спектры низкого разрешения, ИК- и ЯМР-спектры. Как раз в этих областях химии методы распознавания образов нашли свое применение. В последнее время эти методы стали использоваться в других областях и, по-видимому, именно возможность анализа разнообразных химических задач представляет основу их дальнейшего плодотворного применения. [c.7]

Методами распознавания образов удалось решить удивительно много практических задач. Составлено несколько хороших обзоров литературы по применению принципов распознавания образов, иллюстрирующих многообразие решаемых проблем [1—5]. Этим вопросам посвящен также целый ряд монографий (см. список литературы в конце книги). [c.9]

Алгоритм быстрого преобразования Фурье был применен при решении задачи расшифровки спектров ЯМР методами распознавания образов [9]. В этом исследовании в качестве массива данных использовались автокорреляционные функции моделированных спектров ЯМР. Автокорреляция устраняет трансляционную дисперсию спектров и делает их более подходящими для расшифровки методами распознавания образов. Автокорреляционная функция А х) функции F t) записывается в виде [c.158]

Выявление и анализ закодированных в последовательностях функциональных сигналов требует применения современных методов информатики - качественных баз данных с современными средствами управления, новейших методов распознавания образов, статистических исследований, применения специальных алгоритмов для преодоления возникающих вычислительных трудностей. [c.5]

Определенного прогресса можно ожидать в ближайшие годы в развитии методов поиска и анализа локальных функциональных сигналов в нуклеотидных последовательностях. Вероятно, применение статистических методов, методов распознавания образов, возможно, совершенно новых подходов (например, вычислительных систем типа нейронных сетей, обладающих свойствами ассоциативной памяти), позволит в ближайшие годы заметно повысить надежность теоретических предсказаний функциональных свойств последовательностей биополимеров. [c.6]

Корреляции структура — свойство и структура — активность остаются объектом значительного теоретического интереса в химии и прикладной химии, особенно в области медицинской химии и при разработке лекарственных препаратов. В наиболее широко распространенных схемах, используемых в настоящее время, применяется в той или иной форме эмпирическая параметризация. Типичные методы включают регрессионный анализ и распознавание образов [1]. Возобновление в последнее время интереса к теории химических графов привело к ряду новых понятий, нашедших применение в исследовании корреляций структура — свойство — активность. Обнаружено, что индекс связности [2], основанный на структурно- [c.222]

ФА удается выявить не обнаруживаемую другими путями физическую или химическую информацию. Методы ФА и АГК совпадают, если АГК используется после нормализации данных. Применение математических методов ФА и АГК к матрицам химических данных подробно описано в литературе [145, 151] кроме того, опубликована обзорная статья, в которой обсуждаются различные возможности применения АГК в области распознавания образов [152]. [c.118]

Методом, который может быть использован для обработки таких табличных данных, является так называемое распознавание образов [1—4]. Это—чисто статистический подход для обработки данных экспериментов, который благодаря распространению ЭВМ получает все возрастающее применение в аналитической химии [5—7J. [c.113]

Методы теории распознавания образов особенно интересны для предсказания новых структур психоактивных соединений, поскольку они позволяют отобрать для прогноза наиболее информативные признаки описания предусматривают применение более гибкого математического аппарата (так как при выборе решающего правила можно учесть структуру множеств классов в пространстве описания) не накладывают на априорную информацию таких жестких условий, как в регрессионном анализе н, более того, по мере накопления информации осуществляется автоматическая коррекция построенных моделей. [c.28]

Дальнейшее развитие эхо-метода связано с более широким применением волн дифракции, совершенствованием техники контроля, развитием современных методов обработки информации и распознавания образов. [c.147]

Другим подходом к автоматическому распознаванию образов является метод обучения машин . В статьях [123, 128] описаны примеры применения этого метода в химии. Метод обучения машин —это эмпирический метод интерпретации данных, в котором решающее правило, используемое для классификации [c.395]

