Інформаційний синтез інтелектуальної системи автофокусування електронного мікроскопа

ДИПЛОМНА РОБОТА на тему

«Інформаційний синтез інтелектуальної системи автофокусування електронного мікроскопа»

автофокусування електронний мікроскоп самонастроювання

Вступ

Важливе місце в інтелектуалізаії управління складними процесами займає клас автоматизованих систем — (ІЕІТ), що використовуються при прийнятті рішеній в ситуаціях, де неможливо або небажано мати автоматичну систему управління. ІЕІТ використовує більшість функцій автоматизованих систем управління технологічними процесами (АСКТП) та інших автоматизованих систем керування слабо формалізірованимі об'єктами та процесами.

Основним завданнями ІЕІТ є допомога особі, що приймає рішеніе (ОПР) в оцінці наслідків можливих рішень для ефективної реалізації поставленої мети функціонування системи управління. Найбільш ефективним класом таких систем є клас ІЕІТ, що навчається (самонавчання). Але в сучасній науково — технічній літературі цьому питанню приділяється недостатньо уваги, що пояснюють незавершеністю теорії проектування таких систем. Це призвело до гострого дефіциту як ефективних методів автоматичної класифікація функціональних станів системи навчається в умовах апріорної невизначеності, нечітких даних, інформаційних і ресурсних обмежень, так і безпосередньо методів аналізу та синтезу ІЕІТ, що навчаються. Центральної нерішеной до цього часу проблемою автоматична класифікація, все ще залишається адаптація вхідного математичного опису ІЕІТ.

Найбільш перспективним методом для рішенія цієї проблеми є ІЕІТ, який грунтується на прямій оцінці інформаційної можливості системи за умов апріорної невизначеності, інформаційних і ресурсних обмежень.

Як відомо, перевагою детермінованих СППР є прийняття рішеній за відносної простими детермінірованимі вирішуючими правилами, а статистичні методи дозволяють здійснювати їх корекції з урахуванням випадкових факторів, що діють на систему.

I. Анализ проблемы и постановка задачи

1.1 Аналіз методів машинного навчання систем керування

Електронна мікроскопія більше ніж 100 років є незамінним джерелом діагностичної інформації і разом з тим залишається єдиною областю лабораторної діагностики, де все ще домінує суб'єктивний якісний або напів кількісний аналіз. Розвиток сучасних засобів введення зображення з мікроскопа в комп’ютер дозволяє обробляти зображення з використанням різних морфологічних методів.

Як і будь-оптичний прилад, мікроскоп потребує точної настоянки фокуса. У більшості випадків цей параметр виконує сам оператор дослідного комплексу. Йому доводиться вручну, обертаючи регулювальні гвинти, встановлювати фокус таким чином, щоб можна було отримати максимально чітке зображення. Процес ручного фокусування має такі недоліки:

1. витрати часу (часто більше часу витрачається на саму настройку мікроскопа, ніж на отримання знімка об'єкта та аналіз отриманого зображення);

2. висока ймовірність неточною налаштування (особливо в операторів зі зниженим зором або які користуються окулярами);

3. застосування ручної праці там, де можливе застосування автоматизованої системи;

4. підвищена навантаження на зоровий апарат оператора. При цьому однією з основних труднощів при використанні автоматизованої обробки зображень є отримання якісних знімків без суб'єктивного участі оператора.

Аналіз досліджень і публікацій по темі. Проблемою автоматичного фокусування і визначення оптимальної позиції фокусу займається багато вітчизняних і зарубіжних вчених. Даній проблемі присвячено безліч статей, наукових праць і книг, а також проведено велику кількість досліджень. Розробки, засновані на методу автоматичного фокусування і пошуку оптимальної позиції фокусу, застосовуються для аналізу зображень, побудови тривимірної моделі поверхні, дослідження мікрорельєфу поверхні.

Робота присвячена розробці методів аналізу кривий фокусування за допомогою морфологічних методів аналізу зображень. В роботі побудовані нові математичні методи, мінімізуйте похибка оцінювання висоти рельєфу в кожній точці аналізованої поверхні і дозволяють визначати адекватність використовуваної математичної моделі вимірювання. На базі розроблених методів побудовано новий метод реконструкції тривимірного рельєфу поверхні, що дозволяє досягти похибки реконструкції менше 100 нм для задач аналізу поверхонь мікросхем. Приклад реконструйованого зображення представлений на рис. 1.1.

Рисунок 1.1.1 — Реконструйований рельєф поверхні металевого корпусу мікросхеми з випаленій лазером цифрою

В розглянуто застосування автофокусування, заснованої на попіксельних обчисленнях, для використання в системах машинного зору. Функція різкості запропоновано як критерій сфокусірованності зображення і представлені 8 найбільш поширених методів для її обчислення. Проведено теоретичний і експериментальний аналіз описаних методів. В якості тестової серії зображень використовувалися зображення, отримані зі звичайного оптичного мікроскопа при різних позиціях фокуса. Для визначення оптимальної позиції фокусу оптичного мікроскопа випробувані 2 методу:

— Метод простого пошуку, при якому оптимальна позиція фокуса визначається як максимальне значення функції різкості.

— Метод Фібоначчі, що дозволяє скоротити число обчислень, необхідних для визначення оптимальної позиції фокусу.

Стаття описує використання автофокусування оптичного мікроскопа при дослідженнях клітинних структур. У статті розглянуті основні методи обчислення функції різкості як критерію сфокусірованності зображення, отриманого з мікроскопа і описаний алгоритм простого пошуку оптимальної позиції фокусу. Наведено результати експериментальних досліджень, на підставі яких обрано найбільш точний метод для обчислення функції різкості.

Постановка задачі. Існує безліч критеріїв сфокусірованності зображення. Одним з них може бути функція різкості. Функція різкості являє собою якесь числове значення, що залежить від параметрів вхідного зображення — таких як яскравість, колірні рівні. Кожному значенню цієї функції відповідає певне положення регулювальні гвинти мікроскопа, що визначає фокусна відстань до досліджуваного об'єкта.

Функція різкості F (x), отримана експериментально, задається табличний спосіб, при якому значення заходів фокуса розраховуються для дискретних значень позиції фокусу. Таким чином, для визначення оптимальної позиції фокусу необхідно по набору табличних значень функції різкості F (x) побудувати апроксимуючих функцію ф (х) і знайти її екстремум, відповідний оптимальному положенню фокуса, що й було завданням проведених досліджень.

