ប្រព័ន្ធនៃការរស់នៅ រួមទាំងមនុស្សត្រូវបានប្រឈមមុខជានិច្ចជាមួយនឹងភារកិច្ចនៃការទទួលស្គាល់គំរូចាប់តាំងពីការចាប់ផ្តើមរបស់ពួកគេ។ ជាពិសេស ព័ត៌មានដែលចេញមកពីសរីរាង្គនៃអារម្មណ៍ត្រូវបានដំណើរការដោយខួរក្បាល ដែលនៅក្នុងវេនតម្រៀបព័ត៌មាន ធានាការសម្រេចចិត្ត ហើយបន្ទាប់មកដោយប្រើអេឡិចត្រូគីមី បញ្ជូនសញ្ញាចាំបាច់បន្ថែមទៀត ឧទាហរណ៍ ទៅកាន់សរីរាង្គនៃចលនា ដែល អនុវត្តសកម្មភាពចាំបាច់។ បន្ទាប់​មក​មាន​ការ​ផ្លាស់​ប្តូរ​បរិយាកាស ហើយ​បាតុភូត​ខាង​លើ​ក៏​កើត​ឡើង​ម្តង​ទៀត។ ហើយប្រសិនបើអ្នកមើលទៅបន្ទាប់មកដំណាក់កាលនីមួយៗត្រូវបានអមដោយការទទួលស្គាល់។

ជាមួយនឹងការអភិវឌ្ឍនៃបច្ចេកវិទ្យាកុំព្យូទ័រវាបានក្លាយជាអាចធ្វើទៅបានដើម្បីដោះស្រាយបញ្ហាមួយចំនួនដែលកើតឡើងនៅក្នុងដំណើរការនៃជីវិត, សម្របសម្រួល, បង្កើនល្បឿន, កែលម្អគុណភាពនៃលទ្ធផល។ ឧទាហរណ៍ ប្រតិបត្តិការនៃប្រព័ន្ធទ្រទ្រង់ជីវិតផ្សេងៗ អន្តរកម្មរវាងមនុស្ស និងកុំព្យូទ័រ ការលេចចេញនូវប្រព័ន្ធមនុស្សយន្ត។ , អត្ថបទសរសេរដោយដៃ) ។

គោលបំណងនៃការងារ៖ ដើម្បីសិក្សាពីប្រវត្តិនៃប្រព័ន្ធទទួលស្គាល់គំរូ។

ចង្អុលបង្ហាញការផ្លាស់ប្តូរគុណភាពដែលបានកើតឡើងនៅក្នុងវាលនៃការទទួលស្គាល់លំនាំ, ទាំងទ្រឹស្តីនិងបច្ចេកទេស, បង្ហាញពីហេតុផល;

ពិភាក្សាអំពីវិធីសាស្រ្ត និងគោលការណ៍ដែលបានប្រើក្នុងការគណនា;

ផ្តល់ឧទាហរណ៍នៃការរំពឹងទុកដែលរំពឹងទុកនាពេលអនាគតដ៏ខ្លី។

1. តើការទទួលស្គាល់លំនាំគឺជាអ្វី?

ការស្រាវជ្រាវដំបូងជាមួយនឹងបច្ចេកវិទ្យាកុំព្យូទ័រជាមូលដ្ឋានបានអនុវត្តតាមគ្រោងការណ៍បុរាណនៃគំរូគណិតវិទ្យា - គំរូគណិតវិទ្យា ក្បួនដោះស្រាយ និងការគណនា។ ទាំងនេះគឺជាភារកិច្ចនៃគំរូនៃដំណើរការដែលកើតឡើងក្នុងអំឡុងពេលនៃការផ្ទុះគ្រាប់បែកបរមាណូ ការគណនាគន្លងផ្លោង សេដ្ឋកិច្ច និងកម្មវិធីផ្សេងៗទៀត។ ទោះជាយ៉ាងណាក៏ដោយ បន្ថែមពីលើគំនិតបុរាណនៃស៊េរីនេះ វាក៏មានវិធីសាស្រ្តដែលផ្អែកលើលក្ខណៈខុសគ្នាទាំងស្រុងផងដែរ ហើយដូចដែលការអនុវត្តនៃការដោះស្រាយបញ្ហាមួយចំនួនបានបង្ហាញ ពួកវាតែងតែផ្តល់លទ្ធផលល្អប្រសើរជាងដំណោះស្រាយដោយផ្អែកលើគំរូគណិតវិទ្យាដែលស្មុគស្មាញ។ គំនិតរបស់ពួកគេគឺបោះបង់ចោលនូវបំណងប្រាថ្នាដើម្បីបង្កើតគំរូគណិតវិទ្យាដ៏ពេញលេញនៃវត្ថុដែលកំពុងសិក្សា (លើសពីនេះទៅទៀត ជារឿយៗវាមិនអាចទៅរួចទេក្នុងការសាងសង់គំរូគ្រប់គ្រាន់) ហើយជំនួសឱ្យការពេញចិត្តនឹងចម្លើយចំពោះតែសំណួរជាក់លាក់ដែលយើងចាប់អារម្មណ៍ និង ចម្លើយទាំងនេះគួរតែត្រូវបានស្វែងរកពីការពិចារណាទូទៅទៅថ្នាក់ធំទូលាយនៃបញ្ហា។ ការស្រាវជ្រាវប្រភេទនេះរួមមាន ការទទួលស្គាល់រូបភាពដែលមើលឃើញ ការព្យាករណ៍ទិន្នផល កម្រិតទឹកទន្លេ បញ្ហានៃការបែងចែករវាងការបង្ហូរប្រេង និងអាងទឹកដោយប្រើទិន្នន័យភូមិសាស្ត្រដោយប្រយោល ល។ ចម្លើយជាក់លាក់មួយនៅក្នុងកិច្ចការទាំងនេះត្រូវបានទាមទារក្នុងទម្រង់សាមញ្ញដូចជា ឧទាហរណ៍ ថាតើវត្ថុមួយជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលបានកំណត់ជាមុនឬអត់។ ហើយទិន្នន័យដំបូងនៃភារកិច្ចទាំងនេះជាក្បួនត្រូវបានផ្តល់ឱ្យក្នុងទម្រង់នៃព័ត៌មានបែកខ្ញែកអំពីវត្ថុដែលកំពុងសិក្សាឧទាហរណ៍ក្នុងទម្រង់នៃវត្ថុដែលបានចាត់ថ្នាក់ជាមុន។ តាមទស្សនៈគណិតវិទ្យា នេះមានន័យថា ការទទួលស្គាល់លំនាំ (ហើយថ្នាក់នៃបញ្ហានេះត្រូវបានគេដាក់ឈ្មោះនៅក្នុងប្រទេសរបស់យើង) គឺជាការយល់ឃើញដ៏ទូលំទូលាយនៃគំនិតនៃការបន្ថែមមុខងារ។

សារៈសំខាន់នៃការបង្កើតបែបនេះសម្រាប់វិទ្យាសាស្ត្របច្ចេកទេសគឺហួសពីការសង្ស័យ ហើយនេះបង្ហាញអំពីភាពត្រឹមត្រូវនៃការសិក្សាជាច្រើននៅក្នុងតំបន់នេះ។ ទោះជាយ៉ាងណាក៏ដោយ បញ្ហានៃការទទួលស្គាល់គំរូក៏មានទិដ្ឋភាពទូលំទូលាយសម្រាប់វិទ្យាសាស្ត្រធម្មជាតិផងដែរ (ទោះជាយ៉ាងណាក៏ដោយ វានឹងចម្លែកប្រសិនបើអ្វីដែលសំខាន់សម្រាប់ប្រព័ន្ធអ៊ីនធឺណេតសិប្បនិម្មិតនឹងមិនមានសារៈសំខាន់សម្រាប់ធម្មជាតិទេ)។ បរិបទនៃវិទ្យាសាស្ត្រនេះរួមបញ្ចូលនូវសំណួរដែលចោទឡើងដោយទស្សនវិទូបុរាណអំពីធម្មជាតិនៃចំណេះដឹងរបស់យើង សមត្ថភាពរបស់យើងក្នុងការទទួលស្គាល់រូបភាព គំរូ ស្ថានភាពនៃពិភពលោកជុំវិញ។ តាមពិតទៅ វាគ្មានការងឿងឆ្ងល់ទេថា យន្តការសម្រាប់ទទួលស្គាល់រូបភាពសាមញ្ញបំផុត ដូចជារូបភាពនៃសត្វមំសាសី ឬអាហារដែលមានគ្រោះថ្នាក់ជិតមកដល់នោះ ត្រូវបានបង្កើតឡើងលឿនជាងភាសាបឋម ហើយឧបករណ៍តក្កវិជ្ជាផ្លូវការបានកើតឡើង។ ហើយគ្មានការងឿងឆ្ងល់ទេថា យន្តការបែបនេះក៏ត្រូវបានអភិវឌ្ឍគ្រប់គ្រាន់នៅក្នុងសត្វខ្ពស់ៗផងដែរ ដែលនៅក្នុងសកម្មភាពសំខាន់របស់វា ក៏ត្រូវការជាបន្ទាន់នូវសមត្ថភាពក្នុងការបែងចែកប្រព័ន្ធស្មុគស្មាញនៃសញ្ញានៃធម្មជាតិផងដែរ។ ដូច្នេះនៅក្នុងធម្មជាតិ យើងឃើញថាបាតុភូតនៃការគិត និងមនសិការគឺផ្អែកយ៉ាងច្បាស់លើសមត្ថភាពក្នុងការទទួលស្គាល់គំរូ ហើយការរីកចម្រើនបន្ថែមទៀតនៃវិទ្យាសាស្ត្របញ្ញាគឺទាក់ទងដោយផ្ទាល់ទៅនឹងជម្រៅនៃការយល់ដឹងអំពីច្បាប់ជាមូលដ្ឋាននៃការទទួលស្គាល់។ ការយល់ដឹងពីការពិតដែលថាសំណួរខាងលើហួសពីនិយមន័យស្តង់ដារនៃការទទួលស្គាល់គំរូ (ពាក្យថាការរៀនដែលត្រូវបានត្រួតពិនិត្យគឺជារឿងធម្មតានៅក្នុងអក្សរសិល្ប៍ភាសាអង់គ្លេស) វាក៏ចាំបាច់ផងដែរក្នុងការយល់ថាពួកគេមានទំនាក់ទំនងយ៉ាងស៊ីជម្រៅជាមួយនឹងភាពតូចចង្អៀតនេះ (ប៉ុន្តែនៅតែ ឆ្ងាយពីការហត់នឿយ) ទិសដៅ។

សូម្បីតែឥឡូវនេះ ការទទួលស្គាល់លំនាំបានចូលយ៉ាងរឹងមាំក្នុងជីវិតប្រចាំថ្ងៃ ហើយជាចំណេះដឹងដ៏សំខាន់បំផុតមួយរបស់វិស្វករទំនើប។ នៅក្នុងឱសថ ការទទួលស្គាល់លំនាំជួយឱ្យវេជ្ជបណ្ឌិតធ្វើការធ្វើរោគវិនិច្ឆ័យបានត្រឹមត្រូវជាងមុន ហើយនៅក្នុងរោងចក្រ វាត្រូវបានគេប្រើដើម្បីទស្សន៍ទាយពីពិការភាពនៅក្នុងបាច់ទំនិញ។ ប្រព័ន្ធកំណត់អត្តសញ្ញាណបុគ្គលជីវមាត្រជាស្នូលក្បួនដោះស្រាយរបស់ពួកគេក៏ផ្អែកលើលទ្ធផលនៃវិន័យនេះដែរ។ ការអភិវឌ្ឍន៍បន្ថែមទៀតនៃបញ្ញាសិប្បនិមិត្ត ជាពិសេសការរចនាកុំព្យូទ័រជំនាន់ទី 5 ដែលមានសមត្ថភាពទំនាក់ទំនងដោយផ្ទាល់ជាមួយមនុស្សម្នាក់ជាភាសាធម្មជាតិសម្រាប់មនុស្ស និងតាមរយៈការនិយាយគឺមិនអាចគិតទុកជាមុនបានដោយគ្មានការទទួលស្គាល់ឡើយ។ នៅទីនេះ មនុស្សយន្ត ប្រព័ន្ធគ្រប់គ្រងសិប្បនិម្មិតដែលមានប្រព័ន្ធទទួលស្គាល់ថាជាប្រព័ន្ធរងដ៏សំខាន់ គឺស្ថិតនៅក្នុងភាពងាយស្រួល។

នោះហើយជាមូលហេតុដែលការយកចិត្តទុកដាក់ជាច្រើនត្រូវបានផ្តោតលើការអភិវឌ្ឍន៍នៃការទទួលស្គាល់គំរូតាំងពីដំបូងដោយអ្នកឯកទេសនៃទម្រង់ផ្សេងៗគ្នា - cybernetics, neurophysiologist, psychologists, mathematicians, economists ។ល។ ភាគច្រើនសម្រាប់ហេតុផលនេះ ការទទួលស្គាល់គំរូទំនើបដោយខ្លួនវាផ្ទាល់លើគំនិតនៃវិញ្ញាសាទាំងនេះ។ ដោយគ្មានការអះអាងថាពេញលេញ (ហើយវាមិនអាចទៅរួចទេក្នុងការអះអាងវានៅក្នុងអត្ថបទខ្លីមួយ) យើងនឹងរៀបរាប់អំពីប្រវត្តិនៃការទទួលស្គាល់គំរូគំនិតសំខាន់ៗ។

និយមន័យ

មុននឹងបន្តទៅវិធីសាស្ត្រសំខាន់ៗនៃការទទួលស្គាល់គំរូ យើងផ្តល់និយមន័យចាំបាច់មួយចំនួន។

ការទទួលស្គាល់រូបភាព (វត្ថុ សញ្ញា ស្ថានភាព បាតុភូត ឬដំណើរការ) គឺជាភារកិច្ចនៃការកំណត់អត្តសញ្ញាណវត្ថុ ឬកំណត់លក្ខណៈសម្បត្តិណាមួយរបស់វាដោយរូបភាពរបស់វា (ការទទួលស្គាល់អុបទិក) ឬការថតសំឡេង (ការទទួលស្គាល់សូរស័ព្ទ) និងលក្ខណៈផ្សេងៗទៀត។

មូលដ្ឋានមួយក្នុងចំណោមមូលដ្ឋានគឺគំនិតនៃសំណុំដែលមិនមានទម្រង់ជាក់លាក់។ នៅក្នុងកុំព្យូទ័រ សំណុំមួយត្រូវបានតំណាងដោយសំណុំនៃធាតុដែលមិនកើតឡើងដដែលៗនៃប្រភេទដូចគ្នា។ ពាក្យថា មិនធ្វើដដែលៗ មានន័យថា ធាតុខ្លះក្នុងសំណុំ មានឬមិននៅទីនោះ។ សំណុំសកលរួមបញ្ចូលធាតុដែលអាចធ្វើបានទាំងអស់សម្រាប់បញ្ហាដែលកំពុងត្រូវបានដោះស្រាយ សំណុំទទេមិនមានទេ។

រូបភាពគឺជាការចាត់ថ្នាក់ជាក្រុមនៅក្នុងប្រព័ន្ធចាត់ថ្នាក់ដែលបង្រួបបង្រួម (ឯកវចនៈ) ក្រុមជាក់លាក់នៃវត្ថុតាមលក្ខណៈមួយចំនួន។ រូបភាពមានលក្ខណៈលក្ខណៈដែលបង្ហាញឱ្យឃើញដោយខ្លួនវាផ្ទាល់នៅក្នុងការពិតដែលថាការស្គាល់គ្នាជាមួយនឹងចំនួនកំណត់នៃបាតុភូតពីសំណុំដូចគ្នាធ្វើឱ្យវាអាចទទួលស្គាល់ចំនួនច្រើនតាមអំពើចិត្តនៃអ្នកតំណាងរបស់វា។ រូបភាពមានលក្ខណៈសម្បត្តិគោលបំណងលក្ខណៈក្នុងន័យថា មនុស្សផ្សេងគ្នាដែលរៀនពីសម្ភារៈសង្កេតផ្សេងៗគ្នា សម្រាប់ផ្នែកភាគច្រើន ចាត់ថ្នាក់វត្ថុដូចគ្នាតាមរបៀបដូចគ្នា និងដោយឯករាជ្យពីគ្នាទៅវិញទៅមក។ នៅក្នុងរូបមន្តបុរាណនៃបញ្ហាការទទួលស្គាល់ សំណុំសកលត្រូវបានបែងចែកទៅជាផ្នែក - រូបភាព។ ការគូសផែនទីនីមួយៗនៃវត្ថុណាមួយទៅកាន់សរីរាង្គដែលយល់ឃើញនៃប្រព័ន្ធទទួលស្គាល់ ដោយមិនគិតពីទីតាំងរបស់វាទាក់ទងទៅនឹងសរីរាង្គទាំងនេះ ជាធម្មតាត្រូវបានគេហៅថារូបភាពនៃវត្ថុ ហើយសំណុំនៃរូបភាពទាំងនោះដែលរួបរួមដោយលក្ខណៈសម្បត្តិទូទៅមួយចំនួនគឺជារូបភាព។

វិធីសាស្រ្តនៃការកំណត់ធាតុទៅរូបភាពណាមួយត្រូវបានគេហៅថា ច្បាប់នៃការសម្រេចចិត្ត។ គោលគំនិតសំខាន់មួយទៀតគឺម៉ែត្រ ដែលជាវិធីដើម្បីកំណត់ចម្ងាយរវាងធាតុនៃសំណុំសកល។ ចម្ងាយនេះកាន់តែតូច វត្ថុ (និមិត្តសញ្ញា សំឡេង។ល។) ដែលយើងស្គាល់កាន់តែស្រដៀងគ្នា។ ជា​ធម្មតា ធាតុ​ត្រូវ​បាន​បញ្ជាក់​ជា​សំណុំ​លេខ ហើយ​ម៉ែត្រ​ត្រូវ​បាន​បញ្ជាក់​ជា​អនុគមន៍។ ប្រសិទ្ធភាពនៃកម្មវិធីអាស្រ័យលើជម្រើសនៃការតំណាងនៃរូបភាព និងការអនុវត្តម៉ែត្រ ក្បួនដោះស្រាយការទទួលស្គាល់មួយជាមួយនឹងម៉ែត្រផ្សេងគ្នានឹងធ្វើឱ្យមានកំហុសជាមួយនឹងប្រេកង់ខុសៗគ្នា។

ការរៀនជាធម្មតាត្រូវបានគេហៅថាដំណើរការនៃការអភិវឌ្ឍនៅក្នុងប្រព័ន្ធមួយចំនួនដែលជាប្រតិកម្មជាក់លាក់មួយចំពោះក្រុមនៃសញ្ញាដូចគ្នាបេះបិទខាងក្រៅដោយឥទ្ធិពលម្តងហើយម្តងទៀតនៃប្រព័ន្ធកែតម្រូវខាងក្រៅ។ ការកែតម្រូវខាងក្រៅបែបនេះក្នុងការបណ្តុះបណ្តាលជាធម្មតាត្រូវបានគេហៅថា "ការលើកទឹកចិត្ត" និង "ការដាក់ទណ្ឌកម្ម" ។ យន្តការសម្រាប់បង្កើតការកែតម្រូវនេះស្ទើរតែទាំងស្រុងកំណត់នូវក្បួនដោះស្រាយការរៀនសូត្រ។ ការរៀនដោយខ្លួនឯងខុសពីការរៀនដែលនៅទីនេះ ព័ត៌មានបន្ថែមអំពីភាពត្រឹមត្រូវនៃប្រតិកម្មទៅនឹងប្រព័ន្ធមិនត្រូវបានរាយការណ៍ទេ។

ការបន្សាំគឺជាដំណើរការនៃការផ្លាស់ប្តូរប៉ារ៉ាម៉ែត្រ និងរចនាសម្ព័ន្ធនៃប្រព័ន្ធ ហើយក៏អាចគ្រប់គ្រងសកម្មភាពផងដែរ ដោយផ្អែកលើព័ត៌មានបច្ចុប្បន្ន ដើម្បីសម្រេចបាននូវស្ថានភាពជាក់លាក់នៃប្រព័ន្ធជាមួយនឹងភាពមិនច្បាស់លាស់ដំបូង និងការផ្លាស់ប្តូរលក្ខខណ្ឌប្រតិបត្តិការ។

ការរៀនគឺជាដំណើរការមួយដែលជាលទ្ធផលដែលប្រព័ន្ធទទួលបានសមត្ថភាពក្នុងការឆ្លើយតបជាបណ្តើរៗជាមួយនឹងប្រតិកម្មចាំបាច់ចំពោះសំណុំមួយចំនួននៃឥទ្ធិពលខាងក្រៅ ហើយការសម្របខ្លួនគឺជាការកែសម្រួលប៉ារ៉ាម៉ែត្រ និងរចនាសម្ព័ន្ធនៃប្រព័ន្ធ ដើម្បីសម្រេចបាននូវគុណភាពដែលត្រូវការនៃ ការគ្រប់គ្រងនៅក្នុងលក្ខខណ្ឌនៃការផ្លាស់ប្តូរជាបន្តបន្ទាប់នៅក្នុងលក្ខខណ្ឌខាងក្រៅ។

ឧទាហរណ៍នៃភារកិច្ចទទួលស្គាល់លំនាំ៖ - ការទទួលស្គាល់អក្សរ;

មេរៀនលេខ ១៧ ។វិធីសាស្រ្តទទួលស្គាល់លំនាំ

មានក្រុមដូចខាងក្រោមនៃវិធីសាស្រ្តទទួលស្គាល់:

វិធីសាស្រ្តមុខងារជិត

វិធីសាស្រ្តមុខងាររើសអើង

វិធីសាស្រ្តស្ថិតិនៃការទទួលស្គាល់។

វិធីសាស្រ្តភាសា

វិធីសាស្រ្ត heuristic ។

វិធីសាស្រ្តបីក្រុមដំបូងគឺផ្តោតលើការវិភាគនៃលក្ខណៈដែលបង្ហាញដោយលេខ ឬវ៉ិចទ័រដែលមានធាតុផ្សំជាលេខ។

ក្រុមនៃវិធីសាស្រ្តភាសាផ្តល់នូវការទទួលស្គាល់លំនាំដោយផ្អែកលើការវិភាគនៃរចនាសម្ព័ន្ធរបស់ពួកគេដែលត្រូវបានពិពណ៌នាដោយលក្ខណៈពិសេសនៃរចនាសម្ព័ន្ធដែលត្រូវគ្នានិងទំនាក់ទំនងរវាងពួកគេ។

ក្រុមនៃវិធីសាស្រ្ត heuristic រួមបញ្ចូលគ្នានូវបច្ចេកទេសលក្ខណៈ និងនីតិវិធីឡូជីខលដែលប្រើដោយមនុស្សក្នុងការទទួលស្គាល់គំរូ។

វិធីសាស្រ្តមុខងារជិត

វិធីសាស្រ្តនៃក្រុមនេះគឺផ្អែកលើការប្រើប្រាស់មុខងារដែលវាយតម្លៃរង្វាស់នៃភាពជិតរវាងរូបភាពដែលអាចស្គាល់បានជាមួយវ៉ិចទ័រ x * = (x * 1 ,….,x*n) និងរូបភាពយោងនៃថ្នាក់ផ្សេងៗ តំណាងដោយវ៉ិចទ័រ x ខ្ញុំ = (x ខ្ញុំ 1 ,…, x ខ្ញុំ n), ខ្ញុំ= 1,…,ន, កន្លែងណា ខ្ញុំ-លេខថ្នាក់រូបភាព។

នីតិវិធីនៃការទទួលស្គាល់នេះបើយោងតាមវិធីសាស្រ្តនេះមាននៅក្នុងការគណនាចម្ងាយរវាងចំណុចនៃរូបភាពដែលបានទទួលស្គាល់និងគ្នានៃចំណុចតំណាងឱ្យរូបភាពយោង, i.e. ក្នុងការគណនាតម្លៃទាំងអស់។ ឃ ខ្ញុំ , ខ្ញុំ= 1,…,ន. រូបភាពជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលតម្លៃ ឃ ខ្ញុំមានតម្លៃតិចបំផុតក្នុងចំណោមទាំងអស់។ ខ្ញុំ= 1,…,ន .

អនុគមន៍​ដែល​ធ្វើ​ផែនទី​គូ​វ៉ិចទ័រ​នីមួយៗ x ខ្ញុំ, x *ចំនួនពិតប្រាកដជារង្វាស់នៃភាពស្និទ្ធស្នាលរបស់ពួកគេ i.e. ការកំណត់ចម្ងាយរវាងពួកវាអាចជាការបំពានណាស់។ នៅក្នុងគណិតវិទ្យា មុខងារបែបនេះត្រូវបានគេហៅថា វាស់លំហ។ វាត្រូវតែបំពេញ axioms ខាងក្រោម:

r(x, y)=r(y,x);

r(x, y) > 0 ប្រសិនបើ xមិនស្មើគ្នា yនិង r(x, y)=0 ប្រសិនបើ x=y;

r(x, y) <=r(x,z)+r(z,y)

axioms ទាំងនេះត្រូវបានពេញចិត្តជាពិសេសដោយមុខងារដូចខាងក្រោម

មួយ ខ្ញុំ= 1/2 , j=1,2,…ន.

b i= ផលបូក j=1,2,…ន.

c i= អតិបរមា abs ( x ខ្ញុំ‑ x j *), j=1,2,…ន.

ទីមួយនៃទាំងនេះត្រូវបានគេហៅថា Euclidean បទដ្ឋាននៃទំហំវ៉ិចទ័រ។ ដូច្នោះហើយ ចន្លោះដែលអនុគមន៍ដែលបានបញ្ជាក់ត្រូវបានប្រើជាម៉ែត្រ ត្រូវបានគេហៅថាលំហ Euclidean ។

ជាញឹកញាប់ ភាពខុសគ្នាជា root-mean-square នៃកូអរដោណេនៃរូបភាពដែលបានទទួលស្គាល់ត្រូវបានជ្រើសរើសជាមុខងារជិត x *និងស្តង់ដារ x ខ្ញុំ, i.e. មុខងារ

ឃ ខ្ញុំ = (1/ន) ផលបូក( x ខ្ញុំ j‑ x j *) 2 , j=1,2,…ន.

តម្លៃ ឃ ខ្ញុំធរណីមាត្របានបកស្រាយថាជាការ៉េនៃចំងាយរវាងចំនុចក្នុងលំហលក្ខណៈ ដែលទាក់ទងទៅនឹងវិមាត្រនៃលំហ។

ជារឿយៗវាប្រែថាលក្ខណៈពិសេសផ្សេងៗគ្នាមិនមានសារៈសំខាន់ស្មើគ្នាក្នុងការទទួលស្គាល់ទេ។ ដើម្បីយកកាលៈទេសៈនេះទៅក្នុងគណនីនៅពេលគណនាមុខងារជិតនៃភាពខុសគ្នានៃកូអរដោណេ លក្ខណៈសំខាន់ៗបន្ថែមទៀតដែលត្រូវគ្នាត្រូវបានគុណដោយមេគុណធំ ហើយសំខាន់តិចជាងដោយលេខតូចជាង។

ក្នុងករណី​នេះ ឃ ខ្ញុំ = (1/ន) ផលបូក ច (x ខ្ញុំ j‑ x j *) 2 , j=1,2,…ន,

កន្លែងណា ច- មេគុណទម្ងន់។

ការណែនាំនៃមេគុណទម្ងន់គឺស្មើនឹងការធ្វើមាត្រដ្ឋានអ័ក្សនៃទំហំមុខងារ ហើយតាមនោះ ការលាតសន្ធឹង ឬបង្រួមលំហក្នុងទិសដៅដាច់ដោយឡែក។

ការខូចទ្រង់ទ្រាយនៃលំហលក្ខណៈទាំងនេះបន្តដល់គោលដៅនៃការដាក់ចំណុចនៃរូបភាពយោង ដែលត្រូវនឹងការទទួលស្គាល់ដែលអាចទុកចិត្តបំផុតនៅក្រោមលក្ខខណ្ឌនៃការខ្ចាត់ខ្ចាយនៃរូបភាពសំខាន់ៗនៃថ្នាក់នីមួយៗនៅក្នុងតំបន់ជុំវិញចំណុចនៃរូបភាពយោង។

ក្រុមនៃចំណុចរូបភាពនៅជិតគ្នា (ចង្កោមរូបភាព) ក្នុងចន្លោះលក្ខណៈពិសេសត្រូវបានគេហៅថាចង្កោម ហើយបញ្ហានៃការកំណត់អត្តសញ្ញាណក្រុមបែបនេះត្រូវបានគេហៅថាបញ្ហាចង្កោម។

ភារកិច្ចនៃការកំណត់អត្តសញ្ញាណចង្កោមត្រូវបានសំដៅថាជាភារកិច្ចទទួលស្គាល់លំនាំដែលមិនមានការត្រួតពិនិត្យ, i.e. ចំពោះបញ្ហានៃការទទួលស្គាល់ក្នុងករណីដែលគ្មានឧទាហរណ៍នៃការទទួលស្គាល់ត្រឹមត្រូវ។

វិធីសាស្រ្តមុខងាររើសអើង

គំនិតនៃវិធីសាស្រ្តនៃក្រុមនេះគឺដើម្បីបង្កើតមុខងារដែលកំណត់ព្រំដែនក្នុងចន្លោះរូបភាពដោយបែងចែកចន្លោះទៅជាតំបន់ដែលត្រូវគ្នានឹងថ្នាក់នៃរូបភាព។ មុខងារសាមញ្ញបំផុត និងញឹកញាប់បំផុតនៃប្រភេទនេះគឺជាមុខងារដែលអាស្រ័យលើតម្លៃនៃលក្ខណៈពិសេស។ នៅក្នុងលំហលក្ខណៈ ពួកវាត្រូវគ្នាទៅនឹងផ្ទៃដែលបំបែកចេញជាទម្រង់ hyperplanes ។ នៅក្នុងករណីនៃលំហលក្ខណៈពីរវិមាត្រ បន្ទាត់ត្រង់ដើរតួជាមុខងារបំបែក។

ទម្រង់ទូទៅនៃអនុគមន៍ការសម្រេចចិត្តលីនេអ៊ែរត្រូវបានផ្តល់ដោយរូបមន្ត

ឃ(x)=វ 1 x 1 + វ 2 x 2 +…+w n x n +w n +1 = Wx+w n

កន្លែងណា x- វ៉ិចទ័ររូបភាព w=(វ 1 , វ 2 ,…w n) គឺជាវ៉ិចទ័រនៃមេគុណទម្ងន់។

នៅពេលបែងចែកជាពីរថ្នាក់ X 1 និង X 2 មុខងាររើសអើង ឃ(x) អនុញ្ញាតឱ្យមានការទទួលស្គាល់ដោយយោងតាមច្បាប់៖

xជាកម្មសិទ្ធិ X 1 ប្រសិនបើ ឃ(x)>0;

xជាកម្មសិទ្ធិ X 2 ប្រសិនបើ ឃ(x)<0.

ប្រសិនបើ ឃ(x)=0 បន្ទាប់មកករណីនៃភាពមិនច្បាស់លាស់កើតឡើង។

នៅក្នុងករណីនៃការបំបែកទៅជាថ្នាក់ជាច្រើន មុខងារជាច្រើនត្រូវបានណែនាំ។ ក្នុងករណីនេះ ថ្នាក់នីមួយៗនៃរូបភាពត្រូវបានភ្ជាប់ជាមួយនឹងការរួមបញ្ចូលគ្នាជាក់លាក់នៃសញ្ញានៃមុខងាររើសអើង។

ឧទាហរណ៍ ប្រសិនបើមុខងាររើសអើងចំនួនបីត្រូវបានណែនាំ នោះវ៉ារ្យ៉ង់ខាងក្រោមនៃការជ្រើសរើសថ្នាក់រូបភាពគឺអាចធ្វើទៅបាន៖

xជាកម្មសិទ្ធិ X 1 ប្រសិនបើ ឃ 1 (x)>0,ឃ 2 (x)<0,ឃ 3 (x)<0;

xជាកម្មសិទ្ធិ X 2 ប្រសិនបើ ឃ(x)<0,ឃ 2 (x)>0,ឃ 3 (x)<0;

xជាកម្មសិទ្ធិ X 3 ប្រសិនបើ ឃ(x)<0,ឃ 2 (x)<0,ឃ 3 (x)>0.

វាត្រូវបានសន្មត់ថាសម្រាប់បន្សំផ្សេងទៀតនៃតម្លៃ ឃ 1 (x),ឃ 2 (x),ឃ 3 (x) មានករណីនៃភាពមិនប្រាកដប្រជា។

បំរែបំរួលនៃវិធីសាស្រ្តនៃមុខងាររើសអើង គឺជាវិធីសាស្ត្រនៃមុខងារសម្រេចចិត្ត។ នៅក្នុងវាប្រសិនបើមាន មថ្នាក់ត្រូវបានសន្មត់ថាមាន មមុខងារ ឃ ខ្ញុំ(x) ហៅថា សម្រេច, ដូចជាថា បើ xជាកម្មសិទ្ធិ X ខ្ញុំ, នោះ។ ឃ ខ្ញុំ(x) > ឌីជេ(x) សម្រាប់​ទាំងអស់ jមិនស្មើគ្នា ខ្ញុំទាំងនោះ។ មុខងារសម្រេចចិត្ត ឃ ខ្ញុំ(x) មានតម្លៃអតិបរមាក្នុងចំណោមមុខងារទាំងអស់។ ឌីជេ(x), j=1,...,ន..

ការ​បង្ហាញ​អំពី​វិធី​សាស្ត្រ​បែប​នេះ​អាច​ជា​ការ​ចាត់​ថ្នាក់​ដោយ​ផ្អែក​លើ​ការ​ប៉ាន់​ប្រមាណ​នៃ​ចម្ងាយ​អប្បរមា​នៃ​ចម្ងាយ Euclidean ក្នុង​ចន្លោះ​លក្ខណៈ​រវាង​ចំណុច​រូបភាព និង​ស្តង់ដារ។ សូមបង្ហាញវា។

ចម្ងាយ Euclidean រវាងវ៉ិចទ័រលក្ខណៈនៃរូបភាពដែលអាចស្គាល់បាន។ xហើយវ៉ិចទ័រនៃរូបភាពយោងត្រូវបានកំណត់ដោយរូបមន្ត || x ខ្ញុំ ‑ x|| = 1/2 , j=1,2,…ន.

វ៉ិចទ័រ xនឹងត្រូវបានចាត់តាំងទៅថ្នាក់ ខ្ញុំដែលតម្លៃ || x ខ្ញុំ ‑ x *|| អប្បបរមា។

ជំនួសឱ្យចម្ងាយ អ្នកអាចប្រៀបធៀបការ៉េនៃចម្ងាយ ឧ។

||x ខ្ញុំ ‑ x|| 2 = (x ខ្ញុំ ‑ x)(x ខ្ញុំ ‑ x) t = x x- 2x x ខ្ញុំ +x i x i

ចាប់តាំងពីតម្លៃ x xដូចគ្នាសម្រាប់មនុស្សគ្រប់គ្នា ខ្ញុំ, អប្បបរមានៃអនុគមន៍ || x ខ្ញុំ ‑ x|| 2 នឹងស្របគ្នាជាមួយនឹងអតិបរិមានៃមុខងារនៃការសម្រេចចិត្ត

ឃ ខ្ញុំ(x) = 2x x ខ្ញុំ -x i x i.

នោះគឺ xជាកម្មសិទ្ធិ X ខ្ញុំ, ប្រសិនបើ ឃ ខ្ញុំ(x) > ឌីជេ(x) សម្រាប់​ទាំងអស់ jមិនស្មើគ្នា ខ្ញុំ.

នោះ។ ម៉ាស៊ីនចាត់ថ្នាក់ចម្ងាយអប្បបរមាគឺផ្អែកលើមុខងារសម្រេចចិត្តលីនេអ៊ែរ។ រចនាសម្ព័ន្ធទូទៅនៃម៉ាស៊ីនបែបនេះប្រើមុខងារសម្រេចចិត្តនៃទម្រង់

ឃ ខ្ញុំ (x)=w ខ្ញុំ 1 x 1 + w ខ្ញុំ 2 x 2 +…+w ក្នុង x n +w i n +1

វាអាចត្រូវបានតំណាងដោយមើលឃើញដោយដ្យាក្រាមប្លុកសមស្រប។

សម្រាប់ម៉ាស៊ីនដែលធ្វើចំណាត់ថ្នាក់តាមចម្ងាយអប្បបរមា សមភាពកើតឡើង៖ w ij = -2x ខ្ញុំ j , w i n +1 = x i x i.

ការទទួលស្គាល់សមមូលដោយវិធីសាស្ត្រនៃមុខងាររើសអើងអាចត្រូវបានអនុវត្ត ប្រសិនបើមុខងាររើសអើងត្រូវបានកំណត់ថាជាភាពខុសគ្នា ឌីជេ (x)=ឃ ខ្ញុំ (x)‑ឌីជេ (x).

អត្ថប្រយោជន៍នៃវិធីសាស្រ្តនៃមុខងាររើសអើងគឺរចនាសម្ព័ន្ធសាមញ្ញនៃម៉ាស៊ីនទទួលស្គាល់ ក៏ដូចជាលទ្ធភាពនៃការអនុវត្តរបស់វាជាចម្បងតាមរយៈប្លុកការសម្រេចចិត្តលីនេអ៊ែរលើសលុប។

អត្ថប្រយោជន៍សំខាន់មួយទៀតនៃវិធីសាស្រ្តនៃមុខងាររើសអើងគឺលទ្ធភាពនៃការបណ្តុះបណ្តាលដោយស្វ័យប្រវត្តិនៃម៉ាស៊ីនសម្រាប់ការទទួលស្គាល់ត្រឹមត្រូវនៃគំរូរូបភាពដែលបានផ្តល់ឱ្យ (ការបណ្តុះបណ្តាល) ។

ក្នុងពេលជាមួយគ្នានេះ ក្បួនដោះស្រាយការរៀនដោយស្វ័យប្រវត្តិប្រែទៅជាសាមញ្ញណាស់ក្នុងការប្រៀបធៀបជាមួយនឹងវិធីសាស្ត្រទទួលស្គាល់ផ្សេងទៀត។

សម្រាប់ហេតុផលទាំងនេះ វិធីសាស្រ្តនៃមុខងាររើសអើងបានទទួលការពេញនិយមយ៉ាងទូលំទូលាយ ហើយត្រូវបានគេប្រើជាញឹកញាប់នៅក្នុងការអនុវត្ត។

ការទទួលស្គាល់លំនាំ នីតិវិធីរៀនដោយខ្លួនឯង។

ពិចារណាវិធីសាស្រ្តសម្រាប់បង្កើតមុខងាររើសអើងពីគំរូដែលបានផ្តល់ឱ្យ (ការបណ្តុះបណ្តាល) ដូចដែលបានអនុវត្តចំពោះបញ្ហានៃការបែងចែករូបភាពជាពីរថ្នាក់។ ប្រសិនបើសំណុំរូបភាពពីរត្រូវបានផ្តល់ឱ្យរៀងគ្នានៃថ្នាក់ A និង B នោះដំណោះស្រាយចំពោះបញ្ហានៃការបង្កើតមុខងាររើសអើងលីនេអ៊ែរត្រូវបានស្វែងរកក្នុងទម្រង់ជាវ៉ិចទ័រនៃមេគុណទម្ងន់ វ=(វ 1 ,វ 2 ,...,w n,w n+1) ដែលមានលក្ខណសម្បត្តិសម្រាប់រូបភាពណាមួយមានលក្ខខណ្ឌ

xជាកម្មសិទ្ធិរបស់ថ្នាក់ A ប្រសិនបើ > 0, j=1,2,…ន.

xជាកម្មសិទ្ធិរបស់ថ្នាក់ B ប្រសិនបើ<0, j=1,2,…ន.

ប្រសិនបើគំរូបណ្តុះបណ្តាលគឺ នរូបភាពនៃថ្នាក់ទាំងពីរ បញ្ហាត្រូវបានកាត់បន្ថយទៅការស្វែងរកវ៉ិចទ័រ w ដែលធានានូវសុពលភាពនៃប្រព័ន្ធវិសមភាព។ ប្រសិនបើគំរូបណ្តុះបណ្តាលមាន នរូបភាពនៃថ្នាក់ទាំងពីរ បញ្ហាត្រូវបានកាត់បន្ថយទៅការស្វែងរកវ៉ិចទ័រ វដែលធានានូវសុពលភាពនៃប្រព័ន្ធវិសមភាព

x 1 1 w ខ្ញុំ+x 21 វ 2 +...+x ន 1 w n+w n +1 >0;

x 1 2 w ខ្ញុំ+x 22 វ 2 +...+x ន 2 w n+w n +1 <0;

x 1 ខ្ញុំw ខ្ញុំ+x 2ខ្ញុំ វ 2 +...+x ni w n+w n +1 >0;

................................................

x 1 នw ខ្ញុំ + x 2ន វ 2 +...+x nN w n +w n + 1>0;

នៅទីនេះ x ខ្ញុំ=(x ខ្ញុំ 1 , x អ៊ី 2 ,...,x i n ,x i n+ 1 ) - វ៉ិចទ័រ​នៃ​តម្លៃ​នៃ​លក្ខណៈ​ពិសេស​នៃ​រូបភាព​ពី​គំរូ​ការ​បណ្តុះ​បណ្តាល, សញ្ញា > ត្រូវ​នឹង​វ៉ិចទ័រ​នៃ​រូបភាព xជាកម្មសិទ្ធិរបស់ថ្នាក់ A និងសញ្ញា< - векторам xជាកម្មសិទ្ធិរបស់ថ្នាក់ B ។

វ៉ិចទ័រដែលចង់បាន វមានប្រសិនបើថ្នាក់ A និង B អាចបំបែកបាន ហើយមិនមានទេ។ តម្លៃសមាសធាតុវ៉ិចទ័រ វអាចត្រូវបានរកឃើញជាមុន នៅដំណាក់កាលមុនការអនុវត្តផ្នែករឹងនៃ SRO ឬដោយផ្ទាល់ដោយ SRO ផ្ទាល់ក្នុងដំណើរការប្រតិបត្តិការរបស់វា។ វិធីសាស្រ្តចុងក្រោយនេះផ្តល់នូវភាពបត់បែនកាន់តែច្រើន និងស្វ័យភាពរបស់ SRO ។ ពិចារណាវានៅលើឧទាហរណ៍នៃឧបករណ៍ដែលហៅថាភាគរយរ៉ុន។ បង្កើតឡើងដោយអ្នកវិទ្យាសាស្ត្រអាមេរិក Rosenblatt ក្នុងឆ្នាំ 1957 ។ តំណាង​គ្រោងការណ៍​នៃ​ភាគរយ​ដែល​ធានា​ថា​រូបភាព​ត្រូវ​បាន​កំណត់​ទៅ​ថ្នាក់​មួយ​ក្នុង​ចំណោម​ថ្នាក់​ទាំងពីរ​គឺ​ត្រូវ​បាន​បង្ហាញ​ក្នុង​រូប​ខាងក្រោម។

រីទីណា សរីទីណា ករីទីណា រ

អូ អូ x 1

អូ អូ x 2

អូ អូ x 3

o(ផលបូក)--------> រ(ប្រតិកម្ម)

អូ អូ x ខ្ញុំ

អូ អូ x ន

អូ អូ x ន +1

ឧបករណ៍នេះមានធាតុផ្សំនៃសរសៃប្រសាទភ្នែក សដែលត្រូវបានភ្ជាប់ដោយចៃដន្យទៅនឹងធាតុផ្សំនៃរីទីណា ក. ធាតុនីមួយៗនៃរីទីណាទី 2 បង្កើតសញ្ញាទិន្នផលបានលុះត្រាតែចំនួនគ្រប់គ្រាន់នៃធាតុញ្ញាណដែលភ្ជាប់ទៅនឹងធាតុបញ្ចូលរបស់វាស្ថិតក្នុងស្ថានភាពរំភើប។ ការឆ្លើយតបប្រព័ន្ធទាំងមូល រគឺសមាមាត្រទៅនឹងផលបូកនៃប្រតិកម្មនៃធាតុនៃរីទីណាដែលជាប់ទាក់ទងគ្នាដែលបានយកជាមួយនឹងទម្ងន់ជាក់លាក់។

បញ្ជាក់តាមរយៈ x ខ្ញុំប្រតិកម្ម ខ្ញុំ th associative element និងតាមរយៈ w ខ្ញុំ- មេគុណទម្ងន់ប្រតិកម្ម ខ្ញុំ th associative element ប្រតិកម្មនៃប្រព័ន្ធអាចត្រូវបានសរសេរជា រ=sum( w j x j), j=1,..,ន. ប្រសិនបើ រ>0 បន្ទាប់មករូបភាពដែលបង្ហាញក្នុងប្រព័ន្ធជាកម្មសិទ្ធិរបស់ថ្នាក់ A ហើយប្រសិនបើ រ<0, то образ относится к классу B. Описание этой процедуры классификации соответствует рассмотренным нами раньше принципам классификации, и, очевидно, перцентронная модель распознавания образов представляет собой, за исключением сенсорной сетчатки, реализацию линейной дискриминантной функции. Принятый в перцентроне принцип формирования значений x 1 , x 2 ,...,x នត្រូវគ្នាទៅនឹងក្បួនដោះស្រាយជាក់លាក់មួយសម្រាប់ការបង្កើតលក្ខណៈពិសេសដោយផ្អែកលើសញ្ញារបស់ឧបករណ៍ចាប់សញ្ញាបឋម។

ជាទូទៅវាអាចមានធាតុជាច្រើន។ រដែលបង្កើតជាប្រតិកម្មរបស់ perceptron ។ ក្នុងករណីនេះមនុស្សម្នាក់និយាយអំពីវត្តមានរបស់រីទីណានៅក្នុង perceptron រធាតុប្រតិកម្ម។

គ្រោងការណ៍ភាគរយអាចត្រូវបានពង្រីកទៅករណីនៅពេលដែលចំនួនថ្នាក់មានច្រើនជាងពីរ ដោយបង្កើនចំនួនធាតុរីទីណា។ ររហូតដល់ចំនួនថ្នាក់ដែលអាចបែងចែកបាន និងការណែនាំនៃប្លុកសម្រាប់កំណត់ប្រតិកម្មអតិបរមាដោយអនុលោមតាមគ្រោងការណ៍ដែលបានបង្ហាញក្នុងរូបភាពខាងលើ។ ក្នុង​ករណី​នេះ រូបភាព​ត្រូវ​បាន​កំណត់​ទៅ​ថ្នាក់​ដោយ​មាន​លេខ ខ្ញុំ, ប្រសិនបើ R i>Rj, សម្រាប់​ទាំងអស់ j.

ដំណើរ​ការ​សិក្សា​របស់​ភាគរយ​មាន​ក្នុង​ការ​ជ្រើសរើស​តម្លៃ​នៃ​មេគុណ​ទម្ងន់ ចដូច្នេះ​សញ្ញា​លទ្ធផល​ត្រូវ​គ្នា​នឹង​ថ្នាក់​ដែល​រូបភាព​ដែល​បាន​ទទួល​ស្គាល់។

អនុញ្ញាតឱ្យយើងពិចារណាក្បួនដោះស្រាយសកម្មភាពភាគរយដោយប្រើឧទាហរណ៍នៃការទទួលស្គាល់វត្ថុនៃថ្នាក់ពីរ: A និង B. វត្ថុនៃថ្នាក់ A ត្រូវតែឆ្លើយតបទៅនឹងតម្លៃ រ= +1, និងថ្នាក់ B - តម្លៃ រ= -1.

