Обучение машин

Таким образом, обучение машины распознаванию образов складывается из нескольких стадий описания объектов выбора типа решающего правила обучения распознаванию (определение изменяемых параметров решающего правила) оценки качества полученного правила. [c.243]

Для геометрической интерпретации задачи обучения машины распознаванию образов поставим в соответствие каждому объекту, предъявляемому машине для обучения или распознавания, точку /-мерного векторного пространства. Объект можно также представить в виде вектора, начало которого находится в начале координат, а конец — в точке с координатами, являющимися компонентами данного вектора. Пространство, элементам которого соответствуют различные объекты, подлежащие классификации, называется рецепторным. [c.243]

Прежде чем принять самостоятельное решение, машина обследует эталонную выборку, осуществляя предварительную обработку. Предъявляемые ей объекты называют, относят к определенным классам, и после такого обучения машина будет способна опознать ранее не предъявляемый объект к одному из известных классов. Одним из важнейших направлений в использовании такой обучающей машины в аналитических целях является идентификация сложных многокомпонентных смесей — так называемое распознавание образов [84]. [c.251]

В процессе обучения машина, в закодированном виде, запоминает положение всех предъявленных ей реализацией в пространстве признаков раздельно для каждого класса. В процессе распознавания [c.104]

Чисто теоретически для однозначного предсказания результатов величина обучающей последовательности (число реализаций в массиве, используемом для обучения машины) должна превышать размерность пространства признаков, в котором проводится распознавание. Поскольку, однако, задача имеет статистический характер, то такого жесткого условия не ставится. Фактически существенным является вопрос о взаимосвязи между надежностью распознавания (Р) и соотношением между величиной обучающей последовательности (N) и размерностью пространства признаков D). В работе [9] методом математического эксперимента была проанализирована такая зависимость для случая гауссового распределения реализаций в пространствах признаков каждого из двух классов. Было показано, что вероятность правильного распознавания более 80% достигается только при N/D 2. Для N/D 3 надежность распознавания существенно не зависит ни от размерности пространства признаков, ни от незначительного перекрывания границ классов в этом пространстве. Проверка этих выводов на реальных задачах распознавания строения молекул по их спектрам показала, что и эти условия являются слишком жесткими и хорошие результаты (Р>80%) были достигнуты и при N/D = 1. Исходя из имеющегося опыта, свидетельствующего, что апостериорное число значащих признаков при распознавании катализаторов обычно не превышает 10—15, можно считать, что указанные цифры являются нижней границей величины массива обучающей последовательности в рассматриваемом круге задач. Желательно, однако, но возможности существенно увеличить этот массив. Дело в том, что указанные соотношения соблюдаются при достаточно точном определении самих значений признаков. В задачах распознавания катализаторов это имеет место не так часто, как указывалось выше. Каковы соотношения между величинами Р, N/D и а (среднеквадратичной ошибкой в определении [c.107]

Следующим этапом исследования является процедура обучения машины распознаванию активных катализаторов, что подробно описано в предыдущей главе. Как указывалось там, эта процедура сама по себе итеративная и заканчивается не только установлением факта способности машины с принятой степенью вероятности распознавать катализаторы, но и отсеиванием незначащих признаков и ранжировкой влияющих признаков по степени их влиятельности. [c.130]

После обучения машины или в ходе его, смотря по алгоритму, проводится прогнозирование новых катализаторов, не включенных в обучающую последовательность. К настоящему моменту алгоритмы распознавания, изложенные в предыдущей главе, не дают возможности полностью машинизировать процесс прогнозирования. Поэтому исследователю приходится самому выбирать объекты для распознавания и предъявлять их машине. В принципе возможно закладывать в память машины массив всех потенциальных катализаторов с тем, чтобы она сама выбирала из них объекты, удовлетворяющие заданным требованиям в отношении активности или селективности. Пока мы не располагаем такими программами и нам не известно об их существовании. [c.130]

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]

Фу К. Последовательные методы в распознавании образов и обучении машин.— М. Наука, 1971. [c.81]

Процедуру, в которой задан некоторый обучающий массив, в котором известны все параметры и на основе которого конструируют классификатор (разделяющая поверхность, правило ближайшего соседа и т. д.), называют обучением машины с учителем. Процедура может оказаться полезной при идентификации, когда имеются выработанные на представленных обучающихся массивах весовые векторы, и тогда нет необходимости в большой библиотеке данных с системой поиска аналогов. Все вычисления можно делать уже на небольшом калькуляторе. [c.116]

