Статистические методы распознавания

В ней изложены статистические методы распознавания и разделения в пространстве признаков, метрические и логические методы диагностики. Значительное внимание уделено теории информации и ее приложению к задачам диагностики. [c.2]

Вводные замечания. Основное преимущество статистических методов распознавания состоит в возможности одновременного учета признаков различной физической природы, так как они характеризуются безразмерными величинами — вероятностями их появления при различных состояниях системы. В этой главе содержится подробное изложение метода Байеса и метода последовательного анализа. Теория статистических решений, составляющая особый раздел статистических методов, рассматривается в следующей главе. [c.11]

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]

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]

Распознавание кривых по комплексу признаков. Если кривая на некотором участке представлена комплексом диагностических параметров (признаков) х , х , х, , то процесс распознавания осуществляется статистическими методами, методами разделения в пространстве признаков, метрическими и др. Задача распознавания облегчается тем, что обычно признаки являются физически однородными параметрами (параметрами с одинаковой размерностью). [c.113]

Комплексная статистическая обработка параметров отражений на основе методов распознавания образов [c.96]

Для борьбы с помехами в принципе применимы методы общей теории распознавания образов. В наиболее сложных случаях используются статистические методы и критерии принятия решения, например критерий минимума среднего риска. Однако практическая их реализация, прежде всего в силу технологических трудностей, не всегда возможна. Это вынуждает применять [c.7]

Диагностическая ценность может быть также повышена за счет внешних ресурсов, состоящих в более активном использовании методов и знаний физики и механики разрушения, математических методов распознавания и идентификации устойчивых образцов в статистических массивах, методов прочностных расчетов конструкций. Это относится к сфере науки и рассматривается в данном разделе. Разумеется, указанное рассмотрение не может носить исчерпывающего характера, а отражает некоторые приоритеты, сложившиеся у части авторов экспертизы. [c.95]

Обычно различают статистические и детерминистские методы распознавания. [c.114]

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]

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]

Методы, основанные на отнесении прогнозируемой РЭА к одному из классов, называются методами статистической классификации. В них используется аппарат кибернетической теории распознавания образов. [c.455]

Найти аналитическое выражение для распределения величины Z, которым можно было бы воспользоваться для расчета вероятности распознавания, не удается. Поэтому для получения искомых зависимостей обычно обращаются к методу статистического моделирования. При этом фиксируются значения параметров т, q, Mq и наигрывается некоторое число независимых реализаций щ , соответствующих обеим проверяемым гипотезам. Для полученных реализаций рассчитываются значения Z и в качестве искомых величин вероятностей принимаются частоты правильного решения, формулируемого по (2.5.12). [c.96]

Сформулированное в гл. 1 статистическое описание лазерного локационного сигнала позволяет не только проанализировать его информационные возможности, но и синтезировать оптимальные методы его обработки. Наличие функционалов плотностей вероятностей, приведенных в разд. 1.3... 1.5, позволяет для решения единой задачи привлечь известные результаты теории статистических решений. Некоторые из этих результатов уже использовались при рассмотрении отдельных частных вопросов. В настоящей главе продолжим соответствующие исследования с целью синтеза оптимальных методов обработки световых полей и выявления путей использования результатов этой обработки в алгоритмах распознавания наблюдаемых объектов. [c.103]

Вследствие того, что при статистической постановке задачи распознавания для любой точности оценивания ФПВ необходима экспериментальная проверка решающего правила после обучения, предпочтительнее использовать для поставленной в работе задачи вторую постановку задачи ограничения сложности. В этом случае заданную вероятность ошибочных решений можно обеспечить методом последовательного приближения без перебора совокупности признаков, так как предложенная ниже методика позволяет для заданного порядка рмы сразу находить такой набор признаков. [c.262]

Все используемые здесь при распознавании методы можно разбить на три основных класса, основанных на глобальных признаках, статистическом распределении точек и топологических признаках. [c.116]

В параграфе 16.2—16.4 описаны три различных способа измерения адаптации к неожиданным изменениям прямой анализ временных экспериментальных данных статистический анализ того, когда человек-оператор обнаруживает изменение описание параметров Кя как нестационарных коэффициентов, зависяш.йх от времени. Для каждого из трех методов даются примеры экспериментов. Далее следует краткое обсуждение предназначенных для вычислительных машин моделей распознавания образов человеком, выполняющим функции регулятора. В заключение представляется метод, который определяет адаптацию человека-оператора как меру пределов его возможностей управлять неустойчивой системой. [c.270]

В работах [40, 48] для создания математического обеспечения АСУТП литья под давлением использованы методы распознавания образов при выборе решений. Недетерминированный характер связей между показателями качества отливок и переменными параметрами процесса обусловливает применение статистических методов распознавания. Особенно сложными являются распознавание и выбор оптимальных значений таких переменных, как скорость пресс-поршня и давление прессования. [c.222]

