Распознавание

Основу второго подхода составляет совокупность методов, объединяемых в кибернетике общим термином черный ящик . В их состав входят вероятностно-статистические методы анализа сложных явлений и систем, теория статистических решений и оптимального планирования эксперимента, методы теории распознавания образов, адаптации и обучения и т. п. Статистические методы поиска катализаторов позволяют по ограниченной экспериментальной информации просматривать значительные совокупности факторов, предполагаемых априори ответственными за каталитическую активность. Причем планы эксперимента предусматривают возможность варьирования испытываемых факторов на двух и более уровнях в зависимости от сложности поверхности отклика. Выявление доминирующих факторов проводится по различным вариантам ветвящейся стратегии, а их численная оценка — с использованием стандартных приемов регрессионного анализа. При усложнении задач статистического анализа методы корреляционного и регрессионного анализа уступают место математической теории распознавания с богатым арсеналом приемов раскрытия многомерных корреляций. [c.58]

Рис. 2.7. Классификационная схема систем распознавания объектов п явлений

Теоретическим основанием для решения задач распознавания является теорема компактности [40]. Каталитический процесс, реактанты, катализатор и продукты реакции могут быть представлены как точка в Л -мерном гиперпространстве. Координаты точки — это значения определенных свойств (признаков), определяющих его особенности. Метод распознавания образов представляет собой инструмент, который дает возможность определить, какие из свойств объекта являются общими, установить отношения, позволяющие выявить сходства, и прогнозировать свойства новых объектов. [c.77]

Основным понятием является понятие прямого ответа на вопрос. Прямой ответ — это фрагмент языка, отвечающий на заданный вопрос и удовлетворяющий требованию полноты, и только полноты. Прямой ответ может быть истинным или ложным. Для нас существенно, чтобы процедура распознавания того, является ли данный языковой фрагмент прямым ответом на поставленный вопрос, была эффективно разрешимой. [c.14]

Распознавание волокнистых материалов [c.302]

Этот четвертый аспект связан с пятым на заданные вопросы компьютер должен отвечать строго в терминах полученного сообщения, а не в терминах информации, которая могла быть запрограммирована в нем с целью обеспечить большую эффективность его работы. Например, если компьютеру было сообщено, что Пираты выиграли и не выиграли в 1971 г., то компьютер именно так и должен ответить, хотя мы могли бы запрограммировать его для распознавания ложности подобных сообщений. Затронутая проблема и проста и сложна одновременно если бы компьютер не сообщал о противоречиях в ответ на наши вопросы, мы не имели бы способа узнать о том, что в его базе содержится противоречивая информация. (Мы могли бы, если бы пожелали, запросить компьютер о выдаче нам дополнительного сообщения, например такого Мне было сказано, и что Пираты выиграли и что они не выиграли но это, разумеется, неправильно . Однако будет ли такое сообщение полезным ) [c.211]

Роль фермента заключается в том, что он предоставляет поверхность, к которой может прикрепляться тот или иной субстрат (молекула, подвергаемая воздействию на поверхности), и облегчает образование или разрыв связей в этой молекуле. Место на поверхности фермента, проявляющее такую активность, называется активным центром фермента. Фермент выполняет две функции распознавание и катализ. Если фермент будет без разбора связывать каждую оказавшуюся вблизи молекулу, то лишь небольшая часть времени израсходуется на катализ реакции, для которой предназначается данный фермент. Но фермент окажется точно так же бесполезным, если, связывая нужную молекулу, он не будет способствовать образованию или разрыву в ней надлежащих связей. Распознавание ферментами своих истинных субстратов осуществляется при помощи расположенных определенным образом в активном центре фермента боковых аминокислотных групп, способных взаимодействовать с молекулой субстрата электростатически, либо в результате образования водородных связей или же притяжения гидрофобных групп. Такой отбор молекул путем связывания с ферментом называется его специфичностью. [c.317]

Далеко не полный перечень упомянутых неоднородностей вносит значительные осложнения в однозначное истолкование механизмов адсорбционных и каталитических процессов. Обычно эти осложнения учитываются введением функций распределения участков поверхности по соответствуюш пм характеристикам (теп-лотам адсорбции, тепловым эффектам химических поверхностных реакций, энергиям активации хемосорбции и катализа). Иногда эффекты, воспринимаемые как следствие неоднородностей в кинетике и статике адсорбции и в кинетике каталитических реакций, объясняются как результат некоторого отталкивательного взаимодействия между адсорбированными молекулами [141. Однако до сих пор не выяснен вопрос о реальности и природе постулируемых сил отталкивания. Возникает проблема идентификации природы неоднородностей, разработки приемов их распознавания, позволяющих отличать географические неоднородности от влияния сил отталкивательного взаимодействия. [c.12]