Опис методу апроксимації сплайнів Акіма. Як метод розрахунку значень F (x) використовували метод другого похідної (Laplacian). Даний метод найбільш чітко показує відмінності між сфокусованим і не сфокусованим зображенням.

Сплайн-інтерполяція є однією з альтернатив поліноміальной інтерполяції. При Сплайн-інтерполяції інтервал інтерполяції розбивається на невеликі відрізки, на кожному з яких функція задається поліноми третього ступеня. Коефіцієнти поліноми підбираються таким чином, щоб виконувалися певні умови (які саме, залежить від способу інтерполяції). Для побудови Сплайн Акіма потрібно не менше 5 точок. У внутрішній області (тобто між х2 і xN₃ при нумерації точок від 0 до N-1) похибка інтерполяції має порядок 0 (N 2). Інтерполірующая функція ц будується таким чином, що на кожному відрізку [хі, хі +1], i = 1,2 … n-1 вона є многочленів 3-го ступеня, таким що

() = F (),() = F (x_i+1), i=l,…n-l, (1.1)

де di, i = 1,2 … n-1 — вільні члени, які у випадку сплайнів Акіма виходять за формулою:

якщо +<0

d_i=, якщо+=0 (1.2)

де і = 3, 4, … п-2 і

(1.3)

Відсутні значення d1 d2 і dn dn-1 в прикордонних вузлах отримують з значень похідної F '() и

(1.4)

Опускаючи проміжні обчислення, запишемо похідну для F (x) (на прикладі xi), по значеннями якої розраховуються коефіцієнти для обчислення сплайнів Акіма для побудови (х) [8]:

(1.5)

Після отримання апроксимуючих функції необхідно знайти її екстремум. Т.к. на всьому діапазоні заходів фокуса у функції може бути кілька локальних максимумів, то звичайні методи одномірні пошуку не підходять. Необхідно використовувати методи, які враховують напрямок руху похідної. Одним з таких методів є метод градієнтних спуску.

Відомо, що градієнт функції (x1, x2, …, xn) в кожній точці спрямований у бік найшвидшого локального зростання цієї функції. Якщо максімізіруемая функція діфференціруема і обмежена знизу, а її градієнт задовольняє умовою Липшиц, тобто існує така константа L, що виконується умова:

(1.6)

для всіх x1 та x2 на заданому проміжку, то ітераційний процес

x_i^k+1= x_i^k +a*grad_zi(x_n^k, x^k_n,…, x^k_n) (1.7)

буде сходиться до максимуму функції j (x) з довільної початкової точки з координатами x1, x2, …, xn. Параметр a у формулі (7) визначає довжину кроку в напрямку узвозу. Довжина кроку a вибирається методом дроблення. У цьому випадку ітерації за формулою (7) проводяться з початковим кроком до тих пір, поки функція j (x) зростає, тобто виконується умова:

(1.8)

При невиконанні цієї умови крок a зменшується вдвічі, обчислюються координати xik +1 з новим кроком і знову перевіряється умова (1.8). Дроблення кроку триває до тих пір, поки не буде виконана умова (1.8).

Для завершення ітераційний процесу можна використовувати наступні критерії:

|x_i^k+1-x_i^k | <�е,

(1.9)

x_i^k+1i ,

де е — допустима похибка визначення максимуму;

ai і bi — межі діапазону для пошуку максимуму i-ї координати.

Експериментальні дослідження та аналіз результатів. Експериментальні дослідження були проведені на базі науково-дослідної лабораторії НДІ медичних проблем сім'ї. Для дослідження клітинних структур в лабораторії застосовують дослідницьку систему, що складається зі звичайного світлового мікроскопа, окуляр якого пов’язаний з аналоговою відеокамерою. Сигнал від відеокамери надходить на вхід відеокарти комп’ютера. Зображення отримують in vitro — в нормальних умовах. Використовуючи спеціальне програмне забезпечення для захоплення зображень, отримують фотографії клітинних структур в потрібному збільшенні. Для проведення експерименту було використано 2 серії зображень:

33 тестових зображення розміром 512×512 пікселів, отримані при нерівномірному зміні фокусна відстань у діапазоні від 61 до 111 поділок шкали регулювання мікровінта;

51 тестове зображення розміром 512×512 пікселів, отримані при рівномірно зміну фокусна відстань у діапазоні від 61 до 111 поділок шкали регулювання мікровінта;

Дані експериментальних досліджень наочно представляються кривими фокусування, за якими можна однозначно визначити положення точки фокуса, отримане в результаті розрахунків. Для оцінки ступеня далекості фокуса від оптимального положення, значення F (x) нормувати за її максимальну величину і отримували нормовану функцію j н (х). На рис. 2 наведено графік табличної функції Fн (х), отриманої при рівномірно зміні положення фокуса. Оптимальне положення фокусу за такою кривий фокусування визначається як максимальне значення F (x) і становить 85 поділок регулювальні шкали мікровінта.

Рисунок 1.1.2 — Крива фокусування для рівномірного вибірки

Для побудови j (х) використовували тестову вибірку, отриману при нерівномірному зміні фокусна відстань. Після побудови апроксимуючих функції знаходили її екстремум методом градієнтних узвозу. Оптимальне фокусна відстань склало 84,8 мкм.

Як вже визначили з рис. 1.1 оптимальна позиція фокуса при рівномірної вибірці дорівнює 85 мкм. Похибка визначення оптимальної позиції фокусу з використанням методу інтерполяції сплайнів Акіма склала 0,2%. Отже для визначення оптимальної позиції фокусу можна використовувати вхідну вибірку меншого обсягу. При цьому зменшується обсяг обчислень і збільшується швидкість визначення оптимальної позиції фокусу. Висновки. Запропоновано алгоритм знаходження оптимальної позиції фокусу при налаштуванні оптичного мікроскопа з використанням апроксимації. Описана реалізація алгоритму із застосуванням методу інтерполяції сплайнів Акімов.

Рисунок 1.1.3 — Криві фокусування для нерівномірно вибірки: табличні значення Fн (x) нерівномірно вибірки (а); функція апроксимації j н (х) кривий а) (б) х — екстремум функції апроксимації

На рис. 3а наведено графік табличної функції Fн (х), отриманої при рівномірно зміні положення фокуса. Як видно з малюнка максимальне значення функції Fн (х) не є оптимальною позицією фокуса. Побудуємо графік апроксимуючих функції j н (х), отриманою за методом сплайнів Акімов. Графік j н (х) представлений на рис. 3б.

