Перейти к содержимому
UzScite
  • НСИ
    • Новости События
    • Методическая информация
    • Нормативные документы
  • Каталог журналов
  • Указатель авторов
  • Список организаций

Sinflarni xatosiz ajtatishda alohida belgilar fazosini shakllantirish

Bekmuratov Q.A.

Bekmuratov D. Q.

Abduraxmonova M.N.

МЕЖДУНАРОДНЫЙ ЖУРНАЛ ТЕОРЕТИЧЕСКИХ И ПРИКЛАДНЫХ ВОПРОСОВ ЦИФРОВЫХ ТЕХНОЛОГИЙ

  • № 2 (2) 2022

Страницы: 

16

 – 

31

Язык: узбекский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

Рассматривается решение задачи определение отдельных признаков присущее конкретному классу из заданного свойства образов эталонной выборки и формирование признаковых пространств из выделенных отдельных признаков. Приводится методика выбора отдельных признаков из исходных свойств, нахождения предельно-максимальной размерности пространства отдельных признаков. Показано, что значение предельно-максимальной размерности пространства отдельных признаков зависит от таких параметров, как вероятность заранее заданной ошибки распознавания и значения ее достоверности, количество образов и признаков в обучающей выборке. Определены минимальные и реальные разделяющие силы отдельных признаков на основе найденной предельно-максимальной размерности пространства. Предложены процедуры формирования пространства отдельных признаков первого, второго и третьего типов для каждого класса из отдельных признаков первого, второго и третьего типов с учетом минимальной и реальной разделяющей силой. На основе предложенной методики разработан алгоритм и программное обеспечение. Проведены вычислительные эксперименты на ЭВМ, результаты которых приведены в виде решающих правил, которые используются для распознавания объектов. Также приведены выводы по проведенному исследованию в целом.

Maqolada oʻquv tanlanmada berilgan timsollarlarning xususiyatlaridan aniq sinfga xos alohida belgilarni aniqlash va tanlab olingan alohida belgilardan ularning fazosini shakllantirish masalasini yechish qaralgan. Boshlangʻich xususiyatlardan alohida belgilarni tanlash va ulardan hosil qilinadigan belgilar fazosining yuqori chekli oʻlchamini topish uslubiyoti keltirilgan. Alohida belgilar fazosini yuqori chekli oʻlchami qiymati timsollarni tanib olishda oldindan belgilangan xatolik ehtimoli va uning ishonchlilik qiymatlari, oʻquv tanlanmadagi timsollar va xususiyatlar soni kabi parametrlarga bogʻliqligi koʻrsatilgan. Alohida belgilar uchun topilgan fazoning yuqori chekli oʻlchami qiymati asosida har bir tanlab olinadigan alohida belgilarning minimal va haqiqiy ajratish kuchlari aniqlangan. Minimal va haqiqiy ajratish kuchlarini hisobga olgan holda birinchi, ikkinchi va uchinchi tipli alohida belgilarning har bir tipidan ularning tizimlarini shakllantirish protseduralari taklif qilingan. Taklif qilingan uslubiyot asosida algoritm va dasturiy ta’minot ishlab chiqilgan. EHM da hisoblash tajribalari oʻtkazilgan hamda natijalar hal qiluvchi qoidalar koʻrinishida keltirilgan boʻlib, ulardan timsollarni tanishda foydalanilgan. Shuningdek, oʻtkazilgan izlanishlarning xulosalari keltirilgan.

The solution of the problem of determining individual features inherent in a particular class from a given property of images of a reference sample and the formation of feature spaces from selected individual features is considered. A technique for selecting individual features from the initial properties, finding the maximum-maximum dimension of the space of individual features is given. It is shown that the value of the limit-maximum dimension of the space of individual features depends on such parameters as the probability of a predetermined recognition error and the value of its reliability, the number of images and features in the training sample. The minimum and real separating forces of individual features are determined on the basis of the found limit-maximum dimension of space. Procedures for forming the space of individual features of the first, second and third types for each class from individual features of the first, second and third types are proposed, taking into account the minimum and real separating force. Based on the proposed methodology, an algorithm and software have been developed. Computational experiments were carried out on a computer, the results of which are presented in the form of decision rules that are used to recognize objects. The conclusions of the study as a whole are also given.

Список использованных источников

  1. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. - М.:Наука, 1974.- 416 с.
  2. Васильев В.И. Проблема обучения распознаванию образов. Принципы,алгоритмы,реализация.-Киев:Выща школа,1989.- 64 с.
  3. Васильев В.И. Распознающие системы: Справочник.-Киев: Наукова думка, 1983.- 420 с.
  4. Горелик А.Л., Скрипкин В.А. Методы распознавания. - М.:Высшая школа, 2004. - 262 с.
  5. Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и применение. - Ташкент: ФАН, 1974. - 119 с.
  6. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. - М.: Фазис, 2006. - 159 с.
  7. Камилов М.М., Фазылов Ш.Х., Мирзаев Н.М., Раджабов С.С. Построение алгоритмов распознавания образов в пространстве признаков большой размерности. Ч. 1. Модели распознающих операторов // Химическая технология. Контроль и управление. - Ташкент, 2012. - № 3. - С. 52-59.
  8. Мазуров В.Д. Математические методы распознавания образов. Учебное пособие. – Екатеринбург: Изд-во УГУ, 2010. -101 с.
  9. Mamatov N.S., Bekmuratov D.Q. Belgi va obyektlarning muno-sabatini baholashga asoslangan timsollarni tanib olish algoritmlari // Muhammad al- Xorazmiy avlodlari. Ilmiy amaliy va axborot tahliliy jurnal. TATU. – 2021. – 3(17). –B. 26-37.
  10. Bekmuratov D.K. Selecting classifiers to ensure the quality and reliability of pattern recognition at class intersection // Journal of Physics: IOP Publishing. –2021. – Vol. 2032, №1. – pp. 1-5. – DOI:10.1088/1742-596/2032/1/012034.
  11. Fazilov S., Mirzaev O., Saliev E., Khaydarova M., Ibragimova S., Mirzaev N. Model of recognition algorithms for objects specified as images // Proceedings of the 9th International Con-ference Advanced computer infor-mation technologies (ACIT 2019, Ceske Budejovice, Czech Republic, June 5-7, 2019).- pp.479-482. DOI: 10.1109/ ACITT.2019.8779943
  12. Kamilov M.M., Nishanov A.X., Beglerbekov R.J. Modified stages of algorithms for computing estimates in the space of informative features. Volume 8, Issue 6, April 2019, Pages 714-717.
  13. Vapnik, V. and Izmailov, R., Rethinking Statistical Learning Theory: Learning Using Statistical Invariants, Machine Learning, 2018, vol. 108, pp. 381-423.
  14. Vasil'ev, V.I., Bekmuratov K.A. Synthesis of properties by the learning sampling in the problems of pattern recognition learning. Journal Avtomatika Issue 1, January 1992, Pages 76-83.
  15. Zhuravlev Yu.I. and etc. Linear classifiers and selection of informative features // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, 2017. - vol. 27, № 3. - рр. 426-432.

Список всех публикаций, цитирующих данную статью

Copyright © 2025 UzScite | E-LINE PRESS