Понятие отравления почти так же широко и неопределенно, как и понятие активности. Каждый раз, когда захват готовым катализатором постороннего вещества ухудшает его каталитические свойства, принято говорить об отравлении. Но это ухудшение может быть связано с различными изменениями твердого тела, оно может проистекать от различных кинетических эффектов. Поэтому проблема распознавания адекватного механизма дезактивации катализатора так же сложна, как и проблема установления адекватного механизма каталитического действия. [c.13]

Количественный аспект проблемы подбора катализаторов. В рамках количественного аспекта рассматриваемой проблемы можно выделить несколько характерных направлений 1) квантовохимический подход к прогнозированию активности гетерогенных катализаторов 2) прогнозирование катализаторов методом линейных корреляций 3) экспериментально-статистический метод подбора катализаторов 4) прогнозирование катализаторов методом математической теории распознавания. Сюда же примыкают энтропийно-информационные методы принятия решений при подборе катализаторов, а также разработка экспертных систем прогнозирования каталитического действия. Как уже упоминалось, методы количественных оценок при решении задач подбора катализаторов разделяются на два направления методы, основанные на глубоком анализе механизмов гетерогенного катализа, и формальные приемы анализа кибернетических систем типа черного ящика . Методы первого направления связаны в основном с развитием квантовохимических расчетов и установлением полуэмпирических зависимостей активности катализаторов от их физико-химических и термодинамических параметров. [c.60]

В отличие от классических методов прикладной статистики, в частности корреляционного и регрессионного анализов, математическая теория распознавания представляет собой эффективный [c.76]

Обобщенная схема распознающей системы показана на рис. 2.6, из которого видно, что любая процедура распознавания складывается из трех последовательных операций измерения, предварительной обработки и классификации [35]. [c.77]

Классификация систем распознавания может быть выполнена по-разному в зависимости от принятого принципа классификации. Так, все многообразие существующих систем распознавания можно условно разделить на три группы, расположенные на трех уровнях иерархии, на каждом из которых принимается свой принцип классификации [351 (см. рис. 2.7). [c.78]

Эти два класса систем применимы для решения задачи распознавания в чистом виде , когда известно число классов и приведено их описание. Для данных систем исследователь может поставить следующую задачу. Имеется некоторый процесс, который может протекать с различными катализаторами. Причем в данной группе катализаторов априорно (на основе экспериментальных исследований) выделена подгруппа А, катализаторы из которой обеспечивают большую селективность (пли более активны), и подгруппа В, катализаторы из которой обладают более низкими показателями. Разработан новый катализатор и определены его характеристики. Требуется, не проводя экспериментальных исследований, определить (спрогнозировать), к какой из данных подгрупп он относится. Решение подобных задач — задач предварительного отбора (скрининга) — существенно повышает эффективность поиска п синтеза необходимых катализаторов. [c.80]

Отметим особенность последних двух систем распознавания. Они должны быть адаптивными, т. е. учитывать поступающую в процессе функционирования информацию. [c.80]

Метод коллективного распознавания предполагает объединение различных методов в единый коллектив (систему), обладающий способностью формировать общее решение на основе частных решений. Пусть имеется подмножество методов С1 где V — множество реализованных в системе методов. Каждый метод на основе своего решающего правила [c.81]

При рассмотрении каталитических реакций важно то, что существуют определенные закономерности в строении индексных групп и в перераспределении валентных связей мультиплетного комплекса, что позволяет применять методы распознавания образов. При подборе катализатора необходимо также учитывать структурное соответствие индексной группы структуре катализатора, структурные особенности мультиплетных комплексов, тип и энергетику реакций и т. п. [c.93]

Процесс принятия решений при распознавании катализаторов согласно рассмотренной общей структуре распознающей системы включает три процедуры 1) подбор обучающей последователь- [c.81]

Рассмотрим кратко особенности каждой из этих трех процедур при подборе катализаторов методом теорпи распознавания. [c.82]

При построении процедуры предварительного выбора и последующего отбора признаков для распознавания обычно желательно свести к минимуму число распознающих признаков. Последнее объясняется ограниченными длинами обучающих последовательностей, наличием шумов от случайных признаков и т. п. Сокращение числа признаков проводят последовательно в два этапа сначала априорно, исходя из общих теоретических положений и существующих знаний о свойствах твердого тела, которые определяют его каталитическую активность затем, в ходе собственно процесса распознавания, с помощью соответствующим образом сконструированных алгоритмов распознавания. [c.82]

