მზე, 29 მარტი, 2015 წ

ამჟამად, არსებობს მრავალი დავალება, რომლებშიც საჭიროა გარკვეული გადაწყვეტილების მიღება სურათზე ობიექტის არსებობის ან მისი კლასიფიკაციის მიხედვით. „ამოცნობის“ უნარი განიხილება ბიოლოგიური არსებების მთავარ თვისებად, ხოლო კომპიუტერული სისტემები სრულად არ ფლობენ ამ თვისებას.

განვიხილოთ კლასიფიკაციის მოდელის ზოგადი ელემენტები.

Კლასი- ობიექტების ნაკრები, რომლებსაც აქვთ საერთო თვისებები. იმავე კლასის ობიექტებისთვის ვარაუდობენ „მსგავსების“ არსებობას. ამომცნობი ამოცანისთვის შეიძლება განისაზღვროს კლასების თვითნებური რაოდენობა, 1-ზე მეტი. კლასების რაოდენობა აღინიშნება ნომრით S. თითოეულ კლასს აქვს საკუთარი საიდენტიფიკაციო კლასის ეტიკეტი.

კლასიფიკაცია- ობიექტებისთვის კლასის ეტიკეტების მინიჭების პროცესი, ამ ობიექტების თვისებების ზოგიერთი აღწერის მიხედვით. კლასიფიკატორი არის მოწყობილობა, რომელიც იღებს ობიექტის მახასიათებლების ერთობლიობას შეყვანის სახით და შედეგად აწარმოებს კლასის ეტიკეტს.

გადამოწმება- ობიექტის მაგალითის ერთი ობიექტის მოდელთან ან კლასის აღწერასთან შესაბამისობის პროცესი.

ქვეშ გზაჩვენ გავიგებთ ატრიბუტების სივრცეში არეალის სახელს, რომელშიც მატერიალური სამყაროს მრავალი ობიექტი თუ ფენომენია გამოსახული. ნიშანი- შესწავლილი ობიექტის ან ფენომენის კონკრეტული თვისების რაოდენობრივი აღწერა.

ფუნქციური სივრცეეს არის N-განზომილებიანი სივრცე, რომელიც განსაზღვრულია ამოცნობის მოცემული ამოცანისთვის, სადაც N არის ნებისმიერი ობიექტისთვის გაზომილი მახასიათებლების ფიქსირებული რაოდენობა. ვექტორი x მახასიათებლის სივრციდან, რომელიც შეესაბამება ამოცნობის ამოცანის ობიექტს, არის N-განზომილებიანი ვექტორი კომპონენტებით (x_1,x_2,…,x_N), რომლებიც წარმოადგენს მახასიათებლის მნიშვნელობებს მოცემული ობიექტისთვის.

სხვა სიტყვებით რომ ვთქვათ, ნიმუშის ამოცნობა შეიძლება განისაზღვროს, როგორც საწყისი მონაცემების მინიჭება გარკვეულ კლასზე ძირითადი მახასიათებლების ან თვისებების ამოღებით, რომლებიც ახასიათებს ამ მონაცემებს შეუსაბამო დეტალების ზოგადი მასიდან.

კლასიფიკაციის პრობლემების მაგალითებია:

• პერსონაჟების ამოცნობა;
• სიტყვის აღიარება;
• სამედიცინო დიაგნოზის დადგენა;
• ამინდის პროგნოზი;
• სახის ამოცნობა
• დოკუმენტების კლასიფიკაცია და ა.შ.

ყველაზე ხშირად, წყაროს მასალა არის კამერიდან მიღებული სურათი. ამოცანა შეიძლება ჩამოყალიბდეს როგორც მახასიათებლის ვექტორების მიღება განხილულ სურათზე თითოეული კლასისთვის. პროცესი შეიძლება განიხილებოდეს როგორც კოდირების პროცესი, რომელიც მოიცავს თითოეული მახასიათებლის მნიშვნელობის მინიჭებას თითოეული კლასის ფუნქციების სივრციდან.

თუ განვიხილავთ ობიექტების 2 კლასს: მოზრდილები და ბავშვები. როგორც მახასიათებლები, შეგიძლიათ აირჩიოთ სიმაღლე და წონა. როგორც ნახატიდან ჩანს, ეს ორი კლასი ქმნის ორ არაგადაკვეთის სიმრავლეს, რაც აიხსნება არჩეული მახასიათებლებით. თუმცა, ყოველთვის არ არის შესაძლებელი სწორი გაზომილი პარამეტრების არჩევა, როგორც კლასების მახასიათებლები. მაგალითად, შერჩეული პარამეტრები არ არის შესაფერისი ფეხბურთელებისა და კალათბურთელთა კლასების არა გადახურვისთვის.

ამოცნობის მეორე ამოცანაა ორიგინალური სურათებიდან დამახასიათებელი ნიშნების ან თვისებების შერჩევა. ეს ამოცანა შეიძლება მიეკუთვნოს წინასწარ დამუშავებას. თუ გავითვალისწინებთ მეტყველების ამოცნობის ამოცანას, შეგვიძლია განვასხვავოთ ისეთი ნიშნები, როგორიცაა ხმოვნები და თანხმოვნები. ატრიბუტი უნდა იყოს კონკრეტული კლასის დამახასიათებელი თვისება, თუმცა საერთოა ამ კლასისთვის. ნიშნები, რომლებიც ახასიათებს განსხვავებას - კლასთაშორისი ნიშნები. ყველა კლასისთვის საერთო ფუნქციები არ შეიცავს სასარგებლო ინფორმაციას და არ განიხილება როგორც ფუნქციები ამოცნობის პრობლემაში. მახასიათებლების არჩევანი ერთ-ერთი მნიშვნელოვანი ამოცანაა, რომელიც დაკავშირებულია ამოცნობის სისტემის მშენებლობასთან.

მახასიათებლების დადგენის შემდეგ აუცილებელია კლასიფიკაციისთვის ოპტიმალური გადაწყვეტილების პროცედურის განსაზღვრა. განვიხილოთ შაბლონის ამოცნობის სისტემა, რომელიც შექმნილია სხვადასხვა M კლასის ამოცნობისთვის, რომელიც აღინიშნება როგორც m_1,m_2,…,m 3. მაშინ შეგვიძლია ვივარაუდოთ, რომ გამოსახულების სივრცე შედგება M რეგიონებისგან, თითოეული შეიცავს ერთი კლასის გამოსახულების შესაბამის წერტილებს. მაშინ ამოცნობის პრობლემა შეიძლება ჩაითვალოს, როგორც M კლასების გამიჯნული საზღვრების აგება მიღებული საზომი ვექტორების საფუძველზე.

გამოსახულების წინასწარი დამუშავების, მახასიათებლების ამოღების და ოპტიმალური გადაწყვეტის და კლასიფიკაციის პრობლემის გადაწყვეტა ჩვეულებრივ ასოცირდება რიგი პარამეტრების შეფასების საჭიროებასთან. ეს იწვევს პარამეტრის შეფასების პრობლემას. გარდა ამისა, აშკარაა, რომ ფუნქციების ამოღებას შეუძლია გამოიყენოს დამატებითი ინფორმაცია კლასების ხასიათიდან გამომდინარე.

ობიექტების შედარება შეიძლება განხორციელდეს მათი წარმოდგენის საფუძველზე საზომი ვექტორების სახით. მოსახერხებელია გაზომვის მონაცემების რეალური რიცხვების სახით წარმოდგენა. შემდეგ ორი ობიექტის მახასიათებლების ვექტორების მსგავსება შეიძლება აღწერილი იყოს ევკლიდური მანძილის გამოყენებით.

სადაც d არის თვისების ვექტორის განზომილება.

არსებობს ნიმუშის ამოცნობის მეთოდების 3 ჯგუფი:

• ნიმუშის შედარება. ეს ჯგუფი მოიცავს კლასიფიკაციას უახლოეს საშუალოზე, კლასიფიკაციას უახლოეს მეზობლამდე მანძილის მიხედვით. სტრუქტურული ამოცნობის მეთოდები ასევე შეიძლება შევიდეს ნიმუშების შედარების ჯგუფში.
• სტატისტიკური მეთოდები. როგორც სახელი გულისხმობს, სტატისტიკური მეთოდები იყენებს გარკვეულ სტატისტიკურ ინფორმაციას ამოცნობის პრობლემის გადაჭრისას. მეთოდი განსაზღვრავს ობიექტის კუთვნილებას კონკრეტულ კლასში ალბათობის საფუძველზე.ზოგიერთ შემთხვევაში ეს ხდება გარკვეული კლასის ობიექტის კუთვნილი ობიექტის უკანა ალბათობის განსაზღვრაზე, იმ პირობით, რომ ამ ობიექტის მახასიათებლებმა მიიღეს შესაბამისი. ღირებულებები. ამის მაგალითია ბაიესის გადაწყვეტილების წესის მეთოდი.
• Ნეირონული ქსელები. ამოცნობის მეთოდების ცალკე კლასი. სხვებისგან გამორჩეული თვისებაა სწავლის უნარი.

კლასიფიკაცია უახლოესი მნიშვნელობით

ნიმუშის ამოცნობის კლასიკურ მიდგომაში, რომელშიც კლასიფიკაციისთვის უცნობი ობიექტი წარმოდგენილია ელემენტარული მახასიათებლების ვექტორად. მახასიათებლებზე დაფუძნებული ამოცნობის სისტემა შეიძლება განვითარდეს სხვადასხვა გზით. ეს ვექტორები შეიძლება სისტემისთვის წინასწარ იყოს ცნობილი ტრენინგის შედეგად ან რეალურ დროში პროგნოზირება ზოგიერთი მოდელის საფუძველზე.

კლასიფიკაციის მარტივი ალგორითმი შედგება კლასის საცნობარო მონაცემების დაჯგუფებისგან კლასის მოლოდინის ვექტორის (საშუალო) გამოყენებით.

სადაც x(i,j) არის i კლასის j-ე საცნობარო მახასიათებელი, n_j არის i კლასის მითითების ვექტორების რაოდენობა.

მაშინ უცნობი ობიექტი მიეკუთვნება i კლასს, თუ ის ბევრად უფრო ახლოსაა i კლასის მოლოდინის ვექტორთან, ვიდრე სხვა კლასების მოლოდინის ვექტორებთან. ეს მეთოდი შესაფერისია პრობლემებისთვის, რომლებშიც თითოეული კლასის წერტილები განლაგებულია კომპაქტურად და სხვა კლასების წერტილებისგან შორს.

სირთულეები წარმოიქმნება, თუ კლასებს აქვთ ოდნავ უფრო რთული სტრუქტურა, მაგალითად, როგორც ფიგურაში. ამ შემთხვევაში, კლასი 2 იყოფა ორ გადახურულ განყოფილებად, რომლებიც ცუდად არის აღწერილი ერთი საშუალო მნიშვნელობით. ასევე, კლასი 3 არის ძალიან წაგრძელებული, მე -3 კლასის ნიმუშები x_2 კოორდინატების დიდი მნიშვნელობებით უფრო ახლოს არის 1 კლასის საშუალო მნიშვნელობასთან, ვიდრე მე -3 კლასი.

აღწერილი პრობლემა ზოგიერთ შემთხვევაში შეიძლება მოგვარდეს მანძილის გაანგარიშების შეცვლით.

ჩვენ გავითვალისწინებთ კლასის მნიშვნელობების "გაფანტვის" მახასიათებელს - σ_i, თითოეული კოორდინატის მიმართულებით i. სტანდარტული გადახრა უდრის დისპერსიის კვადრატულ ფესვს. მასშტაბური ევკლიდური მანძილი x ვექტორსა და მოლოდინის ვექტორს შორის x_c არის

მანძილის ეს ფორმულა შეამცირებს კლასიფიკაციის შეცდომების რაოდენობას, მაგრამ სინამდვილეში, პრობლემების უმეტესობა არ შეიძლება წარმოდგენილი იყოს ასეთი მარტივი კლასით.

კლასიფიკაცია უახლოეს მეზობლამდე მანძილის მიხედვით

კლასიფიკაციის კიდევ ერთი მიდგომა არის უცნობი მახასიათებლის ვექტორის x მინიჭება იმ კლასს, რომელსაც ეს ვექტორი ყველაზე ახლოს არის ცალკეულ ნიმუშთან. ამ წესს უახლოესი მეზობლის წესს უწოდებენ. უახლოესი მეზობლის კლასიფიკაცია შეიძლება იყოს უფრო ეფექტური მაშინაც კი, როდესაც კლასები რთულია ან როდესაც კლასები ერთმანეთს ემთხვევა.

ეს მიდგომა არ საჭიროებს ვარაუდებს სივრცეში ფუნქციების ვექტორების განაწილების მოდელების შესახებ. ალგორითმი იყენებს მხოლოდ ინფორმაციას ცნობილი საცნობარო ნიმუშების შესახებ. ამოხსნის მეთოდი ეფუძნება მონაცემთა ბაზაში თითოეულ ნიმუშამდე x მანძილის გამოთვლას და მინიმალური მანძილის პოვნას. ამ მიდგომის უპირატესობები აშკარაა:

• ნებისმიერ დროს შეგიძლიათ დაამატოთ ახალი ნიმუშები მონაცემთა ბაზაში;
• ხის და ბადის მონაცემთა სტრუქტურები ამცირებს გამოთვლილ მანძილებს.

გარდა ამისა, გამოსავალი უკეთესი იქნება, თუ მონაცემთა ბაზაში შეხედავთ არა ერთ უახლოეს მეზობელს, არამედ კ. შემდეგ, k > 1-ისთვის, ის იძლევა ვექტორების განაწილების საუკეთესო ნიმუშს d-განზომილებიან სივრცეში. ამასთან, k მნიშვნელობების ეფექტური გამოყენება დამოკიდებულია იმაზე, არის თუ არა საკმარისი სივრცის თითოეულ რეგიონში. თუ ორზე მეტი კლასია, მაშინ უფრო რთულია სწორი გადაწყვეტილების მიღება.

ლიტერატურა

• M. Castrillon,. ო.დენიზი,. დ. ერნანდესი და ჯ. ლორენცო, „სახისა და სახის ნიშნების დეტექტორების შედარება ვიოლა-ჯონსის ზოგადი ობიექტების გამოვლენის ჩარჩოზე“, International Journal of Computer Vision, No. 22, pp. 481-494, 2011 წ.
• Y.-Q. Wang, "Viola-Jones Face Detection Algorithm-ის ანალიზი", IPOL Journal, 2013 წ.
• L. Shapiro and D. Stockman, Computer vision, Binom. ცოდნის ლაბორატორია, 2006 წ.
• Z. N. G., ამოცნობის მეთოდები და მათი გამოყენება, საბჭოთა რადიო, 1972 წ.
• ჯ.ტუ, რ. გონსალესი, ნიმუშის ამოცნობის მათემატიკური პრინციპები, მოსკოვი: „მირ“ მოსკოვი, 1974 წ.
• Khan, H. Abdullah and M. Shamian Bin Zainal, "Efficient eyes and mouth detection algorithm using combination of viola jones and skin color pixel detection" International Journal of Engineering and Applied Sciences, No. Vol. 3 no 4, 2013 წელი.
• V. Gaede და O. Gunther, "მრავალგანზომილებიანი წვდომის მეთოდები", ACM Computing Surveys, გვ. 170-231, 1998 წ.

→

თავი 3: ნიმუშის ამოცნობისა და გადაწყვეტილების მიღების მეთოდების ანალიტიკური მიმოხილვა

ნიმუშის ამოცნობის თეორია და კონტროლის ავტომატიზაცია

ადაპტური ნიმუშის ამოცნობის ძირითადი ამოცანები

ამოცნობა არის ინფორმაციის პროცესი, რომელსაც ახორციელებს ზოგიერთი ინფორმაციის გადამყვანი (ინტელექტუალური საინფორმაციო არხი, ამოცნობის სისტემა), რომელსაც აქვს შემავალი და გამომავალი. სისტემის შეყვანა არის ინფორმაცია იმის შესახებ, თუ რა მახასიათებლები აქვთ წარმოდგენილ ობიექტებს. სისტემის გამომავალი აჩვენებს ინფორმაციას, თუ რომელ კლასებს (განზოგადებულ სურათებს) ენიჭება ცნობადი ობიექტები.

ავტომატური ნიმუშის ამოცნობის სისტემის შექმნისა და მუშაობისას, წყდება მთელი რიგი ამოცანები. მოდით მოკლედ და მარტივად განვიხილოთ ეს ამოცანები. უნდა აღინიშნოს, რომ ამ ამოცანების ფორმულირებები და თავად კომპლექტი არ ემთხვევა სხვადასხვა ავტორს, რადგან გარკვეულწილად ეს დამოკიდებულია კონკრეტულ მათემატიკურ მოდელზე, რომელზედაც დაფუძნებულია ამა თუ იმ ამოცნობის სისტემა. გარდა ამისა, ამოცნობის გარკვეულ მოდელებში ზოგიერთ ამოცანას არ აქვს გამოსავალი და, შესაბამისად, არ არის დასმული.

საგნის არეალის ფორმალიზების ამოცანა

სინამდვილეში, ეს ამოცანა კოდირების ამოცანაა. შედგენილია განზოგადებული კლასების სია, რომელიც შეიძლება მოიცავდეს ობიექტების სპეციფიკურ იმპლემენტაციას, ასევე იმ მახასიათებლების ჩამონათვალს, რაც ამ ობიექტებს, პრინციპში, შეიძლება ჰქონდეთ.

სასწავლო ნიმუშის ფორმირების ამოცანა

ტრენინგის ნიმუში არის მონაცემთა ბაზა, რომელიც შეიცავს ობიექტების სპეციფიკური განხორციელების აღწერილობებს მხატვრული ენაზე და დამატებულია ინფორმაცია ამ ობიექტების კუთვნილების შესახებ გარკვეული ამომცნობი კლასებისთვის.

ამოცნობის სისტემის მომზადების ამოცანა

სასწავლო ნიმუში გამოიყენება ამომცნობი კლასების განზოგადებული გამოსახულების შესაქმნელად, ინფორმაციის განზოგადების საფუძველზე იმის შესახებ, თუ რა თვისებები აქვთ სასწავლო ნიმუშის ობიექტებს, რომლებიც მიეკუთვნება ამ კლასს და სხვა კლასებს.

ფუნქციური სივრცის განზომილების შემცირების პრობლემა

ამოცნობის სისტემის მომზადების შემდეგ (კლასების მიხედვით მახასიათებლების სიხშირეების განაწილების სტატისტიკის მოპოვება) შესაძლებელი ხდება თითოეული მახასიათებლისთვის მისი მნიშვნელობის დადგენა ამოცნობის პრობლემის გადასაჭრელად. ამის შემდეგ, ყველაზე ნაკლებად ღირებული ფუნქციების ამოღება შესაძლებელია ფუნქციური სისტემიდან. შემდეგ ამოცნობის სისტემა უნდა გადაიხედოს, რადგან ზოგიერთი მახასიათებლის მოხსნის შედეგად იცვლება დარჩენილი ფუნქციების განაწილების სტატისტიკა კლასების მიხედვით. ეს პროცესი შეიძლება განმეორდეს, ე.ი. იყოს განმეორებადი.

ამოცნობის დავალება

აღიარებულია ცნობადი ნიმუშის ობიექტები, რომლებიც, კერძოდ, შეიძლება შედგებოდეს ერთი ობიექტისგან. ცნობადი ნიმუში იქმნება ტრენინგის მსგავსად, მაგრამ არ შეიცავს ინფორმაციას კლასების ობიექტების კუთვნილების შესახებ, რადგან ეს არის ზუსტად ის, რაც განისაზღვრება ამოცნობის პროცესში. თითოეული ობიექტის ამოცნობის შედეგი არის ყველა ამომცნობი კლასის განაწილება ან სია მათთან აღიარებული ობიექტის მსგავსების ხარისხის კლებადობით.

ამოცნობის ხარისხის კონტროლის ამოცანა

აღიარების შემდეგ შეიძლება დადგინდეს მისი ადეკვატურობა. სასწავლო ნიმუშის ობიექტებისთვის, ეს შეიძლება გაკეთდეს დაუყოვნებლივ, რადგან მათთვის უბრალოდ ცნობილია, რომელ კლასებს მიეკუთვნებიან. სხვა ობიექტებისთვის, ეს ინფორმაცია შეიძლება მოგვიანებით მიიღოთ. ნებისმიერ შემთხვევაში, შეიძლება განისაზღვროს ფაქტობრივი საშუალო შეცდომის ალბათობა ყველა ამოცნობის კლასისთვის, ისევე როგორც შეცდომის ალბათობა, როდესაც აღიარებული ობიექტის მინიჭება ხდება კონკრეტულ კლასში.

აღიარების შედეგების ინტერპრეტაცია უნდა მოხდეს აღიარების ხარისხის შესახებ არსებული ინფორმაციის გათვალისწინებით.

ადაპტაციის დავალება

თუ ხარისხის კონტროლის პროცედურის შედეგად დადგინდა, რომ ის არადამაკმაყოფილებელია, მაშინ არასწორად აღიარებული ობიექტების აღწერილობები შეიძლება დაკოპირდეს ამოცნობადი ნიმუშიდან ტრენინგში, დაემატოს ადეკვატური კლასიფიკაციის ინფორმაცია და გამოიყენოს გადაწყვეტილების შესაცვლელად. წესები, ე.ი. გათვალისწინებულია. უფრო მეტიც, თუ ეს ობიექტები არ მიეკუთვნება უკვე არსებულ ამოცნობის კლასებს, რაც შეიძლება იყოს მათი არასწორი ამოცნობის მიზეზი, მაშინ ეს სია შეიძლება გაფართოვდეს. შედეგად, ამოცნობის სისტემა ადაპტირდება და იწყებს ამ ობიექტების ადექვატურ კლასიფიკაციას.

ინვერსიული ამოცნობის პრობლემა

ამოცნობის ამოცანაა, რომ მოცემული ობიექტისთვის, მისი ცნობილი მახასიათებლების მიხედვით, სისტემა ადგენს მის კუთვნილებას რაიმე ადრე უცნობ კლასს. საპირისპირო ამოცნობის პრობლემაში, პირიქით, ამოცნობის მოცემული კლასისთვის, სისტემა ადგენს, რომელი მახასიათებლებია ყველაზე დამახასიათებელი ამ კლასის ობიექტებისთვის და რომელი არა (ან სასწავლო ნიმუშის რომელი ობიექტები ეკუთვნის ამ კლასს).

კლასტერული და კონსტრუქციული ანალიზის ამოცანები

კლასტერები არის ობიექტების, კლასების ან მახასიათებლების ისეთი ჯგუფები, რომლებიც თითოეულ კლასტერში ისინი მაქსიმალურად მსგავსია, ხოლო სხვადასხვა კლასტერებს შორის ისინი მაქსიმალურად განსხვავდებიან.

კონსტრუქცია (ამ განყოფილებაში განხილულ კონტექსტში) არის საპირისპირო კლასტერების სისტემა. ამრიგად, გარკვეული გაგებით, კონსტრუქტები არის კლასტერების კლასტერული ანალიზის შედეგი.

კლასტერული ანალიზის დროს რაოდენობრივად იზომება ობიექტების (კლასები, მახასიათებლები) მსგავსებისა და განსხვავების ხარისხი და ეს ინფორმაცია გამოიყენება კლასიფიკაციისთვის. კასეტური ანალიზის შედეგი არის ობიექტების კლასიფიკაცია კლასტერების მიხედვით. ეს კლასიფიკაცია შეიძლება წარმოდგენილი იყოს სემანტიკური ქსელების სახით.

კოგნიტური ანალიზის ამოცანა

კოგნიტურ ანალიზში ინფორმაცია კლასების ან მახასიათებლების მსგავსებისა და განსხვავების შესახებ მკვლევარისთვის თავისთავად საინტერესოა და არა იმისთვის, რომ გამოიყენოს იგი კლასიფიკაციისთვის, როგორც კლასტერულ და კონსტრუქციულ ანალიზში.

თუ ამოცნობის ორი კლასი ხასიათდება ერთი და იგივე თვისებით, მაშინ ეს ხელს უწყობს ამ ორი კლასის მსგავსებას. თუ რომელიმე კლასისთვის ეს მახასიათებელი არ არის დამახასიათებელი, მაშინ ეს ხელს უწყობს განსხვავებას.

თუ ორი ნიშანი ერთმანეთთან კორელაციაშია, მაშინ გარკვეული გაგებით ისინი შეიძლება ჩაითვალოს ერთ ნიშად, ხოლო თუ ანტიკორელაციურია, მაშინ განსხვავებულად. ამ გარემოების გათვალისწინებით, მათ მსგავსებასა და განსხვავებაში გარკვეული წვლილი შეაქვს სხვადასხვა მახასიათებლის არსებობასაც სხვადასხვა კლასში.

კოგნიტური ანალიზის შედეგები შეიძლება წარმოდგენილი იყოს კოგნიტური დიაგრამების სახით.