ក្បួនដោះស្រាយការរៀនមានដូចខាងក្រោម។

ប្រសិនបើរូបភាពផ្សេងទៀត។ xជាកម្មសិទ្ធិរបស់ថ្នាក់ A ប៉ុន្តែ រ<0 (имеет место ошибка распознавания), тогда коэффициенты ចជាមួយនឹងសន្ទស្សន៍ដែលត្រូវគ្នានឹងតម្លៃ x j> 0 កើនឡើងដោយចំនួនមួយចំនួន dwនិងមេគុណដែលនៅសល់ ចថយចុះដោយ dw. ក្នុងករណីនេះតម្លៃនៃប្រតិកម្ម រទទួលបានការកើនឡើងឆ្ពោះទៅរកតម្លៃវិជ្ជមានរបស់វាដែលត្រូវនឹងចំណាត់ថ្នាក់ត្រឹមត្រូវ។

ប្រសិនបើ xជាកម្មសិទ្ធិរបស់ថ្នាក់ B ប៉ុន្តែ រ>0 (មានកំហុសក្នុងការទទួលស្គាល់) បន្ទាប់មកមេគុណ ចជាមួយនឹងសន្ទស្សន៍ដែលត្រូវគ្នា។ x j<0, увеличивают на dwនិងមេគុណដែលនៅសល់ ចកាត់បន្ថយដោយបរិមាណដូចគ្នា។ ក្នុងករណីនេះតម្លៃនៃប្រតិកម្ម រត្រូវបានបង្កើនឆ្ពោះទៅរកតម្លៃអវិជ្ជមានដែលត្រូវគ្នាទៅនឹងចំណាត់ថ្នាក់ត្រឹមត្រូវ។

ដូច្នេះក្បួនដោះស្រាយណែនាំការផ្លាស់ប្តូរវ៉ិចទ័រទម្ងន់ វប្រសិន​បើ​និង​បាន​តែ​ប្រសិន​បើ​រូបភាព​បង្ហាញ​ទៅ​ k-th ជំហានហ្វឹកហាត់ ត្រូវបានចាត់ថ្នាក់មិនត្រឹមត្រូវក្នុងអំឡុងពេលជំហាននេះ ហើយទុកវ៉ិចទ័រទម្ងន់ វមិនមានការផ្លាស់ប្តូរក្នុងករណីមានចំណាត់ថ្នាក់ត្រឹមត្រូវ។ ភស្តុតាងនៃការបញ្ចូលគ្នានៃក្បួនដោះស្រាយនេះត្រូវបានបង្ហាញនៅក្នុង [Too, Gonzalez] ។ ការបណ្តុះបណ្តាលបែបនេះនឹងនៅទីបំផុត (ជាមួយនឹងជម្រើសត្រឹមត្រូវ។ dwនិងភាពបំបែកលីនេអ៊ែរនៃថ្នាក់រូបភាព) នាំទៅរកវ៉ិចទ័រ វសម្រាប់ការចាត់ថ្នាក់ត្រឹមត្រូវ។

វិធីសាស្រ្តស្ថិតិនៃការទទួលស្គាល់។

វិធីសាស្រ្តស្ថិតិគឺផ្អែកលើការបង្រួមអប្បបរមានៃប្រូបាប៊ីលីតេនៃកំហុសក្នុងការចាត់ថ្នាក់។ ប្រូបាប៊ីលីតេ P នៃការចាត់ថ្នាក់មិនត្រឹមត្រូវនៃរូបភាពដែលបានទទួលសម្រាប់ការទទួលស្គាល់ ពិពណ៌នាដោយវ៉ិចទ័រលក្ខណៈពិសេស x, ត្រូវបានកំណត់ដោយរូបមន្ត

P = ផលបូក[ ទំ(ខ្ញុំ) បញ្ហា ( ឃ(x)+ខ្ញុំ | xថ្នាក់ ខ្ញុំ)]

កន្លែងណា ម- ចំនួនថ្នាក់,

ទំ(ខ្ញុំ) = ការស៊ើបអង្កេត ( xជាកម្មសិទ្ធិរបស់ថ្នាក់ ខ្ញុំ) - ប្រូបាប៊ីលីតេអាទិភាពនៃភាពជាកម្មសិទ្ធិរបស់រូបភាពបំពាន xទៅ ខ្ញុំ-th class (ភាពញឹកញាប់នៃការកើតឡើងនៃរូបភាព ខ្ញុំថ្នាក់)

ឃ(x) គឺជាមុខងារដែលធ្វើការសម្រេចចិត្តចាត់ថ្នាក់ (វ៉ិចទ័រលក្ខណៈ xផ្គូផ្គងលេខថ្នាក់ ខ្ញុំពីសំណុំ (1,2, ..., ម}),

បញ្ហា( ឃ(x) មិនស្មើគ្នា ខ្ញុំ| xជាកម្មសិទ្ធិរបស់ថ្នាក់ ខ្ញុំ) គឺជាប្រូបាប៊ីលីតេនៃព្រឹត្តិការណ៍ " ឃ(x) មិនស្មើគ្នា ខ្ញុំ"នៅពេលដែលលក្ខខណ្ឌសមាជិកភាពត្រូវបានបំពេញ xថ្នាក់ ខ្ញុំ, i.e. ប្រូបាប៊ីលីតេនៃការសម្រេចចិត្តខុសដោយមុខងារ ឃ(x) សម្រាប់តម្លៃដែលបានផ្តល់ឱ្យ xជាកម្មសិទ្ធិរបស់ ខ្ញុំ- ថ្នាក់។

វាអាចត្រូវបានបង្ហាញថាប្រូបាប៊ីលីតេនៃការចាត់ថ្នាក់មិនត្រឹមត្រូវឈានដល់អប្បបរមាប្រសិនបើ ឃ(x)=ខ្ញុំប្រសិនបើ ហើយប្រសិនបើ ទំ(x|ខ្ញុំ)· ទំ(ខ្ញុំ)>ទំ(x|j)· ទំ(j), សម្រាប់​ទាំងអស់ ខ្ញុំ+j, កន្លែងណា ទំ(x|i) - ដង់ស៊ីតេនៃការចែកចាយរូបភាព ខ្ញុំថ្នាក់​ទី​នៅ​ក្នុង​ចន្លោះ​លក្ខណៈ​ពិសេស​។

យោងតាមច្បាប់ខាងលើចំណុច xជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលត្រូវគ្នានឹងតម្លៃអតិបរមា ទំ(ខ្ញុំ) ទំ(x|i), i.e. ផលិតផលនៃប្រូបាប៊ីលីតេអាទិភាព (ប្រេកង់) នៃរូបរាងនៃរូបភាព ខ្ញុំ- ថ្នាក់ និងដង់ស៊ីតេចែកចាយគំរូ ខ្ញុំថ្នាក់​ទី​នៅ​ក្នុង​ចន្លោះ​លក្ខណៈ​ពិសេស​។ ច្បាប់ចំណាត់ថ្នាក់ដែលបានបង្ហាញត្រូវបានគេហៅថា Bayesian ពីព្រោះ វាធ្វើតាមរូបមន្ត Bayes ដ៏ល្បីល្បាញនៅក្នុងទ្រឹស្តីប្រូបាប៊ីលីតេ។

ឧទាហរណ៍។ អនុញ្ញាតឱ្យវាចាំបាច់ដើម្បីទទួលស្គាល់សញ្ញាដាច់ពីគ្នានៅឯលទ្ធផលនៃឆានែលព័ត៌មានដែលរងផលប៉ះពាល់ដោយសំលេងរំខាន។

សញ្ញាបញ្ចូលនីមួយៗគឺ 0 ឬ 1។ ជាលទ្ធផលនៃការបញ្ជូនសញ្ញា លទ្ធផលនៃឆានែលបង្ហាញតម្លៃ xដែលត្រូវបានបញ្ចូលដោយសំលេងរំខាន Gaussian ជាមួយនឹងសូន្យមធ្យម និងបំរែបំរួល ខ។

សម្រាប់ការសំយោគនៃអ្នកចាត់ថ្នាក់ដែលអនុវត្តការទទួលស្គាល់សញ្ញា យើងនឹងប្រើច្បាប់ចំណាត់ថ្នាក់ Bayesian ។

នៅក្នុងថ្នាក់ទី 1 យើងរួមបញ្ចូលគ្នានូវសញ្ញាតំណាងឱ្យឯកតានៅក្នុងថ្នាក់លេខ 2 - សញ្ញាតំណាងឱ្យសូន្យ។ អនុញ្ញាតឱ្យវាដឹងជាមុនថាជាមធ្យម ក្នុងចំណោមសញ្ញា 1000 កសញ្ញាគឺជាឯកតានិង ខសញ្ញា - សូន្យ។ បន្ទាប់មកតម្លៃនៃប្រូបាប៊ីលីតេអាទិភាពនៃរូបរាងនៃសញ្ញានៃថ្នាក់ទី 1 និងទី 2 (មួយនិងសូន្យ) រៀងគ្នាអាចត្រូវបានគេយកស្មើនឹង

p(1)=a/1000, p(2)=b/1000។

ដោយសារតែ សំលេងរំខានគឺ Gaussian, i.e. គោរពច្បាប់ចែកចាយធម្មតា (Gaussian) បន្ទាប់មកដង់ស៊ីតេនៃការចែកចាយរូបភាពនៃថ្នាក់ទីមួយ អាស្រ័យលើតម្លៃ xឬ ដែលដូចគ្នា ប្រូបាប៊ីលីតេនៃការទទួលបានតម្លៃលទ្ធផល xនៅពេលដែលសញ្ញា 1 ត្រូវបានអនុវត្តនៅធាតុបញ្ចូល វាត្រូវបានកំណត់ដោយកន្សោម

ទំ(x¦1) =(2pib) -1/2 exp(-( x-1) 2 /(2b 2)),

និងដង់ស៊ីតេចែកចាយអាស្រ័យលើតម្លៃ xរូបភាពនៃថ្នាក់ទីពីរ, i.e. ប្រូបាប៊ីលីតេនៃការទទួលបានតម្លៃលទ្ធផល xនៅពេលដែលសញ្ញា 0 ត្រូវបានអនុវត្តនៅការបញ្ចូលវាត្រូវបានកំណត់ដោយកន្សោម

ទំ(x¦2)= (2pib) -1/2 exp(- x 2/(2b 2)),

ការអនុវត្តច្បាប់នៃការសម្រេចចិត្តរបស់ Bayesian នាំឱ្យមានការសន្និដ្ឋានថាសញ្ញាថ្នាក់ 2 ត្រូវបានបញ្ជូនពោលគឺឧ។ ឆ្លងកាត់សូន្យប្រសិនបើ

ទំ(2) ទំ(x¦២) > ទំ(1) ទំ(x¦1)

ឬជាពិសេសជាងនេះទៅទៀតប្រសិនបើ

ខ exp(- x 2/(2b 2)) > ក exp(-( x-1) 2 /(2b 2)),

ការបែងចែកផ្នែកខាងឆ្វេងនៃវិសមភាពដោយផ្នែកខាងស្តាំយើងទទួលបាន

(ខ/ក)exp((1-2 x)/(2b 2)) >1,

បន្ទាប់ពីយកលោការីតមក យើងរកឃើញ

1-2x> 2b 2 ln(a/b)

x< 0.5 - б 2 ln(a/b)

វាកើតឡើងពីវិសមភាពលទ្ធផលនោះ។ a=b, i.e. ជាមួយនឹងប្រូបាប៊ីលីតេអាទិភាពដូចគ្នានៃការកើតឡើងនៃសញ្ញា 0 និង 1 រូបភាពត្រូវបានផ្តល់តម្លៃ 0 នៅពេល x<0.5, а значение 1, когда x>0.5.

ប្រសិនបើវាត្រូវបានគេដឹងជាមុនថាសញ្ញាមួយក្នុងចំណោមសញ្ញាលេចឡើងញឹកញាប់ជាងហើយមួយទៀតមិនសូវជាញឹកញាប់ i.e. ក្នុងករណីតម្លៃខុសគ្នា កនិង ខកម្រិតនៃការឆ្លើយតបរបស់អ្នកចាត់ថ្នាក់ត្រូវបានប្តូរទៅម្ខាង ឬម្ខាងទៀត។

ដូច្នេះនៅ ក/ខ=2.71 (ត្រូវគ្នាទៅនឹងការបញ្ជូនញឹកញាប់ជាង 2.71 ដង) និង b 2 = 0.1 រូបភាពត្រូវបានផ្តល់តម្លៃ 0 ប្រសិនបើ x<0.4, и значение 1, если x> 0.4 ។ ប្រសិនបើមិនមានព័ត៌មានអំពីប្រូបាប៊ីលីតេនៃការចែកចាយអាទិភាពទេនោះ វិធីសាស្ត្រនៃការទទួលស្គាល់ស្ថិតិអាចត្រូវបានប្រើ ដែលផ្អែកលើច្បាប់ផ្សេងពីចំណាត់ថ្នាក់ Bayesian ។

ទោះជាយ៉ាងណាក៏ដោយនៅក្នុងការអនុវត្ត វិធីសាស្រ្តដែលផ្អែកលើច្បាប់របស់ Bayes គឺជារឿងធម្មតាបំផុតដោយសារតែប្រសិទ្ធភាពកាន់តែច្រើនរបស់វា ហើយដោយសារតែបញ្ហានៃការទទួលស្គាល់គំរូភាគច្រើន វាអាចធ្វើទៅបានដើម្បីកំណត់ប្រូបាប៊ីលីតេអាទិភាពសម្រាប់រូបរាងនៃរូបភាពនៃថ្នាក់នីមួយៗ។

វិធីសាស្រ្តភាសានៃការទទួលស្គាល់លំនាំ។

វិធីសាស្រ្តភាសានៃការទទួលស្គាល់លំនាំគឺផ្អែកលើការវិភាគលើការពិពណ៌នានៃរូបភាពដែលមានឧត្តមគតិ តំណាងជាក្រាហ្វ ឬខ្សែអក្សរនៃនិមិត្តសញ្ញា ដែលជាឃ្លា ឬប្រយោគនៃភាសាជាក់លាក់មួយ។

ពិចារណាអំពីរូបភាពនៃអក្សរដែលមានឧត្តមគតិដែលទទួលបានជាលទ្ធផលនៃដំណាក់កាលដំបូងនៃការទទួលស្គាល់ភាសាដែលបានពិពណ៌នាខាងលើ។ រូបភាពដែលមានឧត្តមគតិទាំងនេះអាចត្រូវបានកំណត់ដោយការពិពណ៌នានៃក្រាហ្វ តំណាងឧទាហរណ៍ក្នុងទម្រង់ម៉ាទ្រីសនៃការតភ្ជាប់ ដូចដែលបានធ្វើនៅក្នុងឧទាហរណ៍ខាងលើ។ ការពិពណ៌នាដូចគ្នាអាចត្រូវបានតំណាងដោយឃ្លាភាសាផ្លូវការ (កន្សោម) ។

ឧទាហរណ៍។ អនុញ្ញាតឱ្យមានរូបភាពបីនៃអក្សរ A ដែលទទួលបានជាលទ្ធផលនៃការដំណើរការរូបភាពបឋម។ ចូរ​កំណត់​រូបភាព​ទាំងនេះ​ដោយ​មាន​សញ្ញាសម្គាល់ A1, A2 និង A3។

សម្រាប់ការពិពណ៌នាភាសានៃរូបភាពដែលបានបង្ហាញ យើងប្រើ PDL (ភាសាពិពណ៌នារូបភាព)។ វចនានុក្រមភាសា PDL រួមបញ្ចូលនិមិត្តសញ្ញាដូចខាងក្រោមៈ

1. ឈ្មោះរូបភាពសាមញ្ញបំផុត (បុព្វកាល)។ ដូចដែលបានអនុវត្តចំពោះករណីដែលកំពុងពិចារណា បុព្វបទ និងឈ្មោះដែលត្រូវគ្នាមានដូចខាងក្រោម។

រូបភាពក្នុងទម្រង់ជាបន្ទាត់ដឹកនាំ៖

ឡើងលើ និងឆ្វេង (លេ ច t) ទៅខាងជើង (ខាងជើង)) ឡើងលើនិងខាងស្តាំ (ខាងស្តាំ) ទៅខាងកើត (ខាងកើត)) ។

ឈ្មោះ៖ L, N, R, E.

2. និមិត្តសញ្ញានៃប្រតិបត្តិការប្រព័ន្ធគោលពីរ។ (+,*,-) អត្ថន័យរបស់ពួកគេត្រូវគ្នាទៅនឹងការតភ្ជាប់បន្តបន្ទាប់នៃបុព្វកាល (+) ការភ្ជាប់នៃការចាប់ផ្តើម និងការបញ្ចប់នៃបុព្វកាល (*) ការភ្ជាប់នៃតែការបញ្ចប់នៃបុព្វកាល (-)។

3. តង្កៀបខាងស្តាំនិងខាងឆ្វេង។ ((,)) វង់ក្រចកអនុញ្ញាតឱ្យអ្នកបញ្ជាក់លំដាប់ដែលប្រតិបត្តិការត្រូវអនុវត្តក្នុងកន្សោមមួយ។

រូបភាពដែលបានពិចារណា A1, A2 និង A3 ត្រូវបានពិពណ៌នាជាភាសា PDL រៀងគ្នាដោយកន្សោមខាងក្រោម។

T(1)=R+((R-(L+N))*E-L

T(2)=(R+N)+((N+R)-L)*E-L

T(3)=(N+R)+(R-L)*E-(L+N)

បន្ទាប់ពីការពិពណ៌នាភាសានៃរូបភាពត្រូវបានបង្កើតឡើង ចាំបាច់ត្រូវធ្វើការវិភាគ ដោយប្រើនីតិវិធីទទួលស្គាល់មួយចំនួន ថាតើរូបភាពដែលបានផ្តល់ឱ្យជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលចាប់អារម្មណ៍ចំពោះយើង (ថ្នាក់នៃអក្សរ A) ពោលគឺឧ។ ថាតើរូបភាពនេះមានរចនាសម្ព័ន្ធខ្លះឬអត់។ ដើម្បីធ្វើដូចនេះដំបូងបង្អស់វាចាំបាច់ដើម្បីពិពណ៌នាអំពីថ្នាក់នៃរូបភាពដែលមានរចនាសម្ព័ន្ធគួរឱ្យចាប់អារម្មណ៍ចំពោះយើង។

ជាក់ស្តែងអក្សរ A តែងតែមានធាតុរចនាសម្ព័ន្ធដូចខាងក្រោមៈ "ជើង" ខាងឆ្វេង "ជើង" និងក្បាល។ ចូរដាក់ឈ្មោះធាតុទាំងនេះតាមលំដាប់ STL, STR, TR ។

បន្ទាប់មកនៅក្នុងភាសា PDL និមិត្តសញ្ញាថ្នាក់ A - SIMB A ត្រូវបានពិពណ៌នាដោយកន្សោម

SIMB A = STL + TR - STR

"ជើង" ខាងឆ្វេងនៃ STL គឺតែងតែជាខ្សែសង្វាក់នៃធាតុ R និង N ដែលអាចសរសេរជា

STL ‑> R ¦ N ¦ (STL + R) ¦ (STL + N)

(STL គឺជាតួអក្សរ R ឬ N ឬខ្សែអក្សរដែលទទួលបានដោយការបន្ថែមតួអក្សរ R ឬ N ទៅខ្សែអក្សរ STL ប្រភព)

"ជើង" ខាងស្តាំនៃ STR គឺតែងតែជាខ្សែសង្វាក់នៃធាតុ L និង N ដែលអាចត្រូវបានសរសេរដូចខាងក្រោម i.e.

STR --> L¦N¦ (STR + L)¦(STR + N)

ផ្នែកក្បាលនៃអក្សរ - TR គឺជាវណ្ឌវង្កបិទដែលផ្សំឡើងដោយធាតុ E និងច្រវាក់ដូចជា STL និង STR ។

នៅក្នុងភាសា PDL រចនាសម្ព័ន្ធ TR ត្រូវបានពិពណ៌នាដោយកន្សោម

TR --> (STL - STR) * អ៊ី

ជាចុងក្រោយ យើងទទួលបានសេចក្ដីពិពណ៌នាខាងក្រោមនៃថ្នាក់អក្សរ A៖

SIMB A --> (STL + TR - STR),

STL --> R¦N¦ (STL + R)¦(STL + N)

STR --> L¦N¦ (STR + L)¦(STR + N)

TR --> (STL - STR) * អ៊ី

នីតិវិធីនៃការទទួលស្គាល់ក្នុងករណីនេះអាចត្រូវបានអនុវត្តដូចខាងក្រោម។

1. កន្សោមដែលត្រូវនឹងរូបភាពត្រូវបានប្រៀបធៀបជាមួយរចនាសម្ព័ន្ធយោង STL + TR - STR ។

2. ធាតុនីមួយៗនៃរចនាសម្ព័ន្ធ STL, TR, STR ប្រសិនបើអាចធ្វើទៅបាន i.e. ប្រសិន​បើ​ការ​ពិពណ៌នា​នៃ​រូបភាព​គឺ​អាច​ប្រៀប​ធៀប​បាន​ជាមួយ​នឹង​ស្តង់ដារ នោះ​កន្សោម​រង​ខ្លះ​ពី​កន្សោម T(A) ត្រូវ​បាន​ផ្គូផ្គង។ ឧទាហរណ៍,

សម្រាប់ A1៖ STL=R, STR=L, TR=(R-(L+N))*E

សម្រាប់ A2: STL = R + N, STR = L, TR = ((N + R) - L) * E

សម្រាប់ A3: STL = N + R, STR = L + N, TR = (R - L) * E 3 ។

កន្សោម STL, STR, TR ត្រូវបានប្រៀបធៀបជាមួយនឹងរចនាសម្ព័ន្ធយោងដែលត្រូវគ្នា។

4. ប្រសិនបើរចនាសម្ព័ន្ធនៃកន្សោម STL, STR, TR នីមួយៗត្រូវគ្នានឹងសេចក្តីយោងមួយ វាត្រូវបានសន្និដ្ឋានថារូបភាពជាកម្មសិទ្ធិរបស់ថ្នាក់អក្សរ A. ប្រសិនបើនៅដំណាក់កាលណាមួយនៃដំណាក់កាលទី 2, 3, 4 មានភាពមិនស្របគ្នារវាងរចនាសម្ព័ន្ធនៃអក្សរ A ។ កន្សោមដែលបានវិភាគ និងឯកសារយោងត្រូវបានរកឃើញ វាត្រូវបានសន្និដ្ឋានថារូបភាពមិនមែនជារបស់ SIMB class A. ការផ្គូផ្គងរចនាសម្ព័ន្ធកន្សោមអាចត្រូវបានធ្វើដោយប្រើភាសាក្បួនដោះស្រាយ LISP, PLANER, PROLOG និងភាសាសិប្បនិម្មិតស្រដៀងគ្នាផ្សេងទៀត។

នៅក្នុងឧទាហរណ៍ដែលកំពុងពិចារណា ខ្សែអក្សរ STL ទាំងអស់ត្រូវបានបង្កើតឡើងដោយតួអក្សរ N និង R ហើយខ្សែអក្សរ STR ត្រូវបានបង្កើតឡើងដោយតួអក្សរ L និង N ដែលត្រូវនឹងរចនាសម្ព័ន្ធដែលបានផ្តល់ឱ្យនៃខ្សែទាំងនេះ។ រចនាសម្ព័ន្ធ TR នៅក្នុងរូបភាពដែលបានពិចារណាក៏ត្រូវគ្នាទៅនឹងឯកសារយោងផងដែរ ចាប់តាំងពី មាន "ភាពខុសគ្នា" នៃខ្សែប្រភេទ STL, STR, "គុណ" ដោយនិមិត្តសញ្ញា E.

ដូច្នេះហើយ យើងឈានដល់ការសន្និដ្ឋានថារូបភាពដែលបានពិចារណាជាកម្មសិទ្ធិរបស់ថ្នាក់ ស៊ីមប៊ីក.

ការសំយោគឧបករណ៍បញ្ជាដ្រាយអគ្គិសនី DC ដែលមិនច្បាស់នៅក្នុងបរិយាកាស "MatLab"

ការសំយោគឧបករណ៍បញ្ជា fuzzy ជាមួយនឹងការបញ្ចូលនិងទិន្នផលមួយ។

បញ្ហា​គឺ​ការ​ទទួល​បាន​ដ្រាយ​ដើម្បី​ធ្វើ​តាម​ការ​បញ្ចូល​ផ្សេងៗ​យ៉ាង​ត្រឹមត្រូវ។ ការអភិវឌ្ឍន៍នៃសកម្មភាពត្រួតពិនិត្យត្រូវបានអនុវត្តដោយឧបករណ៍បញ្ជា fuzzy ដែលក្នុងនោះប្លុកមុខងារខាងក្រោមអាចត្រូវបានសម្គាល់តាមរចនាសម្ព័ន្ធ: fuzzifier, rule block និង defuzzifier ។

Fig.4 ដ្យាក្រាមមុខងារទូទៅនៃប្រព័ន្ធដែលមានអថេរភាសាពីរ។

Fig.5 ដ្យាក្រាមគំនូសតាងនៃឧបករណ៍បញ្ជា fuzzy ដែលមានអថេរភាសាពីរ។

ក្បួនដោះស្រាយការត្រួតពិនិត្យ fuzzy ក្នុងករណីទូទៅគឺជាការបំប្លែងអថេរបញ្ចូលរបស់ឧបករណ៍បញ្ជា fuzzy ទៅជាអថេរលទ្ធផលរបស់វាដោយប្រើនីតិវិធីទាក់ទងគ្នាដូចខាងក្រោមៈ

1. ការបំប្លែងអថេររូបវន្តធាតុចូលដែលទទួលបានពីការវាស់វែងឧបករណ៍ចាប់សញ្ញាពីវត្ថុបញ្ជាទៅជាអថេរភាសាបញ្ចូលរបស់ឧបករណ៍បញ្ជា fuzzy;

ដំណើរការនៃសេចក្តីថ្លែងការណ៍តក្កវិជ្ជា ហៅថាក្បួនភាសា ទាក់ទងនឹងការបញ្ចូល និងទិន្នផលអថេរភាសារបស់ឧបករណ៍បញ្ជា។

3. ការបំប្លែងអថេរភាសាលទ្ធផលរបស់ឧបករណ៍បញ្ជា fuzzy ទៅជាអថេរគ្រប់គ្រងរូបវន្ត។

ចូរយើងពិចារណាជាដំបូងករណីសាមញ្ញបំផុត នៅពេលដែលមានតែអថេរភាសាពីរប៉ុណ្ណោះដែលត្រូវបានណែនាំដើម្បីគ្រប់គ្រង servo drive៖

"មុំ" - ​​អថេរបញ្ចូល;

"សកម្មភាពត្រួតពិនិត្យ" - អថេរលទ្ធផល។

យើងនឹងសំយោគឧបករណ៍បញ្ជានៅក្នុងបរិស្ថាន MatLab ដោយប្រើប្រអប់ឧបករណ៍ Fuzzy Logic ។ វាអនុញ្ញាតឱ្យអ្នកបង្កើតការសន្និដ្ឋានមិនច្បាស់ និងប្រព័ន្ធចំណាត់ថ្នាក់មិនច្បាស់នៅក្នុងបរិស្ថាន MatLab ជាមួយនឹងលទ្ធភាពនៃការរួមបញ្ចូលពួកវាទៅក្នុង Simulink ។ គោលគំនិតជាមូលដ្ឋាននៃប្រអប់ឧបករណ៍ Fuzzy Logic គឺ FIS-structure - Fuzzy Inference System។ រចនាសម្ព័ន្ធ FIS មានទិន្នន័យចាំបាច់ទាំងអស់សម្រាប់ការអនុវត្តការគូសផែនទីមុខងារ "ធាតុចូល-លទ្ធផល" ដោយផ្អែកលើការសន្និដ្ឋានឡូជីខលមិនច្បាស់យោងទៅតាមគ្រោងការណ៍ដែលបានបង្ហាញក្នុងរូបភព។ ៦.

រូបភាពទី 6. ការសន្និដ្ឋានមិនច្បាស់។

X - បញ្ចូលវ៉ិចទ័រច្បាស់; - វ៉ិចទ័រនៃសំណុំ fuzzy ដែលត្រូវគ្នាទៅនឹងវ៉ិចទ័របញ្ចូល X;
- លទ្ធផលនៃការសន្និដ្ឋានឡូជីខលក្នុងទម្រង់ជាវ៉ិចទ័រនៃសំណុំស្រពិចស្រពិល; Y - លទ្ធផលវ៉ិចទ័រច្បាស់។

ម៉ូឌុល fuzzy អនុញ្ញាតឱ្យអ្នកបង្កើតប្រព័ន្ធ fuzzy ពីរប្រភេទ - Mamdani និង Sugeno ។ នៅក្នុងប្រព័ន្ធប្រភេទ Mamdani មូលដ្ឋានចំណេះដឹងមានច្បាប់នៃទម្រង់ "ប្រសិនបើ x 1 = ទាប និង x 2 = មធ្យម នោះ y = ខ្ពស់". នៅក្នុងប្រព័ន្ធប្រភេទ Sugeno មូលដ្ឋានចំណេះដឹងមានច្បាប់នៃទម្រង់ "ប្រសិនបើ x 1 = ទាប និង x 2 = មធ្យម នោះ y = a 0 +a 1 x 1 +a 2 x 2 ". ដូច្នេះ ភាពខុសគ្នាសំខាន់រវាងប្រព័ន្ធ Mamdani និង Sugeno ស្ថិតនៅក្នុងវិធីផ្សេងគ្នានៃការកំណត់តម្លៃនៃអថេរលទ្ធផលនៅក្នុងច្បាប់ដែលបង្កើតជាមូលដ្ឋានចំណេះដឹង។ នៅក្នុងប្រព័ន្ធប្រភេទ Mamdani តម្លៃនៃអថេរលទ្ធផលត្រូវបានផ្តល់ដោយពាក្យស្រពិចស្រពិល នៅក្នុងប្រព័ន្ធប្រភេទ Sugeno - ជាការរួមបញ្ចូលគ្នាលីនេអ៊ែរនៃអថេរបញ្ចូល។ ក្នុងករណីរបស់យើងយើងនឹងប្រើប្រព័ន្ធ Sugeno ពីព្រោះ វាផ្តល់ប្រាក់កម្ចីដោយខ្លួនវាល្អប្រសើរជាងមុនក្នុងការបង្កើនប្រសិទ្ធភាព។

ដើម្បីគ្រប់គ្រង servo drive អថេរភាសាពីរត្រូវបានណែនាំ: "error" (តាមទីតាំង) និង "control action" ។ ទីមួយនៃពួកគេគឺជាធាតុបញ្ចូលទីពីរគឺជាទិន្នផល។ ចូរកំណត់ពាក្យកំណត់សម្រាប់អថេរដែលបានបញ្ជាក់។

សមាសធាតុសំខាន់នៃការសន្និដ្ឋានមិនច្បាស់។ ឧបករណ៍បំភាន់។

សម្រាប់អថេរភាសានីមួយៗ យើងកំណត់សំណុំពាក្យជាមូលដ្ឋាននៃទម្រង់ ដែលរួមមានសំណុំ fuzzy ដែលអាចត្រូវបានកំណត់៖ អវិជ្ជមានខ្ពស់ អវិជ្ជមានទាប សូន្យ ទាបវិជ្ជមាន ខ្ពស់វិជ្ជមាន។

ជាដំបូង ចូរយើងកំណត់ប្រធានបទដោយអត្ថន័យនៃពាក្យ "កំហុសធំ" "កំហុសតូច" ជាដើម ដោយកំណត់មុខងារសមាជិកភាពសម្រាប់សំណុំ fuzzy ដែលត្រូវគ្នា។ នៅទីនេះ សម្រាប់ពេលនេះ មនុស្សម្នាក់អាចត្រូវបានដឹកនាំដោយភាពត្រឹមត្រូវដែលត្រូវការ ប៉ារ៉ាម៉ែត្រដែលគេស្គាល់សម្រាប់ថ្នាក់នៃសញ្ញាបញ្ចូល និងសុភវិនិច្ឆ័យ។ រហូតមកដល់ពេលនេះ គ្មាននរណាម្នាក់អាចផ្តល់នូវក្បួនដោះស្រាយរឹងណាមួយសម្រាប់ការជ្រើសរើសប៉ារ៉ាម៉ែត្រនៃមុខងារសមាជិកភាពនោះទេ។ ក្នុងករណីរបស់យើង "កំហុស" អថេរភាសានឹងមើលទៅដូចនេះ។

រូប ៧. អថេរភាសាវិទ្យា "កំហុស" ។

វាងាយស្រួលជាងក្នុងការតំណាងឱ្យអថេរភាសា "ការគ្រប់គ្រង" ក្នុងទម្រង់ជាតារាង៖

តារាងទី 1

ប្លុកច្បាប់.

ពិចារណាពីលំដាប់នៃការកំណត់ច្បាប់មួយចំនួនដែលពិពណ៌នាអំពីស្ថានភាពមួយចំនួន៖

ឧបមាថា មុំទិន្នផលគឺស្មើនឹងសញ្ញាបញ្ចូល (ឧ. កំហុសគឺសូន្យ)។ ជាក់ស្តែងនេះគឺជាស្ថានភាពដែលចង់បានហើយដូច្នេះយើងមិនចាំបាច់ធ្វើអ្វីទេ (សកម្មភាពត្រួតពិនិត្យគឺសូន្យ) ។

ឥឡូវពិចារណាករណីមួយទៀត៖ កំហុសទីតាំងគឺធំជាងសូន្យ។ តាមធម្មជាតិ យើងត្រូវតែទូទាត់សងសម្រាប់វាដោយបង្កើតសញ្ញាត្រួតពិនិត្យវិជ្ជមានដ៏ធំមួយ។

នោះ។ ច្បាប់ចំនួនពីរត្រូវបានគូរឡើង ដែលអាចកំណត់ជាផ្លូវការដូចខាងក្រោម៖

ប្រសិនបើ error = null, នោះ។សកម្មភាពត្រួតពិនិត្យ = សូន្យ។

ប្រសិនបើកំហុស = វិជ្ជមានធំ, នោះ។សកម្មភាពត្រួតពិនិត្យ = វិជ្ជមានធំ។

រូប ៨. ការបង្កើតការគ្រប់គ្រងដោយមានកំហុសវិជ្ជមានតូចមួយនៅក្នុងទីតាំង។

រូបភព ៩. ការបង្កើតការគ្រប់គ្រងនៅកំហុសសូន្យតាមទីតាំង។

តារាងខាងក្រោមបង្ហាញពីច្បាប់ទាំងអស់ដែលត្រូវគ្នានឹងស្ថានភាពទាំងអស់សម្រាប់ករណីដ៏សាមញ្ញនេះ។

តារាង 2

សរុបមក សម្រាប់ឧបករណ៍បញ្ជា fuzzy ជាមួយ n inputs និង 1 output ច្បាប់គ្រប់គ្រងអាចត្រូវបានកំណត់ តើចំនួន fuzzy sets សម្រាប់ i-th input នៅឯណា ប៉ុន្តែសម្រាប់ដំណើរការធម្មតារបស់ controller វាមិនចាំបាច់ប្រើទាំងអស់ដែលអាចធ្វើទៅបានទេ។ ច្បាប់ ប៉ុន្តែអ្នកអាចទទួលបានដោយចំនួនតិចនៃពួកគេ។ ក្នុងករណីរបស់យើង ច្បាប់ដែលអាចមានទាំង 5 ត្រូវបានប្រើដើម្បីបង្កើតជាសញ្ញាត្រួតពិនិត្យមិនច្បាស់។

ឧបករណ៍បំលែងសំឡេង។

ដូច្នេះផលប៉ះពាល់ជាលទ្ធផល U នឹងត្រូវបានកំណត់យោងទៅតាមការអនុវត្តច្បាប់ណាមួយ។ ប្រសិនបើស្ថានភាពកើតឡើងនៅពេលដែលច្បាប់ជាច្រើនត្រូវបានប្រតិបត្តិក្នុងពេលតែមួយ នោះសកម្មភាពលទ្ធផល U ត្រូវបានរកឃើញដោយយោងទៅតាមការពឹងផ្អែកដូចខាងក្រោមៈ

ដែលជាកន្លែងដែល n គឺជាចំនួននៃច្បាប់ដែលបានកេះ (ការបន្លំដោយវិធីសាស្ត្រកណ្តាលតំបន់) u nគឺជាតម្លៃរូបវន្តនៃសញ្ញាបញ្ជាដែលត្រូវគ្នានឹងសំណុំ fuzzy នីមួយៗ UBO, UMo, យូZ, UMp, UBទំ. មUn(u)គឺជាកម្រិតនៃភាពជាកម្មសិទ្ធិរបស់សញ្ញាបញ្ជា u ទៅនឹងសំណុំ fuzzy ដែលត្រូវគ្នា Un=( UBO, UMo, យូZ, UMp, UBទំ) វាក៏មានវិធីសាស្រ្តផ្សេងទៀតនៃការ defuzzification នៅពេលដែលអថេរភាសាលទ្ធផលគឺសមាមាត្រទៅនឹងច្បាប់ "ខ្លាំង" ឬ "ខ្សោយ" ខ្លួនឯង។

ចូរយើងក្លែងធ្វើដំណើរការនៃការគ្រប់គ្រងដ្រាយអគ្គីសនីដោយប្រើឧបករណ៍បញ្ជា fuzzy ដែលបានពិពណ៌នាខាងលើ។

Fig.10 ។ ប្លុកដ្យាក្រាមនៃប្រព័ន្ធនៅក្នុងបរិស្ថានmatlab.

Fig.11 ។ ដ្យាក្រាមរចនាសម្ព័នរបស់ឧបករណ៍បញ្ជាមិនច្បាស់នៅក្នុងបរិស្ថានmatlab.

Fig.12 ។ ដំណើរការបណ្តោះអាសន្ននៅផលប៉ះពាល់មួយជំហាន។

អង្ករ។ 13. ដំណើរការបណ្តោះអាសន្នក្រោមការបញ្ចូលអាម៉ូនិកសម្រាប់គំរូមួយដែលមានឧបករណ៍បញ្ជា fuzzy ដែលមានអថេរភាសាបញ្ចូលមួយ។

ការវិភាគអំពីលក្ខណៈនៃដ្រាយជាមួយនឹងក្បួនដោះស្រាយការត្រួតពិនិត្យសំយោគបង្ហាញថាពួកគេនៅឆ្ងាយពីការល្អប្រសើរបំផុត និងអាក្រក់ជាងនៅក្នុងករណីនៃការសំយោគការគ្រប់គ្រងដោយវិធីសាស្រ្តផ្សេងទៀត (ពេលវេលាគ្រប់គ្រងច្រើនពេកជាមួយនឹងឥទ្ធិពលមួយជំហាន និងកំហុសជាមួយនឹងអាម៉ូនិកមួយ) . នេះត្រូវបានពន្យល់ដោយការពិតដែលថាប៉ារ៉ាម៉ែត្រនៃមុខងារសមាជិកភាពត្រូវបានជ្រើសរើសតាមអំពើចិត្ត ហើយមានតែទំហំនៃកំហុសទីតាំងប៉ុណ្ណោះដែលត្រូវបានប្រើជាការបញ្ចូលឧបករណ៍បញ្ជា។ តាមធម្មជាតិ មិនអាចមានការនិយាយអំពីភាពល្អប្រសើរណាមួយនៃឧបករណ៍បញ្ជាដែលទទួលបាននោះទេ។ ដូច្នេះ ភារកិច្ចនៃការបង្កើនប្រសិទ្ធភាពឧបករណ៍បញ្ជា fuzzy ក្លាយជាពាក់ព័ន្ធដើម្បីសម្រេចបាននូវសូចនាករខ្ពស់បំផុតដែលអាចធ្វើបាននៃគុណភាពត្រួតពិនិត្យ។ ទាំងនោះ។ ភារកិច្ចគឺដើម្បីបង្កើនប្រសិទ្ធភាពមុខងារគោលបំណង f (a 1 ,a 2 …a n) ដែល 1 ,a 2 …a n គឺជាមេគុណដែលកំណត់ប្រភេទ និងលក្ខណៈរបស់ឧបករណ៍បញ្ជា fuzzy ។ ដើម្បីបង្កើនប្រសិទ្ធភាពឧបករណ៍បញ្ជា fuzzy យើងប្រើប្លុក ANFIS ពីបរិស្ថាន Matlab ។ ដូចគ្នានេះផងដែរ វិធីមួយដើម្បីកែលម្អលក្ខណៈរបស់ឧបករណ៍បញ្ជាអាចជាការបង្កើនចំនួនធាតុចូលរបស់វា។ នេះនឹងធ្វើឱ្យនិយតករកាន់តែមានភាពបត់បែន និងកែលម្អដំណើរការរបស់វា។ ចូរបន្ថែមអថេរភាសាបញ្ចូលមួយបន្ថែមទៀត - អត្រានៃការផ្លាស់ប្តូរនៃសញ្ញាបញ្ចូល (ដេរីវេរបស់វា)។ ដូច្នោះហើយចំនួនច្បាប់ក៏នឹងកើនឡើងផងដែរ។ បន្ទាប់មកដ្យាក្រាមសៀគ្វីរបស់និយតករនឹងមានទម្រង់៖

Fig.14 ដ្យាក្រាមគំនូសតាងនៃឧបករណ៍បញ្ជា fuzzy ដែលមានអថេរភាសាចំនួនបី។

ចូរឱ្យតម្លៃនៃល្បឿននៃសញ្ញាបញ្ចូល។ សំណុំពាក្យមូលដ្ឋាន Tn ត្រូវបានកំណត់ជា៖

Тn = ("អវិជ្ជមាន (VO)", "សូន្យ (Z)", "វិជ្ជមាន (VR)") ។

ទីតាំងនៃមុខងារសមាជិកភាពសម្រាប់អថេរភាសាទាំងអស់ត្រូវបានបង្ហាញក្នុងរូប។

Fig.15 ។ មុខងារសមាជិកភាពនៃអថេរភាសា "កំហុស" ។

Fig.16 ។ មុខងារសមាជិកភាពនៃអថេរភាសា "ល្បឿនសញ្ញាបញ្ចូល".

ដោយសារតែការបន្ថែមអថេរភាសាមួយបន្ថែមទៀត ចំនួននៃច្បាប់នឹងកើនឡើងដល់ 3x5=15។ គោលការណ៍នៃការចងក្រងរបស់ពួកគេគឺស្រដៀងគ្នាទាំងស្រុងទៅនឹងអ្វីដែលបានពិភាក្សាខាងលើ។ ពួកវាទាំងអស់ត្រូវបានបង្ហាញក្នុងតារាងខាងក្រោម៖

តារាងទី 3

សញ្ញាមិនច្បាស់ ការគ្រប់គ្រង		កំហុសទីតាំង
ល្បឿន

ឧទាហរណ៍ប្រសិនបើ ប្រសិនបើកំហុស = សូន្យ និងសញ្ញាបញ្ចូល ដេរីវេ = វិជ្ជមានធំ, នោះ។សកម្មភាពត្រួតពិនិត្យ = អវិជ្ជមានតូច។

Fig.17 ។ ការបង្កើតការគ្រប់គ្រងក្រោមអថេរភាសាចំនួនបី។

ដោយសារតែការកើនឡើងនៃចំនួនធាតុចូល ហើយយោងទៅតាមច្បាប់ខ្លួនឯង រចនាសម្ព័ន្ធរបស់ឧបករណ៍បញ្ជា fuzzy ក៏នឹងកាន់តែស្មុគស្មាញផងដែរ។

រូប ១៨. ដ្យាក្រាមរចនាសម្ព័នរបស់ឧបករណ៍បញ្ជា fuzzy ជាមួយនឹងការបញ្ចូលពីរ។

បន្ថែមគំនូរ

Fig.20 ។ ដំណើរការបណ្តោះអាសន្នក្រោមការបញ្ចូលអាម៉ូនិកសម្រាប់គំរូមួយដែលមានឧបករណ៍បញ្ជា fuzzy ដែលមានអថេរភាសាបញ្ចូលពីរ។

អង្ករ។ 21. សញ្ញាកំហុសនៅក្រោមការបញ្ចូលអាម៉ូនិកសម្រាប់ម៉ូដែលមួយដែលមានឧបករណ៍បញ្ជា fuzzy ដែលមានអថេរភាសាបញ្ចូលពីរ។

តោះក្លែងធ្វើប្រតិបត្តិការរបស់ឧបករណ៍បញ្ជា fuzzy ជាមួយនឹងការបញ្ចូលពីរនៅក្នុងបរិស្ថាន Matlab ។ ដ្យាក្រាមប្លុកនៃគំរូនឹងដូចគ្នាបេះបិទដូចក្នុងរូប។ 19. ពីក្រាហ្វនៃដំណើរការបណ្តោះអាសន្នសម្រាប់ការបញ្ចូលអាម៉ូនិក វាអាចត្រូវបានគេមើលឃើញថាភាពត្រឹមត្រូវនៃប្រព័ន្ធបានកើនឡើងយ៉ាងខ្លាំង ប៉ុន្តែនៅពេលជាមួយគ្នានោះលំយោលរបស់វាបានកើនឡើង ជាពិសេសនៅកន្លែងដែលដេរីវេនៃកូអរដោណេទិន្នផលមានទំនោរទៅ សូន្យ។ វាច្បាស់ណាស់ថាហេតុផលសម្រាប់បញ្ហានេះ ដូចដែលបានរៀបរាប់ខាងលើគឺជាជម្រើសដែលមិនសមស្របបំផុតនៃប៉ារ៉ាម៉ែត្រនៃមុខងារសមាជិកភាព ទាំងសម្រាប់អថេរភាសាបញ្ចូល និងទិន្នផល។ ដូច្នេះហើយ យើងបង្កើនប្រសិទ្ធភាពឧបករណ៍បញ្ជាមិនច្បាស់ដោយប្រើប្លុក ANFISedit នៅក្នុងបរិស្ថាន Matlab ។

ការបង្កើនប្រសិទ្ធភាពឧបករណ៍បញ្ជាមិនច្បាស់។

ពិចារណាលើការប្រើប្រាស់ក្បួនដោះស្រាយហ្សែនសម្រាប់ការបង្កើនប្រសិទ្ធភាពឧបករណ៍បញ្ជា fuzzy ។ ក្បួនដោះស្រាយហ្សែនគឺជាវិធីសាស្រ្តស្វែងរកការសម្របខ្លួនដែលត្រូវបានប្រើជាញឹកញាប់ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះដើម្បីដោះស្រាយបញ្ហាបង្កើនប្រសិទ្ធភាពមុខងារ។ ពួកវាផ្អែកលើភាពស្រដៀងគ្នាទៅនឹងដំណើរការហ្សែននៃសារពាង្គកាយជីវសាស្ត្រ៖ ប្រជាជនជីវសាស្រ្តមានការរីកចម្រើនជាច្រើនជំនាន់ ដោយគោរពច្បាប់នៃការជ្រើសរើសធម្មជាតិ និងយោងទៅតាមគោលការណ៍នៃ "ការរស់រានមានជីវិតដែលសមបំផុត" ត្រូវបានរកឃើញដោយ Charles Darwin ។ តាមរយៈការធ្វើត្រាប់តាមដំណើរការនេះ ក្បួនដោះស្រាយហ្សែនអាច "វិវត្ត" ដំណោះស្រាយចំពោះបញ្ហាក្នុងពិភពពិត ប្រសិនបើពួកគេត្រូវបានសរសេរកូដត្រឹមត្រូវ។

ក្បួនដោះស្រាយហ្សែនដំណើរការជាមួយសំណុំនៃ "បុគ្គល" - ចំនួនប្រជាជនដែលនីមួយៗតំណាងឱ្យដំណោះស្រាយដែលអាចកើតមានចំពោះបញ្ហាដែលបានផ្តល់ឱ្យ។ បុគ្គលម្នាក់ៗត្រូវបានវាយតម្លៃដោយរង្វាស់នៃ "កាយសម្បទា" របស់វា យោងទៅតាមរបៀប "ល្អ" នៃដំណោះស្រាយនៃបញ្ហាដែលត្រូវនឹងវា។ បុគ្គលដែលស័ក្តិសមបំផុតអាច "បន្តពូជ" កូនចៅដោយ "ការបង្កាត់ពូជ" ជាមួយបុគ្គលផ្សេងទៀតនៅក្នុងចំនួនប្រជាជន។ នេះនាំឱ្យមានការលេចឡើងនៃបុគ្គលថ្មីដែលរួមបញ្ចូលគ្នានូវលក្ខណៈមួយចំនួនដែលបានទទួលមរតកពីឪពុកម្តាយរបស់ពួកគេ។ បុគ្គលដែលសមតិចបំផុត ទំនងជាមិនសូវបង្កើតឡើងវិញទេ ដូច្នេះលក្ខណៈដែលពួកគេមាននឹងបាត់បន្តិចម្តងៗពីចំនួនប្រជាជន។

នេះជារបៀបដែលប្រជាជនថ្មីទាំងមូលនៃដំណោះស្រាយដែលអាចធ្វើទៅបានត្រូវបានបង្កើតឡើងវិញ ដោយជ្រើសរើសអ្នកតំណាងដ៏ល្អបំផុតនៃជំនាន់មុន ឆ្លងកាត់ពួកគេ និងទទួលបានបុគ្គលថ្មីៗជាច្រើន។ ជំនាន់ថ្មីនេះមានសមាមាត្រខ្ពស់ជាងនៃលក្ខណៈដែលសមាជិកល្អនៃជំនាន់មុនមាន។ ដូច្នេះពីមួយជំនាន់ទៅមួយជំនាន់ លក្ខណៈល្អត្រូវបានចែកចាយពាសពេញប្រជាជន។ នៅទីបំផុត ប្រជាជននឹងឈានដល់ដំណោះស្រាយដ៏ប្រសើរបំផុតចំពោះបញ្ហា។

មានវិធីជាច្រើនដើម្បីអនុវត្តគំនិតនៃការវិវត្តន៍ជីវសាស្រ្តក្នុងក្របខ័ណ្ឌនៃក្បួនដោះស្រាយហ្សែន។ ប្រពៃណី អាចត្រូវបានតំណាងក្នុងទម្រង់នៃដ្យាក្រាមប្លុកខាងក្រោមដែលបង្ហាញក្នុងរូបភាពទី 22 ដែល៖

1. ការចាប់ផ្តើមនៃចំនួនប្រជាជនដំបូង - ការបង្កើតចំនួននៃដំណោះស្រាយចំពោះបញ្ហាដែលដំណើរការបង្កើនប្រសិទ្ធភាពចាប់ផ្តើម។

2. ការអនុវត្តនៃប្រតិបត្តិករឆ្លងកាត់ និងការផ្លាស់ប្តូរ;

3. លក្ខខណ្ឌបញ្ឈប់ - ជាធម្មតា ដំណើរការបង្កើនប្រសិទ្ធភាពត្រូវបានបន្តរហូតដល់ដំណោះស្រាយចំពោះបញ្ហាជាមួយនឹងភាពត្រឹមត្រូវដែលបានផ្តល់ឱ្យត្រូវបានរកឃើញ ឬរហូតដល់វាត្រូវបានបង្ហាញថាដំណើរការបានបង្រួបបង្រួមគ្នា (ឧ. មិនមានភាពប្រសើរឡើងក្នុងដំណោះស្រាយនៃបញ្ហាក្នុងរយៈពេលចុងក្រោយនេះ។ N ជំនាន់) ។

នៅក្នុងបរិស្ថាន Matlab ក្បួនដោះស្រាយហ្សែនត្រូវបានតំណាងដោយប្រអប់ឧបករណ៍ដាច់ដោយឡែក ក៏ដូចជាដោយកញ្ចប់ ANFIS ។ ANFIS គឺជាអក្សរកាត់សម្រាប់ Adaptive-Network-Based Fuzzy Inference System - Adaptive Fuzzy Inference Network។ ANFIS គឺជាវ៉ារ្យ៉ង់ទីមួយនៃបណ្តាញសរសៃប្រសាទកូនកាត់ - បណ្តាញសរសៃប្រសាទនៃប្រភេទពិសេសនៃការផ្សព្វផ្សាយសញ្ញាផ្ទាល់។ ស្ថាបត្យកម្មនៃបណ្តាញ neuro-fuzzy គឺ isomorphic ទៅមូលដ្ឋានចំណេះដឹងមិនច្បាស់។ ការអនុវត្តខុសគ្នានៃបទដ្ឋានត្រីកោណ (គុណ និងប្រូបាប៊ីលីក OR) ក៏ដូចជាមុខងារសមាជិកភាពរលូនត្រូវបានប្រើនៅក្នុងបណ្តាញសរសៃប្រសាទ។ នេះធ្វើឱ្យវាអាចប្រើក្បួនដោះស្រាយហ្សែនបានលឿន និងរហ័សសម្រាប់ការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទដោយផ្អែកលើវិធីសាស្ត្រនៃការបន្តពូជពង្សដើម្បីសម្រួលបណ្តាញសរសៃប្រសាទ។ ស្ថាបត្យកម្ម និងច្បាប់សម្រាប់ប្រតិបត្តិការនៃស្រទាប់នីមួយៗនៃបណ្តាញ ANFIS ត្រូវបានពិពណ៌នាខាងក្រោម។

ANFIS អនុវត្តប្រព័ន្ធការសន្និដ្ឋានមិនច្បាស់របស់ Sugeno ជាបណ្តាញសរសៃប្រសាទដែលបញ្ជូនបន្ត 5 ស្រទាប់។ គោលបំណងនៃស្រទាប់មានដូចខាងក្រោម: ស្រទាប់ទីមួយគឺជាលក្ខខណ្ឌនៃអថេរបញ្ចូល; ស្រទាប់ទីពីរ - បុព្វកាល (ក្បាលដី) នៃច្បាប់មិនច្បាស់; ស្រទាប់ទីបីគឺជាការធ្វើឱ្យធម្មតានៃកម្រិតនៃការបំពេញនៃច្បាប់; ស្រទាប់ទីបួនគឺជាការសន្និដ្ឋាននៃច្បាប់; ស្រទាប់ទីប្រាំគឺជាការប្រមូលផ្តុំនៃលទ្ធផលដែលទទួលបានដោយយោងទៅតាមច្បាប់ផ្សេងៗគ្នា។

ការបញ្ចូលបណ្តាញមិនត្រូវបានបែងចែកទៅជាស្រទាប់ដាច់ដោយឡែកទេ។ រូបភាពទី 23 បង្ហាញបណ្តាញ ANFIS ដែលមានអថេរបញ្ចូលមួយ ("កំហុស") និងក្បួនមិនច្បាស់ប្រាំ។ សម្រាប់ការវាយតម្លៃភាសានៃអថេរបញ្ចូល "កំហុស" ពាក្យ 5 ត្រូវបានប្រើ។

Fig.23 ។ រចនាសម្ព័ន្ធANFIS- បណ្តាញ។

ចូរយើងណែនាំសញ្ញាណខាងក្រោម ដែលចាំបាច់សម្រាប់ការបង្ហាញបន្ថែម៖

អនុញ្ញាតឱ្យក្លាយជាធាតុចូលនៃបណ្តាញ;

y - លទ្ធផលបណ្តាញ;

ក្បួនស្រពិចស្រពិលជាមួយលេខលំដាប់ r;

m - ចំនួននៃច្បាប់;

ពាក្យស្រពិចស្រពិលជាមួយមុខងារសមាជិកភាព ប្រើសម្រាប់ការវាយតម្លៃភាសានៃអថេរក្នុងក្បួន r-th (,);

ចំនួនពិតនៅក្នុងការសន្និដ្ឋាននៃច្បាប់ rth (,) ។

ANFIS-network មានមុខងារដូចខាងក្រោម។

ស្រទាប់ 1ថ្នាំងនីមួយៗនៃស្រទាប់ទីមួយតំណាងឱ្យពាក្យមួយជាមួយនឹងមុខងារសមាជិកភាពរាងកណ្តឹង។ ធាតុបញ្ចូលនៃបណ្តាញត្រូវបានភ្ជាប់តែទៅនឹងលក្ខខណ្ឌរបស់វាប៉ុណ្ណោះ។ ចំនួនថ្នាំងនៅក្នុងស្រទាប់ទីមួយគឺស្មើនឹងផលបូកនៃ cardinalities នៃសំណុំពាក្យនៃអថេរបញ្ចូល។ លទ្ធផល​នៃ​ថ្នាំង​គឺ​ជា​កម្រិត​នៃ​តម្លៃ​នៃ​អថេរ​បញ្ចូល​ទៅ​នឹង​ពាក្យ​ស្រពិចស្រពិល​ដែល​ត្រូវ​គ្នា៖

,

ដែល a, b, និង c គឺជាប៉ារ៉ាម៉ែត្រកំណត់រចនាសម្ព័ន្ធមុខងារសមាជិកភាព។

ស្រទាប់ 2ចំនួនថ្នាំងនៅក្នុងស្រទាប់ទីពីរគឺ m ។ ថ្នាំងនីមួយៗនៃស្រទាប់នេះត្រូវគ្នាទៅនឹងច្បាប់ស្រពិចស្រពិលមួយ។ ថ្នាំងនៃស្រទាប់ទីពីរត្រូវបានភ្ជាប់ទៅថ្នាំងទាំងនោះនៃស្រទាប់ទីមួយដែលបង្កើតជាបុព្វបទនៃច្បាប់ដែលត្រូវគ្នា។ ដូច្នេះថ្នាំងនីមួយៗនៃស្រទាប់ទីពីរអាចទទួលសញ្ញាបញ្ចូលពី 1 ដល់ n ។ លទ្ធផលនៃថ្នាំងគឺជាកម្រិតនៃការប្រតិបត្តិនៃច្បាប់ដែលត្រូវបានគណនាជាផលិតផលនៃសញ្ញាបញ្ចូល។ សម្គាល់លទ្ធផលនៃថ្នាំងនៃស្រទាប់នេះដោយ , .

ស្រទាប់ទី 3ចំនួនថ្នាំងនៅក្នុងស្រទាប់ទីបីគឺ m ផងដែរ។ ថ្នាំងនីមួយៗនៃស្រទាប់នេះគណនាកម្រិតដែលទាក់ទងនៃការបំពេញច្បាប់មិនច្បាស់៖

ស្រទាប់ទី 4ចំនួនថ្នាំងនៅក្នុងស្រទាប់ទី 4 ក៏មាន m ។ ថ្នាំងនីមួយៗត្រូវបានភ្ជាប់ទៅថ្នាំងមួយនៃស្រទាប់ទីបី ក៏ដូចជាការបញ្ចូលទាំងអស់នៃបណ្តាញ (ការតភ្ជាប់ទៅនឹងធាតុបញ្ចូលមិនត្រូវបានបង្ហាញក្នុងរូបភាពទី 18)។ ថ្នាំងនៃស្រទាប់ទី 4 គណនាការរួមចំណែកនៃក្បួនមិនច្បាស់មួយចំពោះលទ្ធផលបណ្តាញ៖

ស្រទាប់ 5ថ្នាំងតែមួយនៃស្រទាប់នេះសង្ខេបការរួមចំណែកនៃច្បាប់ទាំងអស់៖

.