На підставі аналізу результатів експериментальних досліджень використання аппроксімаціонних методів в задачі пошуку оптимальної позиції фокусу оптичного мікроскопа зроблений висновок, що застосування методу сплайнів Акіма дозволяє з високою точністю визначити оптимальну позицію фокуса при зменшенні обсягу вхідний вибірки.

1.2 Фізичні основи автофокусірованія електронного мікроскопа

Прилад для спостереження і фотографування багаторазово (до 106 разів) збільшеного зображення об'єктів, в якому замість світлових променів використовуються пучки електронів, прискорених до великих енергій (30−100 кВ і більше), в умовах глибокого вакууму. Фізичні основи електронно-оптичних приладів були закладені майже за сто років до появи електронних мікроскопів (ЕМ). Ірланцем, математиком У. Р. Гамільтоном, що встановив існування аналогії між проходженням світлових променів в оптично неоднорідних середовищах і траєкторіями в силових полях.

Доцільність створення ЕМ стала очевидною після висування в 1924 гіпотези про хвилі де — Бройля, а техничні передумови були створені фізиком X. Бушем, який досліджував фокусуючі свойства осесімметрічних полів і розробив магнітну електронну лінзу (1926). У 1928 році вчені М. Кнолль та Е. Руська приступили до створення першого магнітного просвічуючого ЕМ (ПЕМ) і через три роки отримали зображення об'єкта, сформоване пучками електронів. В подальшому (М. фон Арденни, Німеччина, 1938; В. К. Зворикін, США, 1942) були побудовані перші растрові ЕМ (РЕМ), що працюють за принципом сканування (розгортання), тобто послідовного від точки до точки переміщення тонкого електронного пучка (зонда) по об'єкту. До середини. 1960;х років РЕМ досягли високої технічногї досконалості, і з цього часу почалося їх широке застосування в научних дослідженнях. ПЕМ володіють найвищою роздільною здатністю (PЗ), перевершуючи за цим параметром світлові мікроскопи в декілька. тисяч разів. Таким чином межа дозволу, що характеризує здатність приладу відобразити роздільно дрібні, максимально близько розташовані деталі об'єкта, у ПЕМ становить 2-З A. При сприятливих умовах можна сфотографувати окремі важкі атоми. При фотографуванні періодічних структур, наприклад крісталлографічних, вдається реалізувати дозвіл менш 1 А. Настільки високі дозволи досягаються завдяки надзвичайно малій довжині хвилі електронів. Випускаються ПЕМ можна розділити на три групи: ЕМ високої роздільної здатності, спрощені ПЕМ та ЕМ з підвищеним прискорює напругою.

Рисунок 1.2.1 — Електронний мікроскоп просвічує типу (ПЕМ): 1 електронна гармата; 2 — конденсорние лінзи; a — лінза об'єктива; 4 — проекції. лінзи; 5 — світловий мікроскоп, додатково збільшує зображення, що спостерігається на екрані; 6 — тубус з оглядових вікнами; 7 — високовольтний кабель; 8 — вакуумна система; 9 — пульт керування; 10 — стенд; 11 — високовольтне живлення пристрій; 12 — джерело харчування лінз

Пем з високою роздільною здатністю (2−3 A) — як правило, універсальні прилади багатоцільового призначення. За допомогою доповнить. пристроїв і приставок в них можна нахилятися об'єкт в різних площинах на великі кути до оптіч. осі, нагрівати, охолоджувати, деформована його, здійснювати рентгенівський структурний аналіз, електронографіческіе. дослідження.

Прискорюча електрони напруга досягає 100 кВ, регулюється скачкообразно і відрізняється високою стабільністю: за 1−3 хвилини вона змінюється не більше ніж на 1 — 2 мільйонні частки від початкового значення. Величина прискорює напруги визначає товщину об'єкта, яку можна «просвітити» електронним пучком. У 100-кіловольтних ЕМ вивчають об'єкти товщиною від 10 до декількох тисяч нм .

Рисунок 1.2.2 — Оптична схема ПЕМ: 1 — катод; 2 — фокусуються циліндр; 3 — анод; 4 — перший (короткофокусний) конденсор, що створює зменшене зображення джерела ел-нов; 5 — другий (длиннофокусный) конденсор, к-рый переносить зменшене зображення джерела ел-нов на об'єкт; 6 — об'єкт; 7 — апертурная діафрагма; 8 — об'єктив; 9, 10, 11 — система проекції. лінз; 12 — катодолюмінесцентний екран

Зображення типового ПЕМ з високою PC наведено на рис. 1.2.1. У його оптіч. системі (колоні) за допомогою спец. вакуумної системи створюється глибокий вакуум (тиск до 10−6 мм рт. ст. (10−4 Па)). Схема оптичної системи ПЕМ зображена на рис. 1.2.2. Пучок електронів, джерелом яких служить накаленний катод 1, формується в електронній гармати, а потім двічі фокусується перші 4 і другим 5 конденсорамі, що створюють на об'єкті електронне «пляму» малих розмірів (при регулюванні діаметр плями може змінюватися від 1 до 20 мкм). Після проходження крізь об'єкт 6 частина ел-нів розсіюється і затримується апертурной діафрагмою 7. Нерозсіянні електрони проходять через отвір діафрагми й фокусуються об'єктивом 8 в предметній площині проміжної лінзи. Тут формується перше збільшене зображення. Наступні лінзи створюють другого, третього і т. д. зображення. Остання проекційна лінза 11 формує зображення на екрані флуоресціювачем 12, що світиться під впливом електронів. Збільшення ЕМ одно твором збільшення всіх лінз. Ступінь і характер розсіювання електронів неоднаково в різних точках об'єкта, тому що товщина, щільність і хімічний склад об'єкта змінюються від точки до точки. Відповідно змінюється число електронів, що пройшли через апертурную діафрагму, а отже, і щільність струму на зображенні. Виникає амплітудної контраст, якої перетвориться в світловий контраст на екрані. У випадку тонких об'єктів превалює фазовий контраст, що викликається зміною фаз хвиль де Бройля, розсіяних в об'єкті і інтерферірующіх в площині зображення. Під екраном ЕМ розташований магазин з фотопластінкамі; при фотографуванні екран вбирається та електрони впливають на фотоемульсіонний шар. Зображення фокусується плавною зміною струму, збудливим магнітне поле об'єктива. Струми інших лінз регулюють для зміни збільшення ЕМ

Спрощені ПЕМ призначені для науч. досліджень, в яких не потрібна висока PЗ, а також при заздалегідь. переглядах об'єктів, у рутинних дослідженнях, з навчальною метою і тому подібне. Вони більш прості по конструкції (один конденсор і 2−3 лінзи для збільшення зображення об'єкта), їх відрізняють менше (60 .- 80 кВ) прискорює напруга і більш низька його стабільність. PЗ цих приладів — від 6 до 15 А.