Появление быстродействующих ЭВМ с большими объемами памяти стимулировало развитие и применение методов многомерного статистического анализа в различных областях. ФА не был исключением, и в 50—60-е гг. начинают появляться работы, посвященные его приложениям к различным областям естественных наук [7—10]. Особенно активно и успешно в эти годы ФА применяется в геологии [11—13] и в распознавании образов [10, 14, 15]. [c.70]

В докладе рассмотрено применение методов распознавания образов и других методов статистической классификации дан-ГШ1Х для формирования минимального факторного пространства, несущего необходимую информацию о процессе. Приведена обобщенная схема принятия решения об использовании тех или иных методов классификации в зависимости от априорной информации и подстройки метода к получаемым экспериментальным данным. Показана эффективность рассматриваемых методов при выделении допустимой области существования технологического процесса, обеспечивающего выпуск продукции в соответствии с ТУ. [c.156]

Применение методов распознавания образов в масс-спектрометрии на первых порах почти всегда проводилось с использованием пороговых логических элементов. Такие распознающие системы принадлежат к категории линейных систем, поскольку масс-спектрометрические пики считаются в данном случае не зависящими друг от друга. Между тем теория масс-спектрометрии, равно как и фундаментальные основы классификации образов, позволяют предположить, что при подобной классификации можно было бы успешно использовать взаимодействия второго порядка (перекрестные члены, учитывающие зависимости между пиками). В статье [2] сообщается об использовании меры подобия к данным масс-спектро-метрии низкого разрешения для вывода перекрестных членов двух типов внутригрупповых (для объектов одной выборки) и межгруп-повых (для объектов нескольких выборок). Показано, что для полученных таким образом межгрупповых перекрестных членов существует большая вероятность корреляции с теми молекулярными признаками, которые можно положить в основу разбиения на категории. Это предположение было реализовано в виде классификаторов образов на пороговых логических элементах, проверявшихся на нескольких выборках масс-спектрометрических данных. Как оказалось, перекрестные члены расширяют возможности систем классификации образов либо ускоряя сходимость, либо повышая прогнозирующую способность этих систем, либо же обеспечивая и то и другое одновременно. [c.138]

Для применения метода распознавания образов необходимо иметь значения прогнозирующих параметров к началу предполагаемой проверки работоспособности элементов СУХТП. Эти значения можно получить на основании прогнозирующих функций T)i(0, т)2(0. которые с достаточной точностью можно представить как линейные. [c.96]

Решение задачи применения неспецифических (неселективных) сенсоров было заимствовано из биологии, в результате чего появились системы типа электронный нос [193], сенсоры вкуса [194] и электронный языю> [187]. Они реализуют мультисенсорные системы на основе неспецифических (неселективных) сенсоров с последующей обработкой результатов измерений методом распознавания образов с применением, например, искусственных нейронных сетей. Такой подход характеризует новый этап в истории развития химических сенсоров. [c.712]

В зависимости от конкретной экономической конъюнктуры обычно имеют место два типа исследований по поиску катализаторов либо исследуется относительно небольшое количество наиболее вероятных веш,еств или их комбинаций для быстрого решения проблемы, либо приводятся очень широкие исследования с задачей во что бы то ни стало найти решение. С точки зрения задач прогнозирования в первом случае надо достаточно надежно определить круг наиболее вероятных объектов, а во втором отбросить явно непригодные. Это достигается решением трехклассной задачи, в которой верхняя граница проводится между безусловно пригодными и прочими катализаторами, а нижняя ограничивает явно невыгодные объекты. Из соображений надежности решения, о чем будет сказано далее, решение трехклассных задач лучше проводить последовательной дихотомией . Тогда при вероятности прогноза на каждой из стадий решения в 85% вероятность ошибочйого отнесения объекта из одного крайнего класса в другой составит (1—0,85) = 0,023. Таким образом, при первом из указанных подходов к задаче поиска вероятность засорения исследуемых объектов явно невыгодными равняется только 2,3%, а при втором подходе вероятность потери наиболее удачных решений составит ту же величину. Эти оценки подтверждают высокую эффективность применения методов распознавания при поиске катализаторов, даже при относительно низкой доверительности каждого шага решения. [c.103]

