Распознавание образов

БАЙЕСОВСКИЕ ЗАДАЧИ РАСПОЗНАВАНИЯ - задачи распознавания образов, в которых по известным статистическим характеристикам распознаваемых объектов требуется указать алгоритм принятия решения, минимизирующий математическое [c.7]

КОМИТЕТЫ РЕШАЮЩИХ ПРАВИЛ - один из методов распознавания образов. Пусть X - множество распознаваемых объектов, а Q - множество функций вида X -> называемых решающим правилом и определяющих для каждого объекта XG. X номер класса, которому это объект принадлежит. [c.28]

КОРРЕЛЯЦИОННЫЙ МЕТОД РАСПОЗНАВАНИЯ - метод распознавания образов, основанный на вычислении оценок коэффициентов корреляции между рассматриваемым сигналом и каждым из нескольких эталонов сигналов и выборе эталонного сигнала, которому соответствует наибольший коэффициент корреляции. При использовании КМР признаки, характеризующие объект распознавания, должны быть однородными, т.е. должны представлять собой результаты измерения какой-либо одной физической величины в различные момен-гы времени или в разных точках пространства. Например, если объекты распознавания представляют собой изображения, а признаками являются значения яркости в различных точках поля зрения, то можно говорить о коэффициенте корреляции между двумя изображения- [c.30]

МЕТОД ПОТЕНЦИАЛЬНЫХ ФУНКЦИЙ - один из методов обучения распознаванию образов. Пусть X - множество объек тов, на котором задано семейство функций, каждая из которых имеет X областью определения, а множество вещественных чисел - область значений. Пусть X и X - два подмножества в X. М ПФ состоит в нахождении таких чисел , чтобы [c.38]

МЕШАЮЩИЕ ПАРАМЕТРЫ в математической статистике и в теории распознавания образов - параметры распределения вероятностей, такие, что гипотеза, подвергаемая статистической [c.38]

Распознавание образов есть процесс установления вида или класса образа на основе определенных признаков образа. [c.39]

ОБУЧАЮЩАЯ ВЫБОРКА в распознавании образов - конечное множество полученных из опыта реализаций сигнала (наборов признаков), в частности,изображений, используемых для улучшения качества функционирования распознающей системы. При обучении распознаванию образов используют О В, в которой каждая реализация сигнала сопровождается указанием класса, к которому эта реализация должна быть отнесена. При самообучении распознаванию образов используется О В, со- [c.46]

ОБРАЗ в кибернетике - подмножество объектов, обладающих общими существенными свойствами. Объекты, соответствующие одному О, могут отличаться второстепенными, несущественными с точки зрения конкретной рассматриваемой проблемы, свойствами, от которых мы отвлекаемся, говоря об О конкретного объекта. О является абстрактным понятием, соответствующим некоторому подмножеству объектов. При распознавании образов стремятся к тому, чтобы принимаемые решения были одинаковыми для всех объектов одного образа. [c.53]

ПАРАМЕТРИЧЕСКИЕ МЕТОДЫ ОБУЧЕНИЯ - подкласс методов обучения распознаванию образов. Принято два различных способа разделения методов на параметрические и непараметрические, и каждый из этих терминов имеет, следовательно, два смысла. В первом смысле параметрическое обучение имеет место тогда, когда вероятностные характеристики объектов распознавания (необходимые для решения байесовских задач распознавания) известны не полностью, а лишь с точностью до неизвестных параметров. В этом случае обучение распознаванию образов заключается в оценке значений этих параметров по обучающей выборке. Полученные оценки используются в дельнейшем при собственно распознавании. [c.59]

РАСПОЗНАВАНИЕ ОБРАЗОВ классифицируется следующим образом. [c.65]

Многообещающим является применение голографии при распознавании образов и символов, что позволит создать читающие автоматы, обладающие большой надежностью. [c.222]

С помощью голографических методов стало возможным получать оптические. элементы, по всем свойствам аналогичные волоконно-оптическим устройствам. Такие. элементы имеют все свойства оптического волокна, но отличаются от него простотой. изготовления. Методы голографии позволяют выполнять оптические элементы и придавать им оптические свойства, которые невозможно получить при обычных методах изготовления. Голографические методы находят широкое применение при аттестации качества оптических. элементов и узлов оптических приборов успешно используются при решении задач выделения сигналов из шумов и распознавания образов. Голография позволяет увеличивать изображения во много раз больше, чем это можно сделать с помощью оптических линз, строить принципиально новые датчики положения и формы объектов и многое другое. [c.6]

Сейчас во многих отраслях науки и техники требуется решать задачи, связанные с распознаванием образов, т. е. с выделением сигнала или образа из совокупности подобных ему, но имеющих некоторые отличия. Способность голо- / граммы выделять образ, записанный на ней, является, пожалуй, самым ценным свойством голографии. [c.27]

