Разработка методик распознавания образов с использованием

УДК 502(06) Охрана окружающей среды и рациональное природопользование
В.Т. САМОСАДНЫЙ, С.В. КОЛЕСНИКОВ, Д.В. НОВИКОВ,
Ю.Ю. ГНЕЗДИЛОВ
Московский инженерно-физический институт (государственный университет)
РАЗРАБОТКА МЕТОДИК РАСПОЗНАВАНИЯ ОБРАЗОВ
С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
В данной статье рассмотрено применение нейронных сетей, для решения задач
связанных с совмещением низко контрастных изображений, и поиске дефектов
при распознавании образов.
Распознавание образов, представляет собой трудоемкий процесс,
особенно при совмещении низко контрастных изображений, и поиске
дефектов. Для решения этих задачи необходимы интеллектуальные
системы распознавания изображений, одной из таких систем является
нейронная сеть, обладающая возможностями [1]:
 способность к адаптивному обучению и самоорганизации при
построении модели в условиях неполных и искаженных данных;
 способность изменять и оптимизировать структуру модели в
соответствии с изменением внешних условий;
 возможность получения удовлетворительного решения даже при
отсутствии адекватной модели;
 возможность комплексной обработки очень больших объемов
данных;
 возможность построения и оценки неоднозначных решений. Тесная
интеграция нейронных сетей с экспертными системами;
 возможность извлечения из данных явных зависимостей и правил,
генерация и оценка гипотез;
 возможность представления результатов обучения нейронной сети
в виде, пригодном для интерпретации человеком.
На практике для того, чтобы применение нейронной сети было
оправдано, необходимо, чтобы задача обладала следующими признаками
[2]:
 отсутствует алгоритм или не известны принципы решения задач, но
накоплено достаточное число примеров;
 проблема
характеризуется большими объемами входной
информации;
 данные неполны или избыточны, зашумлены, частично
противоречивы.
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 5
238
УДК 502(06) Охрана окружающей среды и рациональное природопользование
В данной области нейронные сети, наряду с методами нечеткой
логики, находят наиболее широкое применение. Такие методы оказались
тем адекватным языком, на котором можно описать правила
классификации, не прибегая к точным математическим значениям
(используя
понятные
человеку
термины
типа
«небольшой»,
«значительный» и т.д.). И, наоборот, извлекать из обученных нейронных
сетей правила классификации по исходным данным, представляя их на
обычном языке. В отличие от традиционных статистических методов,
основанных на вычислениях в рамках той или иной математической
формализации, классификаторы, основанные на нейронных сетях,
используют адаптацию в процессе обучения, не требующую
предварительного обоснования модели [3]. В то же время доказано, что
результаты классификации и в том и в другом случае могут совпадать, т.е.
нейронная
сеть
способна
сама
построить
соответствующую
математическую формализацию.
Методы распознавания образов с использованием нейронных сетей
могут применяться не только для решения традиционных задач. Они
могут учитывать пространственные характеристики, и решать, такие
задачи, как геометризация трехмерных объектов на основе
экспериментальных данных [4]. При этом модель представляется не в
виде четких границ, а скорее в виде трехмерной функции «уверенности» в
наличии объекта в каждой точке. Таким образом, например, при
геометризации
дефектов
материала,
задавая
разные
пороги
«уверенности», можно строить оптимистические, реалистические и
пессимистические прогнозы.
Важной особенностью нейронных сетей при распознавании образов
является совместное использование всей числовой, качественной и
косвенной информации.
Список литературы
1. Анил К. Джей Введение в искусственные нейронные сети // Открытые системы
№04/97.
2. Джеффри Е. Хинтон. Как обучаются нейронные сети // В мире науки. 1992. № 11,
12. C. 103-107.
3. Иванченко А.Г. Персептрон – системы распознавания образов. К.: Наукова думка,
1972.
4. Короткий С. Нейронные сети: алгоритм обратного распространения.
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 5
239