ПОИСК Статьи Чертежи Таблицы Решающие правила распознавания из "Вибрации в технике Справочник Том 5 " Поскольку акустическая диагностика машин и механизмов есть распознавание технических состояний объекта по параметрам колебательных процессов, естественным является привлечение аппарата распознавания образов в тех случаях, когда нет очевидного соответствия между параметрами технического состояния и параметрами аиброакустического сигнала, т. е. нет характерных диагностических признаков. В основу методологии распознавания внброакустических сигналов легли разработки в области распознавания зрительных и речевых образов [4, 9, 11, 18, 24, 26], а также контроля и идентификации непрерывно функционирующих систем [6, 13, 23, 29, 30]. [c.408] В основе идеи синтеза систем автоматического распознавания лежат способы, с помощью которых описывают и разделяют классы образов. Существуют три основные методологии эвристическая, математическая и лингвистическая [И]. [c.408] За основу эвристического подхода взяты интуиция и опыт человека в нем используются принципы перечисления членов класса и общности их свойств. Обычно системы, построенные таким образом, включают набор специфических процедур, разработанных применительно к конкретным задачам распознавания. [c.408] В основу математического подхода положены правила классификации, которые формулируются и выводятся в рамках определенного математического формализма. Их можно разбить на два класса детерминистские и статистические. Детерминистский подход базируется на математическом аппарате, не использующем в явном виде статистические свойства изучаемых классов образов. Построение статистического классификатора в общем случае предполагает использование байесовского классификационного правила и его разновидностей. [c.408] Если образ можно описать с помощью иерархической структуры подобразов. аналогичной синтаксической структуре языка, то для решения задач распознавания образов применяют лингвистический (или синтаксический) подход с использованиеи теории формальных языков. [c.408] Задачи акустической диагностики больше тяготеют к эвристическому и математическому подходам с детерминистским уклоном, поэтому ниже рассмотрены методы классификации по принципу минимального расстояния между испытуемым и эталонным изображениями. [c.408] Понятие меры сходства. В основе распознавания состояний объекта диагностики лежит сравнение их признаков с априорными, характеризующими классы состояний. Совокупность признаков состояния, принадлежащих одному классу, называют образом. Признаки образа могут изменяться в некоторых пределах, в то время как образ относится к одному и тому же классу, поэтому необходимо знать статистические свойства признаков, т. е. возможные разбросы параметров образа. [c.408] Алгоритмы распознавания (классификации) основываются на сравнении меры близости испытуемого изображения с каждым классом. [c.409] Критерием распознавания является правило, по которому в пространстве признаков строится гиперповерхность, разделяющая распознаваемые параметры состояний на классы. [c.409] Необходимым Jf лoвиeм функционирования диагностической системы является наличие априорных сведений о классах состояний, которые или задаются заранее, или появляются в процессе обучения, предшествующему процессу классификации. Процесс обучения состоит в том, что на вход диагностической системы последовательно подаются признаки состояний каждого класса. Этот процесс заканчивается, если реакция диагностической системы на данные воздействия становится устойчивой, удовлетворяющей определенным требованиям. Структурная схема диагностической системы может включать диагностическую модель объекта диагностики, помогающую формировать классы состояний и соответствующие им диагностические признаки в тех случаях, когда Jf ЛOвия их реализации на натурном объекте трудно осуществимы. [c.409] Ниже приведены алгоритмы некоторых, наиболее часто используемых мер сходства [4, 26]. [c.409] Максимум сходства достигается, когда направления векторов совпадают, т. е. распознавание o Jfщe твляeт я в соответствии с решающим правилом (55). Этой мерой сходства удобно пользоваться в тех случаях, когда точки, принадлежащие одному классу, располагаются вдоль главной оси, а угол, охватывающий подмножество изображений, относящихся к одному классу, мал по сравнению с углом между эталонами. [c.410] Построение системы независимых признаков и выбор главных диагностических признаков. Известно, что при распознавании образов наиболее полезными признаками являются те, которые инвариантны (нечувствительны) к изменению изображения внутри образа, но резко изменяются при переходе от одного образа к другому. Целесообразно истолковывать признаки как систему случайных чисел с вероятностной точки зрения. Каждый из признаков, характеризующих состояние объекта диагностики, при измерении может принимать случайные значения как в результате погрешностей измерения, так и в результате разброса параметров самих объектов и их состояний, принадлежащих одному классу. Поэтому при распознавании необходимо принимать во внимание не только значение того или иного признака, но и вероятность его получения. Это необходимо для выбора из множества возможных признаков состояния минимального числа наиболее важных признаков, которые мало изменяются от изображения к изображению данного образа, т. е. имеют наименьшую дисперсию в пределах образа. Однако jf TanoBHTb, какие признаки обладают минимальной дисперсией, можно только, если они независимы и, следовательно, их корреляционная матрица К йиагональна. [c.410] Для вероятности правильного решения Р = 0,95 (уровень значимости 0,05) табличные значения t приведены ниже. [c.411] Если рассчитанное значение t меньше приведенного, то с вероятностью 0,95 статистическая связь между признаками oT jfT TBj eT, и иасборот. Критерием t можно пользоваться для проверки связи при нормальном законе распределения или близком к нему. [c.411] В диагональной корреляционной матрице важнейшими из составляющих являются те, которым ooTBei TBjTOT наименьшие диагональные элементы — дисперсии [18]. Признаки, имеющие достаточно большую дисперсию, мало влияют на вероятность правильного распознавания и могут быть исключены. При сокращении числа признаков существенно уменьшается объем работы, необходимый для постановки диагноза. [c.411] Когда измеряемые признаки коррелированы между собой, по диагональным членам нельзя судить о важности признака. В этом случае путем линейных преобразований вида Y = СХ, где С — некоторая матрица, кoppeляциoннJfЮ матрицу для новых переменных К можно привести к диагональному виду. [c.411] Известно, что часто такач исчерпывающая характеристика признака как закон распределения вероятностей, не может быть построена из-за ограниченности экспериментального материала или из-за громоздкости н трудоемкости вычислений. В этом случае для практической оценки полезности признаков применяют упрощенные методы, которые в какой-то степени определяют их информативность. Одним из таких методов является минимизация признаков по числу разрешаемых споров [4, 12]. [c.411] В выражении (60) L (V,g, Vg) — мера сходства между г-м изображением, при надлежащим g-му образу, и gM эталоном, max L (U, , V/,) — максимальная из мрг сходства изображения 1) со всеми остальными эталонами, кроме g го, Д — nopoi чувствительности индикатора меры сходства, 0 — разрешающая способность диаг ностической системы. [c.412] Вернуться к основной статье