Цели обработки могут быть разными распознавание образов, улучшение качества изображений, извлечение информации,. эффективное кодирование или машинная графика. Попытаемся показать, каким образом голографические пространственные фильтры позволяют достичь различных целей при обработке изображений. [c.50]

Распознавание образов. Во многих областях науки и техники требуется решать задачи, связанные с выделением сигнала, предмета или образа из совокупности подобных ему, но имеющих некоторые отличия. Существует общий метод оптимального решения таких задач. Он основан на преобразовании сигнала, несущего информацию об объекте, в спектр частот исходного сигнала, который подвергают дальнейшей обработке (фильтрации) с помощью частотных фильтров, пропускающих лишь излучения определенных частот. Оптический сигнал, представляющий собой распределение амплитуд и фаз световой волны, идущей от объекта, также может быть разложен на частотные составляющие. Однако в отличие от частот радиодиапазона (временных), свет разлагается на пространственные частоты, которые можно наблюдать непосредственно на. экране или проявленной фотопластинке. [c.50]

Рис. 16. Получение голографического фильтра и распознавание образов

Научной основой МО НК является метрология — наука об измерениях с использованием элементов теории информации и теории распознавания образов и ситуаций. [c.25]

Признак Kti основан на анализе соотношения амплитуд сигналов, отраженных, трансформированных, дифрагированных волн на дефекте в направлении к излучателю (рис. 55). Примеры распознавания образа дефекта по перечисленным признакам см. в табл. 20. [c.247]

Кроме перечисленных признаков для распознавания образа дефектов используют спектральный метод, а также анализируют амплитуды волн, отраженных и рассеянных на дефектах. [c.247]

Рис. 57. Различные способы распознавания образа дефектов

Для присуждения изделию той или иной категории качества или оценки его единым индексом качества могут применяться методы машинной классификации на основе теории распознавания образов, экономические критерии (в том числе интегральный показатель качества), индексные показатели качества на основе статистического анализа степени удовлетворения продукции требуемым свойствам (потребностям) в сфере эксплуатации (потребления), экспертные оценки [12] и др. [c.421]

В книге впервые изложены теоретические и практические аспекты дифракции, рефракции и поляризации. Проанализирован системный подход распознавания образа дефектов на основании применения различных физических свойств акустического поля. Всесторонне рассмотрено влияние анизотропии свойств на параметры ультразвукового контроля. [c.3]

В установке реализован новый алгоритм распознавания образа дефекта, основанный на сравнении чисел принятых сигналов. В отличие от известного критерия он менее зависит от качества контролируемой поверхности и не требует равной чувствительности всех ПЭП. При автоматизированном контроле сварных стыков труб диаметром 1420 мм и с толщиной стенки 21,7 мм достоверность распознавания характера реальных дефектов составляет 94 %. Производительность контроля 0,03 м/с. Масса электронного блока не превышает 25 кг, сканирующего устройства 10 кг. Отмеченные характеристики выгодно отличают данную установку от зарубежных аналогов. [c.389]

В заключение следует отметить, что статистические методы, используемые при изучении неоднородных материалов, находят применения также и в областях, не имеющих непосредственного отношения к этой физической проблеме. Одной из таких областей является распознавание образов. В настоящее время двухточечная корреляционная функция и ее фурье-преобразование по координатам используются для того, чтобы различать разные типы объектов и описывать случайные образы. Однако в случае изотропных картин для того, чтобы охарактеризовать форму объектов, требуются трехточечные корреляционные функции, приводящие к упомянутому выше числу G. [c.280]

Голографический метод получает все более широкое практическое применение для решения самых различных задач, таких, как распознавание образов, построение блоков памяти большой емкости, ввода и вывода информации, в технологии изготовления микросхем и многих других. [c.345]

Следующий этап— классификация обнаруженных дефектов, т. е. определение их вида, характеристик и места расположения на снимке. Эта задача является частным случаем распознавания полутоновых изображений. Простейший метод распознавания образов заключается в их сопоставлении с [c.125]

Другой метод заключается в том, что вместо сравнения входного образа с эталоном классификация основывается на некотором множестве отобранных замеров, производимых на входных образах. Эти отобранные замеры, называющиеся признаками, предполагаются инвариантными и малочувствительными по отношению к обычно встречающимся изменениям и искал<ениям и обладающими небольшой избыточностью. В этом случае распознавание образов состоит из двух задач. [c.126]

