Области применения распознавания образов

ОБЛАСТИ ПРИМЕНЕНИЯ РАСПОЗНАВАНИЯ ОБРАЗОВ [c.9]

Предпринимается много попыток внедрить концепции размытых множеств в различные области знания [130]. Ограничимся тем, что укажем некоторые возможности их применения в области распознавания образов. [c.252]

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]

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]

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]

Неразрушающий контроль выделился в самостоятельную отрасль технических наук. Это объясняется тем, что он основывается на комплексном применении самых различных областей физики оптики, акустики, электромагнетизма, газовой динамики, физики твердого тела, атомной физики и др. Для работы в области неразрушающего контроля необходимо владеть знаниями в области прочности материалов, технологии производства продукции, метрологии, математической статистикой, теорией распознавания образов, спектральным и импульсным анализом и т. д. Обеспечение приборной базы неразрушающего контроля основано на применении электроники, электротехники, автоматики, вычислительной техники, точного приборостроения. [c.357]

Системы с параллельной обработкой данных [53] находят применение в области распознавания образов, ассоциативной и оптической обработки данных, вычислений наибольшего правдоподобия, обработки сигналов и решения систем дифференциальных уравнений. Описание больших матричных или векторных процессоров приведено в отчете [54], где сделана попытка предложить схему классификации таких систем по особенностям архитектуры и организации, а также дано описание режимов работы нескольких из наиболее известных сверхмощных ЭВМ. [c.197]

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]

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]

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]

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]

Распознавание образов включает обнаружение, восприятие и распознавание закономерностей (инвариантных свойств) среди серий результатов измерений, характеризующих объекты или события. Как правило, задача распознавания сводится к отнесению той или иной выборки экспериментальных результатов к надлежащему классу. Такой общий подход нашел применение при решении многих проблем в самых разнообразных областях. [c.9]

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]

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]

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]

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]

Сложность экологических проблем требует обработки больших массивов данных. Необходимы исследования, направленные на облегчение интерпретации и разумного применения накопленной информахщи. Существенную помощь в этом могут оказать работы в области искусственного интеллекта, связанные с проблемой распознавания образов. Новейшие достижения микропроцессорной и микрокомпьютерной техники начинают использоваться при конструировании разумных измерительных приборов. Необходимо обратить внимание на организацию, накопление и сбор данных об окружающей среде. [c.16]

Слово вейвлет (английское слово wavelet означает маленькую волну или рябь) бьпо введено А.Гроссманном и Ж.Морле в 1984 году в работе выполненной в связи с проблемой анализа сейсмических сигналов, в которых требуется выделить и время (положение) всплеска в сигнале и его спектральный состав (масштаб). В этой статье были сформулированы основные определения и доказаны основополагающие теоремы. Работа вызвала огромный интерес и уже к началу 90-х годов вейвлет-анализ превратился в развитую область математической физики, нашедшей широкое применение в задачах анализа временных сигналов, распознавания образов и синтеза изображений, шифровки и дешифровки информации и многих других. [c.87]

Таким образом, можно констатировать, что анализ спектров, будучи уже сейчас исключительно важным и полезным, по мере развития цифровой электронной техники будет становиться все дешевле, область его применения будет расширяться, а значение возрастать. (Все спектральные функции, использованные при построении рис. 24.13, реализованы с помощью соответствующей аппаратуры в реальном масштабе времени.) Хотя обсуждение вопросов анализа спектров включено в эту главу как естественное дополнение адмиттансной спектроскопии, хотелось бы подчеркнуть, что вообще анализ спектров, т. е. то, что часто называют распознаванием образов, должен рассматриваться всеми исследователями как неотъемлемая часть проектирования биосенсоров. Следует, правда, отметить, что хотя эти методы уже давно используют в фотометрических системах (см., например, [19]), а фуръе-анализ широко применяют в ЯМР и ИК-спектроскопии и т. п. [42, 146], масштаб их применения в биосенсорных системах значительно меньше, чем они заслуживают. В связи с этим целесообразно завершить обзор рассмотрением двух возможных приложений флуктуационного или спектрального анализа, в том числе в ферментационной технологии, в настоящее время лежащей в русле собственных интересов автора. [c.364]

Таким образом, благодаря применению описанного в работе подхода для представления знаний, достигнута высокая точность распознавания комплексной детерминанты гистонов Н1, состоящей из Ы-концевого домена и области перехода Ы-концевого домена в центральный гидрофобный домен. Существенно также, что предложенная технология позволяет выявлять белки, принадлежащие к группе ДНК(РНК)-взимодействупцих. [c.259]

Таким образом, поглощение С=С обычно приводит к появлению слабой полосы в области 1680—1620 см . Для простых углеводородов и стероидов [85, 108] в этой области установлен ряд корреляций, дающих дополнительные ценные сведения, однако при применении их для сложных молекул необходимо соблюдать осторожность. При распознавании типа двойной связи, особенно в симметричных соединениях с несопряженной двойной связью, у которых полоса С=С может отсутствовать, очень важно изучить другие спектральные области колебаний СН, а также относительные интенсивности всех полос, связанных с наличием структуры, включающей двойную связь. В сомнительных случаях могут быть изучены изменения, сопровождающие гидрогенизацию, бромирование или другое химическое воздействие на двойную связь. Подобный способ, предложенный Леонардом и Гашем [78], полезен при идентификации а,р-ненасыщенных третичных аминов. Под действием хлорной кислоты происходит частичная [c.58]

Справочник химика 21

Химия и химическая технология