Распознавание образов

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. 4.3. Блок-схема процедуры распознавания образов методом выделения признаков и классификации

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]

Методы теории распознавания образов широко применяют для решения таких задач, как распознавание буквенно-цифровой информации, прогнозирование погоды, установление медицинских диагнозов, анализ звуковых записей и т. д. Важным свойством методов распознавания образов является то, что полное знание распределения вероятностей данных не требуется. Если в распоряжении имеется лишь небольшое число измерений, и поэтому нельзя определить значимые статистические распределения, то можно использовать непараметрические методы [66]. [c.85]

Образ, или распознаваемый класс, — это совокупность различной природы сигналов, имеющих некоторые общие свойства. Распознавание образов — это процесс установления вида, или класса образа на основе его определенных признаков. Наиболее широко используют два метода распознавания образов 1) наложение на шаблон и 2) выделение признаков и классификация [66]. [c.85]

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]

Метод распознавания образов Симплекс-решетчатый план [c.293]

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]

Распознавание образов является одной из форм обработки информации, поступающей от системы или объекта. Задача распознавания состоит в сравнении признаков изучаемого объекта с ранее известными и отнесении объекта к одному из классов (т. е. в классификации). Классы характеризуются тем, что принадлежащие им объекты обладают некоторой общностью (сходством), например характеризуются одинаковой структурой функционального оператора. То общее, что объединяет объекты в класс, принято называть образом. К задаче построения математического описания объекта или системы с точки зрения проблемы распознавания образов можно подходить двояко. Один из подходов заключается в том, что в качестве образа, который необходимо опознать, выступает сам функциональный оператор ФХС. С другой стороны, вместо функционального оператора Ф строится кибернетическое распознающее устройство, которое прогнозирует поведение системы так же, как это делал бы соответствующий функциональный оператор. [c.86]

Для разработки оптимальных диагностических алгоритмов сложных ХТС используют аппарат математического анализа и дискретной математики, теории исследования операций, математического программирования, алгебру логики, теории вероятностей и статистической динамики, а также новые специальные разделы современной математики — эвристическое программирование, теорию распознавания образов, теорию тестов, теорию вопросников, теорию искусственного интеллекта и др. [c.79]

На современном этапе разработки методологии САПР идет процесс накопления базы знаний с тем, чтобы перейти к автоматизации проектирования как к решению задач искусственного интеллекта и распознавания образов. Предпосылками этого являются интеллектуальные ЭВМ, достигнутые успехи в области обеспечения диалога на естественных языках, уровень проработки прикладного математического обеспечения. Создание таких систем является перспективой развития и совершенствования САПР. [c.620]

Один из перспективных подходов состоит в сведении проблемы формального синтеза оператора объекта к проблеме оптимальности в условиях неопределенности. В этом случае основой развиваемых методов являются такие понятия, как адаптация, обучение и самообучение. Математический аппарат, адекватный этим понятиям, находится на стыке нескольких дисциплин математического программирования, теории вероятности и математической статистики. Позиции адаптации и обучения являются исходными и в таких направлениях анализа абстрактных систем, как распознавание образов и синтез дискретных моделей физических систем в виде обучающихся автоматов. К этим вопросам примыкают методы построения булевых моделей сложных объектов, основанные на сочетании идей факторного анализа с некоторыми приемами [c.81]

Эффективность решения задачи распознавания в конечном счете определяется тем, насколько эффективно организовано обучение распознающего устройства процедуре классификации. Поэтому основное внимание в проблеме распознавания образов уделяется задаче обучения распознаванию. [c.86]

Задача обучения распознаванию образов близка к задачам экстраполяции и аппроксимации строится оператор, который после некоторого числа показов вектора х правильно опознает новые объекты, не появлявшиеся ранее в процессе обучения. [c.87]

Распознавание образа — дифференциального оператора объекта. [c.89]

Под минимизацией булевой функции понимают нахождение ее минимальной д. н. ф. Различные способы решения этой задачи описаны в специальной литературе 129—321. Алгоритмы минимизации систем булевых функций с успехом используются в задачах распознавания образов, позволяя классифицировать и выражать в сжатом виде поступающую информацию и использовать ее для распознавания новых ситуаций [33]. [c.103]

При обсуждении методов построения математических моделей ФХС с точки зрения распознавания образов (см. стр. 86) отмечалось, что один из возможных путей формального описания ФХС состоит в конструировании распознающего устройства, которое прогнозирует поведение системы так же, как это делал бы соответствующий функциональный оператор. Достоинство такого конструктивного подхода к решению поставленной задачи состоит в его инвариантности к изменению внутренних характеристик системы и виду ее аналитического описания. Математический аппарат, адекватный данному подходу, находится на стыке нескольких дисциплин распознавания образов, теории вероятности и математической статистики, алгебры логики, теории конечных автоматов. [c.118]

Г. С. Себастиан. Процессы принятия решений при распознавании образов. Киев, Техника , 1965, с. 270. [c.133]

Теория распознавания образов — сравнительно новый и еще не полностью сложившийся раздел кибернетики. Это подтверждается тем, что в настоящее время исследования в области распознавания образов нередко носят эвристический характер [99]. Однако методы распознавания образов достаточно широко используют для решения сложных задач в самых разных областях автоматический перевод (распознавание буквенно-цифровой информации) [100] постановка медицинских диагнозов [101] социологические и экономические исследования [102] прогнозирование свойств многокомпонентных смесей [103, 104] и свойств катализаторов [105] автоматизация проектирования технологии [107] и т. д. Проблема распознавания образов — одна из центральных проблем кибернетики. [c.241]