នីតិវិធីបណ្តុះបណ្តាបណ្តាញសរសៃប្រសាទធម្មតាអាចត្រូវបានអនុវត្តដើម្បីសម្រួលបណ្តាញ ANFIS ព្រោះវាប្រើតែមុខងារផ្សេងគ្នាប៉ុណ្ណោះ។ ជាធម្មតា ការរួមបញ្ចូលគ្នានៃជម្រាលជម្រាលក្នុងទម្រង់នៃការបន្តពូជ និងការ៉េតិចបំផុតត្រូវបានប្រើ។ ក្បួនដោះស្រាយ backpropagation កែតម្រូវប៉ារ៉ាម៉ែត្រនៃ rule antecedents i.e. មុខងារសមាជិកភាព។ មេគុណការសន្និដ្ឋាននៃច្បាប់ត្រូវបានប៉ាន់ប្រមាណដោយវិធីសាស្ត្រការេតិចបំផុត ព្រោះវាជាប់ទាក់ទងនឹងលទ្ធផលបណ្តាញ។ ការ​ធ្វើ​ឡើង​វិញ​ម្តងៗ​នៃ​ដំណើរ​ការ​សម្រួល​ត្រូវ​បាន​អនុវត្ត​ជា​ពីរ​ជំហាន។ នៅដំណាក់កាលដំបូង គំរូបណ្តុះបណ្តាលមួយត្រូវបានផ្តល់អាហារដល់ធាតុបញ្ចូល ហើយប៉ារ៉ាម៉ែត្រដ៏ល្អប្រសើរនៃថ្នាំងនៃស្រទាប់ទី 4 ត្រូវបានរកឃើញពីភាពមិនស្របគ្នារវាងឥរិយាបថដែលចង់បាន និងជាក់ស្តែងនៃបណ្តាញដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុតដដែលៗ។ នៅដំណាក់កាលទីពីរ ភាពខុសគ្នានៃសំណល់ត្រូវបានផ្ទេរពីទិន្នផលបណ្តាញទៅកាន់ធាតុបញ្ចូល ហើយប៉ារ៉ាម៉ែត្រនៃថ្នាំងនៃស្រទាប់ទីមួយត្រូវបានកែប្រែដោយវិធីសាស្ត្រ backpropagation កំហុស។ ទន្ទឹមនឹងនេះមេគុណសេចក្តីសន្និដ្ឋាននៃច្បាប់ដែលបានរកឃើញនៅដំណាក់កាលដំបូងមិនផ្លាស់ប្តូរទេ។ នីតិវិធីកែតម្រូវឡើងវិញបន្តរហូតដល់សំណល់លើសពីតម្លៃដែលបានកំណត់ទុកជាមុន។ ដើម្បីសម្រួលមុខងារសមាជិកភាព បន្ថែមពីលើវិធីសាស្ត្របង្កើតកំហុស ក្បួនដោះស្រាយបង្កើនប្រសិទ្ធភាពផ្សេងទៀតអាចត្រូវបានប្រើ ឧទាហរណ៍ វិធីសាស្ត្រ Levenberg-Marquardt ។

Fig.24 ។ ANFIS កែសម្រួលកន្លែងធ្វើការ។

ឥឡូវ​នេះ​សូម​ឱ្យ​យើង​ព្យាយាម​បង្កើន​ប្រសិទ្ធភាព​ឧបករណ៍​បញ្ជា​មិន​ច្បាស់​សម្រាប់​សកម្មភាព​មួយ​ជំហាន។ ដំណើរការបណ្តោះអាសន្នដែលចង់បានគឺប្រហែលដូចខាងក្រោម៖

Fig.25 ។ ដំណើរការផ្លាស់ប្តូរដែលចង់បាន។

ពីក្រាហ្វដែលបង្ហាញក្នុងរូប។ វាធ្វើតាមដែលថាភាគច្រើននៃពេលវេលាម៉ាស៊ីនគួរតែដំណើរការដោយថាមពលពេញលេញដើម្បីធានាបាននូវល្បឿនអតិបរមា ហើយនៅពេលជិតដល់តម្លៃដែលចង់បាន វាគួរតែបន្ថយល្បឿនដោយរលូន។ ដោយបានដឹកនាំដោយការពិចារណាដ៏សាមញ្ញទាំងនេះ យើងនឹងយកគំរូនៃតម្លៃខាងក្រោមជាការបណ្តុះបណ្តាលមួយដែលបង្ហាញខាងក្រោមក្នុងទម្រង់ជាតារាង៖

តារាងទី 4

តម្លៃកំហុស	តម្លៃគ្រប់គ្រង
តម្លៃកំហុស	តម្លៃគ្រប់គ្រង
តម្លៃកំហុស	តម្លៃគ្រប់គ្រង

Fig.26 ។ ប្រភេទនៃសំណុំបណ្តុះបណ្តាល។

ការបណ្តុះបណ្តាលនឹងត្រូវបានអនុវត្តនៅ 100 ជំហាន។ នេះគឺច្រើនជាងគ្រប់គ្រាន់សម្រាប់ការបញ្ចូលគ្នានៃវិធីសាស្រ្តដែលបានប្រើ។

Fig.27 ។ ដំណើរការនៃការរៀនបណ្តាញសរសៃប្រសាទ។

នៅក្នុងដំណើរការសិក្សា ប៉ារ៉ាម៉ែត្រនៃមុខងារសមាជិកភាពត្រូវបានបង្កើតឡើងតាមរបៀបដែលជាមួយនឹងតម្លៃកំហុសដែលបានផ្តល់ឱ្យ ឧបករណ៍បញ្ជាបង្កើតការត្រួតពិនិត្យចាំបាច់។ នៅក្នុងផ្នែករវាងចំនុច nodal ភាពអាស្រ័យនៃការគ្រប់គ្រងលើកំហុសគឺជា interpolation នៃទិន្នន័យតារាង។ វិធីសាស្រ្ត interpolation អាស្រ័យលើរបៀបដែលបណ្តាញសរសៃប្រសាទត្រូវបានបណ្តុះបណ្តាល។ ជាការពិត បន្ទាប់ពីការបណ្តុះបណ្តាល គំរូឧបករណ៍បញ្ជា fuzzy អាចត្រូវបានតំណាងថាជាមុខងារមិនមែនលីនេអ៊ែរនៃអថេរមួយ ក្រាហ្វដែលត្រូវបានបង្ហាញខាងក្រោម។

Fig.28 ។ គ្រោងនៃការពឹងផ្អែកនៃការគ្រប់គ្រងពីកំហុសទៅទីតាំងខាងក្នុងនិយតករ។

ដោយបានរក្សាទុកប៉ារ៉ាម៉ែត្រដែលបានរកឃើញនៃមុខងារសមាជិកភាព យើងក្លែងធ្វើប្រព័ន្ធជាមួយនឹងឧបករណ៍បញ្ជា fuzzy ដែលបានធ្វើឱ្យប្រសើរ។

អង្ករ។ 29. ដំណើរការបណ្ដោះអាសន្នក្រោមការបញ្ចូលអាម៉ូនិកសម្រាប់គំរូមួយដែលមានឧបករណ៍បញ្ជា fuzzy ដែលត្រូវបានធ្វើឱ្យប្រសើរដែលមានអថេរភាសាបញ្ចូលមួយ។

Fig.30 ។ សញ្ញាកំហុសនៅក្រោមការបញ្ចូលអាម៉ូនិកសម្រាប់ម៉ូដែលដែលមានឧបករណ៍បញ្ជា fuzzy ដែលមានអថេរភាសាបញ្ចូលពីរ។

វាធ្វើតាមពីក្រាហ្វដែលការបង្កើនប្រសិទ្ធភាពនៃឧបករណ៍បញ្ជា fuzzy ដោយការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទបានជោគជ័យ។ ការថយចុះគួរឱ្យកត់សម្គាល់នៃភាពប្រែប្រួលនិងទំហំនៃកំហុស។ ដូច្នេះ ការប្រើប្រាស់បណ្តាញប្រសាទគឺសមហេតុផលណាស់សម្រាប់ការបង្កើនប្រសិទ្ធភាពឧបករណ៍បញ្ជា គោលការណ៍ដែលផ្អែកលើតក្កវិជ្ជាមិនច្បាស់។ ទោះបីជាយ៉ាងណាក៏ដោយ សូម្បីតែឧបករណ៍បញ្ជាដែលបង្កើនប្រសិទ្ធភាពមិនអាចបំពេញតម្រូវការសម្រាប់ភាពត្រឹមត្រូវបាន ដូច្នេះគួរពិចារណាវិធីសាស្ត្រត្រួតពិនិត្យមួយផ្សេងទៀត នៅពេលដែលឧបករណ៍បញ្ជាមិនច្បាស់មិនគ្រប់គ្រងវត្ថុដោយផ្ទាល់ ប៉ុន្តែរួមបញ្ចូលគ្នានូវច្បាប់គ្រប់គ្រងជាច្រើនអាស្រ័យលើស្ថានភាព។

ថ្ងៃអាទិត្យ ទី២៩ ខែមីនា ឆ្នាំ២០១៥

បច្ចុប្បន្ននេះ មានកិច្ចការជាច្រើនដែលតម្រូវឱ្យធ្វើការសម្រេចចិត្តខ្លះ អាស្រ័យលើវត្តមានរបស់វត្ថុក្នុងរូបភាព ឬដើម្បីចាត់ថ្នាក់វា។ សមត្ថភាពក្នុងការ "ទទួលស្គាល់" ត្រូវបានចាត់ទុកថាជាទ្រព្យសម្បត្តិសំខាន់នៃជីវសាស្រ្តខណៈពេលដែលប្រព័ន្ធកុំព្យូទ័រមិនមានកម្មសិទ្ធិពេញលេញនោះទេ។

ពិចារណាធាតុទូទៅនៃគំរូចំណាត់ថ្នាក់។

ថ្នាក់- សំណុំនៃវត្ថុដែលមានលក្ខណៈសម្បត្តិរួម។ សម្រាប់វត្ថុនៃថ្នាក់ដូចគ្នា វត្តមាននៃ "ភាពស្រដៀងគ្នា" ត្រូវបានសន្មត់។ ចំនួន​ថ្នាក់​តាម​ចិត្ត​អាច​ត្រូវ​បាន​កំណត់​សម្រាប់​កិច្ចការ​ទទួល​ស្គាល់​ដែល​ច្រើន​ជាង 1. ចំនួន​ថ្នាក់​ត្រូវ​បាន​តំណាង​ដោយ​លេខ S. ថ្នាក់​នីមួយៗ​មាន​ស្លាក​ថ្នាក់​កំណត់​អត្តសញ្ញាណ​រៀង​ខ្លួន។

ចំណាត់ថ្នាក់- ដំណើរការនៃការផ្តល់ class labels ទៅ objects យោងទៅតាមការពណ៌នាខ្លះនៃ properties នៃ objects ទាំងនេះ។ ឧបករណ៍ចាត់ថ្នាក់គឺជាឧបករណ៍ដែលទទួលសំណុំនៃលក្ខណៈពិសេសរបស់វត្ថុជាការបញ្ចូល និងបង្កើតស្លាកថ្នាក់ជាលទ្ធផល។

ការផ្ទៀងផ្ទាត់- ដំណើរការនៃការផ្គូផ្គងវត្ថុវត្ថុមួយជាមួយនឹងគំរូវត្ថុតែមួយ ឬការពិពណ៌នាថ្នាក់។

នៅក្រោម វិធីយើងនឹងយល់ពីឈ្មោះនៃតំបន់នៅក្នុងលំហនៃគុណលក្ខណៈ ដែលវត្ថុ ឬបាតុភូតជាច្រើននៃពិភពសម្ភារៈត្រូវបានបង្ហាញ។ សញ្ញា- ការពិពណ៌នាបរិមាណនៃទ្រព្យសម្បត្តិជាក់លាក់នៃវត្ថុ ឬបាតុភូតដែលកំពុងសិក្សា។

ចន្លោះលក្ខណៈពិសេសនេះគឺជាទំហំ N-dimensional ដែលបានកំណត់សម្រាប់ភារកិច្ចទទួលស្គាល់ដែលបានផ្តល់ឱ្យ ដែល N គឺជាចំនួនថេរនៃលក្ខណៈវាស់វែងសម្រាប់វត្ថុណាមួយ។ វ៉ិចទ័រ​ពី​ទំហំ​លក្ខណៈ x ដែល​ត្រូវ​នឹង​វត្ថុ​នៃ​បញ្ហា​ការ​ទទួល​ស្គាល់​គឺ​ជា​វ៉ិចទ័រ​វិមាត្រ N ដែល​មាន​សមាសភាគ (x_1,x_2,…,x_N) ដែល​ជា​តម្លៃ​លក្ខណៈ​ពិសេស​សម្រាប់​វត្ថុ​ដែល​បាន​ផ្ដល់។

ម្យ៉ាងវិញទៀត ការទទួលស្គាល់លំនាំអាចត្រូវបានកំណត់ថាជាការចាត់ចែងទិន្នន័យដំបូងទៅថ្នាក់ជាក់លាក់មួយ ដោយទាញយកលក្ខណៈសំខាន់ៗ ឬលក្ខណៈសម្បត្តិដែលកំណត់លក្ខណៈទិន្នន័យនេះពីទំហំទូទៅនៃព័ត៌មានលម្អិតដែលមិនពាក់ព័ន្ធ។

ឧទាហរណ៍នៃបញ្ហាចំណាត់ថ្នាក់គឺ៖

• ការទទួលស្គាល់តួអក្សរ;
• ការទទួលស្គាល់ការនិយាយ;
• បង្កើតការធ្វើរោគវិនិច្ឆ័យវេជ្ជសាស្រ្ត;
• ការព្យាករណ៍​អាកាសធាតុ;
• ការទទួលស្គាល់មុខ
• ការចាត់ថ្នាក់នៃឯកសារជាដើម។

ភាគច្រើនជាញឹកញាប់ សម្ភារៈប្រភពគឺជារូបភាពដែលទទួលបានពីកាមេរ៉ា។ ភារកិច្ចអាចត្រូវបានបង្កើតជាការទទួលបានលក្ខណៈពិសេសវ៉ិចទ័រសម្រាប់ថ្នាក់នីមួយៗនៅក្នុងរូបភាពដែលបានពិចារណា។ ដំណើរការអាចត្រូវបានមើលថាជាដំណើរការសរសេរកូដ ដែលមាននៅក្នុងការកំណត់តម្លៃទៅលក្ខណៈពិសេសនីមួយៗពីទំហំមុខងារសម្រាប់ថ្នាក់នីមួយៗ។

ប្រសិនបើយើងពិចារណា 2 ថ្នាក់នៃវត្ថុ: មនុស្សពេញវ័យនិងកុមារ។ ជាលក្ខណៈពិសេស អ្នកអាចជ្រើសរើសកម្ពស់ និងទម្ងន់បាន។ ដូចរូបខាងក្រោម ថ្នាក់ទាំងពីរនេះបង្កើតជាសំណុំមិនប្រសព្វគ្នាពីរ ដែលអាចត្រូវបានពន្យល់ដោយលក្ខណៈពិសេសដែលបានជ្រើសរើស។ ទោះយ៉ាងណាក៏ដោយ វាមិនតែងតែអាចជ្រើសរើសប៉ារ៉ាម៉ែត្រដែលបានវាស់វែងត្រឹមត្រូវជាលក្ខណៈនៃថ្នាក់នោះទេ។ ជាឧទាហរណ៍ ប៉ារ៉ាម៉ែត្រដែលបានជ្រើសរើសមិនស័ក្តិសមសម្រាប់ការបង្កើតថ្នាក់ដែលមិនត្រួតស៊ីគ្នានៃអ្នកលេងបាល់ទាត់ និងអ្នកលេងបាល់បោះនោះទេ។

កិច្ចការទី 2 នៃការទទួលស្គាល់គឺការជ្រើសរើសលក្ខណៈពិសេស ឬលក្ខណៈសម្បត្តិពីរូបភាពដើម។ ភារកិច្ចនេះអាចត្រូវបានកំណត់គុណលក្ខណៈដំណើរការមុន។ ប្រសិនបើយើងពិចារណាលើភារកិច្ចនៃការទទួលស្គាល់ការនិយាយ យើងអាចបែងចែកលក្ខណៈដូចជាស្រៈ និងព្យញ្ជនៈ។ គុណលក្ខណៈត្រូវតែជាលក្ខណៈលក្ខណៈនៃថ្នាក់ជាក់លាក់មួយ ខណៈពេលដែលវាជារឿងធម្មតាសម្រាប់ថ្នាក់នេះ។ សញ្ញាដែលកំណត់លក្ខណៈខុសគ្នារវាង - សញ្ញាអន្តរថ្នាក់។ លក្ខណៈពិសេសទូទៅសម្រាប់ថ្នាក់ទាំងអស់មិនផ្ទុកព័ត៌មានដែលមានប្រយោជន៍ និងមិនត្រូវបានចាត់ទុកថាជាលក្ខណៈពិសេសនៅក្នុងបញ្ហានៃការទទួលស្គាល់នោះទេ។ ជម្រើសនៃលក្ខណៈពិសេសគឺជាកិច្ចការសំខាន់មួយដែលត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការសាងសង់ប្រព័ន្ធទទួលស្គាល់។

បន្ទាប់ពីលក្ខណៈពិសេសត្រូវបានកំណត់វាចាំបាច់ដើម្បីកំណត់នីតិវិធីការសម្រេចចិត្តដ៏ល្អប្រសើរសម្រាប់ការចាត់ថ្នាក់។ ពិចារណាប្រព័ន្ធទទួលស្គាល់លំនាំដែលបានរចនាឡើងដើម្បីទទួលស្គាល់ថ្នាក់ M ផ្សេងៗ តំណាងថា m_1,m_2,…,m 3. បន្ទាប់មកយើងអាចសន្មត់ថាទំហំរូបភាពមានតំបន់ M ដែលនីមួយៗមានចំណុចដែលត្រូវគ្នានឹងរូបភាពពីថ្នាក់មួយ។ បន្ទាប់មកបញ្ហានៃការទទួលស្គាល់អាចត្រូវបានចាត់ទុកថាជាការសាងសង់ព្រំដែនបំបែកថ្នាក់ M ដោយផ្អែកលើវ៉ិចទ័ររង្វាស់ដែលបានទទួលយក។

ការដោះស្រាយបញ្ហានៃការដំណើរការរូបភាពជាមុន ការទាញយកលក្ខណៈពិសេស និងបញ្ហានៃការទទួលបានដំណោះស្រាយ និងការចាត់ថ្នាក់ដ៏ល្អប្រសើរជាធម្មតាត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងតម្រូវការដើម្បីវាយតម្លៃប៉ារ៉ាម៉ែត្រមួយចំនួន។ នេះនាំឱ្យមានបញ្ហានៃការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រ។ លើសពីនេះ វាច្បាស់ណាស់ថាការទាញយកលក្ខណៈពិសេសអាចប្រើព័ត៌មានបន្ថែមដោយផ្អែកលើលក្ខណៈនៃថ្នាក់។

ការប្រៀបធៀបវត្ថុអាចត្រូវបានធ្វើឡើងនៅលើមូលដ្ឋាននៃការតំណាងរបស់ពួកគេនៅក្នុងទម្រង់នៃវ៉ិចទ័ររង្វាស់។ វាងាយស្រួលតំណាងឱ្យទិន្នន័យវាស់វែងជាចំនួនពិត។ បន្ទាប់មកភាពស្រដៀងគ្នានៃវ៉ិចទ័រលក្ខណៈនៃវត្ថុពីរអាចត្រូវបានពិពណ៌នាដោយប្រើចម្ងាយ Euclidean ។

ដែល d គឺជាវិមាត្រនៃវ៉ិចទ័រលក្ខណៈ។

មាន 3 ក្រុមនៃវិធីសាស្រ្តសម្គាល់គំរូ:

• ការប្រៀបធៀបគំរូ. ក្រុមនេះរួមបញ្ចូលការចាត់ថ្នាក់តាមមធ្យោបាយជិតបំផុត ការចាត់ថ្នាក់តាមចម្ងាយទៅអ្នកជិតខាងដែលនៅជិតបំផុត។ វិធីសាស្ត្រទទួលស្គាល់រចនាសម្ព័ន្ធក៏អាចរួមបញ្ចូលក្នុងក្រុមប្រៀបធៀបគំរូផងដែរ។
• វិធីសាស្រ្តស្ថិតិ. ដូចដែលឈ្មោះបង្កប់ន័យ វិធីសាស្ត្រស្ថិតិប្រើព័ត៌មានស្ថិតិមួយចំនួននៅពេលដោះស្រាយបញ្ហាការទទួលស្គាល់។ វិធីសាស្រ្តកំណត់ពីកម្មសិទ្ធិរបស់វត្ថុទៅថ្នាក់ជាក់លាក់មួយដោយផ្អែកលើប្រូបាប៊ីលីតេ។ ក្នុងករណីខ្លះ វាកើតឡើងដើម្បីកំណត់ប្រូបាប៊ីលីតេក្រោយនៃវត្ថុដែលជាកម្មសិទ្ធិរបស់ថ្នាក់ជាក់លាក់មួយ ផ្តល់ថាលក្ខណៈនៃវត្ថុនេះបានយកសមស្រប។ តម្លៃ។ ឧទាហរណ៍មួយគឺវិធីសាស្រ្តនៃការសម្រេចចិត្តរបស់ Bayesian ។
• បណ្តាញសរសៃប្រសាទ. ថ្នាក់ដាច់ដោយឡែកនៃវិធីសាស្រ្តទទួលស្គាល់។ លក្ខណៈពិសេសប្លែកពីអ្នកដទៃគឺសមត្ថភាពក្នុងការរៀន។

ការចាត់ថ្នាក់តាមមធ្យោបាយជិតបំផុត។

នៅក្នុងវិធីសាស្រ្តបុរាណនៃការទទួលស្គាល់លំនាំដែលក្នុងនោះវត្ថុមិនស្គាល់សម្រាប់ការចាត់ថ្នាក់ត្រូវបានតំណាងជាវ៉ិចទ័រនៃលក្ខណៈបឋម។ ប្រព័ន្ធទទួលស្គាល់ផ្អែកលើលក្ខណៈពិសេសអាចត្រូវបានបង្កើតឡើងតាមវិធីផ្សេងៗ។ វ៉ិចទ័រទាំងនេះអាចដឹងដល់ប្រព័ន្ធជាមុន ដែលជាលទ្ធផលនៃការបណ្តុះបណ្តាល ឬព្យាករណ៍ក្នុងពេលវេលាជាក់ស្តែងដោយផ្អែកលើគំរូមួយចំនួន។

ក្បួនដោះស្រាយការចាត់ថ្នាក់សាមញ្ញមានទិន្នន័យយោងថ្នាក់ជាក្រុមដោយប្រើវ៉ិចទ័ររំពឹងថ្នាក់ (មធ្យម)។

ដែល x(i,j) គឺជាលក្ខណៈយោង j-th នៃថ្នាក់ i, n_j គឺជាចំនួនវ៉ិចទ័រយោងនៃថ្នាក់ i ។

បន្ទាប់មក វត្ថុមិនស្គាល់នឹងជាកម្មសិទ្ធិរបស់ថ្នាក់ i ប្រសិនបើវានៅជិតវ៉ិចទ័ររំពឹងទុកនៃថ្នាក់ i ជាងវ៉ិចទ័ររំពឹងទុកនៃថ្នាក់ផ្សេងទៀត។ វិធីសាស្រ្តនេះគឺសមរម្យសម្រាប់បញ្ហាដែលចំនុចនៃថ្នាក់នីមួយៗមានទីតាំងនៅបង្រួម និងឆ្ងាយពីចំនុចនៃថ្នាក់ផ្សេងទៀត។

ការលំបាកនឹងកើតឡើងប្រសិនបើថ្នាក់មានរចនាសម្ព័ន្ធស្មុគស្មាញបន្តិចឧទាហរណ៍ដូចក្នុងរូប។ ក្នុង​ករណី​នេះ ថ្នាក់​ទី 2 ត្រូវ​បាន​បែង​ចែក​ជា​ពីរ​ផ្នែក​ដែល​មិន​ត្រួត​គ្នា ដែល​ត្រូវ​បាន​ពិពណ៌នា​មិន​ល្អ​ដោយ​តម្លៃ​មធ្យម​មួយ​។ ដូចគ្នានេះផងដែរ ថ្នាក់ទី 3 គឺវែងពេក គំរូនៃថ្នាក់ទី 3 ដែលមានតម្លៃធំនៃកូអរដោនេ x_2 គឺនៅជិតតម្លៃមធ្យមនៃថ្នាក់ទី 1 ជាងថ្នាក់ទី 3 ។

បញ្ហាដែលបានពិពណ៌នានៅក្នុងករណីខ្លះអាចត្រូវបានដោះស្រាយដោយការផ្លាស់ប្តូរការគណនាចម្ងាយ។

យើងនឹងពិចារណាពីលក្ខណៈនៃ "ការខ្ចាត់ខ្ចាយ" នៃតម្លៃថ្នាក់ - σ_i តាមទិសដៅកូអរដោនេនីមួយៗ i ។ គម្លាតស្តង់ដារគឺស្មើនឹងឫសការ៉េនៃវ៉ារ្យង់។ ចម្ងាយ Euclidean ដែលបានធ្វើមាត្រដ្ឋានរវាងវ៉ិចទ័រ x និងវ៉ិចទ័ររំពឹងទុក x_c គឺ

រូបមន្តចម្ងាយនេះនឹងកាត់បន្ថយចំនួនកំហុសក្នុងចំណាត់ថ្នាក់ ប៉ុន្តែតាមពិត បញ្ហាភាគច្រើនមិនអាចតំណាងដោយថ្នាក់សាមញ្ញបែបនេះទេ។

ការចាត់ថ្នាក់តាមចម្ងាយទៅអ្នកជិតខាងដែលនៅជិតបំផុត។

វិធីសាស្រ្តមួយទៀតក្នុងការចាត់ថ្នាក់គឺត្រូវកំណត់វ៉ិចទ័រ x ដែលមិនស្គាល់ទៅថ្នាក់ដែលវ៉ិចទ័រនេះនៅជិតបំផុតទៅនឹងគំរូដាច់ដោយឡែក។ ច្បាប់នេះត្រូវបានគេហៅថាច្បាប់អ្នកជិតខាងដែលនៅជិតបំផុត។ ការចាត់ថ្នាក់អ្នកជិតខាងដែលនៅជិតបំផុតអាចមានប្រសិទ្ធភាពជាង សូម្បីតែនៅពេលដែលថ្នាក់ស្មុគស្មាញ ឬនៅពេលដែលថ្នាក់ជាន់គ្នាក៏ដោយ។

វិធីសាស្រ្តនេះមិនតម្រូវឱ្យមានការសន្មត់អំពីគំរូចែកចាយនៃវ៉ិចទ័រលក្ខណៈនៅក្នុងលំហទេ។ ក្បួនដោះស្រាយប្រើតែព័ត៌មានអំពីគំរូឯកសារយោងដែលគេស្គាល់ប៉ុណ្ណោះ។ វិធីសាស្រ្តដំណោះស្រាយគឺផ្អែកលើការគណនាចម្ងាយ x ទៅនឹងគំរូនីមួយៗនៅក្នុងមូលដ្ឋានទិន្នន័យ និងស្វែងរកចម្ងាយអប្បបរមា។ អត្ថប្រយោជន៍នៃវិធីសាស្រ្តនេះគឺជាក់ស្តែង:

• នៅពេលណាមួយ អ្នកអាចបន្ថែមគំរូថ្មីទៅក្នុងមូលដ្ឋានទិន្នន័យ។
• រចនាសម្ព័ន្ធទិន្នន័យដើមឈើ និងក្រឡាចត្រង្គកាត់បន្ថយចំនួនចម្ងាយដែលបានគណនា។

លើសពីនេះ ដំណោះស្រាយនឹងកាន់តែប្រសើរ ប្រសិនបើអ្នករកមើលនៅក្នុងមូលដ្ឋានទិន្នន័យ មិនមែនសម្រាប់អ្នកជិតខាងដែលនៅជិតបំផុតនោះទេ ប៉ុន្តែសម្រាប់ k ។ បន្ទាប់មក សម្រាប់ k > 1 វាផ្តល់នូវគំរូដ៏ល្អបំផុតនៃការចែកចាយវ៉ិចទ័រនៅក្នុងលំហ d-dimensional ។ ទោះជាយ៉ាងណាក៏ដោយការប្រើប្រាស់ប្រកបដោយប្រសិទ្ធភាពនៃតម្លៃ k អាស្រ័យលើថាតើមានគ្រប់គ្រាន់នៅក្នុងតំបន់នីមួយៗនៃលំហ។ ប្រសិនបើមានច្រើនជាងពីរថ្នាក់ នោះវាពិបាកជាងក្នុងការសម្រេចចិត្តត្រឹមត្រូវ។

អក្សរសាស្ត្រ

• M. Castrillon, ។ O. Deniz, . D. Hernández និង J. Lorenzo, “ការប្រៀបធៀបនៃឧបករណ៍ចាប់សញ្ញាមុខ និងផ្ទៃមុខដោយផ្អែកលើក្របខ័ណ្ឌការរកឃើញវត្ថុទូទៅ Viola-Jones” International Journal of Computer Vision, លេខ 22, ទំព័រ។ ៤៨១-៤៩៤ ឆ្នាំ ២០១១។
• Y.-Q. Wang, "ការវិភាគនៃក្បួនដោះស្រាយ Viola-Jones Face Detection Algorithm," IPOL Journal, 2013 ។
• L. Shapiro និង D. Stockman, ចក្ខុវិស័យកុំព្យូទ័រ, Binom ។ មន្ទីរពិសោធន៍ចំណេះដឹង ឆ្នាំ ២០០៦។
• Z. N. G. វិធីសាស្រ្តទទួលស្គាល់ និងកម្មវិធីរបស់ពួកគេ វិទ្យុសូវៀត ឆ្នាំ ១៩៧២។
• J. Tu, R. Gonzalez, Mathematical Principles of Pattern Recognition, Moscow: “Mir” Moscow, 1974 ។
• Khan, H. Abdullah និង M. Shamian Bin Zainal, "ក្បួនដោះស្រាយការរកឃើញភ្នែក និងមាត់ប្រកបដោយប្រសិទ្ធភាព ដោយប្រើការរួមបញ្ចូលគ្នានៃ viola jones និងការរកឃើញភីកសែលពណ៌ស្បែក" International Journal of Engineering and Applied Sciences, no. Vol. លេខ 3 លេខ 4 ឆ្នាំ 2013 ។
• V. Gaede និង O. Gunther, "Multidimensional Access Methods," ACM Computing Surveys, pp. 170-231, 1998 ។

ទិដ្ឋភាពទូទៅនៃវិធីសាស្ត្រសម្គាល់លំនាំដែលមានស្រាប់

L.P. Popova , និងអំពី។ ដាទីវ

សមត្ថភាពក្នុងការ "ទទួលស្គាល់" ត្រូវបានចាត់ទុកថាជាទ្រព្យសម្បត្តិសំខាន់របស់មនុស្សដូចជាការពិតនៃសារពាង្គកាយមានជីវិតផ្សេងទៀត។ Pattern recognition គឺជាផ្នែកមួយនៃ cybernetics ដែលបង្កើតគោលការណ៍ និងវិធីសាស្រ្តសម្រាប់ចាត់ថ្នាក់ និងកំណត់អត្តសញ្ញាណវត្ថុ បាតុភូត ដំណើរការ សញ្ញា ស្ថានភាព - វត្ថុទាំងអស់ដែលអាចត្រូវបានពិពណ៌នាដោយសំណុំជាក់លាក់នៃលក្ខណៈពិសេស ឬលក្ខណៈសម្បត្តិមួយចំនួនដែលកំណត់លក្ខណៈរបស់វត្ថុមួយ។

រូបភាពគឺជាការពិពណ៌នាអំពីវត្ថុមួយ។ រូបភាពមានលក្ខណៈលក្ខណៈដែលបង្ហាញឱ្យឃើញដោយខ្លួនវាផ្ទាល់នៅក្នុងការពិតដែលថាការស្គាល់គ្នាជាមួយនឹងចំនួនកំណត់នៃបាតុភូតពីសំណុំដូចគ្នាធ្វើឱ្យវាអាចទទួលស្គាល់ចំនួនច្រើនតាមអំពើចិត្តនៃអ្នកតំណាងរបស់វា។

មានទិសដៅសំខាន់ពីរនៅក្នុងទ្រឹស្តីនៃការទទួលស្គាល់គំរូ៖

ការសិក្សាអំពីអំណាចនៃការទទួលស្គាល់ដែលមានដោយមនុស្ស និងសារពាង្គកាយមានជីវិតផ្សេងទៀត;

ការអភិវឌ្ឍនៃទ្រឹស្តី និងវិធីសាស្រ្តសម្រាប់ការសាងសង់ឧបករណ៍ដែលបានរចនាឡើងដើម្បីដោះស្រាយបញ្ហាបុគ្គលនៃការទទួលស្គាល់គំរូនៅក្នុងតំបន់កម្មវិធីមួយចំនួន។

លើសពីនេះ អត្ថបទពិពណ៌នាអំពីបញ្ហា គោលការណ៍ និងវិធីសាស្រ្តក្នុងការអនុវត្តប្រព័ន្ធទទួលស្គាល់គំរូទាក់ទងនឹងការអភិវឌ្ឍន៍ទិសដៅទីពីរ។ ផ្នែកទីពីរនៃអត្ថបទពិភាក្សាអំពីវិធីសាស្រ្តបណ្តាញសរសៃប្រសាទនៃការទទួលស្គាល់លំនាំ ដែលអាចត្រូវបានកំណត់គុណលក្ខណៈទិសដៅដំបូងនៃទ្រឹស្តីនៃការទទួលស្គាល់គំរូ។

បញ្ហានៃការកសាងប្រព័ន្ធទទួលស្គាល់រូបភាព

ភារកិច្ចដែលកើតឡើងក្នុងការសាងសង់ប្រព័ន្ធទទួលស្គាល់លំនាំស្វ័យប្រវត្តិជាធម្មតាអាចត្រូវបានចាត់ថ្នាក់ទៅជាផ្នែកសំខាន់ៗមួយចំនួន។ ទីមួយ​នៃ​ពួក​គេ​គឺ​ទាក់ទង​នឹង​ការ​បង្ហាញ​ទិន្នន័យ​ដំបូង​ដែល​ទទួល​បាន​ជា​លទ្ធផល​នៃ​ការ​វាស់វែង​សម្រាប់​វត្ថុ​ត្រូវ​បាន​ទទួល​ស្គាល់​នេះ បញ្ហារសើប. តម្លៃ​ដែល​បាន​វាស់​នីមួយៗ​គឺ​ជា "លក្ខណៈ​នៃ​រូបភាព ឬ​វត្ថុ​មួយ​ចំនួន។ ឧទាហរណ៍ ឧបមាថា​រូបភាព​ជា​អក្សរ​លេខ។ ក្នុង​ករណី​នេះ រីទីណា​វាស់​ស្រដៀង​នឹង​រូបភាព​ដែល​បង្ហាញ​ក្នុង​រូប 1(a) អាច​ត្រូវ​បាន​ប្រើ​ដោយ​ជោគជ័យ។ នៅក្នុងឧបករណ៍ចាប់សញ្ញា។ ប្រសិនបើរីទីណាមានធាតុ n នោះលទ្ធផលរង្វាស់អាចត្រូវបានតំណាងជាវ៉ិចទ័ររង្វាស់ ឬវ៉ិចទ័ររូបភាព។ ,

ដែលធាតុនីមួយៗ xi យក ឧទាហរណ៍ តម្លៃ 1 ប្រសិនបើរូបភាពនៃនិមិត្តសញ្ញាឆ្លងកាត់កោសិកា i-th នៃរីទីណា ហើយតម្លៃ 0 បើមិនដូច្នេះទេ។

ពិចារណារូបភព។ ២(ខ)។ ក្នុងករណីនេះរូបភាពគឺជាមុខងារបន្ត (នៃប្រភេទនៃសញ្ញាសំឡេង) នៃអថេរ t ។ ប្រសិនបើតម្លៃមុខងារត្រូវបានវាស់នៅចំណុចដាច់ពីគ្នា t1,t2, ...,tn នោះវ៉ិចទ័ររូបភាពអាចត្រូវបានបង្កើតឡើងដោយយក x1= f(t1),x2=f(t2),... , xn= f(tn)

រូបភាពទី 1. ការវាស់ស្ទង់រីទីណា

បញ្ហាទី 2 នៃការទទួលស្គាល់លំនាំគឺទាក់ទងទៅនឹងការជ្រើសរើសលក្ខណៈ ឬលក្ខណៈសម្បត្តិពីទិន្នន័យដំបូងដែលទទួលបាន និងការកាត់បន្ថយវិមាត្រនៃវ៉ិចទ័រគំរូ។ បញ្ហានេះជារឿយៗត្រូវបានកំណត់ថាជាបញ្ហា ដំណើរការមុន និងការជ្រើសរើសមុខងារ.

លក្ខណៈនៃថ្នាក់នៃរូបភាពគឺជាលក្ខណៈលក្ខណៈទូទៅចំពោះរូបភាពទាំងអស់នៃថ្នាក់ដែលបានផ្តល់ឱ្យ។ លក្ខណៈពិសេសដែលកំណត់លក្ខណៈខុសគ្នារវាងថ្នាក់នីមួយៗអាចត្រូវបានបកស្រាយថាជាលក្ខណៈពិសេសអន្តរថ្នាក់។ លក្ខណៈពិសេស Intraclass ដែលជារឿងធម្មតាសម្រាប់ថ្នាក់ទាំងអស់ដែលកំពុងពិចារណាមិនយកព័ត៌មានដែលមានប្រយោជន៍ពីទស្សនៈនៃការទទួលស្គាល់ ហើយប្រហែលជាមិនត្រូវបានយកមកពិចារណាទេ។ ជម្រើសនៃលក្ខណៈពិសេសត្រូវបានចាត់ទុកថាជាកិច្ចការសំខាន់មួយដែលត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការសាងសង់ប្រព័ន្ធទទួលស្គាល់។ ប្រសិនបើលទ្ធផលនៃការវាស់វែងធ្វើឱ្យវាអាចទទួលបានសំណុំពេញលេញនៃលក្ខណៈសម្គាល់សម្រាប់ថ្នាក់ទាំងអស់នោះ ការទទួលស្គាល់ពិតប្រាកដ និងការចាត់ថ្នាក់នៃគំរូនឹងមិនបង្កឱ្យមានការលំបាកពិសេសណាមួយឡើយ។ បន្ទាប់មកការទទួលស្គាល់ដោយស្វ័យប្រវត្តិនឹងត្រូវបានកាត់បន្ថយទៅជាដំណើរការផ្គូផ្គងធម្មតា ឬនីតិវិធីដូចជាការរកមើលតារាង។ ទោះជាយ៉ាងណាក៏ដោយ នៅក្នុងបញ្ហានៃការទទួលស្គាល់ជាក់ស្តែងភាគច្រើន ការកំណត់សំណុំពេញលេញនៃលក្ខណៈសម្គាល់គឺពិបាកខ្លាំងណាស់ ប្រសិនបើមិនអាចទៅរួច។ ពីទិន្នន័យដើម ជាធម្មតាវាអាចធ្វើទៅបានដើម្បីស្រង់ចេញនូវលក្ខណៈពិសេសប្លែកមួយចំនួន ហើយប្រើពួកវាដើម្បីសម្រួលដល់ដំណើរការនៃការទទួលស្គាល់លំនាំដោយស្វ័យប្រវត្តិ។ ជាពិសេស វិមាត្រនៃវ៉ិចទ័ររង្វាស់អាចត្រូវបានកាត់បន្ថយដោយប្រើការផ្លាស់ប្តូរដែលកាត់បន្ថយការបាត់បង់ព័ត៌មាន។

បញ្ហាទីបីដែលទាក់ទងនឹងការសាងសង់ប្រព័ន្ធទទួលស្គាល់លំនាំគឺត្រូវស្វែងរកនីតិវិធីសម្រេចចិត្តដ៏ល្អប្រសើរដែលចាំបាច់សម្រាប់ការកំណត់អត្តសញ្ញាណ និងចំណាត់ថ្នាក់។ បន្ទាប់ពីទិន្នន័យដែលប្រមូលបានអំពីលំនាំដែលត្រូវទទួលស្គាល់ត្រូវបានតំណាងដោយចំណុច ឬវ៉ិចទ័រវាស់វែងក្នុងចន្លោះគំរូ សូមឱ្យម៉ាស៊ីនគិតថាតើប្រភេទគំរូណាដែលទិន្នន័យនេះត្រូវគ្នា។ សូមឱ្យម៉ាស៊ីនត្រូវបានរចនាឡើងដើម្បីបែងចែករវាងថ្នាក់ M ដែលតំណាងដោយ w1, w2, ... ..., wm ។ ក្នុងករណីនេះ ទំហំរូបភាពអាចត្រូវបានចាត់ទុកថាមានតំបន់ M ដែលនីមួយៗមានចំណុចដែលត្រូវគ្នានឹងរូបភាពពីថ្នាក់ដូចគ្នា។ ក្នុងករណីនេះ បញ្ហានៃការទទួលស្គាល់អាចត្រូវបានចាត់ទុកថាជាការសាងសង់ព្រំដែននៃតំបន់ការសម្រេចចិត្តដោយបំបែកថ្នាក់ M ដោយផ្អែកលើវ៉ិចទ័ររង្វាស់ដែលបានចុះបញ្ជី។ អនុញ្ញាតឱ្យ​ព្រំដែន​ទាំងនេះ​ត្រូវ​បាន​កំណត់​ឧទាហរណ៍​ដោយ​អនុគមន៍​ការ​សម្រេច​ចិត្ត d1(х),d2(x),..., dm(х)។ អនុគមន៍ទាំងនេះ ហៅផងដែរថា មុខងាររើសអើង គឺជាអនុគមន៍ scalar និងតម្លៃតែមួយនៃរូបភាព x ។ ប្រសិនបើ di (x) > dj (x) នោះរូបភាព x ជាកម្មសិទ្ធិរបស់ class w1។ ម្យ៉ាងវិញទៀត ប្រសិនបើមុខងារនៃការសម្រេចចិត្ត i-th di(x) មានតម្លៃខ្ពស់បំផុតនោះ ការបង្ហាញពីអត្ថន័យនៃគ្រោងការណ៍ចំណាត់ថ្នាក់ដោយស្វ័យប្រវត្តិដោយផ្អែកលើការអនុវត្តដំណើរការធ្វើសេចក្តីសម្រេចត្រូវបានបង្ហាញនៅក្នុងរូបភព។ 2 (តាមគ្រោងការណ៍ "GR" - ម៉ាស៊ីនភ្លើងនៃមុខងារសម្រេចចិត្ត) ។

រូបភាពទី 2. គ្រោងការណ៍នៃការចាត់ថ្នាក់ដោយស្វ័យប្រវត្តិ។

មុខងារនៃការសម្រេចចិត្តអាចទទួលបានតាមវិធីជាច្រើន។ ក្នុងករណីទាំងនោះដែលមានព័ត៌មានបឋមពេញលេញអំពីគំរូដែលអាចស្គាល់បាន មុខងារការសម្រេចចិត្តអាចត្រូវបានកំណត់យ៉ាងពិតប្រាកដដោយផ្អែកលើព័ត៌មាននេះ។ ប្រសិនបើមានតែព័ត៌មានគុណភាពអំពីគំរូ ការសន្មតសមហេតុផលអាចត្រូវបានធ្វើឡើងអំពីទម្រង់នៃមុខងារនៃការសម្រេចចិត្ត។ ក្នុងករណីចុងក្រោយ ព្រំប្រទល់នៃតំបន់នៃសេចក្តីសម្រេចអាចបង្វែរឆ្ងាយពីការពិត ដូច្នេះហើយ ចាំបាច់ត្រូវបង្កើតប្រព័ន្ធមួយដែលអាចទទួលបានលទ្ធផលជាទីគាប់ចិត្ត តាមរយៈការកែតម្រូវជាបន្តបន្ទាប់។

វត្ថុ (រូបភាព) ដែលត្រូវទទួលស្គាល់ និងចាត់ថ្នាក់ដោយប្រើប្រព័ន្ធសម្គាល់លំនាំស្វ័យប្រវត្តិត្រូវតែមានសំណុំនៃលក្ខណៈដែលអាចវាស់វែងបាន។ នៅពេលដែលសម្រាប់ក្រុមទាំងមូលនៃរូបភាពលទ្ធផលនៃការវាស់វែងដែលត្រូវគ្នាគឺស្រដៀងគ្នា វាត្រូវបានចាត់ទុកថាវត្ថុទាំងនេះជាកម្មសិទ្ធិរបស់ថ្នាក់ដូចគ្នា។ គោលបំណងនៃប្រព័ន្ធទទួលស្គាល់លំនាំគឺដើម្បីកំណត់ដោយផ្អែកលើព័ត៌មានដែលប្រមូលបាន ថ្នាក់នៃវត្ថុដែលមានលក្ខណៈស្រដៀងនឹងវត្ថុដែលបានវាស់វែងសម្រាប់វត្ថុដែលអាចស្គាល់បាន។ ភាពត្រឹមត្រូវនៃការទទួលស្គាល់គឺអាស្រ័យលើចំនួននៃការបែងចែកព័ត៌មានដែលមាននៅក្នុងលក្ខណៈដែលបានវាស់វែង និងប្រសិទ្ធភាពនៃការប្រើប្រាស់ព័ត៌មាននេះ។

វិធីសាស្រ្តជាមូលដ្ឋានសម្រាប់ការអនុវត្តប្រព័ន្ធទទួលស្គាល់លំនាំ

ការទទួលស្គាល់លំនាំគឺជាភារកិច្ចនៃការសាងសង់ និងអនុវត្តប្រតិបត្តិការផ្លូវការលើតំណាងជាលេខ ឬនិមិត្តសញ្ញានៃវត្ថុនៃពិភពពិត ឬឧត្តមគតិ លទ្ធផល ដំណោះស្រាយដែលឆ្លុះបញ្ចាំងពីទំនាក់ទំនងសមមូលរវាងវត្ថុទាំងនេះ។ ទំនាក់ទំនងសមមូលបង្ហាញពីភាពជាកម្មសិទ្ធិរបស់វត្ថុដែលបានវាយតម្លៃចំពោះថ្នាក់មួយចំនួន ដែលចាត់ទុកថាជាឯកតាន័យវិទ្យាឯករាជ្យ។

នៅពេលបង្កើតក្បួនដោះស្រាយការទទួលស្គាល់ ថ្នាក់សមមូលអាចត្រូវបានកំណត់ដោយអ្នកស្រាវជ្រាវដែលប្រើគំនិតប្រកបដោយអត្ថន័យផ្ទាល់ខ្លួនរបស់គាត់ ឬប្រើព័ត៌មានបន្ថែមខាងក្រៅអំពីភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុនៅក្នុងបរិបទនៃបញ្ហាដែលកំពុងត្រូវបានដោះស្រាយ។ បន្ទាប់មកមនុស្សម្នាក់និយាយអំពី "ការយល់ឃើញជាមួយគ្រូ" ។ បើមិនដូច្នោះទេ i.e. នៅពេលដែលប្រព័ន្ធស្វ័យប្រវត្តិដោះស្រាយបញ្ហាចំណាត់ថ្នាក់ដោយមិនពាក់ព័ន្ធនឹងព័ត៌មានបណ្តុះបណ្តាលខាងក្រៅ មនុស្សម្នាក់និយាយអំពីការចាត់ថ្នាក់ដោយស្វ័យប្រវត្តិ ឬ "ការទទួលស្គាល់ដោយមិនមានការត្រួតពិនិត្យ"។ ក្បួនដោះស្រាយការទទួលស្គាល់គំរូភាគច្រើនទាមទារឱ្យមានការចូលរួមពីថាមពលកុំព្យូទ័រដ៏សំខាន់បំផុត ដែលអាចត្រូវបានផ្តល់ដោយបច្ចេកវិទ្យាកុំព្យូទ័រដែលមានប្រសិទ្ធភាពខ្ពស់ប៉ុណ្ណោះ។

អ្នកនិពន្ធជាច្រើន (Yu.L. Barabash, V.I. Vasiliev, A.L. Gorelik, V.A. Skripkin, R. Duda, P. Hart, L.T. Kuzin, F.I. Peregudov, F.P. Tarasenko, Temnikov F.E., Afonin V.A., Dmitriev V. Gonzalez, P. Winston, K. Fu, Ya.Z. Tsypkin និងអ្នកដទៃ) ផ្តល់នូវប្រភេទផ្សេងគ្នានៃការទទួលស្គាល់លំនាំវិធីសាស្រ្ត។ អ្នកនិពន្ធខ្លះបែងចែករវាងវិធីសាស្រ្ត parametric, non-parametric និង heuristic ខណៈពេលដែលអ្នកផ្សេងទៀតញែកក្រុមនៃវិធីសាស្រ្តដោយផ្អែកលើសាលាប្រវត្តិសាស្រ្ត និងនិន្នាការនៅក្នុងវិស័យនេះ។

ក្នុងពេលជាមួយគ្នានេះ អក្សរសិល្ប៍ល្បីៗមិនគិតពីលក្ខណៈសំខាន់មួយទេ ដែលឆ្លុះបញ្ចាំងពីលក្ខណៈជាក់លាក់នៃវិធីដែលចំណេះដឹងអំពីប្រធានបទត្រូវបានតំណាងដោយប្រើក្បួនដោះស្រាយការទទួលស្គាល់គំរូផ្លូវការណាមួយ។ D.A. Pospelov កំណត់វិធីសំខាន់ពីរក្នុងការតំណាងឱ្យចំណេះដឹង៖

តំណាងដោយភាពតានតឹង - ក្នុងទម្រង់នៃដ្យាក្រាមនៃទំនាក់ទំនងរវាងគុណលក្ខណៈ (លក្ខណៈ) ។

តំណាងផ្នែកបន្ថែម - ដោយមានជំនួយពីអង្គហេតុជាក់ស្តែង (វត្ថុឧទាហរណ៍) ។

វាគួរតែត្រូវបានកត់សម្គាល់ថាអត្ថិភាពនៃវិធីសាស្រ្តទទួលស្គាល់ពីរក្រុមនេះ: អ្នកដែលប្រតិបត្តិការជាមួយលក្ខណៈពិសេសនិងអ្នកដែលប្រតិបត្តិការជាមួយវត្ថុគឺមានលក្ខណៈធម្មជាតិយ៉ាងជ្រាលជ្រៅ។ តាមទស្សនៈនេះ គ្មានវិធីសាស្រ្តណាមួយក្នុងចំណោមវិធីសាស្រ្តទាំងនេះ ដែលយកដោយឡែកពីវិធីផ្សេងទៀត ធ្វើឱ្យវាអាចធ្វើទៅបានដើម្បីបង្កើតការឆ្លុះបញ្ចាំងគ្រប់គ្រាន់នៃប្រធានបទ។ រវាងវិធីសាស្រ្តទាំងនេះមានទំនាក់ទំនងនៃការបំពេញបន្ថែមនៅក្នុងន័យរបស់ N. Bohr ដូច្នេះ ប្រព័ន្ធទទួលស្គាល់ដែលសន្យាគួរផ្តល់នូវការអនុវត្តវិធីសាស្រ្តទាំងពីរនេះ ហើយមិនមែនគ្រាន់តែវិធីណាមួយក្នុងចំណោមពួកគេនោះទេ។

ដូច្នេះការចាត់ថ្នាក់នៃវិធីសាស្រ្តទទួលស្គាល់ដែលស្នើឡើងដោយ D.A. Pospelov គឺផ្អែកលើច្បាប់ជាមូលដ្ឋានដែលបង្កប់នូវវិធីនៃការយល់ដឹងរបស់មនុស្សជាទូទៅ ដែលដាក់វានៅក្នុងទីតាំងពិសេស (មានសិទ្ធិ) បើប្រៀបធៀបទៅនឹងចំណាត់ថ្នាក់ផ្សេងទៀត ដែលផ្ទុយពីផ្ទៃខាងក្រោយនេះ មើលទៅ ស្រាលជាងមុន និងសិប្បនិម្មិត។

វិធីសាស្រ្តនៃភាពតានតឹង

លក្ខណៈពិសេសប្លែកនៃវិធីសាស្រ្ត intensional គឺថាពួកគេប្រើលក្ខណៈផ្សេងគ្នានៃលក្ខណៈពិសេសនិងទំនាក់ទំនងរបស់ពួកគេជាធាតុនៃប្រតិបត្តិការនៅក្នុងការសាងសង់និងការអនុវត្តនៃក្បួនដោះស្រាយការទទួលស្គាល់លំនាំ។ ធាតុបែបនេះអាចជាតម្លៃបុគ្គល ឬចន្លោះពេលនៃតម្លៃលក្ខណៈពិសេស តម្លៃមធ្យម និងបំរែបំរួល ទំនាក់ទំនងលក្ខណៈម៉ាទ្រីស។ល។ ដែលសកម្មភាពត្រូវបានអនុវត្ត បង្ហាញក្នុងទម្រង់វិភាគ ឬស្ថាបនា។ ក្នុងពេលជាមួយគ្នានេះ វត្ថុនៅក្នុងវិធីសាស្រ្តទាំងនេះមិនត្រូវបានចាត់ទុកថាជាឯកតាព័ត៌មានសំខាន់នោះទេ ប៉ុន្តែដើរតួជាសូចនាករសម្រាប់វាយតម្លៃអន្តរកម្ម និងអាកប្បកិរិយានៃគុណលក្ខណៈរបស់ពួកគេ។

