Модифицированные распознающие операторы, основанные на радиальных функциях

  • № 1(13) 2018

Страницы: 

100

 – 

106

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 большой размерности признакового пространства. В качестве исходной модели рассмотрена модель распознающих операторов, основанных на радиальных функциях. Отличительная особенность рассматриваемого подхода заключается в формировании подмножеств взаимосвязанных признаков и выделении набора репрезентативных признаков при построении распознающих операторов. Основным преимуществом предлагаемых операторов является выделение предпочтительных признаков 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 задачи диагностики заболевания зерновых культур. Данная модель может быть использована при составлении различных программ, ориентированных на решение задач прогнозирования и классификации объектов, заданных в пространстве признаков большой размерности.

The problems related to the construction of a model of recognition operators, oriented to the classification of objects in conditions of large dimensionality of the feature space, are considered in this article. As the initial model, the model of recognizing operators based on radial functions is considered. A distinctive feature of this approach is the formation of subsets of correlated features, the selection of a set of representative and preferred features in the construction of recognizing operators. The main advantage of the proposed operators is a significant reduction in the number of computational operations when recognizing unknown objects. This characteristic is very important for real-time recognition systems. To test the efficiency of the proposed model, experimental studies were carried out to solve the problem of diagnosis of cereal crops. This model can be used in the compilation of various software complexes aimed at solving problems of forecasting and classification of objects specified in the large dimensional feature space.

Мақолада белгилар фазосининг ўлчами катта бўлган шароитда объектларни классификация қилишга йўналтирилган таниб олиш операторлари моделини қуриш билан боғлиқ масалалари қаралган. Дастлабки таянч модели сифатида радиал функцияларга асосланган таниб олиш операторлари модели қаралган. Таклиф қилинган ёндошувнинг ўзига хос хусусияти таниб олиш операторларни қуришда ўзаро боғлиқ бўлган белгиларнинг қисм-тўпламларини шакллантириш, репрезентатив ва афзалликка эга бўлган белгилар тўпламини ажратишдан иборат. Мақолада қаралган операторларнинг асосий афзаллиги номаълум объектларни таниб олишда ҳисоблаш операцияларини сонининг сезиларли даражада камайтиришдан иборат ва унинг ушбу хоссаси ҳақиқий вақтлар режимида ишловчи таниб олиш тизимларини яратишда жуда муҳим аҳамиятга эга. Таклиф қилинган моделни ишга яроқли эканлигини текшириш учун эксперментал тадқиқот ўтказилди. Бу тадқиқотда ғаллани касаллик ҳолатини ташхис қилиш масаласини ҳал қилиш қаралган. Мазкур моделдан ўлчами катта белгилар фазосида берилган объектларни сифларга ажратиш (классификация қилиш) ва башорат (прогноз) қилиш масалаларини ҳал қилишга қаратилган турли дастурий мажмуаларни ишлаб чиқишда фойдаланиш мумкин.

Список использованных источников

  1. Журавлев Ю.И. Избранные научные труды. - М.: Магистр, 1998. -420 с.
  2.  Ковалевский В.А. Современное состояние проблемы распознавания образов //Кибернетика. – Киев, 1967. – №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, 2009, № 2. –С.21-27.
  4.  Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. — М.: Фазис, 2006. -159 с.
  5.  Shinmura Shuichi. New Theory of Discriminant Analysis after R. Fisher. – New York: Springer, 2017. — 208 p.
  6.  McLachlan G.J. Discriminant Analysis and Statistical Pattern Recognition. – New York: John Wiley & Sons, 2004, -545 p.
  7.  Мерков А.Б. Распознавание образов: Введение в методы статистического обучения. – М.: Эдиториал УРСС, 2011. – 256 с.
  8.  Dougherty G.A. Pattern Recognition and Classification. – New York: Springer, 2013. – 196 p.
  9.  Duda R., Hart P., Stork D. Pattern Classification. – New York: John Wiley, 2001. – 680 p.
  10.  Фомин Я.А. Распознавание образов: теория и применения. – М.: ФАЗИС, 2012. – 429 с.
  11.  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
  12.  Богоносцева Т.А. Метод потенциальных функций в распознавании образов // Труды международного симпозиума Надежность и качество. 2013. Т. 1. С. 154-155.
  13.  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.
  14. Рязанов В.В. Логические закономерности в задачах распознавания (параметрический подход) // Журнал вычислительной математики и математической физики. 2007. Т. 47. № 10. С. 1793-1808.
  15. Кудрявцев В.Б., Андреев А.Е., Гасанов Э.Э. Теория тестового распознавания. – М.: Физматлит, 2007. – 320с.
  16. Игнатьев О. А. Построение корректной комбинации алгоритмов вычисления оценок, настроенных методом скользящего контроля // Журнал вычислительной математики и математической физики. 2015. Том 55. №12. –С. 2123–2129.
  17. Дьяконов А.Г. Теория систем эквивалентностей для описания алгебраических замыканий обобщенной модели вычисления оценок // Журнал вычислительной математики и математической физики. 2010. Том 50. №2. –С. 388–400.
  18. Романов М.Ю. Реализация одного метода построения распознающего алгоритма в алгебре над множеством алгоритмов вычисления оценок // Журнал вычислительной математики и математической физики. 2008. Том 48. № 9. –С. 1721–1727
  19. Максимов Ю.В. Корректные алгебры над алгоритмами вычисления оценок в множестве регулярных задач распознавания с непересекающимися классами // Журнал вычислительной математики и математической физики. 2009. Том 49. №7. –С. 1327–1339
  20. Донской В.И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. – Симферополь: ДИАЙПИ, 2014. – 228 с.
  21. 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.35-41.
  22. 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.
  23. Braga-Neto U. M., Dougherty E. R. Error Estimation for Pattern Recognition. –New York: Springer, 2016. -312 p.
 

Список всех публикаций, цитирующих данную статью