Применение распознавания образо

ОБЛАСТИ ПРИМЕНЕНИЯ РАСПОЗНАВАНИЯ ОБРАЗОВ [c.9]

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

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]

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]

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]

Базовая архитектура микро- и миникомпьютеров и больших систем с центральными процессорами была описана в гл. 4. Их использование в качестве средств ОД было рассмотрено на различных примерах, приведенных в предыдущих главах. Еще раз следует отметить, что специфические виды применения коМ пьютеров в ОД часто требуют средств определенного типа, а для решения ряда задач может потребоваться комбинация этих средств. Так, например, чтобы провести с минимальной задержкой обработку большого объема кристаллографических данных [7], необходим большой компьютер с центральным процессором или матричный процессор. В тех случаях, когда необходимо обработать большой объем данных, например при распознавании образов [8] или в спектроскопии сетки фотодиодов, мощность миникомпьютера или быстрого микропроцессора может оказаться вполне достаточной. Другие виды обработки данных могут быть идеально выполнены при помощи микропроцессора, в статье [11] приведен прекрасный пример применения микрокомпьютерной системы для обработки результатов, получаемых в процессе потенциометрического анализа десорбции. Примером комбинации средств ОД для решения аналитической задачи может служить описанное в статье [12] использование двух микропроцессоров (и периферийных устройств) и связанного с ними по телефонной сети центрального процессора для анализа и представления данных исследования рентгеновской эмиссии, индуцированной протонами. [c.373]

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]

Методы теории распознавания образов особенно интересны для предсказания новых структур психоактивных соединений, поскольку они позволяют отобрать для прогноза наиболее информативные признаки описания предусматривают применение более гибкого математического аппарата (так как при выборе решающего правила можно учесть структуру множеств классов в пространстве описания) не накладывают на априорную информацию таких жестких условий, как в регрессионном анализе н, более того, по мере накопления информации осуществляется автоматическая коррекция построенных моделей. [c.28]

Как уже отмечалось (см. главу 1), более перспективным подходом к изучению связи между структурой и активностью препаратов является, по-видимому, подход, связанный с применением математического аппарата теории распознавания образов. Впервые данный подход к изучению связи между структурой и активностью в ряду производных 1,4-бенздиазепина сделан в работе [14]. [c.274]

Применение таких ЭВМ позволяет реализовать следующие функции осуществить диалог с оператором в максимально дружественной форме с применением системы подсказок отобразить на дисплее наиболее важную информацию провести контроль параметров при создании и изменении методики анализов получить полную информацию о состоянии узлов хроматографа осуществить хранение библиотеки методик, градуировочных данных и хроматограмм управлять работой хроматографа в соответствии с заданной методикой анализа проводить программирование температуры термостата колонок и расхода потока подвижной фазы по заданному закону повысить точность поддержания параметров за счет использования усложненных алгоритмов регулирования осуществить контроль соотношения истинных и заданных-значений параметров проводить диагностику неисправностей и их обнаружение предотвращать выход из строя хроматографа в аварийных ситуациях проводить обработку хроматографических сигналов анализа по различным методикам проводить коррекцию нулевой линии вручную и автоматически проводить градуировку всех каналов хроматографа в автоматизированном режиме для каждого целевого компонента при различных концентрациях этого компонента с возможностью усреднения результатов нескольких градуировок проводить достоверную идентификацию целевых компонентов пробы путем распознавания образов и при использовании многомерной хроматографии. [c.390]

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]

Огромное значение имеет подготовка квалифицированных специалистов, понимающих и способных решать диагностические проблемы на современном уровне. Сюда входят знание и умение разрабатывать и применять новые физические принципы получения информации, высоких технологий получения, обработки и хранения многомерной измерительной информации с применением мощных вычислительных машин и сетей. Для них необходимо владение современными достижениями физики твердого тела, электроники, вычислительной техники, статистической теории связи, распознавания образов. Акту -ально и обучение менеджменту качества продукции, изготовленной по высоким технологиям, в частности с целью ее международной сертификации и продажи за рубеж. [c.29]