ნიმუშის ამოცნობის მეთოდები და მათი მახასიათებლები

ნიმუშების ამოცნობის მეთოდების კლასიფიკაციის პრინციპები

ნიმუშის ამოცნობა არის ფორმალური ოპერაციების აგება და გამოყენება რეალური ან იდეალური სამყაროს ობიექტების რიცხვით ან სიმბოლურ გამოსახულებებზე, რომელთა ამოხსნის შედეგები ასახავს ამ ობიექტებს შორის ეკვივალენტურ ურთიერთობებს. ეკვივალენტურობის მიმართებები გამოხატავს შეფასებული ობიექტების კუთვნილებას ზოგიერთ კლასს, განიხილება როგორც დამოუკიდებელი სემანტიკური ერთეულები.

ამოცნობის ალგორითმების აგებისას, ეკვივალენტურობის კლასები შეიძლება დააწესოს მკვლევარმა, რომელიც იყენებს საკუთარ აზრობრივ იდეებს ან იყენებს გარე დამატებით ინფორმაციას ობიექტების მსგავსებისა და განსხვავებების შესახებ მოგვარებული პრობლემის კონტექსტში. მერე საუბარია „მასწავლებელთან აღიარებაზე“. წინააღმდეგ შემთხვევაში, ე.ი. როდესაც ავტომატური სისტემა აგვარებს კლასიფიკაციის პრობლემას გარე სასწავლო ინფორმაციის ჩართვის გარეშე, საუბარია ავტომატურ კლასიფიკაციაზე ან „უკონტროლო აღიარებაზე“. შაბლონების ამოცნობის ალგორითმების უმეტესობა მოითხოვს ძალიან მნიშვნელოვან გამოთვლით ძალას, რაც შეიძლება უზრუნველყოფილი იყოს მხოლოდ მაღალი ხარისხის კომპიუტერული ტექნოლოგიით.

სხვადასხვა ავტორები (იუ.ლ. ბარაბაში, ვ.ი. ვასილიევი, ა. K. Fu, Ya. Z. Tsypkin და სხვები) იძლევა ნიმუშის ამოცნობის მეთოდების განსხვავებულ ტიპოლოგიას. ზოგიერთი ავტორი განასხვავებს პარამეტრულ, არაპარამეტრულ და ევრისტიკულ მეთოდებს, ზოგი კი ისტორიულ სკოლებსა და დარგის ტენდენციებზე დაფუძნებულ მეთოდთა ჯგუფებს გამოყოფს. მაგალითად, ნაშრომში, რომელშიც მოცემულია ამოცნობის მეთოდების აკადემიური მიმოხილვა, გამოყენებულია ნიმუშის ამოცნობის მეთოდების შემდეგი ტიპოლოგია:

• გამოყოფის პრინციპზე დაფუძნებული მეთოდები;
• სტატისტიკური მეთოდები;
• „პოტენციური ფუნქციების“ საფუძველზე აგებული მეთოდები;
• ქულების გამოთვლის ხერხები (კენჭისყრა);
• მეთოდები, რომლებიც დაფუძნებულია წინადადებების კალკულუსზე, კერძოდ, ლოგიკის ალგებრის აპარატზე.

ეს კლასიფიკაცია დაფუძნებულია ნიმუშის ამოცნობის ფორმალურ მეთოდებში განსხვავებაზე და, შესაბამისად, ამოღებულია ამოცნობის ევრისტიკული მიდგომის გათვალისწინება, რომელმაც მიიღო სრული და ადეკვატური განვითარება საექსპერტო სისტემებში. ევრისტიკული მიდგომა დაფუძნებულია მკვლევარის რთულად ფორმალიზებად ცოდნასა და ინტუიციაზე. ამავდროულად, მკვლევარი თავად ადგენს, რა ინფორმაცია და როგორ უნდა გამოიყენოს სისტემამ სასურველი ამოცნობის ეფექტის მისაღწევად.

ამოცნობის მეთოდების მსგავსი ტიპოლოგია სხვადასხვა ხარისხის დეტალებით გვხვდება ამოცნობის შესახებ ბევრ ნაშრომში. ამავდროულად, ცნობილი ტიპოლოგიები არ ითვალისწინებენ ერთ ძალიან მნიშვნელოვან მახასიათებელს, რომელიც ასახავს საგნის არეალის შესახებ ცოდნის წარმოდგენის სპეციფიკას ნებისმიერი ფორმალური ნიმუშის ამოცნობის ალგორითმის გამოყენებით.

D.A. Pospelov (1990) გამოყოფს ცოდნის წარმოდგენის ორ ძირითად გზას:

• ინტენსიური, ატრიბუტებს (მახასიათებლებს) შორის კავშირების სქემის სახით.
• გაფართოებული, კონკრეტული ფაქტების (ობიექტების, მაგალითების) დახმარებით.

ინტენსიური წარმოდგენა ასახავს შაბლონებს და ურთიერთობებს, რომლებიც ხსნის მონაცემთა სტრუქტურას. სადიაგნოსტიკო ამოცანებთან დაკავშირებით, ასეთი ფიქსაცია მოიცავს ობიექტების ატრიბუტებზე (მახასიათებლებზე) ოპერაციების განსაზღვრას, რაც იწვევს საჭირო დიაგნოსტიკურ შედეგს. ინტენსიური წარმოდგენები ხორციელდება ატრიბუტების მნიშვნელობებზე ოპერაციების საშუალებით და არ გულისხმობს ოპერაციებს კონკრეტულ საინფორმაციო ფაქტებზე (ობიექტებზე).

თავის მხრივ, ცოდნის გაფართოებული წარმოდგენები ასოცირდება საგნობრივი არედან კონკრეტული ობიექტების აღწერასა და ფიქსაციასთან და ხორციელდება ოპერაციებში, რომელთა ელემენტებია ობიექტები, როგორც ინტეგრალური სისტემები.

შესაძლებელია ანალოგიის დახატვა ცოდნის ინტენსიურ და გაფართოებულ წარმოდგენებსა და ადამიანის ტვინის მარცხენა და მარჯვენა ნახევარსფეროს აქტივობის საფუძვლად არსებულ მექანიზმებს შორის. თუ მარჯვენა ნახევარსფერო ხასიათდება მიმდებარე სამყაროს ჰოლისტიკური პროტოტიპური წარმოდგენით, მაშინ მარცხენა ნახევარსფერო მოქმედებს შაბლონებით, რომლებიც ასახავს ამ სამყაროს ატრიბუტების კავშირებს.

ზემოთ აღწერილი ცოდნის წარმოდგენის ორი ფუნდამენტური გზა საშუალებას გვაძლევს შემოგთავაზოთ ნიმუშის ამოცნობის მეთოდების შემდეგი კლასიფიკაცია:

• ატრიბუტების მქონე ოპერაციებზე დაფუძნებული ინტენსიური მეთოდები.
• გაფართოების მეთოდები, რომლებიც დაფუძნებულია ობიექტებთან ოპერაციებზე.

აუცილებელია ხაზგასმით აღვნიშნოთ, რომ ამოცნობის ამ ორი (და მხოლოდ ორი) ჯგუფის არსებობა: თვისებებით მოქმედი და ობიექტებთან მოქმედი, ღრმად ბუნებრივია. ამ თვალსაზრისით, არცერთი ეს მეთოდი, მეორისგან განცალკევებით აღებული, შესაძლებელს არ ხდის საგნის არეალის ადეკვატურ ასახვას. ავტორების აზრით, ამ მეთოდებს შორის არის ურთიერთკომპლიმენტურობის მიმართება N. Bohr-ის გაგებით, შესაბამისად, პერსპექტიულმა აღიარების სისტემებმა უნდა უზრუნველყონ ორივე ამ მეთოდის და არა რომელიმე მათგანის განხორციელება.

ამრიგად, დ.ა. პოსპელოვის მიერ შემოთავაზებული ამოცნობის მეთოდების კლასიფიკაცია ეფუძნება ფუნდამენტურ კანონებს, რომლებიც საფუძვლად უდევს ადამიანის შემეცნების გზას ზოგადად, რაც მას განსაკუთრებულ (პრივილეგირებულ) მდგომარეობაში აყენებს სხვა კლასიფიკაციებთან შედარებით, რომლებიც გამოიყურება უფრო მსუბუქი და ხელოვნური.

ინტენსიური მეთოდები

ინტენსიური მეთოდების გამორჩეული თვისება ის არის, რომ ისინი იყენებენ მახასიათებლების სხვადასხვა მახასიათებლებს და მათ ურთიერთობებს, როგორც ოპერაციების ელემენტებს შაბლონის ამოცნობის ალგორითმების კონსტრუქციასა და გამოყენებაში. ასეთი ელემენტები შეიძლება იყოს ინდივიდუალური მნიშვნელობები ან მახასიათებლების მნიშვნელობების ინტერვალები, საშუალო მნიშვნელობები და განსხვავებები, მახასიათებლის ურთიერთობის მატრიცები და ა.შ., რომლებზეც შესრულებულია მოქმედებები, გამოხატული ანალიტიკური ან კონსტრუქციული ფორმით. ამავდროულად, ამ მეთოდებში ობიექტები არ განიხილება როგორც ინტეგრალური ინფორმაციის ერთეულები, არამედ მოქმედებენ როგორც ინდიკატორები მათი ატრიბუტების ურთიერთქმედების და ქცევის შესაფასებლად.

ნიმუშის ამოცნობის ინტენსიური მეთოდების ჯგუფი ვრცელია და მისი დაყოფა ქვეკლასებად გარკვეულწილად თვითნებურია.

მახასიათებლების მნიშვნელობების განაწილების სიმკვრივის შეფასებებზე დაფუძნებული მეთოდები

ნიმუშის ამოცნობის ეს მეთოდები ნასესხებია სტატისტიკური გადაწყვეტილებების კლასიკური თეორიიდან, რომელშიც კვლევის ობიექტები განიხილება, როგორც მრავალგანზომილებიანი შემთხვევითი ცვლადის რეალიზაცია, რომელიც განაწილებულია მახასიათებლის სივრცეში გარკვეული კანონის მიხედვით. ისინი ეფუძნება ბაიესის გადაწყვეტილების მიღების სქემას, რომელიც მიმართავს ამა თუ იმ ცნობად კლასს მიეკუთვნება ობიექტების აპრიორულ ალბათობას და მახასიათებლის ვექტორის მნიშვნელობების პირობითი განაწილების სიმკვრივეს. ეს მეთოდები მცირდება ალბათობის თანაფარდობის განსაზღვრამდე მრავალგანზომილებიანი მახასიათებლების სივრცის სხვადასხვა ზონაში.

მახასიათებლების მნიშვნელობების განაწილების სიმკვრივის შეფასებაზე დაფუძნებული მეთოდების ჯგუფი პირდაპირ კავშირშია დისკრიმინაციული ანალიზის მეთოდებთან. გადაწყვეტილების მიღებისადმი ბაიესის მიდგომა არის ერთ-ერთი ყველაზე განვითარებული თანამედროვე სტატისტიკაში, ე.წ. პარამეტრული მეთოდი, რომლისთვისაც ცნობილია განაწილების კანონის ანალიტიკური გამოხატულება (ამ შემთხვევაში ნორმალური კანონი) და მხოლოდ მცირედ ითვლება. პარამეტრების რაოდენობა (საშუალო ვექტორები და კოვარიანტების მატრიცები) უნდა შეფასდეს.

ძირითადი სირთულეები ამ მეთოდების გამოყენებისას არის მთელი სასწავლო ნიმუშის დამახსოვრების აუცილებლობა, რათა გამოვთვალოთ ლოკალური ალბათობის განაწილების სიმკვრივეები და მაღალი მგრძნობელობა სასწავლო ნიმუშის არაწარმომადგენლობით.

გადაწყვეტილების ფუნქციების კლასის შესახებ დაშვებებზე დაფუძნებული მეთოდები

მეთოდთა ამ ჯგუფში ცნობილია გადაწყვეტილების ფუნქციის ზოგადი ფორმა და მოცემულია მისი ხარისხი ფუნქციონალურად. ამ ფუნქციიდან გამომდინარე, გადაწყვეტილების ფუნქციის საუკეთესო მიახლოება გვხვდება ტრენინგის თანმიმდევრობიდან. ყველაზე გავრცელებულია გადაწყვეტილების ფუნქციების წარმოდგენები წრფივი და განზოგადებული არაწრფივი მრავალწევრების სახით. გადაწყვეტილების წესის ხარისხის ფუნქციონირება ჩვეულებრივ ასოცირდება კლასიფიკაციის შეცდომასთან.

გადაწყვეტილების ფუნქციების კლასის შესახებ დაშვებებზე დაფუძნებული მეთოდების მთავარი უპირატესობა არის ამოცნობის პრობლემის მათემატიკური ფორმულირების სიცხადე, როგორც ექსტრემის პოვნის პრობლემა. ამ ჯგუფის მეთოდების მრავალფეროვნება აიხსნება გამოყენებული გადაწყვეტილების წესის ხარისხის ფუნქციების ფართო სპექტრით და ექსტრემალური ძიების ალგორითმებით. განხილული ალგორითმების განზოგადება, რომელიც მოიცავს, კერძოდ, ნიუტონის ალგორითმს, პერცეპტრონის ტიპის ალგორითმებს და ა.შ., არის სტოქასტური დაახლოების მეთოდი.

საკმაოდ კარგად არის შესწავლილი გრადიენტური ალგორითმების შესაძლებლობები ექსტრემის საპოვნელად, განსაკუთრებით ხაზოვანი გადაწყვეტილების წესების ჯგუფში. ამ ალგორითმების კონვერგენცია დადასტურდა მხოლოდ იმ შემთხვევისთვის, როდესაც ობიექტების ცნობადი კლასები გამოსახულია ფუნქციურ სივრცეში კომპაქტური გეომეტრიული სტრუქტურებით.

გადაწყვეტილების წესის საკმარისად მაღალი ხარისხის მიღწევა შესაძლებელია ალგორითმების გამოყენებით, რომლებსაც არ გააჩნიათ მკაცრი მათემატიკური მტკიცებულება გლობალური ექსტრემის ამოხსნის კონვერგენციის შესახებ. ასეთი ალგორითმები მოიცავს ევრისტიკული პროგრამირების პროცედურების დიდ ჯგუფს, რომლებიც წარმოადგენენ ევოლუციური მოდელირების მიმართულებას. ევოლუციური მოდელირება არის ბუნებისგან ნასესხები ბიონიკური მეთოდი. იგი ეფუძნება ევოლუციის ცნობილი მექანიზმების გამოყენებას, რათა ჩაანაცვლოს რთული ობიექტის აზრიანი მოდელირების პროცესი მისი ევოლუციის ფენომენოლოგიური მოდელირებით. ევოლუციური მოდელირების ცნობილი წარმომადგენელი ნიმუშის ამოცნობაში არის არგუმენტების ჯგუფური აღრიცხვის მეთოდი (MGUA). GMDH ეფუძნება თვითორგანიზაციის პრინციპს, ხოლო GMDH ალგორითმები ასახავს მასობრივი შერჩევის სქემას.

თუმცა პრაქტიკული მიზნების მიღწევას ამ შემთხვევაში არ ახლავს ახალი ცოდნის მოპოვება ცნობადი ობიექტების ბუნების შესახებ. ამ ცოდნის მოპოვების შესაძლებლობა, კერძოდ, ცოდნის ატრიბუტების (მახასიათებლების) ურთიერთქმედების მექანიზმების შესახებ, ძირეულად შემოიფარგლება ამ ურთიერთქმედების მოცემული სტრუქტურით, რომელიც ფიქსირდება გადამწყვეტი ფუნქციების არჩეულ ფორმაში.

ლოგიკური მეთოდები

ნიმუშის ამოცნობის ლოგიკური მეთოდები დაფუძნებულია ლოგიკური ალგებრის აპარატზე და საშუალებას იძლევა იმუშაოს ინფორმაციასთან, რომელიც შეიცავს არა მხოლოდ ცალკეულ მახასიათებლებს, არამედ მახასიათებლების მნიშვნელობების კომბინაციებს. ამ მეთოდებში ნებისმიერი ატრიბუტის მნიშვნელობები განიხილება, როგორც ელემენტარული მოვლენები.

ყველაზე ზოგადი ფორმით, ლოგიკური მეთოდები შეიძლება დახასიათდეს, როგორც სასწავლო ნიმუშში ლოგიკური შაბლონების ძიება და ლოგიკური გადაწყვეტილების წესების გარკვეული სისტემის ფორმირება (მაგალითად, ელემენტარული მოვლენების შეერთების სახით), თითოეული რომელსაც თავისი წონა აქვს. ლოგიკური მეთოდების ჯგუფი მრავალფეროვანია და მოიცავს სხვადასხვა სირთულისა და სიღრმის ანალიზის მეთოდებს. დიქოტომიური (ლოგიკური) მახასიათებლებისთვის პოპულარულია ეგრეთ წოდებული ხის მსგავსი კლასიფიკატორები, ჩიხური ტესტის მეთოდი, ბარკის ალგორითმი და ა.შ.

კორას ალგორითმი, ისევე როგორც ნიმუშის ამოცნობის სხვა ლოგიკური მეთოდები, საკმაოდ შრომატევადია გამოთვლის თვალსაზრისით, ვინაიდან კავშირების არჩევისას საჭიროა სრული ჩამოთვლა. ამიტომ, ლოგიკური მეთოდების გამოყენებისას მაღალი მოთხოვნები დგება გამოთვლითი პროცესის ეფექტურ ორგანიზაციაზე და ეს მეთოდები კარგად მუშაობს ფუნქციების სივრცის შედარებით მცირე ზომებთან და მხოლოდ ძლიერ კომპიუტერებზე.

ლინგვისტური (სტრუქტურული) მეთოდები

ნიმუშის ამოცნობის ენობრივი მეთოდები ემყარება სპეციალური გრამატიკების გამოყენებას, რომლებიც წარმოქმნიან ენებს, რომლებიც შეიძლება გამოყენებულ იქნას ცნობადი ობიექტების თვისებების აღწერისთვის.

ობიექტების სხვადასხვა კლასისთვის გამოიყოფა არაწარმოებული (ატომური) ელემენტები (ქვესახეობები, ნიშნები) და მათ შორის შესაძლო მიმართებები. გრამატიკა გულისხმობს ამ არაწარმოებული ელემენტებიდან ობიექტების აგების წესებს.

ამრიგად, თითოეული ობიექტი არის არაწარმოებული ელემენტების ერთობლიობა, რომლებიც ამა თუ იმ გზით „დაკავშირებულია“ ერთმანეთთან, ან, სხვა სიტყვებით რომ ვთქვათ, რომელიმე „ენის“ „წინადადებით“. მინდა ხაზი გავუსვა ამ აზრის ძალიან მნიშვნელოვან იდეოლოგიურ ღირებულებას.

„წინადადების“ გარჩევით (გაანალიზებით) განისაზღვრება მისი სინტაქსური „სისწორე“ ან, ექვივალენტურად, შეუძლია თუ არა რომელიმე ფიქსირებულ გრამატიკას, რომელიც აღწერს კლასს, შექმნას ობიექტის არსებული აღწერილობა.

თუმცა, გრამატიკების აღდგენის (განსაზღვრების) ამოცანა განცხადებების გარკვეული ნაკრებიდან (წინადადებები - ობიექტების აღწერილობები), რომლებიც წარმოქმნიან მოცემულ ენას, რთულია ფორმალიზება.

გაფართოების მეთოდები

ამ ჯგუფის მეთოდებში, ინტენსიური მიმართულებისგან განსხვავებით, თითოეულ შესწავლილ ობიექტს მეტ-ნაკლებად ენიჭება დამოუკიდებელი დიაგნოსტიკური მნიშვნელობა. თავის არსში ეს მეთოდები ახლოსაა კლინიკურ მიდგომასთან, რომელიც ადამიანებს განიხილავს არა როგორც ამა თუ იმ ინდიკატორის მიხედვით შეფასებული ობიექტების ჯაჭვს, არამედ როგორც ინტეგრალურ სისტემებს, რომელთაგან თითოეული ინდივიდუალურია და აქვს განსაკუთრებული დიაგნოსტიკური მნიშვნელობა. კვლევის ობიექტებისადმი ასეთი ფრთხილი დამოკიდებულება არ იძლევა საშუალებას გამორიცხოს ან დაკარგოს ინფორმაცია თითოეული ცალკეული ობიექტის შესახებ, რაც ხდება ინტენსიური მიმართულების მეთოდების გამოყენებისას, ობიექტების გამოყენებით მხოლოდ მათი ატრიბუტების ქცევის ნიმუშების აღმოსაჩენად და დასაფიქსირებლად.

განხილული მეთოდების გამოყენებით ნიმუშის ამოცნობის ძირითადი ოპერაციებია ობიექტების მსგავსებისა და განსხვავების განსაზღვრის ოპერაციები. მეთოდების მითითებულ ჯგუფში შემავალი ობიექტები დიაგნოსტიკური პრეცედენტების როლს ასრულებენ. ამავდროულად, კონკრეტული ამოცანის პირობებიდან გამომდინარე, ინდივიდუალური პრეცედენტის როლი შეიძლება განსხვავდებოდეს ყველაზე ფართო საზღვრებში: ძირითადი და განმსაზღვრელიდან ძალიან ირიბ მონაწილეობამდე აღიარების პროცესში. თავის მხრივ, პრობლემის პირობებმა შეიძლება მოითხოვოს სხვადასხვა რაოდენობის დიაგნოსტიკური პრეცედენტების მონაწილეობა წარმატებული გადაწყვეტისთვის: თითოეული ცნობადი კლასიდან ერთიდან ნიმუშის მთლიან ზომამდე, აგრეთვე მსგავსებისა და განსხვავების ზომების გამოთვლის სხვადასხვა ხერხს. ობიექტები. ეს მოთხოვნები ხსნის გაფართოებული მეთოდების შემდგომ დაყოფას ქვეკლასებად.

პროტოტიპის შედარების მეთოდი

ეს არის გაფართოებული ამოცნობის უმარტივესი მეთოდი. იგი გამოიყენება, მაგალითად, იმ შემთხვევაში, როდესაც აღიარებული კლასები ნაჩვენებია ფუნქციების სივრცეში კომპაქტური გეომეტრიული დაჯგუფებით. ამ შემთხვევაში პროტოტიპის წერტილად ჩვეულებრივ ირჩევა კლასის გეომეტრიული დაჯგუფების ცენტრი (ან ცენტრთან ყველაზე ახლოს მდებარე ობიექტი).

უცნობი ობიექტის კლასიფიკაციისთვის, ნაპოვნია მასთან ყველაზე ახლოს პროტოტიპი და ობიექტი ეკუთვნის იმავე კლასს, როგორც ეს პროტოტიპი. ცხადია, ამ მეთოდით არ იქმნება განზოგადებული კლასის სურათები.

სიახლოვის საზომად შეიძლება გამოყენებულ იქნას სხვადასხვა ტიპის მანძილი. ხშირად დიქოტომიური მახასიათებლებისთვის გამოიყენება ჰემინგის მანძილი, რომელიც ამ შემთხვევაში უდრის ევკლიდეს მანძილის კვადრატს. ამ შემთხვევაში, გადაწყვეტილების წესი ობიექტების კლასიფიკაციისთვის არის წრფივი გადაწყვეტილების ფუნქციის ექვივალენტი.

ეს ფაქტი განსაკუთრებით უნდა აღინიშნოს. იგი ნათლად აჩვენებს კავშირს პროტოტიპსა და მონაცემთა სტრუქტურის შესახებ ინფორმაციის ინდიკატორულ წარმოდგენას შორის. ზემოაღნიშნული წარმოდგენის გამოყენებით, მაგალითად, ნებისმიერი ტრადიციული საზომი მასშტაბი, რომელიც წარმოადგენს დიქოტომიური მახასიათებლების მნიშვნელობების წრფივ ფუნქციას, შეიძლება ჩაითვალოს ჰიპოთეტურ დიაგნოსტიკურ პროტოტიპად. თავის მხრივ, თუ აღიარებული კლასების სივრცითი სტრუქტურის ანალიზი საშუალებას გვაძლევს დავასკვნათ, რომ ისინი გეომეტრიულად კომპაქტურია, მაშინ საკმარისია თითოეული ამ კლასის ჩანაცვლება ერთი პროტოტიპით, რომელიც რეალურად ექვივალენტურია ხაზოვანი დიაგნოსტიკური მოდელის.

პრაქტიკაში, რა თქმა უნდა, სიტუაცია ხშირად განსხვავდება აღწერილი იდეალიზებული მაგალითისგან. მკვლევარი, რომელიც აპირებს გამოიყენოს ამოცნობის მეთოდი, რომელიც დაფუძნებულია დიაგნოსტიკური კლასების პროტოტიპებთან შედარებით, რთული პრობლემების წინაშე დგას.