Аналогично при имитации смешанных стратегий, где в качестве случайных параметров рассматривается удельный вес каждого способа производства в общем объеме производства промышленной продукции, также можно получить бесконечное множество смешанных стратегий. Поэтому для группировки исходных сочетаний случайных величин, полученных методами статистического моделирования, на третьем этапе методики прогнозирования ВЭР используются алгоритмы машинного распознавания образов. Решением задач теории распознавания образов является такое правило распознавания (классификации), которое соответствует экстремуму целевой функции — показателю качества распознавания (обучения). При этом правильный выбор информативных признаков, в которых сосредоточена наиболее существенная для распознавания информация, является одной из важнейших и необходимых предпосылок успешного решения задачи распознавания в целом. В данном случае полученные путем машинной имитации совокупности случайных параметров естественно интерпретировать как точки в многомерном пространстве, инфор- [c.270]

Такая чисто геометрическая интерпретация дает возможность классифицировать бесконечное множество исходных группировок параметров по определенному числу классов, используя алгоритмы распознавания, работающие в режиме самообучения. Алгоритмы самообучения в задаче распознавания образов можно условно разделить на две группы [c.271]

В завпсимости от исходных характеристик задачи распознавания образов при прогнозировании ВЭР используются алгоритмы, принадлежащие как к первой, так и ко второй группе. [c.271]

Развитию алгоритма обучения машин распознаванию образов методом обобщенного портрета способствовало отыскание системы дифференциальных уравнений, условия равновесия которых совпадают с составляющими вектора обобщенного портрета . Это дало возможность создать аналоговое вычислительное устройство для автоматического нахождения обобщенного портрета . [c.274]

К статистике, теории связи и распознаванию образов [78, 197, 206, 233, 274]. В связи с этим в книгу включен необходимый минимум сведений из математической статистики, но основное внимание обращено на особенности приложения статистических методов к анализу акустических сигналов машин. [c.12]

АЛГЕБРАИЧЕСКИЙ ПОДХОД К РАСПОЗНАВАНИЮ - совокупность методов формального синтеза алгоритмов распознавания образов, составляемых из алгоритмов, не обязательно обоснованных формально. Возможность анализа разнообразных алгоритмов с единой точки зрения основана на том фа1сте, что многие известные алгоритмы распознавания представляют собой суперпозицию двух алгоритмов. Первый из них на основании исходных данных об объекте вычисляет числа, где к - количество классов распознаваемых объектов, а or, характеризует степень принадлежности к / -му классу, которая в АПКР называется оценкой объекта на данном классе. Второй алгоритм имеет на входе числа [c.5]

ИНФОРМАТИВНОСТЬ ПРИЗНАКОВ - характеристика множества признаков или одного признака, выражающего его пригодность для принятия по нему правильного решения в процессе распознавания образов. Оценки И П используются для того, чтобы обеспечить требуемую эффективность Снапример. вероятность правильного распознавания) распознающей системы при минимальном наборе признаков. И ГГ есть смысл оценивать для данной конкретной задачи распознавания, когда заданы, например, число распознаваемых классов, их априорные вероятности, а также совместные условия распределения вероятностей признаков при заданном классе. В таком случае наиболее целесообразно измерять И П средней вероятностью правильного решения, достигаемой при оптимальной решающей функции, использующей данные признаки. Критерий И П используется также для выбора оптимального поднабора признаков из заданного набора. Эта задача является весьма сложной, поскольку в общем случае, когда признаки являются статистически взаимозависимыми, информативность к.-л. поднабора признаков не определяется информативностью отдельно входящих в него признаков. Для ка>ццого из испытываемых поднаборов необходимо найти оптимальную решающую функцию и оценить полученную вероятность правильного распознавания. [c.20]

МЕТОД ОЦЕНОК в распознавании образов - метод распознавания образов, осчованнмй на том. что для распознаваемого объекта вычисляются числа , где к - число классов [c.37]

МЕТОДЫ РАСПОЗНАВАНИЯ ОБРАЗОВ - широко применяются для решения таких задач, как распознавание буквенноцифровой информации, прог озирование погоды, установление медицинских диагнозов, анализ звуковых записей и т.д. Важным свойством методов распознаванияобразов является то, что полное знание распределения вероятностей данных не требуется. [c.39]

НЕБАЙЕСОВСКИЕ ЗАДАЧИ РАСПОЗНАВАНИЯ - задачи распознавания образов, в которых решение о распознаваемом объ81сге должно быть принято в условиях, когда исходной информации о статистических хараю-еристиках распознаваемых объектов недостаточно для решения байесовской задачи распознавания. [c.43]

НУЛЬ - ЕДИНИЦА ЗАКОН - совокупность теорем вероятностей теории,утвер)кдающих, что для определенных условий вероятность события может быть равна либо 1, либо 0. Так, если (д) последовательность независимых испытаний и при любом п событие Л определяется исходами испытаний с номерами, большими п, то может быть либо н пем, либо единицей. Наибольшую известность получила гемма Бореля-Кантелли если - независимые события, то вероятног ь наступления бесконечного числа этих событий равна 1 при и равна О при Р А )=со. Н - Е 3 используется в предельных теоремах вероятностей, а также в математической статистике ( последовательный анализ, распознавание образов). [c.46]

