Построение распознающих операторов, основанных на пороговых функциях расстояния

  • № 1(19) 2019

Страницы: 

67

 – 

77

Язык: русский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

В данной статье рассматривается задача распознавания образов, заданных в пространстве взаимосвязанных признаков. Для решения данной задачи предлагается новый подход к построению модели распознающих операторов, учитывающих взаимосвязанность заданных признаков. Основная идея предлагаемого подхода заключается в формировании независимых подмножеств взаимосвязанных признаков и выделении предпочтительной модели зависимости для каждого подмножества сильносвязанных признаков. Целью данной статьи является разработка модели распознающих операторов, основанных на радиальных функциях, с использованием метода группового учета аргументов. В научном плане результаты данной работы в совокупности представляют собой новое решение научной задачи, связанной с вопросами повышения надежности распознающих алгоритмов, основанных на радиальных функциях. Практическая значимость результатов заключается в том, что разработанные алгоритмы и программы могут быть применены в медицинской и технической диагностике, геологическом прогнозировании, биометрической идентификации и других областях, где предусмотрено решение задачи классификации объектов, заданных в пространстве признаков большой размерности. Для проверки работоспособности предложенной модели распознающих алгоритмов проведены экспериментальные исследования при решении задачи идентификации личности по изображению подписи.

This article discusses the problem of pattern recognition, given in the space of interrelated features. To solve this problem, a new approach to constructing a model of recognizing operators is proposed, taking into account the interconnectedness of the given features. In this case, the construction of a model of recognition operators was carried out on the basis of radial functions. The main idea of the proposed approach is to form independent subsets of interrelated features and highlight the preferred dependency model for each subset of tightly coupled features. A distinctive feature of the proposed model of algorithms is to determine a suitable set of twodimensional distance functions when building a model of discriminating operators. The purpose of this article is to develop a model of recognizing operators based on radial functions using the group-based argument method. The subject of the research is the development of a model of recognizing operators based on two-dimensional distance functions. Scientifically, the results of this work in the aggregate represent a new solution to a scientific problem related to the issues of increasing the reliability of recognition algorithms based on radial functions. The practical significance of the results lies in the fact that the developed algorithms and programs can be applied in medical and technical diagnostics, geological forecasting, biometric identification and other areas where it is possible to solve the problem of classifying objects defined in a space of large dimensionality. To test the performance of the proposed model of recognition algorithms, experimental studies were carried out in solving a number of problems. The analysis of the obtained results shows that the considered recognition operators are used in cases where there is some dependence between the attributes of objects belonging to the same class. With a weak expression of this dependence, the classical model of recognition operators is used. The main advantage of the proposed recognition operators is the improvement in accuracy and a significant reduction in the amount of computational operations in recognition of unknown objects, which allows them to be used in the construction of recognition systems operating in real time.

