Модель распознающих операторов, основанных на радиальных функциях специального вида

  • № 6(18) 2018

Страницы: 

79

 – 

92

Язык: русский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

В статье рассмотрены вопросы, связанные с построением модели распознающих операторов, ориентированных на классификацию объектов в условиях взаимосвязанности признаков. В качестве исходной модели рассмотрена модель распознающих операторов, основанных на радиальных функциях. Отличительная особенность рассматриваемого подхода заключается в формировании подмножеств взаимосвязанных признаков и построение функции расстояния на основе модели взаимосвязанности. Основным преимуществом предлагаемой модели распознающих операторов является выделение предпочтительной функции расстояния с последующим вычислением оценки принадлежности объектов и обеспечение существенного уменьшения числа вычислительных операций при распознавании неизвестных объектов. Данная характеристика является весьма важной для распознающих систем, работающих в режиме реального времени. Для проверки работоспособности предложенной модели проведены экспериментальные исследования при решении модельной задачи и задачи распознавания личности по геометрическим признакам лица. Данная модель может быть использована при составлении различных программ, ориентированных на решение задач прогнозирования и классификации объектов, заданных в пространстве взаимосвязанных признаков.

The problems related to the construction of a model of recognition operators focused on the classification of objects in the condition of features’ correlations are discussed in this article. The model of recognition operators based on radial functions is considered as an initial model. A distinctive feature of the approach under consideration is the formation of subsets of correlated features and the construction of a distance function based on the correlation model in the constructing of recognition operators. The main advantage of the proposed operators is the allocation of preferred distance functions with the subsequent calculation of the assessment of the belonging of objects and ensuring a significant reduction in the number of computational operations when recognizing unknown objects. This feature is very important for real-time recognition systems. To test the performance of the proposed model, experimental studies were carried out in solving the model problem and the problem of diagnosing the diseases of cereal crops. This model can be used in the preparation of various programs aimed at solving problems of forecasting and classifying objects defined in the space of correlated features.