Распознавание с помощью функции правдоподобия. При необходимости учитывать статистические свойства векторов А, определяющих множество (класс необходимо использовать статистические методы распознавания [40]. Каждому классу соответствует априорная вероятность его появления Р . Вероятность принадлелсности вектора А к классу обозначается как Р R JA). Если при распознавании-диагностике принимается решение, что вектор А Rf,, в то время как на самом деле А то имеют место потери. В условиях минимизации математического ожидания полных потерь имеем байесовский классификатор. Синтез байесовского классификатора на основе дискриминантных функций требует знания априорных вероятностей и плотностей распределения для каждого класса R — Р (A/i j). Если априорной информации нет, то для диагностики можно использовать минимальный критерий или критерий Неймана — Пирсона [17, 147]. Объединяет эти методы то, что все они основаны на отношении правдоподобия. Отличаются они друг от друга различными пороговыми значениями. Наибольшее распространение на практике получил критерий Байеса, так как в большинстве задач диагностики удается задать априорные вероятности и потери. [c.721]

Статистические методы. Основываются на математических правилах классификации, которые формулируются и выводятся в терминах математической статистики. Исходным материалом служит некоторый набор объектов, каждый из которых задается набором значений признаков. Необходимы также априорные сведения о возможных плотностях распределений значений признаков, адекватности признаков и т.п. Отсутствующая априорная информация восстанавливается по исходному набору (выборке) объектов. Необходимо отметить, что соотношение числа характеристик, описывающих объекты распознавания, и количества объектов, на базе которых и происходит отнесение объекта распознавания в тот или иной класс, обычно не позволяет прямо использовать строгие методы математической статистнки.Таким образом статистические методы распознавания являются, по существу, эвристическими. [c.114]

Определение рационального состава параметров отражений на основе оценки их информативности позволяет геофизику конструировать ряд новых параметров — вероятностных комплексных параметров выявления аномалий, связанных с залежами углеводородов. Как уже было отмечено, комплексирование методов связано с неадекватностью математических моделей сред наблюдаемым геофизическим полям. В итоге статистические связи между параметрами отражений и петроакустическими характеристиками горных пород нечетки, размыты. Степень разброса значений зависит от большого числа факторов, но прежде всего от соотношения уровней сигналов и помех. Отсюда очевидно, что при достаточной контрастности аномалий (уровне аномалии, вдвое превышающем уровень фона) необходимость в комплексировании отпадает и достаточно анализа отдельных наиболее информативных параметров. Однако в условиях высокого уровня помех и при отсутствии достаточного числа скважин для повышения степени надежности выявления аномалий необходимо использовать методы распознавания. Обычно такая ситуация наблюдается при проведении поисковых работ на нефть и газ в новых районах. [c.96]

А(Ф(У)) определяются по геолого-промысловой информации, соответствующей большому числу мероприятий, проведенных в данном нефтедобывающем районе. Для этого используются различные методы, разрабаты-вярмие в статистической теории распознавания образов. [c.20]

Математическим ядром комплекса диагностирования по тепловым характеристикам является теория распознавания образцов, теория оптимальной фильтрации, теория инфракрасного тепловидения и метод статистических испытаний Монте-Карло для формирования отбраковочных допусков на тепловые режимы элементов. [c.91]

Во всех устройствах извлечения признаков уделяется большое вниманий проблеме снижения числа информативных признаков, аспользуемых в цифровой части системы классификации или распознавания. ynie TByer много методов снижения размерности пространства признаков, включающих интегральные преобразования Карунена — Лоэва, методы отбора в процессе обучения и др. С этой точки зрения весьма удобны статистические моменты по двум причинам [c.278]

Многие поразительные успехи, достигнутые в оптике за последние 10—20 лет, непосредственно связаны с прогрессом в радиоэлектронике, и в частности в таких ее разделах, как техника связи, СВЧ-электроника и радиоастрономия. Наиболее примечательное сходство оптики и радиоэлектроники обнаружилось благодаря успешному применению операционного метода Фурье для анализа процессов образования оптического изображения и в спектроскопии, а также благодаря использованию оптических резонансных систем и управления при помощи оптической обратной связи (например, в лазерах, волоконной оптике и в ин-терферометрическом управлении станками). Исключительная простота оптических вычислительных устройств и когерентных (гетеродинных) детекторов в технике связи подкрепляет эту аналогию. Общность оптики и радиоэлектроники проявляется и в эффективном использовании обеими этими дисциплинами статистических и когерентных свойств электромагнитных сигналов и излучения, в успешном развитии методов усиления яркости света и управления лазерным пучком и, наконец, в недавних новых успехах безлинзовой фотографии и техники автоматического распознавания образов. Нелинейная оптика представляет собой другой пример фундаментальной общности теории и техники эксперимента для всех диапазонов электромагнитных волн. Единство принципов и методов связывает астрономию, радиоастрономию, физику электромагнетизма и радиоэлектронику. Работы по установлению и использованию этих фундаментальных принципов в пределах всего электромагнитного спектра весьма эффективно содействовали появлению новых направлений в науке и технике и привели к созданию новой дисциплины, получившей название радиооптики. [c.15]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...