ក្រុមនៃវិធីសាស្រ្តទទួលស្គាល់លំនាំដោយភាពតានតឹងគឺទូលំទូលាយ ហើយការបែងចែករបស់វាទៅជាថ្នាក់រងគឺខុសខ្លះៗ៖

- វិធីសាស្រ្តផ្អែកលើការប៉ាន់ប្រមាណនៃដង់ស៊ីតេចែកចាយនៃតម្លៃលក្ខណៈពិសេស

- វិធីសាស្រ្តផ្អែកលើការសន្មត់អំពីថ្នាក់នៃមុខងារនៃការសម្រេចចិត្ត

- វិធីសាស្រ្តឡូជីខល

- វិធីសាស្រ្តភាសា (រចនាសម្ព័ន្ធ) ។

វិធីសាស្រ្តផ្អែកលើការប៉ាន់ប្រមាណនៃដង់ស៊ីតេចែកចាយនៃតម្លៃលក្ខណៈពិសេស។វិធីសាស្រ្តទទួលស្គាល់គំរូទាំងនេះត្រូវបានខ្ចីពីទ្រឹស្តីបុរាណនៃការសម្រេចចិត្តស្ថិតិ ដែលវត្ថុនៃការសិក្សាត្រូវបានចាត់ទុកថាជាការសម្រេចបាននៃអថេរចៃដន្យពហុវិមាត្រដែលបានចែកចាយក្នុងចន្លោះលក្ខណៈដោយយោងទៅតាមច្បាប់មួយចំនួន។ ពួកវាផ្អែកលើគ្រោងការណ៍ធ្វើការសម្រេចចិត្តរបស់ Bayesian ដែលអំពាវនាវដល់ប្រូបាប៊ីលីតេអាទិភាពនៃវត្ថុដែលជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលអាចស្គាល់បានជាក់លាក់មួយ និងដង់ស៊ីតេនៃការចែកចាយតាមលក្ខខណ្ឌនៃតម្លៃវ៉ិចទ័រលក្ខណៈពិសេស។ វិធីសាស្រ្តទាំងនេះត្រូវបានកាត់បន្ថយដើម្បីកំណត់សមាមាត្រលទ្ធភាពនៅក្នុងតំបន់ផ្សេងៗគ្នានៃទំហំមុខងារពហុវិមាត្រ។

ក្រុមនៃវិធីសាស្រ្តដោយផ្អែកលើការប៉ាន់ប្រមាណនៃដង់ស៊ីតេចែកចាយនៃតម្លៃលក្ខណៈពិសេសគឺទាក់ទងដោយផ្ទាល់ទៅនឹងវិធីសាស្រ្តនៃការវិភាគរើសអើង។ វិធីសាស្រ្ត Bayesian ក្នុងការធ្វើសេចក្តីសម្រេចគឺជាផ្នែកមួយនៃការវិវឌ្ឍន៍បំផុតនៅក្នុងស្ថិតិទំនើបដែលហៅថាវិធីសាស្ត្រប៉ារ៉ាមេតដែលការបញ្ចេញមតិវិភាគនៃច្បាប់ចែកចាយ (ក្នុងករណីនេះច្បាប់ធម្មតា) ត្រូវបានចាត់ទុកថាត្រូវបានគេស្គាល់ ហើយមានតែ ចំនួនតិចតួចនៃប៉ារ៉ាម៉ែត្រ (វ៉ិចទ័រមធ្យម និងម៉ាទ្រីសដែលប្រែប្រួល) ចាំបាច់ត្រូវប៉ាន់ប្រមាណ។

ក្រុមនេះក៏រួមបញ្ចូលផងដែរនូវវិធីសាស្រ្តសម្រាប់ការគណនាសមាមាត្រលទ្ធភាពសម្រាប់លក្ខណៈពិសេសឯករាជ្យ។ វិធីសាស្រ្តនេះដោយលើកលែងតែការសន្មត់នៃឯករាជ្យភាពនៃលក្ខណៈពិសេស (ដែលតាមពិតស្ទើរតែមិនបានសម្រេច) មិនតម្រូវឱ្យមានចំណេះដឹងអំពីទម្រង់មុខងារនៃច្បាប់ចែកចាយនោះទេ។ វាអាចត្រូវបានកំណត់គុណលក្ខណៈវិធីសាស្រ្តដែលមិនមែនជាប៉ារ៉ាម៉ែត្រ។

វិធីសាស្រ្តដែលមិនមែនជាប៉ារ៉ាម៉ែត្រផ្សេងទៀតដែលត្រូវបានប្រើនៅពេលដែលរូបរាងនៃខ្សែកោងដង់ស៊ីតេនៃការចែកចាយមិនស្គាល់ ហើយគ្មានការសន្មត់ណាមួយអាចត្រូវបានធ្វើឡើងអំពីធម្មជាតិរបស់វាទាល់តែសោះ កាន់កាប់ទីតាំងពិសេសមួយ។ ទាំងនេះរួមមានវិធីសាស្រ្តល្បីនៃអ៊ីស្តូក្រាមពហុវិមាត្រ វិធីសាស្ត្រ "k-ជិតបំផុតអ្នកជិតខាង" វិធីសាស្ត្រចម្ងាយ Euclidean វិធីសាស្រ្តនៃមុខងារសក្តានុពល។ វិធីសាស្រ្តទាំងនេះដំណើរការជាផ្លូវការជាមួយវត្ថុជារចនាសម្ព័ន្ធអាំងតេក្រាល ប៉ុន្តែអាស្រ័យលើប្រភេទនៃភារកិច្ចទទួលស្គាល់ ពួកវាអាចធ្វើសកម្មភាពទាំងនៅក្នុង hypostases intensional និង extensional ។

វិធីសាស្ត្រ Nonparametric វិភាគចំនួនដែលទាក់ទងនៃវត្ថុដែលធ្លាក់ចូលទៅក្នុងបរិមាណពហុវិមាត្រដែលបានផ្តល់ឱ្យ ហើយប្រើមុខងារចម្ងាយផ្សេងៗរវាងវត្ថុនៃគំរូហ្វឹកហាត់ និងវត្ថុដែលបានទទួលស្គាល់។ សម្រាប់លក្ខណៈបរិមាណ នៅពេលដែលចំនួនរបស់វាតិចជាងទំហំគំរូ ប្រតិបត្តិការជាមួយវត្ថុមានតួនាទីមធ្យមក្នុងការប៉ាន់ប្រមាណដង់ស៊ីតេចែកចាយក្នុងតំបន់នៃប្រូបាប៊ីលីតេតាមលក្ខខណ្ឌ ហើយវត្ថុមិនផ្ទុកឯកតាព័ត៌មានឯករាជ្យទេ។ ក្នុងពេលជាមួយគ្នានេះ នៅពេលដែលចំនួននៃលក្ខណៈពិសេសមានលក្ខណៈសមស្រប ឬធំជាងចំនួនវត្ថុដែលកំពុងសិក្សា ហើយលក្ខណៈពិសេសមានលក្ខណៈគុណភាព ឬ dichotomous នោះ មិនអាចមានការនិយាយអំពីការប៉ាន់ប្រមាណក្នុងស្រុកណាមួយអំពីដង់ស៊ីតេនៃការចែកចាយប្រូបាប៊ីលីតេនោះទេ។ ក្នុងករណីនេះ វត្ថុនៅក្នុងវិធីសាស្រ្តមិនមែនប៉ារ៉ាម៉ែត្រទាំងនេះត្រូវបានចាត់ទុកថាជាឯកតាព័ត៌មានឯករាជ្យ (អង្គហេតុជាក់ស្តែងជាក់ស្តែង) ហើយវិធីសាស្ត្រទាំងនេះទទួលបានអត្ថន័យនៃការវាយតម្លៃនៃភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុដែលកំពុងសិក្សា។

ដូច្នេះ ប្រតិបត្តិការបច្ចេកវិជ្ជាដូចគ្នានៃវិធីសាស្រ្ត nonparametric អាស្រ័យលើលក្ខខណ្ឌនៃបញ្ហា ធ្វើឱ្យយល់បានទាំងការប៉ាន់ស្មានក្នុងស្រុកនៃដង់ស៊ីតេចែកចាយប្រូបាប៊ីលីតេនៃតម្លៃលក្ខណៈពិសេស ឬការប៉ាន់ប្រមាណនៃភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុ។

នៅក្នុងបរិបទនៃការតំណាងដោយភាពតានតឹងនៃចំណេះដឹង ផ្នែកទីមួយនៃវិធីសាស្ត្រ nonparametric ត្រូវបានពិចារណានៅទីនេះ ជាការប៉ាន់ស្មាននៃដង់ស៊ីតេនៃការចែកចាយប្រូបាប៊ីលីតេ។ អ្នកនិពន្ធជាច្រើនបានកត់សម្គាល់ថា វិធីសាស្ត្រដែលមិនមែនជាប៉ារ៉ាម៉ែត្រដូចជាការប៉ាន់ប្រមាណ Parzen ដំណើរការបានល្អក្នុងការអនុវត្ត។ ការលំបាកចម្បងក្នុងការអនុវត្តវិធីសាស្រ្តទាំងនេះគឺតម្រូវការក្នុងការចងចាំគំរូបណ្តុះបណ្តាលទាំងមូលដើម្បីគណនាការប៉ាន់ប្រមាណនៃដង់ស៊ីតេនៃការចែកចាយប្រូបាប៊ីលីតេក្នុងតំបន់ និងភាពប្រែប្រួលខ្ពស់ចំពោះភាពមិនតំណាងនៃគំរូបណ្តុះបណ្តាល។

វិធីសាស្រ្តផ្អែកលើការសន្មត់អំពីថ្នាក់នៃមុខងារនៃការសម្រេចចិត្ត។នៅក្នុងក្រុមនៃវិធីសាស្រ្តនេះ ទម្រង់ទូទៅនៃមុខងារសម្រេចចិត្តត្រូវបានចាត់ទុកថាស្គាល់ ហើយមុខងារគុណភាពរបស់វាត្រូវបានផ្តល់ឱ្យ។ ដោយផ្អែកលើមុខងារនេះ ការប៉ាន់ស្មានដ៏ល្អបំផុតនៃមុខងារការសម្រេចចិត្តត្រូវបានស្វែងរកសម្រាប់លំដាប់បណ្តុះបណ្តាល។ ទូទៅបំផុតគឺតំណាងនៃអនុគមន៍ការសម្រេចចិត្តក្នុងទម្រង់នៃពហុនាមមិនមែនលីនេអ៊ែរ និងទូទៅ។ មុខងារគុណភាពនៃច្បាប់ការសម្រេចចិត្តជាធម្មតាត្រូវបានភ្ជាប់ជាមួយនឹងកំហុសក្នុងចំណាត់ថ្នាក់។

អត្ថប្រយោជន៍ចម្បងនៃវិធីសាស្រ្តផ្អែកលើការសន្មត់អំពីថ្នាក់នៃមុខងារនៃការសម្រេចចិត្តគឺភាពច្បាស់លាស់នៃរូបមន្តគណិតវិទ្យានៃបញ្ហាការទទួលស្គាល់ជាបញ្ហានៃការស្វែងរកជ្រុល។ ដំណោះស្រាយចំពោះបញ្ហានេះជារឿយៗត្រូវបានសម្រេចដោយប្រើប្រភេទនៃក្បួនដោះស្រាយជម្រាលមួយចំនួន។ ភាពខុសគ្នានៃវិធីសាស្រ្តនៃក្រុមនេះត្រូវបានពន្យល់ដោយជួរដ៏ធំទូលាយនៃមុខងារគុណភាពនៃច្បាប់ការសម្រេចចិត្តដែលបានប្រើ និងក្បួនដោះស្រាយការស្វែងរកយ៉ាងខ្លាំង។ ការធ្វើទូទៅនៃក្បួនដោះស្រាយដែលបានពិចារណា ដែលរួមមានជាពិសេស ក្បួនដោះស្រាយរបស់ញូតុន ក្បួនដោះស្រាយប្រភេទ perceptron ជាដើម គឺជាវិធីសាស្ត្រនៃការប៉ាន់ស្មាន stochastic ។ មិនដូចវិធីសាស្រ្តទទួលស្គាល់ប៉ារ៉ាម៉ែត្រទេ ភាពជោគជ័យនៃក្រុមនៃវិធីសាស្រ្តនេះមិនអាស្រ័យច្រើនលើភាពមិនស៊ីគ្នានៃគំនិតទ្រឹស្តីអំពីច្បាប់នៃការចែកចាយវត្ថុនៅក្នុងលំហលក្ខណៈជាមួយនឹងការពិតជាក់ស្តែងនោះទេ។ ប្រតិបត្តិការទាំងអស់ត្រូវបានដាក់ក្រោមគោលដៅសំខាន់មួយ - ការស្វែងរកភាពខ្លាំងនៃមុខងារគុណភាពនៃច្បាប់នៃការសម្រេចចិត្ត។ ទន្ទឹមនឹងនេះលទ្ធផលនៃប៉ារ៉ាម៉ែត្រនិងវិធីសាស្រ្តដែលបានពិចារណាអាចស្រដៀងគ្នា។ ដូចដែលបានបង្ហាញខាងលើ វិធីសាស្ត្រប៉ារ៉ាមេទ្រិចសម្រាប់ករណីនៃការចែកចាយធម្មតានៃវត្ថុនៅក្នុងថ្នាក់ផ្សេងៗគ្នាជាមួយនឹងម៉ាទ្រីសដែលដូចគ្នាបេះបិទ នាំឱ្យអនុគមន៍សម្រេចចិត្តលីនេអ៊ែរ។ យើងក៏កត់សម្គាល់ផងដែរថា ក្បួនដោះស្រាយសម្រាប់ការជ្រើសរើសលក្ខណៈពិសេសព័ត៌មាននៅក្នុងគំរូវិនិច្ឆ័យលីនេអ៊ែរអាចត្រូវបានបកស្រាយថាជាវ៉ារ្យ៉ង់ជាក់លាក់នៃក្បួនដោះស្រាយជម្រាលសម្រាប់ការស្វែងរកភាពខ្លាំង។

លទ្ធភាពនៃក្បួនដោះស្រាយជម្រាលសម្រាប់ការស្វែងរកភាពខ្លាំង ជាពិសេសនៅក្នុងក្រុមនៃក្បួនការសម្រេចចិត្តលីនេអ៊ែរ ត្រូវបានសិក្សាយ៉ាងល្អ។ ការបញ្ចូលគ្នានៃក្បួនដោះស្រាយទាំងនេះត្រូវបានបង្ហាញសម្រាប់តែករណីនៅពេលដែលថ្នាក់ដែលអាចស្គាល់បាននៃវត្ថុត្រូវបានបង្ហាញនៅក្នុងចន្លោះលក្ខណៈពិសេសដោយរចនាសម្ព័ន្ធធរណីមាត្របង្រួម។ ទោះជាយ៉ាងណាក៏ដោយ បំណងប្រាថ្នាដើម្បីសម្រេចបាននូវគុណភាពគ្រប់គ្រាន់នៃច្បាប់នៃការសម្រេចចិត្ត ជារឿយៗអាចពេញចិត្តជាមួយនឹងជំនួយនៃក្បួនដោះស្រាយដែលមិនមានភស្តុតាងគណិតវិទ្យាយ៉ាងម៉ត់ចត់នៃការបង្រួបបង្រួមនៃដំណោះស្រាយទៅជាសកលលោក។

ក្បួនដោះស្រាយបែបនេះរួមមានក្រុមធំនៃដំណើរការកម្មវិធី heuristic តំណាងឱ្យទិសដៅនៃគំរូវិវត្តន៍។ ការ​ធ្វើ​គំរូ​វិវត្តន៍​គឺ​ជា​វិធីសាស្ត្រ​ជីវសាស្ត្រ​ដែល​ខ្ចី​ពី​ធម្មជាតិ។ វាត្រូវបានផ្អែកលើការប្រើប្រាស់យន្តការនៃការវិវត្តន៍ដែលគេស្គាល់ ដើម្បីជំនួសដំណើរការនៃការបង្កើតគំរូដ៏មានអត្ថន័យនៃវត្ថុស្មុគ្រស្មាញជាមួយនឹងគំរូបាតុភូតនៃការវិវត្តរបស់វា។

អ្នកតំណាងដ៏ល្បីនៃការបង្កើតគំរូវិវត្តនៅក្នុងការទទួលស្គាល់គំរូគឺជាវិធីសាស្រ្តនៃគណនេយ្យក្រុមនៃអាគុយម៉ង់ (MGUA) ។ GMDH គឺផ្អែកលើគោលការណ៍នៃការរៀបចំដោយខ្លួនឯង ហើយក្បួនដោះស្រាយ GMDH បង្កើតឡើងវិញនូវគ្រោងការណ៍នៃការជ្រើសរើសម៉ាស់។ នៅក្នុងក្បួនដោះស្រាយ GMDH សមាជិកនៃពហុនាមទូទៅត្រូវបានសំយោគ និងជ្រើសរើសតាមរបៀបពិសេស ដែលជារឿយៗត្រូវបានគេហៅថាពហុនាម Kolmogorov-Gabor ។ ការសំយោគ និងការជ្រើសរើសនេះត្រូវបានអនុវត្តជាមួយនឹងភាពស្មុគស្មាញកាន់តែខ្លាំងឡើង ហើយវាមិនអាចទៅរួចទេក្នុងការទស្សន៍ទាយជាមុនអំពីទម្រង់ចុងក្រោយនៃពហុនាមទូទៅនឹងមាន។ ទីមួយ ការរួមផ្សំជាគូសាមញ្ញនៃលក្ខណៈដំបូងត្រូវបានពិចារណាជាធម្មតា ដែលសមីការនៃមុខងារសម្រេចត្រូវបានផ្សំឡើង ជាក្បួនមិនខ្ពស់ជាងលំដាប់ទីពីរទេ។ សមីការនីមួយៗត្រូវបានវិភាគជាមុខងារនៃការសម្រេចចិត្តឯករាជ្យ ហើយតម្លៃនៃប៉ារ៉ាម៉ែត្រនៃសមីការដែលបានផ្សំត្រូវបានរកឃើញតាមមធ្យោបាយមួយ ឬមួយផ្សេងទៀតពីគំរូបណ្តុះបណ្តាល។ បន្ទាប់មក ពីសំណុំលទ្ធផលនៃមុខងារការសម្រេចចិត្ត ផ្នែកមួយនៃអ្វីដែលល្អបំផុតក្នុងន័យខ្លះត្រូវបានជ្រើសរើស។ គុណភាពនៃមុខងារនៃការសម្រេចចិត្តបុគ្គលត្រូវបានត្រួតពិនិត្យលើគំរូត្រួតពិនិត្យ (តេស្ត) ដែលជួនកាលត្រូវបានគេហៅថាគោលការណ៍នៃការបន្ថែមខាងក្រៅ។ អនុគមន៍ការសម្រេចចិត្តផ្នែកដែលបានជ្រើសរើសត្រូវបានចាត់ទុកថាខាងក្រោមជាអថេរកម្រិតមធ្យម ដែលបម្រើជាអាគុយម៉ង់ដំបូងសម្រាប់ការសំយោគស្រដៀងគ្នានៃមុខងារការសម្រេចចិត្តថ្មី។ បង្ហាញខ្លួនវានៅក្នុងការខ្សោះជីវជាតិនៃគុណភាពនេះនៅពេលដែលព្យាយាមបង្កើនបន្ថែមទៀតនូវលំដាប់នៃសមាជិកនៃពហុធាដែលទាក់ទងទៅនឹងលក្ខណៈដើម។

គោលការណ៍នៃការរៀបចំដោយខ្លួនឯងដែលស្ថិតនៅក្រោម GMDH ត្រូវបានគេហៅថា ការរៀបចំដោយខ្លួនឯងបែប heuristic ចាប់តាំងពីដំណើរការទាំងមូលគឺផ្អែកលើការណែនាំនៃការបន្ថែមខាងក្រៅដែលត្រូវបានជ្រើសរើសដោយ heuristically ។ លទ្ធផល​នៃ​ការ​សម្រេច​ចិត្ត​អាច​អាស្រ័យ​យ៉ាង​ខ្លាំង​ទៅ​លើ​សរីរវិទ្យា​ទាំងនេះ។ គំរូលទ្ធផលវិនិច្ឆ័យអាស្រ័យលើរបៀបដែលវត្ថុត្រូវបានបែងចែកទៅជាគំរូបណ្តុះបណ្តាល និងការធ្វើតេស្ត របៀបកំណត់លក្ខណៈវិនិច្ឆ័យគុណភាពនៃការទទួលស្គាល់ តើអថេរចំនួនប៉ុន្មានត្រូវបានរំលងក្នុងជួរជ្រើសរើសបន្ទាប់។ល។

លក្ខណៈពិសេសទាំងនេះនៃក្បួនដោះស្រាយ GMDH ក៏ជាលក្ខណៈនៃវិធីសាស្រ្តផ្សេងទៀតចំពោះគំរូវិវត្តន៍ផងដែរ។ ប៉ុន្តែយើងកត់សំគាល់នៅទីនេះ ទិដ្ឋភាពមួយទៀតនៃវិធីសាស្រ្តដែលកំពុងពិចារណា។ នេះគឺជាខ្លឹមសាររបស់ពួកគេ។ ដោយប្រើវិធីសាស្រ្តផ្អែកលើការសន្មត់អំពីថ្នាក់នៃមុខងារនៃការសម្រេចចិត្ត (ការវិវត្តន៍ និងជម្រាល) វាអាចបង្កើតគំរូរោគវិនិច្ឆ័យនៃភាពស្មុគស្មាញខ្ពស់ និងទទួលបានលទ្ធផលដែលអាចទទួលយកបានជាក់ស្តែង។ ទន្ទឹមនឹងនេះការសម្រេចបាននូវគោលដៅជាក់ស្តែងក្នុងករណីនេះមិនត្រូវបានអមដោយការទាញយកចំណេះដឹងថ្មីអំពីធម្មជាតិនៃវត្ថុដែលអាចស្គាល់បានទេ។ លទ្ធភាពនៃការទាញយកចំណេះដឹងនេះ ជាពិសេសចំណេះដឹងអំពីយន្តការនៃអន្តរកម្មនៃលក្ខណៈ (លក្ខណៈពិសេស) ត្រូវបានកំណត់ជាមូលដ្ឋាននៅទីនេះដោយរចនាសម្ព័ន្ធដែលបានផ្តល់ឱ្យនៃអន្តរកម្មបែបនេះ ជួសជុលក្នុងទម្រង់ដែលបានជ្រើសរើសនៃមុខងារសម្រេចចិត្ត។ ដូច្នេះអតិបរិមាដែលអាចនិយាយបានបន្ទាប់ពីសាងសង់គំរូរោគវិនិច្ឆ័យជាក់លាក់មួយគឺត្រូវរាយបញ្ជីបន្សំនៃលក្ខណៈពិសេសនិងលក្ខណៈពិសេសដោយខ្លួនឯងដែលត្រូវបានរួមបញ្ចូលនៅក្នុងគំរូលទ្ធផល។ ប៉ុន្តែអត្ថន័យនៃបន្សំដែលឆ្លុះបញ្ចាំងពីធម្មជាតិ និងរចនាសម្ព័ន្ធនៃការចែកចាយនៃវត្ថុដែលកំពុងសិក្សា ជារឿយៗនៅតែមិនត្រូវបានគេរកឃើញនៅក្នុងក្របខ័ណ្ឌនៃវិធីសាស្រ្តនេះ។

វិធីសាស្ត្រប៊ូលីន. វិធីសាស្រ្តឡូជីខលនៃការទទួលស្គាល់លំនាំគឺផ្អែកលើបរិធាននៃពិជគណិតតក្ក និងអនុញ្ញាតឱ្យដំណើរការជាមួយព័ត៌មានដែលមានមិនត្រឹមតែនៅក្នុងលក្ខណៈបុគ្គលប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងរួមបញ្ចូលតម្លៃមុខងារផងដែរ។ នៅក្នុងវិធីសាស្រ្តទាំងនេះតម្លៃនៃគុណលក្ខណៈណាមួយត្រូវបានចាត់ទុកថាជាព្រឹត្តិការណ៍បឋម។

នៅក្នុងទម្រង់ទូទៅបំផុត វិធីសាស្ត្រឡូជីខលអាចត្រូវបានកំណត់ថាជាប្រភេទនៃការស្វែងរកគំរូឡូជីខលនៅក្នុងគំរូបណ្តុះបណ្តាល និងការបង្កើតប្រព័ន្ធជាក់លាក់នៃច្បាប់ការសម្រេចចិត្តឡូជីខល (ឧទាហរណ៍ក្នុងទម្រង់នៃការភ្ជាប់នៃព្រឹត្តិការណ៍បឋម) នីមួយៗ។ ដែលមានទំងន់ផ្ទាល់ខ្លួន។ ក្រុមនៃវិធីសាស្រ្តឡូជីខលមានភាពចម្រុះ និងរួមបញ្ចូលវិធីសាស្រ្តនៃភាពស្មុគស្មាញផ្សេងៗគ្នា និងជម្រៅនៃការវិភាគ។ សម្រាប់លក្ខណៈពិសេស dichotomous (boolean) អ្វីដែលគេហៅថាការចាត់ថ្នាក់ដូចដើមឈើ វិធីសាស្ត្រធ្វើតេស្តចុងស្លាប់ ក្បួនដោះស្រាយ Kora និងផ្សេងៗទៀតគឺពេញនិយម។ វិធីសាស្រ្តស្មុគ្រស្មាញជាងនេះគឺផ្អែកលើការធ្វើឱ្យជាផ្លូវការនៃវិធីសាស្រ្ត inductive របស់ D.S. Mill ។ ទម្រង់បែបបទត្រូវបានអនុវត្តដោយការបង្កើតទ្រឹស្តី quasi-axiomatic និងត្រូវបានផ្អែកលើតក្កវិជ្ជាពហុគុណតម្លៃដែលបានតម្រៀបជាមួយ quantifiers លើ tuples ប្រវែងអថេរ។

ក្បួនដោះស្រាយ Kora ដូចជាវិធីសាស្រ្តឡូជីខលផ្សេងទៀតនៃការទទួលស្គាល់លំនាំគឺពិបាកណាស់ព្រោះការរាប់ចំនួនពេញលេញគឺចាំបាច់នៅពេលជ្រើសរើសការភ្ជាប់។ ដូច្នេះនៅពេលអនុវត្តវិធីសាស្រ្តឡូជីខល តម្រូវការខ្ពស់ត្រូវបានដាក់លើការរៀបចំប្រកបដោយប្រសិទ្ធភាពនៃដំណើរការគណនា ហើយវិធីសាស្ត្រទាំងនេះដំណើរការល្អជាមួយនឹងទំហំតូចនៃទំហំមុខងារ និងតែលើកុំព្យូទ័រដែលមានថាមពលខ្លាំងប៉ុណ្ណោះ។

វិធីសាស្រ្តភាសាវិទ្យា (សំយោគឬរចនាសម្ព័ន្ធ) ។វិធីសាស្រ្តភាសានៃការទទួលស្គាល់លំនាំគឺផ្អែកលើការប្រើប្រាស់វេយ្យាករណ៍ពិសេសដែលបង្កើតភាសា ដោយមានជំនួយពីសំណុំនៃលក្ខណៈសម្បត្តិនៃវត្ថុដែលអាចស្គាល់បានអាចត្រូវបានពិពណ៌នា។ វេយ្យាករណ៍​សំដៅ​ទៅ​លើ​ច្បាប់​សម្រាប់​ការ​បង្កើត​វត្ថុ​ពី​ធាតុ​ដែល​មិន​បាន​មក​ពី​ធាតុ​ទាំង​នេះ។

ប្រសិនបើការពិពណ៌នានៃរូបភាពត្រូវបានធ្វើឡើងដោយជំនួយនៃធាតុដែលមិនមែនជាដេរីវេ (រូបភាពរង) និងទំនាក់ទំនងរបស់ពួកគេ នោះវិធីសាស្ត្រភាសា ឬវាក្យសម្ព័ន្ធត្រូវបានប្រើដើម្បីបង្កើតប្រព័ន្ធទទួលស្គាល់ដោយស្វ័យប្រវត្តិដោយប្រើគោលការណ៍ទូទៅនៃលក្ខណៈសម្បត្តិ។ រូបភាពអាចត្រូវបានពិពណ៌នាដោយប្រើរចនាសម្ព័ន្ធឋានានុក្រមនៃរូបភាពរងដែលស្រដៀងនឹងរចនាសម្ព័ន្ធវាក្យសម្ព័ន្ធនៃភាសា។ កាលៈទេសៈនេះធ្វើឱ្យវាអាចអនុវត្តទ្រឹស្តីនៃភាសាផ្លូវការក្នុងការដោះស្រាយបញ្ហានៃការទទួលស្គាល់គំរូ។ វាត្រូវបានសន្មត់ថាវេយ្យាករណ៍នៃរូបភាពមានសំណុំកំណត់នៃធាតុដែលហៅថាអថេរ ធាតុដែលមិនមានប្រភព និងច្បាប់ជំនួស។ ធម្មជាតិនៃច្បាប់ជំនួសកំណត់ប្រភេទនៃវេយ្យាករណ៍។ ក្នុងចំណោមវេយ្យាករណ៍ដែលបានសិក្សាច្រើនបំផុតគឺធម្មតា គ្មានបរិបទ និងវេយ្យាករណ៍នៃធាតុផ្សំផ្ទាល់។ ចំណុចសំខាន់នៃវិធីសាស្រ្តនេះគឺជម្រើសនៃធាតុដែលមិនមែនជាដេរីវេនៃរូបភាព ការរួបរួមនៃធាតុទាំងនេះ និងទំនាក់ទំនងដែលភ្ជាប់ពួកវាទៅក្នុងវេយ្យាករណ៍នៃរូបភាព ហើយចុងក្រោយគឺការអនុវត្តន៍ដំណើរការនៃការវិភាគ និងការទទួលស្គាល់ក្នុងផ្នែកដែលត្រូវគ្នា។ ភាសា។ វិធីសាស្រ្តនេះមានប្រយោជន៍ជាពិសេសនៅពេលធ្វើការជាមួយរូបភាពដែលមិនអាចពិពណ៌នាដោយការវាស់វែងជាលេខ ឬស្មុគស្មាញខ្លាំងដែលលក្ខណៈពិសេសក្នុងតំបន់របស់ពួកគេមិនអាចកំណត់អត្តសញ្ញាណបាន ហើយគេត្រូវយោងទៅលើលក្ខណៈសម្បត្តិសកលនៃវត្ថុ។

ឧទាហរណ៍ E.A. Butakov, V.I. Ostrovsky, I.L. Fadeev ស្នើរចនាសម្ព័ន្ធប្រព័ន្ធខាងក្រោមសម្រាប់ដំណើរការរូបភាព (រូបភាពទី 3) ដោយប្រើវិធីសាស្រ្តភាសាដែលប្លុកមុខងារនីមួយៗគឺជាកម្មវិធី (មីក្រូកម្មវិធី) ស្មុគស្មាញ (ម៉ូឌុល) ដែលអនុវត្តមុខងារដែលត្រូវគ្នា។

រូបភាពទី 3. ដ្យាក្រាមរចនាសម្ព័ន្ធនៃអ្នកទទួលស្គាល់

ការប៉ុនប៉ងដើម្បីអនុវត្តវិធីសាស្រ្តនៃភាសាគណិតវិទ្យាទៅនឹងបញ្ហានៃការវិភាគរូបភាពនាំឱ្យមានតម្រូវការក្នុងការដោះស្រាយបញ្ហាមួយចំនួនដែលទាក់ទងនឹងការធ្វើផែនទីនៃរចនាសម្ព័ន្ធរូបភាពពីរវិមាត្រលើខ្សែសង្វាក់វិមាត្រនៃភាសាផ្លូវការមួយ។

វិធីសាស្រ្តបន្ថែម

នៅក្នុងវិធីសាស្រ្តនៃក្រុមនេះ ផ្ទុយទៅនឹងទិសដៅដែលមានភាពតានតឹង វត្ថុដែលបានសិក្សានីមួយៗត្រូវបានផ្តល់តម្លៃវិនិច្ឆ័យឯករាជ្យក្នុងកម្រិតធំជាង ឬតិចជាងនេះ។ នៅស្នូលរបស់ពួកគេ វិធីសាស្រ្តទាំងនេះគឺនៅជិតវិធីសាស្រ្តព្យាបាល ដែលចាត់ទុកមនុស្សមិនមែនជាខ្សែសង្វាក់នៃវត្ថុដែលជាប់ចំណាត់ថ្នាក់តាមសូចនាករមួយ ឬមួយផ្សេងទៀត ប៉ុន្តែជាប្រព័ន្ធអាំងតេក្រាល ដែលនីមួយៗមានលក្ខណៈបុគ្គល និងមានតម្លៃរោគវិនិច្ឆ័យពិសេស។ អាកប្បកិរិយាប្រុងប្រយ័ត្នបែបនេះចំពោះវត្ថុនៃការសិក្សាមិនអនុញ្ញាតឱ្យមនុស្សម្នាក់ដកចេញឬបាត់បង់ព័ត៌មានអំពីវត្ថុនីមួយៗដែលកើតឡើងនៅពេលអនុវត្តវិធីសាស្រ្តនៃទិសដៅដែលមានភាពតានតឹងដោយប្រើវត្ថុដើម្បីរកឱ្យឃើញនិងជួសជុលគំរូនៃអាកប្បកិរិយានៃលក្ខណៈរបស់ពួកគេ។

ប្រតិបត្តិការសំខាន់ក្នុងការទទួលស្គាល់លំនាំដោយប្រើវិធីសាស្រ្តដែលបានពិភាក្សាគឺជាប្រតិបត្តិការនៃការកំណត់ភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុ។ វត្ថុនៅក្នុងក្រុមនៃវិធីសាស្រ្តដែលបានបញ្ជាក់ដើរតួនាទីនៃគំរូរោគវិនិច្ឆ័យ។ ក្នុងពេលជាមួយគ្នានេះ អាស្រ័យលើលក្ខខណ្ឌនៃកិច្ចការជាក់លាក់មួយ តួនាទីនៃគំរូបុគ្គលអាចប្រែប្រួលក្នុងដែនកំណត់ធំបំផុត៖ ពីមេ និងការកំណត់ទៅការចូលរួមដោយប្រយោលយ៉ាងខ្លាំងនៅក្នុងដំណើរការទទួលស្គាល់។ នៅក្នុងវេន លក្ខខណ្ឌនៃបញ្ហាអាចទាមទារឱ្យមានការចូលរួមពីចំនួនផ្សេងគ្នានៃគំរូរោគវិនិច្ឆ័យសម្រាប់ដំណោះស្រាយដ៏ជោគជ័យមួយ៖ ពីមួយក្នុងថ្នាក់ដែលអាចស្គាល់បានរហូតដល់ទំហំគំរូពេញលេញ ក៏ដូចជាវិធីផ្សេងគ្នាដើម្បីគណនារង្វាស់នៃភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃ វត្ថុ។ តម្រូវការទាំងនេះពន្យល់ពីការបែងចែកបន្ថែមនៃវិធីសាស្ត្របន្ថែមទៅជាថ្នាក់រង៖

វិធីសាស្រ្តប្រៀបធៀបគំរូ;

k- វិធីសាស្រ្តអ្នកជិតខាងដែលនៅជិតបំផុត;

ក្រុមនៃច្បាប់នៃការសម្រេចចិត្ត។

វិធីសាស្រ្តប្រៀបធៀបគំរូ។នេះគឺជាវិធីសាស្ត្រទទួលស្គាល់ផ្នែកបន្ថែមដ៏សាមញ្ញបំផុត។ ឧទាហរណ៍ វា​ត្រូវ​បាន​ប្រើ​នៅ​ពេល​ដែល​ថ្នាក់​ទទួល​ស្គាល់​ត្រូវ​បាន​បង្ហាញ​ក្នុង​ចន្លោះ​លក្ខណៈ​ក្នុង​ការ​ដាក់​ក្រុម​ធរណីមាត្រ​បង្រួម។ ក្នុងករណីនេះ កណ្តាលនៃក្រុមធរណីមាត្រនៃថ្នាក់ (ឬវត្ថុដែលនៅជិតបំផុតទៅកណ្តាល) ជាធម្មតាត្រូវបានជ្រើសរើសជាចំណុចគំរូ។

ដើម្បីចាត់ថ្នាក់វត្ថុដែលមិនស្គាល់ គំរូដែលនៅជិតបំផុតត្រូវបានរកឃើញ ហើយវត្ថុនោះជាកម្មសិទ្ធិរបស់ថ្នាក់ដូចគ្នានឹងគំរូដើមនេះ។ ជាក់ស្តែង គ្មានរូបភាពថ្នាក់ទូទៅត្រូវបានបង្កើតឡើងនៅក្នុងវិធីសាស្រ្តនេះទេ។

ប្រភេទផ្សេងគ្នានៃចម្ងាយអាចត្រូវបានប្រើជារង្វាស់នៃភាពជិត។ ជាញឹកញាប់សម្រាប់លក្ខណៈពិសេស dichotomous ចម្ងាយ Hamming ត្រូវបានប្រើដែលក្នុងករណីនេះស្មើនឹងការ៉េនៃចម្ងាយ Euclidean ។ ក្នុង​ករណី​នេះ ក្បួន​ការ​សម្រេច​ចិត្ត​សម្រាប់​ការ​ចាត់​ថ្នាក់​វត្ថុ​គឺ​ស្មើ​នឹង​មុខងារ​សម្រេច​ចិត្ត​លីនេអ៊ែរ។

ការពិតនេះគួរតែត្រូវបានកត់សម្គាល់ជាពិសេស។ វាបង្ហាញយ៉ាងច្បាស់ពីការតភ្ជាប់រវាងគំរូដើម និងការចង្អុលបង្ហាញអំពីព័ត៌មានអំពីរចនាសម្ព័ន្ធទិន្នន័យ។ ការប្រើប្រាស់តំណាងខាងលើ ជាឧទាហរណ៍ មាត្រដ្ឋានវាស់បែបប្រពៃណីណាមួយ ដែលជាមុខងារលីនេអ៊ែរនៃតម្លៃនៃលក្ខណៈ dichotomous អាចត្រូវបានចាត់ទុកថាជាគំរូនៃការវិនិច្ឆ័យសម្មតិកម្ម។ នៅក្នុងវេន ប្រសិនបើការវិភាគនៃរចនាសម្ព័ន្ធលំហនៃថ្នាក់ដែលបានទទួលស្គាល់អនុញ្ញាតឱ្យយើងសន្និដ្ឋានថាពួកវាមានលក្ខណៈតូចតាចតាមធរណីមាត្រ នោះវាគ្រប់គ្រាន់ហើយក្នុងការជំនួសថ្នាក់នីមួយៗទាំងនេះជាមួយនឹងគំរូមួយ ដែលពិតជាស្មើនឹងគំរូរោគវិនិច្ឆ័យលីនេអ៊ែរ។

ជា​ការ​ពិត ស្ថានភាព​ច្រើន​តែ​ខុស​ពី​ឧទាហរណ៍​ដែល​បាន​ពិពណ៌នា។ អ្នកស្រាវជ្រាវដែលមានបំណងអនុវត្តវិធីសាស្រ្តទទួលស្គាល់ដោយផ្អែកលើការប្រៀបធៀបជាមួយនឹងគំរូនៃថ្នាក់រោគវិនិច្ឆ័យប្រឈមនឹងបញ្ហាពិបាក។ នេះគឺជាជម្រើសនៃរង្វាស់ជិត (ម៉ែត្រ) ដែលអាចផ្លាស់ប្តូរយ៉ាងសំខាន់នូវការកំណត់រចនាសម្ព័ន្ធនៃការបែងចែកវត្ថុ។ ហើយទីពីរ បញ្ហាឯករាជ្យគឺការវិភាគនៃរចនាសម្ព័ន្ធពហុវិមាត្រនៃទិន្នន័យពិសោធន៍។ បញ្ហាទាំងពីរនេះមានលក្ខណៈស្រួចស្រាវជាពិសេសសម្រាប់អ្នកស្រាវជ្រាវក្រោមលក្ខខណ្ឌនៃទំហំខ្ពស់នៃទំហំមុខងារ ដែលជាតួយ៉ាងសម្រាប់បញ្ហាពិតប្រាកដ។

វិធីសាស្រ្ត k - អ្នកជិតខាងដែលនៅជិតបំផុត។វិធីសាស្រ្ត k-nearest អ្នកជិតខាងសម្រាប់ការដោះស្រាយបញ្ហាការវិភាគការរើសអើងត្រូវបានស្នើឡើងជាលើកដំបូងនៅឆ្នាំ 1952 ។ វាមានដូចខាងក្រោម។

នៅពេលចាត់ថ្នាក់វត្ថុដែលមិនស្គាល់ លេខដែលបានផ្តល់ឱ្យ (k) នៃវត្ថុផ្សេងទៀតតាមធរណីមាត្រនៅជិតវាបំផុតនៅក្នុងចន្លោះលក្ខណៈពិសេស (អ្នកជិតខាងដែលនៅជិតបំផុត) ដែលស្គាល់រួចហើយជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលអាចស្គាល់ត្រូវបានរកឃើញ។ ការសម្រេចចិត្តចាត់តាំងវត្ថុមិនស្គាល់មួយទៅថ្នាក់វិនិច្ឆ័យជាក់លាក់មួយ ត្រូវបានធ្វើឡើងដោយការវិភាគព័ត៌មានអំពីសមាជិកភាពដែលគេស្គាល់នេះនៃអ្នកជិតខាងដែលនៅជិតបំផុត ឧទាហរណ៍ ដោយប្រើការរាប់សន្លឹកឆ្នោតសាមញ្ញ។

ដំបូង វិធីសាស្ត្រ k-nearest ជិតបំផុតត្រូវបានចាត់ទុកថាជាវិធីសាស្ត្រដែលមិនមែនជាប៉ារ៉ាម៉ែត្រសម្រាប់ការប៉ាន់ប្រមាណសមាមាត្រលទ្ធភាព។ សម្រាប់វិធីសាស្រ្តនេះ ការប៉ាន់ប្រមាណតាមទ្រឹស្តីនៃប្រសិទ្ធភាពរបស់វាត្រូវបានទទួលនៅក្នុងការប្រៀបធៀបជាមួយនឹងចំណាត់ថ្នាក់ល្អបំផុតរបស់ Bayesian ។ វាត្រូវបានបង្ហាញថាប្រូបាប៊ីលីតេនៃកំហុស asymptotic សម្រាប់វិធីសាស្រ្ត k-ជិតបំផុតអ្នកជិតខាង លើសពីកំហុសនៃច្បាប់ Bayes មិនលើសពី 2 ដង។

ដូចដែលបានកត់សម្គាល់ខាងលើនៅក្នុងបញ្ហាជាក់ស្តែងវាជាញឹកញាប់ចាំបាច់ដើម្បីធ្វើប្រតិបត្តិការជាមួយវត្ថុដែលត្រូវបានពិពណ៌នាដោយចំនួនដ៏ច្រើននៃលក្ខណៈគុណភាព (dichotomous) ។ ក្នុងពេលជាមួយគ្នានេះ វិមាត្រនៃលំហលក្ខណៈគឺសមស្របជាមួយ ឬលើសពីបរិមាណនៃគំរូដែលកំពុងសិក្សា។ នៅក្រោមលក្ខខណ្ឌបែបនេះ វាជាការងាយស្រួលក្នុងការបកស្រាយវត្ថុនីមួយៗនៃគំរូបណ្តុះបណ្តាលជាអ្នកចាត់ថ្នាក់លីនេអ៊ែរដាច់ដោយឡែក។ បន្ទាប់មក ថ្នាក់រោគវិនិច្ឆ័យនេះ ឬថ្នាក់នោះ មិនត្រូវបានតំណាងដោយគំរូមួយទេ ប៉ុន្តែដោយសំណុំនៃថ្នាក់លីនេអ៊ែរ។ អន្តរកម្មរួមបញ្ចូលគ្នានៃអ្នកចាត់ថ្នាក់លីនេអ៊ែរ បណ្តាលឱ្យមានផ្ទៃលីនេអ៊ែរជាដុំៗ ដែលបំបែកថ្នាក់ដែលអាចស្គាល់បាននៅក្នុងចន្លោះមុខងារ។ ប្រភេទនៃផ្ទៃបែងចែក ដែលមានបំណែកនៃគំនូសប្លង់ខ្ពស់ អាចមានភាពខុសប្លែកគ្នា និងអាស្រ័យលើទីតាំងទាក់ទងនៃការប្រមូលផ្តុំដែលបានចាត់ថ្នាក់។

ការបកស្រាយមួយផ្សេងទៀតនៃយន្តការចាត់ថ្នាក់អ្នកជិតខាង k-nearest ក៏អាចត្រូវបានប្រើផងដែរ។ វាត្រូវបានផ្អែកលើគំនិតនៃអត្ថិភាពនៃអថេរអថេរមួយចំនួន អរូបី ឬទាក់ទងដោយការបំប្លែងខ្លះជាមួយនឹងលំហលក្ខណៈដើម។ ប្រសិនបើចម្ងាយជាគូរវាងវត្ថុនៅក្នុងលំហនៃអថេរដែលមិនទាន់ឃើញច្បាស់គឺដូចគ្នាទៅនឹងចន្លោះនៃលក្ខណៈដំបូង ហើយចំនួននៃអថេរទាំងនេះគឺតិចជាងចំនួនវត្ថុ នោះការបកស្រាយនៃវិធីសាស្ត្រ k-ជិតបំផុតរបស់អ្នកជិតខាងអាចត្រូវបានពិចារណា។ តាមទស្សនៈនៃការប្រៀបធៀបការប៉ាន់ប្រមាណ nonparametric នៃដង់ស៊ីតេចែកចាយប្រូបាប៊ីលីតេតាមលក្ខខណ្ឌ។ គោលគំនិតនៃអថេរមិនទាន់ឃើញច្បាស់ដែលបង្ហាញនៅទីនេះគឺជិតស្និទ្ធនឹងគំនិតនៃវិមាត្រពិត និងការតំណាងផ្សេងទៀតដែលប្រើក្នុងវិធីសាស្ត្រកាត់បន្ថយវិមាត្រផ្សេងៗ។

នៅពេលប្រើវិធីសាស្ត្រ k-nearest neighbors សម្រាប់ការទទួលស្គាល់លំនាំ អ្នកស្រាវជ្រាវត្រូវដោះស្រាយបញ្ហាលំបាកក្នុងការជ្រើសរើសម៉ែត្រដើម្បីកំណត់ភាពជិតនៃវត្ថុដែលបានធ្វើរោគវិនិច្ឆ័យ។ បញ្ហានេះនៅក្នុងលក្ខខណ្ឌនៃវិមាត្រខ្ពស់នៃទំហំមុខងារកាន់តែធ្ងន់ធ្ងរឡើងដោយសារតែភាពស្មុគស្មាញគ្រប់គ្រាន់នៃវិធីសាស្ត្រនេះ ដែលក្លាយជាបញ្ហាសំខាន់សូម្បីតែកុំព្យូទ័រដែលដំណើរការខ្ពស់ក៏ដោយ។ ដូច្នេះនៅទីនេះ ដូចគ្នានឹងវិធីសាស្ត្រប្រៀបធៀបគំរូដែរ វាចាំបាច់ក្នុងការដោះស្រាយបញ្ហាច្នៃប្រឌិតនៃការវិភាគរចនាសម្ព័ន្ធពហុវិមាត្រនៃទិន្នន័យពិសោធន៍ ដើម្បីកាត់បន្ថយចំនួនវត្ថុដែលតំណាងឱ្យថ្នាក់វិនិច្ឆ័យ។

ក្បួនដោះស្រាយសម្រាប់ការគណនាពិន្ទុ (បោះឆ្នោត)។គោលការណ៍នៃប្រតិបត្តិការនៃក្បួនដោះស្រាយវាយតម្លៃ (ABO) គឺដើម្បីគណនាអាទិភាព (ពិន្ទុស្រដៀងគ្នា) ដែលកំណត់លក្ខណៈ “ជិត” នៃវត្ថុដែលបានទទួលស្គាល់ និងឯកសារយោងយោងទៅតាមប្រព័ន្ធនៃក្រុមលក្ខណៈពិសេស ដែលជាប្រព័ន្ធនៃសំណុំរងនៃសំណុំដែលបានផ្តល់ឱ្យ។ នៃលក្ខណៈពិសេស។

មិនដូចវិធីសាស្រ្តដែលបានពិចារណាពីមុនទាំងអស់ទេ ក្បួនដោះស្រាយសម្រាប់ការគណនាការប៉ាន់ប្រមាណដំណើរការជាមួយនឹងការពិពណ៌នាវត្ថុក្នុងវិធីថ្មីជាមូលដ្ឋាន។ សម្រាប់ក្បួនដោះស្រាយទាំងនេះ វត្ថុមានក្នុងពេលដំណាលគ្នាក្នុងចន្លោះរងផ្សេងគ្នានៃទំហំមុខងារ។ ថ្នាក់ ABO នាំមកនូវគំនិតនៃការប្រើប្រាស់លក្ខណៈពិសេសដល់ការសន្និដ្ឋានឡូជីខលរបស់វា៖ ដោយសារវាមិនតែងតែដឹងថាការបន្សំនៃលក្ខណៈពិសេសណាដែលផ្តល់ព័ត៌មានច្រើនបំផុតនៅក្នុង ABO កម្រិតនៃភាពស្រដៀងគ្នានៃវត្ថុត្រូវបានគណនាដោយប្រៀបធៀបបន្សំដែលអាចធ្វើទៅបានឬជាក់លាក់នៃលក្ខណៈពិសេស។ រួមបញ្ចូលនៅក្នុងការពិពណ៌នាអំពីវត្ថុ។

ក្រុមនៃច្បាប់នៃការសម្រេចចិត្ត។ច្បាប់នៃការសម្រេចចិត្តប្រើគ្រោងការណ៍ការទទួលស្គាល់ពីរកម្រិត។ នៅកម្រិតទីមួយ ក្បួនដោះស្រាយការទទួលស្គាល់ឯកជនដំណើរការ ដែលលទ្ធផលត្រូវបានបញ្ចូលគ្នានៅកម្រិតទីពីរនៅក្នុងប្លុកសំយោគ។ វិធីសាស្រ្តទូទៅបំផុតនៃការរួមបញ្ចូលគ្នាបែបនេះគឺផ្អែកលើការបែងចែកតំបន់នៃសមត្ថកិច្ចនៃក្បួនដោះស្រាយជាក់លាក់មួយ។ មធ្យោបាយដ៏សាមញ្ញបំផុតក្នុងការស្វែងរកផ្នែកនៃសមត្ថភាពគឺដើម្បីផ្តល់អាទិភាពបំបែកចន្លោះលក្ខណៈពិសេសដោយផ្អែកលើការពិចារណាប្រកបដោយវិជ្ជាជីវៈនៃវិទ្យាសាស្ត្រជាក់លាក់មួយ (ឧទាហរណ៍ ការចាត់ថ្នាក់នៃគំរូតាមលក្ខណៈពិសេសមួយចំនួន)។ បន្ទាប់មក សម្រាប់តំបន់នីមួយៗដែលបានជ្រើសរើស ក្បួនដោះស្រាយការទទួលស្គាល់ផ្ទាល់ខ្លួនរបស់វាត្រូវបានបង្កើតឡើង។ វិធីសាស្រ្តមួយផ្សេងទៀតគឺផ្អែកលើការប្រើប្រាស់ការវិភាគផ្លូវការដើម្បីកំណត់តំបន់ក្នុងតំបន់នៃចន្លោះលក្ខណៈពិសេសដែលជាសង្កាត់នៃវត្ថុដែលអាចស្គាល់បាន ដែលភាពជោគជ័យនៃក្បួនដោះស្រាយការទទួលស្គាល់ជាក់លាក់ណាមួយត្រូវបានបង្ហាញឱ្យឃើញ។

វិធីសាស្រ្តទូទៅបំផុតក្នុងការសាងសង់ប្លុកសំយោគចាត់ទុកសូចនាករលទ្ធផលនៃក្បួនដោះស្រាយជាក់លាក់ថាជាលក្ខណៈពិសេសដំបូងសម្រាប់បង្កើតច្បាប់ការសម្រេចចិត្តទូទៅថ្មី។ ក្នុងករណីនេះ វិធីសាស្រ្តខាងលើទាំងអស់នៃទិសដៅបន្ថែម និងបន្ថែមក្នុងការទទួលស្គាល់លំនាំអាចត្រូវបានប្រើ។ មានប្រសិទ្ធភាពក្នុងការដោះស្រាយបញ្ហានៃការបង្កើតច្បាប់នៃការសម្រេចចិត្តគឺជាក្បួនដោះស្រាយឡូជីខលនៃប្រភេទ "Kora" និងក្បួនដោះស្រាយសម្រាប់ការគណនាការប៉ាន់ប្រមាណ (ABO) ដែលជាមូលដ្ឋាននៃអ្វីដែលគេហៅថាវិធីសាស្រ្តពិជគណិត ដែលផ្តល់នូវការស្រាវជ្រាវ និងការពិពណ៌នាស្ថាបនាអំពី ក្បួនដោះស្រាយការទទួលស្គាល់ ដែលក្នុងនោះគ្រប់ប្រភេទនៃក្បួនដោះស្រាយដែលមានស្រាប់សម។