Некоторые из наиболее общих методов распознавания образов включают набор аналитических методик, относящихся к кластерному анализу. Целью кластерного анализа является разделение совокупности элементов данных на группы или кластеры [124]. Автор работы [125] формулирует задачу следующим образом. Если задана выборка из N объектов, каждый из которых описывается р переменными, то следует придумать схему классификации для группирования объектов по g классам и определить также число и характеристики классов. Ситуации подобного типа часто возникают в аналитической химии. Аналитики постоянно сталкиваются с проблемой анализа больших объемов данных, полученных, например, при помощи высокоавтоматизированного химического анализа. И пока все эти данные не будут классифицированы по более управляемым группам, каждая из которых будет рассматриваться как единое целое, провести обработку таких данных едва ли удастся. Однако в результате преобразования информации, полученной на основе полного набора N наблюдений, в информацию о g группах (где g<.N) задача может быть существенно упрощена, в результате чего будет получено более точное описание рассматриваемых результатов. Область применения кластерного анализа довольно обширна — это сжатие данных, построение моделей, проверка гипотез и т. д. Книги Эверитта [125] и Тайрона [126] могут служить полезным введением в данный предмет. В настоящее время имеются различные пакеты прикладных программ для компьютера, реализующие различные алгоритмы кластерного анализа. Наиболее известен комплекс программ СЬиЗТАЫ [127]. Эта система первоначально была разработана в 60-х годах в целях коллективного изучения различных методов кластерного анализа. В силу этого она стала использоваться в большом числе научных центров при решении проблем классификации. [c.395]

В многолинейчатости масс-спектров органических молекуя заложен большой объем информации, необходимой для решения этих задач. Ранее для качественного анализа использовались эмпирические зависимости между структурой молекулы и распределением интенсивностей в ее масс-спектре [2]. Дальнейшее развитие работ по качественному анализу связано с применением машинного каталога масс-спектров органических соединений, их классификацией методами распознавания образо и интерпретацией масс-спектров с использованием искусственного интеллекта. [c.45]

Авторы работы [9] исследовали методами распознавания образов полярографические вольт-амперные кривые, получаемые при применении стационарных электродов (СЭ). Задача исследования заключалась в изучении возможности отличить по СЭ-полярограм-мам методами распознавания образов наличие одного вещества в присутствии двух или более веществ. Как и при любом исследовании, проводимом методами распознавания образов, первый шаг заключался в выделении каких-либо особенностей, которые можно было бы использовать при формировании векторов образов. [c.42]

Нами установлено, что относительные содержания или парные отношения металлов-индикаторов — наиболее независимые параметры для целей идентификации источника загрязнения. Для повышения достоверности результата идентификации, полученного с использованием информации о содержании металлов-индикаторов, возможно применение различньк методов статистического анализа (дискриминационного, корреляционного, многофакторного, поливариантного, метод кумулятивных карт и т. д.) и других, например метода распознавания образов, метода Х-ближайших соседей. Следующим информативным параметром, который может применяться для целей идентификации, является содержание серы в нефти, в пересчете на элементную, определяемую с помощью рентгенофлуоресцентного спектрального анализа. При этом в качестве характеристическргх параметров идентификации могуг использоваться как абсолютное, так и относительное (нормированное на величину концентрации одного или сзпчмы металлов-индикаторов) содержания серы. Таким образом, для идентификации источников нефтяных загрязнений пригоден целый ряд различных характеристических свойств нефтей вещественный состав по строению органических молекул, определяемый структурно-групповым анализом компонентный состав по нормальным алканам, компонентный состав по изопреноидным алканам, компонентный состав по ароматическим и серосодержащим нефтяным углеводородным соединениям природная радиоактивность нефти из-за содержания естественных радионуклидов содержание металлических примесей содержание серы в пересчете на элементную и пр. [c.298]

