Рассмотрены вопросы оптимизации принятия решений в системах распознавания графических изображений цифровых почтовых индексов.

Установлена аналитическая связь между информационным критерием функциональной эффективности обучающейся системы распознавания и стандартным интегральным показателем надежности - коэффициентом сохранения эффективности функции. Для предложенной конструкции показателя надежности рассмотрен вычислительный аспект.

В рамках непараметрического метода функционально-статистических испытаний предложен алгоритм оптимизации в информационном смысле параметров обучения. На примере построения разделяющей гиперповерхности для класса распознавания дана оценка допустимости, наблюдаемости рабочей области значений информационного критерия функциональной эффективности.

Індекс рубрикатора НБУВ: З970.54

Рубрики:

Системи розпізнавання образів

Шифр НБУВ: Ж69231 Пошук видання у каталогах НБУВ 

Проанализированы последствия предельного перехода от вероятностных к детерминированным системам распознавания. Уточнены основные отличительные особенности систем этих классов и сформулировано отношение для отдельных операций.

Предложен механизм вывода экспертного заключения в системах с распознаванием образных данных. Отмечено, что операции над ограниченными TS-сетями Петри вводятся с помощью теоретико-множественных операций, доказана полнота алгебры относительно введенных операций, а также тождественность некоторых преобразований. Предложенный аппарат ограниченных TS-сетей Петри может быть дополнен понятием k-ограниченности, что упростит процедуру построения информационной структуры классифицированных признаков.

Отмечено, что при решении задач распознавания образов требуется построить классификатор качества алгоритмов для небольших значений. Исследован вопрос обоснования качества алгоритма распознавания.

Розглянуто розв'язок задачі відбору ознак на базі нейронних мереж прямого поширення. Запропоновано алгоритми оцінки значущості ознак. Наведено та проаналізовано результати експериментів з розв'язку практичних задач на підставі запропонованих методів.

Індекс рубрикатора НБУВ: З970.54

Рубрики:

Системи розпізнавання образів

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

Запропоновано формули для обчислення парного та множинного коефіцієнтів перетину класів розпізнавання в межах методу функціонально-статистичних випробувань і встановлено їх залежність від точнісних характеристик процесу навчання.

Для решения задач распознавания образов в большом признаковом пространстве предложена матричная модель представления знаний и алгоритмы построения безусловных и условных логических тестов, являющихся по сути диагностическими. Использование k-значного представления признаков более экономно по сравнению с бинарным и является перспективным при представлении и обработке знаний и принятии решений.

Осуществлено обоснование выбора метода минимизации признакового пространства. В результате использован метод разложения по системе ортогональных функций - разложение Карунена - Лоэва. Основное преимущество этого разложения состоит в том, что оно позволяет обойтись без знания плотностей распределения образов, входящих в отдельные классы, и повысить быстродействие распознающих систем.

Запропоновано алгоритм підвищення асимптотичної точності системи розпізнавання образів з відкритою абеткою за допомогою введення надлишкових вхідних даних. Алгоритм реалізовано в межах методу функціонально-статистичних випробувань, що базується на оцінці інформаційної здатності системи розпізнавання.

Розглянуто можливість застосування локального контрасту зображення для виділення ліній. Наведено модифікований алгоритм перетворень Хафа з використанням локального контрасту. Проілюстровано ефективність запропонованого методу на синтезованому зображенні.

Предложены теоретико-методологические основы создания интеллектуальных тестовых распознающих систем на базе инструментального средства ИМСЛОГ. Математический аппарат включает матричную модель представления данных и знаний; алгоритмы выявления закономерностей, включая построение логических тестов; сочетание различных подходов тестового распознавания; когнитивные графические средства. Приведены архитектура и особенности программной реализации инструментального средства ИМСЛОГ, этапы создания интеллектуальных распознающих систем.

Предложена модель составного эталонного описания распознаваемых образов в виде совокупности разнородных компонентов, обобщающая сложное эталонное описание. Для введенной модели разработан метод синтеза и синтезированы алгоритмы распознавания образов, основанные на проверке сложных статистических гипотез. Приведен пример синтеза частного алгоритма распознавания образов.

Освещены философско-психологические аспекты распознавательной деятельности человека, проанализировано взаимодействие основных психических функций в данном процессе. Изложены исходные положения теории и практики распознавания, представлены методы оценки сходства и отличий образов в указанном процессе, состав и классификация систем автоматического распознавания по информационным характеристикам, а также характеристикам назначения и базирования средств.

This paper presents feature extraction method for recognition of patterns (e.g. characters, shapes etc.). The proposed feature extraction method enables achieving of high performance in recognition systems. In this paper feature extraction techniques such as Zernike moments are considered. Zernike moments can be computed in quasi real time rates which encourages the use of Zernike moments features in image retrieval systems.

Mammography image analysis system using fuzzy sets theory is presented in this paper. Fuzzy rules were used to enhance images. Next, the segmentation of regions corresponding to lesions is performed and geometrical parameters of the detected structures were calculated. Classification algorithm is based on fuzzy rules. Basing upon the calculated parameters system decides whether the image represents breast threatened by cancer or not.

Изложены результаты исследования взаиморасположения образов, описываемых точками пространства линейного квазипорядка смешанного потенциала, необходимые для формирования знаний интеллектуальной системы распознавания.