Схема распознавания объектов

Рис. 2.7. Классификационная схема систем распознавания объектов п явлений

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]

Распознавание объектов и систем фактически является задачей классификации. В отличие от классических схем идентификации, при реализации которых каждый класс содержит только один объект, в схемах распознавания производственных ситуаций к одному классу относится множество объектов, имеющих различные численные значения идентифицируемых координат, принадлежащих некоторым подмножествам интервалов, отнесенных в качестве признаков принадлежности к тому или иному классу. [c.202]

Само решение состояло из двух стадий 1) выделение признаков, влияюш их на активность и их ранжирование и 2) собственно определение принадлежности катализатора к классу ( распознавание)) катализатора). Для первой стадии был разработан специальный алгоритм. На последуюш ей стадии в соответствуюш их точках определялся потенциал класса как среднее арифметическое потенциалов точек данного класса в выбранной точке. Данный объект относился к тому классу, по отношению к которому он имел наибольший потенциал. Наивысший достигнутый процент узнавания но этой схеме для реакции окисления СО для 26 окислов составил 84%. С практической точки зрения, такой результат представляется достаточно высоким. Для контроля эта же задача была решена при помощи другого алгоритма ( Кора ) [561 по двухклассной схеме и было достигнуто узнавание свыше 90%. В табл. IV. приведены результаты последних расчетов. [c.166]

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]

Наиболее распространенными являются сенсоры двух типов контактные и дистанционные. Контактные сенсоры дают информацию об объекте манипулирования или об окружающей среде в результате нег посредственного соприкосновения с изделием или препятствием. Они могут быть также использованы для распознавания размеров, формы и ориентации деталей. На риа 62 показана схема ЗУ, очувствленного так- [c.158]

Исходя из указанных физиологических возможностей человека схему распознания объектов представляют следующим образом [5]. Первым этапом является анализ конкретных реализаций образов объектов, при котором выделяются и оцениваются отдельные признаки. Такими признаками могут быть форма, наличие особых точек, характерных изменений кривизны, окраска и другие. При оценивании отдельные признаки сравниваются с образами (эталонами), которые хранятся в памяти человека. В этом случае получают так называемые абсолютные оценки. Абсолютные оценки, как правило, являются грубыми и рассматриваются как первое приближение при распознавании объектов исследования. Более точные сведения дают дифференциальные (разностные) оценки. При формировании дифференциальных оценок внимание исследователя постоянно переходит с одного объекта на другой и обратно. Под воздействием непосредственной и оперативной памяти формируются дифференциальные оценки. Одним из примеров использования дифференциальных оценок является визуальная оценка границы зоны варки в стекловаренной печи, что рассматривается в гл. 3 при разборе задачи экстраполяции функции тепловых сальдо-потоков под плавящейся шихтой и варочной пеной. Абсолютные и разностные оценки находятся во взаимосвя.зи, дополняя друг друга. Следующим этапом распознания объектов является проверка каждого признака на общность к некоторому классу или выделение качественных различий [19]. При отсутствии такой общности могут быть выбраны другие признаки. [c.10]

Дистанционные, или бесконтактные, датчики служат для активного поиска и распознавания объектов манипулирования, обхода непериодически появляющихся препятствий, захвата неориентированных заготовок и деталей, соединения отдельных деталей при сборке изделий и т. д. Из дистанционных датчиков наибольшее распространение нашли светолокационные и ультразвуковые сенсоры. Функциональная схема светолокационного сенсора показана на рис. 63. Лампа накаливания 1 светового генератора 2 излучает узкий пучок модулированного светового потока через диафрагму 3. Часть светового потока, отраженная от объекта 4, улавливается фотодатчиком 5 приемника 6, откуда уловленный сигнал подается в блок усиления 7. В зависимости от силы и формы сигнала блок логики 8 формирует управляющую команду на захват детали или обход препятствия. [c.160]

Модуляционный метод обычно используют в дефектоскопии для оценки пространственного распределения свойств объекта. Если ВТП и объект взаимно перемещаются, то изменения свойств объекта, распределенные в пространстве, преобразуются в изменения сигнала во времени. Полученный от ВТП сигнал усиливается и детектируется, а затем анализируется огибающая высокочастотных колебаний. Структурная схема вьщеления информации модуляционным методом отличается от схем, приведенных на рисунках 3.4.9 и 3.4.10, только наличием усилителя огибающей, фильтров и блока распознавания сигналов, последовательно включенных межпу детектором и индикатором. [c.172]

Результаты машинного прогноза подвергаются экспериментальной проверке. Рассмотрим сперва наиболее трудоемкий и часто встречающийся случай полного отсутствия литературной иформа-ции. Тогда по сути мы имеем дело с планированием экспериментов по подбору катализаторов с использованием метода математической теории распознавания. План таких экспериментов является частью блок-схемы (см. схему). Прогнозы, полученные от машины на основе обучающей последовательности, построенной на первой серии собственных экспериментов, проверяются экспериментально. После этого составляется новая обучающая последовательность, которая состоит из первой и второй серии экспериментов. Выбираются объекты для второго тура прогноза и проводится прогнозирование машиной. Прогноз вновь проверяется экспериментально. Если полученные результаты удовлетворяют исследователя, отобранные катализаторы исследуются далее для уточнения их состава, структуры и режимов работы. Если полученные результаты не являются удовлетворительными либо в отношении точности прогноза, либо достигнутых [c.130]

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]

Справочник химика 21

Химия и химическая технология