უპირველეს ყოვლისა, ეს არის სიახლოვის საზომის (მეტრიკის) არჩევანი, რომელსაც შეუძლია მნიშვნელოვნად შეცვალოს ობიექტების განაწილების სივრცითი კონფიგურაცია. მეორე, დამოუკიდებელი პრობლემაა ექსპერიმენტული მონაცემების მრავალგანზომილებიანი სტრუქტურების ანალიზი. ორივე ეს პრობლემა განსაკუთრებით მწვავეა მკვლევარისთვის მხატვრული სივრცის მაღალი განზომილების პირობებში, რაც დამახასიათებელია რეალური პრობლემებისთვის.

k უახლოესი მეზობლის მეთოდი

K უახლოესი მეზობლების მეთოდი დისკრიმინაციული ანალიზის პრობლემების გადასაჭრელად პირველად იქნა შემოთავაზებული ჯერ კიდევ 1952 წელს. ეს არის შემდეგი.

უცნობი ობიექტის კლასიფიკაციისას, ნაპოვნია სხვა ობიექტების მოცემული რაოდენობა (k) გეომეტრიულად ყველაზე ახლოს მდებარე ფუნქციების სივრცეში (უახლოესი მეზობლები), რომლებსაც უკვე ცნობილია ცნობადი კლასების კუთვნილება. უცნობი ობიექტის კონკრეტულ სადიაგნოსტიკო კლასზე მინიჭების გადაწყვეტილება მიიღება მისი უახლოესი მეზობლების ამ ცნობილი წევრობის შესახებ ინფორმაციის ანალიზით, მაგალითად, მარტივი ხმების დათვლის გამოყენებით.

თავდაპირველად, k უახლოესი მეზობლების მეთოდი განიხილებოდა, როგორც არაპარამეტრული მეთოდი ალბათობის კოეფიციენტის შესაფასებლად. ამ მეთოდისთვის მიიღება მისი ეფექტურობის თეორიული შეფასებები ბაიესის ოპტიმალურ კლასიფიკატორთან შედარებით. დადასტურებულია, რომ k უახლოესი მეზობლის მეთოდის ასიმპტოტური შეცდომის ალბათობა აღემატება ბეიესის წესის შეცდომებს არა უმეტეს ორჯერ.

შაბლონის ამოცნობისთვის k უახლოესი მეზობლების მეთოდის გამოყენებისას, მკვლევარმა უნდა გადაჭრას მეტრიკის არჩევის რთული პრობლემა, რათა დადგინდეს დიაგნოზირებული ობიექტების სიახლოვე. ეს პრობლემა ფუნქციური სივრცის მაღალი განზომილების პირობებში უკიდურესად მწვავდება ამ მეთოდის საკმარისი სირთულის გამო, რაც მნიშვნელოვანი ხდება მაღალი ხარისხის კომპიუტერებისთვისაც კი. აქედან გამომდინარე, აქ, ისევე როგორც პროტოტიპის შედარების მეთოდში, აუცილებელია ექსპერიმენტული მონაცემების მრავალგანზომილებიანი სტრუქტურის ანალიზის შემოქმედებითი პრობლემის გადაჭრა, რათა მინიმუმამდე შემცირდეს სადიაგნოსტიკო კლასების შემცველი ობიექტები.

სასწავლო ნიმუშში ობიექტების რაოდენობის შემცირების აუცილებლობა (დიაგნოსტიკური პრეცედენტები) ამ მეთოდის მინუსია, რადგან ის ამცირებს სასწავლო ნიმუშის წარმომადგენლობას.

ქულების გამოთვლის ალგორითმები ("ხმის მიცემა")

შეფასების ალგორითმების მოქმედების პრინციპი (ABO) არის პრიორიტეტების (მსგავსების ქულების) გამოთვლა, რომლებიც ახასიათებენ აღიარებული და საცნობარო ობიექტების „სიახლოვეს“ ფუნქციების ანსამბლების სისტემის მიხედვით, რაც წარმოადგენს ფუნქციების მოცემული ნაკრების ქვეჯგუფების სისტემას. .

ყველა ადრე განხილული მეთოდისგან განსხვავებით, შეფასებების გამოთვლის ალგორითმები ფუნქციონირებს ობიექტების აღწერილობით ფუნდამენტურად ახალი გზით. ამ ალგორითმებისთვის ობიექტები ერთდროულად არსებობენ ფუნქციების სივრცის ძალიან განსხვავებულ ქვესივრცეში. ABO კლასი თავის ლოგიკურ დასკვნამდე მიიყვანს მახასიათებლების გამოყენების იდეას: ვინაიდან ყოველთვის არ არის ცნობილი მახასიათებლების რომელი კომბინაციებია ყველაზე ინფორმატიული, ABO-ში ობიექტების მსგავსების ხარისხი გამოითვლება მახასიათებლების ყველა შესაძლო ან გარკვეული კომბინაციის შედარებით. შედის ობიექტების აღწერილობაში.

ატრიბუტების (ქვესივრცეების) გამოყენებულ კომბინაციებს ეწოდება დამხმარე კომპლექტები ან ობიექტების ნაწილობრივი აღწერის კომპლექტები. შემოღებულია განზოგადებული სიახლოვის კონცეფცია აღიარებულ ობიექტსა და სასწავლო ნიმუშის ობიექტებს შორის (ცნობილი კლასიფიკაციით), რომლებსაც საცნობარო ობიექტებს უწოდებენ. ეს სიახლოვე წარმოდგენილია აღიარებული ობიექტის სიახლოვის კომბინაციით საცნობარო ობიექტებთან, რომლებიც გამოითვლება ნაწილობრივი აღწერილობების ნაკრებებზე. ამრიგად, ABO არის k უახლოესი მეზობლების მეთოდის გაფართოება, რომელშიც ობიექტების სიახლოვე განიხილება მხოლოდ ერთ მოცემულ ფუნქციურ სივრცეში.

ABO-ს კიდევ ერთი გაფართოება არის ის, რომ ამ ალგორითმებში ობიექტების მსგავსებისა და განსხვავების განსაზღვრის პრობლემა ჩამოყალიბებულია პარამეტრულად და შეირჩევა სასწავლო ნიმუშის მიხედვით ABO-ს დაყენების ეტაპი, რომლის დროსაც ოპტიმალური მნიშვნელობებია. არჩეულია შეყვანილი პარამეტრები. ხარისხის კრიტერიუმი არის ამოცნობის შეცდომა და ფაქტიურად ყველაფერი პარამეტრიზებულია:

• ინდივიდუალური მახასიათებლების მიხედვით ობიექტების სიახლოვის გამოთვლის წესები;
• ფუნქციების ქვესივრცეში ობიექტების სიახლოვის გამოთვლის წესები;
• კონკრეტული საცნობარო ობიექტის, როგორც დიაგნოსტიკური პრეცედენტის მნიშვნელობის ხარისხი;
• მახასიათებლების თითოეული საცნობარო ნაკრების წვლილის მნიშვნელობა აღიარებული ობიექტის ნებისმიერ დიაგნოსტიკურ კლასთან მსგავსების საბოლოო შეფასებაში.

ჰაერის გამაგრილებლის პარამეტრები დაყენებულია ზღვრული მნიშვნელობების სახით და (ან) მითითებული კომპონენტების წონებად.

ABO-ს თეორიული შესაძლებლობები სულ მცირე არ არის დაბალი, ვიდრე ნებისმიერი სხვა ნიმუშის ამოცნობის ალგორითმი, ვინაიდან ABO-ს დახმარებით შესაძლებელია განხორციელდეს ყველა შესაძლო ოპერაცია შესწავლილ ობიექტებთან.

მაგრამ, როგორც ეს ჩვეულებრივ ხდება, პოტენციალების გაფართოება დიდ სირთულეებს აწყდება მათ პრაქტიკულ განხორციელებაში, განსაკუთრებით ამ ტიპის ალგორითმების აგების (თუნინგის) ეტაპზე.

ცალკეული სირთულეები ადრე აღინიშნა k უახლოესი მეზობლების მეთოდის განხილვისას, რომელიც შეიძლება განიმარტოს, როგორც ABO-ს შეკვეცილი ვერსია. ის ასევე შეიძლება ჩაითვალოს პარამეტრულ ფორმაში და პრობლემა შემცირდეს შერჩეული ტიპის შეწონილი მეტრიკის პოვნამდე. ამავდროულად, უკვე აქ მაღალგანზომილებიანი პრობლემებისთვის ჩნდება რთული თეორიული კითხვები და ეფექტური გამოთვლითი პროცესის ორგანიზებასთან დაკავშირებული პრობლემები.

ABO-სთვის, თუ თქვენ ცდილობთ ამ ალგორითმების შესაძლებლობების სრულად გამოყენებას, ეს სირთულეები ბევრჯერ იზრდება.

აღნიშნული პრობლემები განმარტავს, რომ პრაქტიკაში ABO-ს გამოყენებას მაღალგანზომილებიანი ამოცანების გადასაჭრელად თან ახლავს ნებისმიერი ევრისტიკული შეზღუდვისა და დაშვების დანერგვა. კერძოდ, არსებობს ფსიქოდიაგნოსტიკაში ABO-ს გამოყენების მაგალითი, რომელშიც შემოწმებულია ABO-ს ტიპი, რომელიც რეალურად უტოლდება k უახლოეს მეზობლების მეთოდს.

გადამწყვეტი წესი კოლექტივები

ნიმუშის ამოცნობის მეთოდების მიმოხილვის დასასრულს, მოდით ვისაუბროთ კიდევ ერთ მიდგომაზე. ეს არის გადაწყვეტილების წესების ე.წ. გუნდები (CRC).

ვინაიდან ამოცნობის სხვადასხვა ალგორითმები განსხვავებულად იქცევიან ობიექტების ერთსა და იმავე ნიმუშზე, ბუნებრივად ჩნდება კითხვა სინთეზური გადაწყვეტილების წესის შესახებ, რომელიც ადაპტირებულად იყენებს ამ ალგორითმების ძლიერ მხარეებს. სინთეზური გადაწყვეტილების წესი იყენებს ორ დონის ამოცნობის სქემას. პირველ დონეზე მუშაობს კერძო ამოცნობის ალგორითმები, რომელთა შედეგები გაერთიანებულია მეორე დონეზე სინთეზის ბლოკში. ასეთი კომბინაციის ყველაზე გავრცელებული მეთოდები ეფუძნება კონკრეტული ალგორითმის კომპეტენციის სფეროების გამოყოფას. კომპეტენციის სფეროების პოვნის უმარტივესი გზაა მახასიათებლების სივრცის აპრიორი გაყოფა კონკრეტული მეცნიერების პროფესიული მოსაზრებებიდან გამომდინარე (მაგალითად, ნიმუშის სტრატიფიკაცია რომელიმე მახასიათებლის მიხედვით). შემდეგ, თითოეული შერჩეული სფეროსთვის, აგებულია საკუთარი ამოცნობის ალგორითმი. სხვა მეთოდი ემყარება ფორმალური ანალიზის გამოყენებას, რათა განისაზღვროს ფუნქციური სივრცის ლოკალური არეები, როგორც ცნობადი ობიექტების უბნები, რისთვისაც დადასტურებულია ნებისმიერი კონკრეტული ამოცნობის ალგორითმის წარმატება.

სინთეზური ბლოკის აგების ყველაზე ზოგადი მიდგომა განიხილავს ნაწილობრივი ალგორითმების მიღებულ ინდიკატორებს, როგორც საწყის მახასიათებლებს ახალი განზოგადებული გადაწყვეტილების წესის ასაგებად. ამ შემთხვევაში, შაბლონის ამოცნობაში ინტენსიური და გაფართოებული მიმართულებების ყველა ზემოაღნიშნული მეთოდის გამოყენება შეიძლება. გადაწყვეტილების წესების შექმნის პრობლემის გადასაჭრელად ეფექტურია "კორას" ტიპის ლოგიკური ალგორითმები და შეფასებების გამოთვლის ალგორითმები (ABO), რომლებიც ქმნიან ე.წ. ამოცნობის ალგორითმები, რომლებშიც ჯდება ყველა არსებული ტიპის ალგორითმები.

ნიმუშის ამოცნობის მეთოდების შედარებითი ანალიზი

მოდით შევადაროთ ზემოთ აღწერილი ნიმუშის ამოცნობის მეთოდები და შევაფასოთ მათი ადეკვატურობის ხარისხი 3.3.3 ნაწილში ჩამოყალიბებულ მოთხოვნებთან SDA მოდელებისთვის რთული სისტემების ადაპტური ავტომატური მართვის სისტემებისთვის.

ინტენსიური მიმართულების მეთოდების ჯგუფიდან რეალური ამოცანების გადასაჭრელად პრაქტიკული მნიშვნელობა აქვს პარამეტრულ მეთოდებს და მეთოდებს, რომლებიც დაფუძნებულია წინადადებებზე გადამწყვეტი ფუნქციების ფორმაზე. პარამეტრული მეთოდები ემყარება ინდიკატორების აგების ტრადიციულ მეთოდოლოგიას. ამ მეთოდების გამოყენება რეალურ პრობლემებში დაკავშირებულია მონაცემთა სტრუქტურაზე ძლიერი შეზღუდვების დაწესებასთან, რაც იწვევს ხაზოვანი დიაგნოსტიკური მოდელების შექმნას მათი პარამეტრების ძალიან სავარაუდო შეფასებით. გადაწყვეტილების ფუნქციების ფორმის შესახებ ვარაუდებზე დაფუძნებული მეთოდების გამოყენებისას მკვლევარი ასევე იძულებულია მიმართოს ხაზოვან მოდელებს. ეს განპირობებულია მახასიათებლის სივრცის მაღალი განზომილებით, რაც დამახასიათებელია რეალური პრობლემებისთვის, რაც, პოლინომიური გადაწყვეტილების ფუნქციის ხარისხის გაზრდით, იძლევა მისი წევრების რაოდენობის უზარმაზარ ზრდას პრობლემური თანმხლები ზრდით. აღიარების ხარისხი. ამრიგად, რეალურ პრობლემებზე ინტენსიური ამოცნობის მეთოდების პოტენციური გამოყენების არეალის დაპროექტებით, ჩვენ ვიღებთ სურათს, რომელიც შეესაბამება ხაზოვანი დიაგნოსტიკური მოდელების კარგად დამკვიდრებულ ტრადიციულ მეთოდოლოგიას.

კარგად არის შესწავლილი ხაზოვანი დიაგნოსტიკური მოდელების თვისებები, რომლებშიც დიაგნოსტიკური მაჩვენებელი წარმოდგენილია საწყისი მახასიათებლების შეწონილი ჯამით. ამ მოდელების შედეგები (შესაბამისი ნორმალიზებით) ინტერპრეტირებულია, როგორც მანძილი შესასწავლი ობიექტებიდან ზოგიერთ ჰიპერპლანტამდე ფუნქციების სივრცეში ან, ექვივალენტურად, როგორც ობიექტების პროექცია მოცემულ სივრცეში რაიმე სწორ ხაზზე. აქედან გამომდინარე, ხაზოვანი მოდელები ადეკვატურია მხოლოდ ფუნქციური სივრცის რეგიონების მარტივი გეომეტრიული კონფიგურაციისთვის, რომლებშიც სხვადასხვა დიაგნოსტიკური კლასის ობიექტებია გამოსახული. უფრო რთული განაწილებით, ეს მოდელები ფუნდამენტურად ვერ ასახავს ექსპერიმენტული მონაცემთა სტრუქტურის ბევრ მახასიათებელს. ამავდროულად, ასეთმა მახასიათებლებმა შეიძლება მიაწოდოს ღირებული დიაგნოსტიკური ინფორმაცია.

ამავდროულად, მარტივი მრავალგანზომილებიანი სტრუქტურების ნებისმიერ რეალურ პრობლემაში გამოჩენა (კერძოდ, მრავალგანზომილებიანი ნორმალური განაწილება) უფრო გამონაკლისად უნდა ჩაითვალოს, ვიდრე წესად. ხშირად, დიაგნოსტიკური კლასები ყალიბდება რთული გარე კრიტერიუმების საფუძველზე, რაც ავტომატურად იწვევს ამ კლასების გეომეტრიულ ჰეტეროგენულობას ფუნქციურ სივრცეში. ეს განსაკუთრებით ეხება „სიცოცხლის“ კრიტერიუმებს, რომლებიც ყველაზე ხშირად გვხვდება პრაქტიკაში. ასეთ პირობებში, ხაზოვანი მოდელების გამოყენება აფიქსირებს ექსპერიმენტული ინფორმაციის მხოლოდ ყველაზე „უხეში“ შაბლონებს.

გაფართოებული მეთოდების გამოყენება არ უკავშირდება რაიმე ვარაუდს ექსპერიმენტული ინფორმაციის სტრუქტურის შესახებ, გარდა იმისა, რომ აღიარებულ კლასებში უნდა არსებობდეს ობიექტების ერთი ან მეტი ჯგუფი, რომლებიც გარკვეულწილად მსგავსია და სხვადასხვა კლასის ობიექტები უნდა განსხვავდებოდეს ერთმანეთისგან ზოგიერთში. გზა. აშკარაა, რომ სასწავლო ნიმუშის ნებისმიერი სასრული განზომილებისთვის (და ის არ შეიძლება იყოს განსხვავებული), ეს მოთხოვნა ყოველთვის სრულდება მხოლოდ იმიტომ, რომ ობიექტებს შორის არის შემთხვევითი განსხვავებები. მსგავსების საზომად გამოიყენება ობიექტების სიახლოვის (მანძილის) სხვადასხვა საზომი ფუნქციურ სივრცეში. ამრიგად, გაფართოებული ნიმუშის ამოცნობის მეთოდების ეფექტური გამოყენება დამოკიდებულია იმაზე, თუ რამდენად კარგად არის განსაზღვრული სიახლოვის ეს ზომები, ასევე იმაზე, თუ რომელი სასწავლო ნიმუშის ობიექტები (ობიექტები ცნობილი კლასიფიკაციით) ასრულებენ დიაგნოსტიკური პრეცედენტების როლს. ამ პრობლემების წარმატებული გადაწყვეტა იძლევა შედეგს, რომელიც უახლოვდება აღიარების ეფექტურობის თეორიულად მისაღწევ საზღვრებს.

ნიმუშის ამოცნობის გაფართოებული მეთოდების უპირატესობებს უპირისპირდება, პირველ რიგში, მათი პრაქტიკული განხორციელების მაღალი ტექნიკური სირთულე. მაღალგანზომილებიანი ფუნქციური სივრცეებისთვის, უახლოესი წერტილების წყვილის პოვნის ერთი შეხედვით მარტივი ამოცანა სერიოზულ პრობლემად იქცევა. ასევე, ბევრი ავტორი პრობლემად აღნიშნავს საკმარისად დიდი რაოდენობის ობიექტების დამახსოვრების აუცილებლობას, რომლებიც წარმოადგენენ ცნობად კლასებს.

თავისთავად, ეს არ არის პრობლემა, მაგრამ ის აღიქმება როგორც პრობლემა (მაგალითად, k უახლოეს მეზობლების მეთოდით) იმ მიზეზით, რომ თითოეული ობიექტის ამოცნობისას ხდება სასწავლო ნიმუშში არსებული ყველა ობიექტის სრული ჩამოთვლა.

აქედან გამომდინარე, მიზანშეწონილია გამოვიყენოთ აღიარების სისტემის მოდელი, რომელშიც ამოღებულია სასწავლო ნიმუშის ობიექტების სრული ჩამოთვლის პრობლემა ამოცნობის დროს, რადგან ის ხორციელდება მხოლოდ ერთხელ აღიარების კლასების განზოგადებული სურათების ფორმირებისას. თავად ამოცნობისას, იდენტიფიცირებული ობიექტი შედარებულია მხოლოდ ამოცნობის კლასების განზოგადებულ სურათებთან, რომელთა რაოდენობა ფიქსირდება და საერთოდ არ არის დამოკიდებული სასწავლო ნიმუშის განზომილებაზე. ეს მიდგომა საშუალებას გაძლევთ გაზარდოთ სასწავლო ნიმუშის განზომილება მანამ, სანამ არ მიიღწევა განზოგადებული სურათების საჭირო მაღალი ხარისხი, ყოველგვარი შიშის გარეშე, რომ ამან შეიძლება გამოიწვიოს ამოცნობის დროის მიუღებელი ზრდა (რადგან ამ მოდელში ამოცნობის დრო არ არის დამოკიდებული ტრენინგის განზომილება საერთოდ).ნიმუშები).

გაფართოებული ამოცნობის მეთოდების გამოყენების თეორიული პრობლემები დაკავშირებულია მახასიათებლების საინფორმაციო ჯგუფების ძიების, ობიექტების მსგავსებისა და განსხვავების გაზომვის ოპტიმალური მეტრიკის და ექსპერიმენტული ინფორმაციის სტრუქტურის ანალიზთან. ამავდროულად, ამ პრობლემების წარმატებული გადაწყვეტა საშუალებას იძლევა არა მხოლოდ ეფექტური ამოცნობის ალგორითმების შემუშავება, არამედ ემპირიული ფაქტების გაფართოებული ცოდნიდან გადასვლა მათი სტრუქტურის ნიმუშების შესახებ ინტენსიურ ცოდნაზე.

გაფართოებული ცოდნიდან ინტენსიურ ცოდნაზე გადასვლა ხდება იმ ეტაპზე, როდესაც უკვე შექმნილია ფორმალური აღიარების ალგორითმი და დემონსტრირებულია მისი ეფექტურობა. შემდეგ ტარდება იმ მექანიზმების შესწავლა, რომლითაც მიიღწევა მიღებული ეფექტურობა. ასეთი კვლევა, რომელიც დაკავშირებულია მონაცემთა გეომეტრიული სტრუქტურის ანალიზთან, შეიძლება, მაგალითად, მიგვიყვანოს დასკვნამდე, რომ საკმარისია კონკრეტული დიაგნოსტიკური კლასის წარმომადგენლის ობიექტების შეცვლა ერთი ტიპიური წარმომადგენლით (პროტოტიპი). ეს ექვივალენტურია, როგორც ზემოთ აღინიშნა, ტრადიციული ხაზოვანი დიაგნოსტიკური მასშტაბის. ასევე შესაძლებელია, რომ საკმარისია თითოეული სადიაგნოსტიკო კლასის ჩანაცვლება რამდენიმე ობიექტით, რომლებიც მნიშვნელოვანია, როგორც ზოგიერთი ქვეკლასების ტიპიური წარმომადგენლები, რაც ექვივალენტურია ხაზოვანი მასშტაბების გულშემატკივართა აგების. არის სხვა ვარიანტებიც, რომლებიც ქვემოთ იქნება განხილული.

ამრიგად, ამოცნობის მეთოდების მიმოხილვა აჩვენებს, რომ ამჟამად თეორიულად შემუშავებულია ნიმუშის ამოცნობის მრავალი განსხვავებული მეთოდი. ლიტერატურაში მოცემულია მათი დეტალური კლასიფიკაცია. თუმცა, ამ მეთოდების უმეტესობისთვის, მათი პროგრამული უზრუნველყოფის დანერგვა არ არის და ეს ღრმად ბუნებრივია, შეიძლება ითქვას, „წინასწარ განსაზღვრულია“ თავად ამოცნობის მეთოდების მახასიათებლებით. ეს შეიძლება ვიმსჯელოთ იმით, რომ ასეთი სისტემები ნაკლებად არის ნახსენები სპეციალიზებულ ლიტერატურაში და ინფორმაციის სხვა წყაროებში.

შესაბამისად, არასაკმარისად განვითარებული რჩება გარკვეული თეორიული ამოცნობის მეთოდების პრაქტიკული გამოყენებადობის საკითხი რეალური (ანუ საკმაოდ მნიშვნელოვანი) მონაცემთა ზომებით და რეალურ თანამედროვე კომპიუტერებზე პრაქტიკული პრობლემების გადასაჭრელად.

ზემოაღნიშნული გარემოება შეიძლება გავიგოთ, თუ გავიხსენებთ, რომ მათემატიკური მოდელის სირთულე ექსპონენტურად ზრდის სისტემის პროგრამული დანერგვის სირთულეს და იმავე ზომით ამცირებს ამ სისტემის პრაქტიკაში მუშაობის შანსებს. ეს ნიშნავს, რომ ბაზარზე შეიძლება დანერგილი იყოს მხოლოდ პროგრამული სისტემები, რომლებიც დაფუძნებულია საკმაოდ მარტივ და „გამჭვირვალე“ მათემატიკურ მოდელებზე. ამიტომ, დეველოპერი, რომელიც დაინტერესებულია თავისი პროგრამული პროდუქტის გამეორებით, მათემატიკური მოდელის არჩევის საკითხს უახლოვდება არა წმინდა მეცნიერული თვალსაზრისით, არამედ როგორც პრაგმატისტი, პროგრამული უზრუნველყოფის დანერგვის შესაძლებლობების გათვალისწინებით. მას მიაჩნია, რომ მოდელი მაქსიმალურად მარტივი უნდა იყოს, რაც იმას ნიშნავს, რომ დაბალ ფასად და ხარისხიანად უნდა განხორციელდეს და ასევე უნდა მუშაობდეს (იყოს პრაქტიკულად ეფექტური).

