Классификация систем распознавания

Любая классификация основывается на определенных классификационных принципах. С точки зрения общности классификации систем распознавания рационально рассматривать в качестве классификационного принципа свойства информации, используемой в процессе распознавания.

Системы распознавания можно подразделить на простые и сложные в зависимости от того, физически однородная или физически неоднородная информация используется для описания распознаваемых объектов, имеют ли признаки, на языке которых произведено описание алфавита классов, единую или различную физическую природу.

Простые системы распознавания. К ним относят, например, читающие автоматические распознающие устройства, в которых признаки рабочего словаря представляют собой лишь те или иные линейные размеры распознаваемых объектов; автоматы для размена монет, где в качестве признака, используемого при распознавании монет, берется их масса; автоматические устройства, предназначенные для отбраковки деталей, в которых в качестве признаков, применяемых для описания классов бракованных и небракованных деталей, используются либо некоторые линейные размеры, либо масса и т. д.

Сложные системы распознавания. К ним относят, например, системы медицинской диагностики, в которых в качестве признаков (симптомов) могут использоваться данные анализа крови и кардиограммы; температура и динамика кровяного давления и т. п.; системы, предназначенные для распознавания образцов геологической разведки, в которых в качестве признаков берутся различные физические и химические свойства, или образцов военной техники вероятного противника и т. д.

Если в качестве принципа классификации использовать способ получения апостериорной информации, то сложные системы можно подразделить на одноуровневые и многоуровневые.

Одноуровневые сложные системы. В этих системах апостериорная информация о признаках распознаваемых объектов х₁...,x_N определяется прямыми измерениями непосредственно на основе обработки результатов экспериментов (рис. 1.2, где АИ — априорная информация; БАР — блок алгоритмов распознавания; БУРС — блок управления работой средств).

Многоуровневые сложные системы. В этих системах апостериорная информация о признаках определяется на основе косвенных измерений. Для таких измерений используются специализированные локальные распознающие системы (рис. 1.3, где АИ — априорная информация; БАР — блок алгоритмов распознавания; БУРС — блок управления работой средств).

В одноуровневых системах (см. рис. 1.2) по данным технических средств Т₁,..., Т_р,..., Т_n, на основе обработки полученных реализаций непосредственно находят признаки х¹₁,..., х^k₁ х¹_p,..., х¹_р; х¹_n,..., х^m_n неизвестных объектов или явлений, которые используются для их распознавания.

В многоуровневых системах (рис. 1.3) по данным технических средств Т₁..., Т_р,..., Т_n, определяются признаки х¹₁,..., х^k₁ х¹_p,..., х¹_р; х¹_n,..., х^m_n (назовем их первичными), которые подразделяются на следующие группы.

Рис. 1.2

Группа 1. К ней относят признаки, используемые в локальных распознающих устройствах первого (нижнего) уровня (назовем эти признаки признаками первого уровня) для определения признаков второго уровня. На рис. 1.3 такими признаками являются х²₁, x^l_p, x²_p, x¹_n, x²_m, xⁿ_m. На основе этих признаков распознающие устройства первого уровня А, В, С определяют признаки второго уровня х^A₂, x^B₂, х^C₂.

Группа 2. К ней относят признаки, непосредственно используемые в распознающих устройствах второго уровня для определения признаков третьего уровня. На рис. 1.3 таким признаком является х^k₁, используемый наряду с признаками второго уровня x^A₂ и х^B₂ в распознающем устройстве второго уровня D для определения признака третьего уровня x^D₃.

Группа 3. К ней относят признаки, используемые в распознающих устройствах третьего уровня для определения признаков четвертого уровня, и т. д.

Рис. 1.3

К последней группе относят признаки, непосредственно используемые в процессе распознавания неизвестных объектов, т. е. признаки, входящие в рабочий словарь признаков системы распознавания. На рис. 1.3 такими признаками являются х¹₁ и х¹_р (назовем эти признаки признаками верхнего уровня).

