Введение к работе
Актуальность проблемы
Круг задач, которые могут решаться с помощью распознающих систем, чрезвычайно широк. Сюда относятся не только задачи распознавания зрительных и слуховых образов, но и задачи распознавания сложных процессов и явлений, возникающих, например, при выборе целесообразных действий руководителем предприятия или выборе оптимального управления технологическими, экономическими, транспортными или военными операциями. В каждой из таких задач анализируются некоторые явления, процессы, состояния внешнего мира, всюду далее называемые объектами наблюдения. Прежде чем начать анализ какого-либо объекта, нужно получить о нем определенную, каким-либо способом упорядоченную информацию. Такая информация представляет собой характеристику объектов, их отображение на множестве воспринимающих органов распознающей системы.
Проблемами распознавания образов занимались такие известные российские и зарубежные ученые как Барабаш Ю.Л., Васильев В.И., Горелик А.Л., Скрипкин В.А., Дуда Р., Харт П., Кузин Л.Т., Перегудов Ф.И., Тарасенко Ф.П., Темников Ф.Е., Ту Дж., Гонсалес Р., Уинстон П., Фу К., Цыпкин Я.З. и др. В своих работах они давали различную типологию методов распознавания образов. Одни из них различали параметрические, непараметрические и эвристические методы, другие -выделяли группы методов, исходя из исторически сложившихся школ и направлений в данной области научного знания.
При этом значительные стремления исследователей в области искусственного интеллекта направлены на разработку методов решения задач классификации и распознавания объектов по нечеткой, плохо обусловленной исходной информации. Такие задачи возникают при анализе зашумленных сигналов с датчиков, результатов социологических опросов, прогнозировании в экономике, диагностике в биологии и медицине и т.д.
Усложняющим условием распознавания объектов зачастую является пересечение классов объектов по количественным и качественным признакам, из-за чего не могут использоваться вероятностно-статистические методы анализа информации.
Как правило, решение отмеченного класса задач реализовывается на базе создаваемых экспертных систем, база данных которых обязательно содержит интегрированный опыт экспертов, который, в свою очередь может включать скрытые противоречия и не учитывать совокупность пересечения ветвей решений и комбинаций значений признаков и характеристик, что, в итоге, может значительно снижать ценность получаемых результатов.
Таким образом, разработка новых подходов, методов и моделирование на их базе процессов классификации, распознавания и диагностики объектов по совокупности их количественных и качественных признаков в разностном признаковом пространстве в условиях пересечения и многозначности классов объектов, когда, ввиду изначальной недетерминированное оказывается невозможным применять методы статистического анализа, основанные на аксиоматической теории вероятностей, бесспорно, является актуальной и важной задачей.
Диссертационная работа выполнена в соответствии с планом научно-исследовательских работ кафедры теоретической и прикладной механики Воронежского государственного университета в рамках темы «Разработка математических моделей и эффективных аналитических и численных методов решения статических и динамических задач механики деформируемых сред сложной структуры» (№ гос. per. 01.9.90 001106).
Целью диссертационной работы является проведение сравнительного анализа существующих подходов для распознавания и классификации объектов, пересекающихся признаков, основанных на представлениях теории нечетких множеств и нейронных сетях, а также разработка и создание комбинированной системы для моделирования процессов распознавания и классификации объектов, пересекающихся признаков, включающей основные достоинства рассмотренных подходов.