ამასთან დაკავშირებით, ამოცნობის სისტემებში დანერგვის ამოცანაა იმავე კლასს მიკუთვნებული ობიექტების აღწერილობების განზოგადების მექანიზმი, ე.ი. კომპაქტური განზოგადებული სურათების ფორმირების მექანიზმი. აშკარაა, რომ ასეთი განზოგადების მექანიზმი საშუალებას მისცემს ნებისმიერი სასწავლო ნიმუშის „შეკუმშვას“ განზომილების თვალსაზრისით წინასწარ ცნობილი განზოგადებული სურათების ბაზაზე. ეს ასევე საშუალებას მოგვცემს დავაყენოთ და გადავჭრათ მთელი რიგი პრობლემები, რომელთა ფორმულირებაც კი შეუძლებელია ამოცნობის ისეთ მეთოდებში, როგორიცაა შედარება პროტოტიპის მეთოდთან, k უახლოეს მეზობლების მეთოდთან და ABO.

ეს არის დავალებები:

• განზოგადებული სურათის საინფორმაციო პორტრეტში მახასიათებლების ინფორმაციული წვლილის განსაზღვრა;
• განზოგადებული სურათების კლასტერულ-კონსტრუქციული ანალიზი;
• ატრიბუტის სემანტიკური დატვირთვის განსაზღვრა;
• მახასიათებლების სემანტიკური კლასტერულ-კონსტრუქციული ანალიზი;
• განზოგადებული კლასის გამოსახულებების ერთმანეთთან და მახასიათებლების მნიშვნელოვანი შედარება (კოგნიტური დიაგრამები, მათ შორის მერლინის დიაგრამები).

მეთოდი, რომელმაც შესაძლებელი გახადა ამ პრობლემების გადაწყვეტის მიღწევა, ასევე განასხვავებს მასზე დაფუძნებულ პერსპექტიულ სისტემას სხვა სისტემებისგან, ისევე როგორც შემდგენელები განსხვავდებიან ინტერპრეტატორებისგან, რადგან ამ პერსპექტიულ სისტემაში განზოგადებული სურათების ფორმირების გამო, ამოცნობის დრო დამოუკიდებელია. სასწავლო ნიმუშის ზომა. ცნობილია, რომ სწორედ ამ დამოკიდებულების არსებობას მივყავართ ისეთ მეთოდებში, როგორებიცაა k უახლოესი მეზობლების მეთოდი, ABO და CLD ამოცნობაზე პრაქტიკულად მიუღებელ კომპიუტერულ დროს, როდესაც ჩვენ შეგვიძლია ვისაუბროთ საკმარის სტატისტიკაზე. .

ამოცნობის მეთოდების მოკლე მიმოხილვის დასასრულს, ჩვენ წარმოგიდგენთ ზემოაღნიშნულის არსს შემაჯამებელ ცხრილში (ცხრილი 3.1), რომელიც შეიცავს ნიმუშის ამოცნობის სხვადასხვა მეთოდების მოკლე აღწერას შემდეგ პარამეტრებში:

• ამოცნობის მეთოდების კლასიფიკაცია;
• აღიარების მეთოდების გამოყენების სფეროები;
• ამოცნობის მეთოდების შეზღუდვების კლასიფიკაცია.

ამოცნობის მეთოდების კლასიფიკაცია		განაცხადის არეალი	შეზღუდვები (მინუსები)
ამოცნობის ინტენსიური მეთოდები	მეთოდები, რომლებიც დაფუძნებულია მახასიათებლების მნიშვნელობების განაწილების სიმკვრივის შეფასებებზე (ან მსგავსებებსა და განსხვავებებს შორის ობიექტებს შორის)	პრობლემები ცნობილი განაწილებით, ჩვეულებრივ ნორმალური, დიდი სტატისტიკის შეგროვების საჭიროება	ამოცნობის დროს მთელი სავარჯიშო ნაკრების ჩამოთვლის აუცილებლობა, მაღალი მგრძნობელობა სასწავლო ნაკრებისა და არტეფაქტების არაწარმომადგენლობით
	გადაწყვეტილების ფუნქციების კლასის შესახებ დაშვებებზე დაფუძნებული მეთოდები	კლასები უნდა იყოს კარგად განცალკევებული, ფუნქციების სისტემა უნდა იყოს ორთონორმალური	გადაწყვეტილების ფუნქციის ფორმა წინასწარ უნდა იყოს ცნობილი. მახასიათებლებს შორის კორელაციის შესახებ ახალი ცოდნის გათვალისწინების შეუძლებლობა
	ლოგიკური მეთოდები		ლოგიკური გადაწყვეტილების წესების (კავშირების) შერჩევისას აუცილებელია სრული ჩამოთვლა. მაღალი გამოთვლითი სირთულე
	ლინგვისტური (სტრუქტურული) მეთოდები	მხატვრული სივრცის მცირე განზომილების პრობლემები	გრამატიკის აღდგენის (განსაზღვრების) ამოცანა განცხადებების გარკვეული ნაკრებიდან (ობიექტების აღწერილობებიდან) რთულია ფორმალიზება. გადაუჭრელი თეორიული პრობლემები
ამოცნობის გაფართოებული მეთოდები	პროტოტიპის შედარების მეთოდი	მხატვრული სივრცის მცირე განზომილების პრობლემები	კლასიფიკაციის შედეგების მაღალი დამოკიდებულება მანძილის ზომებზე (მეტრიკა). უცნობი ოპტიმალური მეტრიკა
	k უახლოესი მეზობლის მეთოდი		კლასიფიკაციის შედეგების მაღალი დამოკიდებულება მანძილის ზომებზე (მეტრიკა). ამოცნობის დროს სასწავლო ნიმუშის სრული აღრიცხვის აუცილებლობა. გამოთვლითი სირთულე
	ნიშნების გამოთვლის ალგორითმები (კენჭისყრა) AVO	მცირე განზომილების პრობლემები კლასების რაოდენობისა და მახასიათებლების თვალსაზრისით	კლასიფიკაციის შედეგების დამოკიდებულება მანძილის საზომზე (მეტრული). ამოცნობის დროს სასწავლო ნიმუშის სრული აღრიცხვის აუცილებლობა. მეთოდის მაღალი ტექნიკური სირთულე
	გადამწყვეტი წესების კოლექტივები (CRC)	მცირე განზომილების პრობლემები კლასების რაოდენობისა და მახასიათებლების თვალსაზრისით	მეთოდის ძალიან მაღალი ტექნიკური სირთულე, თეორიული პრობლემების გადაუჭრელი რაოდენობა, როგორც კონკრეტული მეთოდების კომპეტენციის სფეროების განსაზღვრისას, ასევე თავად კონკრეტულ მეთოდებში.

ცხრილი 3.1 - ამოცნობის მეთოდების კლასიფიკაციის შემაჯამებელი ცხრილი, მათი გამოყენების სფეროებისა და შეზღუდვების შედარება.

ნიმუშის ამოცნობის როლი და ადგილი რთული სისტემების მართვის ავტომატიზაციაში

ავტომატური მართვის სისტემა შედგება ორი ძირითადი ნაწილისაგან: საკონტროლო ობიექტი და კონტროლის სისტემა.

კონტროლის სისტემა ასრულებს შემდეგ ფუნქციებს:

• საკონტროლო ობიექტის მდგომარეობის იდენტიფიცირება;
• მართვის მიზნებიდან გამომდინარე საკონტროლო მოქმედების შემუშავება საკონტროლო ობიექტისა და გარემოს მდგომარეობის გათვალისწინებით;
• უზრუნველყოფს საკონტროლო ეფექტს საკონტროლო ობიექტზე.

ნიმუშის ამოცნობა სხვა არაფერია, თუ არა რომელიმე ობიექტის მდგომარეობის იდენტიფიკაცია.

ამრიგად, საკონტროლო ობიექტის მდგომარეობის იდენტიფიცირების ეტაპზე ნიმუშის ამოცნობის სისტემის გამოყენების შესაძლებლობა საკმაოდ აშკარა და ბუნებრივი ჩანს. თუმცა, ეს შეიძლება არ იყოს საჭირო. აქედან გამომდინარე, ჩნდება კითხვა, რა შემთხვევებში არის მიზანშეწონილი ამოცნობის სისტემის გამოყენება ავტომატური მართვის სისტემაში და რომელ არა.

ლიტერატურის მონაცემების მიხედვით, ბევრ ადრე შემუშავებულ და თანამედროვე ავტომატიზირებულ საკონტროლო სისტემაში ქვესისტემებში საკონტროლო ობიექტის მდგომარეობის იდენტიფიცირებისთვის და საკონტროლო მოქმედებების გენერირებისთვის გამოიყენება „პირდაპირი დათვლის“ დეტერმინისტული მათემატიკური მოდელები, რომლებიც ცალსახად და მარტივად განსაზღვრავს რა. გააკეთეთ საკონტროლო ობიექტთან, თუ მას აქვს გარკვეული გარე პარამეტრები.

ამავდროულად, კითხვა, თუ როგორ არის დაკავშირებული ეს პარამეტრები საკონტროლო ობიექტის გარკვეულ მდგომარეობებთან, არ არის დასმული ან გადაწყვეტილი. ეს პოზიცია შეესაბამება იმ თვალსაზრისს, რომელიც მდგომარეობს იმაში, რომ მათი ერთი-ერთზე ურთიერთობა მიღებულია „ნაგულისხმევად“. ამიტომ ტერმინები: „საკონტროლო ობიექტის პარამეტრები“ და „საკონტროლო ობიექტის მდგომარეობა“ განიხილება სინონიმებად, ხოლო ცნება „საკონტროლო ობიექტის მდგომარეობა“ ცალსახად არ არის შემოტანილი. თუმცა, აშკარაა, რომ ზოგადად, საკონტროლო ობიექტის დაკვირვებულ პარამეტრებსა და მის მდგომარეობას შორის კავშირი დინამიური და სავარაუდოა.

ამრიგად, ტრადიციული ავტომატური მართვის სისტემები არსებითად არის პარამეტრული მართვის სისტემები, ე.ი. სისტემები, რომლებიც მართავენ არა საკონტროლო ობიექტის მდგომარეობას, არამედ მხოლოდ მის დაკვირვებად პარამეტრებს. საკონტროლო მოქმედებაზე გადაწყვეტილება მიიღება ისეთ სისტემებში თითქოს „ბრმად“, ე.ი. საკონტროლო ობიექტისა და გარემოს ამჟამინდელ მდგომარეობაში ჰოლისტიკური გამოსახულების ჩამოყალიბების გარეშე, აგრეთვე გარემოს განვითარებისა და საკონტროლო ობიექტის რეაქციის წინასწარმეტყველების გარეშე, მასზე გარკვეული საკონტროლო მოქმედებების მიმართ, მოქმედებენ ერთდროულად გარემოს პროგნოზირებულ გავლენასთან. .

ამ ნაშრომში შემუშავებული პოზიციებიდან გამომდინარე, ტერმინი „გადაწყვეტილების მიღება“ თანამედროვე გაგებით ძნელად გამოიყენება კონტროლის ტრადიციულ ავტომატიზირებულ სისტემებზე. ფაქტია, რომ „გადაწყვეტილების მიღება“, სულ მცირე, მოიცავს ობიექტის ჰოლისტიკური ხედვას გარემოში და არა მხოლოდ მათ ამჟამინდელ მდგომარეობაში, არამედ დინამიკაში და ურთიერთქმედებაში როგორც ერთმანეთთან, ისე საკონტროლო სისტემასთან. მოიცავს მთელი ამ სისტემის განვითარების სხვადასხვა ალტერნატიულ ვარიანტების განხილვას, ასევე ამ ალტერნატივების მრავალფეროვნების (შემცირების) შემცირებას გარკვეული სამიზნე კრიტერიუმებიდან გამომდინარე. არცერთი მათგანი, ცხადია, არ არის ტრადიციულ ACS-ში, ან არის, მაგრამ გამარტივებული ფორმით.

რა თქმა უნდა, ტრადიციული მეთოდი ადეკვატურია და მისი გამოყენება საკმაოდ სწორი და გამართლებულია იმ შემთხვევებში, როდესაც საკონტროლო ობიექტი მართლაც სტაბილური და მკაცრად განსაზღვრული სისტემაა და მასზე გარემოს გავლენა შეიძლება უგულებელყო.

თუმცა, სხვა შემთხვევებში ეს მეთოდი არაეფექტურია.

თუ საკონტროლო ობიექტი დინამიურია, მაშინ მოდელები, რომლებიც ემყარება მის საკონტროლო ალგორითმებს, სწრაფად ხდება არაადეკვატური, რადგან იცვლება შეყვანისა და გამომავალი პარამეტრებს შორის ურთიერთობა, ისევე როგორც თავად არსებითი პარამეტრების ნაკრები. სინამდვილეში, ეს ნიშნავს, რომ ტრადიციული ავტომატური მართვის სისტემებს შეუძლიათ გააკონტროლონ საკონტროლო ობიექტის მდგომარეობა მხოლოდ წონასწორობის წერტილთან ახლოს მასზე სუსტი კონტროლის მოქმედებების საშუალებით, ე.ი. მცირე დარღვევების მეთოდით. წონასწორობის მდგომარეობიდან შორს, ტრადიციული თვალსაზრისით, საკონტროლო ობიექტის ქცევა გამოიყურება არაპროგნოზირებადი და უკონტროლო.

თუ არ არსებობს ცალსახა კავშირი საკონტროლო ობიექტის შეყვანის და გამომავალი პარამეტრებს შორის (ანუ შეყვანის პარამეტრებსა და ობიექტის მდგომარეობას შორის), სხვა სიტყვებით რომ ვთქვათ, თუ ამ ურთიერთობას აქვს გამოხატული ალბათური ბუნება, მაშინ დეტერმინისტული მოდელები, რომელიც ვარაუდობენ, რომ გარკვეული პარამეტრის გაზომვის შედეგი არის უბრალოდ რიცხვი, თავდაპირველად შეუსაბამო. გარდა ამისა, ამ ურთიერთობის ფორმა შეიძლება უბრალოდ უცნობი იყოს, შემდეგ კი აუცილებელია ყველაზე ზოგადი ვარაუდიდან გამომდინარე: რომ ის ალბათურია, ან საერთოდ არ არის განსაზღვრული.

ტრადიციულ პრინციპებზე აგებულ ავტომატურ საკონტროლო სისტემას შეუძლია იმუშაოს მხოლოდ იმ პარამეტრების საფუძველზე, რომელთა ურთიერთობის ნიმუშები უკვე ცნობილია, შესწავლილია და აისახება მათემატიკური მოდელში. სისტემები, რომლებიც საშუალებას მისცემს შექმნას სისტემები, რომლებსაც შეუძლიათ ამოიცნონ და დაადგინონ ყველაზე მნიშვნელოვანი პარამეტრები და განსაზღვრონ მათ შორის კავშირების ბუნება და საკონტროლო ობიექტის მდგომარეობა.

ამ შემთხვევაში აუცილებელია რეალურ ვითარებაზე უფრო განვითარებული და ადეკვატური გაზომვის მეთოდების გამოყენება:

• კლასიფიკაცია ან ნიმუშის ამოცნობა (სწავლება ტრენინგის ნიმუშზე დაფუძნებული, ამოცნობის ალგორითმების ადაპტირება, კლასების ნაკრებისა და შესწავლილი პარამეტრების ადაპტაცია, ყველაზე მნიშვნელოვანი პარამეტრების შერჩევა და აღწერილობის განზომილების შემცირება მოცემული სიჭარბის შენარჩუნებით და ა.შ.);
• სტატისტიკური გაზომვები, როდესაც გარკვეული პარამეტრის გაზომვის შედეგი არის არა ერთი რიცხვი, არამედ ალბათობის განაწილება: სტატისტიკური ცვლადის ცვლილება თავისთავად არ ნიშნავს მისი მნიშვნელობის ცვლილებას, არამედ ალბათობის განაწილების მახასიათებლების ცვლილებას. მისი ღირებულებები.

შედეგად, ტრადიციულ დეტერმინისტულ მიდგომაზე დაფუძნებული ავტომატური მართვის სისტემები პრაქტიკულად არ მუშაობს კომპლექსურ დინამიურ მრავალპარამეტრულ სუსტად განსაზღვრულ საკონტროლო ობიექტებთან, როგორიცაა, მაგალითად, მაკრო და მიკრო-სოციო-ეკონომიკური სისტემები დინამიურ ეკონომიკაში. გარდამავალი პერიოდი“, იერარქიული ელიტა და ეთნიკური ჯგუფები, საზოგადოება და ამომრჩეველი, ადამიანის ფიზიოლოგია და ფსიქიკა, ბუნებრივი და ხელოვნური ეკოსისტემები და მრავალი სხვა.

ძალზე მნიშვნელოვანია, რომ 80-იანი წლების შუა ხანებში ი.პრიგოჟინის სკოლამ შეიმუშავა მიდგომა, რომლის მიხედვითაც ნებისმიერი სისტემის (მათ შორის პიროვნების) განვითარებაში იცვლება პერიოდები, რომლებშიც სისტემა იქცევა ან როგორც „ძირითადად დეტერმინისტული“. ან როგორც "ძირითადად შემთხვევითი". ბუნებრივია, რეალურმა საკონტროლო სისტემამ უნდა სტაბილურად მართოს საკონტროლო ობიექტი არა მხოლოდ მისი ისტორიის „დეტერმინისტულ“ მონაკვეთებზე, არამედ იმ მომენტებშიც, როდესაც მისი შემდგომი ქცევა ძალზე გაურკვეველი ხდება. ეს მხოლოდ იმას ნიშნავს, რომ აუცილებელია იმ სისტემების მართვის მიდგომების შემუშავება, რომელთა ქცევაში არის შემთხვევითობის დიდი ელემენტი (ან ის, რაც ამჟამად მათემატიკურად არის აღწერილი, როგორც „შემთხვევა“).

მაშასადამე, პერსპექტიული ავტომატური მართვის სისტემების შემადგენლობა, რომლებიც უზრუნველყოფენ რთული დინამიური მრავალპარამეტრული სუსტ დეტერმინისტული სისტემების კონტროლს, როგორც არსებითი ფუნქციური რგოლი, აშკარად მოიცავს ქვესისტემებს გარემოსა და კონტროლის ობიექტის მდგომარეობის იდენტიფიკაციისა და პროგნოზირებისთვის, ხელოვნური ინტელექტის მეთოდებზე დაყრდნობით. (პირველ რიგში შაბლონის ამოცნობა), გადაწყვეტილების მიღების მხარდაჭერის მეთოდები და ინფორმაციის თეორია.

მოკლედ განვიხილოთ გამოსახულების ამომცნობი სისტემების გამოყენების საკითხი საკონტროლო მოქმედების შესახებ გადაწყვეტილების მისაღებად (ეს საკითხი უფრო დეტალურად მოგვიანებით იქნება განხილული, რადგან ეს არის ამ სამუშაოს მთავარი). თუ ავიღებთ საკონტროლო ობიექტის სამიზნეს და სხვა მდგომარეობებს, როგორც ამოცნობის კლასებს, და მასზე გავლენის ფაქტორებს, როგორც მახასიათებლებს, მაშინ ფაქტორებსა და მდგომარეობებს შორის ურთიერთობის საზომი შეიძლება ჩამოყალიბდეს ნიმუშის ამოცნობის მოდელში. ეს საშუალებას გაძლევთ მიიღოთ ინფორმაცია იმ ფაქტორების შესახებ, რომლებიც ხელს უწყობენ ან აფერხებენ მის გადასვლას ამ მდგომარეობაზე, საკონტროლო ობიექტის მოცემულ მდგომარეობიდან გამომდინარე და, ამის საფუძველზე, შემუშავდეს გადაწყვეტილება საკონტროლო მოქმედების შესახებ.

ფაქტორები შეიძლება დაიყოს შემდეგ ჯგუფებად:

• საკონტროლო ობიექტის პრეისტორიის დახასიათება;
• საკონტროლო ობიექტის მიმდინარე მდგომარეობის დახასიათება;
• გარემო ფაქტორები;
• ტექნოლოგიური (მართული) ფაქტორები.

ამრიგად, გამოსახულების ამოცნობის სისტემები შეიძლება გამოყენებულ იქნას როგორც ავტომატური კონტროლის სისტემის ნაწილი: ქვესისტემებში საკონტროლო ობიექტის მდგომარეობის იდენტიფიცირებისთვის და საკონტროლო მოქმედებების გენერირებისთვის.

ეს სასარგებლოა, როდესაც საკონტროლო ობიექტი რთული სისტემაა.

ავტომატური მართვის სისტემაში საკონტროლო მოქმედების შესახებ გადაწყვეტილების მიღება

კომპლექსური სისტემების მიერ ადაპტური ავტომატური მართვის სისტემების სინთეზის პრობლემის გადაწყვეტა განხილულია ამ ნაშრომში, მრავალრიცხოვანი და ღრმა ანალოგიების გათვალისწინებით ნიმუშის ამოცნობისა და გადაწყვეტილების მიღების მეთოდებს შორის.

ერთის მხრივ, ნიმუშის ამოცნობის ამოცანა არის გადაწყვეტილება ცნობადი ობიექტის კუთვნილების შესახებ გარკვეული ამოცნობის კლასში.

მეორე მხრივ, გადაწყვეტილების მიღების პრობლემა ავტორები განიხილება, როგორც ინვერსიული დეკოდირების პრობლემა ან შებრუნებული ნიმუშის ამოცნობის პრობლემა (იხ. ნაწილი 2.2.2).

ძირითადი იდეების საერთოობა, რომლებიც საფუძვლად უდევს ნიმუშის ამოცნობისა და გადაწყვეტილების მიღების მეთოდებს, განსაკუთრებით აშკარა ხდება ინფორმაციის თეორიის პოზიციიდან განხილვისას.

გადაწყვეტილების მიმღები ამოცანების მრავალფეროვნება

გადაწყვეტილების მიღება, როგორც მიზნის განხორციელება

განმარტება: გადაწყვეტილების მიღება („არჩევანი“) არის მოქმედება ალტერნატივების ერთობლიობაზე, რის შედეგადაც ვიწროვდება ალტერნატივების თავდაპირველი ნაკრები, ე.ი. ის მცირდება.

არჩევანი არის ქმედება, რომელიც მიზანმიმართულობას ანიჭებს ყველა საქმიანობას. არჩევითი აქტების მეშვეობით ხდება ყველა აქტივობის დაქვემდებარება კონკრეტულ მიზანზე ან ურთიერთდაკავშირებულ მიზნებზე.

ამდენად, იმისათვის, რომ არჩევანის აქტი გახდეს შესაძლებელი, აუცილებელია შემდეგი:

• ალტერნატივების ნაკრების შექმნა ან აღმოჩენა, რომლებზედაც უნდა გაკეთდეს არჩევანი;
• მიზნების განსაზღვრა, რომლის მიღწევისთვისაც კეთდება არჩევანი;
• ალტერნატივების ერთმანეთთან შედარების მეთოდის შემუშავება და გამოყენება, ე.ი. თითოეული ალტერნატივის უპირატესობის რეიტინგის განსაზღვრა გარკვეული კრიტერიუმების მიხედვით, რაც საშუალებას იძლევა ირიბად შეფასდეს, თუ როგორ აკმაყოფილებს თითოეული ალტერნატივა მიზანს.

გადაწყვეტილების მხარდაჭერის სფეროში თანამედროვე მუშაობამ გამოავლინა დამახასიათებელი სიტუაცია, რომელიც მდგომარეობს იმაში, რომ საუკეთესო (გარკვეული გაგებით) გადაწყვეტის პოვნის სრული ფორმალიზაცია შესაძლებელია მხოლოდ კარგად შესწავლილი, შედარებით მარტივი პრობლემებისთვის, მაშინ როცა პრაქტიკაში, უფრო ხშირია სუსტად სტრუქტურირებული პრობლემები, რომლებისთვისაც სრულად ფორმალიზებული ალგორითმები არ არის შემუშავებული (გარდა ამომწურავი ჩამოთვლისა და საცდელი-შეცდომისა). თუმცა, გამოცდილი, კომპეტენტური და უნარიანი პროფესიონალები ხშირად აკეთებენ არჩევანს, რომელიც საკმაოდ კარგი გამოდის. მაშასადამე, ბუნებრივ სიტუაციებში გადაწყვეტილების მიღების პრაქტიკის ამჟამინდელი ტენდენციაა პიროვნების არაფორმალური პრობლემების გადაჭრის უნარის გაერთიანება ფორმალური მეთოდებისა და კომპიუტერული მოდელირების შესაძლებლობებთან: გადაწყვეტილების მხარდაჭერის ინტერაქტიული სისტემები, საექსპერტო სისტემები, ადაპტირებული ადამიანი-მანქანა ავტომატიზირებული. კონტროლის სისტემები, ნერვული ქსელები და კოგნიტური სისტემები.

გადაწყვეტილების მიღება, როგორც გაურკვევლობის მოხსნა (ინფორმაციული მიდგომა)

ინფორმაციის მოპოვების პროცესი შეიძლება ჩაითვალოს სიგნალის მიღების შედეგად გაურკვევლობის შემცირებად, ხოლო ინფორმაციის რაოდენობა - გაურკვევლობის მოხსნის ხარისხის რაოდენობრივ საზომად.