Таким образом, в одноуровневых системах распознавания информация о признаках распознаваемого объекта формируется путем прямых измерений непосредственно на основе обработки данных экспериментов. В многоуровневых системах информация о названных признаках формируется на основе косвенных измерений как результат функционирования вспомогательных распознающих устройств. На входы таких устройств поступает предварительно обработанная измерительная информация, а на выходах образуется либо непосредственно информация о признаках распознаваемых объектов или явлений, либо промежуточная информация, используемая распознающими устройствами следующих уровней для формирования информации о признаках распознаваемых объектов.

Если в качестве принципа классификации избрать количество первоначальной априорной информации о распознаваемых объектах или явлениях, то системы распознавания, как простые, так и сложные, можно разделить на системы без обучения, обучающиеся и самообучающиеся.

Многоуровневые системы распознавания однозначно не подразделяются на указанные классы, так как каждая из локальных систем многоуровневой системы может, в свою очередь, представлять собой систему без обучения, обучающуюся либо самообучающуюся.

Системы без обучения. В этих системах первоначальной априорной информации достаточно для того, чтобы определить априорный алфавит классов, построить априорный словарь признаков и на основе непосредственной обработки исходных данных произвести описание каждого класса на языке этих признаков, т. е. в первом приближении достаточно определить решающие границы, решающие правила.

Будем считать, что для построения этого класса систем необходимо располагать полной первоначальной априорной информацией. На рис. 1.4 (где ТС — технические средства; АИ — априорная информация; БАР — блок алгоритмов распознавания) представлена структурная схема системы без обучения.

Обучающиеся системы. В этих системах первоначальной априорной информации достаточно для того, чтобы определить априорный алфавит классов и построить априорный словарь признаков, но недостаточно (либо ее по тем или другим соображениям нецелесообразно использовать) для описания классов на языке

Рис. 1.4

признаков. Исходная информация, необходимая для построения обучающихся систем распознавания, позволяет выделить конкретные объекты, принадлежащие различным классам, и может быть представлена в следующем виде:

(1.8)

Объекты w₁..., w_t представляют собой обучающие объекты (обучающая последовательность, обучающая выборка). Цель процедуры обучения — определение разделяющих функций F_i(x₁,..., x_N), i = l,..., m, путем многократного предъявления системе распознавания различных объектов с указанием классов, к которым эти объекты принадлежат.

Системы распознавания, обучающиеся на стадии формирования, работают с «учителем». Эта работа заключается в том, что «учитель» многократно предъявляет системе обучающие объекты всех выделенных классов и указывает, к каким классам они принадлежат. Затем «учитель» начинает «экзаменовать» систему распознавания, корректируя ее ответы до тех пор, пока количество ошибок в среднем не достигнет желаемого уровня. На рис. 1.5 (где 00 — обучающие объекты; ТС — технические средства; БАО — блок алгоритмов обучения; АИ — априорная информация; БАР — блок алгоритмов распознавания; штриховые линии — режим обучения, сплошные линии — «экзамен») приведена схема обучающейся системы.

Самообучающиеся системы. В этих системах первоначальной априорной информации достаточно лишь для определения словаря признаков x₁,..., x_N, но недостаточно для проведения классификации объектов. На стадии формирования системы ей предъявляют исходную совокупность объектов w₁..., w_l, заданных

Рис. 1.5

значениями своих признаков для w₁ — (x¹₁..., х¹_N);...; для w₁— (x¹₁..., х¹_N). Однако из-за ограниченного объема первоначальной информации система при этом не получает указаний о том, к какому классу объекты исходной совокупности принадлежат. Эти указания заменяются набором правил, в соответствии с которыми на стадии самообучения система распознавания сама вырабатывает классификацию, которая, вообще говоря, может отличаться от естественной, и в дальнейшем ее придерживается. На рис. 1.6 (где ОС — объекты для самообучения; ТС — технические средства; БАР — блок алгоритмов распознавания; АИ — априорная информация; ПК — правила классификации; ФК — формирование классов; штриховые линии — режим самообучения; сплошные линии — распознавание неизвестных объектов) приведена схема самообучающейся системы.

