Допомога у написанні освітніх робіт...
Допоможемо швидко та з гарантією якості!

Системи розпізнавання образів

РефератДопомога в написанніДізнатися вартістьмоєї роботи

Образ — класифікаційне угруповання в системі класифікації, об'єднуюча (Виділяє) певну групу об'єктів за деякою ознакою. Образи володіють характерним властивістю, що виявляється в тому, що ознайомлення з кінцевим числом явищ з одного і того ж безлічі дає можливість дізнаватися як завгодно велике число його представників. Образи мають характерні об'єктивними властивостями в тому сенсі, що різні… Читати ще >

Системи розпізнавання образів (реферат, курсова, диплом, контрольна)

План

Вступ

1. Історія досліджень, пов’язаних с розпізнаванням образів. Що таке розпізнавання образів?

2. Методи розпізнавання образів

3. Загальна характеристика задач розпізнавання образів та їх типи Висновки Список використаної літератури

Вступ

Із завданням розпізнавання образів живі системи, у тому числі і людина, стикаються постійно з моменту своєї появи. Зокрема, інформація, що надходить з органів почуттів, обробляється мозком, який у свою чергу сортує інформацію, забезпечує прийняття рішення, а далі за допомогою електрохімічних імпульсів передає необхідний сигнал далі, наприклад, органам руху, які реалізують необхідні дії. Потім відбувається зміна навколишнього оточення, і вищевказані явища відбуваються заново. І якщо розібратися, то кожен етап супроводжується розпізнаванням.

З розвитком обчислювальної техніки стало можливим вирішити ряд завдань, що виникають в процесі життєдіяльності, полегшити, прискорити, підвищити якість результату. Наприклад, робота різних систем життєзабезпечення, взаємодія людини з комп’ютером, поява роботизованих систем та ін Тим не менш, відзначимо, що забезпечити задовільний результат в деяких завданнях (розпізнавання подібних об'єктів, що швидко рухаються, рукописного тексту) на даний час не вдається.

1. Історія досліджень пов’язаних с розпізнаванням образів. Що таке розпізнавання образів?

Перші дослідження з обчислювальною технікою в основному слідували класичною схемою математичного моделювання — математична модель, алгоритм і розрахунок. Такими були задачі моделювання процесів відбуваються при вибухах атомних бомб, розрахунку балістичних траєкторій, економічних і інших додатків. Однак крім класичних ідей цього ряду виникали і методи засновані на зовсім інший природі, і як показувала практика вирішення деяких завдань, вони часто давали кращий результат ніж рішення, засновані на надскладності математичних моделях. Їхня ідея полягала у відмові від прагнення створити вичерпну математичну модель досліджуваного об'єкта (причому часто адекватні моделі було практично неможливо побудувати), а замість цього задовольнитися відповіддю лише на конкретні цікаві для нас питання, причому ці відповіді шукати із загальних для широкого класу задач міркувань. До досліджень такого роду ставилися розпізнавання зорових образів, прогнозування врожайності, рівня річок, завдання розрізнення нафтоносних і водоносних пластів за непрямим геофізичними даними і т. д. Конкретний відповідь у цих завданнях був потрібний в досить простій формі, як наприклад, належність об'єкта одному з заздалегідь фіксованих класів. А вихідні дані цих завдань, як правило, задавалися у вигляді уривчастих відомостей про досліджуваних об'єктах, наприклад у вигляді набору заздалегідь раскласифікованих об'єктів. З математичної точки зору це означає, що розпізнавання образів (а так і був названий в нашій країні цей клас задач) являє собою далеко, що йде узагальнення ідеї екстраполяції функції.

Важливість такої постановки для технічних наук не викликає ніяких сумнівів і вже це саме по собі виправдовує численні дослідження в цій області. Однак задача розпізнавання образів має і більш широкий аспект для природознавства (втім, було б дивно якщо щось настільки важливе для штучних кібернетичних роботи не u1080 мало б значення для природних). У контекст даної науки органічно увійшли і поставлені ще древніми філософами питання про природу нашого пізнання, нашої здатності розпізнавати образи, закономірності, ситуації навколишнього світу. У дійсності, можна практично не сумніватися в тому, що механізми розпізнавання найпростіших образів, типу образів наближається небезпечного хижака або їжі, сформувалися значно раніше, ніж виник елементарний мову і формально-логічний апарат. І не викликає ніяких сумнівів, що такі механізми досить розвинені і у вищих тварин, яким так само в життєдіяльності вкрай необхідна здатність розрізнення досить складної системи знаків природи. Таким чином, в природі ми бачимо, що феномен мислення і свідомості явно базується на здібностях до розпізнавання образів і подальший прогрес науки про інтелект безпосередньо пов’язаний з глибиною розуміння фундаментальних законів розпізнавання.