მაგრამ კომპლექტიდან ალტერნატივების ზოგიერთი ქვეჯგუფის არჩევის შედეგად, ე.ი. გადაწყვეტილების მიღების შედეგად ხდება იგივე (გაურკვევლობის დაქვეითება). ეს ნიშნავს, რომ ყოველი არჩევანი, ყოველი გადაწყვეტილება წარმოშობს გარკვეული რაოდენობის ინფორმაციას და, შესაბამისად, შეიძლება აღწერილი იყოს ინფორმაციის თეორიის თვალსაზრისით.

გადაწყვეტილების მიღების პრობლემების კლასიფიკაცია

გადაწყვეტილების მიღების ამოცანების სიმრავლე განპირობებულია იმით, რომ სიტუაციის თითოეული კომპონენტი, რომელშიც ხორციელდება გადაწყვეტილების მიღება, შეიძლება განხორციელდეს ხარისხობრივად განსხვავებული გზით.

აქ მოცემულია ამ ვარიანტებიდან მხოლოდ რამდენიმე:

• ალტერნატივების ნაკრები, ერთი მხრივ, შეიძლება იყოს სასრული, თვლადი ან უწყვეტი, ხოლო მეორეს მხრივ, დახურული (ანუ სრულიად ცნობილი) ან ღია (მათ შორის უცნობი ელემენტები);
• ალტერნატივების შეფასება შეიძლება განხორციელდეს ერთი ან რამდენიმე კრიტერიუმის მიხედვით, რომელიც, თავის მხრივ, შეიძლება იყოს რაოდენობრივი ან ხარისხობრივი;
• არჩევანის რეჟიმი შეიძლება იყოს ერთჯერადი (ერთჯერადი), ან მრავალჯერადი, განმეორებადი, მათ შორის უკუკავშირი არჩევანის შედეგებზე, ე.ი. გადაწყვეტილების მიღების ალგორითმების შესწავლის დაშვება წინა არჩევნების შედეგების გათვალისწინებით;
• თითოეული ალტერნატივის არჩევის შედეგები შეიძლება წინასწარ იყოს ზუსტად ცნობილი (არჩევა დარწმუნებით), ჰქონდეს ალბათური ხასიათი, როდესაც არჩევანის გაკეთების შემდეგ შესაძლო შედეგების ალბათობა (არჩევანი რისკის ქვეშ) ან აქვს ბუნდოვანი შედეგი უცნობი ალბათობით (არჩევა გაურკვევლობაში );
• არჩევანზე პასუხისმგებლობა შეიძლება არ იყოს, იყოს ინდივიდუალური ან ჯგუფური;
• ჯგუფურ არჩევანში მიზნების თანმიმდევრულობის ხარისხი შეიძლება განსხვავდებოდეს მხარეთა ინტერესების სრული დამთხვევიდან (კოოპერატიული არჩევანი) მათ საპირისპირომდე (არჩევანი კონფლიქტურ სიტუაციაში). შესაძლებელია შუალედური ვარიანტებიც: კომპრომისი, კოალიცია, მზარდი ან ქრებოდა კონფლიქტი.

ამ ვარიანტების სხვადასხვა კომბინაცია იწვევს გადაწყვეტილების მიღების მრავალ პრობლემას, რომლებიც შესწავლილია სხვადასხვა ხარისხით.

ენები გადაწყვეტილების მიღების მეთოდების აღწერისთვის

ერთსა და იმავე ფენომენზე შეიძლება საუბარი სხვადასხვა ენაზე ზოგადისა და ადეკვატურობის სხვადასხვა ხარისხით. დღემდე, არჩევანის აღწერისთვის სამი ძირითადი ენა იყო.

უმარტივესი, ყველაზე განვითარებული და ყველაზე პოპულარული კრიტერიუმის ენაა.

კრიტერიუმების ენა

ამ ენის სახელს უკავშირდება ძირითადი ვარაუდი, რომ თითოეული ინდივიდუალური ალტერნატივა შეიძლება შეფასდეს რაიმე კონკრეტული (ერთი) რიცხვით, რის შემდეგაც ალტერნატივების შედარება მცირდება მათი შესაბამისი რიცხვების შედარებამდე.

მოდით, მაგალითად, (X) იყოს ალტერნატივების სიმრავლე, ხოლო x იყოს გარკვეული ალტერნატივა, რომელიც მიეკუთვნება ამ სიმრავლეს: x∈X. მაშინ ითვლება, რომ ყველა x-ისთვის შეიძლება მიენიჭოს q(x) ფუნქცია, რომელსაც ეწოდება კრიტერიუმი (ხარისხის კრიტერიუმი, ობიექტური ფუნქცია, უპირატესობის ფუნქცია, სასარგებლო ფუნქცია და ა.შ.), რომელსაც აქვს თვისება, რომ თუ ალტერნატივა x 1 არის სასურველია x 2 (აღნიშნავს: x 1 > x 2), შემდეგ q (x 1) > q (x 2).

ამ შემთხვევაში არჩევანი მცირდება კრიტერიუმის ფუნქციის უმაღლესი მნიშვნელობის მქონე ალტერნატივის პოვნამდე.

თუმცა, პრაქტიკაში, ალტერნატივების უპირატესობის ხარისხის შედარებისთვის მხოლოდ ერთი კრიტერიუმის გამოყენება აღმოჩნდება გაუმართლებელი გამარტივება, რადგან ალტერნატივების უფრო დეტალური განხილვა იწვევს მათი არა ერთის, არამედ მრავალის მიხედვით შეფასების აუცილებლობას. კრიტერიუმები, რომლებიც შეიძლება იყოს განსხვავებული ხასიათის და ხარისხობრივად განსხვავებული ერთმანეთისგან.

მაგალითად, გარკვეული ტიპის მარშრუტებზე მგზავრებისა და მოქმედი ორგანიზაციისთვის ყველაზე მისაღები ტიპის თვითმფრინავის არჩევისას, შედარება ხდება ერთდროულად მრავალი ჯგუფის კრიტერიუმების მიხედვით: ტექნიკური, ტექნოლოგიური, ეკონომიკური, სოციალური, ერგონომიული და ა.შ.

მრავალკრიტერიუმულ ამოცანებს არ აქვთ უნიკალური ზოგადი გადაწყვეტა. ამიტომ, შემოთავაზებულია მრავალი გზა, რათა მულტიკრიტერიუმულ პრობლემას მივცეთ კონკრეტული ფორმა, რომელიც იძლევა ერთიანი ზოგადი გადაწყვეტის საშუალებას. ბუნებრივია, ეს გადაწყვეტილებები ზოგადად განსხვავებულია სხვადასხვა მეთოდისთვის. მაშასადამე, მულტიკრიტერიუმული პრობლემის გადაჭრისას, ალბათ, მთავარია მისი ამ ტიპის ფორმულირების დასაბუთება.

მრავალკრიტერიუმების შერჩევის პრობლემის გამარტივების სხვადასხვა ვარიანტები გამოიყენება. ჩამოვთვალოთ რამდენიმე მათგანი.

1. პირობითი მაქსიმიზაცია (აღმოჩენილია არა ინტეგრალური კრიტერიუმის გლობალური ექსტრემუმი, არამედ მთავარი კრიტერიუმის ლოკალური ექსტრემი).
2. მოძებნეთ ალტერნატივა მოცემული თვისებებით.
3. პარეტოს ნაკრების პოვნა.
4. მრავალკრიტერიუმიანი პრობლემის ერთკრიტერიუმამდე შემცირება ინტეგრალური კრიტერიუმის შემოღებით.

მოდით უფრო დეტალურად განვიხილოთ მრავალკრიტერიუმიანი პრობლემის ერთკრიტერიუმამდე შემცირების მეთოდის ფორმალური ფორმულირება.

ჩვენ შემოგთავაზებთ ინტეგრალურ კრიტერიუმს q 0 (x), როგორც ვექტორული არგუმენტის სკალარული ფუნქცია:

q 0 (x) = q 0 ((q 1 (x), q 2 (x), ..., q n (x)).

ინტეგრალური კრიტერიუმი საშუალებას იძლევა ალტერნატივების დალაგება q 0-ით, რითაც ხაზგასმულია საუკეთესო (ამ კრიტერიუმის გაგებით). q 0 ფუნქციის ფორმა განისაზღვრება იმით, თუ რამდენად კონკრეტულად წარმოგვიდგენია თითოეული კრიტერიუმის წვლილი ინტეგრალურ კრიტერიუმში. ჩვეულებრივ გამოიყენება დანამატი და გამრავლების ფუნქციები:

q 0 = ∑a i ⋅q i /s i

1 - q 0 = ∏(1 - b i ⋅q i /s i)

კოეფიციენტები მე გთავაზობთ:

1. განზომილება ან a i ⋅q i /s i რიცხვის ერთი განზომილება (სხვადასხვა კონკრეტულ კრიტერიუმს შეიძლება ჰქონდეს განსხვავებული განზომილებები და მაშინ შეუძლებელია მათზე არითმეტიკული მოქმედებების შესრულება და მათი ინტეგრალურ კრიტერიუმამდე დაყვანა).
2. ნორმალიზაცია, ე.ი. პირობის უზრუნველყოფა: b i ⋅q i /s i<1.

a i და b i კოეფიციენტები ასახავს კონკრეტული კრიტერიუმის q i შეფარდებით წვლილს ინტეგრალურ კრიტერიუმში.

ასე რომ, მრავალკრიტერიუმულ გარემოში, ერთ-ერთი ალტერნატივის არჩევის შესახებ გადაწყვეტილების მიღების პრობლემა მცირდება ინტეგრალური კრიტერიუმის მაქსიმიზაციამდე:

x * = arg max(q 0 (q 1 (x), q 2 (x), ..., q n (x)))

გადაწყვეტილების მიღების პრობლემის მულტიკრიტერიუმული ფორმულირების მთავარი პრობლემა ისაა, რომ აუცილებელია a i და b i კოეფიციენტების ისეთი ანალიტიკური ფორმის პოვნა, რომელიც უზრუნველყოფს მოდელის შემდეგ თვისებებს:

• საგნობრივი სფეროსა და ექსპერტების თვალსაზრისის ადეკვატურობის მაღალი ხარისხი;
• მინიმალური გამოთვლითი სირთულეები ინტეგრალური კრიტერიუმის მაქსიმიზაციაში, ე.ი. მისი გაანგარიშება სხვადასხვა ალტერნატივისთვის;
• ინტეგრალური კრიტერიუმის მაქსიმალური გაზრდის შედეგების სტაბილურობა საწყისი მონაცემების მცირე აურზაურებიდან.
• გადაწყვეტის სტაბილურობა ნიშნავს, რომ საწყის მონაცემებში მცირე ცვლილებამ უნდა გამოიწვიოს ინტეგრალური კრიტერიუმის მნიშვნელობის მცირე ცვლილება და, შესაბამისად, მიღებული გადაწყვეტილების მცირე ცვლილება. ამრიგად, თუ საწყისი მონაცემები პრაქტიკულად იგივეა, მაშინ გადაწყვეტილება უნდა იქნას მიღებული ან იგივე ან ძალიან ახლოს.

თანმიმდევრული ორობითი შერჩევის ენა

ორობითი მიმართებების ენა არის მრავალკრიტერიუმიანი ენის განზოგადება და ეფუძნება იმ ფაქტს, რომ როდესაც ვაფასებთ რაიმე ალტერნატივას, ეს შეფასება ყოველთვის ფარდობითია, ე.ი. ცალსახად ან უფრო ხშირად ირიბად, სხვა ალტერნატივები შესწავლილი ნაკრებიდან ან ზოგადი პოპულაციიდან გამოიყენება შედარებისთვის საფუძვლად ან საცნობარო ჩარჩოდ. ადამიანის აზროვნება დაფუძნებულია საპირისპირო (კონსტრუქციების) ძიებასა და ანალიზზე, ამიტომ ჩვენთვის ყოველთვის უფრო ადვილია ავირჩიოთ ორი საპირისპირო ვარიანტიდან ერთი, ვიდრე ერთი ვარიანტი დიდი და არავითარ შემთხვევაში არეულ-დარეული ნაკრებიდან.

ამრიგად, ამ ენის ძირითადი ვარაუდები შემდეგნაირად იშლება:

• არ ფასდება ერთი ალტერნატივა, ე.ი. კრიტერიუმის ფუნქცია არ არის შემოღებული;
• ალტერნატივების თითოეული წყვილისთვის შეიძლება დადგინდეს, რომ ერთი მათგანი უპირატესობას ანიჭებს მეორეს, ან რომ ისინი ეკვივალენტური ან შეუდარებელია;
• ალტერნატივების ნებისმიერ წყვილში უპირატესობის მიმართება არ არის დამოკიდებული არჩევისთვის წარმოდგენილ სხვა ალტერნატივებზე.

ორობითი ურთიერთობების დაზუსტების სხვადასხვა გზა არსებობს: პირდაპირი, მატრიცული, უპირატესობის გრაფიკების გამოყენებით, სექციების მეთოდი და ა.შ.

ერთი წყვილის ალტერნატივებს შორის ურთიერთობა გამოიხატება ეკვივალენტობის, რიგისა და დომინანტობის ცნებებით.

არჩევანის განზოგადებული ენის ფუნქციები

არჩევანის ფუნქციების ენა დაფუძნებულია სიმრავლეების თეორიაზე და საშუალებას აძლევს ადამიანს იმუშაოს კომპლექტების რუკებით მათ ქვეჯგუფებთან, რომლებიც შეესაბამება სხვადასხვა არჩევანს ელემენტების ჩამოთვლის საჭიროების გარეშე. ეს ენა ძალიან ზოგადია და პოტენციურად იძლევა ნებისმიერი არჩევანის აღწერას. თუმცა, განზოგადებული არჩევანის ფუნქციების მათემატიკური აპარატი ამჟამად მხოლოდ მუშავდება და ტესტირება ძირითადად იმ პრობლემებზე, რომლებიც უკვე გადაჭრილია კრიტერიუმული ან ორობითი მიდგომების გამოყენებით.

ჯგუფური არჩევანი

იყოს ადამიანთა ჯგუფი, რომელსაც აქვს უფლება მონაწილეობა მიიღოს კოლექტიური გადაწყვეტილების მიღებაში. დავუშვათ, რომ ეს ჯგუფი განიხილავს ალტერნატივების გარკვეულ კომპლექტს და ჯგუფის თითოეული წევრი აკეთებს არჩევანს. ამოცანაა ისეთი გადაწყვეტის შემუშავება, რომელიც გარკვეულწილად კოორდინაციას გაუწევს ინდივიდუალურ არჩევანს და გარკვეულწილად გამოხატავს ჯგუფის „ზოგად აზრს“, ე.ი. მიღებული როგორც ჯგუფური არჩევანი.

ბუნებრივია, სხვადასხვა ჯგუფური გადაწყვეტილება შეესატყვისება ინდივიდუალური გადაწყვეტილებების კოორდინაციის სხვადასხვა პრინციპებს.

ჯგუფურ არჩევანში ინდივიდუალური გადაწყვეტილებების კოორდინაციის წესებს ხმის მიცემის წესები ეწოდება. ყველაზე გავრცელებულია „უმრავლესობის წესი“, რომლის დროსაც ჯგუფის გადაწყვეტილებას იღებს ალტერნატივა, რომელიც ყველაზე მეტ ხმას მიიღებს.

უნდა გვესმოდეს, რომ ასეთი გადაწყვეტილება მხოლოდ ასახავს ჯგუფში სხვადასხვა თვალსაზრისის გავრცელებას და არა ჭეშმარიტად ოპტიმალურ ვარიანტს, რომლისთვისაც ხმა საერთოდ არავის შეუძლია. „სიმართლე კენჭისყრით არ განისაზღვრება“.

გარდა ამისა, არსებობს ეგრეთ წოდებული „ხმის მიცემის პარადოქსები“, რომელთაგან ყველაზე ცნობილია ისრის პარადოქსი.

ამ პარადოქსებმა შეიძლება გამოიწვიოს და ზოგჯერ იწვევს ხმის მიცემის პროცედურის ძალიან უსიამოვნო მახასიათებლებს: მაგალითად, არის შემთხვევები, როდესაც ჯგუფი საერთოდ ვერ იღებს ერთ გადაწყვეტილებას (ქვორუმი არ არის ან ყველა ხმას აძლევს საკუთარ უნიკალურ ვარიანტს და ა.შ. .), და ზოგჯერ (მრავალეტაპიანი კენჭისყრისას) უმცირესობას შეუძლია თავისი ნება დააკისროს უმრავლესობას.

არჩევანი გაურკვევლობის პირობებში

სიზუსტე გაურკვევლობის განსაკუთრებული შემთხვევაა, კერძოდ: ეს არის გაურკვევლობა ნულთან ახლოს.

არჩევანის თანამედროვე თეორიაში მიჩნეულია, რომ გადაწყვეტილების მიღების პრობლემებში არსებობს გაურკვევლობის სამი ძირითადი ტიპი:

1. გადაწყვეტილების მიღებისათვის საწყისი მონაცემების ინფორმაციული (სტატისტიკური) გაურკვევლობა.
2. გადაწყვეტილების მიღების შედეგების გაურკვევლობა (არჩევანი).
3. გაურკვევლობა გადაწყვეტილების მიღების პროცესის კომპონენტების აღწერაში.

განვიხილოთ ისინი თანმიმდევრობით.

ინფორმაციული (სტატისტიკური) გაურკვევლობა საწყის მონაცემებში

საგნის მიმართ მიღებული მონაცემები არ შეიძლება ჩაითვალოს აბსოლუტურად ზუსტი. გარდა ამისა, აშკარაა, რომ ეს მონაცემები ჩვენთვის საინტერესოა არა თავისთავად, არამედ მხოლოდ როგორც სიგნალები, რომლებიც, შესაძლოა, ატარებენ გარკვეულ ინფორმაციას იმის შესახებ, თუ რა გვაინტერესებს სინამდვილეში. ამრიგად, უფრო რეალურია იმის გათვალისწინება, რომ საქმე გვაქვს არა მხოლოდ ხმაურიან და არაზუსტ, არამედ არაპირდაპირ და შესაძლოა არასრულ მონაცემებთან. გარდა ამისა, ეს მონაცემები არ ეხება შესწავლილ მთელ (ზოგად) პოპულაციას, არამედ მხოლოდ მის გარკვეულ ქვეჯგუფს, რომლის შესახებაც ჩვენ რეალურად შევძელით მონაცემების შეგროვება, მაგრამ ამავე დროს გვინდა გამოვიტანოთ დასკვნები მთელ პოპულაციაზე. და ჩვენ ასევე გვინდა ვიცოდეთ ამ დასკვნების სანდოობის ხარისხი.

ამ პირობებში გამოიყენება სტატისტიკური გადაწყვეტილებების თეორია.

ამ თეორიაში გაურკვევლობის ორი ძირითადი წყარო არსებობს. ჯერ ერთი, უცნობია, რა განაწილებას ემორჩილება ორიგინალური მონაცემები. მეორეც, უცნობია, რა განაწილება აქვს კომპლექტს (ზოგად პოპულაციას), რომლის შესახებაც გვინდა გამოვიტანოთ დასკვნები მისი ქვეჯგუფიდან, რომელიც ქმნის საწყის მონაცემებს.

სტატისტიკური პროცედურები არის გადაწყვეტილების მიღების პროცედურები, რომლებიც ხსნის ორივე ამ ტიპის გაურკვევლობას.

უნდა აღინიშნოს, რომ არსებობს მრავალი მიზეზი, რაც იწვევს სტატისტიკური მეთოდების არასწორ გამოყენებას:

• სტატისტიკურ დასკვნებს, ისევე როგორც ნებისმიერ სხვას, ყოველთვის აქვს გარკვეული სანდოობა ან დარწმუნება. მაგრამ, ბევრი სხვა შემთხვევისგან განსხვავებით, სტატისტიკური დასკვნების სანდოობა ცნობილია და განისაზღვრება სტატისტიკური კვლევის დროს;
• სტატისტიკური პროცედურის გამოყენების შედეგად მიღებული ხსნარის ხარისხი დამოკიდებულია საწყისი მონაცემების ხარისხზე;
• მონაცემები, რომლებსაც არ გააჩნიათ სტატისტიკური ხასიათი, არ უნდა ექვემდებარებოდეს სტატისტიკურ დამუშავებას;
• აუცილებელია გამოვიყენოთ სტატისტიკური პროცედურები, რომლებიც შეესაბამება შესწავლილი პოპულაციის შესახებ აპრიორული ინფორმაციის დონეს (მაგალითად, თქვენ არ უნდა გამოიყენოთ დისპერსიის ანალიზის მეთოდები არაგაუსიან მონაცემებზე). თუ ორიგინალური მონაცემების განაწილება უცნობია, მაშინ ან უნდა დაადგინოთ იგი, ან გამოიყენოთ რამდენიმე განსხვავებული მეთოდი და შევადაროთ შედეგები. თუ ისინი ძალიან განსხვავდებიან, ეს მიუთითებს გამოყენებული ზოგიერთი პროცედურის შეუსრულებლობაზე.

შედეგების გაურკვევლობა

როდესაც ალტერნატივის არჩევის შედეგებს ცალსახად განსაზღვრავს თავად ალტერნატივა, მაშინ ჩვენ ვერ განვასხვავებთ ალტერნატივას და მის შედეგებს, მიგვაჩნია, რომ ალტერნატივის არჩევისას ჩვენ რეალურად ვირჩევთ მის შედეგებს.

თუმცა რეალურ პრაქტიკაში ხშირად უწევს უფრო რთულ სიტუაციასთან გამკლავება, როდესაც ამა თუ იმ ალტერნატივის არჩევანი ორაზროვნად განსაზღვრავს გაკეთებული არჩევანის შედეგებს.

ალტერნატივებისა და მათი არჩეული შედეგების დისკრეტული ნაკრების შემთხვევაში, იმ პირობით, რომ შესაძლო შედეგების ნაკრები საერთოა ყველა ალტერნატივისთვის, შეგვიძლია ვივარაუდოთ, რომ სხვადასხვა ალტერნატივები ერთმანეთისგან განსხვავდება შედეგის ალბათობების განაწილებით. ეს ალბათობის განაწილება, ზოგად შემთხვევაში, შეიძლება დამოკიდებული იყოს ალტერნატივების არჩევის შედეგებზე და მის შედეგად რეალურად წარმოქმნილ შედეგებზე. უმარტივეს შემთხვევაში, შედეგები თანაბრად სავარაუდოა. თავად შედეგებს, როგორც წესი, აქვს მოგების ან ზარალის მნიშვნელობა და რაოდენობრივია.

თუ შედეგები თანაბარია ყველა ალტერნატივისთვის, მაშინ არჩევანის გაკეთება არაფერია. თუ ისინი განსხვავდებიან, მაშინ ალტერნატივების შედარება შესაძლებელია მათთვის გარკვეული რაოდენობრივი შეფასებების შემოღებით. თამაშის თეორიაში პრობლემების მრავალფეროვნება ასოცირდება ალტერნატივების არჩევის შედეგად დანაკარგებისა და მოგების რიცხვითი მახასიათებლების განსხვავებულ არჩევანთან, ალტერნატივის არჩევის მხარეებს შორის კონფლიქტის სხვადასხვა ხარისხთან და ა.შ.

განვიხილოთ ამ ტიპის გაურკვევლობა, როგორც ბუნდოვანი გაურკვევლობა

არჩევანის ნებისმიერი პრობლემა არის ალტერნატივების ნაკრების მიზნის შევიწროება. როგორც ალტერნატივების ფორმალური აღწერა (თავად მათი სია, მათი ატრიბუტებისა თუ პარამეტრების სია), ასევე მათი შედარების წესების აღწერა (კრიტერიუმები, ურთიერთობები) ყოველთვის მოცემულია ამა თუ იმ საზომი სკალის მიხედვით (მაშინაც კი, როდესაც ის ამან არ იცის ამის შესახებ).

ცნობილია, რომ ყველა სასწორი ბუნდოვანია, მაგრამ სხვადასხვა ხარისხით. ტერმინი „დაბინდვა“ გულისხმობს სასწორის თვისებას, რომელიც მდგომარეობს იმაში, რომ ყოველთვის შესაძლებელია წარმოვადგინოთ ორი განსხვავებული ალტერნატივა, ე.ი. ერთი მასშტაბით განსხვავებული და განუსხვავებელი, ე.ი. იდენტურია, მეორეში - უფრო ბუნდოვანი. რაც უფრო ნაკლებია გრადაცია გარკვეულ მასშტაბში, მით უფრო ბუნდოვანია.

ამრიგად, ჩვენ შეგვიძლია ნათლად დავინახოთ ალტერნატივები და ამავე დროს ბუნდოვნად დავახარისხოთ ისინი, ე.ი. იყოს ორაზროვანი, თუ რომელ კლასებს მიეკუთვნებიან.

უკვე ბუნდოვან სიტუაციაში გადაწყვეტილების მიღების შესახებ მათ პირველ ნაშრომში, ბელმანმა და ზადემ წამოაყენეს იდეა, რომ ორივე მიზნები და შეზღუდვები უნდა იყოს წარმოდგენილი ალტერნატივების ერთობლიობაში ბუნდოვანი (ფუზი) კომპლექტებით.