Другой пример удивительной эффективности простейших методов механического заучивания для обучения машины решению сложных задач управления может быть заимствован из работы, проделанной Р. А. Чемберсом и мною. Перед нами стояла задача автоматической балансировки обратного маятника на тележке, перемещаемой электродвигателем в условиях черного ящика . Эта задача, сходная с другими, часто встречающимися в адаптивных системах управления задачами, имеет, в сущности, ту же самую формальную структуру, что и задача обучения игре против природы . Стратегия противника определяется вероятностными законами, которые характеризуют реакцию неустойчивой системы на сигналы управления. Сигналы управления тем самым можно рассматривать как ходы , делаемые человеком, а сигналы, описывающие состояния объекта, соответствуют позиции в игре. [c.108]

Эта задача имеет ту же самую структуру, что и обучение игре, с природой в качестве противника. В начале обучения машина находится в состоянии полного неведения и обучается исключительно на опыте. На приведенной фотографии движение маятника и тележки представлено на экране электроннолучевой трубки ЭВМ. Оператор с помощью световой указки стремится управлять мотором тележки таким образом, чтобы маятник находился в состоянии равновесия. Эксперимент планировался таким образом, чтобы человек и машина сотрудничали в обучении, достигая результатов, лучших чем возможно для каждого из них в отдельности. [c.109]

В процессе обучения машина накапливала информацию в виде относительного изменения весовых коэффициентов. В результате величина одних сигналов увеличивалась, а других — уменьшалась. Изменения весов создавались автоматически при просмотре глазом определенного контура и одновременно подаваемого вторичного классификационного сигнала от учителя или тренера. Два выходных блока индицировали класс, к которому машина относила наблюдаемый ею контур, и когда он не совпадал с классом, заданным тренером, последний наказывал машину, подавая напряжение на болевой вход. Когда же оценка машины была правильной, то она вознаграждалась подачей напряжения на вход удовольствия . [c.158]

Быстродействие является важным фактором во многих областях применения обучающихся машин, однако необходимо помнить о разнице между скоростью обучения и скоростью вспоминания или реакции, которые могут быть весьма различными. Скорость обучения машин с электромеханическими блоками памяти мала, поскольку инерция ограничивает скорость изменения весов. Машины, однако, могут иметь большую скорость реакции, поскольку веса во время этого процесса не должны изменяться. [c.163]

Ранее упоминались или рассматривались различные формы обучения роботов. Сбор, обработка и запоминание информации в процессе создания моделей окружения представляют собой одну из простых форм обучения. Другой формой является использование переменных весовых коэффициентов, на основе которых выбирается стратегия и тактика действий, эти коэффициенты автоматически изменяются в зависимости от успеха или неудачи. Третья форма обучения заключена в адаптивных методах распознавания образов. Большое число известных фигур предъявляется различающим логическим цепям распознаваю-щего устройства, и параметры этих цепей автоматически изменяются в зависимости от правильного или ошибочного решения. По мере тренировки качество распознавания улучшается до предела, который зависит от многих факторов, прежде всего от выбора признаков каждой фигуры. После обучения машина может классифицировать не встречавшиеся ей ранее фигуры, сходные с использованными в процессе обучения. Это дает возможность тренировать визуальную систему робота на неизвестных ему объектах. При этом робот будет присваивать каждому объекту произвольное кодовое наименование, а затем — отождествлять его с подлинным наименованием, задаваемым человеком-оператором. [c.184]

Следующим этапол стратегии является процедура обучения машины раснознаванию активных катализаторов. Эта процедура сама по себе итеративная и заканчивается не только установлением факта способности машины распознавать катализаторы с заданной степенью вероятности, но и отсеиванием незначащих признаков и ранжировкой влияющих признаков по степени их влиятельности. После обучения машины пли в ходе его проводится прогнозирование новых катализаторов, не включенных в обучающую последовательность. Результаты машинного прогноза подвергаются экспериментальной проверке. [c.88]

После анализа литературных и расчетных данных проводится комплектация обучающей последовательности. Если исходная литературная экспериментальная информация достаточно большого и надежного объема, то дело ограничивается составлением по этой информации исходных таблиц для обучения машины, как это описано в предыдущей главе. Если исходная литературная информация отсутствует или ненадежна, то приходится ставить первоначальную серию экспериментов для создания обзгчающей последовательности. [c.128]