ОБУЧЕНИЕ РАСПОЗНАВАНИЮ ОБРАЗОВ - процесс изменения параметров распознающей системы или решающей функции на основании экспериментальных данных с целью улучшения качества распознавания. Применяют в тех случаях, когда имеющиеся априорные сведения о распознаваемых объектах или, точнее, о множествах сигналов, принадлежащих к одному классу, недостаточно полны, чтобы по ним найти определенную решающую функцию. Экспериментальные данные обычно имеют вид обучающей выборки, представляющей собой конечное множество наблюдавшихся значений сигналов, причем для каждой реализации указан класс, к которому она должна быть отнесена. На основании этих данных необходимо выбрать решающую функцию, классифицирующую сигналы из выборки в соответствии с указанными для них классами. Подобный выбор решающей функции с помощью выборки имеет практический смысл лишь тогда, когда можно на основании тех или иных отображений рассчитать, что выбранная функция будет осуществлять правильную классификацию также и для значений сигнала, не представленных в обучающей выборке, но наблюдаемых при тех же условиях, при которых была получена выборка. Наиболее важным при этом является вопрос о том, что считать правильной классификацией. Дпя того, чтобы это понятие имело смысл, необходимо предположить, что объективно существует некоторая закономерность, в соответствии с которой появляется сигнал, соответствующий кажцому из классов. Обычно предполагают, что сигнал является многомерной случайной величиной и каждый класс характеризуется вполне определенным распределением вероятностей. Существуют два различных подхода к обучению, различающиеся прежде всего по характеру сведений об указанных распределениях вероятностей. Параметрический подход применяют в тех случаях, когда эти распределения известны с точностью до значений некоторых параметров. Например, известно, что распределение сигнала для каждого класса является нормальным распределением с независимыми компонентами и с неизвестным средним, которое является неизвестным параметром. Тогда задача обучения, называемая парамет- [c.47]

ПОТЕНЦИАЛЬНЫХ ФУНКЦИЙ МЕТОД - метод обучения распознаванию образов, основанный на аппроксимации решающей функции с помощью суммы функций, ка)кдая из которых зависит (как от параметра)от одного из сигналов, входящих в обучающую выборку. [c.60]

РАСПОЗНАЮЩИЕ СИСТЕМЫ. Под образом понимают наименование области в пространстве признаков, в которой отображаются общие свойства выделенного с определенной целью множества объектов, а под распознаванием образов -процесс, в результате выполнения которого определяется соотношение межцу распознаваемыми объектами и образами. Это соответствие устанавливается путем сравнения объектов и образов по признакам, характеризующим свойства образов, и принятия по определенному алгоритму решения о принадлежности распознаваемых объектов к тому или иному образу. [c.64]

Голографические пространственные фильтры используют в голографических устройствах распознавания образов и в устройствах оптической обработки информации. Этот метод опознавания тем надежнее, чем сложнее объект, который надо распознават . [c.53]

Мультипликация (размножение) изображений занимает важное место в технологии производства интегральных схем для микроэлектроники. Мультиплицирование требуется при использовании группового метода изготовления изделий, в многоканальных системах обработки информации (например, при распознавании образов), а также необходимо для систем хранения и размножения информации и ряда других случаев. Обычно процедура преобразования отдельного изображения в большое число идентичных изображений осуществляется последовательным формированием изображений шаблона с помощью оптико-механических мультипликаторов, которые представляют собой сложнейший комплекс оптических, механических и электронных устройств, работающих во взаимосвязи. [c.61]

Магнитооптические управляемые транспаранты (МОУТ). Эти устройства представляют собой светоклапанную систему, управляемую электрическими импульсами. Такие устройства могут быть основой плоских дисплеев, принтеров, устройств распознавания образов, оптических процессоров, оптических оперативных ЗУ и др. В этих транспарантах используется эффект Фарадея в прозрачных магнетиках, чаще всего в висмутсодержащих монокристаллических пленках ферритгранатов. [c.37]

Есть много аействител ьно серьезных, по-настоящему захватывающих проблем, над которыми работают сейчас тысячи ученых. Это — и проблема распознавания образа, и обработка информации, лингвистические проблемы и многие другие. [c.156]

В аспекте этого второго направлення задача обучения машины распознаванию образов понимается как задача имитации одной машиной классификации ситуаций, производимых другой машиной. В проблему создания обучаемых машин включен ряд новых задач обучение изменяющемуся во времени преобразованию входных ситуаций в выходные, накопление опыта управления. [c.274]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...