Для эффективного априорного отсеивания полезно принимать во внимание специфику задач распознавания в катализе, которые можно разбить на три типа а) выбор оптимального катализатора для данной реакции б) оценка пригодности данного катализатора для различных реакций в) выбор наиболее удачных комбинаций реакция—катализатор из заданного множества реакций и слабо ограниченного множества катализаторов. В первом случае признаками являются только свойства потенциальных катализаторов, во втором и в третьем — свойства катализатора в сочетании со свойствами молекул реагентов и продуктов. Общий принцип априорного отсеивания признаков состоит в том, что наиболее информативными признаками признаются те, которые теснее связаны с механизмом каталитической реакции. [c.82]

Успешное использование машинных средств при описании каталитических процессов связано с применением адекватного языка описания химической структуры. В настоящее время для описания химических структур все шире используют теоретико-графовые н топологические представления [54—56], например, при установлении изомеров в описании разветвленных молекул [57, 58] перечислении изомеров, соответствующих эмпирической формуле [59] определении структурного сходства и различия однотипных соединений [60] описании перегруппировок в полиэдрических координационных соединениях [61, 62] исследовании корреляций структура—свойство [63] и химическая структура—биологическая активность [64, 65] расчете квантовохимических параметров [63]. Перечисленные подходы, используя тот или иной способ кодирования структур, основываются на методах иденти-фикацпп, распознавания, логических выводов. [c.91]

Одним из эффективных методов второго этапа отсеивания признаков является метод плавающей границы распознавания [35]. Сущность его в том, что распознавание проводят с нарастающим числом признаков или с их перебором. При этом фиксируется повышение степени распознавания от добавления каждого признака или его исключения. Признаки, за счет которых не наблюдается увеличения числа правильных ответов, не рассматривают- [c.82]

Процедура установления границы классов может быть построена априорно, до начала процесса распознавания, либо в ходе собственно процесса распознавания. Первый подход имеет место, если в разрабатываемом множестве катализаторов не предполагается резкого различия между отдельными группами катализаторов и желательно подобрать катализаторы лишь по эффективности пх действия. В этом случае границы классов устанавливаются только но технико-экономическим соображениям. Итак, первый подход требует априорного установления границ классов. Второй подход представляет интерес в случаях, когда наряду с задачами прогнозирования возникают вопросы анализа механизмов явления и установления естественной классификации множества каталитически активных веществ по их свойствам. При этом граница классов заранее не устанавливается, а определяется в ходе решения задачи. Этот подход, называемый распознавание без учителя , требует применения специальных алгоритмов [35]. [c.83]

Кластерный анализ — одно из перспективных современных направлений алгоритмизации действий ЛПР при решении задач распознавания образов в условиях нечеткой, неполной, размытой информации. Понятие кластер используют для обозначения множества точек в пространстве признаков, не пересекающегося с другим множеством. На первый взгляд кажется, что термин кластер есть синоним слова класс . Однако между кластерным анализом и классификацией есть разница. Классификацию катализаторов можно вести по разным параметрам, нанример, по активности, селективности или механической прочности. В отличие от классификации кластерный анализ определяет границу между естественными группами реализаций, не пересекающимися во всем пространстве рассматриваемых признаков. С этой точки зрения можно сказать, что установление естественной границы классов по алгоритмам без учителя есть кластерный анализ. [c.83]

Алгоритмы распознавания для прогнозирования катализаторов могут строиться на различных принципах, среди которых в гетерогенном катализе хорошо зарекомендовали себя принципы потенциальных функций и перцептрона. [c.85]

Недостатком метода потенциальных функций является его большая чувствительность к неравномерному расположению точек обучающей последовательности в пространстве признаков. Может оказаться, например, что наибольшая плотность точек будет в тех частях каждого из классов, которые соответствуют малонаселенной области другого класса (рис. 2.10). В этом случае возможны ошибки при распознавании. Действительно, новая точка х может быть ошибочно отнесена к классу Б, так как она ближе к основной массе точек этого класса, а не к точкам своего класса А. Для компенсации этого недостатка используют специальный прием, когда увеличивают потенциал класса в областях с малой плотностью точек это повышает надежность распознавания [49]. [c.86]

В искусственных вопросно-ответных системах требование различения может быть учтено, а может и не быть. Так, можно было бы как предусмотреть, так и не предусматривать в базе данных системы в качестве фоновой информации, что Питтсбургские пираты и Лос-анжелосские хитрецы обозначают разные объекты. Точно так же можно было бы кгк снабдить, та и ке снабжать систему средствами распознаванйя того, что матч между командами Пираты — Хитрецы 24 июля 1968 г. тот же самый, что и матч Хитрецы — Пираты 24 июля-1968 г. Именно все эти соображения навели нас на мысль, что вопрос о том, должны ответы выражать требование различения или кет, следует оставить открытым. [c.74]