Дальнейшее развитие эхо-метода связано с более широким применением волн дифракции, совершенствованием техники контроля, развитием современных методов обработки информации и распознавания образов. [c.147]

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]

Методом, который может быть использован для обработки таких табличных данных, является так называемое распознавание образов [1—4]. Это—чисто статистический подход для обработки данных экспериментов, который благодаря распространению ЭВМ получает все возрастающее применение в аналитической химии [5—7J. [c.113]

Сети ЭВМ позволяют аналитику передавать экспериментальные данные электронным способом некоторым (возможно, неизвестным) удаленным компьютерам, где они могут быть обработаны с применением некоторых сложных комплексов программ ОД (таких, например, как программа распознавания образов). После завершения ОД результаты могут быть автоматически переданы обратно в местный вычислительный центр, из [c.373]

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]

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]

Существует два общих подхода к применению масс-спектрометрии для идентификации неизвестного органического вещества. В первом подходе масс-спектр рассматривается как отпечаток пальца , образ, а идентификация осуществляется методами распознавания образов или сравнением с картотекой или атласом масс-спектров. В другом подходе масс-спектр пытаются проанализировать с тем, чтобы из отношений масс ионов к их зарядам вывести тип соединения, могущего дать такой спектр. [c.252]

Методы распознавания образов приобрели важное значение в практике научной работы благодаря широкому применению электронно-вычислительной техники. Машинный алгоритм распознавания образов, по-видимому, может имитировать процесс распознавания образов мозгом человека. Однако мозг человека значительно уступает машине в способности запомнить огромное число мелких деталей. Только машина может запомнить большой ряд чисел, характеризуюш,ий изучаемый объект, упорядочить их, выявить совпадение чисел, соответствующих объектам одного класса, т. е. провести классификацию множества объектов. [c.5]

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]

Методами распознавания образов удалось решить удивительно много практических задач. Составлено несколько хороших обзоров литературы по применению принципов распознавания образов, иллюстрирующих многообразие решаемых проблем [1—5]. Этим вопросам посвящен также целый ряд монографий (см. список литературы в конце книги). [c.9]

Освещен опыт применения ЭВМ для 1прогнозирования добычи нефти и планирования режимов работы скважин, проведения ремонтно-изоляционных работ, обработок призабойной зоны пласта с целью интенсификации добычи нефти. Изложены задачи, решаемые разнообразными математическими и наиболее оптимальными для каждого конкретного случая методами, а именно вероятностно-статистическими, распознавания образов, прогнозирования и др. [c.286]

Статико-статистическая модель, по существу, является комбинацией двух наиболее распространенных типов моделей экономико-статистической и оптимизационной. Напомним, что экономико-статистические модели (ЭСМ) — это модели, реализация которых основывается на применении методов математической статистики и теории распознавания образов. [c.124]

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]

Решение задачи применения неспецифических (неселективных) сенсоров было заимствовано из биологии, в результате чего появились системы типа электронный нос [193], сенсоры вкуса [194] и электронный языю> [187]. Они реализуют мультисенсорные системы на основе неспецифических (неселективных) сенсоров с последующей обработкой результатов измерений методом распознавания образов с применением, например, искусственных нейронных сетей. Такой подход характеризует новый этап в истории развития химических сенсоров. [c.712]

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]

В многолинейчатости масс-спектров органических молекуя заложен большой объем информации, необходимой для решения этих задач. Ранее для качественного анализа использовались эмпирические зависимости между структурой молекулы и распределением интенсивностей в ее масс-спектре [2]. Дальнейшее развитие работ по качественному анализу связано с применением машинного каталога масс-спектров органических соединений, их классификацией методами распознавания образо и интерпретацией масс-спектров с использованием искусственного интеллекта. [c.45]

Справочник химика 21

Химия и химическая технология