វិធីសាស្រ្តបណ្តាញសរសៃប្រសាទ

វិធីសាស្រ្តបណ្តាញសរសៃប្រសាទ គឺជាវិធីសាស្ត្រផ្អែកលើការប្រើប្រាស់បណ្តាញសរសៃប្រសាទប្រភេទផ្សេងៗ (NN)។ ផ្នែកសំខាន់ៗនៃការអនុវត្ត NNs ផ្សេងៗសម្រាប់ការទទួលស្គាល់រូបភាព និងលំនាំ៖

កម្មវិធីសម្រាប់ការស្រង់ចេញនូវលក្ខណៈសំខាន់ៗ ឬលក្ខណៈនៃរូបភាពដែលបានផ្តល់ឱ្យ,

ការចាត់ថ្នាក់នៃរូបភាពខ្លួនឯង ឬលក្ខណៈដែលបានស្រង់ចេញពីពួកវារួចហើយ (ក្នុងករណីដំបូង ការទាញយកលក្ខណៈសំខាន់ៗកើតឡើងដោយប្រយោលនៅក្នុងបណ្តាញ)

ដំណោះស្រាយនៃបញ្ហាបង្កើនប្រសិទ្ធភាព។

បណ្តាញសរសៃប្រសាទពហុស្រទាប់។ស្ថាបត្យកម្មនៃបណ្តាញសរសៃប្រសាទពហុស្រទាប់ (MNN) មានស្រទាប់ភ្ជាប់គ្នាជាបន្តបន្ទាប់ ដែលណឺរ៉ូននៃស្រទាប់នីមួយៗត្រូវបានភ្ជាប់ជាមួយណឺរ៉ូនទាំងអស់នៃស្រទាប់មុនជាមួយនឹងធាតុចូល និងលទ្ធផលនៃស្រទាប់បន្ទាប់។

កម្មវិធីសាមញ្ញបំផុតនៃ NN ស្រទាប់តែមួយ (ហៅថា អង្គចងចាំភ្ជាប់ដោយស្វ័យប្រវត្តិ) គឺការបណ្តុះបណ្តាលបណ្តាញដើម្បីបង្កើតរូបភាពព័ត៌មានឡើងវិញ។ តាមរយៈការផ្តល់រូបភាពសាកល្បងទៅការបញ្ចូល និងការគណនាគុណភាពនៃរូបភាពដែលបានបង្កើតឡើងវិញ នោះគេអាចប៉ាន់ស្មានថាតើបណ្តាញទទួលស្គាល់រូបភាពបញ្ចូលបានល្អប៉ុណ្ណា។ លក្ខណៈសម្បត្តិវិជ្ជមាននៃវិធីសាស្រ្តនេះគឺថាបណ្តាញអាចស្តាររូបភាពដែលខូចទ្រង់ទ្រាយ និងគ្មានសម្លេង ប៉ុន្តែវាមិនសមរម្យសម្រាប់គោលបំណងធ្ងន់ធ្ងរជាងនេះទេ។

MNN ត្រូវបានគេប្រើផងដែរសម្រាប់ការចាត់ថ្នាក់ដោយផ្ទាល់នៃរូបភាព - ការបញ្ចូលគឺជារូបភាពខ្លួនវាផ្ទាល់នៅក្នុងទម្រង់មួយចំនួន ឬសំណុំនៃលក្ខណៈសំខាន់ៗនៃរូបភាពដែលបានស្រង់ចេញពីមុន នៅលទ្ធផល ណឺរ៉ូនដែលមានសកម្មភាពអតិបរមាបង្ហាញថាជាកម្មសិទ្ធិរបស់ថ្នាក់ទទួលស្គាល់ (រូបភាព .៤). ប្រសិនបើសកម្មភាពនេះស្ថិតនៅក្រោមកម្រិតជាក់លាក់មួយ នោះវាត្រូវបានចាត់ទុកថារូបភាពដែលបានដាក់ស្នើមិនមែនជាកម្មសិទ្ធិរបស់ថ្នាក់ណាមួយដែលបានស្គាល់នោះទេ។ ដំណើរការសិក្សាបង្កើតការឆ្លើយឆ្លងនៃរូបភាពបញ្ចូលជាមួយនឹងកម្មសិទ្ធិរបស់ថ្នាក់ជាក់លាក់មួយ។ នេះ​គេ​ហៅ​ថា​ការ​រៀន​ត្រួត​ពិនិត្យ។ វិធីសាស្រ្តនេះគឺល្អសម្រាប់កិច្ចការគ្រប់គ្រងការចូលប្រើសម្រាប់មនុស្សមួយក្រុមតូច។ វិធីសាស្រ្តនេះផ្តល់នូវការប្រៀបធៀបដោយផ្ទាល់នៃរូបភាពខ្លួនឯងដោយបណ្តាញ ប៉ុន្តែជាមួយនឹងការកើនឡើងនៃចំនួនថ្នាក់ ពេលវេលានៃការបណ្តុះបណ្តាល និងប្រតិបត្តិការបណ្តាញកើនឡើងជាលំដាប់។ ដូច្នេះហើយ សម្រាប់កិច្ចការដូចជាការស្វែងរកមនុស្សស្រដៀងគ្នានៅក្នុងមូលដ្ឋានទិន្នន័យធំ វាទាមទារឱ្យមានការស្រង់ចេញនូវសំណុំនៃមុខងារសំខាន់ៗដែលត្រូវស្វែងរក។

វិធីសាស្រ្តចាត់ថ្នាក់ដោយប្រើលក្ខណៈប្រេកង់នៃរូបភាពទាំងមូលត្រូវបានពិពណ៌នានៅក្នុង . NS ស្រទាប់តែមួយផ្អែកលើណឺរ៉ូនដែលមានតម្លៃច្រើនត្រូវបានប្រើប្រាស់។

B បង្ហាញពីការប្រើប្រាស់ NN សម្រាប់ការចាត់ថ្នាក់រូបភាព នៅពេលដែលការបញ្ចូលបណ្តាញទទួលបានលទ្ធផលនៃការខូចទ្រង់ទ្រាយរូបភាពដោយវិធីសាស្ត្រនៃសមាសធាតុសំខាន់ៗ។

នៅក្នុង MNS បុរាណ ការតភ្ជាប់សរសៃប្រសាទ interlayer ត្រូវបានតភ្ជាប់យ៉ាងពេញលេញ ហើយរូបភាពត្រូវបានតំណាងជាវ៉ិចទ័រមួយវិមាត្រ ទោះបីជាវាជាពីរវិមាត្រក៏ដោយ។ ស្ថាបត្យកម្មនៃបណ្តាញសរសៃប្រសាទ convolutional មានគោលបំណងដើម្បីយកឈ្នះលើចំណុចខ្វះខាតទាំងនេះ។ វាបានប្រើវាល receptor ក្នុងតំបន់ (ផ្តល់នូវការតភ្ជាប់ពីរវិមាត្រក្នុងតំបន់នៃណឺរ៉ូន) ទម្ងន់ទូទៅ (ផ្តល់នូវការរកឃើញនៃលក្ខណៈពិសេសមួយចំនួននៅកន្លែងណាមួយនៅក្នុងរូបភាព) និងអង្គការឋានានុក្រមជាមួយនឹងគំរូរងផ្នែក (spatial subsampling) ។ Convolutional NN (CNN) ផ្តល់នូវភាពធន់ផ្នែកខ្លះចំពោះការផ្លាស់ប្តូរខ្នាត ការផ្លាស់ទីលំនៅ ការបង្វិល ការបង្ខូចទ្រង់ទ្រាយ។

MNS ក៏ត្រូវបានប្រើដើម្បីរកមើលវត្ថុនៃប្រភេទជាក់លាក់មួយ។ បន្ថែមពីលើការពិតដែលថា MNS ដែលបានទទួលការបណ្តុះបណ្តាលណាមួយអាចកំណត់ពីភាពជាកម្មសិទ្ធិនៃរូបភាពទៅថ្នាក់ "របស់វាផ្ទាល់" នោះ វាអាចត្រូវបានបណ្តុះបណ្តាលជាពិសេសដើម្បីរកឃើញថ្នាក់ជាក់លាក់មួយចំនួន។ ក្នុង​ករណី​នេះ ថ្នាក់​លទ្ធផល​នឹង​ជា​ថ្នាក់​ដែល​ជា​កម្មសិទ្ធិ និង​មិន​មែន​ជា​កម្មសិទ្ធិ​របស់​ប្រភេទ​រូបភាព​ដែល​បាន​ផ្តល់​ឱ្យ​ទេ។ ឧបករណ៍ចាប់បណ្តាញសរសៃប្រសាទត្រូវបានប្រើដើម្បីរកមើលរូបភាពមុខនៅក្នុងរូបភាពបញ្ចូល។ រូបភាពត្រូវបានស្កេនដោយប្រើបង្អួចទំហំ 20x20 ភីកសែល ដែលត្រូវបានបញ្ចូលទៅក្នុងបណ្តាញបញ្ចូល ដែលសម្រេចថាតើផ្ទៃដែលបានផ្តល់ឱ្យជាកម្មសិទ្ធិរបស់ថ្នាក់នៃមុខ។ ការបណ្តុះបណ្តាលត្រូវបានធ្វើឡើងដោយប្រើឧទាហរណ៍វិជ្ជមាន (រូបភាពផ្សេងៗនៃមុខ) និងឧទាហរណ៍អវិជ្ជមាន (រូបភាពដែលមិនមែនជាមុខ) ។ ដើម្បីបង្កើនភាពជឿជាក់នៃការរាវរក ក្រុម NNs ដែលត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងទម្ងន់ដំបូងខុសៗគ្នាត្រូវបានប្រើប្រាស់ ដែលជាលទ្ធផលដែល NNs បានធ្វើខុសក្នុងវិធីផ្សេងៗគ្នា ហើយការសម្រេចចិត្តចុងក្រោយត្រូវបានធ្វើឡើងដោយការបោះឆ្នោតរបស់ក្រុមទាំងមូល។

រូបភាពទី 5. សមាសធាតុចម្បង (eigenfaces) និងការបំបែករូបភាពទៅជាសមាសធាតុសំខាន់

NN ក៏ត្រូវបានគេប្រើដើម្បីស្រង់ចេញនូវលក្ខណៈសំខាន់ៗនៃរូបភាព ដែលបន្ទាប់មកត្រូវបានប្រើសម្រាប់ការចាត់ថ្នាក់ជាបន្តបន្ទាប់។ នៅក្នុង វិធីសាស្រ្តសម្រាប់ការអនុវត្តបណ្តាញសរសៃប្រសាទនៃវិធីសាស្ត្រវិភាគសមាសធាតុចម្បងត្រូវបានបង្ហាញ។ ខ្លឹមសារនៃវិធីសាស្រ្តវិភាគសមាសភាគសំខាន់គឺដើម្បីទទួលបានមេគុណដែលបានបំបែកជាអតិបរមាដែលកំណត់លក្ខណៈនៃលំនាំបញ្ចូល។ មេគុណទាំងនេះត្រូវបានគេហៅថាសមាសធាតុចម្បង ហើយត្រូវបានប្រើសម្រាប់ការបង្ហាប់រូបភាពស្ថិតិ ដែលមេគុណមួយចំនួនតូចត្រូវបានប្រើដើម្បីតំណាងឱ្យរូបភាពទាំងមូល។ NN ដែលមានស្រទាប់លាក់មួយមាន N ណឺរ៉ូន (ដែលតូចជាងទំហំរូបភាព) ដែលត្រូវបានបណ្តុះបណ្តាលដោយវិធីសាស្រ្តនៃកំហុស backpropagation ដើម្បីស្ដាររូបភាពបញ្ចូលនៅទិន្នផល បង្កើតមេគុណនៃសមាសធាតុចម្បង N ដំបូងនៅទិន្នផលនៃ ណឺរ៉ូនលាក់កំបាំង ដែលត្រូវបានប្រើសម្រាប់ការប្រៀបធៀប។ ជាធម្មតា សមាសធាតុសំខាន់ៗពី 10 ទៅ 200 ត្រូវបានប្រើប្រាស់។ នៅពេលដែលចំនួនសមាសភាគកើនឡើង តំណាងរបស់វាថយចុះយ៉ាងខ្លាំង ហើយវាមិនសមហេតុផលក្នុងការប្រើសមាសធាតុដែលមានចំនួនច្រើន។ នៅពេលប្រើមុខងារធ្វើឱ្យសកម្ម nonlinear នៃធាតុសរសៃប្រសាទ ការបំបែក nonlinear ទៅជាសមាសធាតុចម្បងគឺអាចធ្វើទៅបាន។ ភាពមិនលីនេអ៊ែរអនុញ្ញាតឱ្យអ្នកឆ្លុះបញ្ចាំងយ៉ាងត្រឹមត្រូវនូវការប្រែប្រួលនៅក្នុងទិន្នន័យបញ្ចូល។ ការអនុវត្តការវិភាគសមាសធាតុចម្បងទៅនឹងការខូចទ្រង់ទ្រាយនៃរូបភាពមុខ យើងទទួលបានសមាសធាតុសំខាន់ៗដែលហៅថាមុខត្រឹមត្រូវដែលមានលក្ខណៈសម្បត្តិមានប្រយោជន៍ផងដែរ - មានសមាសធាតុដែលឆ្លុះបញ្ចាំងពីលក្ខណៈមុខសំខាន់ៗដូចជាភេទ ពូជសាសន៍ អារម្មណ៍។ នៅពេលដែលត្រូវបានស្ដារឡើងវិញ សមាសធាតុមានរូបរាងដូចមុខ ដោយពីមុនឆ្លុះបញ្ចាំងពីរូបរាងទូទៅបំផុតនៃមុខ ក្រោយមកទៀតតំណាងឱ្យភាពខុសគ្នាបន្តិចបន្តួចរវាងមុខ (រូបភាពទី 5)។ វិធីសាស្រ្តនេះគឺអាចអនុវត្តបានយ៉ាងល្អសម្រាប់ការស្វែងរករូបភាពមុខស្រដៀងគ្នានៅក្នុងមូលដ្ឋានទិន្នន័យធំ។ លទ្ធភាពនៃការកាត់បន្ថយបន្ថែមទៀតនៃវិមាត្រនៃសមាសធាតុសំខាន់ៗដោយមានជំនួយពី NS ក៏ត្រូវបានបង្ហាញផងដែរ។ តាមរយៈការវាយតម្លៃគុណភាពនៃការបង្កើតឡើងវិញនៃរូបភាពបញ្ចូល មនុស្សម្នាក់អាចកំណត់បានយ៉ាងត្រឹមត្រូវថាតើវាជាកម្មសិទ្ធិរបស់ថ្នាក់នៃមុខដែរឬទេ។

បណ្តាញសរសៃប្រសាទនៃលំដាប់ខ្ពស់។បណ្តាញសរសៃប្រសាទលំដាប់ខ្ពស់ (HNNs) ខុសពី MNN ដែលពួកវាមានស្រទាប់តែមួយ ប៉ុន្តែធាតុបញ្ចូលនៃណឺរ៉ូនក៏ទទួលបានលក្ខខណ្ឌលំដាប់ខ្ពស់ផងដែរ ដែលជាផលិតផលនៃសមាសធាតុពីរ ឬច្រើននៃវ៉ិចទ័របញ្ចូល។ បណ្តាញបែបនេះក៏អាចបង្កើតផ្ទៃបំបែកដ៏ស្មុគស្មាញផងដែរ។

បណ្តាញសរសៃប្រសាទ Hopfield ។ Hopfield NN (HSH) គឺជាស្រទាប់តែមួយ និងត្រូវបានភ្ជាប់យ៉ាងពេញលេញ (មិនមានការតភ្ជាប់នៃណឺរ៉ូនទៅនឹងខ្លួនពួកគេទេ) លទ្ធផលរបស់វាត្រូវបានភ្ជាប់ជាមួយនឹងធាតុបញ្ចូល។ មិនដូច MNS ទេ NSH គឺជាការសម្រាកលំហែ ពោលគឺឧ។ ត្រូវបានកំណត់ទៅរដ្ឋដំបូង វាដំណើរការរហូតដល់វាឈានដល់ស្ថានភាពស្ថិរភាព ដែលនឹងក្លាយជាតម្លៃលទ្ធផលរបស់វា។ ដើម្បីស្វែងរកអប្បបរមាជាសកលទាក់ទងនឹងបញ្ហាបង្កើនប្រសិទ្ធភាព ការកែប្រែ stochastic នៃ NSH ត្រូវបានប្រើ។

ការប្រើប្រាស់ NSH ជាអង្គចងចាំរួមអនុញ្ញាតឱ្យអ្នកស្តាររូបភាពដែលបណ្តាញត្រូវបានបណ្តុះបណ្តាលយ៉ាងត្រឹមត្រូវនៅពេលដែលរូបភាពដែលខូចត្រូវបានបញ្ចូលទៅក្នុងធាតុបញ្ចូល។ ក្នុងករណីនេះបណ្តាញនឹង "ចងចាំ" រូបភាពដែលនៅជិតបំផុត (ក្នុងន័យនៃថាមពលអប្បបរមាក្នុងតំបន់) ហើយដូច្នេះទទួលស្គាល់វា។ មុខងារបែបនេះក៏អាចត្រូវបានគេគិតថាជាកម្មវិធីបន្តបន្ទាប់នៃអង្គចងចាំដែលពាក់ព័ន្ធដោយស្វ័យប្រវត្តិដែលបានពិពណ៌នាខាងលើ។ មិនដូចអង្គចងចាំដែលភ្ជាប់ដោយស្វ័យប្រវត្តិនោះទេ NSH នឹងស្ដាររូបភាពឡើងវិញយ៉ាងត្រឹមត្រូវឥតខ្ចោះ។ ដើម្បីជៀសវាងការជ្រៀតជ្រែកតិចតួច និងបង្កើនសមត្ថភាពបណ្តាញ វិធីសាស្ត្រផ្សេងៗត្រូវបានប្រើប្រាស់។

Kohonen បណ្តាញសរសៃប្រសាទរៀបចំដោយខ្លួនឯង។ Kohonen បណ្តាញសរសៃប្រសាទដែលរៀបចំដោយខ្លួនឯង (SNNCs) ផ្តល់នូវលំដាប់ topological នៃទំហំរូបភាពបញ្ចូល។ ពួកវាអនុញ្ញាតឱ្យធ្វើផែនទីបន្តផ្ទាល់នៃលំហ n-dimensional ចូលទៅក្នុងទិន្នផល m-dimensional, m<

សញ្ញាណ។ cognitron នៅក្នុងស្ថាបត្យកម្មរបស់វាគឺស្រដៀងទៅនឹងរចនាសម្ព័ន្ធនៃ Cortex ដែលមើលឃើញវាមានអង្គការពហុស្រទាប់ដែលមានឋានានុក្រមដែលក្នុងនោះសរសៃប្រសាទរវាងស្រទាប់ត្រូវបានតភ្ជាប់តែក្នុងតំបន់ប៉ុណ្ណោះ។ បណ្តុះបណ្តាលដោយការរៀនប្រកួតប្រជែង (ដោយគ្មានគ្រូ)។ ស្រទាប់នីមួយៗនៃខួរក្បាលអនុវត្តកម្រិតផ្សេងគ្នានៃការទូទៅ; ស្រទាប់បញ្ចូលមានភាពរសើបចំពោះគំរូសាមញ្ញ ដូចជាបន្ទាត់ និងការតំរង់ទិសរបស់វានៅក្នុងតំបន់ជាក់លាក់នៃផ្ទៃដែលមើលឃើញ ខណៈពេលដែលការឆ្លើយតបនៃស្រទាប់ផ្សេងទៀតគឺកាន់តែស្មុគស្មាញ អរូបី និងឯករាជ្យនៃទីតាំងរបស់លំនាំ។ មុខងារស្រដៀងគ្នានេះត្រូវបានអនុវត្តនៅក្នុង cognitron ដោយការធ្វើគំរូនៃការរៀបចំនៃ Cortex ដែលមើលឃើញ។

Neocognitron គឺជាការអភិវឌ្ឍន៍បន្ថែមទៀតនៃគំនិត cognitron ហើយឆ្លុះបញ្ចាំងកាន់តែច្បាស់អំពីរចនាសម្ព័ន្ធនៃប្រព័ន្ធមើលឃើញ អនុញ្ញាតឱ្យអ្នកទទួលស្គាល់រូបភាពដោយមិនគិតពីការផ្លាស់ប្តូរ ការបង្វិល ការបង្ខូចទ្រង់ទ្រាយ និងការផ្លាស់ប្តូរខ្នាត។

Cognitron គឺជាឧបករណ៍សម្គាល់រូបភាពដ៏មានអានុភាព ទោះបីជាយ៉ាងណាក៏ដោយ វាទាមទារការចំណាយលើការគណនាខ្ពស់ ដែលបច្ចុប្បន្នមិនអាចសម្រេចបាន។

វិធីសាស្រ្តបណ្តាញសរសៃប្រសាទដែលបានពិចារណាផ្តល់នូវការទទួលស្គាល់រូបភាពលឿន និងអាចទុកចិត្តបាន ប៉ុន្តែនៅពេលប្រើវិធីសាស្ត្រទាំងនេះ បញ្ហាកើតឡើងក្នុងការទទួលស្គាល់វត្ថុបីវិមាត្រ។ ទោះជាយ៉ាងណាក៏ដោយវិធីសាស្រ្តនេះមានគុណសម្បត្តិជាច្រើន។

សេចក្តីសន្និដ្ឋាន

បច្ចុប្បន្ននេះ មានប្រព័ន្ធសម្គាល់លំនាំស្វ័យប្រវត្តិមួយចំនួនធំសម្រាប់បញ្ហាដែលបានអនុវត្តផ្សេងៗ។

ការទទួលស្គាល់លំនាំដោយវិធីសាស្រ្តផ្លូវការជាទិសដៅវិទ្យាសាស្ត្រជាមូលដ្ឋានគឺមិនអាចខ្វះបានឡើយ។

វិធីសាស្រ្តគណិតវិទ្យានៃដំណើរការរូបភាពមានកម្មវិធីជាច្រើនដូចជា៖ វិទ្យាសាស្ត្រ បច្ចេកវិទ្យា ឱសថ សង្គម។ នៅពេលអនាគត តួនាទីនៃការទទួលស្គាល់គំរូក្នុងជីវិតមនុស្សនឹងកើនឡើងកាន់តែច្រើន។

វិធីសាស្រ្តបណ្តាញសរសៃប្រសាទផ្តល់នូវការទទួលស្គាល់រូបភាពលឿន និងអាចទុកចិត្តបាន។ វិធីសាស្រ្តនេះមានគុណសម្បត្តិជាច្រើន ហើយជាវិធីមួយដែលជោគជ័យបំផុត។

អក្សរសាស្ត្រ

D.V. Brilyuk, V.V. Starovoitov ។ វិធីសាស្រ្តបណ្តាញសរសៃប្រសាទនៃការទទួលស្គាល់រូបភាព // /

Kuzin L.T. មូលដ្ឋានគ្រឹះនៃ Cybernetics: មូលដ្ឋានគ្រឹះនៃ Cybernetic Models ។ ធ.២. - M. : ថាមពល, 1979. - 584 ទំ។

Peregudov F.I., Tarasenko F.P. ការណែនាំអំពីការវិភាគប្រព័ន្ធ៖ សៀវភៅសិក្សា។ - M. : វិទ្យាល័យឆ្នាំ 1997 - 389s ។

Temnikov F.E., Afonin V.A., Dmitriev V.I. មូលដ្ឋានគ្រឹះទ្រឹស្តីនៃបច្ចេកវិទ្យាព័ត៌មាន។ - M. : ថាមពល, 1979. - 511s ។

Tu J., Gonzalez R. គោលការណ៍នៃការទទួលស្គាល់លំនាំ។ / ក្នុងមួយ។ ពីភាសាអង់គ្លេស។ - M. : Mir, 1978. - 410s ។

Winston P. បញ្ញាសិប្បនិម្មិត។ / ក្នុងមួយ។ ពីភាសាអង់គ្លេស។ - M. : Mir, 1980. - 520s ។

Fu K. វិធីសាស្រ្តរចនាសម្ព័ន្ធក្នុងការទទួលស្គាល់លំនាំ៖ បកប្រែពីភាសាអង់គ្លេស។ - M. : Mir, 1977. - 320s ។

Tsypkin Ya.Z. មូលដ្ឋានគ្រឹះនៃព័ត៌មាន ទ្រឹស្តីនៃការកំណត់អត្តសញ្ញាណ។ - M. : Nauka, 1984. - 520s ។

Pospelov G.S. បញ្ញាសិប្បនិម្មិត គឺជាមូលដ្ឋាននៃបច្ចេកវិទ្យាព័ត៌មានថ្មី។ - M. : Nauka, 1988. - 280s ។

Yu. Lifshits, វិធីសាស្រ្តស្ថិតិនៃការទទួលស្គាល់លំនាំ ///modern/07modernnote.pdf

Bohr N. រូបវិទ្យាអាតូមិច និងចំណេះដឹងរបស់មនុស្ស។ / ការបកប្រែពីភាសាអង់គ្លេស។ - M. : Mir, 1961. - 151s ។

Butakov E.A., Ostrovsky V.I., Fadeev I.L. ដំណើរការរូបភាពនៅលើកុំព្យូទ័រ.1987.-236s.

Duda R., Hart P. ការទទួលស្គាល់លំនាំ និងការវិភាគកន្លែងកើតហេតុ។ / ការបកប្រែពីភាសាអង់គ្លេស។ - M. : Mir, 1978. - 510s ។

អ្នកឧកញ៉ា V.A. ចិត្តវិទ្យាកុំព្យូទ័រ។ - សាំងពេទឺប៊ឺគៈ ភាតរភាព ឆ្នាំ ១៩៩៤ - ៣៦៥ ទំ។

Aizenberg I. N., Aizenberg N. N. និង Krivosheev G. A. ណឺរ៉ូនគោលពីរដែលមានតម្លៃច្រើន និងជាសកល៖ ក្បួនដោះស្រាយការរៀន កម្មវិធីសម្រាប់ដំណើរការរូបភាព និងការទទួលស្គាល់។ កំណត់ចំណាំការបង្រៀននៅក្នុងបញ្ញាសិប្បនិម្មិត - ការរៀនម៉ាស៊ីន និងការជីកយកទិន្នន័យនៅក្នុងការទទួលស្គាល់លំនាំ ឆ្នាំ 1999 ទំព័រ។ ២១-៣៥។

Ranganath S. និង Arun K. Face recognition ដោយប្រើមុខងារបំប្លែង និងបណ្តាញសរសៃប្រសាទ។ ការទទួលស្គាល់លំនាំឆ្នាំ 1997 លេខ 30, ទំ។ ១៦១៥-១៦២២។

Golovko V.A. Neurointelligence: ទ្រឹស្តីនិងកម្មវិធី។ សៀវភៅ 1. ការរៀបចំ និងការបណ្ដុះបណ្ដាលបណ្តាញប្រសាទ ដោយមានមតិផ្ទាល់ និងមតិត្រឡប់ - Brest: BPI, 1999, - 260s ។

Vetter T. និង Poggio T. ថ្នាក់វត្ថុលីនេអ៊ែរ និងការសំយោគរូបភាពពីរូបភាពឧទាហរណ៍តែមួយ។ ប្រតិបត្តិការ IEEE លើការវិភាគលំនាំ និងម៉ាស៊ីនវៃឆ្លាត ឆ្នាំ ១៩៩៧ លេខ។ 19, ទំ។ ៧៣៣-៧៤២។

Golovko V.A. Neurointelligence: ទ្រឹស្តីនិងកម្មវិធី។ សៀវភៅ 2. ការរៀបចំដោយខ្លួនឯង ការអត់ឱនកំហុស និងការប្រើប្រាស់បណ្តាញសរសៃប្រសាទ - Brest: BPI, 1999, - 228s ។

Lawrence S., Giles C. L., Tsoi A. C. និង Back A. D. Face Recognition: វិធីសាស្រ្តបណ្តាញសរសៃប្រសាទ Convolutional ។ ប្រតិបត្តិការ IEEE លើបណ្តាញសរសៃប្រសាទ បញ្ហាពិសេសលើបណ្តាញសរសៃប្រសាទ និងការទទួលស្គាល់លំនាំ ទំព័រ។ ១-២៤.

Wasserman F. Neurocomputer technology: Theory and practice, 1992 - 184p ។

Rowley H.A., Baluja S. និង Kanade T. Neural Network-Based Face Detection។ ប្រតិបត្តិការ IEEE លើការវិភាគលំនាំ និងម៉ាស៊ីនវៃឆ្លាត ឆ្នាំ ១៩៩៨ លេខ។ 20, ទំ។ ២៣-៣៧។

Valentin D., Abdi H., O” Toole A. J. និង Cottrell G. W. ម៉ូដែល Connectionist of face processing: a survey. IN: Pattern Recognition 1994, Vol. 27, pp. 1209-1230 ។

ឯកសារ

ពួកគេបង្កើតក្បួនដោះស្រាយ ការទទួលស្គាល់រូបភាព. វិធីសាស្រ្តការទទួលស្គាល់រូបភាពដូចដែលបានកត់សម្គាល់ខាងលើ ... ការពិតមិនមែនទេ។ មាន"ប្រព័ន្ធអេកូឡូស៊ីជាទូទៅ" និង មានមានតែពីរបី ... ការសន្និដ្ឋានពីលម្អិតនេះ។ ពិនិត្យវិធីសាស្រ្តការទទួលស្គាល់យើងបានបង្ហាញនៅក្នុង ...

1. ទិដ្ឋភាពទូទៅនៃវិធីសាស្រ្តកំណត់អត្តសញ្ញាណមនុស្សដោយផ្អែកលើរូបភាពមុខ ដោយគិតគូរពីលក្ខណៈពិសេសនៃការសម្គាល់ដោយរូបភាព

   ពិនិត្យ

   ... ការទទួលស្គាល់ដោយបុគ្គលនៃវត្ថុកម្រិតពណ៌ទាប រួមទាំង។ មនុស្ស។ នាំមក ពិនិត្យទូទៅ វិធីសាស្រ្ត ... មានបន្ទាត់ទាំងមូល វិធីសាស្រ្ត ... វិធីជាលទ្ធផលនៃការសិក្សា វេទិកាសម្រាប់ការអភិវឌ្ឍន៍ វិធីសាស្រ្តការទទួលស្គាល់ ...

2. Imeni Glazkova Valentina Vladimirovna ការស្រាវជ្រាវនិងការអភិវឌ្ឍន៍នៃវិធីសាស្រ្តសម្រាប់ការសាងសង់ឧបករណ៍កម្មវិធីសម្រាប់ការចាត់ថ្នាក់នៃឯកសារច្រើនប្រធានបទ HYPERTEXT ឯកទេស 05

   អរូបី អរូបី

   ឯកសារ hypertext ។ ជំពូកមាន ពិនិត្យដែលមានស្រាប់វិធីសាស្រ្តដំណោះស្រាយនៃបញ្ហាក្រោមការពិចារណា ការពិពណ៌នា ... ដោយកាត់ចេញពីថ្នាក់ដែលពាក់ព័ន្ធតិចបំផុត // គណិតវិទ្យា វិធីសាស្រ្តការទទួលស្គាល់រូបភាព៖ សន្និសិទរុស្ស៊ីទាំងអស់លើកទី១៣។ តំបន់ Leningrad...

3. ស្លាយ 0 ទិដ្ឋភាពទូទៅនៃភារកិច្ចនៃជីវព័ត៌មានវិទ្យាទាក់ទងនឹងការវិភាគ និងដំណើរការអត្ថបទហ្សែន

   ការបង្រៀន

   លំដាប់ DNA និងប្រូតេអ៊ីន។ ពិនិត្យភារកិច្ច bioinformatics ជាភារកិច្ច ... សញ្ញាតម្រូវឱ្យមានការប្រើប្រាស់ទំនើប វិធីសាស្រ្តការទទួលស្គាល់រូបភាព, វិធីសាស្រ្តស្ថិតិ និង ... ជាមួយនឹងដង់ស៊ីតេហ្សែនទាប។ ដែលមានស្រាប់កម្មវិធីទស្សន៍ទាយហ្សែនមិន...

→

ជំពូកទី 3៖ ការវិភាគការវិភាគលើការទទួលស្គាល់គំរូ និងវិធីធ្វើការសម្រេចចិត្ត

ទ្រឹស្តីនៃការទទួលស្គាល់លំនាំ និងការគ្រប់គ្រងស្វ័យប្រវត្តិកម្ម

ភារកិច្ចចម្បងនៃការទទួលស្គាល់លំនាំអាដាប់ធ័រ

ការទទួលស្គាល់គឺជាដំណើរការព័ត៌មានដែលអនុវត្តដោយកម្មវិធីបំប្លែងព័ត៌មានមួយចំនួន (ឆានែលព័ត៌មានឆ្លាតវៃ ប្រព័ន្ធទទួលស្គាល់) ដែលមានធាតុបញ្ចូល និងទិន្នផល។ ការបញ្ចូលនៃប្រព័ន្ធគឺជាព័ត៌មានអំពីលក្ខណៈពិសេសដែលវត្ថុដែលបានបង្ហាញមាន។ លទ្ធផលនៃប្រព័ន្ធបង្ហាញព័ត៌មានអំពីថ្នាក់ណាមួយ (រូបភាពទូទៅ) ដែលវត្ថុដែលអាចស្គាល់បានត្រូវបានកំណត់ទៅ។

នៅពេលបង្កើត និងដំណើរការប្រព័ន្ធទទួលស្គាល់លំនាំស្វ័យប្រវត្តិ កិច្ចការមួយចំនួនត្រូវបានដោះស្រាយ។ ចូរយើងសង្ខេប និងពិចារណាកិច្ចការទាំងនេះដោយសង្ខេប។ គួរកត់សំគាល់ថា រូបមន្តនៃបញ្ហាទាំងនេះ និងសំណុំខ្លួនវាមិនស្របគ្នាជាមួយនឹងអ្នកនិពន្ធផ្សេងគ្នាទេ ព្រោះក្នុងកម្រិតជាក់លាក់មួយ វាអាស្រ័យទៅលើគំរូគណិតវិទ្យាជាក់លាក់ដែលប្រព័ន្ធទទួលស្គាល់នេះ ឬប្រព័ន្ធទទួលស្គាល់នោះ។ លើសពីនេះ កិច្ចការមួយចំនួននៅក្នុងគំរូការទទួលស្គាល់មួយចំនួនមិនមានដំណោះស្រាយទេ ហើយតាមនោះ មិនត្រូវបានដាក់ចេញទេ។

ភារកិច្ចនៃការរៀបចំប្រធានបទជាផ្លូវការ

តាមការពិត ភារកិច្ចនេះគឺជាភារកិច្ចនៃការសរសេរកូដ។ បញ្ជីនៃថ្នាក់ទូទៅត្រូវបានចងក្រង ដែលអាចរួមបញ្ចូលការអនុវត្តជាក់លាក់នៃវត្ថុ ក៏ដូចជាបញ្ជីនៃលក្ខណៈពិសេសដែលវត្ថុទាំងនេះ ជាគោលការណ៍អាចមាន។

ភារកិច្ចបង្កើតគំរូបណ្តុះបណ្តាល

គំរូបណ្តុះបណ្តាលគឺជាមូលដ្ឋានទិន្នន័យដែលមានការពិពណ៌នាអំពីការអនុវត្តជាក់លាក់នៃវត្ថុនៅក្នុងភាសាលក្ខណៈពិសេស បន្ថែមដោយព័ត៌មានអំពីកម្មសិទ្ធិរបស់វត្ថុទាំងនេះចំពោះថ្នាក់ទទួលស្គាល់ជាក់លាក់។

ភារកិច្ចបណ្តុះបណ្តាលប្រព័ន្ធទទួលស្គាល់

គំរូបណ្តុះបណ្តាលត្រូវបានប្រើដើម្បីបង្កើតជារូបភាពទូទៅនៃថ្នាក់ទទួលស្គាល់ដោយផ្អែកលើការធ្វើឱ្យទូទៅនៃព័ត៌មានអំពីលក្ខណៈពិសេសអ្វីដែលវត្ថុនៃគំរូបណ្តុះបណ្តាលមានដែលជាកម្មសិទ្ធិរបស់ថ្នាក់នេះ និងថ្នាក់ផ្សេងទៀត។

បញ្ហានៃការកាត់បន្ថយទំហំលំហ

បន្ទាប់ពីការបណ្តុះបណ្តាលប្រព័ន្ធទទួលស្គាល់ (ទទួលបានស្ថិតិស្តីពីការចែកចាយប្រេកង់លក្ខណៈតាមថ្នាក់) វាអាចកំណត់សម្រាប់លក្ខណៈពិសេសនីមួយៗតម្លៃរបស់វាសម្រាប់ការដោះស្រាយបញ្ហាការទទួលស្គាល់។ បន្ទាប់ពីនោះ មុខងារដែលមានតម្លៃតិចបំផុតអាចត្រូវបានយកចេញពីប្រព័ន្ធមុខងារ។ បន្ទាប់មកប្រព័ន្ធទទួលស្គាល់ត្រូវតែត្រូវបានបណ្តុះបណ្តាលឡើងវិញ ចាប់តាំងពីលទ្ធផលនៃការដកចេញនូវលក្ខណៈពិសេសមួយចំនួន ស្ថិតិចែកចាយនៃលក្ខណៈពិសេសដែលនៅសល់ដោយការផ្លាស់ប្តូរថ្នាក់។ ដំណើរការនេះអាចត្រូវបានធ្វើម្តងទៀត, i.e. ធ្វើម្តងទៀត។

ភារកិច្ចទទួលស្គាល់

វត្ថុនៃគំរូដែលអាចស្គាល់បានត្រូវបានទទួលស្គាល់ ដែលជាពិសេសអាចមានវត្ថុមួយ។ គំរូដែលអាចស្គាល់បានត្រូវបានបង្កើតឡើងស្រដៀងនឹងការបណ្តុះបណ្តាល ប៉ុន្តែមិនមានព័ត៌មានអំពីកម្មសិទ្ធិរបស់វត្ថុក្នុងថ្នាក់ទេ ព្រោះនេះជាអ្វីដែលកំណត់យ៉ាងជាក់លាក់នៅក្នុងដំណើរការទទួលស្គាល់។ លទ្ធផលនៃការទទួលស្គាល់វត្ថុនីមួយៗគឺជាការចែកចាយ ឬបញ្ជីនៃថ្នាក់ទទួលស្គាល់ទាំងអស់តាមលំដាប់ចុះនៃកម្រិតនៃភាពស្រដៀងគ្នានៃវត្ថុដែលបានទទួលស្គាល់ជាមួយពួកគេ។

ភារកិច្ចត្រួតពិនិត្យគុណភាពការទទួលស្គាល់

បន្ទាប់ពីការទទួលស្គាល់ ភាពគ្រប់គ្រាន់របស់វាអាចត្រូវបានបង្កើតឡើង។ សម្រាប់វត្ថុនៃគំរូបណ្តុះបណ្តាល នេះអាចត្រូវបានធ្វើភ្លាមៗ ចាប់តាំងពីសម្រាប់ពួកគេ វាត្រូវបានគេស្គាល់យ៉ាងសាមញ្ញថាពួកគេជាកម្មសិទ្ធិរបស់ថ្នាក់ណា។ សម្រាប់វត្ថុផ្សេងទៀត ព័ត៌មាននេះអាចទទួលបាននៅពេលក្រោយ។ ក្នុងករណីណាក៏ដោយ ប្រូបាប៊ីលីតេនៃកំហុសជាមធ្យមពិតប្រាកដសម្រាប់ថ្នាក់ទទួលស្គាល់ទាំងអស់អាចត្រូវបានកំណត់ ក៏ដូចជាប្រូបាប៊ីលីតេនៃកំហុសនៅពេលផ្តល់វត្ថុដែលបានទទួលស្គាល់ទៅថ្នាក់ជាក់លាក់មួយ។

លទ្ធផលនៃការទទួលស្គាល់គួរតែត្រូវបានបកស្រាយដោយពិចារណាលើព័ត៌មានដែលមានអំពីគុណភាពនៃការទទួលស្គាល់។

ភារកិច្ចសម្របខ្លួន

ប្រសិនបើជាលទ្ធផលនៃនីតិវិធីត្រួតពិនិត្យគុណភាព វាត្រូវបានបង្កើតឡើងថាវាមិនគាប់ព្រះហឫទ័យ នោះការពិពណ៌នាអំពីវត្ថុដែលបានទទួលស្គាល់មិនត្រឹមត្រូវអាចត្រូវបានចម្លងពីគំរូដែលអាចស្គាល់បានទៅវគ្គបណ្តុះបណ្តាល បន្ថែមដោយព័ត៌មានចាត់ថ្នាក់គ្រប់គ្រាន់ និងប្រើដើម្បីធ្វើការសម្រេចចិត្តឡើងវិញ។ ច្បាប់, i.e. យកទៅក្នុងគណនី។ លើសពីនេះទៅទៀត ប្រសិនបើវត្ថុទាំងនេះមិនមែនជាកម្មសិទ្ធិរបស់ថ្នាក់ទទួលស្គាល់ដែលមានស្រាប់ ដែលអាចជាហេតុផលសម្រាប់ការទទួលស្គាល់មិនត្រឹមត្រូវរបស់ពួកគេ នោះបញ្ជីនេះអាចត្រូវបានពង្រីក។ ជាលទ្ធផល ប្រព័ន្ធទទួលស្គាល់សម្របខ្លួន និងចាប់ផ្តើមចាត់ថ្នាក់វត្ថុទាំងនេះឱ្យបានគ្រប់គ្រាន់។

បញ្ហានៃការទទួលស្គាល់បញ្ច្រាស

ភារកិច្ច​នៃ​ការ​ទទួល​ស្គាល់​គឺ​ថា​សម្រាប់​វត្ថុ​មួយ​ដែល​បាន​ផ្តល់​ឱ្យ​ដោយ​យោង​ទៅ​តាម​លក្ខណៈ​ពិសេស​ដែល​គេ​ស្គាល់​របស់​វា​ប្រព័ន្ធ​បង្កើត​វា​ជា​កម្មសិទ្ធិ​របស់​ថ្នាក់​ដែល​មិន​ស្គាល់​ពី​មុន​មួយ​ចំនួន​។ នៅក្នុងបញ្ហានៃការទទួលស្គាល់បញ្ច្រាស ផ្ទុយទៅវិញ សម្រាប់ថ្នាក់ទទួលស្គាល់ដែលបានផ្តល់ឱ្យនោះ ប្រព័ន្ធកំណត់ថាលក្ខណៈពិសេសណាមួយជាលក្ខណៈភាគច្រើននៃវត្ថុនៃថ្នាក់នេះ ហើយដែលមិនមែនជា (ឬវត្ថុណាមួយនៃគំរូបណ្តុះបណ្តាលជាកម្មសិទ្ធិរបស់ថ្នាក់នេះ)។

ភារកិច្ចនៃចង្កោមនិងការវិភាគស្ថាបនា

ចង្កោមគឺជាក្រុមនៃវត្ថុ ថ្នាក់ ឬលក្ខណៈពិសេសដែលនៅក្នុងចង្កោមនីមួយៗពួកគេមានភាពស្រដៀងគ្នាតាមដែលអាចធ្វើទៅបាន ហើយរវាងចង្កោមផ្សេងៗគ្នាវាខុសគ្នាតាមដែលអាចធ្វើទៅបាន។

សំណង់ (នៅក្នុងបរិបទដែលបានពិចារណាក្នុងផ្នែកនេះ) គឺជាប្រព័ន្ធនៃចង្កោមផ្ទុយ។ ដូច្នេះក្នុងន័យជាក់លាក់មួយ សំណង់គឺជាលទ្ធផលនៃការវិភាគចង្កោមនៃចង្កោម។

នៅក្នុងការវិភាគចង្កោម កម្រិតនៃភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុ (ថ្នាក់ លក្ខណៈ) ត្រូវបានវាស់វែងជាបរិមាណ ហើយព័ត៌មាននេះត្រូវបានប្រើសម្រាប់ចាត់ថ្នាក់។ លទ្ធផលនៃការវិភាគចង្កោមគឺជាការចាត់ថ្នាក់នៃវត្ថុតាមចង្កោម។ ការចាត់ថ្នាក់នេះអាចត្រូវបានតំណាងនៅក្នុងទម្រង់នៃបណ្តាញ semantic ។

ភារកិច្ចនៃការវិភាគការយល់ដឹង

នៅក្នុងការវិភាគការយល់ដឹង ព័ត៌មានអំពីភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃថ្នាក់ ឬលក្ខណៈពិសេសគឺមានការចាប់អារម្មណ៍ចំពោះអ្នកស្រាវជ្រាវដោយខ្លួនឯង ហើយមិនមែនដើម្បីប្រើវាសម្រាប់ចាត់ថ្នាក់ដូចនៅក្នុងក្រុម និងការវិភាគស្ថាបនានោះទេ។

ប្រសិនបើថ្នាក់នៃការទទួលស្គាល់ពីរត្រូវបានកំណត់លក្ខណៈដោយលក្ខណៈពិសេសដូចគ្នា នោះវារួមចំណែកដល់ភាពស្រដៀងគ្នានៃថ្នាក់ទាំងពីរនេះ។ ប្រសិនបើសម្រាប់ថ្នាក់ណាមួយ លក្ខណៈពិសេសនេះមិនមានលក្ខណៈពិសេស នោះវារួមចំណែកដល់ភាពខុសគ្នា។

ប្រសិនបើសញ្ញាពីរជាប់ទាក់ទងគ្នា នោះក្នុងន័យជាក់លាក់មួយ ពួកគេអាចចាត់ទុកថាជាសញ្ញាតែមួយ ហើយប្រសិនបើមានសញ្ញាផ្ទុយគ្នា នោះក៏ខុសគ្នាដែរ។ ដោយគិតពីកាលៈទេសៈនេះ វត្តមាននៃលក្ខណៈពិសេសផ្សេងៗគ្នានៅក្នុងថ្នាក់ផ្សេងៗគ្នាក៏ធ្វើឱ្យមានការរួមចំណែកជាក់លាក់ចំពោះភាពស្រដៀងគ្នា និងភាពខុសគ្នារបស់ពួកគេ។

លទ្ធផលនៃការវិភាគការយល់ដឹងអាចត្រូវបានបង្ហាញជាទម្រង់នៃដ្យាក្រាមការយល់ដឹង។

វិធីសាស្រ្តសម្គាល់លំនាំ និងលក្ខណៈរបស់វា។

គោលការណ៍នៃការចាត់ថ្នាក់នៃវិធីសាស្ត្រសម្គាល់គំរូ

ការទទួលស្គាល់លំនាំគឺជាភារកិច្ចនៃការសាងសង់ និងអនុវត្តប្រតិបត្តិការផ្លូវការលើតំណាងជាលេខ ឬនិមិត្តសញ្ញានៃវត្ថុនៅក្នុងពិភពពិត ឬឧត្តមគតិ ដែលជាលទ្ធផលដែលឆ្លុះបញ្ចាំងពីទំនាក់ទំនងសមមូលរវាងវត្ថុទាំងនេះ។ ទំនាក់ទំនងសមមូលបង្ហាញពីភាពជាកម្មសិទ្ធិរបស់វត្ថុដែលបានវាយតម្លៃចំពោះថ្នាក់មួយចំនួន ដែលចាត់ទុកថាជាឯកតាន័យវិទ្យាឯករាជ្យ។

នៅពេលបង្កើតក្បួនដោះស្រាយការទទួលស្គាល់ ថ្នាក់សមមូលអាចត្រូវបានកំណត់ដោយអ្នកស្រាវជ្រាវដែលប្រើគំនិតប្រកបដោយអត្ថន័យផ្ទាល់ខ្លួនរបស់គាត់ ឬប្រើព័ត៌មានបន្ថែមខាងក្រៅអំពីភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុនៅក្នុងបរិបទនៃបញ្ហាដែលកំពុងត្រូវបានដោះស្រាយ។ បន្ទាប់មកមនុស្សម្នាក់និយាយអំពី "ការទទួលស្គាល់ជាមួយគ្រូ" ។ បើមិនដូច្នោះទេ i.e. នៅពេលដែលប្រព័ន្ធស្វ័យប្រវត្តិដោះស្រាយបញ្ហាចំណាត់ថ្នាក់ដោយមិនពាក់ព័ន្ធនឹងព័ត៌មានបណ្តុះបណ្តាលខាងក្រៅ មនុស្សម្នាក់និយាយអំពីការចាត់ថ្នាក់ដោយស្វ័យប្រវត្តិ ឬ "ការទទួលស្គាល់ដោយមិនមានការត្រួតពិនិត្យ"។ ក្បួនដោះស្រាយការទទួលស្គាល់គំរូភាគច្រើនទាមទារឱ្យមានការចូលរួមពីថាមពលកុំព្យូទ័រដ៏សំខាន់បំផុត ដែលអាចត្រូវបានផ្តល់ដោយបច្ចេកវិទ្យាកុំព្យូទ័រដែលមានប្រសិទ្ធភាពខ្ពស់ប៉ុណ្ណោះ។

អ្នកនិពន្ធជាច្រើន (Yu.L. Barabash, V.I. Vasiliev, A.L. Gorelik, V.A. Skripkin, R. Duda, P. Hart, L.T. Kuzin, F.I. Peregudov, F.P. Tarasenko, F. E. Temnikov, J. Tu, R. Gonzalez, P. Win K. Fu, Ya. Z. Tsypkin និងអ្នកផ្សេងទៀត) ផ្តល់នូវប្រភេទផ្សេងគ្នានៃវិធីសាស្រ្តសម្គាល់លំនាំ។ អ្នកនិពន្ធខ្លះបែងចែករវាងវិធីសាស្រ្ត parametric, nonparametric និង heuristic ខណៈពេលដែលអ្នកផ្សេងទៀតបែងចែកក្រុមនៃវិធីសាស្រ្តដោយផ្អែកលើសាលាប្រវត្តិសាស្រ្ត និងនិន្នាការនៅក្នុងវិស័យនេះ។ ជាឧទាហរណ៍ នៅក្នុងការងារដែលផ្តល់នូវទិដ្ឋភាពទូទៅនៃការសិក្សាអំពីវិធីសាស្រ្តនៃការទទួលស្គាល់ ប្រភេទដូចខាងក្រោមនៃវិធីសាស្ត្រទទួលស្គាល់គំរូត្រូវបានប្រើ៖

• វិធីសាស្រ្តផ្អែកលើគោលការណ៍នៃការបំបែក;
• វិធីសាស្រ្តស្ថិតិ;
• វិធីសាស្រ្តដែលបានបង្កើតឡើងនៅលើមូលដ្ឋាននៃ "មុខងារសក្តានុពល";
• វិធីសាស្រ្តសម្រាប់ការគណនាចំណាត់ថ្នាក់ (ការបោះឆ្នោត);
• វិធីសាស្រ្តផ្អែកលើការគណនា propositional ជាពិសេសលើបរិធាននៃពិជគណិតនៃតក្កវិជ្ជា។

ការចាត់ថ្នាក់នេះគឺផ្អែកលើភាពខុសគ្នានៃវិធីសាស្រ្តផ្លូវការនៃការទទួលស្គាល់គំរូ ហើយដូច្នេះការពិចារណានៃវិធីសាស្រ្ត heuristic ចំពោះការទទួលស្គាល់ដែលបានទទួលការអភិវឌ្ឍន៍ពេញលេញ និងគ្រប់គ្រាន់នៅក្នុងប្រព័ន្ធអ្នកជំនាញត្រូវបានលុបចោល។ វិធីសាស្រ្ត heuristic គឺផ្អែកលើចំណេះដឹង និងវិចារណញាណដែលពិបាកធ្វើទៅរួច របស់អ្នកស្រាវជ្រាវ។ ក្នុងពេលជាមួយគ្នានេះ អ្នកស្រាវជ្រាវខ្លួនឯងកំណត់នូវព័ត៌មាន និងរបៀបដែលប្រព័ន្ធគួរប្រើ ដើម្បីសម្រេចបាននូវប្រសិទ្ធិភាពនៃការទទួលស្គាល់ដែលចង់បាន។

ប្រភេទអក្សរសាស្ត្រស្រដៀងគ្នានៃវិធីសាស្រ្តនៃការទទួលស្គាល់ដែលមានកម្រិតខុសគ្នានៃព័ត៌មានលម្អិតត្រូវបានរកឃើញនៅក្នុងការងារជាច្រើនស្តីពីការទទួលស្គាល់។ ក្នុងពេលជាមួយគ្នានេះ អក្សរសិល្ប៍ល្បីៗមិនគិតពីលក្ខណៈសំខាន់មួយទេ ដែលឆ្លុះបញ្ចាំងពីលក្ខណៈជាក់លាក់នៃវិធីដែលចំណេះដឹងអំពីប្រធានបទត្រូវបានតំណាងដោយប្រើក្បួនដោះស្រាយការទទួលស្គាល់គំរូផ្លូវការមួយចំនួន។