ПЕМ з підвищеним прискорює напругою (до 200 кВ) призначені для дослідження більш товстих об'єктів. Ці прилади відрізняються конструкцією електронної гармати: у ній для забезпечення електричної міцності та стабільності застосовують високовольтні прискорювачі з дукількома ступенями прискорення. Магніторушаюча сила лінз більше, ніж у 100-кіловольтних ПЕМ, і самі лінзи мають збільшені. габарити і вагу.

Надвисоковольтні ЕМ (НВЕМ)-крупногабаритні прилади висотою від 5 до 15 м, з прискорюючий напругою 0,5−0,65; 1−1,5 та 3 MB. Для них будують спеціальні приміщення. НВЕМ призначені для дослідження об'єктів товщиною до 1−10 мкм (104−105 A). Електрони прискорюються в електростатічному прискорювачі прямої дії, розташованому в баці, заповненому електроізоляційним. газом під тиском. Ведуться роботи по створенню НВЕМ з лінійним прискорювачем, в котрому електрони прискорюються до енергій вище 3 МеВ. У випадку товстих об'єктів PЗ НВЕМ в 10−20 разів перевершує PЗ 100-кіловольтних ПЕМ. Растрові електронні мікроскопи (РЕМ) з накаліваемим катодом призначені для дослідження масивних об'єктів з роздільною здатністю, істотно більш низьким, ніж у ПЕМ, — від 50 до 200 A. Прискорює напруга в РЕМ можна регулювати в межах від 1 до 30−50 кВ. Пристрій РЕМ показано на рис. 1.2.3. За допомогою двох або трьох електронів на поверхню зразка фокусується вузький електронний зонд. Магнітами. відхиляються котушки розгортає зонд по заданій площі на об'єкті. При визволені електронів зонда з об'єктом виникає кілька видів випромінювань (рис. 1.2.4) — вторинні і відбиті електрони; електронини, що пройшли крізь об'єкт (якщо він тонкий); рентгенівське випромінювання (гальмового і характерістіческое); світлове випромінювання та інше. Будь-яке з цих випромінювань може реєструватися відповідним детектором, що перетворить випромінювання в електріч. сигнали, к-рые після посилення подаються на електронно-променеву трубку (ЕПТ) і модулюють її пучок.

Рис. 1.2.3 — Растровий електронний мікроскоп (РЕМ): 1 — ізолятор електронної гармати; 2 — накаліваемий V-подібний катод; 3 — фокусуються електрод; 4 — анод; 5 — конденсорние лінзи; 6-діафрагма; 7-двухъярусная відхиляються система; 8 — об'єктив; 9 — діафрагма; 10 — об'єкт;

11 — детектор вторинних ел-нов; 12 — крист. спектрометр;

13 — пропорційний лічильник; 14 — попередній підсилювач;

15-блок посилення; 16, 17 — апаратура для реєстрації рентген. випромінювання; 18 — блок підсилення; 1 «- блок регулювання збільшення; 20, 21 — блоки горизонтальній і вертикальній розгорток; 22, 23 — електронно-променеві трубки

Развертка пучка ЕПТ здійснюється синхронно з розгорткою електронного зонда в РЕМ, і на екрані ЕПТ спостерігається увелич. зображення об'єкта (збільшення дорівнює відношенню висоти кадру на екрані ЕПТ до ширини сканується поверхні об'єкта). Фотографують зображення безпосередньо з екрану ЕПТ. Основним достоїнством РЕМ є висока інформативність приладу, зумовлена можливістю спостерігати зображення, використовуючи сигнали розлив. детекторів.

Рисунок 1.2.4 — Схема реєстрації інформації про об'єкт, що одержується в РЕМ: 1 — первинний пучок ел-нов; 2 — детектор вторинних ел-нов; 3 — детектор рентген. випромінювання; 4 — детектор відображених ел-нов; 5 — детектор світлового випромінювання; 6 — детектор пройшли ел-нов; 7 — прилад для вимірювання наведеного на об'єкті електріч. потенціалу; 8 — прилад для реєстрації струму що пройшли через об'єкт ел-нов; 9 — прилад для реєстрації струму поглинання в об'єкті ел-нов.

За допомогою РЕМ можна досліджувати мікрорельєф, розподіл хімічних состав по об'єкту, р — n-переходи, робити рентгенівський структурний аналіз і багато іншого. РЕМ застосовується і в технологічних процесах (контроль дефектів мікросхем та інше)

Висока для РЕМ вирішувальна спроможність реалізується при формуванні зображення з використанням вторинних електронів Вона знаходиться у зворотній залежності від діаметра зони, из яких ці електрони емітуються. Розмір зони залежить від діаметра зонда, свойств об'єкта, швидкості електронів первинного пучка і тому подібне. При великій глибині проникнення первинних електронів вторинні процеси, що розвиваються, у всіх напрямках, збільшують діаметр зони та PЗ падає. Детектор вторинних електронів складається з фотоелектронний помножувач (ФЕП) та електронно-фотонів перетворювача, основним елементом якго є сцінтілятор Число спалахів сцінтіллятора пропорційно числу вторинних електронів, вибитих в даній точці об'єкта. Після посилення в ФЕП і в відеопідсилювачі сигнал модулює пучок ЕПТ. Величина сигналу залежить від топографії зразка, наявності локальних електричних та магнітних мікрополів, величини коефіцієнта. вторинної електронної емісії, який, у свою чергу, залежить від хімічного складу зразка в даній точці.

Відображені електрони вловлюються напівпровідниковим (кремнієві) детектором. Контраст зображення зумовлений залежністю коефіцієнта відбиття від кута падіння первинного пучка і номера елемента. Дозвіл у зображенні, вихідному «в відображених електронах», нижче, ніж у вихідному за допомогою вторинних електронів (іноді на порядок величини). З-за прямолінійності польоту електронів до колектора інформація про окремі ділянки, від яких немає прямого шляху до колектора, втрачається (виникають тіні).