Термин «полная первоначальная априорная информация» характеризует не абсолютное, а относительное количество необходимой информации. Он указывает на то, что в системах без обучения при прочих равных условиях количество первоначальной информации больше, чем в обучающихся системах распознавания одинаковых классов.

Системы обучающиеся или самообучающиеся получают недостающую априорную информацию в процессе обучения или самообучения. Более того, цель обучения или самообучения — выработать такое количество информации, которое необходимо для функционирования системы распознавания.

Создание обучающихся и самообучающихся систем распознавания обусловлено тем, что на практике достаточно часто встречаются ситуации, когда отсутствует полная первоначальная априорная информация.

При построении систем распознавания целесообразно использовать принцип обратной связи. Суть этого вопроса заключается в том, что результаты решения задачи распознавания неизвестных объектов следует использовать для уточнения априорного описания классов. Для этого блок априорной информации должен быть снабжен специальными алгоритмами корректировки априорных описаний классов. На рис. 1.4 — 1.6 легко прослеживается наличие обратной связи у рассмотренных типов систем распознавания.

Рис. 1.6

Если в качестве принципа классификации использовать характер информации о признаках распознаваемых объектов, которые подразделили на детерминированные, вероятностные, логические и структурные, то в зависимости от того, на языке каких признаков производится описание этих объектов, иначе — в зависимости от того, какой алгоритм распознавания реализован, системы распознавания могут быть подразделены на детерминированные, вероятностные, логические, структурные и комбинированные.

Детерминированные системы. В этих системах для построения алгоритмов распознавания используются «геометрические» меры близости, основанные на измерении расстояний между распознаваемым объектом и эталонами классов. В общем случае применение детерминированных методов распознавания предусматривает наличие координат эталонов классов в признаковом пространстве либо координат объектов, принадлежащих соответствующим классам.

Вероятностные системы. В данных системах для построения алгоритмов распознавания используются вероятностные методы распознавания, основанные на теории статистических решений. В общем случае применение вероятностных методов распознавания предусматривает наличие вероятностных зависимостей между признаками распознаваемых объектов и классами, к которым эти объекты относятся.

Логические системы. В этих системах для построения алгоритмов распознавания используются логические методы распознавания, основанные на дискретном анализе и базирующемся на нем исчислении высказываний. В общем случае применение логических методов распознавания предусматривает наличие логических связей, выраженных через систему булевых уравнений, в которой переменные — логические признаки распознаваемых объектов, а неизвестные величины — классы, к которым эти объекты относятся.

Структурные (лингвистические) системы. В этих системах для построения алгоритмов распознавания используются специальные грамматики, порождающие языки, состоящие из предложений, каждое из которых описывает объекты, принадлежащие конкретному классу. Применение структурных методов распознавания требует наличия совокупностей предложений, описывающих все множество объектов, принадлежащих всем классам алфавита классов системы распознавания. При этом множество предложений должно быть подразделено на подмножества по числу классов системы. Элементами подмножеств и являются предложения, описывающие объекты, принадлежащие данному подмножеству (классу). Таким образом, априорными описаниями классов являются совокупности предложений, каждое из которых соответствует конкретному объекту, принадлежащему данному классу.

Комбинированные системы. В этих системах для построения алгоритмов распознавания используется специально разработанный метод вычисления оценок. Такие алгоритмы распознавания называют алгоритмами вычисления оценок (АВО) (см. гл. 7). Их применение требует наличия таблиц, где содержатся объекты, принадлежащие соответствующим классам, а также значения признаков, которыми характеризуются эти объекты. Признаки могут быть детерминированными, логическими, вероятностными и структурными.

Рис. 1.7

Возможная классификация систем распознавания объектов и явлений, основанная на различных свойствах информации, используемой в процессе распознавания, показана на рис. 1.7.