Содержанием данной работы является описание процедуры для автоматического поиска определенных сегментов информации, представленной в явном или неявном виде и хранимой в банке данных через вопросы, задаваемые на естественном языке. Процедура предусматривает использование распознающего устройства, которое относительно определенного класса грамматик правильно разрешает грамматичные и неграмматичные продолжения естественного языка. Такого рода устройство можно использовать по следующей причине значительная часть информации полностью выразима в виде множества предложений естественного языка — множества, которое может быть исчерпывающе порождено грамматикой и притом такой, которая порождает только это множество. Опираясь на правила этой грамматики, распознаватель будет давать оценку утвердительным и вопросительным предложениям в нормальной ситуации. Поскольку распознавание достигает успеха лишь в том случае, если заданный вопрос взят из множества предложений, выражающих информацию, или, говоря более точно, является грамматически правильным относительно грамматики, порождающей данное множество предложений, сам процесс распознавания является процедурой поиска информации. Когда распознавание приводит к успеху, значение функции распознавания есть запрашиваемая информация. [c.200]

Технические весы первого класса грузоподъемностью 1 кг марки Т1-1 (рис. 67) помещены в остекленную деревянную витрину с тремя дверцами. В верхней части коромысла укреплены балансировочные винты с гайками и регулятор центра тяжести коромысла. В правой части витрины весов расположены вращающиеся лимбы, с помощью которых производится накладывание миллиграммовых гирь (в пределах от 10 до 900 мг). Эти гири имеют форму колец поворотом на нужный угол лимбов гири накладывают на подвеску гирьной площадки. На лимбах имеются надписи, показывающие массу наложенных гирь. Для взвешивания на технохимических весах применяют точный разновес (рис. 68). Он представляет собой набор гирь, расположенных в определенном порядке в гнездах деревянного ящика. Кроме граммовых гирь в разновесе имеются миллиграммовые гири, которые для удобства распознавания делают разной формы [c.45]

Следующий этап процедуры состопт в проведении уточняющих расчетов о природе и составе потенциальных катализаторов. Эти расчеты в зависимости от полноты знаний и типа реакции могут базироваться на расчетных методах подбора катализаторов, упомянутых в разд. 2.1. После анализа литературных и расчетных данных выполняется колшлектация обучающей последовательности. Практический опыт показывает, что на самом первом этапе обучения для подбора однокомпонентных катализаторов можно исходить из последовательности в 10—15 катализаторов, а при подборе многокомпонентных катализаторов это число надо умножить, по крайней мере, на максимально возможное число компонентов в одном катализаторе. После получения обучающей последовательности п разбиения ее по классам следует составить перечень свойств катализатора плн его компонентов для включения их в таблицу признаков при проведении прогнозирования методом распознавания. [c.88]

Удельные веса, фракций, на которых до1волъно долго пытались основывать способ распознавания и сравнения, могут различаться [c.14]

Примененпе методов теории распознавания образов к химическим задачам началось в середине 60-х годов в основном в связи с масс-спектральными исследованиями [33]. Примеры постановки и решения отдельных задач для каталитических процессов рассматриваются в работе [34]. Исследования в области теории распознавания носят порой эвристический характер, однако они получили широкое распространение в различных приложениях благодаря универсальности самих методов. Проблемам распознавания посвящено много изданий — монографии, обзорные статьи и сборники, журнальные публикации (см., например, [35—44]). Поэтому, не ставя задачу раскрыть особенности различных методов, постараедгся сформулировать общие требования к распознающим системам с учетом свойств объекта — каталитического процесса. [c.77]

Процедура, с помощью которой из пространства измерений отбираются наиболее информативные признаки, называется отбором признаков. Цель отбора признаков — добиться наибольшего эффекта распознавания при наименьшем числе признаков. Для этого используют такие методы, как максимизация кластери-зуемости, минимизация дивергенции, отбор наименьшего числа признаков при сохранении дисперсии распределения, просеивание — скрининг и др. [c.78]

I уровень. В основу классификации на этом уровне по.тюжена зависимость различных методов распознавания от используемого математического аппарата для описания признаков детерминированного, вероятностного, логического или лингвистического. В детерминированном подходе для построения алгоритмов распознавания используют геометрические меры близости (евклидово расстояние, взвешенное расстояние между точками, расстояние по Хеммингу и т. п.). При вероятностном подходе для пост- [c.78]