Список использованных источников

  1. Журавлёв Ю.И. Избранные научные труды. М.: Магистр, 1998. 420 с.
  2.  Ковалевский В. А. Современное состояние проблемы распознавания образов // Кибернетика, 1967. Т. 3. №5. С. 78-92.
  3.  Камилов М.М., Мирзаев Н.М., Раджабов С.С. Современное состояние вопросов построения моделей алгоритмов распознавания // Научный журнал: Химическая технология. Контроль и управление.,Ташкент. 2015. №2. С. 99-112.
  4.  Фазылов Ш.Х., Раджабов С. С., Мирзаев О. Н. Современное состояние проблем распознавания образов // Проблемы вычислительной и прикладной математики, 2015. №2. С. 99-112.
  5.  Журавлёв Ю.И., Рязанов В. В., Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. М.: Фазис, 2006. 159 с.
  6.  Игнатьев Н.А. Интеллектуальный анализ данных на базе непараметрических методов классификации и разделения выборок объектов поверхностями. Национальный университет Узбекистана им. Мирзо Улугбека, Ташкент. 2010. – 140 с.
  7.  Shinmura Shuichi New Theory of Discriminant Analysis after R. Fisher. New York: Springer, 2017. — 208 p.
  8.  Фомин Я.А. Распознавание образов: теория и применения. М.: ФАЗИС, 2012. – 429 с.
  9.  Duda R., Hart P., Stork D Pattern Classification. New York: John Wiley, 2001. – 680 p.
  10.  Dougherty G.A. Pattern Recognition and Classification. New York: Springer, 2013. – 196 p.
  11.  Мерков А. Б. Распознавание образов: Введение в методы статистического обучения. М.: Эдиториал УРСС, 2011. 256 с.
  12.  Айзерман М. А., Браверманн Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970. – 348 с.
  13.  Фазылов Ш.Х., Раджабов С. С., Мирзаев О. Н. Анализ состояния вопросов построения моделей, основанных на принципе потенциалов // Проблемы вычислительной и прикладной математики, 2016. №3. С. 88-97.
  14.  Колтовой Н. А. О полноте линейного пространства распознающих операторов типа вычисления оценок и потенциальных функций // Журнал вычислительной математики и математической физики, 1979. Т. 19. №2. С.496-507.
  15.  Моттль В.В., Середин О.С., Красоткина О.В., Мучник И.Б. Комбинирование потенциальных функций в задачах восстановления зависимостей по эмпирическим данным // Доклады Академии наук. 2005. Т. 401. № 5. С. 607-612
  16.  Бак Х. К. О модели распознающих алгоритмов типа потенциальных функций // Журнал вычислительной математики и математической физики, 1978. Т. 18. №2. С. 468-479.
  17.  Богоносцева Т.А. Метод потенциальных функций в распознавании образов Труды международного симпозиума Надежность и качество. 2013. Т. 1. С. 154-155.
  18.  Антамошкин А. Н., Масич И. С. Выбор логических закономерностей для построения решающего правила распознавания // Вестник СибГАУ им. акад. М.Ф. Решетнева, 2014. №5(57). С. 20-25.
  19.  Лбов Г.С., Бериков В.Б. Устойчивость решающих функций в задачах распознавания образов и анализа разнотипной информации.Новосибирск: Изд-во Ин-та математики, 2005. – 220 с.
  20.  Рязанов В.В. Логические закономерности в задачах распознавания (параметрический подход) Вычислительной математики и математической физики 2007.№ 10 Т. 47. С. 1793-1808.
  21.  Кудрявцев В. Б., Андреев А. Е., Гасанов Э. Э. Теория тестового распознавания. М.: Физматлит, 2007. 320 с.
  22.  Zhuravlev, Yu. I., M., M. Kamilov, and Sh. E. Tulyaganov. 1974. Algoritmi vichisleniya otsenok i primenenie [Algorithms for calculating estimates and applications.] Tashkent: Sciense, 119 p. (In Russian)
  23.  Еханин С. М., Кочетова Вычисление оценок для стандартной обучающей информации в задачах распознавания Вычислительной математики и математической физики 2002. Т. 42. №3. С.438–441.
  24.  Игнатьев О. А. Построение корректной комбинации алгоритмов вычисления оценок, настроенных методом скользящего контроля Вычислительной математики и математической физики. 2015. Том 55. № 12. С. 2123–2129.
  25.  Дьяконов А.Г. Теория систем эквивалентностей для описания алгебраических замыканий обобщенной модели вычисления оценок Вычислительной математики и математической физики 2010. Том 50. № С. 388–400.
  26.  Романов М.Ю Реализация одного метода построения распознающего алгоритма в алгебре над множеством алгоритмов вычисления оценок Вычислительной математики и математической физики 2008. Том 48. № 9. С. 1721–1727
  27.  Максимов Ю.В. Корректные алгебры над алгоритмами вычисления оценок в множестве регулярных задач распознавания с непересекающимися классами Вычислительной математики и математической физики 2009. Том 49. № 7. С. 1327–1339
  28.  Донской В.И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор.– Симферополь: ДИАЙПИ, 2014. – 228 с
  29.  Журавлев Ю.И., Гуревич И.Б. Распознавание образов и распознавание изображений// Распознавание, классификация, прогноз: Математические методы .и их применение. – М.: Наука, 1989. – Вып. 2. С. 5-72.
  30.  Фазылов Ш.Х., Мирзаев Н. М., Мирзаев О. Н. Об одной модели модифицированных алгоритмов распознавания типа потенциальных функций // Доклады 14-й Всеросс. конф. «Математические методы распознавания образов», М.: МАКС Пресс, 2009. С. 200-203.
  31.  Мирзаев О. Н. Выделение подмножеств сильносвязанных признаков при построении экстремальных алгоритмов распознавания // Вестник ТУИТ, 2015. №3. С. 145-151.
  32.  Камилов М.М., Мирзаев Н.М., Раджабов С.С. Определение параметров модели алгоритмов распознавания, основанных на оценке взаимосвязанности признаков Знания –Онтологии – Теории: Материалы Всероссийской конференции с международным участием. – Новосибирск, 2009. – Т. 1. С.35-
  33.  Фазылов Ш.Х., Мирзаев Н.М., Мирзаев О.Н. Построение распознающих операторов в условиях взаимосвязанности признаков // Радиоэлектроника, информатика, управление. – Запорожье, 2016. - № 1. С. 58- 63.
  34.  Неймарк Ю.И., Теклина Л.Г Новые технологии применения метода наименьших квадратов. – Нижний Новгород: Изд. Нижегородского госуниверситета, 2003. – 196 с.
  35.  Дрейпер Н., Смит Г. Прикладной регрессионный анализ. – М: Вильямс, 2007. – 912 стр.
  36.  Russell J., Cohn R. Radial Basis Function. New York: Book on Demand, 2012. 140 p
  37.  Сирота А.А., Цуриков А.В Модели и алгоритмы классификации многомерных данных на основе нейронных сетей с радиально-базисными функциями // ВестникВГУ. Серия: Системный анализ и информационные технологии , 2013. №1. С. 154 - 161.
  38.  Мирзаев Н. М., Раджабов С. С., Жумаев Т. С. О параметризации моделей алгоритмов распознавания, основанных на оценке взаимосвязанности признаков Проблемы информатики и энергетики, 2008. №2-3. С. 23-27.
  39.  Ripley B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, - 2005. -403 p.
  40.  Braga-Neto UM., Dougherty E.R Error Estimation for Pattern Recognition. New York: Springer, 2016. 312 p.
  41.  Болл Р.М., Коннел Дж. Х., Панканти Ш. и др. Руководство по биометрии. – М.: Техносфера, 2007. – 368 с.
  42.  Самаль Д.И. Алгоритмы идентификации человека по фотопортрету на основе геометрических преобразований // Автореф. дис. на соиск. уч. ст. канд. техн. наук. – Минск: Ин-т техн. киберн. НАН Беларуси, 2002. – 22 с.
  43.  Фазылов Ш.Х., Мирзаев Н.М., Тухтасинов М.Т., Мирзаев О.Н Выделение признаков при распознавании личности по изображению лица // Современное состояние и перспективы применения информационных технологий в управлении: Сборник докладов Республиканской научно-технический конференции. (5-6 сентября 2017). – Ташкент: ТУИТ, 2017. С. 441-447
  44.  Фазылов Ш.Х., Раджабов С.С., Мирзаева Г.Р. Алгоритмы, используемые при создании системы идентификации личности на основе анализа изображения лица // Proceedings of the International Scientific-Practical and Spiritual-Educational Conference Dedicated to the 1235th Anniversary of Muhammad al-Khwarizmi “Importance of informationcommunication technologies in innovative development of sectors of economy” (April 5 - 6, 2018, Tashkent, Uzbekistan). - Tashkent, 2018. Pp. 794-797.
  45.  Фазылов Ш.Х., Мирзаев Н.М., Раджабов С.С Выделение геометрических признаков лица человека на изображении при идентификации личности // Естественные и технические науки. – Москва, 2008. – № 2. – С.321-327.

Список всех публикаций, цитирующих данную статью