Работа нрограммы распознавания, предложенной Браверманом, основана на гипотезе, согласно которой точки, принадлежащие изображениям различных классов (например, буквам а и б), группируются в различных областях рассматриваемого п-мерного пространства, так что они могут быть разделены с помощью не слишком сложной поверхности. Иначе говоря, с помощью этой гипотезы утверждается соответствие понятий сходства изображений и близости соответствующих им точек в п-мерном пространстве. А из этого и следует, что вполне очевидное утверждение — картинка из данного класса более похожа на картинки из своего класса, чем на картинки из чужого — должно означать следующее точки, принадлежащие объектам одного класса, расположены ближе друг к другу, чем к точкам другого класса . На основе этой гипотезы был создан алгоритм процесса обучения машины распознаванию изображений с помощью показов. Согласно этому алгоритму, в процессе обучения в машину вводят некоторое количество векторов из каждого класса, и машина проводит поверхность, разделяющую точки, принадлежащие различным классам. На этом процесс обучения заканчивается и машина готова проводить узнавание новых объектов. Отнесение нового объекта к тому или иному классу производится в зависимости от того, по какую сторону от разделяющей поверхности, построенной в результате обучения, попадает соответствующая точка. [c.257]

Рис. 2. Знакомые образы. машина иСЬЛМ опознает, дал<е если они появляются на фоне шумов или на незнакомом фоне. 10 цифр опознаются прави.пьно, несмотря на чернильные пятна на фоне. Если расположение чернильных пятен имеет смысловое значение, то оно также может быть опознано машиной в ходе дальнейшего обучения. Машина иСЕМ-П могла также читать 10 показанных на рисунке рукописных слов. Они группируются в большое число имеющих смысл фраз типа приведенной. Однако в настоящее время машина может читать нх только слово за словом. Машины с ббльши.м объемом памяти смогут научиться узнавать смысл написанных, а позже и произнесенных голосом фраз.

В ходе эволюции обучающихся машин, начиная с примитивной Лирм, увеличивалось число входных и выходных каналов и разнообразие типов информации. Так, обучающиеся машины были снабжены приемниками звуковых и световых сигналов. Тем самым они приобрели простейшие свойства органов слуха и зрения однако для того чтобы использовать расширенные возможности входных каналов, машины должны быть также снабжены более широким выбором реакций, а это требует увеличения числа выходов. При соответствующих размерах конструкции возможно, например, обучение машин опознаванию особенностей сложной обстановки и выбору оптимального образа действий из широкого круга возможностей. Такие возможности необходимы во многих сложных проблемах обучения. За прошедшие 14 лет объем памяти обучающихся машин существенно увеличился, однако они все еще не располагают объемом па.мяти, достаточным для решения многих практических проблем. [c.157]

Поэтому в 1955 г. был разработан план создания машины иСЬМ-II, имеющей примерно в 10 раз большее число входных и выходных каналов и в 100 раз большую емкость памяти, чем машина иСЬМ-1. Щедрая субсидия, предоставленная фондом Нафилда, обеспечила создание такой машины, однако сначала необходимо было создать новый блок постоянный памяти, ибо работа весовых блоков машины иСЕМ-1 основана на хранении информации в виде заряда конденсаторов. Обучение машины с таким устройством памяти необходимо было завершать в течение одного или двух часов до того, как успеют заметно разрядиться конденсаторы. Если подобная машина испытывалась на следующий день после обучения, то содержимое ее памяти в значительной мере стиралось. [c.159]

Фактически оба этана совмещались, и вся процедура аранжировки признаков и обучения машины сводилась к следующему. Машине предъявлялся для узнавания один из объектов обучающей последовательности, lio оставшимся объектам последовательности рассчитывали потенциалы классов в отношении предъявленного объекта, и объект относили к тому классу, потенциал которого выше. После этого отмечали, ошиблась машина или нет. Таким образом, машине предъявлялись все объекты и фиксировался процент узнавания для данной комбинации признаков. Комбинации признаков меняли по определенной программе и для каждой из них фиксирова.ии процент узнавания. [c.213]

Сущность НТД или ППО, назначение, область применения. Обучающая программа предназначена для обучения машини- [c.246]

Справочник химика 21

Химия и химическая технология