Рентгенівські характерістічні випромінювання виділяється або рентгенівських кристалічних спектрометрів, або енергодісперсним датчиком ПП детектором (звичайно з чистого кремнію, легованих Li). У першому випадку рентген. кванти після відбиття кристалів спектрометра реєструються пропорційним газовим лічильником, а у другому — сигнал, знімається з ПП пластини, посилюється малошумящей системою посилення. Сигнал модулює пучок ЕПТ, і на екрані виникає картина розподілу того чи іншого хімічного елемента по поверхні об'єкти. На РЕМ виробляють локальний рентгенівський кількіснийй аналіз: реєструють число імпульсів рентгена квантів від ділянки, на якому зупинений зонд, і порівнюють це число з еталонним).

Енергодісперсний датчик реєструє всі елементи від Na до U при високій чутливості. Кристалічний спектрометр з набором кристалів з межплоскостними відстанями може ідентифікувати елементи від Be до U. Істотний недолік РЕМ — велика тривалість процесу «зняття» інформації при дослідженні об'єктів. Порівняно високу PЗ можна отримати, використовуючи електронний зонд досить малого діаметра. Але при цьому зменшується сила струму зонду, внаслідок чого різко зростає вплив дробового ефекту, що знижують відношення корисного сигналу до шуму. Щоб відношення сигнал / шум не падало нижче заданого рівня, необхідно сповільнити швидкість сканування для накопичення в кожній точці об'єкта досить великого числа первинних електронів (і відповідності. Кількості вторинних). У результаті висока PЗ реалізується лише при малих швидкостях розгортки. Іноді один кадр формується протягом 10−15 хв. РЕМ з автоеміссіонной гарматою володіють високою для РЕМ PЗ (до 30 А). У автоеміссіонной гармати (як і в електронному проектор) використовується катод у формі вістря, у вершини якого виникає сильне електричне поле, виривають електрони з катода. Електронна яскравість гармати з автоеміссіонним катодом в 103−104 разів вище, ніж яскравість гармати з накаленним катодом. Відповідно збільшується ток електронного зонда. Тому в РЕМ з автоеміссіонной гарматою здійснюють швидкі розгорнення, а діаметр зонда зменшують для підвищення PЗ. Однак автоеміссіонний катод працює стійко лише при надвисокої вакуумі (10−7-10−9 Па), що ускладнює конструкцію таких РЕМ.

Просвічуючі растрові ЕМ (ПРЕМ) мають настільки ж високою PЗ, як і ПЕМ. У цих приладах застосовуються автоеміссіонние гармати, що забезпечують досить великий струм в зонд малого діаметра (2−3 A). Діаметр зонда зменшують дві магнітні. лінзи (рис. 1.2.5). Нижче об'єкта розташовані детектори — центральний і кільцевої. На перших потрапляють нерассеянние електрони, і після перетворення і посилення відповідності. сигналів на екрані ЕПТ з’являється светлопольное зображення. На кільцевій детекторі збираються розсіяних електрони, які створюють темнопольное зображення. У ПРЕМ можна дослідити більш товсті об'єкти, ніж у ПЕМ, оскільки зростання числа неупруго розсіяних електроныв з товщиною не впливає на дозвіл (після об'єкта оптика в ПРЕМ відсутній). За допомогою аналізатора енергії електрони, що пройшли крізь об'єкт, поділяються на пружно і неупруго розсіяних пучки. Кожен пучок потрапляє на свій детектор, і на ЕПТ спостерігається відповідність. зображення, що містить доповнить. інформацію про розсіюють властивості об'єкта.

Висока роздільна здатність в ПРЕМ досягається при повільних розвытках, так як в зонд діаметром всього 2−3 A струм виходить занадто малим ЕМ для аналітичних досліджень. Поєднання в одному приладі принципів формування зображення з нерухомим пучком (як у ПЕМ) і сканування тонкого зонду по об'єкту дозволило реалізувати в такому ЕМ переваги ПЕМ, РЕМ і ПРЕМ і забезпечити проведення широкого кола аналітичних досліджень. У наш час у багатьох ПЕМ передбачена можливість спостереження об'єктів в растровому режимі (з допомогою конденсорних лінз та об'єктива, що створюють зменшене зображення джерела електронів, які сканується по об'єкту відхиляються системами). Крім зображення з нерухомим пучком на екрані ЕМ, отримують растрові зображення на екранах ЕПТ з використанням минулих і вторинних електронів, характеристичі рентгенівські спектри і так далі Оптічні система такого ПЕМ, розташована після об'єкта, дає можливість працювати в режимах, нездійсненним в інших приладах.

Рисунок 1.2.5 — Принципова схема просвічує растрового електронного мікроскопа (ПРЕМ): 1 — автозміссіонний катод; 2 — проміжний анод; 3 — анод; 4 — відхиляються Система для юстування пучка; 5 — діафрагма «освітлювач»; 6, 8 — відхиляються системи для розгорнення електронного зонда; 7 — магн. длиннофокусная лінза; 9 — апертурная діафрагма; 10 — магн. об'єктив; 11 — об'єкт; 12, 14 — відхиляються системи; 13 — кільцевої колектор розсіяних ел-нов; 15 — колектор нерассеянних ел-нов; 1в — магн. спектрометр; 17 — відхиляються система для відбору ел-нов з розлив. втратами енергії; 18 — щілину спектрометра; 19 — колектор; ВЭ — вторинні ел-ни; hn — рентген. випромінювання

Емісійні ЕМ створюють зображення об'єкта електронами, яких емітує сам об'єкт при нагріванні, бомбардуванню первинним пучком електронів, освітленні і при накладенні сильного електричного поля, виривають електрони з об'єкта. Ці прилади зазвичай мають вузьке цільове призначення.

Дзеркальні ЕМ служать головним обробником для візуалізації електростатичної «Потенційного рельєфу» та магнітних мікрополей на поверхні об'єкту. Осним електронно-оптічним елементом приладу є електронне дзеркало, причому одним з електродів служить сам об'єкт, якый перебуває під невеликим від'ємним потенціалом щодо катодної гармати. Електронний пучок прямує в дзеркало і відображається полем в близькості від поверхні об'єкта. Дзеркало формує на екрані зображення «в відображених пучках». Мікрополя біля поверхні об'єкта перерозподіляють електрони відображених пучків, створюючи контраст на зображенні, візуалізують ці мікрополя.