D.A. Pospelov (1990) កំណត់វិធីសំខាន់ពីរក្នុងការតំណាងឱ្យចំណេះដឹង៖

• intensional ក្នុងទម្រង់ជាគ្រោងការណ៍នៃការតភ្ជាប់រវាងគុណលក្ខណៈ (លក្ខណៈពិសេស)។
• ផ្នែកបន្ថែម ដោយមានជំនួយពីអង្គហេតុជាក់លាក់ (វត្ថុឧទាហរណ៍) ។

ការតំណាងដោយភាពតានតឹងចាប់យកគំរូ និងទំនាក់ទំនងដែលពន្យល់ពីរចនាសម្ព័ន្ធនៃទិន្នន័យ។ ទាក់ទងនឹងកិច្ចការវិនិច្ឆ័យ ការជួសជុលបែបនេះមានក្នុងការកំណត់ប្រតិបត្តិការលើគុណលក្ខណៈ (លក្ខណៈ) នៃវត្ថុដែលនាំទៅរកលទ្ធផលវិនិច្ឆ័យដែលត្រូវការ។ ការតំណាងដោយភាពតានតឹងត្រូវបានអនុវត្តតាមរយៈប្រតិបត្តិការលើតម្លៃគុណលក្ខណៈ និងមិនបង្កប់ន័យប្រតិបត្តិការលើអង្គហេតុព័ត៌មានជាក់លាក់ (វត្ថុ)។

នៅក្នុងវេន តំណាងផ្នែកបន្ថែមនៃចំនេះដឹងត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការពិពណ៌នា និងការជួសជុលវត្ថុជាក់លាក់ពីប្រធានបទ ហើយត្រូវបានអនុវត្តនៅក្នុងប្រតិបត្តិការដែលជាធាតុនៃវត្ថុដែលជាប្រព័ន្ធអាំងតេក្រាល។

វាអាចធ្វើទៅបានដើម្បីគូរភាពស្រដៀងគ្នារវាងតំណាងដោយភាពតានតឹង និងផ្នែកបន្ថែមនៃចំណេះដឹង និងយន្តការដែលស្ថិតនៅក្រោមសកម្មភាពនៃអឌ្ឍគោលខាងឆ្វេង និងខាងស្តាំនៃខួរក្បាលមនុស្ស។ ប្រសិនបើអឌ្ឍគោលខាងស្តាំត្រូវបានកំណត់លក្ខណៈដោយតំណាងគំរូរួមនៃពិភពលោកជុំវិញនោះ អឌ្ឍគោលខាងឆ្វេងដំណើរការជាមួយនឹងលំនាំដែលឆ្លុះបញ្ចាំងពីទំនាក់ទំនងនៃលក្ខណៈនៃពិភពលោកនេះ។

វិធីជាមូលដ្ឋានចំនួនពីរនៃការតំណាងចំណេះដឹងដែលបានពិពណ៌នាខាងលើអនុញ្ញាតឱ្យយើងស្នើឱ្យមានការចាត់ថ្នាក់ដូចខាងក្រោមនៃវិធីសាស្រ្តទទួលស្គាល់គំរូ៖

• វិធីសាស្រ្ត intensional ផ្អែកលើប្រតិបត្តិការដែលមានគុណលក្ខណៈ។
• វិធីសាស្ត្រពង្រីកដោយផ្អែកលើប្រតិបត្តិការជាមួយវត្ថុ។

វាចាំបាច់ក្នុងការសង្កត់ធ្ងន់ថាអត្ថិភាពនៃវិធីសាស្រ្តទទួលស្គាល់ពីរក្រុមនេះ (និងមានតែពីរ)៖ អ្នកដែលប្រតិបត្តិការជាមួយលក្ខណៈពិសេសនិងអ្នកដែលប្រតិបត្តិការជាមួយវត្ថុគឺមានលក្ខណៈធម្មជាតិយ៉ាងជ្រាលជ្រៅ។ តាមទស្សនៈនេះ គ្មានវិធីសាស្រ្តណាមួយក្នុងចំណោមវិធីសាស្រ្តទាំងនេះ ដែលយកដោយឡែកពីវិធីផ្សេងទៀត ធ្វើឱ្យវាអាចធ្វើទៅបានដើម្បីបង្កើតការឆ្លុះបញ្ចាំងគ្រប់គ្រាន់នៃប្រធានបទ។ យោងតាមអ្នកនិពន្ធ រវាងវិធីសាស្រ្តទាំងនេះមានទំនាក់ទំនងនៃការបំពេញបន្ថែមក្នុងន័យរបស់ N. Bohr ដូច្នេះ ប្រព័ន្ធទទួលស្គាល់ដែលសន្យាគួរធានាដល់ការអនុវត្តវិធីសាស្រ្តទាំងពីរនេះ ហើយមិនមែនគ្រាន់តែមួយក្នុងចំណោមពួកគេនោះទេ។

ដូច្នេះការចាត់ថ្នាក់នៃវិធីសាស្រ្តទទួលស្គាល់ដែលស្នើឡើងដោយ D. A. Pospelov គឺផ្អែកលើច្បាប់ជាមូលដ្ឋានដែលបញ្ជាក់ពីវិធីនៃការយល់ដឹងរបស់មនុស្សជាទូទៅ ដែលដាក់វានៅក្នុងទីតាំងពិសេស (មានសិទ្ធិ) បើប្រៀបធៀបទៅនឹងចំណាត់ថ្នាក់ផ្សេងទៀត ដែលផ្ទុយពីផ្ទៃខាងក្រោយនេះ មើលទៅ ស្រាលជាង និងសិប្បនិម្មិត។

វិធីសាស្រ្តនៃភាពតានតឹង

លក្ខណៈពិសេសប្លែកនៃវិធីសាស្រ្ត intensional គឺថាពួកគេប្រើលក្ខណៈផ្សេងគ្នានៃលក្ខណៈពិសេសនិងទំនាក់ទំនងរបស់ពួកគេជាធាតុនៃប្រតិបត្តិការនៅក្នុងការសាងសង់និងការអនុវត្តនៃក្បួនដោះស្រាយការទទួលស្គាល់លំនាំ។ ធាតុបែបនេះអាចជាតម្លៃបុគ្គល ឬចន្លោះពេលនៃតម្លៃលក្ខណៈពិសេស តម្លៃមធ្យម និងបំរែបំរួល ទំនាក់ទំនងលក្ខណៈម៉ាទ្រីស។ល។ ដែលសកម្មភាពត្រូវបានអនុវត្ត បង្ហាញក្នុងទម្រង់វិភាគ ឬស្ថាបនា។ ក្នុងពេលជាមួយគ្នានេះ វត្ថុនៅក្នុងវិធីសាស្រ្តទាំងនេះមិនត្រូវបានចាត់ទុកថាជាឯកតាព័ត៌មានសំខាន់នោះទេ ប៉ុន្តែដើរតួជាសូចនាករសម្រាប់វាយតម្លៃអន្តរកម្ម និងអាកប្បកិរិយានៃគុណលក្ខណៈរបស់ពួកគេ។

ក្រុមនៃវិធីសាស្រ្តនៃការទទួលស្គាល់លំនាំដោយភាពតានតឹងគឺទូលំទូលាយ ហើយការបែងចែករបស់វាទៅជាថ្នាក់រងគឺខុសខ្លះ។

វិធីសាស្រ្តផ្អែកលើការប៉ាន់ប្រមាណនៃដង់ស៊ីតេចែកចាយនៃតម្លៃលក្ខណៈពិសេស

វិធីសាស្រ្តទទួលស្គាល់គំរូទាំងនេះត្រូវបានខ្ចីពីទ្រឹស្តីបុរាណនៃការសម្រេចចិត្តស្ថិតិ ដែលវត្ថុនៃការសិក្សាត្រូវបានចាត់ទុកថាជាការសម្រេចបាននៃអថេរចៃដន្យពហុវិមាត្រដែលបានចែកចាយក្នុងចន្លោះលក្ខណៈដោយយោងទៅតាមច្បាប់មួយចំនួន។ ពួកវាផ្អែកលើគ្រោងការណ៍ធ្វើការសម្រេចចិត្តរបស់ Bayesian ដែលអំពាវនាវដល់ប្រូបាប៊ីលីតេអាទិភាពនៃវត្ថុដែលជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលអាចស្គាល់បានជាក់លាក់មួយ និងដង់ស៊ីតេនៃការចែកចាយតាមលក្ខខណ្ឌនៃតម្លៃវ៉ិចទ័រលក្ខណៈពិសេស។ វិធីសាស្រ្តទាំងនេះត្រូវបានកាត់បន្ថយដើម្បីកំណត់សមាមាត្រលទ្ធភាពនៅក្នុងតំបន់ផ្សេងៗគ្នានៃទំហំមុខងារពហុវិមាត្រ។

ក្រុមនៃវិធីសាស្រ្តដោយផ្អែកលើការប៉ាន់ប្រមាណនៃដង់ស៊ីតេចែកចាយនៃតម្លៃលក្ខណៈពិសេសគឺទាក់ទងដោយផ្ទាល់ទៅនឹងវិធីសាស្រ្តនៃការវិភាគរើសអើង។ វិធីសាស្រ្ត Bayesian ក្នុងការធ្វើសេចក្តីសម្រេចគឺជាផ្នែកមួយនៃការវិវឌ្ឍន៍បំផុតនៅក្នុងស្ថិតិទំនើបដែលហៅថាវិធីសាស្ត្រប៉ារ៉ាមេតដែលការបញ្ចេញមតិវិភាគនៃច្បាប់ចែកចាយ (ក្នុងករណីនេះច្បាប់ធម្មតា) ត្រូវបានចាត់ទុកថាត្រូវបានគេស្គាល់ ហើយមានតែ ចំនួនតិចតួចនៃប៉ារ៉ាម៉ែត្រ (វ៉ិចទ័រមធ្យម និងម៉ាទ្រីសដែលប្រែប្រួល) ចាំបាច់ត្រូវប៉ាន់ប្រមាណ។

ការលំបាកចម្បងក្នុងការអនុវត្តវិធីសាស្រ្តទាំងនេះគឺតម្រូវការក្នុងការចងចាំគំរូបណ្តុះបណ្តាលទាំងមូលដើម្បីគណនាការប៉ាន់ប្រមាណនៃដង់ស៊ីតេនៃការចែកចាយប្រូបាប៊ីលីតេក្នុងតំបន់ និងភាពប្រែប្រួលខ្ពស់ចំពោះភាពមិនតំណាងនៃគំរូបណ្តុះបណ្តាល។

វិធីសាស្រ្តផ្អែកលើការសន្មត់អំពីថ្នាក់នៃមុខងារនៃការសម្រេចចិត្ត

នៅក្នុងក្រុមនៃវិធីសាស្រ្តនេះ ទម្រង់ទូទៅនៃមុខងារសម្រេចចិត្តត្រូវបានចាត់ទុកថាស្គាល់ ហើយមុខងារគុណភាពរបស់វាត្រូវបានផ្តល់ឱ្យ។ ដោយផ្អែកលើមុខងារនេះ ការប៉ាន់ស្មានដ៏ល្អបំផុតនៃមុខងារការសម្រេចចិត្តត្រូវបានរកឃើញពីលំដាប់បណ្តុះបណ្តាល។ ទូទៅបំផុតគឺតំណាងនៃអនុគមន៍ការសម្រេចចិត្តក្នុងទម្រង់នៃពហុនាមមិនមែនលីនេអ៊ែរ និងទូទៅ។ មុខងារគុណភាពនៃច្បាប់ការសម្រេចចិត្តជាធម្មតាត្រូវបានភ្ជាប់ជាមួយនឹងកំហុសក្នុងចំណាត់ថ្នាក់។

អត្ថប្រយោជន៍ចម្បងនៃវិធីសាស្រ្តផ្អែកលើការសន្មត់អំពីថ្នាក់នៃមុខងារនៃការសម្រេចចិត្តគឺភាពច្បាស់លាស់នៃរូបមន្តគណិតវិទ្យានៃបញ្ហាការទទួលស្គាល់ជាបញ្ហានៃការស្វែងរកជ្រុល។ ភាពខុសគ្នានៃវិធីសាស្រ្តនៃក្រុមនេះត្រូវបានពន្យល់ដោយជួរដ៏ធំទូលាយនៃមុខងារគុណភាពនៃច្បាប់ការសម្រេចចិត្តដែលបានប្រើ និងក្បួនដោះស្រាយការស្វែងរកយ៉ាងខ្លាំង។ ការធ្វើទូទៅនៃក្បួនដោះស្រាយដែលបានពិចារណា ដែលរួមមានជាពិសេស ក្បួនដោះស្រាយរបស់ញូតុន ក្បួនដោះស្រាយប្រភេទ perceptron ជាដើម គឺជាវិធីសាស្ត្រនៃការប៉ាន់ស្មាន stochastic ។

លទ្ធភាពនៃក្បួនដោះស្រាយជម្រាលសម្រាប់ការស្វែងរកភាពខ្លាំង ជាពិសេសនៅក្នុងក្រុមនៃក្បួនការសម្រេចចិត្តលីនេអ៊ែរ ត្រូវបានសិក្សាយ៉ាងល្អ។ ការបញ្ចូលគ្នានៃក្បួនដោះស្រាយទាំងនេះត្រូវបានបង្ហាញសម្រាប់តែករណីនៅពេលដែលថ្នាក់ដែលអាចស្គាល់បាននៃវត្ថុត្រូវបានបង្ហាញនៅក្នុងចន្លោះលក្ខណៈពិសេសដោយរចនាសម្ព័ន្ធធរណីមាត្របង្រួម។

គុណភាពខ្ពស់គ្រប់គ្រាន់នៃច្បាប់នៃការសម្រេចចិត្តអាចសម្រេចបានដោយប្រើក្បួនដោះស្រាយដែលមិនមានភស្តុតាងគណិតវិទ្យាយ៉ាងម៉ត់ចត់នៃការបង្រួបបង្រួមនៃដំណោះស្រាយទៅជាសកលលោក។ ក្បួនដោះស្រាយបែបនេះរួមមានក្រុមធំនៃដំណើរការកម្មវិធី heuristic តំណាងឱ្យទិសដៅនៃគំរូវិវត្តន៍។ ការ​ធ្វើ​គំរូ​វិវត្តន៍​គឺ​ជា​វិធីសាស្ត្រ​ជីវសាស្ត្រ​ដែល​ខ្ចី​ពី​ធម្មជាតិ។ វាត្រូវបានផ្អែកលើការប្រើប្រាស់យន្តការនៃការវិវត្តន៍ដែលគេស្គាល់ ដើម្បីជំនួសដំណើរការនៃការបង្កើតគំរូដ៏មានអត្ថន័យនៃវត្ថុស្មុគ្រស្មាញជាមួយនឹងគំរូបាតុភូតនៃការវិវត្តរបស់វា។ អ្នកតំណាងដ៏ល្បីនៃការបង្កើតគំរូវិវត្តនៅក្នុងការទទួលស្គាល់គំរូគឺជាវិធីសាស្រ្តនៃគណនេយ្យក្រុមនៃអាគុយម៉ង់ (MGUA) ។ GMDH គឺផ្អែកលើគោលការណ៍នៃការរៀបចំដោយខ្លួនឯង ហើយក្បួនដោះស្រាយ GMDH បង្កើតឡើងវិញនូវគ្រោងការណ៍នៃការជ្រើសរើសម៉ាស់។

ទោះជាយ៉ាងណាក៏ដោយការសម្រេចបាននូវគោលដៅជាក់ស្តែងក្នុងករណីនេះមិនត្រូវបានអមដោយការទាញយកចំណេះដឹងថ្មីអំពីធម្មជាតិនៃវត្ថុដែលអាចស្គាល់បានទេ។ លទ្ធភាពនៃការទាញយកចំណេះដឹងនេះ ជាពិសេសចំណេះដឹងអំពីយន្តការនៃអន្តរកម្មនៃលក្ខណៈ (លក្ខណៈពិសេស) ត្រូវបានកំណត់ជាមូលដ្ឋាននៅទីនេះដោយរចនាសម្ព័ន្ធដែលបានផ្តល់ឱ្យនៃអន្តរកម្មបែបនេះ ជួសជុលក្នុងទម្រង់ដែលបានជ្រើសរើសនៃមុខងារសម្រេចចិត្ត។

វិធីសាស្ត្រប៊ូលីន

វិធីសាស្រ្តឡូជីខលនៃការទទួលស្គាល់លំនាំគឺផ្អែកលើបរិធាននៃពិជគណិតតក្ក និងអនុញ្ញាតឱ្យដំណើរការជាមួយព័ត៌មានដែលមានមិនត្រឹមតែនៅក្នុងលក្ខណៈបុគ្គលប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងរួមបញ្ចូលតម្លៃមុខងារផងដែរ។ នៅក្នុងវិធីសាស្រ្តទាំងនេះតម្លៃនៃគុណលក្ខណៈណាមួយត្រូវបានចាត់ទុកថាជាព្រឹត្តិការណ៍បឋម។

នៅក្នុងទម្រង់ទូទៅបំផុត វិធីសាស្ត្រឡូជីខលអាចត្រូវបានកំណត់ថាជាប្រភេទនៃការស្វែងរកគំរូឡូជីខលនៅក្នុងគំរូបណ្តុះបណ្តាល និងការបង្កើតប្រព័ន្ធជាក់លាក់នៃច្បាប់ការសម្រេចចិត្តឡូជីខល (ឧទាហរណ៍ក្នុងទម្រង់នៃការភ្ជាប់នៃព្រឹត្តិការណ៍បឋម) នីមួយៗ។ ដែលមានទំងន់ផ្ទាល់ខ្លួន។ ក្រុមនៃវិធីសាស្រ្តឡូជីខលមានភាពចម្រុះ និងរួមបញ្ចូលវិធីសាស្រ្តនៃភាពស្មុគស្មាញផ្សេងៗគ្នា និងជម្រៅនៃការវិភាគ។ សម្រាប់លក្ខណៈពិសេស dichotomous (boolean) អ្វីដែលគេហៅថា tree-like classifiers, dead-end test method, Bark algorithm ជាដើមគឺពេញនិយម។

ក្បួនដោះស្រាយ Kora ដូចជាវិធីសាស្រ្តឡូជីខលផ្សេងទៀតនៃការទទួលស្គាល់លំនាំគឺពិបាកណាស់ក្នុងលក្ខខណ្ឌនៃការគណនា ចាប់តាំងពីការរាប់បញ្ចូលពេញលេញត្រូវបានទាមទារនៅពេលជ្រើសរើសការភ្ជាប់។ ដូច្នេះនៅពេលអនុវត្តវិធីសាស្រ្តឡូជីខល តម្រូវការខ្ពស់ត្រូវបានដាក់លើការរៀបចំប្រកបដោយប្រសិទ្ធភាពនៃដំណើរការគណនា ហើយវិធីសាស្ត្រទាំងនេះដំណើរការល្អជាមួយនឹងទំហំតូចនៃទំហំមុខងារ និងតែលើកុំព្យូទ័រដែលមានថាមពលខ្លាំងប៉ុណ្ណោះ។

វិធីសាស្រ្តភាសា (រចនាសម្ព័ន្ធ)

វិធីសាស្រ្តភាសានៃការទទួលស្គាល់លំនាំគឺផ្អែកលើការប្រើប្រាស់វេយ្យាករណ៍ពិសេសដែលបង្កើតភាសាដែលអាចត្រូវបានប្រើដើម្បីពិពណ៌នាអំពីសំណុំនៃលក្ខណៈសម្បត្តិនៃវត្ថុដែលអាចស្គាល់បាន។

សម្រាប់ថ្នាក់ផ្សេងគ្នានៃវត្ថុ ធាតុដែលមិនមែនជាដេរីវេ (អាតូមិក) (រូបភាពរង សញ្ញា) និងទំនាក់ទំនងដែលអាចកើតមានរវាងពួកវាត្រូវបានសម្គាល់។ វេយ្យាករណ៍​សំដៅ​ទៅ​លើ​ច្បាប់​សម្រាប់​ការ​បង្កើត​វត្ថុ​ពី​ធាតុ​ដែល​មិន​បាន​មក​ពី​ធាតុ​ទាំង​នេះ។

ដូច្នេះវត្ថុនីមួយៗគឺជាការប្រមូលផ្តុំនៃធាតុដែលមិនមែនជាដេរីវេ "ភ្ជាប់" ទៅគ្នាទៅវិញទៅមកតាមមធ្យោបាយមួយឬមួយផ្សេងទៀតឬនិយាយម្យ៉ាងទៀតដោយ "ប្រយោគ" នៃ "ភាសា" មួយចំនួន។ ខ្ញុំចង់បញ្ជាក់ពីតម្លៃមនោគមវិជ្ជាដ៏សំខាន់បំផុតនៃគំនិតនេះ។

តាមរយៈការញែក (ញែក) "ប្រយោគ" វាក្យសម្ព័ន្ធ "ភាពត្រឹមត្រូវ" របស់វាត្រូវបានកំណត់ ឬស្មើនឹង ថាតើវេយ្យាករណ៍ថេរមួយចំនួនដែលពិពណ៌នាថ្នាក់អាចបង្កើតការពិពណ៌នាវត្ថុដែលមានស្រាប់។

ទោះយ៉ាងណាក៏ដោយ ភារកិច្ចនៃការងើបឡើងវិញ (កំណត់) វេយ្យាករណ៍ពីសំណុំជាក់លាក់នៃសេចក្តីថ្លែងការណ៍ (ប្រយោគ - ការពិពណ៌នាអំពីវត្ថុ) ដែលបង្កើតភាសាដែលបានផ្តល់ឱ្យគឺពិបាកក្នុងការធ្វើជាផ្លូវការ។

វិធីសាស្រ្តបន្ថែម

នៅក្នុងវិធីសាស្រ្តនៃក្រុមនេះ ផ្ទុយទៅនឹងទិសដៅដែលមានភាពតានតឹង វត្ថុដែលបានសិក្សានីមួយៗត្រូវបានផ្តល់តម្លៃវិនិច្ឆ័យឯករាជ្យក្នុងកម្រិតធំជាង ឬតិចជាងនេះ។ នៅស្នូលរបស់ពួកគេ វិធីសាស្រ្តទាំងនេះគឺនៅជិតវិធីសាស្រ្តព្យាបាល ដែលចាត់ទុកមនុស្សមិនមែនជាខ្សែសង្វាក់នៃវត្ថុដែលជាប់ចំណាត់ថ្នាក់តាមសូចនាករមួយ ឬមួយផ្សេងទៀត ប៉ុន្តែជាប្រព័ន្ធអាំងតេក្រាល ដែលនីមួយៗមានលក្ខណៈបុគ្គល និងមានតម្លៃរោគវិនិច្ឆ័យពិសេស។ អាកប្បកិរិយាប្រុងប្រយ័ត្នបែបនេះចំពោះវត្ថុនៃការសិក្សាមិនអនុញ្ញាតឱ្យមនុស្សម្នាក់ដកចេញឬបាត់បង់ព័ត៌មានអំពីវត្ថុនីមួយៗដែលកើតឡើងនៅពេលអនុវត្តវិធីសាស្រ្តនៃទិសដៅដែលមានភាពតានតឹងដោយប្រើវត្ថុដើម្បីរកឱ្យឃើញនិងជួសជុលគំរូនៃអាកប្បកិរិយានៃលក្ខណៈរបស់ពួកគេ។

ប្រតិបត្តិការសំខាន់ក្នុងការទទួលស្គាល់លំនាំដោយប្រើវិធីសាស្រ្តដែលបានពិភាក្សាគឺជាប្រតិបត្តិការនៃការកំណត់ភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុ។ វត្ថុនៅក្នុងក្រុមនៃវិធីសាស្រ្តដែលបានបញ្ជាក់ដើរតួនាទីនៃគំរូរោគវិនិច្ឆ័យ។ ក្នុងពេលជាមួយគ្នានេះ អាស្រ័យលើលក្ខខណ្ឌនៃកិច្ចការជាក់លាក់មួយ តួនាទីនៃគំរូបុគ្គលអាចប្រែប្រួលក្នុងដែនកំណត់ធំបំផុត៖ ពីមេ និងការកំណត់ទៅការចូលរួមដោយប្រយោលយ៉ាងខ្លាំងនៅក្នុងដំណើរការទទួលស្គាល់។ នៅក្នុងវេន លក្ខខណ្ឌនៃបញ្ហាអាចទាមទារឱ្យមានការចូលរួមពីចំនួនផ្សេងគ្នានៃគំរូរោគវិនិច្ឆ័យសម្រាប់ដំណោះស្រាយដ៏ជោគជ័យមួយ៖ ពីមួយក្នុងថ្នាក់ដែលអាចស្គាល់បានរហូតដល់ទំហំគំរូពេញលេញ ក៏ដូចជាវិធីផ្សេងគ្នាដើម្បីគណនារង្វាស់នៃភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃ វត្ថុ។ តម្រូវការទាំងនេះពន្យល់ពីការបែងចែកបន្ថែមនៃវិធីសាស្ត្របន្ថែមទៅជាថ្នាក់រង។

វិធីសាស្រ្តប្រៀបធៀបគំរូ

នេះគឺជាវិធីសាស្ត្រទទួលស្គាល់ផ្នែកបន្ថែមដ៏សាមញ្ញបំផុត។ ឧទាហរណ៍ វា​ត្រូវ​បាន​ប្រើ​ក្នុង​ករណី​ដែល​ថ្នាក់​ទទួល​ស្គាល់​ត្រូវ​បាន​បង្ហាញ​ក្នុង​ចន្លោះ​លក្ខណៈ​ដោយ​ការ​បង្រួម​ក្រុម​ធរណីមាត្រ។ ក្នុងករណីនេះ កណ្តាលនៃក្រុមធរណីមាត្រនៃថ្នាក់ (ឬវត្ថុដែលនៅជិតបំផុតទៅកណ្តាល) ជាធម្មតាត្រូវបានជ្រើសរើសជាចំណុចគំរូ។

ដើម្បីចាត់ថ្នាក់វត្ថុដែលមិនស្គាល់ គំរូដែលនៅជិតបំផុតត្រូវបានរកឃើញ ហើយវត្ថុនោះជាកម្មសិទ្ធិរបស់ថ្នាក់ដូចគ្នានឹងគំរូដើមនេះ។ ជាក់ស្តែង គ្មានរូបភាពថ្នាក់ទូទៅត្រូវបានបង្កើតឡើងនៅក្នុងវិធីសាស្រ្តនេះទេ។

ប្រភេទផ្សេងគ្នានៃចម្ងាយអាចត្រូវបានប្រើជារង្វាស់នៃភាពជិត។ ជាញឹកញាប់សម្រាប់លក្ខណៈពិសេស dichotomous ចម្ងាយ Hamming ត្រូវបានប្រើដែលក្នុងករណីនេះស្មើនឹងការ៉េនៃចម្ងាយ Euclidean ។ ក្នុង​ករណី​នេះ ក្បួន​ការ​សម្រេច​ចិត្ត​សម្រាប់​ការ​ចាត់​ថ្នាក់​វត្ថុ​គឺ​ស្មើ​នឹង​មុខងារ​សម្រេច​ចិត្ត​លីនេអ៊ែរ។

ការពិតនេះគួរតែត្រូវបានកត់សម្គាល់ជាពិសេស។ វាបង្ហាញយ៉ាងច្បាស់ពីការតភ្ជាប់រវាងគំរូដើម និងការចង្អុលបង្ហាញអំពីព័ត៌មានអំពីរចនាសម្ព័ន្ធទិន្នន័យ។ ការប្រើប្រាស់តំណាងខាងលើ ជាឧទាហរណ៍ មាត្រដ្ឋានវាស់បែបប្រពៃណីណាមួយ ដែលជាមុខងារលីនេអ៊ែរនៃតម្លៃនៃលក្ខណៈ dichotomous អាចត្រូវបានចាត់ទុកថាជាគំរូនៃការវិនិច្ឆ័យសម្មតិកម្ម។ នៅក្នុងវេន ប្រសិនបើការវិភាគនៃរចនាសម្ព័ន្ធលំហនៃថ្នាក់ដែលបានទទួលស្គាល់អនុញ្ញាតឱ្យយើងសន្និដ្ឋានថាពួកវាមានលក្ខណៈតូចតាចតាមធរណីមាត្រ នោះវាគ្រប់គ្រាន់ហើយក្នុងការជំនួសថ្នាក់នីមួយៗទាំងនេះជាមួយនឹងគំរូមួយ ដែលពិតជាស្មើនឹងគំរូរោគវិនិច្ឆ័យលីនេអ៊ែរ។

ជា​ការ​ពិត ស្ថានភាព​ច្រើន​តែ​ខុស​ពី​ឧទាហរណ៍​ដែល​បាន​ពិពណ៌នា។ អ្នកស្រាវជ្រាវដែលមានបំណងអនុវត្តវិធីសាស្រ្តទទួលស្គាល់ដោយផ្អែកលើការប្រៀបធៀបជាមួយនឹងគំរូនៃថ្នាក់រោគវិនិច្ឆ័យប្រឈមនឹងបញ្ហាពិបាក។

ទីមួយវាគឺជាជម្រើសនៃរង្វាស់ជិត (ម៉ែត្រ) ដែលអាចផ្លាស់ប្តូរយ៉ាងសំខាន់នូវការកំណត់រចនាសម្ព័ន្ធនៃការបែងចែកវត្ថុ។ ទីពីរ បញ្ហាឯករាជ្យគឺការវិភាគនៃរចនាសម្ព័ន្ធពហុវិមាត្រនៃទិន្នន័យពិសោធន៍។ បញ្ហាទាំងពីរនេះមានលក្ខណៈស្រួចស្រាវជាពិសេសសម្រាប់អ្នកស្រាវជ្រាវក្រោមលក្ខខណ្ឌនៃទំហំខ្ពស់នៃទំហំមុខងារ ដែលជាតួយ៉ាងសម្រាប់បញ្ហាពិតប្រាកដ។

k វិធីសាស្រ្តអ្នកជិតខាងដែលនៅជិតបំផុត។

វិធីសាស្រ្ត k ដែលនៅជិតបំផុតសម្រាប់ដោះស្រាយបញ្ហាការវិភាគការរើសអើងត្រូវបានស្នើឡើងជាលើកដំបូងនៅឆ្នាំ 1952 ។ វាមានដូចខាងក្រោម។

នៅពេលចាត់ថ្នាក់វត្ថុដែលមិនស្គាល់ លេខដែលបានផ្តល់ឱ្យ (k) នៃវត្ថុផ្សេងទៀតតាមធរណីមាត្រនៅជិតវាបំផុតនៅក្នុងចន្លោះលក្ខណៈពិសេស (អ្នកជិតខាងដែលនៅជិតបំផុត) ដែលស្គាល់រួចហើយជាកម្មសិទ្ធិរបស់ថ្នាក់ដែលអាចស្គាល់ត្រូវបានរកឃើញ។ ការសម្រេចចិត្តចាត់តាំងវត្ថុមិនស្គាល់មួយទៅថ្នាក់វិនិច្ឆ័យជាក់លាក់មួយ ត្រូវបានធ្វើឡើងដោយការវិភាគព័ត៌មានអំពីសមាជិកភាពដែលគេស្គាល់នេះនៃអ្នកជិតខាងដែលនៅជិតបំផុត ឧទាហរណ៍ ដោយប្រើការរាប់សន្លឹកឆ្នោតសាមញ្ញ។

ដំបូង វិធីសាស្ត្រ k ដែលនៅជិតបំផុតត្រូវបានចាត់ទុកថាជាវិធីសាស្ត្រ nonparametric សម្រាប់ការប៉ាន់ប្រមាណសមាមាត្រលទ្ធភាព។ សម្រាប់វិធីសាស្រ្តនេះ ការប៉ាន់ប្រមាណតាមទ្រឹស្តីនៃប្រសិទ្ធភាពរបស់វាត្រូវបានទទួលនៅក្នុងការប្រៀបធៀបជាមួយនឹងចំណាត់ថ្នាក់ល្អបំផុតរបស់ Bayesian ។ វាត្រូវបានបង្ហាញថាប្រូបាប៊ីលីតេនៃកំហុស asymptotic សម្រាប់វិធីសាស្ត្រ k ដែលនៅជិតបំផុតគឺលើសពីកំហុសនៃច្បាប់ Bayes មិនលើសពីពីរដង។

នៅពេលប្រើវិធីសាស្ត្រ k ដែលនៅជិតបំផុតសម្រាប់ការសម្គាល់គំរូ អ្នកស្រាវជ្រាវត្រូវដោះស្រាយបញ្ហាលំបាកក្នុងការជ្រើសរើសម៉ែត្រដើម្បីកំណត់ភាពជិតនៃវត្ថុដែលបានធ្វើរោគវិនិច្ឆ័យ។ បញ្ហានេះនៅក្នុងលក្ខខណ្ឌនៃវិមាត្រខ្ពស់នៃទំហំមុខងារកាន់តែធ្ងន់ធ្ងរឡើងដោយសារតែភាពស្មុគស្មាញគ្រប់គ្រាន់នៃវិធីសាស្ត្រនេះ ដែលក្លាយជាបញ្ហាសំខាន់សូម្បីតែកុំព្យូទ័រដែលដំណើរការខ្ពស់ក៏ដោយ។ ដូច្នេះនៅទីនេះ ដូចគ្នានឹងវិធីសាស្ត្រប្រៀបធៀបគំរូដែរ វាចាំបាច់ក្នុងការដោះស្រាយបញ្ហាច្នៃប្រឌិតនៃការវិភាគរចនាសម្ព័ន្ធពហុវិមាត្រនៃទិន្នន័យពិសោធន៍ ដើម្បីកាត់បន្ថយចំនួនវត្ថុដែលតំណាងឱ្យថ្នាក់វិនិច្ឆ័យ។

តម្រូវការកាត់បន្ថយចំនួនវត្ថុនៅក្នុងគំរូបណ្តុះបណ្តាល (គំរូរោគវិនិច្ឆ័យ) គឺជាគុណវិបត្តិនៃវិធីសាស្ត្រនេះ ព្រោះវាកាត់បន្ថយភាពតំណាងនៃគំរូបណ្តុះបណ្តាល។

ក្បួនដោះស្រាយសម្រាប់ការគណនាចំណាត់ថ្នាក់ ("ការបោះឆ្នោត")

គោលការណ៍នៃប្រតិបត្តិការនៃក្បួនដោះស្រាយការវាយតម្លៃ (ABO) គឺដើម្បីគណនាអាទិភាព (ពិន្ទុស្រដៀងគ្នា) ដែលកំណត់លក្ខណៈ "ជិត" នៃវត្ថុដែលបានទទួលស្គាល់ និងឯកសារយោងយោងទៅតាមប្រព័ន្ធនៃក្រុមលក្ខណៈពិសេស ដែលជាប្រព័ន្ធនៃសំណុំរងនៃសំណុំនៃលក្ខណៈពិសេសដែលបានផ្តល់ឱ្យ។ .

មិនដូចវិធីសាស្រ្តដែលបានពិចារណាពីមុនទាំងអស់ទេ ក្បួនដោះស្រាយសម្រាប់ការគណនាការប៉ាន់ប្រមាណដំណើរការជាមួយនឹងការពិពណ៌នាវត្ថុក្នុងវិធីថ្មីជាមូលដ្ឋាន។ សម្រាប់ក្បួនដោះស្រាយទាំងនេះ វត្ថុមានក្នុងពេលដំណាលគ្នាក្នុងចន្លោះរងផ្សេងគ្នានៃទំហំមុខងារ។ ថ្នាក់ ABO នាំមកនូវគំនិតនៃការប្រើប្រាស់លក្ខណៈពិសេសដល់ការសន្និដ្ឋានឡូជីខលរបស់វា៖ ដោយសារវាមិនតែងតែដឹងថាការបន្សំនៃលក្ខណៈពិសេសណាដែលផ្តល់ព័ត៌មានច្រើនបំផុតនៅក្នុង ABO កម្រិតនៃភាពស្រដៀងគ្នានៃវត្ថុត្រូវបានគណនាដោយប្រៀបធៀបបន្សំដែលអាចធ្វើទៅបានឬជាក់លាក់នៃលក្ខណៈពិសេស។ រួមបញ្ចូលនៅក្នុងការពិពណ៌នាអំពីវត្ថុ។

បន្សំដែលបានប្រើនៃគុណលក្ខណៈ (ចន្លោះរង) ត្រូវបានគេហៅថាសំណុំជំនួយ ឬសំណុំនៃការពិពណ៌នាផ្នែកនៃវត្ថុ។ គោលគំនិតនៃភាពជិតគ្នាជាទូទៅរវាងវត្ថុដែលបានទទួលស្គាល់ និងវត្ថុនៃគំរូបណ្តុះបណ្តាល (ជាមួយនឹងការចាត់ថ្នាក់ដែលគេស្គាល់) ដែលត្រូវបានគេហៅថាវត្ថុយោងត្រូវបានណែនាំ។ ភាពជិតស្និទ្ធនេះត្រូវបានតំណាងដោយការរួមបញ្ចូលគ្នានៃភាពជិតនៃវត្ថុដែលបានទទួលស្គាល់ជាមួយនឹងវត្ថុយោងដែលបានគណនាលើសំណុំនៃការពិពណ៌នាផ្នែក។ ដូច្នេះ ABO គឺជាផ្នែកបន្ថែមនៃវិធីសាស្ត្រ k ដែលនៅជិតបំផុត ដែលក្នុងនោះភាពជិតនៃវត្ថុត្រូវបានពិចារណាតែក្នុងចន្លោះលក្ខណៈពិសេសមួយប៉ុណ្ណោះ។

ផ្នែកបន្ថែមមួយទៀតនៃ ABO គឺថានៅក្នុងក្បួនដោះស្រាយទាំងនេះបញ្ហានៃការកំណត់ភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុត្រូវបានបង្កើតជាប៉ារ៉ាម៉ែត្រមួយ ហើយដំណាក់កាលនៃការលៃតម្រូវ ABO លើគំរូបណ្តុះបណ្តាលត្រូវបានជ្រើសរើស ដែលតម្លៃដ៏ល្អប្រសើរនៃការបញ្ចូល។ ប៉ារ៉ាម៉ែត្រត្រូវបានជ្រើសរើស។ លក្ខណៈវិនិច្ឆ័យគុណភាពគឺជាកំហុសក្នុងការទទួលស្គាល់ ហើយអ្វីគ្រប់យ៉ាងត្រូវបានកំណត់តាមព្យញ្ជនៈ៖

• ច្បាប់សម្រាប់ការគណនាភាពជិតនៃវត្ថុដោយលក្ខណៈបុគ្គល;
• ច្បាប់សម្រាប់គណនាភាពជិតនៃវត្ថុក្នុងចន្លោះរងលក្ខណៈពិសេស;
• កម្រិតនៃសារៈសំខាន់នៃវត្ថុយោងជាក់លាក់មួយ ជាគំរូរោគវិនិច្ឆ័យ;
• សារៈសំខាន់នៃការរួមចំណែកនៃសំណុំឯកសារយោងនីមួយៗនៃលក្ខណៈពិសេសចំពោះការវាយតម្លៃចុងក្រោយនៃភាពស្រដៀងគ្នានៃវត្ថុដែលបានទទួលស្គាល់ជាមួយនឹងថ្នាក់រោគវិនិច្ឆ័យណាមួយ។

ប៉ារ៉ាម៉ែត្រនៃម៉ាស៊ីនត្រជាក់ត្រូវបានកំណត់ក្នុងទម្រង់នៃតម្លៃកម្រិតចាប់ផ្ដើម និង (ឬ) ជាទម្ងន់នៃសមាសធាតុដែលបានបញ្ជាក់។

លទ្ធភាពទ្រឹស្តីនៃ ABO យ៉ាងហោចណាស់មិនទាបជាងក្បួនដោះស្រាយការទទួលស្គាល់លំនាំផ្សេងទៀតទេ ព្រោះដោយមានជំនួយពី ABO រាល់ប្រតិបត្តិការដែលអាចយល់បានជាមួយវត្ថុដែលកំពុងសិក្សាអាចត្រូវបានអនុវត្ត។

ប៉ុន្តែដូចដែលវាកើតឡើងជាធម្មតា ការពង្រីកសក្តានុពលជួបប្រទះការលំបាកយ៉ាងខ្លាំងក្នុងការអនុវត្តជាក់ស្តែងរបស់ពួកគេ ជាពិសេសនៅដំណាក់កាលនៃការសាងសង់ (ការលៃតម្រូវ) ក្បួនដោះស្រាយនៃប្រភេទនេះ។

ការលំបាកដាច់ដោយឡែកត្រូវបានកត់សម្គាល់មុននេះ នៅពេលពិភាក្សាអំពីវិធីសាស្ត្រ k ដែលនៅជិតបំផុត ដែលអាចបកស្រាយថាជាកំណែ ABO ដែលត្រូវបានកាត់ផ្តាច់។ វាក៏អាចត្រូវបានពិចារណាក្នុងទម្រង់ប៉ារ៉ាម៉ែត្រ និងកាត់បន្ថយបញ្ហាក្នុងការស្វែងរកម៉ែត្រទម្ងន់នៃប្រភេទដែលបានជ្រើសរើស។ ក្នុងពេលជាមួយគ្នានេះ សំណួរទ្រឹស្តី និងបញ្ហាស្មុគស្មាញដែលទាក់ទងនឹងការរៀបចំដំណើរការគណនាប្រកបដោយប្រសិទ្ធភាពបានកើតឡើងនៅទីនេះសម្រាប់បញ្ហាវិមាត្រខ្ពស់។

សម្រាប់ ABO ប្រសិនបើអ្នកព្យាយាមប្រើសមត្ថភាពនៃក្បួនដោះស្រាយទាំងនេះឱ្យបានពេញលេញ ការលំបាកទាំងនេះកើនឡើងច្រើនដង។

បញ្ហាដែលបានកត់សម្គាល់ពន្យល់ពីការពិតដែលថានៅក្នុងការអនុវត្តការប្រើប្រាស់ ABO សម្រាប់ការដោះស្រាយបញ្ហាវិមាត្រខ្ពស់ត្រូវបានអមដោយការណែនាំនៃការរឹតបន្តឹងនិងការសន្មត់ណាមួយ។ ជាពិសេស មានឧទាហរណ៍នៃការប្រើប្រាស់ ABO ក្នុងការវិនិច្ឆ័យរោគផ្លូវចិត្ត ដែលកំណែនៃ ABO ត្រូវបានសាកល្បង ដែលពិតជាស្មើនឹងវិធីសាស្ត្រ k ដែលនៅជិតបំផុត។

សមូហភាពនៃច្បាប់សម្រេចចិត្ត

នៅចុងបញ្ចប់នៃការពិនិត្យឡើងវិញនៃវិធីសាស្ត្រសម្គាល់លំនាំ សូមយើងរស់នៅលើវិធីសាស្រ្តមួយទៀត។ ទាំងនេះគឺជាក្រុមនៃច្បាប់នៃការសម្រេចចិត្ត (CRC) ។

ដោយសារក្បួនដោះស្រាយការទទួលស្គាល់ផ្សេងៗគ្នាមានឥរិយាបទខុសគ្នាលើវត្ថុគំរូដូចគ្នា សំណួរកើតឡើងដោយធម្មជាតិនៃច្បាប់នៃការសម្រេចចិត្តសំយោគដែលសម្របខ្លួនដោយប្រើភាពខ្លាំងនៃក្បួនដោះស្រាយទាំងនេះ។ ច្បាប់នៃការសម្រេចចិត្តសំយោគប្រើគ្រោងការណ៍ការទទួលស្គាល់ពីរកម្រិត។ នៅកម្រិតទីមួយ ក្បួនដោះស្រាយការទទួលស្គាល់ឯកជនដំណើរការ ដែលលទ្ធផលត្រូវបានបញ្ចូលគ្នានៅកម្រិតទីពីរនៅក្នុងប្លុកសំយោគ។ វិធីសាស្រ្តទូទៅបំផុតនៃការរួមបញ្ចូលគ្នាបែបនេះគឺផ្អែកលើការបែងចែកតំបន់នៃសមត្ថកិច្ចនៃក្បួនដោះស្រាយជាក់លាក់មួយ។ មធ្យោបាយដ៏សាមញ្ញបំផុតក្នុងការស្វែងរកផ្នែកនៃសមត្ថភាពគឺដើម្បីផ្តល់អាទិភាពបែងចែកចន្លោះនៃលក្ខណៈពិសេសដោយផ្អែកលើការពិចារណាប្រកបដោយវិជ្ជាជីវៈនៃវិទ្យាសាស្ត្រជាក់លាក់មួយ (ឧទាហរណ៍ ការចាត់ថ្នាក់នៃគំរូតាមលក្ខណៈពិសេសមួយចំនួន)។ បន្ទាប់មក សម្រាប់តំបន់នីមួយៗដែលបានជ្រើសរើស ក្បួនដោះស្រាយការទទួលស្គាល់ផ្ទាល់ខ្លួនរបស់វាត្រូវបានបង្កើតឡើង។ វិធីសាស្រ្តមួយផ្សេងទៀតគឺផ្អែកលើការប្រើប្រាស់ការវិភាគផ្លូវការដើម្បីកំណត់តំបន់ក្នុងតំបន់នៃចន្លោះលក្ខណៈពិសេសដែលជាសង្កាត់នៃវត្ថុដែលអាចស្គាល់បាន ដែលភាពជោគជ័យនៃក្បួនដោះស្រាយការទទួលស្គាល់ជាក់លាក់ណាមួយត្រូវបានបង្ហាញឱ្យឃើញ។

វិធីសាស្រ្តទូទៅបំផុតក្នុងការសាងសង់ប្លុកសំយោគចាត់ទុកសូចនាករលទ្ធផលនៃក្បួនដោះស្រាយជាក់លាក់ថាជាលក្ខណៈពិសេសដំបូងសម្រាប់បង្កើតច្បាប់ការសម្រេចចិត្តទូទៅថ្មី។ ក្នុងករណីនេះ វិធីសាស្រ្តខាងលើទាំងអស់នៃទិសដៅបន្ថែម និងបន្ថែមក្នុងការទទួលស្គាល់លំនាំអាចត្រូវបានប្រើ។ មានប្រសិទ្ធភាពក្នុងការដោះស្រាយបញ្ហានៃការបង្កើតច្បាប់នៃការសម្រេចចិត្តគឺជាក្បួនដោះស្រាយឡូជីខលនៃប្រភេទ "Kora" និងក្បួនដោះស្រាយសម្រាប់ការគណនាការប៉ាន់ប្រមាណ (ABO) ដែលបង្កើតជាមូលដ្ឋាននៃអ្វីដែលគេហៅថាវិធីសាស្រ្តពិជគណិត ដែលផ្តល់នូវការស្រាវជ្រាវ និងការពិពណ៌នាស្ថាបនាអំពី ក្បួនដោះស្រាយការទទួលស្គាល់ ដែលក្នុងនោះគ្រប់ប្រភេទនៃក្បួនដោះស្រាយដែលមានស្រាប់សម។

ការវិភាគប្រៀបធៀបនៃវិធីសាស្ត្រសម្គាល់គំរូ

ចូរយើងប្រៀបធៀបវិធីសាស្រ្តនៃការទទួលស្គាល់គំរូដែលបានពិពណ៌នាខាងលើ និងវាយតម្លៃកម្រិតនៃភាពគ្រប់គ្រាន់របស់ពួកគេទៅនឹងតម្រូវការដែលបានបង្កើតនៅក្នុងផ្នែក 3.3.3 សម្រាប់គំរូ SDA សម្រាប់ប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិដែលអាចប្រែប្រួលសម្រាប់ប្រព័ន្ធស្មុគស្មាញ។

សម្រាប់ការដោះស្រាយបញ្ហាពិតប្រាកដពីក្រុមនៃវិធីសាស្រ្តនៃទិសដៅ intensional វិធីសាស្រ្ត parametric និងវិធីសាស្រ្តផ្អែកលើសំណើលើទម្រង់នៃមុខងារសម្រេចចិត្តមានតម្លៃជាក់ស្តែង។ វិធីសាស្រ្តប៉ារ៉ាម៉ែត្របង្កើតជាមូលដ្ឋាននៃវិធីសាស្រ្តប្រពៃណីសម្រាប់ការសាងសង់សូចនាករ។ ការអនុវត្តវិធីសាស្រ្តទាំងនេះក្នុងបញ្ហាពិតត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការដាក់កម្រិតខ្លាំងលើរចនាសម្ព័ន្ធទិន្នន័យ ដែលនាំទៅរកគំរូរោគវិនិច្ឆ័យលីនេអ៊ែរជាមួយនឹងការប៉ាន់ស្មានប្រហាក់ប្រហែលនៃប៉ារ៉ាម៉ែត្ររបស់វា។ នៅពេលប្រើវិធីសាស្រ្តដោយផ្អែកលើការសន្មត់អំពីទម្រង់នៃមុខងារនៃការសម្រេចចិត្ត អ្នកស្រាវជ្រាវក៏ត្រូវបានបង្ខំឱ្យងាកទៅរកគំរូលីនេអ៊ែរផងដែរ។ នេះគឺដោយសារតែវិមាត្រខ្ពស់នៃទំហំមុខងារ ដែលជាតួយ៉ាងសម្រាប់បញ្ហាពិតប្រាកដ ដែលជាមួយនឹងការកើនឡើងនៃកម្រិតនៃមុខងារការសម្រេចចិត្តពហុធា ផ្តល់នូវការកើនឡើងយ៉ាងខ្លាំងនៃចំនួនសមាជិករបស់វា ជាមួយនឹងការកើនឡើងនៃបញ្ហា concomitant នៅក្នុង គុណភាពនៃការទទួលស្គាល់។ ដូច្នេះ ដោយការព្យាករលើផ្ទៃនៃការអនុវត្តសក្តានុពលនៃវិធីសាស្ត្រទទួលស្គាល់ដោយភាពតានតឹងទៅនឹងបញ្ហាជាក់ស្តែង យើងទទួលបានរូបភាពដែលត្រូវគ្នាទៅនឹងវិធីសាស្រ្តប្រពៃណីដែលបានបង្កើតឡើងយ៉ាងល្អនៃគំរូរោគវិនិច្ឆ័យលីនេអ៊ែរ។

លក្ខណៈសម្បត្តិនៃគំរូរោគវិនិច្ឆ័យលីនេអ៊ែរ ដែលសូចនាកររោគវិនិច្ឆ័យត្រូវបានតំណាងដោយផលបូកទម្ងន់នៃលក្ខណៈពិសេសដំបូងត្រូវបានសិក្សាយ៉ាងល្អ។ លទ្ធផលនៃគំរូទាំងនេះ (ជាមួយនឹងការធ្វើឱ្យមានលក្ខណៈធម្មតាសមស្រប) ត្រូវបានបកស្រាយថាជាចម្ងាយពីវត្ថុដែលកំពុងសិក្សាទៅកាន់យន្តហោះខ្ពស់មួយចំនួននៅក្នុងលំហលក្ខណៈ ឬសមមូល ជាការព្យាករនៃវត្ថុទៅលើបន្ទាត់ត្រង់មួយចំនួនក្នុងចន្លោះដែលបានផ្តល់ឱ្យ។ ដូច្នេះហើយ គំរូលីនេអ៊ែរគឺគ្រប់គ្រាន់សម្រាប់តែការកំណត់រចនាសម្ព័ន្ធធរណីមាត្រសាមញ្ញនៃតំបន់លំហលក្ខណៈ ដែលវត្ថុនៃថ្នាក់វិនិច្ឆ័យផ្សេងៗគ្នាត្រូវបានគូសផែនទី។ ជាមួយនឹងការចែកចាយកាន់តែស្មុគស្មាញ គំរូទាំងនេះជាមូលដ្ឋានមិនអាចឆ្លុះបញ្ចាំងពីលក្ខណៈពិសេសជាច្រើននៃរចនាសម្ព័ន្ធទិន្នន័យពិសោធន៍នោះទេ។ ក្នុងពេលជាមួយគ្នា លក្ខណៈពិសេសបែបនេះអាចផ្តល់ព័ត៌មានរោគវិនិច្ឆ័យដ៏មានតម្លៃ។

ទន្ទឹមនឹងនេះការលេចឡើងនៅក្នុងបញ្ហាពិតប្រាកដនៃរចនាសម្ព័ន្ធពហុវិមាត្រសាមញ្ញ (ជាពិសេសការចែកចាយធម្មតាពហុវិមាត្រ) គួរតែត្រូវបានចាត់ទុកថាជាករណីលើកលែងជាជាងជាក្បួន។ ជាញឹកញាប់ ថ្នាក់វិនិច្ឆ័យត្រូវបានបង្កើតឡើងដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យខាងក្រៅដ៏ស្មុគស្មាញ ដែលរួមបញ្ចូលភាពខុសធម្មតានៃធរណីមាត្រនៃថ្នាក់ទាំងនេះដោយស្វ័យប្រវត្តិនៅក្នុងចន្លោះមុខងារ។ នេះជាការពិតជាពិសេសសម្រាប់លក្ខណៈវិនិច្ឆ័យ "ជីវិត" ដែលត្រូវបានជួបប្រទះញឹកញាប់បំផុតនៅក្នុងការអនុវត្ត។ នៅក្រោមលក្ខខណ្ឌបែបនេះ ការប្រើប្រាស់គំរូលីនេអ៊ែរចាប់យកតែគំរូ "រដុប" បំផុតនៃព័ត៌មានពិសោធន៍។