ოპტიმიზაციის მიდგომის ზოგიერთი შეზღუდვის შესახებ

ყველა ზემოთ განხილულ შერჩევის პრობლემასა და გადაწყვეტილების მიღების მეთოდში პრობლემა იყო საწყის ნაკრებში საუკეთესოების პოვნა მოცემულ პირობებში, ე.ი. ოპტიმალური ალტერნატივები გარკვეული გაგებით.

ოპტიმალურობის იდეა კიბერნეტიკის ცენტრალური იდეაა და მტკიცედ შევიდა ტექნიკური სისტემების დიზაინისა და ექსპლუატაციის პრაქტიკაში. ამავდროულად, ეს იდეა მოითხოვს ფრთხილ დამოკიდებულებას, როდესაც ვცდილობთ მის გადატანას რთული, დიდი და სუსტად განსაზღვრული სისტემების მართვის სფეროში, როგორიცაა, მაგალითად, სოციალურ-ეკონომიკური სისტემები.

ამ დასკვნის კარგი მიზეზები არსებობს. განვიხილოთ ზოგიერთი მათგანი:

1. ოპტიმალური გადაწყვეტა ხშირად გამოდის არასტაბილური, ე.ი. პრობლემის პირობებში, შეყვანის მონაცემების ან შეზღუდვების უმნიშვნელო ცვლილებებმა შეიძლება გამოიწვიოს მნიშვნელოვნად განსხვავებული ალტერნატივების შერჩევა.
2. ოპტიმიზაციის მოდელები შემუშავებულია მხოლოდ საკმაოდ მარტივი ამოცანების ვიწრო კლასებისთვის, რომლებიც ყოველთვის არ ასახავს ადეკვატურად და სისტემატურად რეალურ საკონტროლო ობიექტებს. ყველაზე ხშირად, ოპტიმიზაციის მეთოდები შესაძლებელს ხდის ზოგიერთი დიდი და რთული სისტემის მხოლოდ საკმაოდ მარტივი და კარგად ფორმალურად აღწერილი ქვესისტემების ოპტიმიზაციას, ე.ი. დაუშვით მხოლოდ ადგილობრივი ოპტიმიზაცია. თუმცა, თუ რომელიმე დიდი სისტემის თითოეული ქვესისტემა ოპტიმალურად მუშაობს, ეს სულაც არ ნიშნავს, რომ მთლიანობაში სისტემაც ოპტიმალურად იმუშავებს. ამიტომ, ქვესისტემის ოპტიმიზაცია სულაც არ იწვევს მის ქცევას, რაც მას მოეთხოვება მთლიანი სისტემის ოპტიმიზაციისას. უფრო მეტიც, ზოგჯერ ლოკალურმა ოპტიმიზაციამ შეიძლება გამოიწვიოს უარყოფითი შედეგები მთლიანად სისტემისთვის. ამიტომ, ქვესისტემების და მთლიანად სისტემის ოპტიმიზაციისას აუცილებელია განვსაზღვროთ მიზნებისა და ქვემიზნების ხე და მათი პრიორიტეტი.
3. ხშირად, ზოგიერთი მათემატიკური მოდელის მიხედვით ოპტიმიზაციის კრიტერიუმის მაქსიმიზაცია ითვლება ოპტიმიზაციის მიზნად, მაგრამ სინამდვილეში მიზანი საკონტროლო ობიექტის ოპტიმიზაციაა. ოპტიმიზაციის კრიტერიუმები და მათემატიკური მოდელები ყოველთვის მხოლოდ ირიბად არის დაკავშირებული მიზანთან, ე.ი. მეტ-ნაკლებად ადეკვატური, მაგრამ ყოველთვის მიახლოებითი.

ამრიგად, ოპტიმალურობის იდეა, რომელიც უკიდურესად ნაყოფიერია სისტემებისთვის, რომლებიც ადეკვატური მათემატიკური ფორმალიზაციას ექვემდებარება, სიფრთხილით უნდა გადავიდეს რთულ სისტემებზე. რა თქმა უნდა, მათემატიკური მოდელები, რომლებიც ზოგჯერ შეიძლება შემოთავაზებული იყოს ასეთი სისტემებისთვის, შეიძლება ოპტიმიზირებული იყოს. თუმცა, ყოველთვის უნდა გავითვალისწინოთ ამ მოდელების ძლიერი გამარტივება, რაც კომპლექსური სისტემების შემთხვევაში უგულებელყოფა აღარ შეიძლება, ისევე როგორც ის ფაქტი, რომ ამ მოდელების ადეკვატურობის ხარისხი რთული სისტემების შემთხვევაში რეალურად უცნობია. . აქედან გამომდინარე, უცნობია, რა წმინდა პრაქტიკული მნიშვნელობა აქვს ამ ოპტიმიზაციას. ტექნიკურ სისტემებში ოპტიმიზაციის მაღალი პრაქტიკულობა არ უნდა წარმოშობს ილუზიას, რომ ის ისეთივე ეფექტური იქნება რთული სისტემების ოპტიმიზაციაში. რთული სისტემების გააზრებული მათემატიკური მოდელირება ძალიან რთული, მიახლოებითი და არაზუსტია. რაც უფრო რთულია სისტემა, მით უფრო ფრთხილად უნდა იყოს მისი ოპტიმიზაციის იდეა.

მაშასადამე, რთული, დიდი, სუსტად განსაზღვრული სისტემებისთვის კონტროლის მეთოდების შემუშავებისას, ავტორები უმთავრესად თვლიან არა მხოლოდ არჩეული მიდგომის ოპტიმალურობას ფორმალური მათემატიკური თვალსაზრისით, არამედ მის ადეკვატურობას მიზანთან და საკუთრივ ბუნებასთან. საკონტროლო ობიექტი.

ექსპერტების შერჩევის მეთოდები

რთული სისტემების შესწავლისას ხშირად ჩნდება პრობლემები, რომლებიც, სხვადასხვა მიზეზის გამო, არ შეიძლება მკაცრად დაისვას და გადაჭრას ამჟამად განვითარებული მათემატიკური აპარატის გამოყენებით. ამ შემთხვევაში მიმართავენ ექსპერტების (სისტემის ანალიტიკოსების) მომსახურებებს, რომელთა გამოცდილება და ინტუიცია პრობლემის სირთულის შემცირებას უწყობს ხელს.

თუმცა, გასათვალისწინებელია, რომ ექსპერტები თავად არიან უაღრესად რთული სისტემები და მათი საქმიანობა ასევე დამოკიდებულია ბევრ გარე და შიდა პირობებზე. ამიტომ, საექსპერტო შეფასებების ორგანიზების მეთოდებში დიდი ყურადღება ეთმობა ექსპერტების მუშაობისთვის ხელსაყრელი გარე და ფსიქოლოგიური პირობების შექმნას.

შემდეგი ფაქტორები გავლენას ახდენენ ექსპერტის მუშაობაზე:

• პასუხისმგებლობა გამოცდის შედეგების გამოყენებაზე;
• იმის ცოდნა, რომ ჩართული არიან სხვა ექსპერტები;
• ექსპერტებს შორის საინფორმაციო კონტაქტის ხელმისაწვდომობა;
• ექსპერტთა ინტერპერსონალური ურთიერთობები (თუ მათ შორის არის საინფორმაციო კონტაქტი);
• ექსპერტის პირადი ინტერესი შეფასების შედეგებით;
• ექსპერტების პიროვნული თვისებები (თვითშეფასება, შესაბამისობა, ნება და ა.შ.)

ექსპერტებს შორის ურთიერთქმედებამ შეიძლება გამოიწვიოს ან შეაფერხოს მათი საქმიანობა. ამიტომ, სხვადასხვა შემთხვევაში გამოიყენება გამოკვლევის სხვადასხვა მეთოდი, რომლებიც განსხვავდება ექსპერტების ერთმანეთთან ურთიერთქმედების ხასიათით: ანონიმური და ღია გამოკითხვები და კითხვარები, შეხვედრები, დისკუსიები, საქმიანი თამაშები, გონებრივი შტურმი და ა.შ.

არსებობს ექსპერტთა მოსაზრებების მათემატიკური დამუშავების სხვადასხვა მეთოდი. ექსპერტებს სთხოვენ შეაფასონ სხვადასხვა ალტერნატივა ერთი ან ინდიკატორების სისტემით. გარდა ამისა, მათ სთხოვენ შეაფასონ თითოეული ინდიკატორის მნიშვნელობის ხარისხი (მისი „წონა“ ან „წვლილი“). თავად ექსპერტებს ასევე ენიჭებათ კომპეტენციის დონე, რომელიც შეესაბამება თითოეული მათგანის წვლილს ჯგუფის შედეგებში.

ექსპერტებთან მუშაობის შემუშავებული მეთოდია „დელფის“ მეთოდი. ამ მეთოდის მთავარი იდეაა ის, რომ კრიტიკა და არგუმენტაცია სასარგებლო გავლენას ახდენს ექსპერტზე, თუ მის თვითშეფასებაზე გავლენას არ მოახდენს და შექმნილია პირობები, რომლებიც გამორიცხავს პირად დაპირისპირებას.

ხაზგასმით უნდა აღინიშნოს, რომ არსებობს ფუნდამენტური განსხვავება საექსპერტო მეთოდების გამოყენების ხასიათში საექსპერტო სისტემებში და გადაწყვეტილების მხარდაჭერაში. თუ პირველ შემთხვევაში, ექსპერტებს მოეთხოვებათ გადაწყვეტილების მიღების მეთოდების ფორმალიზება, მაშინ მეორეში - მხოლოდ თავად გადაწყვეტილება, როგორც ასეთი.

ვინაიდან ექსპერტები ჩართულნი არიან ზუსტად იმ ფუნქციების განხორციელებაში, რომლებიც ამჟამად ან საერთოდ არ არის უზრუნველყოფილი ავტომატური სისტემებით, ან სრულდება უარესად, ვიდრე ადამიანები, ავტომატური სისტემების განვითარების პერსპექტიული მიმართულებაა ამ ფუნქციების მაქსიმალური ავტომატიზაცია.

გადაწყვეტილების მხარდაჭერის ავტომატური სისტემები

ადამიანი ყოველთვის იყენებდა ასისტენტს გადაწყვეტილების მიღებისას: ისინი უბრალოდ იყვნენ ინფორმაციის მიმწოდებლები საკონტროლო ობიექტის შესახებ და კონსულტანტები (მრჩევლები), რომლებიც გვთავაზობენ გადაწყვეტილების ვარიანტებს და აანალიზებენ მათ შედეგებს. გადაწყვეტილებებს მიმღები ყოველთვის იღებდა გარკვეულ საინფორმაციო გარემოში: სამხედრო მეთაურისთვის ეს არის შტაბი, რექტორისთვის, აკადემიური საბჭო, მინისტრისთვის, კოლეგია.

ჩვენს დროში გადაწყვეტილების მიღების საინფორმაციო ინფრასტრუქტურა წარმოუდგენელია გადაწყვეტილების განმეორებითი შეფასების ავტომატური სისტემების და განსაკუთრებით გადაწყვეტილების მხარდაჭერის სისტემების გარეშე (DDS - Decision Support Systems), ე.ი. ავტომატური სისტემები, რომლებიც სპეციალურად შექმნილია იმ ინფორმაციის მოსამზადებლად, რომელიც ადამიანს სჭირდება გადაწყვეტილების მისაღებად. გადაწყვეტილების მხარდაჭერის სისტემების შემუშავება ხორციელდება, კერძოდ, საერთაშორისო პროექტის ფარგლებში, რომელიც ხორციელდება ლაქსენბურგში (ავსტრია) გამოყენებითი სისტემების ანალიზის საერთაშორისო ინსტიტუტის ეგიდით.

რეალურ სიტუაციებში არჩევანი მოითხოვს მთელი რიგი ოპერაციების შესრულებას, რომელთაგან ზოგი უფრო ეფექტურად ასრულებს ადამიანს, ზოგი კი მანქანას. მათი უპირატესობების ეფექტური კომბინაცია ხარვეზების ერთდროულ კომპენსაციასთან ერთად ვლინდება გადაწყვეტილების მხარდაჭერის ავტომატიზებულ სისტემებში.

ადამიანი გადაწყვეტილებებს მანქანაზე უკეთ იღებს გაურკვევლობის პირობებში, მაგრამ სწორი გადაწყვეტილების მისაღებად მას ასევე სჭირდება ადეკვატური (სრული და სანდო) ინფორმაცია, რომელიც ახასიათებს საგანს. თუმცა ცნობილია, რომ ადამიანი კარგად ვერ უმკლავდება დიდი რაოდენობით „ნედლეულ“ დაუმუშავებელ ინფორმაციას. ამრიგად, მანქანის როლი გადაწყვეტილების მხარდაჭერაში შეიძლება იყოს საკონტროლო ობიექტისა და უკონტროლო ფაქტორების (გარემოს) შესახებ ინფორმაციის წინასწარი მომზადება, გარკვეული გადაწყვეტილების მიღების შედეგების დანახვა და ასევე მთელი ამ ინფორმაციის ვიზუალურად წარმოდგენა. და მოსახერხებელი გზა გადაწყვეტილების მიღების ფორმა.

ამრიგად, გადაწყვეტილების მხარდაჭერის ავტომატური სისტემები ანაზღაურებს პირის სისუსტეებს, ათავისუფლებს მას ინფორმაციის რუტინული წინასწარი დამუშავებისგან და უზრუნველყოფს კომფორტულ საინფორმაციო გარემოს, რომელშიც მას შეუძლია უკეთ აჩვენოს თავისი ძლიერი მხარეები. ეს სისტემები ორიენტირებულია არა გადაწყვეტილების მიმღების ფუნქციების ავტომატიზაციაზე (და, შედეგად, ამ ფუნქციების მისგან გაუცხოებაზე და, შესაბამისად, პასუხისმგებლობაზე მიღებულ გადაწყვეტილებებზე, რაც ხშირად ზოგადად მიუღებელია), არამედ მის დახმარებაზე. კარგი გამოსავალი.

ცოცხალი სისტემები, მათ შორის ადამიანები, დაარსების დღიდან მუდმივად დგანან ნიმუშის ამოცნობის ამოცანის წინაშე. კერძოდ, გრძნობის ორგანოებიდან მოსულ ინფორმაციას ტვინი ამუშავებს, რომელიც თავის მხრივ ახარისხებს ინფორმაციას, უზრუნველყოფს გადაწყვეტილების მიღებას და შემდეგ ელექტროქიმიური იმპულსების გამოყენებით საჭირო სიგნალს გადასცემს შემდგომ, მაგალითად, მოძრაობის ორგანოებს. , რომლებიც ახორციელებენ აუცილებელ ქმედებებს. შემდეგ ხდება გარემოს ცვლილება და ზემოაღნიშნული ფენომენები კვლავ ხდება. და თუ დააკვირდებით, მაშინ თითოეულ ეტაპს თან ახლავს აღიარება.

კომპიუტერული ტექნოლოგიების განვითარებით შესაძლებელი გახდა ცხოვრების პროცესში წარმოქმნილი მთელი რიგი პრობლემების გადაჭრა, შედეგის გაადვილება, დაჩქარება, ხარისხის გაუმჯობესება. მაგალითად, სიცოცხლის მხარდაჭერის სხვადასხვა სისტემების ფუნქციონირება, ადამიანისა და კომპიუტერის ურთიერთქმედება, რობოტული სისტემების გაჩენა და ა.შ. თუმცა, აღვნიშნავთ, რომ ამჟამად შეუძლებელია დამაკმაყოფილებელი შედეგის მიღწევა ზოგიერთ ამოცანში (სწრაფად მოძრავი მსგავსი ობიექტების ამოცნობა). , ხელნაწერი ტექსტი).

სამუშაოს მიზანი: ნიმუშის ამომცნობი სისტემების ისტორიის შესწავლა.

მიუთითეთ ხარისხობრივი ცვლილებები, რომლებიც მოხდა ნიმუშების ამოცნობის სფეროში, როგორც თეორიული, ასევე ტექნიკური, მიზეზების მითითებით;

იმსჯელეთ გამოთვლებში გამოყენებული მეთოდებისა და პრინციპების შესახებ;

მიეცით მაგალითები პერსპექტივების შესახებ, რომლებიც მოსალოდნელია უახლოეს მომავალში.

1. რა არის ნიმუშის ამოცნობა?

პირველი კვლევა კომპიუტერული ტექნოლოგიებით ძირითადად მიჰყვებოდა მათემატიკური მოდელირების კლასიკურ სქემას - მათემატიკური მოდელი, ალგორითმი და გამოთვლა. ეს იყო ატომური ბომბების აფეთქების დროს მიმდინარე პროცესების მოდელირება, ბალისტიკური ტრაექტორიების გამოთვლა, ეკონომიკური და სხვა აპლიკაციების ამოცანები. თუმცა, ამ სერიის კლასიკური იდეების გარდა, არსებობდა სრულიად განსხვავებულ ბუნებაზე დაფუძნებული მეთოდებიც და როგორც ზოგიერთი პრობლემის გადაჭრის პრაქტიკამ აჩვენა, ისინი ხშირად უკეთეს შედეგს იძლეოდნენ, ვიდრე გადაწყვეტილებები, რომლებიც დაფუძნებულია ზედმეტად რთულ მათემატიკურ მოდელებზე. მათი იდეა იყო უარი ეთქვათ შესწავლილი ობიექტის ამომწურავი მათემატიკური მოდელის შექმნის სურვილზე (უფრო მეტიც, ადეკვატური მოდელების აგება ხშირად პრაქტიკულად შეუძლებელი იყო) და სანაცვლოდ დაკმაყოფილებულიყვნენ მხოლოდ ჩვენთვის საინტერესო კონკრეტულ კითხვებზე პასუხებით. ეს პასუხები უნდა ვეძებოთ ფართო კლასის პრობლემების საერთო მოსაზრებებიდან. ამ ტიპის კვლევა მოიცავდა ვიზუალური გამოსახულებების ამოცნობას, მოსავლიანობის პროგნოზირებას, მდინარის დონეებს, ნავთობის შემცველი და წყალშემცველი წყლის გამიჯვნის პრობლემას არაპირდაპირი გეოფიზიკური მონაცემების გამოყენებით და ა.შ. ამ ამოცანებში კონკრეტული პასუხი იყო საჭირო საკმაოდ მარტივი ფორმით, როგორიცაა მაგალითად, ეკუთვნის თუ არა ობიექტი წინასწარ ფიქსირებულ კლასებს. და ამ ამოცანების საწყისი მონაცემები, როგორც წესი, მოცემულია ფრაგმენტული ინფორმაციის სახით შესწავლილი ობიექტების შესახებ, მაგალითად, წინასწარ კლასიფიცირებული ობიექტების ნაკრების სახით. მათემატიკური თვალსაზრისით, ეს ნიშნავს, რომ ნიმუშის ამოცნობა (და პრობლემების ეს კლასი დასახელდა ჩვენს ქვეყანაში) არის ფუნქციის ექსტრაპოლაციის იდეის შორსმიმავალი განზოგადება.

ტექნიკური მეცნიერებისთვის ასეთი ფორმულირების მნიშვნელობა ეჭვგარეშეა და ეს თავისთავად ამართლებს მრავალრიცხოვან კვლევებს ამ სფეროში. თუმცა, ნიმუშის ამოცნობის პრობლემას ასევე აქვს უფრო ფართო ასპექტი საბუნებისმეტყველო მეცნიერებისთვის (თუმცა, უცნაური იქნება, თუ ხელოვნური კიბერნეტიკური სისტემებისთვის რაიმე ასეთი მნიშვნელოვანი არ იქნება მნიშვნელოვანი ბუნებრივისთვის). ამ მეცნიერების კონტექსტი ორგანულად მოიცავდა ძველი ფილოსოფოსების მიერ დასმულ კითხვებს ჩვენი ცოდნის ბუნების შესახებ, ჩვენს უნარზე ამოვიცნოთ სურათები, შაბლონები, სამყაროს სიტუაციები. სინამდვილეში, პრაქტიკულად ეჭვგარეშეა, რომ უმარტივესი სურათების ამოცნობის მექანიზმები, როგორიცაა მოახლოებული საშიში მტაცებლის ან საკვების გამოსახულება, ჩამოყალიბდა ბევრად უფრო ადრე, ვიდრე გაჩნდა ელემენტარული ენა და ფორმალური ლოგიკური აპარატი. და ეჭვგარეშეა, რომ ასეთი მექანიზმები ასევე საკმარისად არის განვითარებული უმაღლეს ცხოველებში, რომლებსაც თავიანთი სასიცოცხლო აქტივობით ასევე სასწრაფოდ სჭირდებათ ბუნების ნიშნების საკმაოდ რთული სისტემის გარჩევის უნარი. ამრიგად, ბუნებაში ჩვენ ვხედავთ, რომ აზროვნებისა და ცნობიერების ფენომენი აშკარად ემყარება ნიმუშების ამოცნობის უნარს და ინტელექტის მეცნიერების შემდგომი პროგრესი პირდაპირ კავშირშია აღიარების ფუნდამენტური კანონების გაგების სიღრმესთან. იმის გაგებით, რომ ზემოაღნიშნული კითხვები სცილდება შაბლონის ამოცნობის სტანდარტულ განმარტებას (ინგლისურ ლიტერატურაში ტერმინი ზედამხედველობითი სწავლება უფრო გავრცელებულია), ასევე აუცილებელია გვესმოდეს, რომ მათ აქვთ ღრმა კავშირი ამ შედარებით ვიწროსთან (მაგრამ ჯერ კიდევ შორს). ამოწურულიდან) მიმართულებით.

ახლაც, ნიმუშის ამოცნობა მტკიცედ შევიდა ყოველდღიურ ცხოვრებაში და თანამედროვე ინჟინრის ერთ-ერთი ყველაზე მნიშვნელოვანი ცოდნაა. მედიცინაში შაბლონის ამოცნობა ეხმარება ექიმებს უფრო ზუსტი დიაგნოზის დასმაში; ქარხნებში მას იყენებენ საქონლის პარტიების დეფექტების პროგნოზირებისთვის. ბიომეტრიული პერსონალური იდენტიფიკაციის სისტემები, როგორც მათი ალგორითმული ბირთვი, ასევე ეფუძნება ამ დისციპლინის შედეგებს. ხელოვნური ინტელექტის შემდგომი განვითარება, კერძოდ, მეხუთე თაობის კომპიუტერების დიზაინი, რომელსაც შეუძლია უფრო პირდაპირი კომუნიკაცია ადამიანთან ბუნებრივ ენებზე ხალხისთვის და მეტყველების საშუალებით, წარმოუდგენელია აღიარების გარეშე. აქ რობოტიკა, ხელოვნური კონტროლის სისტემები, რომლებიც შეიცავს ამოცნობის სისტემებს, როგორც სასიცოცხლო ქვესისტემებს, ხელმისაწვდომია.

სწორედ ამიტომ, თავიდანვე დიდი ყურადღება მიიპყრო ნიმუშების ამოცნობის განვითარებას სხვადასხვა პროფილის სპეციალისტებმა - კიბერნეტიკის, ნეიროფიზიოლოგების, ფსიქოლოგების, მათემატიკოსების, ეკონომისტების და ა.შ. ძირითადად ამ მიზეზით, თანამედროვე ნიმუშის ამოცნობა თავად იკვებება ამ დისციპლინების იდეებით. სრულყოფილების პრეტენზიის გარეშე (და შეუძლებელია ამის მტკიცება მოკლე ესეში), ჩვენ აღვწერთ ნიმუშის ამოცნობის ისტორიას, ძირითად იდეებს.

განმარტებები

სანამ შაბლონის ამოცნობის ძირითად მეთოდებზე გადავიდოდეთ, ჩვენ ვაძლევთ რამდენიმე აუცილებელ განმარტებას.

გამოსახულების ამოცნობა (ობიექტები, სიგნალები, სიტუაციები, ფენომენები ან პროცესები) არის ობიექტის იდენტიფიცირების ამოცანა ან მისი რომელიმე თვისების განსაზღვრა მისი გამოსახულების (ოპტიკური ამოცნობა) ან აუდიო ჩანაწერის (აკუსტიკური ამოცნობა) და სხვა მახასიათებლებით.

ერთ-ერთი ძირითადი არის კომპლექტის კონცეფცია, რომელსაც არ აქვს კონკრეტული ფორმულირება. კომპიუტერში კომპლექტი წარმოდგენილია იმავე ტიპის არაგანმეორებადი ელემენტების სიმრავლით. სიტყვა "არა-განმეორებადი" ნიშნავს, რომ ნაკრების ზოგიერთი ელემენტი ან არის ან არ არის. უნივერსალური ნაკრები მოიცავს ყველა შესაძლო ელემენტს პრობლემის გადასაჭრელად, ცარიელი ნაკრები არ შეიცავს არცერთს.