Перспективи розвитку ЕМ Підвищення PЗ в зображеннях неперіодічних об'єктів до 1 A і більше дозволить реєструвати не тільки важкі, але й легкі атоми і візуалізувати органічний Світ на атомарному рівні. Для створення ЕМ з подібним роздільною здатністю підвищують прискорює напруга, розробляють ЕЛ з малими аберації, зокрема криогенний лінзи, в яких використовується ефект надпровідності при низьких температерах, розробляють методи виправлення аберацій ЕЛ і так далі. Дослідження механізму формування частотно-контрастних характеристик зображення в ЕМ привело до розробки методів поліпшення та реконструкції зображення, які здійснюються аналогічно тому, як це робиться в світловий оптиці, де подібні методи засновані на Фур'є-перетворення, а відповідні розрахунки здійснюються на ЕОМ.

1.3 Постановка задачі та основні завдання дипломної роботі

В дипломній роботі вирішується задача аналізу та вибіру оптимального як по продуктивності, так і по якості результата, методу автоматично фокусування електронного мікроскопа.

Зображення, які отримуються з мікроскопа, потребують додаткового фокусування. Виконується воно у режимі обробка зображень після захвату — в програмі відкрівається серія зображень, з яких шляхом анализу вибирається найбільш сфокусоване зображення, котре потім і використовуеться.

Нехай клас, який характеризується найвищою функціональною ефективністю E_max системи. Дано структурований вектор параметрів настроювання, відповідні обмеження на них і клас X₀, який характеризує початковий стан ІСК, що настроюється. Треба в межах заданої оперативності за кроків настроювання перевести ІСК із класу X₀ у клас за умови досягнення максимального значення КФЕ де E (S) інформаційна міра між класами Х₀ і поточним класом .

У результаті виконання дипломної роботи повінно бути виконано научний дослід методів. Після вибору оптимального методу необхідно реалізувати програмний пакет для обробки зображень цим методом.

2. Розроблення інформаційного та програмного забезпечення інтелектуальної системи автофокусування електронного мікроскопа

2.1 Опис способу автофокусування електронного мікроскопа

Більшість сучасних емпіричних методів виміру раз меров за допомогою оптичного мікроскопа засноване на виділенні характерних особливостей хвильової картини (наприклад, мінім мов інтенсивності) і вимірювань з ним або за нікому рівнем інтенсівності, відраховує відних. Такі методи часто викорискористь функцію автофокусування мікроскопа, яка сама по собі вносить досить велику похибку. Реальна погрешність таких методів вище 0,05 мкм. У розробленому методі цей недолік усувається алгоритмом пошуку фокуса.

Принцип автофокусування заснований на пошуку площині об'єкта за розміром плями відбитого від об'єкта промінь лазера. Оскільки пляма лазера набагато більше розміру об'єкта, а пошук фокуса дуже швидкий, майже миттєвий, процес, цей принцип не может забезпечити достатньої точності. В результаті зображення сильніше залежить від расфокусіровкі саме в положенні, близькому до фокус. Все це призводить до думки, що необхідно пропереводять пошук фокуса по самому зображенню, тобто скласти некую характеристику зображення, змінюються зі зміною фокусав, знайти якесь еталонні положення фокусу і відповідне йому еталонні значення характеристики зображення і визначити найкраще положення фокуса як положення, при якому відхилено ня характеристики від еталонної мінімально. Зауважимо, що цялонное положення фокусу не обов’язково має бути положенняем об'єкта точно в фокусі. Воно має бути стабільним, повторемим і якомога менше залежати від розмірів об'єкта

У самому простому випадку пошук найкращого положення фокусу можно проводити послідовним перебором його значень. Такий метод був реалізований авторами для мікроскопа Leica INM 300 DUV, який володіє вбудованим програмувальних мікропроцессором та ультрафіолетової ПЗЗ камерою Hamamatsu C7300 (рис.1). Розроблене програмне забезпечення, що здійснює управління мікроскопом, дозволяє крок за кроком змінювати положення столика по вертикалі. Алгоритм вимірювання критичних розмірів такий.

Визначається найкраще положення фокуса. При цьому знаходиться автофокус мікроскопа, який необхідний для швидкого позіціонірованія столика по вертикалі. Після цього, якщо необхідно, про переводять зсув столика по вертикалі на певну величину з за — відомо гіршим положенням фокусу. Далі столик дискретно переміщан по вертикалі (з кроком 0,018 мкм) і одночасно счі-Тива зображення з ПЗЗ-камери. Серед цих зображень вибирається найбільш відповідне еталонного положенню фокусаються.

Потім безпосередньо вимірюється критичний розмір об'єктах та по характерним точкам на профілі інтенсивності.

Якщо необхідно виміряти абсолютний розмір, то потрібно провести калібрування по еталонного об'єкту з відомим розміром і пов’язати одержуваний розмір з абсолютною. Однак у більшості випадків абсолютний розмір потрібно знати лише приблизно, а важливий тільки догляд або зміна розміру з часом. У розробкиго програмному забезпеченні калібрування проводилася з викорискористуванням скануючого електронного мікроскопа.

2.2 Формування вхідного математичного опису системи авто фокусування, що навчається

Важливою проблемою в електронній мікроскопії є автофокусування електронного мікроскопа за зображенням зразка, що досліджується. Це особливо актуально для забезпечення незмінних і однакових умов автоматичної класифікації об'єктів дослідження. Розглянемо алгоритм автофокусування електронного мікроскопа за зображенням зразка, що досліджується, в рамках МФСВ. При цьому як параметр настроювання виступає струм об'єктивної (фокусуючої) лінзи. Ідея автофокусування мікроскопа полягає в обчисленні інформаційної міри між початковим (базовим) розфокусованим зображенням і поточним зображенням, яке встановлюється наму кроці класифікаційного настроювання, порівнянні її значення з попереднім і прийнятті рішення про зміну струму на задану величину. На рис. 9 наведено такі позначення: номінальне значення параметра; нижній і верхній експлуатаційні (нормовані) допуски на параметр відповідно; області, в яких значення оцінюються у формі «Менше норми», «Норма» і «Більше норми» відповідно.

Рисунок 2.2.1 — Область значень параметра, що настроюється Процес автофокусування продовжується до тих пір, поки значення струму не потрапить в область .

Оскільки контрольні допуски на відповідні значення ознак розпізнавання прямо впливають на геометричні параметри контейнерів класів розпізнавання, а отже і на асимптотичні точні сні характеристики СПР, то питання вибору СКД набуває важливого значення при розробці інформаційного забезпечення ІСК. Якщо задача визначення системи нормованих (експлуатаційних) допусків на значення ознак знайшла свій розв’язок, принаймі, в рамках параметричного підходу математичної статистики, то аналітичне розв’язання проблеми вибору СКД, дослідження її впливу на функціональну ефективність ІСК і вірогідність результатів контролю все ще не отримано. Основними причинами такого стану є:

· відсутність методів оптимізації параметрів функціонування складних систем за прямим та об'єктивним КФЕ;

· статистична нестійкість, неоднорідність і обмеженість навчальної вибірки, що не дозволяє використовувати відомі строгі методи параметричного підходу.