Розуміючи той факт, що вище перелічені питання виходять далеко за рамки стандартного визначення розпізнавання образів (в англомовній літературі більш поширений термін supervised learning), необхідно так само розуміти, що вони мають глибокі зв’язки з цим відносно вузьким (але все ще далеко невичерпними) напрямом. Вже зараз розпізнавання образів щільно увійшло в повсякденне життя і є одним з найбільш нагальних знань сучасного інженера. У медицині розпізнавання образів допомагає лікарям ставити більш точні діагнози, на заводах воно використовується для прогнозу шлюбу в партіях товарів. Системи біометричної ідентифікації особи в якості свого алгоритмічного ядра так само засновані на результатах цієї дисципліни.

Подальший розвиток штучного інтелекту, зокрема проектування комп’ютерів п’ятого покоління, здатних до більш безпосередньому спілкуванню з людиною на природних для людей мовах і за допомогою мови, немислимі без розпізнавання. Тут рукою подати і до робототехніки, штучних систем управління, що містять як життєво важливих підсистем системи розпізнавання.

Саме тому до розвитку розпізнавання образів з самого початку була прикута чимало уваги з боку фахівців самого різного профілю — кібернетиків, нейрофізіологів, психологів, математиків, економістів і т.д. Багато в чому саме з цієї причини сучасне розпізнавання образів саме харчується ідеями цих дисциплін. Не претендуючи на повноту (а на неї в невеликому есе претендувати неможливо) опишемо історію розпізнавання образів, ключові ідеї.

Розпізнавання образів (об'єктів, сигналів, ситуацій, явищ або процесів) — завдання ідентифікації об'єкта або визначення будь-яких його властивостей за його зображенню (оптичне розпізнавання) або аудіозапису (акустичне розпізнавання) та іншим характеристикам.

Одним з базових є не має конкретного формулювання поняття безлічі. У комп’ютері безліч представляється набором неповторюваних однотипних елементів. Слово «Неповторюваних» означає, що якийсь елемент у безлічі або є, або його там немає. Універсальне безліч включає всі можливі для розв’язуваної задачі елементи, порожнє не містить жодного.

Образ — класифікаційне угруповання в системі класифікації, об'єднуюча (Виділяє) певну групу об'єктів за деякою ознакою. Образи володіють характерним властивістю, що виявляється в тому, що ознайомлення з кінцевим числом явищ з одного і того ж безлічі дає можливість дізнаватися як завгодно велике число його представників. Образи мають характерні об'єктивними властивостями в тому сенсі, що різні люди, що навчаються на різному матеріалі спостережень, здебільшого однаково і незалежно один від одного класифікують одні й ті ж об'єкти. У класичній постановці завдання розпізнавання універсальна безліч розбивається на частини-образи. Кожне відображення якого-небудь об'єкта на сприймаючі органи системи, що розпізнає, незалежно від його положення щодо цих органів, прийнято називати зображенням об'єкта, а безлічі таких зображень, об'єднані якими-небудь загальними властивостями, являють собою образи.

Методика віднесення елемента до якогось образу називається вирішальним правилом. Ще одне важливе поняття — метрика, спосіб визначення відстані між елементами універсальної множини. Чим менше ця відстань, тим більше схожими є об'єкти (Символи, звуки та ін) — те, що ми розпізнаємо. Звичайно елементи задаються у вигляді набору чисел, а метрика — у виді функції. Від вибору представлення образів і реалізації метрики залежить ефективність програми, один алгоритм розпізнавання з різними метриками буде помилятися з різною частотою. Навчанням зазвичай називають процес вироблення в деякій системі тієї чи іншої реакції на групи зовнішніх ідентичних сигналів шляхом багаторазового впливу на систему зовнішньої коректування. Таку зовнішню коригування у навчанні прийнято називати «заохоченнями» і «покараннями» .

Механізм генерації цього коректування практично повністю визначає алгоритм навчання. Самонавчання відрізняється від навчання тим, що тут додаткова інформація про вірність реакції системі не повідомляється.

Адаптація — це процес зміни параметрів і структури системи, а можливо — і управляючих впливів, на основі поточної інформації з метою досягнення певного стану системи при початковій невизначеності і змінюються умовах роботи.

Навчання — це процес, в результаті якого система поступово набуває здатність відповідати потрібними реакціями на певні сукупності зовнішніх впливів, а адаптація — це підстроювання параметрів і структури системи з метою досягнення необхідної якості управління в умовах безперервних змін зовнішніх умов.

Приклади задач розпізнавання образів:

— Розпізнавання букв;

— Розпізнавання штрих-кодів;

— Розпізнавання автомобільних номерів;

— розпізнавання осіб та інших біометричних даних;

— Розпізнавання мови

2. Методи розпізнавання образів

розпізнавання образ штучний В цілому, можна виділити три методи розпізнавання образів:

Метод перебору. У цьому випадку проводиться порівняння з базою даних, де для кожного виду об'єктів представлені всілякі модифікації відображення. Наприклад, для оптичного розпізнавання образів можна застосувати метод перебору виду об'єкта під різними кутами, масштабами, зміщеннями, деформаціями і т. д. Для букв потрібно перебирати шрифт, властивості шрифту і т. д. У випадку розпізнавання звукових образів, відповідно, відбувається порівняння з деякими відомими шаблонами (наприклад, слово, вимовлене кількома людьми).