В координатном пространстве традиционно регистрируемых параметров (Р,Т,0) все многообразие изменений режимов однозначно идентифицировать невозможно. Поэтому предложено увеличить количество координат в задаче распознавания образов за счет производных этих параметров по времени и продольной координате [c.152]

Обучение и распознавание образов с использованием нейронных сетей. Первые работы по обучению и распознаванию образов с использованием нейронных сетей (персептронов) начаты еще в конце 1950-х годов. Практические успехи в современном развитии вычислительной техники, а также некоторые недавние успехи в теории ИИ пробудили новый интерес к адаптивным обучающимся системам на основе нейронных сетей. Такие системы способны создавать образы (речь) как во времени, так и в пространстве (зрительные образы). Обучение эвристических программ и ЭВМ — активно развивающаяся область исследований теории ИИ. Решение этой проблемы обеспечит прогресс в создании автоматизированных процедур приобретения и накопления новых знаний, которые являются узким местом при разработке экспертных систем. [c.47]

В последние годы НС успешно использовали для распознавания образов и обучения при диагностике отказов ХТС, при идентификации ХТП, при автоматическом управлении ХТП в условиях шумов и др. 4, 39, 40] их использовали для распознавания связи между образами данных, поступающих от датчиков, и ошибками измерений при различных способах измерений [4]. Важным вопросом при использовании НС в химической технологии является выбор структуры НС [39]. Например, при моделировании процесса ферментации использовали НС, состоящую из двух скрытых слоев, каждый из которых состоял из четырех узлов входной слой содержал шесть узлов, а выходной — один узел [40]. Число узлов входного и выходного слоев НС равно числу входных и выходных переменных ХТП. [c.88]

Нейронные сети в настоящее время широко используют в химической технологии для решения различных задач распознавания образов. Одной из важнейших функций мозга является способность распознавать (узнавать) объекты и явления, которую называют феноменом восприятия. Образ — это множество объектов (или явлений), обладающих общими свойствами (признаками). При этом принимают во внимание только существенные признаки, которые присущи объектам одного образа и не встречаются у объектов других образов. Распознаванием называют процесс обработки информации об объекте, в результате которого последний относится к тому или иному образу. Таким образом, распознавание является разновидностью процессов классификации. Процессу распознавания всегда предшествует процесс обучения. Различают обучение с учителем и самообучение. [c.89]

Как и в других отраслях знания, в химии и химической технологии не все образы имеют четкие границы, и в силу этого используемые программы распознавания не всегда могут гарантировать безошибочную классификацию. Основная задача теории распознавания образов состоит в выработке решающих правил, позволяющих относить опознаваемые объекты к тому или другому образу (классу). Исходной информацией для построения решающего правила является обучающая последовательность или обучающая выборка, которая содержит представительный набор объектов разных классов. [c.89]

Если для каждого объекта дается информация о его принадлежности к определенному классу, возникает задача обучения распознаванию образов. При отсутствии указаний о принадлежности объектов к тем или иным классам возникает более сложная задача — самообучения. [c.89]

Вывод по умолчанию выполняет весьма важную функцию при распознавании образов и речи. Например, если видна только часть образа, то, заменив оставшиеся части значениями по умолчанию, можно воссоздать полный образ. Точно так же, используя значение по умолчанию, можно восстановить смысл контекста, из которого выхвачены отдельные предложения. [c.130]

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

Для моделирования химико-технологических процессов, диагностики неполадок в производстве и оптимизации процессов по качеству конечных продуктов в последние годы все шире применяют методы распознавания образов и логико-структурный подход к анализу многомерных данных [97, 98]. Теория распознавания образов и логическое моделирование основаны на сочетании идей факторного анализа с некоторыми методами алгебры логики, в частности, методами минимизации булевых функций, предназначенными для извлечения информации из больших массивов данных. [c.241]

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]

Перцептрон — система распознавания образов/Под ред. А. Г. Ивах-ненко. Киев Наук, думка, 1975. 431 с. [c.353]

Из методов теории распознавания образов для обнаружения и выявления причин неисправностей, основанных на непараметрическом (со свободными распределениями) подходе к устаков-лению стратегии классификации, можно выделить дискретный анализ, кластерный анализ и последовательные непараметрические методы классификации. [c.86]

В. С. Пугачев. Статистические проблемы теории распознаваЕШЯ образов. — В сб. Самонастраивающиеся системы. Распознавание образов. Конечные автоматы и релейные устройства . Труды Всесоюзного совещания по автоматике. М., Наука , 1967, с. 430. [c.131]

Наиболее приемлемой к данному случаю архитектурой среди разработанных к настоящему времени является многослойная сеть с принщшом связи "один со всеми". Ключевым свойством нейросетей, выделяющих этот подход из ряда других методов распознавания образов, является возможность "обучения" сети к конкретному объекту мониторинга по мере накопления опыта его эксплуатации настройкой параметров О [c.153]

Химические приложения топологии и теории графов (1987) -- [ c.222 , c.534 ]

Статистика в аналитической химии (1994) -- [ c.14 ]

Компьютеры в аналитической химии (1987) -- [ c.190 , c.197 , c.382 , c.394 , c.397 ]

Обнаружение и диагностика неполадок в химических и нефтехимических процессах (1983) -- [ c.21 , c.22 , c.221 ]

Нейробиология Т.2 (1987) -- [ c.284 , c.285 ]

Справочник химика 21

Химия и химическая технология