ការប្រើប្រាស់វិធីសាស្ត្របន្ថែមមិនត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការសន្មត់ណាមួយអំពីរចនាសម្ព័ន្ធនៃព័ត៌មានពិសោធន៍ទេ លើកលែងតែថានៅក្នុងថ្នាក់ដែលបានទទួលស្គាល់ត្រូវតែមានក្រុមវត្ថុមួយ ឬច្រើនដែលមានលក្ខណៈស្រដៀងគ្នាខ្លះ ហើយវត្ថុនៃថ្នាក់ផ្សេងៗគ្នាត្រូវតែខុសគ្នាពីគ្នាទៅវិញទៅមកក្នុងមួយចំនួន។ វិធី។ វាច្បាស់ណាស់ថាសម្រាប់វិមាត្រកំណត់ណាមួយនៃគំរូបណ្តុះបណ្តាល (ហើយវាមិនអាចខុសគ្នាទេ) តម្រូវការនេះតែងតែត្រូវបានបំពេញដោយសាមញ្ញ ពីព្រោះមានភាពខុសគ្នាចៃដន្យរវាងវត្ថុ។ រង្វាស់ផ្សេងៗនៃភាពជិត (ចម្ងាយ) នៃវត្ថុក្នុងចន្លោះលក្ខណៈពិសេស ត្រូវបានប្រើជាវិធានការស្រដៀងគ្នា។ ដូច្នេះ ការប្រើប្រាស់ប្រកបដោយប្រសិទ្ធភាពនៃវិធីសាស្ត្រទទួលស្គាល់គំរូផ្នែកបន្ថែមគឺអាស្រ័យទៅលើថាតើវិធានការជិតស្និទ្ធទាំងនេះត្រូវបានកំណត់យ៉ាងល្អប៉ុណ្ណា ក៏ដូចជាលើវត្ថុណាខ្លះនៃគំរូបណ្តុះបណ្តាល (វត្ថុដែលមានចំណាត់ថ្នាក់ដែលគេស្គាល់) ដើរតួនាទីនៃគំរូរោគវិនិច្ឆ័យ។ ដំណោះស្រាយជោគជ័យនៃបញ្ហាទាំងនេះផ្តល់នូវលទ្ធផលខិតជិតដល់ដែនកំណត់ដែលអាចសម្រេចបានតាមទ្រឹស្តីនៃប្រសិទ្ធភាពនៃការទទួលស្គាល់។

គុណសម្បត្តិនៃវិធីសាស្រ្តពង្រីកនៃការទទួលស្គាល់លំនាំត្រូវបានជំទាស់ ជាដំបូងដោយភាពស្មុគស្មាញបច្ចេកទេសខ្ពស់នៃការអនុវត្តជាក់ស្តែងរបស់ពួកគេ។ សម្រាប់​ចន្លោះ​លក្ខណៈ​វិមាត្រ​ខ្ពស់ កិច្ចការ​ដែល​ហាក់​ដូច​ជា​សាមញ្ញ​ក្នុង​ការ​ស្វែង​រក​គូ​នៃ​ចំណុច​ជិត​បំផុត​ប្រែ​ទៅ​ជា​បញ្ហា​ធ្ងន់ធ្ងរ។ ដូចគ្នានេះផងដែរ អ្នកនិពន្ធជាច្រើនបានកត់សម្គាល់ថាជាបញ្ហាមួយ ដែលតម្រូវឱ្យចងចាំវត្ថុមួយចំនួនធំគ្រប់គ្រាន់តំណាងឱ្យថ្នាក់ដែលអាចស្គាល់បាន។

ដោយខ្លួនវាផ្ទាល់ នេះមិនមែនជាបញ្ហាទេ ប៉ុន្តែវាត្រូវបានគេយល់ថាជាបញ្ហា (ឧទាហរណ៍នៅក្នុងវិធីសាស្ត្រ k ជិតខាងបំផុត) សម្រាប់ហេតុផលដែលនៅពេលទទួលស្គាល់វត្ថុនីមួយៗ ការរាប់បញ្ចូលពេញលេញនៃវត្ថុទាំងអស់នៅក្នុងគំរូបណ្តុះបណ្តាលកើតឡើង។

ដូច្នេះ គួរអនុវត្តគំរូនៃប្រព័ន្ធទទួលស្គាល់ ដែលក្នុងនោះបញ្ហានៃការរាប់បញ្ចូលពេញលេញនៃវត្ថុនៃគំរូបណ្តុះបណ្តាលក្នុងអំឡុងពេលទទួលស្គាល់ត្រូវបានដកចេញ ព្រោះវាត្រូវបានអនុវត្តតែម្តងគត់នៅពេលបង្កើតរូបភាពទូទៅនៃថ្នាក់ទទួលស្គាល់។ នៅក្នុងការទទួលស្គាល់ខ្លួនវា វត្ថុដែលបានកំណត់ត្រូវបានប្រៀបធៀបតែជាមួយរូបភាពទូទៅនៃថ្នាក់ទទួលស្គាល់ ចំនួនដែលត្រូវបានជួសជុល ហើយមិនអាស្រ័យទាំងស្រុងលើវិមាត្រនៃគំរូបណ្តុះបណ្តាលនោះទេ។ វិធីសាស្រ្តនេះអនុញ្ញាតឱ្យអ្នកបង្កើនវិមាត្រនៃគំរូបណ្តុះបណ្តាលរហូតដល់គុណភាពខ្ពស់ដែលត្រូវការនៃរូបភាពទូទៅត្រូវបានសម្រេច ដោយគ្មានការភ័យខ្លាចថាវាអាចនាំឱ្យមានការកើនឡើងដែលមិនអាចទទួលយកបាននៅក្នុងពេលវេលានៃការទទួលស្គាល់ (ចាប់តាំងពីពេលវេលានៃការទទួលស្គាល់នៅក្នុងគំរូនេះមិនអាស្រ័យលើ វិមាត្រនៃការបណ្តុះបណ្តាលទាំងអស់) គំរូ) ។

បញ្ហាទ្រឹស្តីនៃការអនុវត្តវិធីសាស្រ្តទទួលស្គាល់ផ្នែកបន្ថែមគឺទាក់ទងទៅនឹងបញ្ហានៃការស្វែងរកក្រុមព័ត៌មាននៃលក្ខណៈពិសេស ការស្វែងរកម៉ែត្រដ៏ល្អប្រសើរសម្រាប់ការវាស់ស្ទង់ភាពស្រដៀងគ្នា និងភាពខុសគ្នានៃវត្ថុ និងការវិភាគរចនាសម្ព័ន្ធនៃព័ត៌មានពិសោធន៍។ ទន្ទឹមនឹងនេះ ដំណោះស្រាយដ៏ជោគជ័យនៃបញ្ហាទាំងនេះអនុញ្ញាតឱ្យមិនត្រឹមតែរចនាក្បួនដោះស្រាយការទទួលស្គាល់ប្រកបដោយប្រសិទ្ធភាពប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងធ្វើឱ្យមានការផ្លាស់ប្តូរពីចំណេះដឹងបន្ថែមនៃអង្គហេតុជាក់ស្តែងទៅជាចំណេះដឹងបន្ថែមអំពីគំរូនៃរចនាសម្ព័ន្ធរបស់ពួកគេ។

ការផ្លាស់ប្តូរពីចំណេះដឹងផ្នែកបន្ថែមទៅចំណេះដឹងបន្ថែមកើតឡើងនៅដំណាក់កាលដែលក្បួនដោះស្រាយការទទួលស្គាល់ជាផ្លូវការត្រូវបានសាងសង់រួចហើយ ហើយប្រសិទ្ធភាពរបស់វាត្រូវបានបង្ហាញ។ បន្ទាប់មកការសិក្សាអំពីយន្តការដែលប្រសិទ្ធភាពដែលទទួលបានគឺត្រូវបានអនុវត្ត។ ការសិក្សាបែបនេះដែលភ្ជាប់ជាមួយនឹងការវិភាគនៃរចនាសម្ព័ន្ធធរណីមាត្រនៃទិន្នន័យ អាចនាំឱ្យមានការសន្និដ្ឋានថាវាគ្រប់គ្រាន់ដើម្បីជំនួសវត្ថុដែលតំណាងឱ្យថ្នាក់វិនិច្ឆ័យជាក់លាក់មួយជាមួយអ្នកតំណាងធម្មតា (គំរូដើម)។ នេះគឺសមមូលដូចបានកត់សម្គាល់ខាងលើ ដើម្បីកំណត់មាត្រដ្ឋានរោគវិនិច្ឆ័យលីនេអ៊ែរប្រពៃណី។ វាក៏អាចថាវាគ្រប់គ្រាន់ដើម្បីជំនួសថ្នាក់វិនិច្ឆ័យនីមួយៗជាមួយនឹងវត្ថុជាច្រើនដែលមានអត្ថន័យដូចអ្នកតំណាងធម្មតានៃថ្នាក់រងមួយចំនួន ដែលស្មើនឹងការសាងសង់អ្នកគាំទ្រនៃមាត្រដ្ឋានលីនេអ៊ែរ។ មានជម្រើសផ្សេងទៀត ដែលនឹងត្រូវបានពិភាក្សាខាងក្រោម។

ដូច្នេះ ការពិនិត្យឡើងវិញនៃវិធីសាស្រ្តទទួលស្គាល់បង្ហាញថា វិធីសាស្រ្តផ្សេងគ្នាមួយចំនួននៃការទទួលស្គាល់គំរូត្រូវបានបង្កើតឡើងតាមទ្រឹស្តីនាពេលបច្ចុប្បន្ន។ អក្សរសិល្ប៍ផ្តល់នូវចំណាត់ថ្នាក់លម្អិតនៃពួកគេ។ ទោះជាយ៉ាងណាក៏ដោយ សម្រាប់វិធីសាស្រ្តទាំងនេះភាគច្រើន ការអនុវត្តកម្មវិធីរបស់ពួកគេគឺអវត្តមាន ហើយនេះគឺជាធម្មជាតិយ៉ាងជ្រាលជ្រៅ មនុស្សម្នាក់ថែមទាំងអាចនិយាយថា "កំណត់ទុកជាមុន" ដោយលក្ខណៈនៃវិធីសាស្ត្រទទួលស្គាល់ខ្លួនឯង។ នេះអាចត្រូវបានវិនិច្ឆ័យដោយការពិតដែលថាប្រព័ន្ធបែបនេះត្រូវបានលើកឡើងតិចតួចនៅក្នុងអក្សរសិល្ប៍ឯកទេសនិងប្រភពព័ត៌មានផ្សេងទៀត។

អាស្រ័យហេតុនេះ សំណួរនៃការអនុវត្តជាក់ស្តែងនៃវិធីសាស្រ្តទទួលស្គាល់ទ្រឹស្តីមួយចំនួនសម្រាប់ការដោះស្រាយបញ្ហាជាក់ស្តែងជាមួយនឹងវិមាត្រទិន្នន័យពិតប្រាកដ (ឧទាហរណ៍ជាក់ស្តែង) និងនៅលើកុំព្យូទ័រទំនើបពិត នៅតែមានការអភិវឌ្ឍន៍មិនគ្រប់គ្រាន់នៅឡើយ។

កាលៈទេសៈខាងលើអាចយល់បានប្រសិនបើយើងរំលឹកឡើងវិញថាភាពស្មុគស្មាញនៃគំរូគណិតវិទ្យាបង្កើនភាពស្មុគស្មាញនៃការអនុវត្តកម្មវិធីនៃប្រព័ន្ធ ហើយក្នុងកម្រិតដូចគ្នាកាត់បន្ថយឱកាសដែលប្រព័ន្ធនេះនឹងដំណើរការពិតប្រាកដ។ នេះមានន័យថាមានតែប្រព័ន្ធសូហ្វវែរដែលផ្អែកលើគំរូគណិតវិទ្យាសាមញ្ញ និង "តម្លាភាព" ប៉ុណ្ណោះដែលអាចត្រូវបានអនុវត្តនៅលើទីផ្សារ។ ដូច្នេះ អ្នកអភិវឌ្ឍន៍ដែលចាប់អារម្មណ៍ក្នុងការចម្លងផលិតផលសូហ្វវែររបស់គាត់ ទាក់ទងនឹងបញ្ហានៃការជ្រើសរើសគំរូគណិតវិទ្យា មិនមែនមកពីទស្សនៈវិទ្យាសាស្ត្រសុទ្ធសាធទេ ប៉ុន្តែជាអ្នកអនុវត្តជាក់ស្តែង ដោយគិតគូរពីលទ្ធភាពនៃការអនុវត្តកម្មវិធី។ គាត់ជឿជាក់ថាគំរូគួរតែមានលក្ខណៈសាមញ្ញតាមដែលអាចធ្វើទៅបាន ដែលមានន័យថាវាគួរតែត្រូវបានអនុវត្តក្នុងតម្លៃទាប និងមានគុណភាពល្អជាង ហើយវាក៏គួរតែដំណើរការផងដែរ (អនុវត្តជាក់ស្តែង)។

ក្នុងន័យនេះ ភារកិច្ចនៃការអនុវត្តនៅក្នុងប្រព័ន្ធទទួលស្គាល់ យន្តការសម្រាប់ការពិពណ៌នាទូទៅនៃវត្ថុដែលជាកម្មសិទ្ធិរបស់ថ្នាក់ដូចគ្នា i.e. យន្តការសម្រាប់ការបង្កើតរូបភាពទូទៅបង្រួម។ វាច្បាស់ណាស់ថាយន្តការទូទៅបែបនេះនឹងអនុញ្ញាតឱ្យ "បង្ហាប់" គំរូបណ្តុះបណ្តាលណាមួយនៅក្នុងលក្ខខណ្ឌនៃវិមាត្រទៅមូលដ្ឋាននៃរូបភាពទូទៅដែលគេស្គាល់ជាមុននៅក្នុងលក្ខខណ្ឌនៃវិមាត្រ។ នេះក៏នឹងអនុញ្ញាតឱ្យយើងកំណត់ និងដោះស្រាយបញ្ហាមួយចំនួនដែលសូម្បីតែមិនអាចបង្កើតបាននៅក្នុងវិធីសាស្រ្តទទួលស្គាល់ដូចជាការប្រៀបធៀបជាមួយវិធីសាស្ត្រគំរូ វិធីសាស្ត្រ k ដែលនៅជិតបំផុត និង ABO ។

ទាំងនេះគឺជាភារកិច្ច៖

• កំណត់ការរួមចំណែកព័ត៌មាននៃលក្ខណៈពិសេសចំពោះរូបភាពព័ត៌មាននៃរូបភាពទូទៅ។
• ការវិភាគបែបចង្កោមនៃរូបភាពទូទៅ;
• ការប្តេជ្ញាចិត្តនៃបន្ទុក semantic នៃលក្ខណៈពិសេស;
• ការវិភាគជាក្រុម semantic-ស្ថាបនានៃលក្ខណៈពិសេស;
• ការប្រៀបធៀបដ៏មានអត្ថន័យនៃរូបភាពថ្នាក់ទូទៅជាមួយគ្នាទៅវិញទៅមក និងលក្ខណៈពិសេសជាមួយគ្នា (ដ្យាក្រាមការយល់ដឹង រួមទាំងដ្យាក្រាម Merlin)។

វិធីសាស្រ្តដែលធ្វើឱ្យវាអាចធ្វើទៅបានដើម្បីសម្រេចបាននូវដំណោះស្រាយនៃបញ្ហាទាំងនេះក៏បែងចែកប្រព័ន្ធទស្សនវិស័យដោយផ្អែកលើវាពីប្រព័ន្ធផ្សេងទៀតផងដែរ ដូចជាការចងក្រងខុសពីអ្នកបកប្រែ ដោយសារដោយសារការបង្កើតរូបភាពទូទៅនៅក្នុងប្រព័ន្ធទស្សនៈនេះ ពេលវេលានៃការទទួលស្គាល់គឺឯករាជ្យនៃ ទំហំនៃគំរូបណ្តុះបណ្តាល។ វាត្រូវបានគេដឹងថាវាគឺជាអត្ថិភាពនៃការពឹងផ្អែកនេះដែលនាំឱ្យមានការចំណាយមិនអាចទទួលយកបាននៃពេលវេលាកុំព្យូទ័រសម្រាប់ការទទួលស្គាល់នៅក្នុងវិធីសាស្រ្តដូចជាវិធីសាស្រ្ត k ដែលនៅជិតបំផុត ABO និង CRP នៅវិមាត្រនៃគំរូបណ្តុះបណ្តាលនេះ នៅពេលដែលមនុស្សម្នាក់អាចនិយាយអំពីការគ្រប់គ្រាន់។ ស្ថិតិ។

នៅក្នុងការសន្និដ្ឋាននៃការពិនិត្យឡើងវិញសង្ខេបនៃវិធីសាស្រ្តទទួលស្គាល់ យើងបង្ហាញខ្លឹមសារនៃខាងលើនៅក្នុងតារាងសង្ខេប (តារាង 3.1) ដែលមានការពិពណ៌នាសង្ខេបអំពីវិធីសាស្រ្តផ្សេងៗនៃការទទួលស្គាល់គំរូក្នុងប៉ារ៉ាម៉ែត្រខាងក្រោម៖

• ចំណាត់ថ្នាក់នៃវិធីសាស្រ្តនៃការទទួលស្គាល់;
• តំបន់នៃការអនុវត្តវិធីសាស្រ្តទទួលស្គាល់;
• ចំណាត់ថ្នាក់នៃដែនកំណត់នៃវិធីសាស្រ្តទទួលស្គាល់។

ចំណាត់ថ្នាក់នៃវិធីសាស្រ្តទទួលស្គាល់		តំបន់ដាក់ពាក្យ	ដែនកំណត់ (គុណវិបត្តិ)
វិធីសាស្រ្តទទួលស្គាល់ខ្លាំង	វិធីសាស្រ្តផ្អែកលើការប៉ាន់ប្រមាណនៃដង់ស៊ីតេចែកចាយនៃតម្លៃលក្ខណៈពិសេស (ឬភាពស្រដៀងគ្នានិងភាពខុសគ្នារវាងវត្ថុ)	បញ្ហាជាមួយនឹងការចែកចាយដែលគេស្គាល់ជាធម្មតាជាធម្មតា តម្រូវការក្នុងការប្រមូលស្ថិតិធំ	តម្រូវការក្នុងការរាប់បញ្ចូលសំណុំហ្វឹកហ្វឺនទាំងមូលកំឡុងពេលទទួលស្គាល់ ភាពប្រែប្រួលខ្ពស់ចំពោះភាពមិនតំណាងនៃឈុតបណ្តុះបណ្តាល និងវត្ថុបុរាណ
	វិធីសាស្រ្តផ្អែកលើការសន្មត់អំពីថ្នាក់នៃមុខងារនៃការសម្រេចចិត្ត	ថ្នាក់គួរតែអាចបំបែកបានយ៉ាងល្អ ប្រព័ន្ធមុខងារគួរតែមានលក្ខណៈធម្មតា	ទម្រង់នៃមុខងារនៃការសម្រេចចិត្តត្រូវតែដឹងជាមុន។ ភាពមិនអាចទៅរួចនៃការគិតគូរអំពីចំណេះដឹងថ្មីអំពីទំនាក់ទំនងរវាងលក្ខណៈពិសេស
	វិធីសាស្ត្រប៊ូលីន		នៅពេលជ្រើសរើសក្បួនការសម្រេចចិត្តឡូជីខល (ការភ្ជាប់) ការរាប់បញ្ចូលពេញលេញគឺចាំបាច់។ ភាពស្មុគស្មាញនៃការគណនាខ្ពស់។
	វិធីសាស្រ្តភាសា (រចនាសម្ព័ន្ធ)	បញ្ហានៃទំហំតូចនៃទំហំមុខងារ	ភារកិច្ចនៃការស្ដារឡើងវិញ (កំណត់) វេយ្យាករណ៍ពីសំណុំជាក់លាក់នៃសេចក្តីថ្លែងការណ៍ (ការពិពណ៌នាអំពីវត្ថុ) គឺពិបាកក្នុងការធ្វើជាផ្លូវការ។ បញ្ហាទ្រឹស្តីដែលមិនអាចដោះស្រាយបាន។
វិធីសាស្រ្តបន្ថែមនៃការទទួលស្គាល់	វិធីសាស្រ្តប្រៀបធៀបគំរូ	បញ្ហានៃទំហំតូចនៃទំហំមុខងារ	ការពឹងផ្អែកខ្ពស់នៃលទ្ធផលចំណាត់ថ្នាក់លើរង្វាស់ចម្ងាយ (ម៉ែត្រ)។ មិនស្គាល់ម៉ែត្រដ៏ប្រសើរបំផុត។
	k វិធីសាស្រ្តអ្នកជិតខាងដែលនៅជិតបំផុត។		ការពឹងផ្អែកខ្ពស់នៃលទ្ធផលចំណាត់ថ្នាក់លើរង្វាស់ចម្ងាយ (ម៉ែត្រ)។ តម្រូវការសម្រាប់ការរាប់បញ្ចូលពេញលេញនៃគំរូបណ្តុះបណ្តាលក្នុងអំឡុងពេលទទួលស្គាល់។ ភាពស្មុគស្មាញនៃការគណនា
	ក្បួនដោះស្រាយសម្រាប់ការគណនាសញ្ញា (បោះឆ្នោត) AVO	បញ្ហានៃវិមាត្រតូចនៅក្នុងលក្ខខណ្ឌនៃចំនួនថ្នាក់និងលក្ខណៈពិសេស	ការពឹងផ្អែកលើលទ្ធផលចំណាត់ថ្នាក់លើរង្វាស់ចម្ងាយ (ម៉ែត្រ)។ តម្រូវការសម្រាប់ការរាប់បញ្ចូលពេញលេញនៃគំរូបណ្តុះបណ្តាលក្នុងអំឡុងពេលទទួលស្គាល់។ ភាពស្មុគស្មាញបច្ចេកទេសខ្ពស់នៃវិធីសាស្រ្ត
	សមូហភាពនៃច្បាប់សម្រេចចិត្ត (CRCs)	បញ្ហានៃវិមាត្រតូចនៅក្នុងលក្ខខណ្ឌនៃចំនួនថ្នាក់និងលក្ខណៈពិសេស	ភាពស្មុគស្មាញបច្ចេកទេសខ្ពស់នៃវិធីសាស្រ្ត ចំនួនដែលមិនអាចដោះស្រាយបាននៃបញ្ហាទ្រឹស្តី ទាំងក្នុងការកំណត់ផ្នែកនៃសមត្ថកិច្ចនៃវិធីសាស្រ្តជាក់លាក់ និងវិធីសាស្រ្តជាក់លាក់ដោយខ្លួនឯង

តារាង 3.1 - តារាងសង្ខេបនៃការចាត់ថ្នាក់នៃវិធីសាស្រ្តទទួលស្គាល់ ការប្រៀបធៀបផ្នែកនៃការអនុវត្ត និងដែនកំណត់របស់ពួកគេ

តួនាទី និងទីកន្លែងនៃការទទួលស្គាល់គំរូក្នុងស្វ័យប្រវត្តិកម្មនៃការគ្រប់គ្រងប្រព័ន្ធស្មុគស្មាញ

ប្រព័ន្ធគ្រប់គ្រងដោយស្វ័យប្រវត្តិមានពីរផ្នែកសំខាន់គឺវត្ថុបញ្ជា និងប្រព័ន្ធគ្រប់គ្រង។

ប្រព័ន្ធត្រួតពិនិត្យដំណើរការមុខងារដូចខាងក្រោមៈ

• ការកំណត់អត្តសញ្ញាណស្ថានភាពនៃវត្ថុបញ្ជា;
• ការអភិវឌ្ឍនៃសកម្មភាពត្រួតពិនិត្យដោយផ្អែកលើគោលដៅនៃការគ្រប់គ្រងដោយគិតគូរពីស្ថានភាពនៃវត្ថុត្រួតពិនិត្យនិងបរិស្ថាន។
• ផ្តល់នូវឥទ្ធិពលគ្រប់គ្រងលើវត្ថុបញ្ជា។

ការទទួលស្គាល់លំនាំគឺគ្មានអ្វីក្រៅពីការកំណត់អត្តសញ្ញាណស្ថានភាពនៃវត្ថុមួយចំនួននោះទេ។

ដូច្នេះ លទ្ធភាពនៃការប្រើប្រាស់ប្រព័ន្ធទទួលស្គាល់លំនាំនៅដំណាក់កាលនៃការកំណត់អត្តសញ្ញាណស្ថានភាពនៃវត្ថុបញ្ជាហាក់ដូចជាជាក់ស្តែង និងធម្មជាតិ។ ទោះយ៉ាងណាក៏ដោយនេះប្រហែលជាមិនចាំបាច់ទេ។ ដូច្នេះសំណួរកើតឡើងក្នុងករណីដែលវាត្រូវបានណែនាំឱ្យប្រើប្រព័ន្ធទទួលស្គាល់នៅក្នុងប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិហើយក្នុងករណីណាដែលវាមិនមែន។

យោងតាមទិន្នន័យអក្សរសិល្ប៍ នៅក្នុងប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិជាច្រើនដែលបានអភិវឌ្ឍពីមុន និងទំនើប នៅក្នុងប្រព័ន្ធរងសម្រាប់កំណត់អត្តសញ្ញាណស្ថានភាពនៃវត្ថុវត្ថុបញ្ជា និងការបង្កើតសកម្មភាពត្រួតពិនិត្យ គំរូគណិតវិទ្យាកំណត់នៃ "ការរាប់ដោយផ្ទាល់" ត្រូវបានប្រើដែលកំណត់យ៉ាងច្បាស់លាស់ និងសាមញ្ញថាជាអ្វី។ ដើម្បីធ្វើជាមួយវត្ថុបញ្ជាប្រសិនបើវាមានប៉ារ៉ាម៉ែត្រខាងក្រៅជាក់លាក់។

ក្នុងពេលជាមួយគ្នានេះសំណួរអំពីរបៀបដែលប៉ារ៉ាម៉ែត្រទាំងនេះទាក់ទងនឹងស្ថានភាពជាក់លាក់នៃវត្ថុបញ្ជាមិនត្រូវបានលើកឡើងឬដោះស្រាយទេ។ ទីតាំងនេះត្រូវគ្នាទៅនឹងចំណុចនៃទិដ្ឋភាពដែលមាននៅក្នុងការពិតដែលថាទំនាក់ទំនងរបស់ពួកគេពីមួយទៅមួយត្រូវបានទទួលយក "តាមលំនាំដើម" ។ ដូច្នេះពាក្យ៖ "ប៉ារ៉ាម៉ែត្រនៃវត្ថុវត្ថុបញ្ជា" និង "ស្ថានភាពនៃវត្ថុវត្ថុបញ្ជា" ត្រូវបានចាត់ទុកថាជាសទិសន័យ ហើយគោលគំនិតនៃ "ស្ថានភាពនៃវត្ថុវត្ថុបញ្ជា" មិនត្រូវបានណែនាំយ៉ាងច្បាស់ទាល់តែសោះ។ ទោះយ៉ាងណាក៏ដោយ វាច្បាស់ណាស់ថា នៅក្នុងករណីទូទៅ ទំនាក់ទំនងរវាងប៉ារ៉ាម៉ែត្រដែលបានសង្កេតនៃវត្ថុបញ្ជា និងស្ថានភាពរបស់វាគឺថាមវន្ត និងប្រូបាប៊ីលីតេ។

ដូច្នេះ ប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិបែបប្រពៃណី គឺជាប្រព័ន្ធគ្រប់គ្រងប៉ារ៉ាម៉ែត្រសំខាន់ ពោលគឺឧ។ ប្រព័ន្ធដែលគ្រប់គ្រងមិនមែនជាស្ថានភាពនៃវត្ថុបញ្ជានោះទេ ប៉ុន្តែមានតែប៉ារ៉ាម៉ែត្រដែលអាចសង្កេតបានរបស់វា។ ការសម្រេចចិត្តលើសកម្មភាពត្រួតពិនិត្យត្រូវបានធ្វើឡើងនៅក្នុងប្រព័ន្ធដូចជាប្រសិនបើ "ខ្វាក់ភ្នែក" ពោលគឺឧ។ ដោយមិនបង្កើតរូបភាពរួមនៃវត្ថុវត្ថុបញ្ជា និងបរិស្ថាននៅក្នុងស្ថានភាពបច្ចុប្បន្នរបស់ពួកគេ ក៏ដូចជាដោយមិនមានការព្យាករណ៍ពីការអភិវឌ្ឍន៍នៃបរិស្ថាន និងប្រតិកម្មរបស់វត្ថុបញ្ជាចំពោះសកម្មភាពត្រួតពិនិត្យជាក់លាក់លើវា ដោយធ្វើសកម្មភាពក្នុងពេលដំណាលគ្នាជាមួយនឹងឥទ្ធិពលដែលបានព្យាករណ៍នៃបរិស្ថាន។ .

ពីមុខតំណែងដែលត្រូវបានបង្កើតឡើងនៅក្នុងក្រដាសនេះ ពាក្យ "ការសម្រេចចិត្ត" ក្នុងន័យទំនើបគឺស្ទើរតែមិនអាចអនុវត្តបានចំពោះប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិបែបប្រពៃណី។ ការពិតគឺថា "ការសម្រេចចិត្ត" យ៉ាងហោចណាស់ ពាក់ព័ន្ធនឹងការមើលឃើញរួមនៃវត្ថុនៅក្នុងបរិស្ថាន ហើយមិនត្រឹមតែនៅក្នុងស្ថានភាពបច្ចុប្បន្នរបស់ពួកគេប៉ុណ្ណោះទេ ប៉ុន្តែក៏មាននៅក្នុងថាមវន្ត និងនៅក្នុងអន្តរកម្មរវាងគ្នាទៅវិញទៅមក និងជាមួយប្រព័ន្ធគ្រប់គ្រងផងដែរ។ ពាក់ព័ន្ធនឹងការពិចារណាជម្រើសផ្សេងៗសម្រាប់ការអភិវឌ្ឍន៍ប្រព័ន្ធទាំងមូលនេះ ក៏ដូចជាការរួមតូចនៃភាពចម្រុះ (ការកាត់បន្ថយ) នៃជម្រើសទាំងនេះដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យគោលដៅជាក់លាក់។ ជាក់ស្តែង មិនមែននៅក្នុង ACS បែបប្រពៃណី ឬវាទេ ប៉ុន្តែជាទម្រង់សាមញ្ញ។

ជាការពិតណាស់ វិធីសាស្រ្តបែបប្រពៃណីគឺគ្រប់គ្រាន់ ហើយកម្មវិធីរបស់វាគឺត្រឹមត្រូវ និងត្រឹមត្រូវក្នុងករណីដែលវត្ថុបញ្ជាពិតជាប្រព័ន្ធដែលមានស្ថេរភាព និងរឹងមាំ ហើយឥទ្ធិពលនៃបរិស្ថានលើវាអាចត្រូវបានគេមិនយកចិត្តទុកដាក់។

ទោះយ៉ាងណាក៏ដោយក្នុងករណីផ្សេងទៀតវិធីសាស្ត្រនេះមិនមានប្រសិទ្ធភាពទេ។

ប្រសិនបើវត្ថុវត្ថុបញ្ជាមានលក្ខណៈថាមវន្ត នោះម៉ូដែលដែលស្ថិតនៅក្រោមក្បួនដោះស្រាយការគ្រប់គ្រងរបស់វាយ៉ាងឆាប់រហ័សក្លាយជាមិនគ្រប់គ្រាន់ ដោយសារទំនាក់ទំនងរវាងប៉ារ៉ាម៉ែត្របញ្ចូល និងទិន្នផលផ្លាស់ប្តូរ ក៏ដូចជាសំណុំនៃប៉ារ៉ាម៉ែត្រសំខាន់ៗដោយខ្លួនឯង។ នៅក្នុងខ្លឹមសារ នេះមានន័យថាប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិបែបប្រពៃណីអាចគ្រប់គ្រងស្ថានភាពរបស់វត្ថុបញ្ជាបានតែនៅជិតចំណុចលំនឹងដោយមធ្យោបាយនៃសកម្មភាពត្រួតពិនិត្យខ្សោយនៅលើវាពោលគឺឧ។ ដោយវិធីសាស្រ្តនៃការរំខានតិចតួច។ ឆ្ងាយពីស្ថានភាពលំនឹង ពីទស្សនៈប្រពៃណី ឥរិយាបថរបស់វត្ថុបញ្ជាមើលទៅមិនអាចទាយទុកជាមុនបាន និងមិនអាចគ្រប់គ្រងបាន។

ប្រសិនបើមិនមានទំនាក់ទំនងមិនច្បាស់លាស់រវាងប៉ារ៉ាម៉ែត្របញ្ចូលនិងទិន្នផលនៃវត្ថុបញ្ជា (នោះគឺរវាងប៉ារ៉ាម៉ែត្របញ្ចូលនិងស្ថានភាពនៃវត្ថុ) និយាយម្យ៉ាងទៀតប្រសិនបើទំនាក់ទំនងនេះមានលក្ខណៈ probibilistic បញ្ចេញសម្លេងនោះគំរូកំណត់នៅក្នុង ដែលវាត្រូវបានសន្មត់ថាលទ្ធផលនៃការវាស់វែងប៉ារ៉ាម៉ែត្រជាក់លាក់មួយគឺសាមញ្ញជាលេខដំបូងមិនអាចអនុវត្តបានទេ។ លើសពីនេះ ទម្រង់នៃទំនាក់ទំនងនេះប្រហែលជាមិនស្គាល់ ហើយបន្ទាប់មក វាចាំបាច់ក្នុងការបន្តពីការសន្មត់ទូទៅបំផុត៖ ថាវាជាប្រូបាប៊ីលីតេ ឬមិនត្រូវបានកំណត់ទាល់តែសោះ។

ប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិដែលត្រូវបានបង្កើតឡើងនៅលើគោលការណ៍ប្រពៃណីអាចដំណើរការបានតែលើមូលដ្ឋាននៃប៉ារ៉ាម៉ែត្រ គំរូនៃទំនាក់ទំនងដែលគេស្គាល់រួចហើយ សិក្សា និងឆ្លុះបញ្ចាំងនៅក្នុងគំរូគណិតវិទ្យា ក្នុងការសិក្សានេះ ភារកិច្ចត្រូវបានកំណត់ដើម្បីបង្កើតវិធីសាស្រ្តបែបនេះសម្រាប់ការរចនាការគ្រប់គ្រងស្វ័យប្រវត្តិ។ ប្រព័ន្ធដែលនឹងអនុញ្ញាតឱ្យបង្កើតប្រព័ន្ធដែលអាចកំណត់អត្តសញ្ញាណ និងកំណត់ប៉ារ៉ាម៉ែត្រសំខាន់ៗបំផុត និងកំណត់លក្ខណៈនៃតំណភ្ជាប់រវាងពួកវា និងស្ថានភាពនៃវត្ថុបញ្ជា។

ក្នុងករណីនេះ ចាំបាច់ត្រូវអនុវត្តវិធីសាស្ត្រវាស់ស្ទង់ដែលមានការអភិវឌ្ឍន៍ និងសមស្របទៅនឹងស្ថានភាពជាក់ស្តែង៖

• ការចាត់ថ្នាក់ ឬការទទួលស្គាល់លំនាំ (ការរៀនដោយផ្អែកលើគំរូបណ្តុះបណ្តាល ភាពប្រែប្រួលនៃក្បួនដោះស្រាយការទទួលស្គាល់ ភាពប្រែប្រួលនៃសំណុំនៃថ្នាក់ និងប៉ារ៉ាម៉ែត្រដែលបានសិក្សា ការជ្រើសរើសប៉ារ៉ាម៉ែត្រសំខាន់ៗបំផុត និងការកាត់បន្ថយទំហំនៃការពិពណ៌នា ខណៈពេលដែលរក្សាបាននូវភាពដដែលៗដែលបានផ្តល់ឱ្យ។ ល។ );
• ការវាស់វែងស្ថិតិ នៅពេលដែលលទ្ធផលនៃការវាស់វែងប៉ារ៉ាម៉ែត្រជាក់លាក់មិនមែនជាចំនួនតែមួយ ប៉ុន្តែការចែកចាយប្រូបាប៊ីលីតេ៖ ការផ្លាស់ប្តូរនៅក្នុងអថេរស្ថិតិមិនមានន័យថាការផ្លាស់ប្តូរតម្លៃរបស់វានៅក្នុងខ្លួនវាទេ ប៉ុន្តែការផ្លាស់ប្តូរលក្ខណៈនៃការចែកចាយប្រូបាប៊ីលីតេនៃ តម្លៃរបស់វា។

ជាលទ្ធផល ប្រព័ន្ធគ្រប់គ្រងដោយស្វ័យប្រវត្តិដែលផ្អែកលើវិធីសាស្រ្តកំណត់បែបប្រពៃណីអនុវត្តជាក់ស្តែងមិនដំណើរការជាមួយវត្ថុបញ្ជាដែលកំណត់ដោយភាពទន់ខ្សោយស្មុគ្រស្មាញ ដូចជាឧទាហរណ៍ ប្រព័ន្ធម៉ាក្រូ និងមីក្រូសេដ្ឋកិច្ចនៅក្នុងសេដ្ឋកិច្ចថាមវន្តនៃ " សម័យអន្តរកាល” ឥស្សរជនតាមឋានានុក្រម និងក្រុមជនជាតិភាគតិច សង្គម និងអ្នកបោះឆ្នោត សរីរវិទ្យា និងផ្លូវចិត្តរបស់មនុស្ស ប្រព័ន្ធអេកូធម្មជាតិ និងសិប្បនិម្មិត និងអ្នកផ្សេងទៀតជាច្រើន។

វាមានសារៈសំខាន់ខ្លាំងណាស់ដែលនៅពាក់កណ្តាលទសវត្សរ៍ទី 80 សាលា I.Prigozhin បានបង្កើតវិធីសាស្រ្តមួយដែលយោងទៅតាមការវិវត្តនៃប្រព័ន្ធណាមួយ (រួមទាំងមនុស្សម្នាក់) រយៈពេលឆ្លាស់គ្នាក្នុងអំឡុងពេលដែលប្រព័ន្ធមានអាកប្បកិរិយាដូចជា "ភាគច្រើនកំណត់" ។ ឬ "ភាគច្រើនចៃដន្យ" ។ តាមធម្មជាតិ ប្រព័ន្ធគ្រប់គ្រងពិតប្រាកដត្រូវតែគ្រប់គ្រងវត្ថុវត្ថុបញ្ជាឱ្យស្ថិតស្ថេរ មិនត្រឹមតែនៅផ្នែក "កំណត់" នៃប្រវត្តិសាស្រ្តរបស់វាប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងនៅចំណុចនៅពេលដែលអាកប្បកិរិយាបន្ថែមទៀតរបស់វាកាន់តែមានភាពមិនច្បាស់លាស់។ នេះមានន័យថាវាចាំបាច់ណាស់ក្នុងការអភិវឌ្ឍវិធីសាស្រ្តក្នុងការគ្រប់គ្រងប្រព័ន្ធនៅក្នុងឥរិយាបថដែលមានធាតុផ្សំដ៏ធំនៃភាពចៃដន្យ (ឬអ្វីដែលបច្ចុប្បន្នត្រូវបានពិពណ៌នាដោយគណិតវិទ្យាថា "ចៃដន្យ") ។

ដូច្នេះ សមាសភាពនៃប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិដែលសន្យាថាផ្តល់ការគ្រប់គ្រងប្រព័ន្ធកំណត់ថាមវន្តពហុប៉ារ៉ាម៉ែត្រស្មុគស្មាញ ដែលជាតំណភ្ជាប់មុខងារសំខាន់ៗ ជាក់ស្តែងនឹងរួមបញ្ចូលប្រព័ន្ធរងសម្រាប់កំណត់ និងព្យាករណ៍ស្ថានភាពនៃបរិស្ថាន និងវត្ថុបញ្ជា ដោយផ្អែកលើវិធីសាស្ត្របញ្ញាសិប្បនិម្មិត។ (ការទទួលស្គាល់លំនាំជាចម្បង) វិធីសាស្រ្តគាំទ្រដល់ការសម្រេចចិត្ត និងទ្រឹស្តីព័ត៌មាន។

អនុញ្ញាតឱ្យយើងពិចារណាដោយសង្ខេបអំពីបញ្ហានៃការប្រើប្រាស់ប្រព័ន្ធទទួលស្គាល់រូបភាពដើម្បីធ្វើការសម្រេចចិត្តលើសកម្មភាពត្រួតពិនិត្យមួយ (បញ្ហានេះនឹងត្រូវបានពិភាក្សាលម្អិតបន្ថែមទៀតនៅពេលក្រោយព្រោះវាជាគន្លឹះសម្រាប់ការងារនេះ)។ ប្រសិនបើយើងយកគោលដៅ និងស្ថានភាពផ្សេងទៀតនៃវត្ថុបញ្ជាជាថ្នាក់ទទួលស្គាល់ ហើយកត្តាដែលមានឥទ្ធិពលលើវាជាសញ្ញា នោះរង្វាស់នៃទំនាក់ទំនងរវាងកត្តា និងរដ្ឋអាចត្រូវបានបង្កើតឡើងនៅក្នុងគំរូការទទួលស្គាល់លំនាំ។ នេះអនុញ្ញាតឱ្យទទួលបានព័ត៌មានអំពីកត្តាដែលរួមចំណែក ឬរារាំងការផ្លាស់ប្តូររបស់វាទៅកាន់រដ្ឋនេះ ដោយផ្អែកលើស្ថានភាពដែលបានផ្តល់ឱ្យនៃវត្ថុវត្ថុបញ្ជា ហើយផ្អែកលើមូលដ្ឋាននេះ បង្កើតការសម្រេចចិត្តលើសកម្មភាពត្រួតពិនិត្យ។

កត្តាអាចត្រូវបានបែងចែកជាក្រុមដូចខាងក្រោមៈ

• កំណត់លក្ខណៈបុរេប្រវត្តិនៃវត្ថុបញ្ជា;
• កំណត់លក្ខណៈនៃស្ថានភាពបច្ចុប្បន្ននៃវត្ថុបញ្ជា;
• កត្តាបរិស្ថាន;
• កត្តាបច្ចេកវិទ្យា (គ្រប់គ្រង) ។

ដូច្នេះ ប្រព័ន្ធទទួលស្គាល់រូបភាពអាចត្រូវបានប្រើជាផ្នែកនៃប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិ៖ នៅក្នុងប្រព័ន្ធរងសម្រាប់កំណត់អត្តសញ្ញាណស្ថានភាពនៃវត្ថុបញ្ជា និងបង្កើតសកម្មភាពត្រួតពិនិត្យ។

វាមានប្រយោជន៍នៅពេលដែលវត្ថុបញ្ជាគឺជាប្រព័ន្ធស្មុគស្មាញ។

ធ្វើការសម្រេចចិត្តលើសកម្មភាពត្រួតពិនិត្យនៅក្នុងប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិ

ដំណោះស្រាយនៃបញ្ហានៃការសំយោគប្រព័ន្ធគ្រប់គ្រងស្វ័យប្រវត្តិដែលបន្សាំដោយប្រព័ន្ធស្មុគ្រស្មាញត្រូវបានពិចារណានៅក្នុងក្រដាសនេះ ដោយគិតគូរពីភាពស្រដៀងគ្នាជាច្រើន និងស៊ីជម្រៅរវាងវិធីសាស្រ្តនៃការទទួលស្គាល់គំរូ និងការសម្រេចចិត្ត។

ម៉្យាងវិញទៀត ភារកិច្ចនៃការទទួលស្គាល់គំរូគឺជាការសម្រេចចិត្តអំពីកម្មសិទ្ធិរបស់វត្ថុដែលអាចស្គាល់បានចំពោះថ្នាក់ទទួលស្គាល់ជាក់លាក់មួយ។

ម្យ៉ាងវិញទៀត អ្នកនិពន្ធស្នើឱ្យពិចារណាបញ្ហានៃការសម្រេចចិត្តថាជាបញ្ហាបញ្ច្រាសនៃការឌិកូដ ឬបញ្ហាបញ្ច្រាសនៃការទទួលស្គាល់គំរូ (សូមមើលផ្នែក 2.2.2) ។

ភាពសាមញ្ញនៃគំនិតជាមូលដ្ឋានដែលផ្អែកលើវិធីសាស្រ្តនៃការទទួលស្គាល់គំរូ និងការសម្រេចចិត្តក្លាយជាជាក់ស្តែងជាពិសេសនៅពេលពិចារណាពួកវាពីទស្សនៈនៃទ្រឹស្តីព័ត៌មាន។

ភាពខុសគ្នានៃភារកិច្ចធ្វើការសម្រេចចិត្ត

ការសម្រេចចិត្ត ជាការសម្រេចគោលដៅ

និយមន័យ៖ ការសម្រេចចិត្ត (“ជម្រើស”) គឺជាសកម្មភាពលើសំណុំនៃជម្រើស ដែលជាលទ្ធផលដែលសំណុំជម្រើសដើមរួមតូច ឧ. វាត្រូវបានកាត់បន្ថយ។

ជម្រើសគឺជាសកម្មភាពដែលផ្តល់គោលបំណងដល់សកម្មភាពទាំងអស់។ វាគឺតាមរយៈសកម្មភាពនៃជម្រើស ដែលការចាត់ថ្នាក់នៃសកម្មភាពទាំងអស់ទៅកាន់គោលដៅជាក់លាក់មួយ ឬសំណុំនៃគោលដៅដែលទាក់ទងគ្នាត្រូវបានសម្រេច។

ដូច្នេះ ដើម្បី​ឱ្យ​សកម្មភាព​នៃ​ជម្រើស​ក្លាយ​ទៅ​ជា​អាច​ទៅ​រួច នោះ​គឺ​ជា​ការ​ចាំបាច់​ដូច​ខាង​ក្រោម៖

• ជំនាន់ ឬ​ការ​រក​ឃើញ​នៃ​សំណុំ​នៃ​ជម្រើស​ដែល​ត្រូវ​ធ្វើ​ការ​ជ្រើសរើស​មួយ;
• ការកំណត់គោលដៅសម្រាប់សមិទ្ធិផលដែលជម្រើសត្រូវបានធ្វើឡើង;
• ការអភិវឌ្ឍន៍ និងការអនុវត្តវិធីសាស្រ្តសម្រាប់ការប្រៀបធៀបជម្មើសជំនួសគ្នាទៅវិញទៅមក i.e. ការកំណត់ការវាយតម្លៃចំណូលចិត្តសម្រាប់ជម្រើសនីមួយៗដោយយោងតាមលក្ខណៈវិនិច្ឆ័យជាក់លាក់ ដែលអនុញ្ញាតឱ្យវាយតម្លៃដោយប្រយោលពីរបៀបដែលជម្រើសនីមួយៗបំពេញតាមគោលដៅ។

ការងារទំនើបនៅក្នុងផ្នែកនៃការគាំទ្រការសម្រេចចិត្តបានបង្ហាញពីស្ថានភាពលក្ខណៈដែលមាននៅក្នុងការពិតដែលថាការធ្វើឱ្យជាផ្លូវការពេញលេញនៃការស្វែងរកដំណោះស្រាយដ៏ល្អបំផុត (ក្នុងន័យជាក់លាក់មួយ) គឺអាចធ្វើទៅបានសម្រាប់តែបញ្ហាដែលបានសិក្សាយ៉ាងល្អ និងសាមញ្ញប៉ុណ្ណោះ ខណៈពេលដែលនៅក្នុងការអនុវត្ត។ បញ្ហាដែលមានរចនាសម្ព័ន្ធខ្សោយគឺជារឿងធម្មតាជាង ដែលក្បួនដោះស្រាយផ្លូវការទាំងស្រុងមិនត្រូវបានបង្កើតឡើង (លើកលែងតែការរាប់ចំនួនពេញលេញ និងការសាកល្បង និងកំហុស)។ ទោះជាយ៉ាងណាក៏ដោយ អ្នកជំនាញដែលមានបទពិសោធន៍ មានសមត្ថភាព និងសមត្ថភាពច្រើនតែធ្វើការជ្រើសរើសដែលប្រែទៅជាល្អណាស់។ ដូច្នេះ និន្នាការបច្ចុប្បន្ននៃការអនុវត្តការសម្រេចចិត្តក្នុងស្ថានភាពធម្មជាតិគឺការបញ្ចូលគ្នានូវសមត្ថភាពរបស់មនុស្សក្នុងការដោះស្រាយបញ្ហាមិនផ្លូវការ ជាមួយនឹងសមត្ថភាពនៃវិធីសាស្រ្តផ្លូវការ និងគំរូកុំព្យូទ័រ៖ ប្រព័ន្ធគាំទ្រការសម្រេចចិត្តអន្តរកម្ម ប្រព័ន្ធអ្នកជំនាញ ការបន្សាំមនុស្ស-ម៉ាស៊ីនស្វ័យប្រវត្តិ។ ប្រព័ន្ធគ្រប់គ្រង បណ្តាញសរសៃប្រសាទ និងប្រព័ន្ធយល់ដឹង។

ការសម្រេចចិត្ត​ជា​ការ​ដក​ចេញ​នូវ​ភាព​មិន​ប្រាកដប្រជា (វិធីសាស្រ្ត​ព័ត៌មាន)

ដំណើរការនៃការទទួលបានព័ត៌មានអាចត្រូវបានចាត់ទុកថាជាការថយចុះនៃភាពមិនច្បាស់លាស់ដែលជាលទ្ធផលនៃការទទួលសញ្ញាមួយ និងបរិមាណនៃព័ត៌មានជារង្វាស់បរិមាណនៃកម្រិតនៃការដកចេញនូវភាពមិនច្បាស់លាស់។

ប៉ុន្តែ​ជា​លទ្ធផល​នៃ​ការ​ជ្រើស​រើស​សំណុំ​រង​មួយ​ចំនួន​នៃ​ជម្រើស​ពី​សំណុំ, i.e. ជាលទ្ធផលនៃការសម្រេចចិត្តរឿងដូចគ្នាកើតឡើង (ការថយចុះនៃភាពមិនច្បាស់លាស់) ។ នេះមានន័យថារាល់ជម្រើស រាល់ការសម្រេចចិត្តបង្កើតចំនួនព័ត៌មានជាក់លាក់មួយ ហើយដូច្នេះអាចត្រូវបានពិពណ៌នានៅក្នុងលក្ខខណ្ឌនៃទ្រឹស្តីព័ត៌មាន។

ចំណាត់ថ្នាក់នៃបញ្ហាក្នុងការសម្រេចចិត្ត

ភាពច្រើននៃកិច្ចការធ្វើការសម្រេចចិត្តគឺដោយសារតែធាតុផ្សំនីមួយៗនៃស្ថានភាពដែលការសម្រេចចិត្តត្រូវបានអនុវត្តអាចត្រូវបានអនុវត្តនៅក្នុងជម្រើសផ្សេងគ្នាប្រកបដោយគុណភាព។

នេះគ្រាន់តែជាជម្រើសមួយចំនួនប៉ុណ្ណោះ៖

• មួយវិញទៀត សំណុំនៃជម្មើសជំនួសអាចមានកំណត់ អាចរាប់បាន ឬបន្ត ហើយម្យ៉ាងវិញទៀត វាអាចត្រូវបានបិទ (ដែលត្រូវបានគេស្គាល់ទាំងស្រុង) ឬបើក (រួមទាំងធាតុមិនស្គាល់)។
• ជម្មើសជំនួសអាចត្រូវបានវាយតម្លៃតាមលក្ខណៈវិនិច្ឆ័យមួយ ឬច្រើន ដែលនៅក្នុងវេន អាចជាបរិមាណ ឬគុណភាព។
• របៀបជ្រើសរើសអាចមានតែមួយ (ម្តង) ឬច្រើន ដដែលៗ រួមទាំងមតិកែលម្អលើលទ្ធផលនៃការជ្រើសរើស ពោលគឺឧ។ អនុញ្ញាតឱ្យការរៀននៃក្បួនដោះស្រាយការសម្រេចចិត្តដោយគិតគូរពីផលវិបាកនៃការបោះឆ្នោតពីមុន។
• ផលវិបាកនៃការជ្រើសរើសជម្រើសនីមួយៗអាចដឹងយ៉ាងច្បាស់ជាមុន (ជម្រើសស្ថិតក្រោមភាពប្រាកដប្រជា) មានលក្ខណៈប្រូបាប៊ីលីតេ នៅពេលដែលប្រូបាប៊ីលីតេនៃលទ្ធផលដែលអាចកើតមានត្រូវបានដឹងបន្ទាប់ពីជម្រើសត្រូវបានធ្វើឡើង (ជម្រើសស្ថិតក្រោមហានិភ័យ) ឬមានលទ្ធផលមិនច្បាស់លាស់ជាមួយនឹងប្រូបាប៊ីលីតេដែលមិនស្គាល់ (ជម្រើស នៅក្រោមភាពមិនច្បាស់លាស់);
• ទំនួលខុសត្រូវចំពោះជម្រើសអាចអវត្តមាន ជាបុគ្គល ឬក្រុម។
• កម្រិតនៃភាពស៊ីសង្វាក់គ្នានៃគោលដៅនៅក្នុងជម្រើសក្រុមអាចប្រែប្រួលពីភាពចៃដន្យពេញលេញនៃផលប្រយោជន៍របស់ភាគី (ជម្រើសសហករណ៍) ទៅផ្ទុយគ្នា (ជម្រើសក្នុងស្ថានភាពជម្លោះ)។ ជម្រើសកម្រិតមធ្យមក៏អាចធ្វើទៅបានដែរ៖ ការសម្រុះសម្រួល សម្ព័ន្ធភាព ជម្លោះដែលកំពុងកើនឡើង ឬបន្ថយ។