გამოსახულება არის კლასიფიკაციის დაჯგუფება კლასიფიკაციის სისტემაში, რომელიც აერთიანებს (გამოყოფს) ობიექტების გარკვეულ ჯგუფს გარკვეული ატრიბუტის მიხედვით. სურათებს აქვთ დამახასიათებელი თვისება, რაც გამოიხატება იმაში, რომ ერთი და იგივე ნაკრებიდან ფენომენების სასრული რაოდენობის გაცნობა შესაძლებელს ხდის მისი წარმომადგენლების თვითნებურად დიდი რაოდენობის ამოცნობას. გამოსახულებებს აქვთ დამახასიათებელი ობიექტური თვისებები იმ გაგებით, რომ სხვადასხვა ადამიანები, რომლებიც სწავლობენ სხვადასხვა დაკვირვების მასალისგან, უმეტესწილად კლასიფიცირებენ ერთსა და იმავე ობიექტებს ერთნაირად და ერთმანეთისგან დამოუკიდებლად. ამოცნობის პრობლემის კლასიკურ ფორმულირებაში უნივერსალური ნაკრები დაყოფილია ნაწილებად-სურათებად. ნებისმიერი ობიექტის თითოეულ რუკს ამომცნობი სისტემის აღმქმელ ორგანოებთან, მიუხედავად მისი პოზიციისა ამ ორგანოებთან მიმართებაში, ჩვეულებრივ უწოდებენ ობიექტის გამოსახულებას და ასეთი გამოსახულების კომპლექტი, რომელიც გაერთიანებულია ზოგიერთი საერთო თვისებით, არის გამოსახულებები.

ნებისმიერი სურათისთვის ელემენტის მინიჭების მეთოდს გადაწყვეტილების წესი ეწოდება. კიდევ ერთი მნიშვნელოვანი კონცეფციაა მეტრიკა, გზა უნივერსალური ნაკრების ელემენტებს შორის მანძილის დასადგენად. რაც უფრო მცირეა ეს მანძილი, მით უფრო მსგავსია ობიექტები (სიმბოლოები, ბგერები და ა.შ.), რომლებსაც ჩვენ ვაღიარებთ. როგორც წესი, ელემენტები მითითებულია როგორც რიცხვების ნაკრები, ხოლო მეტრიკა მითითებულია როგორც ფუნქცია. პროგრამის ეფექტურობა დამოკიდებულია სურათების წარმოდგენის არჩევანზე და მეტრიკის განხორციელებაზე, სხვადასხვა მეტრიკის მქონე ამოცნობის ერთი ალგორითმი შეცდომებს დაუშვებს სხვადასხვა სიხშირით.

სწავლას ჩვეულებრივ უწოდებენ ზოგიერთ სისტემაში კონკრეტული რეაქციის განვითარების პროცესს გარე იდენტური სიგნალების ჯგუფებზე გარე კორექტირების სისტემაზე განმეორებითი ზემოქმედებით. ტრენინგში ასეთ გარეგნულ კორექტირებას ჩვეულებრივ უწოდებენ "წახალისებას" და "დასჯას". ამ კორექტირების გენერირების მექანიზმი თითქმის მთლიანად განსაზღვრავს სწავლის ალგორითმს. თვით სწავლა განსხვავდება სწავლისგან იმით, რომ აქ არ არის მოხსენებული დამატებითი ინფორმაცია სისტემაზე რეაქციის სისწორის შესახებ.

ადაპტაცია არის სისტემის პარამეტრების და სტრუქტურის შეცვლის პროცესი და, შესაძლოა, ასევე კონტროლის ქმედებები, მიმდინარე ინფორმაციის საფუძველზე, რათა მივაღწიოთ სისტემის გარკვეულ მდგომარეობას საწყისი გაურკვევლობით და ცვალებადი ოპერაციული პირობებით.

სწავლა არის პროცესი, რომლის შედეგადაც სისტემა თანდათან იძენს უნარს, უპასუხოს საჭირო რეაქციას გარე გავლენის გარკვეულ კომპლექტებზე, ხოლო ადაპტაცია არის სისტემის პარამეტრების და სტრუქტურის კორექტირება, რათა მიაღწიოს საჭირო ხარისხს. კონტროლი გარე პირობებში უწყვეტი ცვლილებების პირობებში.

ნიმუშის ამოცნობის ამოცანების მაგალითები: - ასოების ამოცნობა;

და ნიშნები. ასეთი ამოცანები საკმაოდ ხშირად წყდება, მაგალითად, შუქნიშანზე ქუჩის გადაკვეთისას ან მოძრაობისას. ანთებული შუქნიშნის ფერის ამოცნობა და გზის წესების ცოდნა საშუალებას გაძლევთ მიიღოთ სწორი გადაწყვეტილება, გადაკვეთოთ თუ არა ქუჩა ამ მომენტში.

ბიოლოგიური ევოლუციის პროცესში ბევრი ცხოველი წყვეტდა პრობლემებს ვიზუალური და სმენის აპარატის დახმარებით. ნიმუშის ამოცნობასაკმარისად კარგი. ხელოვნური სისტემების შექმნა ნიმუშის ამოცნობარჩება რთულ თეორიულ და ტექნიკურ პრობლემად. ასეთი აღიარების საჭიროება ჩნდება სხვადასხვა სფეროში - სამხედრო საქმეებიდან და უსაფრთხოების სისტემებიდან ყველა სახის ანალოგური სიგნალის დიგიტალიზაციამდე.

ტრადიციულად, გამოსახულების ამოცნობის ამოცანები შედის ხელოვნური ინტელექტის ამოცანების ფარგლებში.

მიმართულებები ნიმუშის ამოცნობაში

არსებობს ორი ძირითადი მიმართულება:

• ცოცხალი არსებების ამოცნობის უნარის შესწავლა, მათი ახსნა და მოდელირება;
• გამოყენებითი პრობლემების ინდივიდუალური პრობლემების გადასაჭრელად შექმნილი მოწყობილობების აგების თეორიისა და მეთოდების შემუშავება.

პრობლემის ფორმალური განცხადება

ნიმუშის ამოცნობა არის საწყისი მონაცემების მინიჭება გარკვეულ კლასზე არსებითი მახასიათებლების ხაზგასმით, რომლებიც ახასიათებს ამ მონაცემებს არაარსებითი მონაცემების მთლიანი მასიდან.

ამოცნობის პრობლემების დაყენებისას ისინი ცდილობენ გამოიყენონ მათემატიკური ენა, ცდილობენ, ხელოვნური ნერვული ქსელების თეორიისგან განსხვავებით, სადაც საფუძველია ექსპერიმენტით შედეგის მიღება, ექსპერიმენტი ჩაანაცვლონ ლოგიკური მსჯელობით და მათემატიკური მტკიცებულებებით.

ყველაზე ხშირად, მონოქრომული გამოსახულებები განიხილება ნიმუშის ამოცნობის პრობლემებში, რაც შესაძლებელს ხდის გამოსახულების განხილვას, როგორც ფუნქციას თვითმფრინავზე. თუ განვიხილავთ სიბრტყეზე დაყენებულ წერტილს თ, სადაც ფუნქცია x(x,წ) გამოხატავს გამოსახულების თითოეულ წერტილში მის მახასიათებელს - სიკაშკაშეს, გამჭვირვალობას, ოპტიკურ სიმკვრივეს, მაშინ ასეთი ფუნქცია გამოსახულების ფორმალური ჩანაწერია.

ყველა შესაძლო ფუნქციის ნაკრები x(x,წ) ზედაპირზე თ- არსებობს ყველა სურათის ნაკრების მოდელი X. კონცეფციის გაცნობა მსგავსებასურათებს შორის შეგიძლიათ დააყენოთ ამოცნობის ამოცანა. ასეთი პარამეტრის სპეციფიკური ფორმა ძლიერ არის დამოკიდებული აღიარების შემდგომ ეტაპებზე ამა თუ იმ მიდგომის შესაბამისად.

ნიმუშის ამოცნობის მეთოდები

გამოსახულების ოპტიკური ამოცნობისთვის შეგიძლიათ გამოიყენოთ განმეორებითი მეთოდი ობიექტის ტიპზე სხვადასხვა კუთხით, მასშტაბებით, ოფსეტებით და ა.შ.

მეორე მიდგომა არის ობიექტის კონტურის პოვნა და მისი თვისებების შემოწმება (დაკავშირება, კუთხეების არსებობა და ა.შ.)

კიდევ ერთი მიდგომაა ხელოვნური ნერვული ქსელების გამოყენება. ეს მეთოდი მოითხოვს ან ამოცნობის ამოცანის მაგალითების დიდ რაოდენობას (სწორი პასუხებით), ან სპეციალური ნერვული ქსელის სტრუქტურას, რომელიც ითვალისწინებს ამ ამოცანის სპეციფიკას.

პერცეპტრონი, როგორც ნიმუშის ამოცნობის მეთოდი

F. Rosenblatt, შემოგვთავაზა ტვინის მოდელის კონცეფცია, რომლის ამოცანაა აჩვენოს, თუ როგორ შეიძლება წარმოიშვას ფსიქოლოგიური ფენომენი ზოგიერთ ფიზიკურ სისტემაში, რომლის სტრუქტურა და ფუნქციური თვისებები ცნობილია - აღწერილია უმარტივესი. დისკრიმინაციის ექსპერიმენტები. ეს ექსპერიმენტები მთლიანად დაკავშირებულია ნიმუშის ამოცნობის მეთოდებთან, მაგრამ განსხვავდება იმით, რომ ამოხსნის ალგორითმი არ არის დეტერმინისტული.

უმარტივესი ექსპერიმენტი, რომლის საფუძველზეც შესაძლებელია გარკვეული სისტემის შესახებ ფსიქოლოგიურად მნიშვნელოვანი ინფორმაციის მიღება, ემყარება იმ ფაქტს, რომ მოდელი წარმოდგენილია ორი განსხვავებული სტიმულით და მოეთხოვება მათზე რეაგირება სხვადასხვა გზით. ასეთი ექსპერიმენტის მიზანი შეიძლება იყოს სისტემის მიერ მათი სპონტანური დისკრიმინაციის შესაძლებლობის შესწავლა ექსპერიმენტატორის ჩარევის არარსებობის შემთხვევაში, ან, პირიქით, იძულებითი დისკრიმინაციის შესწავლა, რომელშიც ექსპერიმენტატორი ცდილობს ასწავლოს სისტემას განახორციელოს საჭირო კლასიფიკაცია.

სასწავლო ექსპერიმენტში პერცეპტრონი ჩვეულებრივ წარმოდგენილია გამოსახულების გარკვეული თანმიმდევრობით, რომელიც მოიცავს თითოეული კლასის წარმომადგენლებს, რომლებიც უნდა გამოირჩეოდნენ. მეხსიერების მოდიფიკაციის ზოგიერთი წესის მიხედვით, რეაქციის სწორი არჩევანი გამყარებულია. შემდეგ საკონტროლო სტიმული წარედგინება პერცეპტრონს და განისაზღვრება ამ კლასის სტიმულებზე სწორი პასუხის მიღების ალბათობა. დამოკიდებულია თუ არა შერჩეული საკონტროლო სტიმული ემთხვევა თუ არ ემთხვევა ერთ-ერთ სურათს, რომელიც გამოიყენებოდა სავარჯიშო თანმიმდევრობით, მიიღება განსხვავებული შედეგები:

• 1. თუ საკონტროლო სტიმული არ ემთხვევა არცერთ სასწავლო სტიმულს, მაშინ ექსპერიმენტი ასოცირდება არა მხოლოდ სუფთა დისკრიმინაცია, მაგრამ ასევე მოიცავს ელემენტებს განზოგადებები.
• 2. თუ საკონტროლო სტიმული აღაგზნებს სენსორული ელემენტების გარკვეულ კომპლექტს, რომლებიც სრულიად განსხვავდებიან იმ ელემენტებისაგან, რომლებიც გააქტიურდნენ იმავე კლასის ადრე წარმოდგენილი სტიმულის გავლენით, მაშინ ექსპერიმენტი არის კვლევა. სუფთა განზოგადება .

პერცეპტრონებს არ აქვთ სუფთა განზოგადების უნარი, მაგრამ ისინი საკმაოდ დამაკმაყოფილებლად ფუნქციონირებენ დისკრიმინაციის ექსპერიმენტებში, განსაკუთრებით იმ შემთხვევაში, თუ საკონტროლო სტიმული საკმარისად ემთხვევა ერთ-ერთ შაბლონს, რომლის შესახებაც პერცეპრონმა უკვე დაგროვდა გარკვეული გამოცდილება.

ნიმუშის ამოცნობის პრობლემების მაგალითები

• ასოების ამოცნობა.
• შტრიხკოდის ამოცნობა.
• სანომრე ნიშნების ამოცნობა.
• Სახის ამოცნობა.
• Სიტყვის აღიარება.
• გამოსახულების ამოცნობა.
• დედამიწის ქერქის ადგილობრივი უბნების ამოცნობა, რომლებშიც მინერალური საბადოებია განთავსებული.

შაბლონების ამოცნობის პროგრამები

იხილეთ ასევე

შენიშვნები

ბმულები

• იური ლიფშიცი. კურსი "თეორიული ინფორმატიკის თანამედროვე პრობლემები" - ლექციები ნიმუშის ამოცნობის სტატისტიკურ მეთოდებზე, სახის ამოცნობა, ტექსტის კლასიფიკაცია.
• Journal of Pattern Recognition Research (Journal of Pattern Recognition Research)

ლიტერატურა

• დევიდ ა. ფორსიტი, ჟან პონსიკომპიუტერული ხედვა. თანამედროვე მიდგომა = კომპიუტერული ხედვა: თანამედროვე მიდგომა. - მ.: "უილიამსი", 2004. - S. 928. - ISBN 0-13-085198-1
• ჯორჯ სტოკმანი, ლინდა შაპიროკომპიუტერული ხედვა = Computer Vision. - მ.: ბინომი. ცოდნის ლაბორატორია, 2006. - S. 752. - ISBN 5947743841

• A.L. Gorelik, V.A. Skripkin, ამოცნობის მეთოდები, მ .: უმაღლესი სკოლა, 1989 წ.
• შ.-კ. ჩენგივიზუალური საინფორმაციო სისტემების დიზაინის პრინციპები, მ.: მირი, 1994 წ.

ფონდი ვიკიმედია. 2010 წ.

- ტექნოლოგიაში, სამეცნიერო და ტექნიკური მიმართულება, რომელიც დაკავშირებულია მეთოდების შემუშავებასთან და სისტემების აგებასთან (მათ შორის კომპიუტერის ბაზაზე), რათა დადგინდეს ობიექტის (სუბიექტი, პროცესი, ფენომენი, სიტუაცია, სიგნალი) კუთვნილება ერთ-ერთზე. წინასწარი...... დიდი ენციკლოპედიური ლექსიკონი

ერთ-ერთი ახალი რეგიონი კიბერნეტიკა. რ-ის თეორიის შინაარსის შესახებ. არის რამდენიმე კლასს მიკუთვნებული ობიექტების (გამოსახულებების) თვისებების ექსტრაპოლაცია ობიექტებზე, რომლებიც გარკვეული გაგებით ახლოს არიან მათთან. ჩვეულებრივ, როდესაც ასწავლის ავტომატს რ. იქ არის ... ... გეოლოგიური ენციკლოპედია

ინგლისური ამოცნობა, გამოსახულება; გერმანული გეშტალტ ალტერკენუნგ. მათემატიკური კიბერნეტიკის ფილიალი, რომელიც ავითარებს პრინციპებსა და მეთოდებს ობიექტების კლასიფიკაციისა და იდენტიფიკაციისთვის, აღწერილი მახასიათებლების სასრული ნაკრებით, რომლებიც მათ ახასიათებს. ანტინაზი. ენციკლოპედია...... სოციოლოგიის ენციკლოპედია

ნიმუშის ამოცნობა- კომპიუტერის დახმარებით რთული ობიექტების შესწავლის მეთოდი; მოიცავს ფუნქციების შერჩევას და ალგორითმებისა და პროგრამების შემუშავებას, რაც კომპიუტერებს საშუალებას აძლევს ავტომატურად მოახდინოს ობიექტების კლასიფიკაცია ამ მახასიათებლების მიხედვით. მაგალითად, იმის დასადგენად, რომელი ... ... ეკონომიკური და მათემატიკური ლექსიკონი

- (ტექნიკური), მეცნიერული და ტექნიკური მიმართულება, რომელიც დაკავშირებულია მეთოდების შემუშავებასთან და სისტემების (მათ შორის კომპიუტერზე დაფუძნებული) მშენებლობასთან, რათა დადგინდეს ობიექტის (სუბიექტი, პროცესი, ფენომენი, სიტუაცია, სიგნალი) კუთვნილება ერთ-ერთზე. წინასწარ...... ენციკლოპედიური ლექსიკონი

ნიმუშის ამოცნობა- მათემატიკური კიბერნეტიკის განყოფილება, რომელიც ავითარებს მეთოდებს კლასიფიკაციისთვის, აგრეთვე ობიექტების, ფენომენების, პროცესების, სიგნალების, ყველა იმ ობიექტის სიტუაციების იდენტიფიცირებისთვის, რომლებიც შეიძლება აღწერილი იყოს გარკვეული მახასიათებლების ან თვისებების სასრული ნაკრებით, ... ... რუსული სოციოლოგიური ენციკლოპედია

ნიმუშის ამოცნობა- 160 შაბლონის ამოცნობა: ფორმის წარმოდგენებისა და კონფიგურაციების იდენტიფიცირება ავტომატური საშუალებების გამოყენებით

• სახელმძღვანელო

დიდი ხნის განმავლობაში მსურდა დამეწერა ზოგადი სტატია, რომელიც შეიცავდა გამოსახულების ამოცნობის საფუძვლებს, ერთგვარ სახელმძღვანელოს ძირითადი მეთოდების შესახებ, მეთქვა, როდის უნდა გამოვიყენო ისინი, რა ამოცანებს წყვეტენ, რა შეიძლება გაკეთდეს საღამოს მუხლზე და რაზე ჯობია არ იფიქრო 20 კაციანი გუნდის გარეშე.

დიდი ხანია ვწერ სტატიებს ოპტიკურ ამოცნობაზე, ამიტომ თვეში რამდენჯერმე მწერენ ამ თემაზე კითხვებით სხვადასხვა ადამიანები. ხანდახან გიჩნდება განცდა, რომ მათთან ერთად ცხოვრობ სხვადასხვა სამყაროში. ერთის მხრივ, გესმით, რომ ადამიანი, სავარაუდოდ, პროფესიონალია დაკავშირებულ თემაზე, მაგრამ ძალიან ცოტა იცის ოპტიკური ამოცნობის მეთოდების შესახებ. და ყველაზე მოსაწყენი ის არის, რომ ის ცდილობს გამოიყენოს მეთოდი ახლომდებარე ცოდნის სფეროდან, რაც ლოგიკურია, მაგრამ სრულად არ მუშაობს გამოსახულების ამოცნობაში, მაგრამ ეს არ ესმის და ძალიან ეწყინება, თუ რაღაცის თქმას დაიწყებს. ძალიან საფუძვლები. და თუ გავითვალისწინებთ, რომ საფუძვლებიდან მოყოლა ბევრი დროა, რაც ხშირად არ არის, ეს კიდევ უფრო სამწუხარო ხდება.

ეს სტატია შექმნილია ისე, რომ ადამიანს, რომელსაც არასოდეს ეხებოდა გამოსახულების ამოცნობის მეთოდებს, შეუძლია 10-15 წუთში თავის თავში შექმნას თემის შესაბამისი სამყაროს გარკვეული ძირითადი სურათი და გაიგოს, თუ რა მიმართულებით უნდა იჭრებოდეს. აქ აღწერილი მრავალი მეთოდი გამოიყენება რადარისა და აუდიო დამუშავებისთვის.
მე დავიწყებ რამდენიმე პრინციპით, რომლებიც ყოველთვის ვიწყებთ პოტენციურ მომხმარებელს, ან ადამიანს, რომელსაც სურს დაიწყოს ოპტიკური ამოცნობის კეთება:

• პრობლემის გადაჭრისას ყოველთვის გადადით უმარტივესიდან. ბევრად უფრო ადვილია ნარინჯისფერი იარლიყის დაკიდება ადამიანზე, ვიდრე მიჰყვე ადამიანს, ხაზს უსვამს მას კასკადებში. ბევრად უფრო ადვილია უფრო მაღალი გარჩევადობის კამერის გადაღება, ვიდრე სუპერ გარჩევადობის ალგორითმის შემუშავება.
• ოპტიკური ამოცნობის მეთოდებში პრობლემის მკაცრი განცხადება უფრო მნიშვნელოვანია, ვიდრე სისტემური პროგრამირების პრობლემებში: ერთ დამატებით სიტყვას TK-ში შეუძლია დაამატოს სამუშაოს 50%.
• ამოცნობის პრობლემებში უნივერსალური გადაწყვეტილებები არ არსებობს. თქვენ არ შეგიძლიათ გააკეთოთ ალგორითმი, რომელიც უბრალოდ "აცნობს ნებისმიერ წარწერას". ქუჩაში ნიშანი და ტექსტის ფურცელი ფუნდამენტურად განსხვავებული ობიექტებია. ალბათ შესაძლებელია ზოგადი ალგორითმის შედგენა (აქ არის კარგი მაგალითი Google-ისგან), მაგრამ ამას დიდი გუნდისგან დიდი შრომა დასჭირდება და შედგება ათობით სხვადასხვა ქვეპროგრამისგან.
• OpenCV არის ბიბლია, რომელსაც აქვს მრავალი მეთოდი და რომლითაც შეგიძლიათ გადაჭრათ თითქმის ნებისმიერი პრობლემის მოცულობის 50%, მაგრამ OpenCV მხოლოდ მცირე ნაწილია იმისა, რისი გაკეთებაც შეიძლება რეალურად. ერთ კვლევაში დასკვნებში ეწერა: „პრობლემა OpenCV მეთოდებით არ გვარდება, შესაბამისად, გადაუჭრელია“. შეეცადეთ თავიდან აიცილოთ ეს, არ დაიზაროთ და ფხიზლად შეაფასეთ მიმდინარე დავალება ყოველ ჯერზე ნულიდან, OpenCV შაბლონების გამოყენების გარეშე.

ძალიან რთულია რაიმე სახის უნივერსალური რჩევის მიცემა, ან იმის თქმა, თუ როგორ უნდა შექმნათ რაიმე სახის სტრუქტურა, რომლის ირგვლივ შეგიძლიათ შექმნათ გადაწყვეტა თვითნებური კომპიუტერული ხედვის პრობლემებისთვის. ამ სტატიის მიზანია სტრუქტურირება, თუ რა შეიძლება იყოს გამოყენებული. შევეცდები არსებული მეთოდები დავყო სამ ჯგუფად. პირველი ჯგუფი არის წინასწარ გაფილტვრა და გამოსახულების მომზადება. მეორე ჯგუფი არის ფილტრაციის შედეგების ლოგიკური დამუშავება. მესამე ჯგუფი არის გადაწყვეტილების მიღების ალგორითმები, რომლებიც დაფუძნებულია ლოგიკურ დამუშავებაზე. ჯგუფებს შორის საზღვრები ძალიან თვითნებურია. პრობლემის გადასაჭრელად, ყოველთვის არ არის საჭირო ყველა ჯგუფის მეთოდების გამოყენება; ზოგჯერ საკმარისია ორი, ზოგჯერ კი ერთი.

აქ წარმოდგენილი მეთოდების ჩამონათვალი არ არის სრული. მე ვთავაზობ კომენტარებში დავამატო კრიტიკული მეთოდები, რომლებიც არ დავწერე და თითოეულს მივაწერო 2-3 თანმხლები სიტყვა.

ნაწილი 1. გაფილტვრა

ამ ჯგუფში მე განვათავსე მეთოდები, რომლებიც საშუალებას გაძლევთ აირჩიოთ სურათების ინტერესის სფეროები მათი ანალიზის გარეშე. ამ მეთოდების უმეტესობა მიმართავს რაიმე სახის ერთგვაროვან ტრანსფორმაციას გამოსახულების ყველა წერტილზე. ფილტრაციის დონეზე გამოსახულების ანალიზი არ ხდება, მაგრამ ის წერტილები, რომლებიც გაფილტრულია, შეიძლება ჩაითვალოს განსაკუთრებული მახასიათებლების მქონე ზონებად.

ბარიერის ბინარიზაცია, ჰისტოგრამის არეალის შერჩევა

უმარტივესი ტრანსფორმაცია არის გამოსახულების ბინარიზაცია ზღურბლით. RGB და ნაცრისფერი ფერის გამოსახულებებისთვის, ბარიერი არის ფერის მნიშვნელობა. არსებობს იდეალური პრობლემები, რომლებშიც ასეთი ტრანსფორმაცია საკმარისია. დავუშვათ, რომ გსურთ ავტომატურად აირჩიოთ ნივთები თეთრ ფურცელზე:




ზღვრის არჩევანი, რომლითაც ხდება ბინარიზაცია, დიდწილად განსაზღვრავს თავად ბინარიზაციის პროცესს. ამ შემთხვევაში, გამოსახულება ორობითი იყო საშუალო ფერის მიხედვით. როგორც წესი, ბინარიზაცია ხდება ალგორითმით, რომელიც ადაპტირებულად ირჩევს ზღურბლს. ასეთი ალგორითმი შეიძლება იყოს მოლოდინის ან რეჟიმის არჩევანი. და თქვენ შეგიძლიათ აირჩიოთ ჰისტოგრამის უდიდესი პიკი.