Существует несколько методов прогнозирования неисправностей и отказов аналитический, вероятностный, распознавания образов и метод, основанный на исследовании физико-химичес-ких процессов [40]. Практические вопросы применения аналитического и вероятностного прогнозирования решены в работе [61]. Этими методами можно прогнозировать состояние отказа элемента или системы, но нельзя ответить на вопрос, какой вид ремонта требуется на прогнозируемом отрезке времени. Вид ремонта хорошо определяется на основе исследования физико-химических процессов или способом распознавания образов. Однако производить исследования физико-химических процессов при эксплуатации большого числа СУХТП на действующих предприятиях — слишком трудоемкая задача. Поэтому выбираем метод распознавания образов. [c.94]

Освещен опыт применения ЭВМ для 1прогнозирования добычи нефти и планирования режимов работы скважин, проведения ремонтно-изоляционных работ, обработок призабойной зоны пласта с целью интенсификации добычи нефти. Изложены задачи, решаемые разнообразными математическими и наиболее оптимальными для каждого конкретного случая методами, а именно вероятностно-статистическими, распознавания образов, прогнозирования и др. [c.286]

Статико-статистическая модель, по существу, является комбинацией двух наиболее распространенных типов моделей экономико-статистической и оптимизационной. Напомним, что экономико-статистические модели (ЭСМ) — это модели, реализация которых основывается на применении методов математической статистики и теории распознавания образов. [c.124]

Формализация знаний, навыков и опыта экспертов специалистов в области молекулярной биологии и генетики, а также в области анализа данных (стратегии применения методов анализа данных, распознавания образов, оптимального планирования экспериментов, математического моделирования теоретические знания и интуитивные представления о принципах организации, функционарования и эволюции исследуемых классов генетических макромолекул). [c.6]

Каждый элемент вектора представляет одну физически измеряемую величину. В фазе предварительной обработки измерения преобразуются различными способами при помощи математических методов, предназначенных для минимизации несущественной информации в первоначальных данных при сохранении достаточного объема информации, позволяющего провести распределение по классам образов. Часто преобразования позволяют усилить (выделить) те характеристики, которые могут быть наиболее полезны при классификации неизвестных величин. Иногда преобразования приводят к появлению новых характеристик, например, путем умножения каждого элемента вектора образа на весовой множитель или построения линейной комбинации первоначальных измерений. В других методах векторы образов могут быть объектом анализа главной компоненты разложения Карунена — Лоэва [129] для сжатия данных либо объектом преобразования Фурье или Адамара. Следующая, третья, стадия включает выбор наиболее полезных для классификации характеристик. Используя минимальное число характеристик, можно снизить стоимость классификации. Следовательно, на этой стадии необходимо исключить как можно больше характеристик, но без отрицательных последствий для качества классификации. Преобразованные образы классифицируются на конечной стадии процесса распознавания. На этом этапе используется классификатор для отнесения данных к классам, основанным на применении некоторого решающего правила. Классификации обычно всегда проводятся при рассмотрении положения образов в гиперпространстве, образованном с использованием каждой из характеристик в виде оси координат [130]. Наиболее [c.396]

Наибольшими возможностями среди математико-статпстиче-ских методов обладают методы теории распознавания образов, поскольку их применение допускает как количественное, так и качественное описание признаков и свойств катализаторов [27]. Общий принцип разнообразных подходов, развитых в рамках теории распознавания достаточно прост, С помощью данных об уже изученных объектах, называемых обучающей выборкой , машину обучают отличать катализаторы, относящиеся к разным классам, каждый из которых характеризуется определенным интервалом значений целевого свойства. [c.148]