បន្សំផ្សេងៗគ្នានៃជម្រើសទាំងនេះនាំឱ្យមានបញ្ហាក្នុងការសម្រេចចិត្តជាច្រើនដែលត្រូវបានសិក្សារហូតដល់កម្រិតផ្សេងៗគ្នា។

ភាសាសម្រាប់ពណ៌នាអំពីវិធីធ្វើការសម្រេចចិត្ត

បាតុភូតមួយនិងដូចគ្នាអាចត្រូវបាននិយាយជាភាសាផ្សេងគ្នានៃភាពខុសប្លែកគ្នានៃភាពទូទៅនិងភាពគ្រប់គ្រាន់។ មក​ដល់​ពេល​នេះ មាន​ភាសា​សំខាន់​ចំនួន​បី​សម្រាប់​ពណ៌នា​អំពី​ជម្រើស។

ភាសាសាមញ្ញបំផុត អភិវឌ្ឍន៍ និងពេញនិយមបំផុតគឺភាសាលក្ខណៈវិនិច្ឆ័យ។

ភាសាលក្ខណៈវិនិច្ឆ័យ

ឈ្មោះនៃភាសានេះត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការសន្មតជាមូលដ្ឋានដែលជម្រើសនីមួយៗអាចត្រូវបានវាយតម្លៃដោយលេខជាក់លាក់មួយចំនួន (មួយ) បន្ទាប់មកការប្រៀបធៀបនៃជម្រើសត្រូវបានកាត់បន្ថយទៅជាការប្រៀបធៀបនៃលេខដែលត្រូវគ្នា។

ជាឧទាហរណ៍ សូមឲ្យ (X) ជាសំណុំនៃជម្រើស ហើយ x ជាជម្រើសជាក់លាក់មួយចំនួនដែលជាកម្មសិទ្ធិរបស់សំណុំនេះ៖ x∈X។ បន្ទាប់មកវាត្រូវបានចាត់ទុកថាសម្រាប់មុខងារ x a ទាំងអស់ q(x) អាចត្រូវបានផ្តល់ឱ្យ ដែលត្រូវបានគេហៅថា លក្ខណៈវិនិច្ឆ័យ (លក្ខណៈវិនិច្ឆ័យគុណភាព មុខងារគោលបំណង មុខងារចំណូលចិត្ត មុខងារឧបករណ៍ប្រើប្រាស់។ល។) ដែលមានលក្ខណៈសម្បត្តិថាប្រសិនបើ x 1 ជំនួស ចូលចិត្ត x 2 (តំណាង៖ x 1 > x 2) បន្ទាប់មក q (x 1) > q (x 2) ។

ក្នុងករណីនេះ ជម្រើសត្រូវបានកាត់បន្ថយទៅការស្វែងរកជម្រើសដែលមានតម្លៃខ្ពស់បំផុតនៃមុខងារលក្ខណៈវិនិច្ឆ័យ។

ទោះបីជាយ៉ាងណាក៏ដោយ នៅក្នុងការអនុវត្តជាក់ស្តែង ការប្រើប្រាស់លក្ខណៈវិនិច្ឆ័យតែមួយគត់សម្រាប់ការប្រៀបធៀបកម្រិតនៃចំណូលចិត្តនៃជម្រើស ប្រែទៅជាភាពសាមញ្ញដែលមិនសមហេតុផល ចាប់តាំងពីការពិចារណាលម្អិតបន្ថែមទៀតនៃជម្រើសនាំឱ្យតម្រូវការវាយតម្លៃពួកគេមិនមែនអាស្រ័យលើមួយ ប៉ុន្តែយោងទៅតាមមនុស្សជាច្រើន លក្ខណៈវិនិច្ឆ័យដែលអាចមានលក្ខណៈខុសគ្នា និងគុណភាពខុសគ្នាពីគ្នាទៅវិញទៅមក។

ឧទាហរណ៍ នៅពេលជ្រើសរើសប្រភេទយន្តហោះដែលអាចទទួលយកបានបំផុតសម្រាប់អ្នកដំណើរ និងអង្គការប្រតិបត្តិការលើប្រភេទផ្លូវមួយចំនួន ការប្រៀបធៀបត្រូវបានអនុវត្តក្នុងពេលដំណាលគ្នាតាមក្រុមលក្ខណៈវិនិច្ឆ័យជាច្រើន៖ បច្ចេកទេស បច្ចេកវិទ្យា សេដ្ឋកិច្ច សង្គម ergonomic ជាដើម។

បញ្ហាពហុលក្ខណៈមិនមានដំណោះស្រាយទូទៅតែមួយគត់ទេ។ ដូច្នេះ វិធីជាច្រើនត្រូវបានស្នើឡើងដើម្បីផ្តល់បញ្ហាពហុលក្ខណៈជាទម្រង់ជាក់លាក់មួយដែលអនុញ្ញាតឱ្យមានដំណោះស្រាយទូទៅតែមួយ។ តាមធម្មជាតិ ដំណោះស្រាយទាំងនេះជាទូទៅមានភាពខុសប្លែកគ្នាសម្រាប់វិធីសាស្ត្រផ្សេងៗ។ ដូច្នេះហើយ ប្រហែលជារឿងសំខាន់ក្នុងការដោះស្រាយបញ្ហាពហុលក្ខណៈគឺការបញ្ជាក់អំពីប្រភេទនៃការបង្កើតរបស់វា។

ជម្រើសផ្សេងៗសម្រាប់សម្រួលបញ្ហាជ្រើសរើសពហុលក្ខណៈត្រូវបានប្រើប្រាស់។ ចូរយើងរាយបញ្ជីពួកវាខ្លះ។

1. ការពង្រីកតាមលក្ខខណ្ឌ (មិនមែនភាពជ្រុលនិយមសកលនៃលក្ខណៈវិនិច្ឆ័យអាំងតេក្រាលត្រូវបានរកឃើញទេ ប៉ុន្តែកម្រិតខ្លាំងក្នុងតំបន់នៃលក្ខណៈវិនិច្ឆ័យចម្បង)។
2. ស្វែងរកជម្រើសជាមួយលក្ខណៈសម្បត្តិដែលបានផ្តល់ឱ្យ។
3. ស្វែងរកសំណុំ Pareto ។
4. ការកាត់បន្ថយបញ្ហាពហុលក្ខខណ្ឌទៅជាលក្ខណៈវិនិច្ឆ័យតែមួយដោយណែនាំលក្ខណៈវិនិច្ឆ័យសំខាន់មួយ។

ចូរយើងពិចារណាលម្អិតបន្ថែមទៀតអំពីការបង្កើតជាផ្លូវការនៃវិធីសាស្ត្រកាត់បន្ថយបញ្ហាពហុលក្ខខណ្ឌទៅជាលក្ខណៈវិនិច្ឆ័យតែមួយ។

យើងណែនាំលក្ខណៈវិនិច្ឆ័យអាំងតេក្រាល q 0 (x) ជាមុខងារមាត្រដ្ឋាននៃអាគុយម៉ង់វ៉ិចទ័រ៖

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

លក្ខណៈវិនិច្ឆ័យអាំងតេក្រាលធ្វើឱ្យវាអាចបញ្ជាជម្រើសដោយ q 0 ដោយហេតុនេះរំលេចនូវអ្វីដែលល្អបំផុត (ក្នុងន័យនៃលក្ខណៈវិនិច្ឆ័យនេះ)។ ទម្រង់នៃអនុគមន៍ q 0 ត្រូវបានកំណត់ដោយរបៀបដែលយើងស្រមៃជាក់លាក់អំពីការរួមចំណែកនៃលក្ខណៈវិនិច្ឆ័យនីមួយៗចំពោះលក្ខណៈវិនិច្ឆ័យសំខាន់។ ជាធម្មតាមុខងារបន្ថែម និងពហុគុណត្រូវបានប្រើ៖

q 0 = ∑a i ⋅q i / s i

1 - q 0 = ∏(1 - b i ⋅q i / s i)

មេគុណដែលខ្ញុំផ្តល់ជូន៖

1. ភាពគ្មានវិមាត្រ ឬវិមាត្រតែមួយនៃលេខ a i ⋅q i / s i (លក្ខណៈវិនិច្ឆ័យជាក់លាក់ផ្សេងគ្នាអាចមានវិមាត្រផ្សេងគ្នា ហើយបន្ទាប់មកវាមិនអាចទៅរួចទេក្នុងប្រតិបត្តិការនព្វន្ធលើពួកវា និងកាត់បន្ថយពួកវាទៅជាលក្ខណៈវិនិច្ឆ័យអាំងតេក្រាល)។
2. ធម្មតា, i.e. ការផ្តល់លក្ខខណ្ឌ៖ b i ⋅q i / s i<1.

មេគុណ a i និង b i ឆ្លុះបញ្ចាំងពីការរួមចំណែកទាក់ទងនៃលក្ខណៈវិនិច្ឆ័យជាក់លាក់ q i ទៅនឹងលក្ខណៈវិនិច្ឆ័យសំខាន់។

ដូច្នេះ នៅក្នុងការកំណត់ពហុលក្ខណៈ បញ្ហានៃការសម្រេចចិត្តលើការជ្រើសរើសជម្រើសណាមួយត្រូវបានកាត់បន្ថយទៅជាអតិបរមានៃលក្ខណៈវិនិច្ឆ័យសំខាន់៖

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

បញ្ហាចម្បងនៅក្នុងការបង្កើតពហុលក្ខណៈនៃបញ្ហាក្នុងការសម្រេចចិត្តគឺថា វាចាំបាច់ក្នុងការស្វែងរកទម្រង់វិភាគនៃមេគុណ a i និង b i ដែលនឹងផ្តល់នូវលក្ខណៈសម្បត្តិដូចខាងក្រោមនៃគំរូ៖

• កម្រិតខ្ពស់នៃភាពគ្រប់គ្រាន់នៃប្រធានបទ និងទស្សនៈរបស់អ្នកជំនាញ;
• ការលំបាកក្នុងការគណនាតិចតួចបំផុតក្នុងការបង្កើនលក្ខណៈវិនិច្ឆ័យអាំងតេក្រាល i.e. ការគណនារបស់វាសម្រាប់ជម្រើសផ្សេងគ្នា;
• ស្ថេរភាពនៃលទ្ធផលនៃការបង្កើនលក្ខណៈវិនិច្ឆ័យសំខាន់ពីការរំខានតិចតួចនៃទិន្នន័យដំបូង។
• ស្ថេរភាពនៃដំណោះស្រាយមានន័យថាការផ្លាស់ប្តូរតូចមួយនៅក្នុងទិន្នន័យដំបូងគួរតែនាំឱ្យមានការផ្លាស់ប្តូរតូចមួយនៅក្នុងតម្លៃនៃលក្ខណៈវិនិច្ឆ័យអាំងតេក្រាល ហើយយោងទៅតាមការផ្លាស់ប្តូរតូចមួយនៅក្នុងការសម្រេចចិត្តកំពុងត្រូវបានធ្វើឡើង។ ដូច្នេះ ប្រសិនបើទិន្នន័យដំបូងអនុវត្តដូចគ្នា នោះការសម្រេចចិត្តគួរតែធ្វើឡើងដូចគ្នា ឬជិតបំផុត។

ភាសាជ្រើសរើសប្រព័ន្ធគោលពីរតាមលំដាប់លំដោយ

ភាសានៃទំនាក់ទំនងប្រព័ន្ធគោលពីរគឺជាការធ្វើឱ្យទូទៅនៃភាសាពហុលក្ខណៈ ហើយផ្អែកលើការពិតដែលថានៅពេលដែលយើងវាយតម្លៃជម្រើសមួយចំនួន ការវាយតម្លៃនេះគឺតែងតែទាក់ទង ពោលគឺឧ។ យ៉ាងច្បាស់លាស់ ឬច្រើនតែដោយប្រយោល ជម្មើសជំនួសផ្សេងទៀតពីសំណុំដែលកំពុងសិក្សា ឬពីប្រជាជនទូទៅ ត្រូវបានប្រើជាមូលដ្ឋាន ឬស៊ុមនៃឯកសារយោងសម្រាប់ការប្រៀបធៀប។ ការគិតរបស់មនុស្សគឺផ្អែកលើការស្វែងរក និងការវិភាគនៃភាពផ្ទុយគ្នា (សំណង់) ដូច្នេះវាតែងតែងាយស្រួលសម្រាប់យើងក្នុងការជ្រើសរើសជម្រើសមួយក្នុងចំណោមជម្រើសពីរផ្ទុយគ្នាជាងជម្រើសមួយពីទំហំធំ និងគ្មានសណ្តាប់ធ្នាប់។

ដូច្នេះ ការសន្មត់សំខាន់នៃភាសានេះ ផ្ទុះឡើងដូចខាងក្រោម៖

• ជម្រើសតែមួយមិនត្រូវបានគេវាយតម្លៃទេ ឧ. មុខងារលក្ខណៈវិនិច្ឆ័យមិនត្រូវបានណែនាំ;
• សម្រាប់គូនៃជម្មើសជំនួសនីមួយៗ វាអាចត្រូវបានបង្កើតឡើងតាមមធ្យោបាយមួយចំនួនដែលមួយក្នុងចំណោមពួកគេគឺល្អជាងមួយផ្សេងទៀត ឬថាពួកគេសមមូល ឬមិនអាចប្រៀបផ្ទឹមបាន។
• ទំនាក់ទំនងចំណូលចិត្តនៅក្នុងគូនៃជម្រើសណាមួយមិនអាស្រ័យលើជម្រើសផ្សេងទៀតដែលបានបង្ហាញសម្រាប់ជម្រើសនោះទេ។

មានវិធីជាច្រើនដើម្បីបញ្ជាក់ទំនាក់ទំនងគោលពីរ៖ ផ្ទាល់ ម៉ាទ្រីស ដោយប្រើក្រាហ្វចំណូលចិត្ត វិធីសាស្ត្រនៃផ្នែក។ល។

ទំនាក់ទំនងរវាងជម្មើសជំនួសនៃគូមួយត្រូវបានបង្ហាញតាមរយៈគោលគំនិតនៃសមមូល លំដាប់ និងការគ្រប់គ្រង។

ភាសាទូទៅនៃមុខងារជ្រើសរើស

ភាសានៃមុខងារជម្រើសគឺផ្អែកលើទ្រឹស្ដីសំណុំ និងអនុញ្ញាតឱ្យមនុស្សម្នាក់ធ្វើប្រតិបត្តិការជាមួយនឹងការគូសផែនទីនៃសំណុំទៅផ្នែករងរបស់ពួកគេដែលត្រូវគ្នាទៅនឹងជម្រើសផ្សេងៗដោយមិនចាំបាច់រាប់បញ្ចូលធាតុ។ ភាសានេះមានលក្ខណៈទូទៅ និងអាចឱ្យជម្រើសណាមួយត្រូវបានពិពណ៌នា។ ទោះជាយ៉ាងណាក៏ដោយ ឧបករណ៍គណិតវិទ្យានៃអនុគមន៍ជម្រើសទូទៅបច្ចុប្បន្នកំពុងត្រូវបានបង្កើតឡើង និងសាកល្បងជាចម្បងលើបញ្ហាដែលត្រូវបានដោះស្រាយរួចហើយដោយប្រើលក្ខណៈវិនិច្ឆ័យ ឬវិធីសាស្រ្តគោលពីរ។

ការជ្រើសរើសក្រុម

អនុញ្ញាតឱ្យមានក្រុមមនុស្សដែលមានសិទ្ធិចូលរួមក្នុងការសម្រេចចិត្តជាសមូហភាព។ ឧបមាថាក្រុមនេះកំពុងពិចារណាជម្រើសមួយចំនួន ហើយសមាជិកម្នាក់ៗនៃក្រុមធ្វើការជ្រើសរើសរបស់គាត់។ ភារកិច្ចគឺដើម្បីបង្កើតដំណោះស្រាយដែលតាមវិធីជាក់លាក់មួយសម្របសម្រួលជម្រើសបុគ្គលហើយក្នុងន័យខ្លះបង្ហាញពី "មតិទូទៅ" របស់ក្រុម i.e. យកជាជម្រើសក្រុម។

តាមធម្មជាតិ ការសម្រេចចិត្តរបស់ក្រុមផ្សេងៗគ្នានឹងឆ្លើយតបទៅនឹងគោលការណ៍ផ្សេងៗគ្នាសម្រាប់ការសម្របសម្រួលការសម្រេចចិត្តរបស់បុគ្គលម្នាក់ៗ។

ច្បាប់សម្រាប់សំរបសំរួលការសម្រេចចិត្តបុគ្គលក្នុងជម្រើសជាក្រុមត្រូវបានគេហៅថា ច្បាប់បោះឆ្នោត។ ទូទៅបំផុតគឺ "ច្បាប់ភាគច្រើន" ដែលការសម្រេចចិត្តជាក្រុមត្រូវបានយកដោយជម្រើសដែលទទួលបានសំឡេងភាគច្រើនបំផុត។

វាត្រូវតែយល់ថាការសម្រេចចិត្តបែបនេះគ្រាន់តែឆ្លុះបញ្ចាំងពីអត្រាប្រេវ៉ាឡង់នៃទស្សនៈផ្សេងគ្នានៅក្នុងក្រុមប៉ុណ្ណោះ ហើយមិនមែនជាជម្រើសដ៏ប្រសើរបំផុតនោះទេ ដែលគ្មាននរណាម្នាក់អាចបោះឆ្នោតបានឡើយ។ "ការពិតមិនត្រូវបានកំណត់ដោយការបោះឆ្នោតទេ។"

លើស​ពី​នេះ​ទៅ​ទៀត មាន​អ្វី​ដែល​គេ​ហៅ​ថា "ការ​បោះ​ឆ្នោត​ផ្ទុយ" ដែល​ល្បី​ជាង​គេ​គឺ Arrow's paradox។

ភាពផ្ទុយគ្នាទាំងនេះអាចដឹកនាំ ហើយជួនកាលនាំទៅរកលក្ខណៈមិនល្អនៃនីតិវិធីបោះឆ្នោត៖ ឧទាហរណ៍ មានករណីជាច្រើននៅពេលដែលក្រុមមិនអាចធ្វើការសម្រេចចិត្តតែមួយបានទាំងអស់ (មិនមានកូរ៉ុម ឬអ្នកគ្រប់គ្នាបោះឆ្នោតសម្រាប់ជម្រើសតែមួយគត់របស់ពួកគេ ។ល។ .) ហើយពេលខ្លះ (ក្នុងការបោះឆ្នោតពហុដំណាក់កាល) ជនជាតិភាគតិចអាចដាក់ឆន្ទៈរបស់ខ្លួនលើភាគច្រើន។

ជម្រើសនៅក្រោមភាពមិនប្រាកដប្រជា

ភាពមិនប្រាកដប្រជា ជាករណីពិសេសនៃភាពមិនប្រាកដប្រជា ពោលគឺ ភាពមិនប្រាកដប្រជាជិតដល់សូន្យ។

នៅក្នុងទ្រឹស្ដីជម្រើសទំនើប វាត្រូវបានគេជឿថាមានបីប្រភេទសំខាន់ៗនៃភាពមិនច្បាស់លាស់នៅក្នុងបញ្ហាក្នុងការសម្រេចចិត្ត៖

1. ព័ត៌មាន (ស្ថិតិ) ភាពមិនច្បាស់លាស់នៃទិន្នន័យដំបូងសម្រាប់ការសម្រេចចិត្ត។
2. ភាពមិនច្បាស់លាស់នៃផលវិបាកនៃការសម្រេចចិត្ត (ជម្រើស) ។
3. ភាពមិនច្បាស់លាស់នៅក្នុងការពិពណ៌នាអំពីធាតុផ្សំនៃដំណើរការធ្វើការសម្រេចចិត្ត។

ចូរយើងពិចារណាពួកវាតាមលំដាប់លំដោយ។

ភាពមិនប្រាកដប្រជានៃព័ត៌មាន (ស្ថិតិ) នៅក្នុងទិន្នន័យដំបូង

ទិន្នន័យដែលទទួលបានអំពីប្រធានបទមិនអាចចាត់ទុកថាត្រឹមត្រូវទាំងស្រុងនោះទេ។ លើសពីនេះ វាច្បាស់ណាស់ថាទិន្នន័យទាំងនេះមានការចាប់អារម្មណ៍ចំពោះយើងមិនមែននៅក្នុងខ្លួនពួកគេទេ ប៉ុន្តែគ្រាន់តែជាសញ្ញាថា ប្រហែលជាមានព័ត៌មានជាក់លាក់អំពីអ្វីដែលយើងពិតជាចាប់អារម្មណ៍។ ដូច្នេះ វាជាការប្រាកដនិយមជាងក្នុងការពិចារណាថាយើងកំពុងដោះស្រាយជាមួយទិន្នន័យដែលមិនត្រឹមតែគ្មានសំឡេង និងមិនត្រឹមត្រូវប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងប្រយោល និងអាចមិនពេញលេញផងដែរ។ លើសពីនេះ ទិន្នន័យទាំងនេះមិនទាក់ទងនឹងចំនួនប្រជាជនទាំងមូល (ទូទៅ) ដែលកំពុងសិក្សានោះទេ ប៉ុន្តែមានតែផ្នែកមួយចំនួនរបស់វាប៉ុណ្ណោះ ដែលយើងអាចប្រមូលទិន្នន័យបាន ប៉ុន្តែក្នុងពេលជាមួយគ្នានេះ យើងចង់ធ្វើការសន្និដ្ឋានអំពីចំនួនប្រជាជនទាំងមូល។ ហើយយើងក៏ចង់ដឹងពីកម្រិតនៃភាពអាចជឿជាក់បាននៃការសន្និដ្ឋានទាំងនេះផងដែរ។

នៅក្រោមលក្ខខណ្ឌទាំងនេះទ្រឹស្តីនៃការសម្រេចចិត្តស្ថិតិត្រូវបានប្រើ។

មានប្រភពសំខាន់ពីរនៃភាពមិនច្បាស់លាស់នៅក្នុងទ្រឹស្តីនេះ។ ទីមួយ វា​មិន​ត្រូវ​បាន​គេ​ដឹង​ថា​តើ​ការ​ចែកចាយ​ទិន្នន័យ​ដើម​គោរព​តាម​អ្វី​ទេ។ ទីពីរ វាមិនត្រូវបានគេដឹងថាអ្វីដែលការចែកចាយមានសំណុំ (ចំនួនប្រជាជនទូទៅ) ដែលយើងចង់ទាញការសន្និដ្ឋានពីសំណុំរងរបស់វាដែលបង្កើតជាទិន្នន័យដំបូង។

នីតិវិធីស្ថិតិគឺជានីតិវិធីនៃការសម្រេចចិត្តដែលដកចេញនូវភាពមិនច្បាស់លាស់ទាំងពីរប្រភេទនេះ។

វាគួរតែត្រូវបានកត់សម្គាល់ថាមានហេតុផលមួយចំនួនដែលនាំឱ្យមានការអនុវត្តមិនត្រឹមត្រូវនៃវិធីសាស្រ្តស្ថិតិ:

• ការ​សន្និដ្ឋាន​តាម​ស្ថិតិ​ក៏​ដូច​ជា​អ្វី​ផ្សេង​ទៀត​ដែរ តែង​តែ​មាន​ភាព​អាច​ទុក​ចិត្ត​បាន​ឬ​ភាព​ប្រាកដ​ប្រជា។ ប៉ុន្តែ មិនដូចករណីផ្សេងទៀតជាច្រើនទេ ភាពជឿជាក់នៃការរកឃើញស្ថិតិត្រូវបានគេស្គាល់ និងកំណត់នៅក្នុងវគ្គសិក្សានៃការស្រាវជ្រាវស្ថិតិ។
• គុណភាពនៃដំណោះស្រាយដែលទទួលបានជាលទ្ធផលនៃការអនុវត្តនីតិវិធីស្ថិតិអាស្រ័យលើគុណភាពនៃទិន្នន័យដំបូង។
• ទិន្នន័យដែលមិនមានលក្ខណៈស្ថិតិមិនគួរត្រូវបានទទួលរងនូវដំណើរការស្ថិតិ។
• វាចាំបាច់ក្នុងការប្រើនីតិវិធីស្ថិតិដែលត្រូវគ្នាទៅនឹងកម្រិតនៃព័ត៌មានបឋមអំពីចំនួនប្រជាជនដែលកំពុងសិក្សា (ឧទាហរណ៍ អ្នកមិនគួរអនុវត្តវិធីសាស្រ្តនៃការវិភាគភាពខុសប្លែកគ្នាទៅនឹងទិន្នន័យដែលមិនមែនជា Gaussian)។ ប្រសិនបើការចែកចាយទិន្នន័យដើមមិនស្គាល់ នោះគេត្រូវតែបង្កើតវា ឬប្រើវិធីផ្សេងគ្នាជាច្រើន ហើយប្រៀបធៀបលទ្ធផល។ ប្រសិនបើពួកវាខុសគ្នាខ្លាំង នេះបង្ហាញពីភាពមិនអាចអនុវត្តបាននៃនីតិវិធីមួយចំនួនដែលបានប្រើ។

ភាពមិនប្រាកដប្រជានៃផលវិបាក

នៅពេលដែលផលវិបាកនៃការជ្រើសរើសជម្រើសមួយ ឬជម្រើសមួយផ្សេងទៀតត្រូវបានកំណត់ដោយឡែកដោយជម្រើសដោយខ្លួនឯងនោះ យើងមិនអាចបែងចែករវាងជម្រើសមួយ និងផលវិបាករបស់វាបានទេ ដោយគិតថាការជ្រើសរើសជម្រើសមួយ យើងពិតជាជ្រើសរើសផលវិបាករបស់វា។

ទោះជាយ៉ាងណាក៏ដោយ នៅក្នុងការអនុវត្តជាក់ស្តែង ជារឿយៗមនុស្សម្នាក់ត្រូវដោះស្រាយជាមួយនឹងស្ថានភាពស្មុគ្រស្មាញជាងនេះ នៅពេលដែលជម្រើសនៃជម្រើសមួយ ឬជម្រើសផ្សេងទៀតកំណត់មិនច្បាស់លាស់នូវផលវិបាកនៃជម្រើសដែលបានធ្វើ។

ក្នុងករណីនៃជម្រើសផ្សេងគ្នា និងលទ្ធផលនៃជម្រើសរបស់ពួកគេ បានផ្តល់ថាសំណុំនៃលទ្ធផលដែលអាចកើតមានគឺជារឿងធម្មតាសម្រាប់ជម្រើសទាំងអស់ យើងអាចសន្មត់ថាជម្រើសផ្សេងគ្នាខុសគ្នាពីគ្នាទៅវិញទៅមកក្នុងការចែកចាយប្រូបាប៊ីលីតេលទ្ធផល។ ការចែកចាយប្រូបាប៊ីលីតេទាំងនេះ នៅក្នុងករណីទូទៅ អាចអាស្រ័យលើលទ្ធផលនៃជម្រើសនៃជម្រើស និងលទ្ធផលដែលបានកើតឡើងពិតប្រាកដជាលទ្ធផលនៃបញ្ហានេះ។ ក្នុងករណីសាមញ្ញបំផុត លទ្ធផលគឺទំនងជាដូចគ្នា។ លទ្ធផលខ្លួនឯងជាធម្មតាមានអត្ថន័យនៃប្រាក់ចំណេញ ឬការបាត់បង់ ហើយត្រូវបានគណនាតាមបរិមាណ។

ប្រសិនបើលទ្ធផលស្មើគ្នាសម្រាប់ជម្រើសទាំងអស់នោះ គ្មានអ្វីដែលត្រូវជ្រើសរើសទេ។ ប្រសិនបើពួកវាខុសគ្នា នោះជម្រើសអាចប្រៀបធៀបបានដោយណែនាំការប៉ាន់ស្មានបរិមាណជាក់លាក់សម្រាប់ពួកគេ។ ភាពខុសគ្នានៃបញ្ហានៅក្នុងទ្រឹស្ដីហ្គេមត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងជម្រើសផ្សេងគ្នានៃលក្ខណៈជាលេខនៃការបាត់បង់ និងចំណេញដែលជាលទ្ធផលនៃជម្រើសនៃជម្រើស កម្រិតខុសគ្នានៃជម្លោះរវាងភាគីដែលជ្រើសរើសជម្រើស។ល។

ពិចារណាភាពមិនច្បាស់លាស់ប្រភេទនេះថាជាភាពមិនច្បាស់លាស់មិនច្បាស់លាស់

បញ្ហាជម្រើសណាមួយគឺជាការបង្រួមគោលដៅនៃជម្រើសជំនួស។ ទាំងការពិពណ៌នាផ្លូវការនៃជម្មើសជំនួស (បញ្ជីរបស់ពួកគេផ្ទាល់ បញ្ជីនៃគុណលក្ខណៈ ឬប៉ារ៉ាម៉ែត្ររបស់ពួកគេ) និងការពិពណ៌នាអំពីច្បាប់សម្រាប់ការប្រៀបធៀបរបស់ពួកគេ (លក្ខណៈវិនិច្ឆ័យទំនាក់ទំនង) តែងតែត្រូវបានផ្តល់ឱ្យក្នុងលក្ខខណ្ឌនៃមាត្រដ្ឋានវាស់មួយ ឬមួយផ្សេងទៀត (សូម្បីតែនៅពេលដែលអ្នកដែល តើនេះមិនដឹងអំពីរឿងនេះទេ) ។

វាត្រូវបានគេដឹងថាជញ្ជីងទាំងអស់ត្រូវបានព្រិលៗ ប៉ុន្តែមានកម្រិតខុសគ្នា។ ពាក្យ "ព្រិលៗ" សំដៅលើទ្រព្យសម្បត្តិនៃជញ្ជីងដែលមាននៅក្នុងការពិតដែលថាវាតែងតែអាចបង្ហាញជម្រើសពីរដែលអាចបែងចែកបាន ពោលគឺឧ។ ខុសគ្នាក្នុងមាត្រដ្ឋានមួយ និងមិនអាចបែងចែកបាន, i.e. គឺដូចគ្នាបេះបិទ មួយទៀត - កាន់តែព្រិល។ ការជម្រាលតិចក្នុងមាត្រដ្ឋានជាក់លាក់មួយ វាកាន់តែព្រិល។

ដូច្នេះ យើងអាចមើលឃើញយ៉ាងច្បាស់នូវជម្មើសជំនួស ហើយក្នុងពេលជាមួយគ្នានេះ ចាត់ថ្នាក់ពួកវាយ៉ាងច្បាស់លាស់ ពោលគឺឧ។ មានភាពមិនច្បាស់លាស់ថាតើពួកគេជាកម្មសិទ្ធិរបស់ថ្នាក់ណា។

រួចហើយនៅក្នុងការងារដំបូងរបស់ពួកគេលើការសម្រេចចិត្តក្នុងស្ថានភាពស្រពិចស្រពិល Bellman និង Zadeh បានដាក់ចេញនូវគំនិតដែលថាទាំងគោលដៅ និងឧបសគ្គគួរត្រូវបានតំណាងថាជាការកំណត់ដែលស្រពិចស្រពិល (fuzzy) នៅលើសំណុំនៃជម្រើសមួយ។

នៅលើដែនកំណត់មួយចំនួននៃវិធីសាស្រ្តបង្កើនប្រសិទ្ធភាព

នៅក្នុងបញ្ហានៃការជ្រើសរើស និងវិធីសាស្រ្តធ្វើការសម្រេចចិត្តទាំងអស់ដែលបានពិចារណាខាងលើ បញ្ហាគឺត្រូវស្វែងរកអ្វីដែលល្អបំផុតនៅក្នុងសំណុំដំបូងក្រោមលក្ខខណ្ឌដែលបានផ្តល់ឱ្យ i.e. ជម្រើសល្អបំផុតក្នុងន័យជាក់លាក់មួយ។

គំនិតនៃសុទិដ្ឋិនិយមគឺជាគំនិតកណ្តាលនៃ cybernetics ហើយបានចូលយ៉ាងរឹងមាំនូវការអនុវត្តនៃការរចនា និងប្រតិបត្តិការប្រព័ន្ធបច្ចេកទេស។ ក្នុងពេលជាមួយគ្នានេះ គំនិតនេះត្រូវតែត្រូវបានចាត់ទុកយ៉ាងប្រុងប្រយ័ត្ន នៅពេលដែលយើងព្យាយាមផ្ទេរវាទៅកាន់តំបន់នៃការគ្រប់គ្រងប្រព័ន្ធដែលស្មុគស្មាញ ធំ និងខ្សោយ ដូចជាឧទាហរណ៍ ប្រព័ន្ធសេដ្ឋកិច្ចសង្គមជាដើម។

មានហេតុផលល្អសម្រាប់ការសន្និដ្ឋាននេះ។ ចូរយើងពិចារណាពួកគេមួយចំនួន៖

1. ដំណោះស្រាយដ៏ល្អប្រសើរច្រើនតែប្រែទៅជាមិនស្ថិតស្ថេរ i.e. ការផ្លាស់ប្តូរតិចតួចនៅក្នុងលក្ខខណ្ឌនៃបញ្ហា ការបញ្ចូលទិន្នន័យ ឬឧបសគ្គអាចនាំទៅដល់ការជ្រើសរើសជម្រើសផ្សេងគ្នាយ៉ាងសំខាន់។
2. គំរូការបង្កើនប្រសិទ្ធភាពត្រូវបានបង្កើតឡើងសម្រាប់តែថ្នាក់តូចចង្អៀតនៃកិច្ចការសាមញ្ញដោយស្មើភាព ដែលមិនតែងតែឆ្លុះបញ្ចាំងឱ្យបានគ្រប់គ្រាន់ និងជាប្រព័ន្ធនៃវត្ថុបញ្ជាពិតប្រាកដ។ ភាគច្រើនជាញឹកញាប់ វិធីសាស្ត្របង្កើនប្រសិទ្ធភាពធ្វើឱ្យវាអាចបង្កើនប្រសិទ្ធភាពបានតែប្រព័ន្ធរងដែលមានលក្ខណៈសាមញ្ញ និងត្រឹមត្រូវដែលបានពិពណ៌នាជាផ្លូវការនៃប្រព័ន្ធធំ និងស្មុគស្មាញមួយចំនួន ពោលគឺឧ។ អនុញ្ញាតតែការបង្កើនប្រសិទ្ធភាពក្នុងស្រុកប៉ុណ្ណោះ។ ទោះយ៉ាងណាក៏ដោយ ប្រសិនបើប្រព័ន្ធរងនីមួយៗនៃប្រព័ន្ធធំមួយចំនួនដំណើរការបានល្អបំផុត នេះមិនមានន័យថាប្រព័ន្ធទាំងមូលនឹងដំណើរការបានល្អបំផុតនោះទេ។ ដូច្នេះ ការបង្កើនប្រសិទ្ធភាពនៃប្រព័ន្ធរងមួយ មិនចាំបាច់នាំទៅរកអាកប្បកិរិយារបស់វានោះទេ ដែលត្រូវបានទាមទារពីវានៅពេលបង្កើនប្រសិទ្ធភាពប្រព័ន្ធទាំងមូល។ លើសពីនេះទៅទៀត ពេលខ្លះការបង្កើនប្រសិទ្ធភាពក្នុងមូលដ្ឋានអាចនាំឱ្យមានផលវិបាកអវិជ្ជមានសម្រាប់ប្រព័ន្ធទាំងមូល។ ដូច្នេះនៅពេលបង្កើនប្រសិទ្ធភាពប្រព័ន្ធរង និងប្រព័ន្ធទាំងមូល ចាំបាច់ត្រូវកំណត់មែកធាងនៃគោលដៅ និងគោលដៅរង និងអាទិភាពរបស់វា។
3. ជាញឹកញាប់ ការបង្កើនលក្ខណៈវិនិច្ឆ័យបង្កើនប្រសិទ្ធភាពដោយយោងតាមគំរូគណិតវិទ្យាមួយចំនួនត្រូវបានចាត់ទុកថាជាគោលដៅនៃការបង្កើនប្រសិទ្ធភាព ប៉ុន្តែតាមពិតគោលដៅគឺដើម្បីបង្កើនប្រសិទ្ធភាពវត្ថុបញ្ជា។ លក្ខណៈវិនិច្ឆ័យបង្កើនប្រសិទ្ធភាព និងគំរូគណិតវិទ្យាតែងតែទាក់ទងទៅនឹងគោលដៅដោយប្រយោលប៉ុណ្ណោះ ពោលគឺឧ។ ច្រើន ឬតិចគ្រប់គ្រាន់ ប៉ុន្តែតែងតែប្រហាក់ប្រហែល។

ដូច្នេះ គំនិតនៃសុទិដ្ឋិនិយម ដែលជាផ្លែផ្កាខ្លាំងសម្រាប់ប្រព័ន្ធដែលផ្តល់ប្រាក់កម្ចីដល់ទម្រង់គណិតវិទ្យាគ្រប់គ្រាន់ ត្រូវតែផ្ទេរទៅប្រព័ន្ធស្មុគស្មាញដោយប្រុងប្រយ័ត្ន។ ជាការពិតណាស់ គំរូគណិតវិទ្យាដែលពេលខ្លះអាចត្រូវបានស្នើឡើងសម្រាប់ប្រព័ន្ធបែបនេះអាចត្រូវបានធ្វើឱ្យប្រសើរ។ ទោះជាយ៉ាងណាក៏ដោយ គេគួរតែគិតគូរជានិច្ចអំពីភាពសាមញ្ញដ៏រឹងមាំនៃម៉ូដែលទាំងនេះ ដែលក្នុងករណីប្រព័ន្ធស្មុគស្មាញមិនអាចត្រូវបានគេធ្វេសប្រហែសទៀតទេ ក៏ដូចជាការពិតដែលថាកម្រិតនៃភាពគ្រប់គ្រាន់នៃម៉ូដែលទាំងនេះនៅក្នុងករណីនៃប្រព័ន្ធស្មុគស្មាញគឺពិតជាមិនដឹង។ . ដូច្នេះហើយ វាមិនត្រូវបានគេដឹងថា តើការបង្កើនប្រសិទ្ធភាពនេះមានសារសំខាន់អ្វីនោះទេ។ ភាពជាក់ស្តែងខ្ពស់នៃការបង្កើនប្រសិទ្ធភាពនៅក្នុងប្រព័ន្ធបច្ចេកទេសមិនគួរបង្កឱ្យមានការបំភាន់ថាវានឹងមានប្រសិទ្ធភាពដូចក្នុងការបង្កើនប្រសិទ្ធភាពប្រព័ន្ធស្មុគស្មាញនោះទេ។ ការ​ធ្វើ​គំរូ​គណិតវិទ្យា​ដ៏​មាន​ន័យ​នៃ​ប្រព័ន្ធ​ស្មុគ្រ​ស្មាញ​គឺ​មាន​ការ​លំបាក​ខ្លាំង​ណាស់, ប្រហាក់ប្រហែល​និង​មិន​ត្រឹមត្រូវ។ ប្រព័ន្ធកាន់តែស្មុគ្រស្មាញ អ្នកគួរតែប្រយ័ត្នចំពោះគំនិតនៃការបង្កើនប្រសិទ្ធភាពរបស់វា។

ដូច្នេះហើយ នៅពេលបង្កើតវិធីសាស្ត្រគ្រប់គ្រងសម្រាប់ប្រព័ន្ធកំណត់ដ៏ស្មុគស្មាញ ធំ និងខ្សោយ អ្នកនិពន្ធពិចារណារឿងសំខាន់ មិនត្រឹមតែភាពសុទិដ្ឋិនិយមនៃវិធីសាស្រ្តដែលបានជ្រើសរើសតាមទស្សនៈគណិតវិទ្យាផ្លូវការប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងភាពគ្រប់គ្រាន់របស់វាចំពោះគោលដៅ និងលក្ខណៈនៃ វត្ថុបញ្ជា។

វិធីសាស្រ្តជ្រើសរើសអ្នកជំនាញ

នៅក្នុងការសិក្សាអំពីប្រព័ន្ធស្មុគ្រស្មាញ ជារឿយៗបញ្ហាកើតឡើងដែលហេតុផលផ្សេងៗមិនអាចត្រូវបានគេដាក់ និងដោះស្រាយយ៉ាងម៉ត់ចត់ដោយប្រើឧបករណ៍គណិតវិទ្យាដែលបានអភិវឌ្ឍនាពេលបច្ចុប្បន្ននេះ។ នៅក្នុងករណីទាំងនេះ សេវាកម្មរបស់អ្នកជំនាញ (អ្នកវិភាគប្រព័ន្ធ) ត្រូវបានប្រើប្រាស់ ដែលបទពិសោធន៍ និងវិចារណញាណជួយកាត់បន្ថយភាពស្មុគស្មាញនៃបញ្ហា។

ទោះជាយ៉ាងណាក៏ដោយវាត្រូវតែយកទៅពិចារណាថាអ្នកជំនាញខ្លួនឯងគឺជាប្រព័ន្ធស្មុគស្មាញខ្ពស់ហើយសកម្មភាពរបស់ពួកគេក៏អាស្រ័យលើលក្ខខណ្ឌខាងក្រៅនិងខាងក្នុងជាច្រើន។ ដូច្នេះនៅក្នុងវិធីសាស្រ្តនៃការរៀបចំការវាយតម្លៃរបស់អ្នកជំនាញការយកចិត្តទុកដាក់ជាច្រើនត្រូវបានបង់ដើម្បីបង្កើតលក្ខខណ្ឌខាងក្រៅនិងផ្លូវចិត្តអំណោយផលសម្រាប់ការងាររបស់អ្នកជំនាញ។

កត្តាខាងក្រោមមានឥទ្ធិពលលើការងាររបស់អ្នកជំនាញ៖

• ការទទួលខុសត្រូវចំពោះការប្រើប្រាស់លទ្ធផលនៃការប្រឡង;
• ដោយដឹងថាអ្នកជំនាញផ្សេងទៀតចូលរួម។
• ភាពអាចរកបាននៃទំនាក់ទំនងរវាងអ្នកជំនាញ;
• ទំនាក់ទំនងអន្តរបុគ្គលរបស់អ្នកជំនាញ (ប្រសិនបើមានទំនាក់ទំនងព័ត៌មានរវាងពួកគេ);
• ផលប្រយោជន៍ផ្ទាល់ខ្លួនរបស់អ្នកជំនាញនៅក្នុងលទ្ធផលនៃការវាយតម្លៃ;
• គុណសម្បត្តិផ្ទាល់ខ្លួនរបស់អ្នកជំនាញ (ការគោរពខ្លួនឯង ការអនុលោមតាមឆន្ទៈ។ល។)

អន្តរកម្មរវាងអ្នកជំនាញអាចជំរុញ ឬរារាំងសកម្មភាពរបស់ពួកគេ។ ដូច្នេះ ក្នុងករណីផ្សេងៗគ្នា វិធីសាស្រ្តនៃការពិនិត្យផ្សេងៗគ្នាត្រូវបានប្រើប្រាស់ ដែលខុសគ្នានៅក្នុងលក្ខណៈនៃអន្តរកម្មរបស់អ្នកជំនាញជាមួយគ្នាទៅវិញទៅមក៖ ការស្ទង់មតិ និងកម្រងសំណួរអនាមិក និងបើកចំហ ការប្រជុំ ការពិភាក្សា ល្បែងអាជីវកម្ម ការបំផុសគំនិត។ល។

មានវិធីសាស្រ្តផ្សេងៗនៃដំណើរការគណិតវិទ្យានៃមតិអ្នកជំនាញ។ អ្នកជំនាញត្រូវបានស្នើឱ្យវាយតម្លៃជម្រើសផ្សេងៗដោយមួយ ឬដោយប្រព័ន្ធនៃសូចនាករ។ លើសពីនេះទៀត ពួកគេត្រូវបានស្នើសុំឱ្យវាយតម្លៃកម្រិតនៃសារៈសំខាន់នៃសូចនាករនីមួយៗ ( "ទម្ងន់" ឬ "ការរួមចំណែក" របស់វា) ។ អ្នកជំនាញខ្លួនឯងក៏ត្រូវបានចាត់តាំងកម្រិតនៃសមត្ថភាពដែលត្រូវគ្នាទៅនឹងការរួមចំណែករបស់ពួកគេម្នាក់ៗចំពោះមតិលទ្ធផលរបស់ក្រុម។

វិធីសាស្រ្តដែលបានអភិវឌ្ឍក្នុងការធ្វើការជាមួយអ្នកជំនាញគឺវិធីសាស្ត្រ "Delphi" ។ គំនិតចម្បងនៃវិធីសាស្រ្តនេះគឺថាការរិះគន់និងការជជែកវែកញែកមានឥទ្ធិពលជាប្រយោជន៍ដល់អ្នកជំនាញប្រសិនបើការគោរពខ្លួនឯងរបស់គាត់មិនត្រូវបានប៉ះពាល់ហើយលក្ខខណ្ឌត្រូវបានផ្តល់ឱ្យដែលមិនរាប់បញ្ចូលការប្រឈមមុខគ្នាផ្ទាល់ខ្លួន។

វាគួរតែត្រូវបានសង្កត់ធ្ងន់ថាមានភាពខុសគ្នាជាមូលដ្ឋាននៅក្នុងធម្មជាតិនៃការប្រើប្រាស់វិធីសាស្រ្តអ្នកជំនាញនៅក្នុងប្រព័ន្ធអ្នកជំនាញនិងនៅក្នុងការគាំទ្រការសម្រេចចិត្ត។ ប្រសិនបើក្នុងករណីដំបូង អ្នកជំនាញត្រូវបានតម្រូវឱ្យធ្វើជាផ្លូវការនូវវិធីសាស្រ្តនៃការសម្រេចចិត្ត បន្ទាប់មកនៅក្នុងទីពីរ - មានតែការសម្រេចចិត្តដោយខ្លួនឯងប៉ុណ្ណោះ។

ដោយសារអ្នកជំនាញបានចូលរួមក្នុងការអនុវត្តមុខងារទាំងនោះយ៉ាងជាក់លាក់ដែលបច្ចុប្បន្នមិនត្រូវបានផ្តល់ដោយប្រព័ន្ធស្វ័យប្រវត្តិទាល់តែសោះ ឬត្រូវបានអនុវត្តអាក្រក់ជាងដោយមនុស្ស ទិសដៅជោគជ័យក្នុងការអភិវឌ្ឍន៍ប្រព័ន្ធស្វ័យប្រវត្តិគឺជាស្វ័យប្រវត្តិកម្មអតិបរមានៃមុខងារទាំងនេះ។

ប្រព័ន្ធគាំទ្រការសម្រេចចិត្តដោយស្វ័យប្រវត្តិ

មនុស្សម្នាក់តែងតែប្រើជំនួយក្នុងការធ្វើការសម្រេចចិត្ត៖ ពួកគេទាំងពីរគ្រាន់តែជាអ្នកផ្តល់ព័ត៌មានអំពីវត្ថុបញ្ជា និងទីប្រឹក្សា (ទីប្រឹក្សា) ដែលផ្តល់ជម្រើសសម្រាប់ការសម្រេចចិត្ត និងវិភាគលទ្ធផលរបស់ពួកគេ។ អ្នកធ្វើការសម្រេចចិត្តតែងតែធ្វើនៅក្នុងបរិយាកាសព័ត៌មានជាក់លាក់មួយ៖ សម្រាប់មេបញ្ជាការយោធា នេះគឺជាទីស្នាក់ការកណ្តាល សម្រាប់សាកលវិទ្យាធិការ ក្រុមប្រឹក្សាសិក្សា សម្រាប់រដ្ឋមន្ត្រី មហាវិទ្យាល័យ។

នៅសម័យរបស់យើង ហេដ្ឋារចនាសម្ព័ន្ធព័ត៌មានក្នុងការសម្រេចចិត្តគឺមិននឹកស្មានដល់ដោយគ្មានប្រព័ន្ធស្វ័យប្រវត្តិសម្រាប់ការវាយតម្លៃការសម្រេចចិត្តដដែលៗ និងជាពិសេសប្រព័ន្ធគាំទ្រការសម្រេចចិត្ត (DDS - Decision Support Systems) i.e. ប្រព័ន្ធស្វ័យប្រវត្តិដែលត្រូវបានរចនាឡើងជាពិសេសដើម្បីរៀបចំព័ត៌មានដែលបុគ្គលត្រូវការដើម្បីធ្វើការសម្រេចចិត្ត។ ការអភិវឌ្ឍន៍ប្រព័ន្ធគាំទ្រការសម្រេចចិត្តត្រូវបានអនុវត្តជាពិសេសនៅក្នុងក្របខ័ណ្ឌនៃគម្រោងអន្តរជាតិដែលធ្វើឡើងក្រោមការឧបត្ថម្ភរបស់វិទ្យាស្ថានអន្តរជាតិសម្រាប់ការវិភាគប្រព័ន្ធអនុវត្តនៅទីក្រុង Laxenburg (ប្រទេសអូទ្រីស)។

ជម្រើសក្នុងស្ថានភាពជាក់ស្តែងទាមទារឱ្យមានការប្រតិបត្តិនូវប្រតិបត្តិការមួយចំនួន ដែលសកម្មភាពខ្លះត្រូវបានអនុវត្តដោយមនុស្សម្នាក់កាន់តែមានប្រសិទ្ធភាព និងផ្សេងទៀតដោយម៉ាស៊ីន។ ការរួមបញ្ចូលគ្នាប្រកបដោយប្រសិទ្ធភាពនៃគុណសម្បត្តិរបស់ពួកគេជាមួយនឹងសំណងក្នុងពេលដំណាលគ្នានៃការខ្វះខាតត្រូវបានបញ្ចូលនៅក្នុងប្រព័ន្ធគាំទ្រការសម្រេចចិត្តដោយស្វ័យប្រវត្តិ។

មនុស្សម្នាក់ធ្វើការសម្រេចចិត្តបានល្អជាងម៉ាស៊ីននៅក្រោមលក្ខខណ្ឌនៃភាពមិនច្បាស់លាស់ ប៉ុន្តែដើម្បីធ្វើការសម្រេចចិត្តបានត្រឹមត្រូវ គាត់ក៏ត្រូវការព័ត៌មានគ្រប់គ្រាន់ (ពេញលេញ និងអាចទុកចិត្តបាន) ដែលកំណត់លក្ខណៈប្រធានបទ។ ទោះជាយ៉ាងណាក៏ដោយ វាត្រូវបានគេដឹងថាមនុស្សម្នាក់មិនអាចដោះស្រាយបានល្អជាមួយនឹងចំនួនដ៏ធំនៃព័ត៌មានដែលមិនទាន់កែច្នៃ "ឆៅ" នោះទេ។ ដូច្នេះ តួនាទីរបស់ម៉ាស៊ីនក្នុងការគាំទ្រការសម្រេចចិត្តអាចជាការរៀបចំបឋមនៃព័ត៌មានអំពីវត្ថុបញ្ជា និងកត្តាដែលមិនអាចគ្រប់គ្រងបាន (បរិស្ថាន) ដើម្បីជួយមើលផលវិបាកនៃការសម្រេចចិត្តជាក់លាក់ និងបង្ហាញព័ត៌មានទាំងអស់នេះជារូបភាព។ និងមធ្យោបាយងាយស្រួលសម្រាប់ធ្វើការសម្រេចចិត្ត។

ដូច្នេះ ប្រព័ន្ធគាំទ្រការសម្រេចចិត្តដោយស្វ័យប្រវត្តិ ផ្តល់សំណងដល់ភាពទន់ខ្សោយរបស់បុគ្គលម្នាក់ ដោយដោះលែងគាត់ពីដំណើរការព័ត៌មានបឋមតាមទម្លាប់ និងផ្តល់ឱ្យគាត់នូវបរិយាកាសព័ត៌មានប្រកបដោយផាសុកភាព ដែលគាត់អាចបង្ហាញភាពខ្លាំងរបស់គាត់កាន់តែប្រសើរឡើង។ ប្រព័ន្ធទាំងនេះមិនផ្តោតលើការធ្វើឱ្យមុខងាររបស់អ្នកធ្វើការសម្រេចចិត្តដោយស្វ័យប្រវត្តិទេ (ហើយជាលទ្ធផល ការផ្តាច់មុខងារទាំងនេះពីគាត់ ហើយដូច្នេះការទទួលខុសត្រូវចំពោះការសម្រេចចិត្តដែលបានធ្វើឡើង ដែលជាទូទៅមិនអាចទទួលយកបាន) ប៉ុន្តែការផ្តល់ជំនួយដល់គាត់ក្នុងការស្វែងរក ដំណោះស្រាយដ៏ល្អ។