ჰისტოგრამებთან მუშაობისას ჰისტოგრამებთან მუშაობისას ჰისტოგრამებთან მუშაობისას ბინარიზაციამ შეიძლება ძალიან საინტერესო შედეგები მოგვცეს, მათ შორის სიტუაციის ჩათვლით, თუ გამოსახულებას განვიხილავთ არა RGB-ში, არამედ HSV-ში. მაგალითად, სეგმენტირებული ფერები. ამ პრინციპით შესაძლებელია როგორც ეტიკეტის დეტექტორის, ასევე ადამიანის კანის დეტექტორის აგება.

კლასიკური ფილტრაცია: Fourier, LPF, HPF

კლასიკური ფილტრაციის მეთოდები რადარიდან და სიგნალის დამუშავებიდან შეიძლება წარმატებით იქნას გამოყენებული შაბლონის ამოცნობის სხვადასხვა ამოცანებში. რადარში ტრადიციული მეთოდი, რომელიც თითქმის არასოდეს გამოიყენება სურათებში მისი სუფთა სახით, არის ფურიეს ტრანსფორმაცია (უფრო კონკრეტულად, FFT). იმ რამდენიმე გამონაკლისიდან, სადაც გამოიყენება 1D ფურიეს ტრანსფორმაცია, არის გამოსახულების შეკუმშვა. გამოსახულების ანალიზისთვის, ერთგანზომილებიანი ტრანსფორმაცია, როგორც წესი, არ არის საკმარისი, თქვენ უნდა გამოიყენოთ ბევრად უფრო რესურსზე ინტენსიური ორგანზომილებიანი ტრანსფორმაცია.

რამდენიმე ადამიანი რეალურად ითვლის მას, ჩვეულებრივ, ბევრად უფრო სწრაფი და ადვილია ინტერესის რეგიონის კონვოლუციის გამოყენება მზა ფილტრით, რომელიც გამკაცრებულია მაღალ (HPF) ან დაბალ (LPF) სიხშირეებზე. ასეთი მეთოდი, რა თქმა უნდა, არ იძლევა სპექტრის ანალიზს, მაგრამ კონკრეტული ვიდეო დამუშავების ამოცანაში, როგორც წესი, საჭიროა არა ანალიზი, არამედ შედეგი.


ფილტრების უმარტივესი მაგალითები, რომლებიც ხაზს უსვამენ დაბალ სიხშირეებს (Gaussian filter) და მაღალ სიხშირეებს (Gabor filter).
თითოეული სურათის წერტილისთვის ირჩევა ფანჯარა და მრავლდება იმავე ზომის ფილტრით. ასეთი კონვოლუციის შედეგი არის წერტილის ახალი მნიშვნელობა. LPF და HPF დანერგვისას მიიღება ამ ტიპის სურათები:

ტალღები

მაგრამ რა მოხდება, თუ გამოვიყენებთ რაიმე თვითნებურ მახასიათებელ ფუნქციას სიგნალთან კონვოლუციისთვის? მაშინ მას დაერქმევა "Wavelet Transform". ტალღების ეს განმარტება არ არის სწორი, მაგრამ ტრადიციულად, ბევრ გუნდში, ტალღის ანალიზი არის გამოსახულებაზე თვითნებური ნიმუშის ძიება ამ ნიმუშის მოდელთან კონვოლუციის გამოყენებით. არსებობს კლასიკური ფუნქციების ერთობლიობა, რომელიც გამოიყენება ტალღის ანალიზში. მათ შორისაა Haar wavelet, Morlet wavelet, მექსიკური ქუდის wavelet და ა.შ. Haar primitives, რომლის შესახებაც იყო ჩემი რამდენიმე წინა სტატია ( , ), ეხება ორგანზომილებიანი სივრცის ასეთ ფუნქციებს.


ზემოთ მოცემულია კლასიკური ტალღების 4 მაგალითი. 3D Haar wavelet, 2D Meyer wavelet, Mexican Hat wavelet, Daubechies wavelet. ტალღების გაფართოებული ინტერპრეტაციის გამოყენების კარგი მაგალითია თვალში ბზინვის პოვნის პრობლემა, რისთვისაც თავად ბზინვარება არის ტალღოვანი:

კლასიკური ტალღები ჩვეულებრივ გამოიყენება გამოსახულების შეკუმშვისთვის, ან მათი კლასიფიკაციისთვის (აღწერილია ქვემოთ).

კორელაცია

ჩემი მხრიდან ტალღების ასეთი თავისუფალი ინტერპრეტაციის შემდეგ, ღირს მათ საფუძვლად არსებული ფაქტობრივი კორელაციის აღნიშვნა. სურათების ფილტრაციისას, ეს შეუცვლელი ინსტრუმენტია. კლასიკური აპლიკაცია არის ვიდეო ნაკადის კორელაცია ოფსეტების ან ოპტიკური ნაკადების მოსაძებნად. უმარტივესი ცვლის დეტექტორი ასევე, გარკვეული გაგებით, არის სხვაობის კორელატორი. იქ, სადაც სურათები არ არის დაკავშირებული, იყო მოძრაობა.

ფუნქციის ფილტრაცია

ფილტრების საინტერესო კლასი არის ფილტრაციის ფუნქციები. ეს არის წმინდა მათემატიკური ფილტრები, რომლებიც საშუალებას გაძლევთ ამოიცნოთ მარტივი მათემატიკური ფუნქცია გამოსახულებაში (ხაზი, პარაბოლა, წრე). აგებულია აკუმულაციური გამოსახულება, რომელშიც თავდაპირველი გამოსახულების თითოეული წერტილისთვის არის შედგენილი ფუნქციების ნაკრები, რომლებიც წარმოქმნიან მას. ყველაზე კლასიკური ტრანსფორმაცია არის Hough ტრანსფორმაცია ხაზებისთვის. ამ ტრანსფორმაციისას ყოველი წერტილისთვის (x;y) იწერება y=ax+b წრფის (a;b) სიმრავლე, რომლებისთვისაც ტოლობა მართალია. მიიღეთ ლამაზი სურათები:


(პირველი პლიუსი მათთვის, ვინც პირველად იპოვის სურათზე დაჭერას და ასეთ განმარტებას და ახსნის, მეორე პლუსი ვინც პირველმა იტყვის რაც არის აქ ნაჩვენები)
Hough ტრანსფორმაცია საშუალებას გაძლევთ იპოვოთ ნებისმიერი პარამეტრიზირებადი ფუნქცია. მაგალითად წრეები. არსებობს შეცვლილი ტრანსფორმაცია, რომელიც საშუალებას გაძლევთ მოძებნოთ ნებისმიერი ფორმა. ამ ტრანსფორმაციას საშინლად უყვართ მათემატიკოსები. მაგრამ სურათების დამუშავებისას, ის, სამწუხაროდ, ყოველთვის არ მუშაობს. ძალიან ნელი სიჩქარე, ძალიან მაღალი მგრძნობელობა ბინარიზაციის ხარისხის მიმართ. იდეალურ სიტუაციებშიც კი მერჩივნა სხვა მეთოდებით გავუმკლავდე.
ხაზებისთვის ჰაუს ტრანსფორმაციის ანალოგი არის რადონის ტრანსფორმაცია. ის გამოითვლება FFT-ის საშუალებით, რომელიც იძლევა შესრულების მატებას იმ სიტუაციაში, სადაც ბევრი ქულაა. გარდა ამისა, ის შეიძლება გამოყენებულ იქნას არაბინარიზებულ სურათზე.

კონტურის ფილტრაცია

ფილტრების ცალკე კლასი არის საზღვრების და კონტურის ფილტრაცია. ბილიკები ძალიან სასარგებლოა, როდესაც გვინდა გადავიდეთ სურათთან მუშაობიდან ამ გამოსახულების ობიექტებთან მუშაობაზე. როდესაც ობიექტი საკმაოდ რთულია, მაგრამ კარგად გამორჩეული, მაშინ ხშირად მასთან მუშაობის ერთადერთი გზა მისი კონტურების შერჩევაა. არსებობს მრავალი ალგორითმი, რომელიც წყვეტს კონტურის ფილტრაციის პრობლემას:

ყველაზე ხშირად გამოიყენება კენი, რომელიც კარგად მუშაობს და რომლის იმპლემენტაციაც OpenCV-შია (სობელიც არის, მაგრამ უარესად ეძებს კონტურებს).

სხვა ფილტრები

ზემოთ არის ფილტრები, რომელთა მოდიფიკაციები ხელს უწყობს ამოცანების 80-90% გადაჭრას. მაგრამ მათ გარდა, უფრო იშვიათი ფილტრები გამოიყენება ადგილობრივ ამოცანებში. ათობით ასეთი ფილტრია, ყველა მათგანს არ ჩამოვთვლი. საინტერესოა განმეორებითი ფილტრები (მაგალითად, აქტიური გარეგნობის მოდელი), ასევე რიჟლეტისა და მრუდის ტრანსფორმაციები, რომლებიც წარმოადგენენ კლასიკური ტალღების ფილტრაციისა და ანალიზის შენადნობას რადონის ტრანსფორმაციის ველში. Beamlet-ის ტრანსფორმაცია მშვენივრად მუშაობს ვეილეტის ტრანსფორმაციისა და ლოგიკური ანალიზის საზღვარზე, რაც საშუალებას გაძლევთ ხაზი გაუსვათ კონტურებს:

მაგრამ ეს ტრანსფორმაციები ძალიან სპეციფიკურია და მორგებულია იშვიათი ამოცანებისთვის.

ნაწილი 2. ფილტრაციის შედეგების ლოგიკური დამუშავება

ფილტრაცია იძლევა დამუშავებისთვის შესაფერის მონაცემებს. მაგრამ ხშირად თქვენ არ შეგიძლიათ უბრალოდ აიღოთ და გამოიყენოთ ეს მონაცემები დამუშავების გარეშე. ამ განყოფილებაში იქნება რამდენიმე კლასიკური მეთოდი, რომელიც საშუალებას მოგცემთ გადახვიდეთ სურათიდან ობიექტების თვისებებზე, ან თავად ობიექტებზე.

Მორფოლოგია

ფილტრიდან ლოგიკაზე გადასვლა, ჩემი აზრით, არის მათემატიკური მორფოლოგიის მეთოდები ( , , ). სინამდვილეში, ეს არის ორობითი გამოსახულებების გაზრდისა და ეროზიის უმარტივესი ოპერაციები. ეს მეთოდები საშუალებას გაძლევთ ამოიღოთ ხმაური ბინარული სურათიდან არსებული ელემენტების გაზრდით ან შემცირებით. მათემატიკური მორფოლოგიიდან გამომდინარე, არსებობს კონტურის ალგორითმები, მაგრამ ჩვეულებრივ ისინი იყენებენ რაიმე სახის ჰიბრიდულ ალგორითმებს ან ალგორითმებს ერთად.

კონტურის ანალიზი

ფილტრაციის განყოფილებაში უკვე ნახსენებია საზღვრების მიღების ალგორითმები. შედეგად მიღებული საზღვრები საკმაოდ მარტივად გარდაიქმნება კონტურებად. Canny ალგორითმისთვის ეს ხდება ავტომატურად, სხვა ალგორითმებისთვის საჭიროა დამატებითი ბინარიზაცია. შეგიძლიათ მიიღოთ კონტური ბინარული ალგორითმისთვის, მაგალითად, ხოჭოს ალგორითმით.
კონტური ობიექტის უნიკალური მახასიათებელია. ხშირად ეს საშუალებას გაძლევთ ამოიცნოთ ობიექტი კონტურის გასწვრივ. არსებობს ძლიერი მათემატიკური აპარატი, რომელიც ამის საშუალებას გაძლევთ. აპარატს ეწოდება კონტურის ანალიზი ( , ).

მართალი გითხრათ, მე არასოდეს მოვახერხე კონტურული ანალიზის გამოყენება რეალურ პრობლემებში. ძალიან იდეალური პირობებია საჭირო. ან საზღვარი არ არის, ან ძალიან ბევრი ხმაურია. მაგრამ, თუ იდეალურ პირობებში რაღაცის ამოცნობა გჭირდებათ, მაშინ კონტურის ანალიზი შესანიშნავი ვარიანტია. მუშაობს ძალიან სწრაფად, ლამაზი მათემატიკა და გასაგები ლოგიკა.

სინგულარული წერტილები

საკვანძო წერტილები არის ობიექტის უნიკალური მახასიათებლები, რომლებიც საშუალებას აძლევს ობიექტს დაუკავშირდეს საკუთარ თავს ან მსგავსი ობიექტების კლასებს. ასეთი პუნქტების არჩევის ათობით გზა არსებობს. ზოგიერთი მეთოდი ხაზს უსვამს სპეციალურ წერტილებს მეზობელ ჩარჩოებში, ზოგი დიდი ხნის შემდეგ და როდესაც განათება იცვლება, ზოგი საშუალებას გაძლევთ იპოვოთ სპეციალური წერტილები, რომლებიც ასე რჩება მაშინაც კი, როდესაც ობიექტი ბრუნავს. დავიწყოთ იმ მეთოდებით, რომლებიც საშუალებას გვაძლევს ვიპოვოთ სპეციალური პუნქტები, რომლებიც არც თუ ისე სტაბილურია, მაგრამ სწრაფად გამოითვლება და შემდეგ მივდივართ მზარდ სირთულეში:
პირველი კლასი. სინგულარული წერტილები, რომლებიც სტაბილურია წამის განმავლობაში.ასეთი წერტილები გამოიყენება ობიექტის მეზობელ ვიდეო კადრებს შორის წარმართვისთვის ან მეზობელი კამერების სურათების გადასაყრელად. ეს წერტილები მოიცავს გამოსახულების ლოკალურ მაქსიმუმებს, გამოსახულების კუთხეებს (საუკეთესო დეტექტორებს შორის, ალბათ, ჰარის დეტექტორს), წერტილებს, რომლებზეც მიიღწევა დისპერსიის მაქსიმუმები, გარკვეული გრადიენტები და ა.შ.
Მეორე კლასი. ცალკეული წერტილები, რომლებიც სტაბილურია განათების შეცვლისა და ობიექტის მცირე მოძრაობების დროს.ასეთი პუნქტები ძირითადად ემსახურება საგნების ტიპების ვარჯიშს და შემდგომ კლასიფიკაციას. მაგალითად, ფეხით მოსიარულეთა კლასიფიკატორი ან სახის კლასიფიკატორი სწორედ ასეთ წერტილებზე აგებული სისტემის პროდუქტია. ზოგიერთი ადრე ნახსენები ტალღები შეიძლება იყოს საფუძველი ასეთი წერტილებისთვის. მაგალითად, Haar primitives, glare ძიება, ძიება სხვა სპეციფიკური მახასიათებლები. ეს წერტილები მოიცავს წერტილებს, რომლებიც ნაპოვნია მიმართულების გრადიენტების ჰისტოგრამების მეთოდით (HOG).
მესამე კლასი. სტაბილური წერტილები.მე ვიცი მხოლოდ ორი მეთოდის შესახებ, რომლებიც იძლევა სრულ სტაბილურობას და მათი მოდიფიკაციების შესახებ. ეს არის SURF და SIFT. ისინი საშუალებას გაძლევთ იპოვოთ ძირითადი პუნქტები მაშინაც კი, როდესაც თქვენ ატრიალებთ სურათს. ასეთი ქულების გაანგარიშებას სხვა მეთოდებთან შედარებით უფრო მეტი დრო სჭირდება, მაგრამ საკმაოდ შეზღუდული დროით. სამწუხაროდ, ეს მეთოდები დაპატენტებულია. თუმცა, რუსეთში შეუძლებელია ალგორითმების დაპატენტება, ამიტომ გამოიყენეთ იგი შიდა ბაზრისთვის.

ნაწილი 3. ტრენინგი

სიუჟეტის მესამე ნაწილი დაეთმობა მეთოდებს, რომლებიც უშუალოდ არ მუშაობს სურათთან, მაგრამ გადაწყვეტილების მიღების საშუალებას გაძლევთ. ძირითადად, ეს არის მანქანური სწავლისა და გადაწყვეტილების მიღების სხვადასხვა მეთოდი. ახლახან Yandyks-მა გამოაქვეყნა კურსი ამ თემაზე Habr-ზე, იქ ძალიან კარგი არჩევანია. აი ეს არის ტექსტურ ვერსიაში. ამ თემის სერიოზული შესწავლისთვის, გირჩევთ, გადახედოთ მათ. აქ შევეცდები გამოვავლინო რამდენიმე ძირითადი მეთოდი, რომლებიც სპეციალურად გამოიყენება ნიმუშის ამოცნობაში.
სიტუაციების 80%-ში ამოცნობის პრობლემაში სწავლის არსი შემდეგია:
არსებობს სატესტო ნიმუში, რომელზედაც არის რამდენიმე კლასის ობიექტები. დაე ეს იყოს ადამიანის ყოფნა/არყოფნა ფოტოზე. თითოეული სურათისთვის არის ფუნქციების ნაკრები, რომლებიც ხაზგასმულია ზოგიერთი მახასიათებლის მიერ, იქნება ეს Haar, HOG, SURF ან რაიმე ტალღოვანი. სასწავლო ალგორითმმა უნდა ააგოს ისეთი მოდელი, რომლის მიხედვითაც შეძლებს ახალი სურათის გაანალიზებას და გადაწყვიტოს რომელი ობიექტია გამოსახულებაში.
როგორ კეთდება? თითოეული ტესტის სურათი არის წერტილი ფუნქციების სივრცეში. მისი კოორდინატები არის გამოსახულების თითოეული მახასიათებლის წონა. დაე, ჩვენი ნიშნები იყოს: „თვალების არსებობა“, „ცხვირის არსებობა“, „ორი ხელის არსებობა“, „ყურების არსებობა“ და ა.შ. რომლებიც ვარჯიშობენ ადამიანის მსგავსი სხეულის ნაწილებზე. ასეთ სივრცეში მყოფი ადამიანისთვის სწორი წერტილი იქნება . მაიმუნისთვის, ცხენისთვის წერტილი. კლასიფიკატორი სწავლობს მაგალითების ნიმუშზე. მაგრამ ყველა ფოტოზე არ იყო ხელები, სხვებს თვალები არ ჰქონდათ, ხოლო მესამეში მაიმუნს ადამიანის ცხვირი ჰქონდა კლასიფიკატორის შეცდომის გამო. სწავლებადი ადამიანის კლასიფიკატორი ავტომატურად ყოფს ფუნქციების სივრცეს ისე, რომ იტყვის: თუ პირველი მახასიათებელია 0.5 დიაპაზონში. არსებითად, კლასიფიკატორის დანიშნულებაა კლასიფიკაციის ობიექტებისთვის დამახასიათებელი ფუნქციური სივრცის არეების დახატვა. ასე გამოიყურება ერთ-ერთი კლასიფიკატორის (AdaBoost) პასუხის თანმიმდევრული მიახლოება ორგანზომილებიან სივრცეში:


ბევრი კლასიფიკატორია. თითოეული მათგანი უკეთესად მუშაობს თავის ზოგიერთ ამოცანაში. კონკრეტული ამოცანისთვის კლასიფიკატორის არჩევის ამოცანა დიდწილად ხელოვნებაა. აქ არის რამდენიმე ლამაზი სურათი ამ თემაზე.

მარტივი საქმე, ერთგანზომილებიანი გამოყოფა

ავიღოთ კლასიფიკაციის უმარტივესი შემთხვევის მაგალითი, როდესაც ფუნქციების სივრცე ერთგანზომილებიანია და 2 კლასი უნდა გამოვყოთ. სიტუაცია უფრო ხშირად ხდება, ვიდრე შეიძლება ჩანდეს: მაგალითად, როდესაც საჭიროა ორი სიგნალის გარჩევა, ან ნიმუშის შედარება ნიმუშთან. ვთქვათ, გვაქვს ტრენინგის ნიმუში. ამ შემთხვევაში მიიღება გამოსახულება, სადაც X ღერძი იქნება მსგავსების საზომი, ხოლო Y ღერძი იქნება მოვლენების რაოდენობა ასეთი საზომით. როდესაც სასურველი ობიექტი თავის მსგავსია, მიიღება მარცხენა გაუსიანი. როცა მსგავსი არ არის - მართალია. მნიშვნელობა X=0.4 გამოყოფს ნიმუშებს ისე, რომ მცდარი გადაწყვეტილება მინიმუმამდე დაიყვანოს რაიმე არასწორი გადაწყვეტილების მიღების ალბათობაზე. სწორედ ასეთი გამყოფის ძიებაა კლასიფიკაციის ამოცანა.


პატარა შენიშვნა. კრიტერიუმი, რომელიც ამცირებს შეცდომებს, ყოველთვის არ იქნება ოპტიმალური. შემდეგი გრაფიკი არის ირისის ამომცნობი სისტემის რეალური გრაფიკი. ასეთი სისტემისთვის კრიტერიუმი ისეა შერჩეული, რომ მინიმუმამდე დაიყვანოს ობიექტში აუტსაიდერის ყალბი დაშვების ალბათობა. ასეთ ალბათობას ეწოდება "პირველი სახის შეცდომა", "ცრუ განგაშის ალბათობა", "ცრუ დადებითი". ინგლისურ ლიტერატურაში „False Access Rate“.
) AdaBusta არის ერთ-ერთი ყველაზე გავრცელებული კლასიფიკატორი. მაგალითად, მასზე აგებულია ჰაარის კასკადი. ჩვეულებრივ გამოიყენება, როდესაც საჭიროა ორობითი კლასიფიკაცია, მაგრამ არაფერი უშლის ხელს უფრო მეტი კლასის სწავლებას.
SVM ( , , , ) ერთ-ერთი ყველაზე ძლიერი კლასიფიკატორი მრავალი განხორციელებით. პრინციპში, სასწავლო ამოცანებზე, რომლებიც მე წავაწყდი, ადაბუსტას მსგავსად მუშაობდა. ის საკმაოდ სწრაფად ითვლება, მაგრამ მისი ვარჯიში უფრო რთულია ვიდრე ადაბუსტას და საჭიროებს სწორი ბირთვის არჩევას.

ასევე არსებობს ნერვული ქსელები და რეგრესია. მაგრამ მათი მოკლე კლასიფიკაციისთვის და იმის საჩვენებლად, თუ როგორ განსხვავდებიან ისინი, საჭიროა ამაზე ბევრად დიდი სტატია.
________________________________________________
იმედი მაქვს, შევძელი გამოყენებული მეთოდების სწრაფი მიმოხილვა მათემატიკასა და აღწერაში ჩაძირვის გარეშე. იქნებ ეს ვინმეს დაეხმარება. თუმცა, რა თქმა უნდა, სტატია არასრულია და არ არის საუბარი სტერეო გამოსახულებებთან მუშაობის შესახებ, ან LSM-ის შესახებ Kalman-ის ფილტრით, ან ადაპტური ბაიესის მიდგომის შესახებ.
თუ მოგწონთ სტატია, მაშინ ვეცდები მეორე ნაწილი გავაკეთო მაგალითების შერჩევით, თუ როგორ გვარდება ImageRecognition არსებული პრობლემები.

Და ბოლოს

რა წავიკითხო?
1) ერთხელ ძალიან მომეწონა ბ.იანას წიგნი "ციფრული გამოსახულების დამუშავება", რომელიც დაწერილია მარტივად და გარკვევით, მაგრამ ამავდროულად თითქმის ყველა მათემატიკაა მოცემული. კარგია არსებული მეთოდების გასაცნობად.
2) ჟანრის კლასიკაა R Gonzalez, R. Woods "Digital Image Processing". რატომღაც უფრო გამიჭირდა, ვიდრე პირველი. გაცილებით ნაკლები მათემატიკა, მაგრამ მეტი მეთოდი და სურათი.
3) „გამოსახულების დამუშავება და ანალიზი მანქანათმხედველობის პრობლემებში“ - დაწერილი ფიზტექის ერთ-ერთ განყოფილებაში ნასწავლი კურსის საფუძველზე. ბევრი მეთოდი და მათი დეტალური აღწერა. მაგრამ, ჩემი აზრით, წიგნს ორი დიდი მინუსი აქვს: წიგნი ძლიერად არის ორიენტირებული მასზე დამაგრებულ პროგრამულ პაკეტზე, წიგნში ძალიან ხშირად მარტივი მეთოდის აღწერა იქცევა მათემატიკურ ჯუნგლებში, საიდანაც ძნელია აიღო. მეთოდის სტრუქტურული დიაგრამა. მაგრამ ავტორებმა შექმნეს მოსახერხებელი საიტი, სადაც თითქმის მთელი შინაარსია წარმოდგენილი - wiki.technicalvision.ru ტეგების დამატება