Цель достигается посредством постановки и решения следующих основных задач:
выбор оптимальной структуры нейронной сети, а также построение модели нейросетевого классификатора;
исследование методов вычислений функций принадлежности списковых объектов к нечетким множествам по номинальной и числовой характеристикам;
разработка алгоритмов предварительной обработки n-мерных функций принадлежности нечетких объектов и обучения двухслойной нейронной сети для распознавания и классификации объектов, пересекающихся признаков;
реализация разработанных комбинированных алгоритмов и моделей, основанных на представлениях теории нечетких множеств и нейронных сетях, в виде функций библиотек, которые являются ядром автоматизированных систем исследуемого класса задач;
- анализ результатов экспериментальных исследований эффективности
использования разработанных алгоритмов и моделей в процессе решении задач
распознавания, классификации и диагностики принадлежности объекта к заданной
группе;
Научная новизна работы состоит в следующем:
- разработан новый подход к решению задач распознавания и
классификации объектов, пересекающихся признаков, на базе комбинированной
модели, основанной на представлениях теории нечетких множеств и нейронных
сетях;
разработаны алгоритмы для моделирования процессов классификации и распознавания объектов по множеству разнотипных признаков, в условиях их пересечения;
предложена модель распознавания пересекающихся признаков п-мерных объектов на базе введенных в настоящей диссертации понятий, обобщенных и видоизмененных операций теории нечетких множеств;
- разработан программный комплекс для моделирования процессов
распознавания и классификации пересекающихся признаков n-мерных объектов на
основе обобщенных представлений и видоизмененных операций теории нечетких
множеств и специализированных нейросетевых технологий.
Теоретическая и практическая ценность работы состоят в том, что в работе разработан способ анализа нечеткой информации, который может использоваться для решения обширного круга задач в различных прикладных областях применения. Например, многозначные числовые объекты могут нести информацию о технологических параметрах в неясных ситуациях, отображать некорректную работу электронных схем и т.п. Многозначные номинальные объекты могут моделировать качественные оценки промышленной продукции, состояния отраслей экономики, некие символьные последовательности, возникающие при формализации естественных и абстрактных текстов или кодов. Ранжирование нечетких объектов по множеству разнотипных признаков дает возможность классифицировать, в соответствии с семантикой нечеткости, реальные процессы, а именно извлекать полезную информацию из нечетких фактов, которые, в свою очередь, могут применяться как элементы каких-либо обучающих программ и экспертных систем.
Полученные в работе результаты: методы, алгоритмы, математические модели, могут использоваться при прогнозировании и оценке зашумленных сигналов, результатов опросов, они также могут быть использованы при разработке иных автоматизированных систем распознавания, классификации, предсказания и диагностики в условиях пересекающихся признаков объектов для создания «искусственного интеллектуального анализатора» в неясных ситуациях.
Достоверность результатов работы определена тем, что научные результаты работы получены на основании достоверных знаний в области нейронных сетей и нечетких множеств с использованием математически обоснованных способов решения поставленной задачи, а также сравнением полученных результатов с экспериментальными данными,
Апробация результатов работы и публикации.
Положения диссертационной работы были доложены и обсуждены на XLV юбилейной Всероссийской конференции по проблемам математики, информатики, физики и химии», секция математики и информатики, Москва, Российский университет дружбы народов, 2009 г., VII Всероссийской научно-практической конференции с международным участием «Информационные технологии и математическое моделирование», Анжеро-Судженск, филиал Кемеровского государственного университета, 2009 г., X Международной научной конференции «Современные проблемы математики, механики, информатики», Тула, Тульский государственный университет, 2009 г.
Публикации. Основное содержание диссертации опубликовано в 10 работах, в т.ч. 3 публикации в изданиях из Перечня ВАК (см. список литературы в конце автореферата)
Научные результаты и положения, выносимые на защиту:
- методы вычислений функций принадлежности списковых объектов к
нечетким множествам по номинальной и числовой характеристикам;
- алгоритмы предварительной обработки n-мерных функций
принадлежности нечетких объектов и обучения двухслойной нейронной сети для
распознавания и классификации объектов, пересекающихся признаков;
- реализация разработанных комбинированных алгоритмов и моделей,
основанных на представлениях теории нечетких множеств и нейронных сетях, в
виде функций библиотек, которые являются ядром автоматизированных систем
исследуемого класса задач;
- результаты экспериментальных исследований ' эффективности
использования разработанных алгоритмов в процессе решении задач
распознавания, классификации и диагностики принадлежности объекта к заданной
группе в условиях пересечения, объединения и многозначности классов объектов.
Структура и объем диссертации. Работа состоит из введения; четырех глав, с выводами по каждой главе; заключения; списка литературы, включающего 134 наименования; четырех приложений; содержит 94 рисунка и 11 таблиц. Общий объем диссертации составляет 155 страниц основного текста.