Другий підхід — виробляється більше глибокий аналіз характеристик образу. У разі оптичного розпізнавання це може бути визначення різних геометричних характеристик. Звуковий зразок в цьому випадку піддається частотному, амплітудному аналізу і т. д.

Наступний метод — використання штучних нейронних мереж (ІНС). Цей метод вимагає або великої кількості прикладів завдання розпізнавання при навчанні, або спеціальною структури нейронної мережі, що враховує специфіку даної задачі. Тим не менш, його відрізняє більш висока ефективність і продуктивність.

3. Загальна характеристика задач розпізнання образів та їх типи

Загальна структура системи розпізнавання і етапи в процесі її розробки показані на мал. 1 .

мал. 1. Структура системи розпізнання Завдання розпізнавання мають наступні характерні риси.

Це інформаційні завдання, що складаються з двох етапів:

— Перетворення вихідних даних до виду, зручному для розпізнавання;

— Власне розпізнавання (вказівка приналежності об'єкта певного класу).

У цих завданнях можна вводити поняття аналогії або подібності об'єктів і формулювати правила, на підставі яких об'єкт зараховується в один і той же клас або в різні класи .

У цих завданнях можна оперувати набором прецедентів — прикладів, класифікація яких відома і які у вигляді формалізованих описів можуть бути пред’явлені алгоритмом розпізнавання для настроювання на завдання в процесі навчання .

Для цих завдань важко будувати формальні теорії і застосовувати класичні математичні методи (часто недоступна інформація для точної математичної моделі або виграш від використання моделі та математичних методів непорівнянний з витратами) .

Виділяють такі типи завдань розпізнавання :

— Завдання розпізнавання — віднесення пред’явленого об'єкта за його опису до одного з заданих класів (навчання з учителем) ;

— Завдання автоматичної класифікації - розбиття множини об'єктів, ситуацій, явищ за їх описами на систему непересічних класів (таксономія, кластерний аналіз, самонавчання) ;

— Завдання вибору інформативного набору ознак при розпізнаванні ;

— Завдання приведення вихідних даних до виду, зручному для розпізнавання;

— Динамічне розпізнавання і динамічна класифікація — завдання 1 і 2 для динамічних об'єктів;

— Завдання прогнозування — суть попередній тип, в якому рішення повинне ставитися до деякого моменту в майбутньому.

Висновки

Розпізнавання образів (об'єктів, сигналів, ситуацій, явищ або процесів) — завдання ідентифікації об'єкта або визначення будь-яких його властивостей за його зображенню (оптичне розпізнавання) або аудіозапису (акустичне розпізнавання) та іншим характеристикам.

Подальший розвиток штучного інтелекту, зокрема проектування комп’ютерів п’ятого покоління, здатних до більш безпосередньому спілкуванню з людиною на природних для людей мовах і за допомогою мови, немислимі без розпізнавання. Тут рукою подати і до робототехніки, штучних систем управління, що містять як життєво важливих підсистем системи розпізнавання.

Саме тому до розвитку розпізнавання образів з самого початку була прикута чимало уваги з боку фахівців самого різного профілю — кібернетиків, нейрофізіологів, психологів, математиків, економістів і т.д. Багато в чому саме з цієї причини сучасне розпізнавання образів саме харчується ідеями цих дисциплін.

Список використаної літератури

1. Айзерман М. А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 2004. — 384 с.

2. Горбань А., Россиев Д. Нейронные сети на персональном компьютере. //Новосибирск, Наука, 1996. — C 114 — 119.

3. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. М.: Наука, 2005. — Вып. 33. С. 5−68

4. Журавлев Ю. И. Избранные научные труды. — Изд. Магистр, 2002. — 420 с.

5. Мазуров В. Д. Комитеты систем неравенств и задача распознавания // Кибернетика, 2004, № 2. С. 140−146.

6. Потапов А. С. Распознавание образов и машинное восприятие. — С-Пб.: Политехника, 2007. — 548 с

7. Минский М., Пейперт С. Персептроны. — М.: Мир, 2007. — 261 с.

8. Растригин Л. А., Эренштейн Р. Х. Метод коллективного распознавания. 79 с. ил. 20 см., М. Энергоиздат, 2006. — 80 с.

9. Рудаков К. В. Об алгебраической теории универсальных и локальных ограничений для задач классификации // Распознавание, классификация, прогноз. Математические методы и их применение. Вып. 1. — М.: Наука, 2007. — С. 176−200.

10. Фу К. Структурные методы в распознавании образов. — М.: Мир, 2005. — 144 с.

Показати весь текст
Заповнити форму поточною роботою