· виправдане з метрологічної точки зору допущення статистичної гіпотези про нормальність закону розподілу ймовірностей значень ознак розпізнавання при машинному прийнятті рішень призводить до збільшення помилки другого роду, оскільки контрольне поле допусків у цьому випадку береться завищеним.

Розглянемо підхід до оптимізації (в інформаційному розумінні) СКД на ознаки розпізнавання в рамках МФСВ. Розглянемо симетричне (двостороннє) полє допусків на значення і-ї ознаки яке наведено на рис. 2.2.2.

Рисунок 2.2.2 — Симетричне поле допусків на значення ознаки розпізнавання Тут прийнято такі позначення: А₀ номінальне значення ознаки y_i; А_Н, А_В нижній і верхній нормовані допуски відповідно; А_НК, А_ВК нижній і верхній контрольні допуски відповідно; _Н,і, _К,і нормоване та контрольне поля допусків відповідно. Існує декілька можливих стратегій зміни поля допусків _К,і, серед яких відокремимо дві

· симетрична стратегія S₁(), яка є виправданою, наприклад, за умови підтвердження розвідувальним аналізом збігання номінального значення А₀ з центром розсіювання значень навчальної вибірки ;

· асиметрична стратегія S₂(), яка має місце при неспівпаданні значення А₀ з емпіричним центром розсіювання значень вибірки .

Задача оптимізації СКД на ознаки розпізнавання є частковою задачею інформаційного синтезу, в якій необхідно визначити екстремальні значення

де — область допустимих значень контрольних допусків. В процесі навчання оптимізація СКД здійснюється за ітераційною процедурою.

Розглянемо такі алгоритми оптимізації СКД:

· послідовний алгоритм, при якому контрольні допуски оптімізуються послідовно для кожної ознаки розпізнавання при фіксованих значеннях інших ознак;

· паралельний алгоритм, при якому контрольні допуски оптимізуються для всіх ознак одночасно;

· алгоритм оптимізації за зведеним полем допусків.

При класифікаційному управлінні об'єктами, для яких словник складається із груп і окремих ознак з різними шкалами виміру, доцільно застосовувати алгоритми послідовної або послідовно-паралельної оптимізації контрольних допусків. При розпізнаванні зображень за умови жорстких вимог до оперативності оброблення великих масивів відеоінформації виправданим є використання паралельного алгоритму оптимізації СКД.

Алгоритм оптимізації контрольних допусків за зведеним полем допусків доцільно застосовувати як послідовно-паралельний алгоритм за наявності різних шкал виміру груп ознак розпізнавання.

Алгоритм оптимізації контрольних допусків за МФСВ полягає у наближенні глобального максимуму інформаційного критерію оптимізації до найбільшого його значення в області значень функції. Тому важливого значення набуває дослідження збіжності такого алгоритму. Розглянемо збіжність алгоритму послідовної оптимізації контрольних допусків на ознаки розпізнавання. Введемо такі позначення:

— структурований вектор ознак розпізнавання;

— структурований вектор стартових параметрів контрольних допусків на ознаки розпізнавання;

— кількість прогонів ітераційної процедури послідовної оптимізації контрольних допусків;

— максимальне значення КФЕ в робочій області його визначення при l-му прогоні ітераційної процедури;

— найбільший глобальний максимум функції КФЕ в області її значень;

— значення параметра поля контрольних допусків для і-ої ознаки, яке отримано при l-му прогоні ітераційної процедури та дорівнює половині інтервалу ;

— екстремальне значення параметра поля контрольних допусків для і-ї ознаки;

— оптимальне значення поля контрольних допусків для і-ї ознаки:

. (2.2.1)

З урахуванням

(2.2.2)

і введених позначень алгоритм послідовної оптимізації поля контрольних допусків на ознаки розпізнавання приймає вигляд

(2.2.3)

де — області допустимих значень поля контрольних допусків для і-ої ознаки, критерію оптимізації і кодової відстані відповідно; - символ операції повторення.

Розглянемо послідовність де

;

. (2.2.4)

Оскільки за властивістю інформаційного критерію, то відношення рівності може бути тільки за умови, що стартове значення дорівнює екстремальному. Так само справедливо для всіх N екстремальних значень

(2.2.5)

Таким чином, послідовність є спадною і обмеженою знизу, оскільки її члени позитивні. Але не ясно, чи є послідовність стаціонарною, тобто чи існує таке, що для будь-якого .

. Але звідси не обов’язково витікає, що, оскільки функція не є взаємно-однозначною. Покажемо концептуально, що все-таки існує для будь-якого .

У силу максимально-дистанційного принципу розпізнавання образів у процесі оптимізації розбиття для найближчих сусідніх класів і повинна виконуватися умова з обмеженнями

(2.2.6)

і

2.2.7)

Нехай існує для функції множина екстремальних параметрів:

. Оскільки збільшення параметра збільшує ймовірність переходу і-ї координати еталонного вектора в одиницю, то за умови, що еталонний вектор є одиничним, має місце

. (2.2.8)

Таким чином, можна стверджувати, що припущення про стаціонарність послідовності є справедливим, оскільки в силу максимально-дистанційного принципу розпізнавання образів за умови існує оптимальне значення параметру поля контрольних допусків .

Так само, виходячи із концепції методу автоматичної класифікації (у даному випадку МФСВ), що є найбільш ефективним методом евристичного виведення, можна довести, що алгоритм паралельної оптимізації контрольних допусків на ознаки розпізнавання збігається за ймовірністю, тобто, дебудь-яке мале позитивне число. Таким чином, послідовність не є стаціонарною. Тут l — кількість кроків одночасного збільшення контрольних допусків для всіх N ознак розпізнавання.

Паралельний алгоритм LEARNING-2 оптимізує параметри контейнерів класів розпізнавання за умови ітераційної процедури визначення для базового класу оптимальних контрольних допусків на всі ознаки одночасно. Вхідні дані такі самі як і для алгоритму LEARNING-1, але за область визначення параметра приймається інтервал, де ширина нормованого поля допусків.