Список использованных источников

  1. Фазылов Ш.Х. Мирзаев О.Н. Раджабов С.С. Современное состояние проблем распознавания образов // Проблемы вычислительной и прикладной математики, 2015. № 2. –С. 99-112.
  2.  Фазылов Ш.Х., Мирзаев Н.М., Мирзаев О.Н. Построение распознающих операторов в условиях взаимосвязанности признаков // Радиоэлектроника, информатика, управление, 2016. – № 1. –С. 58- 63.
  3.  Мирзаев Н.М. Модифицированные распознающие операторы, основанные на радиальных функциях// Проблемы вычислительной и прикладной математики,2018. – № 1. –С. 100-106.
  4.  Журавлёв Ю.И. Избранные научные труды. – М.: Магистр, 1998. 420 с.
  5.  Журавлёв Ю.И. Распознавание. Математические методы. Программная система. Практические применения / Ю.И. Журавлёв, В.В. Рязанов, О.В. Сенько. – М.: Фазис, 2006. *159 с.
  6.  Васильев В.И. Распознающие системы. –Киев: Наукова думка, 1983. 422 с.
  7.  Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. –М.: Наука, 1970. 348с.
  8.  Ту Дж. Г., Гонсалес З.К. Принципы распознавания образов. –М: Мир 1978. 411с.
  9.  Загоруйко И.Г Методы распознавания и их применение. –М.: Советское радио, 1978. 411 с.
  10.  Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия-Телеком, 2007. 452 с.
  11.  Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. –Краснодар: Изд-во КубГТУ, 1999. 318 с
  12.  Хайкёин C. Нейронные сети: полный курс. – М.: ООО «И.Д.Вильямс», 2006. 1104 с.
  13.  Шлезингер М. Главач В. Десять лекций по статистическому и структурному распознаванию. – Киев: Наукова думка, 2004.
  14. ] Duda R.O. Pattern Classification, Second Edition Richard O. Duda, Peter E. Hart, David G. Stork. – New York: John Wiley, Inc., 2001. 680 p.
  15.  S. Theodoridis, K. Koutroumbas.PatternRecognition:TheoryandApplications,4thedition – New York: Academic Press, 2009. 957 p.
  16.  Dougherty G. Pattern Recognition and Classification: An Introduction / – New York: Springer, 2013. 196 p.
  17.  Загоруйко Н.Г. Прикладные методы анализа данных и знаний– Новосибирск: ИМ СО РАН, 1999. 270 с.
  18.  Лбов Г.С Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981. 160 с.
  19.  Лбов Г.С., Бериков В.Б. МУстойчивость решающих функций в задачах распознавания образовианализаразнотипнойинформации.–Новосибирск:Изд-воИн-таматематики, 2005. – 220 с
  20.  Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. О математических принципах классификации предметов и явлений //Дискретный анализ. 1966. – Вып. 7. – С. 3-11.
  21.  Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и их применение. –Ташкент: Фан, 1974. 119 с.
  22.  Авалиани Г.В. Эвристические методы в распознавании образов. –Тбилиси: Мецниереба, 1988. 77 с.
  23.  Горелик А.Л., Гуревич И.Б., Скрипкин В.А Современное состояние проблемы распознавания: Некоторые аспекты. М.: Радио и связь, 1985. 160 с.
  24.  Дюк В.А. Компьютерная психодиагностика. – СПб.: Братство, 1994. 365 с.
  25.  Ивахненко Н. Г. Индуктивный метод самоорганизации моделей сложных систем. : Киев: Наукова думка, 1981. 296 с.
  26.  Madala H. R., Ivakhnenko A. G. Inductive Learning Algorithms for Complex Systems Modeling. // CRC Press Inc., Boca Raton, 1994. 368 p. USA: CRC Press Inc., Boca Raton, 1994. 368 p.
  27.  FazilovSh.Kh., Mirzaev N.M., Radjabov S.S., Mirzaev O.N. Determination of subsets of strongly dependent features based on radial functions // International Conference on Innovations in Engineering, Technology and Sciences” (ICIETS-2018). P. 1-4.
  28. FazilovSh.Kh., Mirzaev N.M., Radjabov S.S., Mirzaev O.N. Determination of subsets of strongly dependent features based on radial functions // International Conference on Innovations in Engineering, Technology and Sciences” (ICIETS-2018). P. 1-4.
  29.  Kamilov M.M., Fazilov Sh.Kh., Mirzaev N.M., Radjabov S.S. Estimates calculations algorithms in condition of huge dimensions of feartures’ space // Problems of Cybernetics and Informatics (PCI’2012): Proceedings The 4th International Conference, Baku, Azerbaijan, Vol. I, P. 184-187.
  30.  Mirzaev N, Saliev E. Recognition Algorithms Based on Radial Functions // Proceedings of the 3nd Russian-Pacific Conference on Computer Technology and Applications (August 18 – 25, 2018, Vladivostok, Russky Island, Russia).Vladivostok: FEFU, 2018. P. 1-6.
  31.  Мирзаев Н.М., Раджабов С.С., Жумаев Т.С. О параметризации моделей алгоритмов распознавания, основанных на оценке взаимосвязанности признаков //Проблемы информатики и энергетики, Ташкент, 2008, №2, С.23-27.
  32.  Braga-Neto U.M., Dougherty E.R. Error Estimation for Pattern Recognition. New York: Springer, 2016. 312 p. [33] Мирзаев Н.М. Выделение признаков изображения при распознавании личности по подписи //Современное состояние и перспективы применения информационных технологий в управлений: Доклады Республиканской научно-технической конференции, 5-6 сентябрь 2017 г. – Ташкент, 2017. С. 307-313.

Список всех публикаций, цитирующих данную статью