Простые системы — все признаки при распознавании однотипны (например, масса). Сложные системы — в качестве признаков могут использоваться различные физические и химические свойства, результаты прямых и косвенных измерений. Сложные системы наиболее типичны для прикладных исследований в каталитических процессах. Например, в [2] для решения задачи прогнозирования многокомпонентных катализаторов использовались экспериментальные данные пассивных опытов по определению селективности на основе смеси УзО, и М0О3 (в реакции парофазного контактного окисления 2,6-диметилииридина). В качестве признаков были выбраны 20 разнотипных характеристик. В их число вошли отношение радиуса атома металла к радиусу атома кислорода в твердом оксиде, плотность оксида, цветность оксида по трехбальной шкале, отношение кристаллических пустот к собственному объему молекулы оксида в кристаллической структуре, зонный фактор (расчетная величина), мольная магнитная восприимчивость твердого оксида и т. п. Сложные системы в зависимости от способа получения информации можно подразделять на одноуровневые и многоуровневые. [c.80]

Развитие методов теории распознавания ставит вопрос о выборе наилучшего алгоритма из множества известных. В настоящее время интенсивно развиваются и совершенствуются иерархические системы распознавания. В их число входят получившие широкое распространение распознавание по схеме перцептрона [41], по переборной схеме Бонгарда [42] и др. Для данных методов наряду с достоинствами выявлены и недостатки — ограничение бинарными изобранхениями. Существенным шагом развития иерархических систем является метод, получивший название коллективного распознавания [43]. [c.81]

I, Ь Ь — число выбранных в подмножество методов распознавания) формирует индивидуальное решение (г = 1, Ь). Тогда коллективное решение формируется как функция индивидуальных решений Л = Ф ( г, , г = 1, Ь). Следует учитывать, что в Н = Ф ( ) каждое индивидуальное решение может входить с определенным весом. Вес определяется как методом, так и видом распознаваемой ситуации. Сформированное подмножество методов будет содержать как эффективные, так и неэффективные методы. Поэтому необходимо в системе распознавания предусмотреть процедуру оптимизации коллектива — алгоритмы селекции. Для решения этой задачи предлагается применение неформальных приемов — эвристик, в качестве которых могут выступать метод, прием, правило или стратегия [44]. Проведенные сравнительные оценки метода коллективного голосования с известными методами (минимума расстояния до средних, потенциальных функций, Байеса и т. п.) показали его преимущества [45]. Следовательно, одним из путей иовышення эф( ективности применения методов теории распознавания, является реализация системного принципа синтеза решающих правил (принятие решений) на основе метода коллективного распознавания. [c.81]

Реализация первой процедуры требует репгения вопроса о взаимосвязи между надежностью распознавания Р и отношением NID, где N — величина обучающей последовательности, D — размерность пространства признаков. Для случая гауссова распределения реализаций в пространствах признаков каждого из двух классов методом математического эксперимента абстрактно можно показать, что вероятность правильного распознавания более 80% достигается при NID 2 [45]. Проверка этого вывода на реальных задачах распознавания строения молекул по их пектрам показывает, что это условие является слишком жестким и хорошие результаты (Р > 80%) достигаются и при NID = 1. Очевидно, что чем больше среднеквадратическая ошибка в определении значений признаков, тем больше должно быть NID. [c.82]

Процедура принятия решений при подборе состава катализаторов для проведения некоторой новой, сравнительно мало изученной реакции отличается тем, что в этом случае класс1шеские методы распознавания оказываются недостаточными, и решение приходится искать на пути построения многоуровневых эвристических программ, в которых програл1мы распознавания используются в качестве подпрограмм [511. Процедура реализуется в диалоговом режиме ЛПР—ЭВМ и ориентирована на функционирование в виде системы искусственного интеллекта. Первый этап состоит в анализе первоначальной информации, получаемой из реферативных химических журналов, патентов, справочников [52], машинных информационных систем, экспертных оценок. В результате создаются общие представления о возможном круге катализаторов или добавок к ним для рассматриваемой реакции. [c.88]

Важной группой методов теории распознавания, имеющей большое значение для исследования каталитических процессов, является группа структурных методов распознавания [70, 71]. При анализе информации о структуре веществ каталитической системы прежде всего обрабатываются данные измерений с целью выделения признаков (дескрипторов), что позволяет получать новое представление о структуре со свернутым информационным содержанием. Обработка данных эксперимента может также сводиться к обнаруйсению и использованию регулярных структур-образов (комбинаторных регулярных структур [72]). Использование комбинаторной регулярности в качестве принципа описания структуры обеспечивает экономное привлечение средств описания. [c.92]

Справочник химика 21

Химия и химическая технология