Розглянемо кроки реалізації цього алгоритму:

1. Обнулюється лічильник кроків зміни параметра: l:=0.

2. Запускається лічильник: l:=l+1 і обчислюються нижні та верхні контрольні допуски для всіх ознак

3. і, відповідно.

4. Реалізується базовий алгоритм навчання.

5. Якщо, то виконується пункт 5, інакше пункт 6.

6. Якщо, то виконується пункт 2, інакше пункт 6.

7. і «ЗУПИН».

Формування еталонного двійкового вектора здійснюється за правилом:

(2.2.9)

Аналогічно обробляється поточне зображення. Таким чином, на кожному кроці автофокусування формуються вхідні дані, необхідні для обчислення інформаційної міри між базовим і поточним зображеннями. Умовою запуску алгоритму автофокусування є вихід мікроскопа із стану, що відповідає класу. При цьому за базовий клас приймається зображення зразка на момент запуску алгоритму. Вхідними даними є матриця яскравості, еталонна реалізація і відповідні нормовані допуски і для струму .

2.3 Математичні моделі автофокусування електронного мікроскопа

Розглянемо математичну модель ІСК, яка реалізує класичну задачу розпізнавання образів за МФСВ. Математична модель повинна включати як обов’язкову складову частину вхідний математичний опис, який подамо на рівні системного аналізу у вигляді теоретико-множинної структури:

_В=, (2.3.1)

де G простір вхідних сигналів (факторів), які діють на ІСК; T множина моментів часу зняття інформації; Щ простір ознак розпізнавання; Z — простір можливих станів ІСК; V — множина вирішальних правил; Y множина сигналів, які знімаються з виходу БПОІ; П: GTЩZ оператор переходів, що відбиває механізм зміни станів ІСК під дією внутрішніх і зовнішніх збурень; Ф: GTЩZY оператор формування вибіркової множини Y на вході СПР. Як універсум випробувань W будемо розглядати декартовий добуток наведених в (2.2.10) множин: W = GTЩZV.

Для чіткого (детермінованого) розбиття потужності M, оператор побудови розбиття з задає бієктивне відображення з: Y. Апріорно оператором: YL^|M| для заданого алфавіту будується покриття L^|M|, що корегується апостеріорно оператором жL^|M|. Перевірка гіпотези про належність реалізацій образу здійснюється оператором класифікації I^|M+1|, де I^|M+1| множина допустимих гіпотез (рішень). При цьому гіпотеза означає відмову від класифікації. У загальному випадку математичну модель будь-якої ІСК, яка розв’язує задачу класифікаційного аналізу, подамо, аналогічно праці [72], у вигляді діаграми відображень відповідних множин:

(2.3.2)

У діаграмі (2.2.11) оператор зворотного зв’язку корегує геометричні параметри розбиття з метою покращення точнісних характеристик СПР. Саме спосіб реалізації оператора породжує різні методи та підходи до розв’язання проблеми адаптивного навчання ІСК.

При обгрунтуанні гіпотези нечіткої компактності має місце нечітке розбиття Щ, яке в рамках МФСВ відповідає умові (16). Тоді замість оператора застосуємо оператор и нечіткої факторізації простору ознак: и: Y. Нехай оператор класифікації :I^|l| перевіряє основну статистичну гіпотезу про належність реалізацій класу. Тут l кількість статистичних гіпотез. Оператор г: I^{| l | | q |} шляхом оцінки статистичних гіпотез формує множину точнісних характеристик ^{| q |}, де q=l ²— кількість точнісних характеристик. Оператор ^|q| E обчислює множину значень інформаційного КФЕ, який є функціоналом точнісних характеристик. Контур оптимізації геометричних параметрів розбиття шляхом пошуку максимуму КФЕ навчання розпізнаванню реалізацій класу замикається оператором r: E.

Структурна діаграма процесу навчання за МФСВ для випадку нечіткого розбиття має вигляд

(2.3.3)

Таким чином, у діаграмі (21) контур операторів

(2.3.4)

безпосередньо оптимізує геометричні параметри розбиття .

Оператор U: EGTЩZV регламентує процес навчання і дозволяє оптимізувати параметри його плану, які визначають, наприклад, обсяг і структуру випробовувань, черговість розгляду класів розпізнавання та інше.

За алгоритмом

(2.3.5)

кожен параметр навчання повинен мати в діаграмі відображень множин свій контур оптимізації при виконанні умови повної композиції: множина Е є загальною для всіх контурів оптимізації. Серед параметрів навчання, які суттєво впливають на вірогідність класифікатора, розглянемо поля контрольних допусків на значення ознак розпізнавання, рівні селекції {с_m} координат еталонних двійкових векторів і крок квантування в часі реалізацій образу. Нехай контур оптимізації СКД, яка утворює множину D, замикається послідовно оператором D і оператором ₂:DY, який змінює реалізації образу в процесі максимізації критерію E_m. Нехай значення рівнів селекції утворюють множину И, контур оптимізації якої замикається послідовно оператором с: ЕИ і оператором: ИХ. При цьому маємо композицію и = и₁ и₂. Контур оптимізації кроку квантування в часі замикається послідовно оператором ₁: ЕЌ, де Ќ множина значень кроків квантування, і оператором ₂: ЌT, який змінює інтервали часу між зняттям інформації. Тоді діаграма відображень множин в процесі навчання, з урахуванням (21) і додаткових контурів оптимізації, набуває вигляду

автофокусування електронний мікроскоп

(2.3.6)

Запропонована математична модель дозволяе оптимізувати значння струму на етапі навчання.

2.4 Критерії оптимізації

Обчислювальний аспект оцінювання функціональної ефективності машинного навчання набуває важливого значення в задачах інформаційного синтезу ІСК і потребує врахування специфіки як їх функціонування, так і їх призначення. Розглянемо процедуру обчислення інформаційного КФЕ в рамках алгоритму навчання за МФСВ.

Оскільки інформаційний критерій є мірою різноманітності не менше ніж двох обєктів, то для його обчислення потрібна навчальна матриця, яка складається із векторів-реалізацій двох класів: і Нехай клас є базовим, тобто найбільше бажаним для ОПР. Тоді належність вектора-реалізації із навчальної матриці класу приймається за основну гіпотезу ₁, а неналежність — за альтернативну гіпотезу ₂. Алгоритм зчитування навчальної матриці може бути побудовано двома способами. За першим способом послідовно зчитуються реалізації, а потім — реалізації. За другим способом при кожному випробуванні обробляються реалізації обох класів.