Полный аспект здесь купить диплом юриста , обычно покупают для строителя. . http://svaiok.ru/ ремонт фундамента дома в москве реконструкция фундамента.
Развитие энергетики России Тепловые станции Экологический аспект Электрофильтры Регенеративные методы Математическое моделирование экологических систем Аварийные ситуации на АЭС

Введение в экологию энергетики

Классификация методов распознавания образов; области их применения, наличие ограничений и недостатков [Луценко, 1996]

Классификация
методов распознавания

Область
применения

Ограничения
(недостатки)

 

Методы, основанные на операциях с признаками

(интенсиональные методы)

Методы, основанные на оценках плотностей распределения значений признаков

Задачи с известным распределением (как правило, нормальным), необходимость набора большой статистики.

Необходимость перебора всей обучающей выборки при распознавании, высокая чувствительность к репрезентативности обучающей выборки и артефактам.

Методы, основанные на предположениях о классе решающих функций

Классы должны быть хорошо разделяемыми, система признаков - ортонормированной

Должен быть заранее известен вид решающей функции. Невозможность учета новых знаний о корреляциях между признаками.

Логические методы

Задачи небольшой размерности пространства признаков.

При отборе логических решающих правил (конъюнкций) необходим полный перебор. Высокая вычислительная трудоемкость. Котлы-утилизаторы (КУ) Малая теплоэнергетика

Лингвистические (структурные) методы

Задачи небольшой размерности пространства признаков.

Задача восстановления (определения) грамматики по некоторому множеству высказываний (описаний объектов), является трудно формализуемой.

Методы, основанные на операциях с объектами

(экстенсиональные методы)

Метод сравнения с прототипом

Задачи небольшой размерности пространства признаков.

Высокая зависимость результатов классификации от меры расстояния (метрики).

Метод k-ближайших соседей

Задачи небольшой размерности по количеству классов и признаков.

Высокая зависимость результатов классификации от меры расстояния (метрики). Необходимость полного перебора обучающей выборки при распознавании. Вычислительная трудоемкость.

Алгоритмы вычисления оценок
(голосования) АВО

Задачи небольшой размерности по количеству классов и признаков.

Зависимость результатов классификации от меры расстояния (метрики). Необходимость полного перебора обучающей выборки при распознавании. Высокая техническая сложность метода.

Коллективы решающих правил

Задачи небольшой размерности по количеству классов и признаков.

Очень высокая техническая сложность метода, теоретические проблемы, как при определении областей компетенции частных методов, так и в самих частных методах.

Основными операциями в распознавании образов с помощью методов второй группы являются операции определения сходства и различия объектов. Дальнейшее разделение экстенсиональных методов на подклассы основано на различии в количестве диагностических прецедентов, которые используются для процесса решения: от одного в каждом распознаваемом классе (метод сравнения с прототипом) до полного объема выборки (алгоритмы АВО Ю.И. Журавлева [1978, Журавлев, Никифоров, 1971]). В частности, при классификации неизвестного объекта по методу k-ближайших соседей [Гренандер, 1979, 1981, 1983] находится заданное число (k) геометрически ближайших к нему в пространстве признаков других объектов с уже известной принадлежностью к распознаваемым классам. Дальнейшее решение принимается, например, с помощью простого подсчета голосов.

Так как различные алгоритмы распознавания проявляют себя по-разному на одной и той же выборке объектов, то закономерно встает вопрос о синтетическом решающем правиле, адаптивно использующем сильные стороны этих алгоритмов [Растригин, Эренштейн, 1981; Брусиловский, Розенберг, 1983; Брусиловский, 1987; Розенберг с соавт., 1994]. В коллективах решающих правил применяется двухуровневая схема распознавания. На первом уровне работают частные алгоритмы распознавания, результаты которых объединяются на втором уровне в блоке синтеза. Наиболее распространенные способы такого объединения основаны на выделении "областей компетентности", для которых доказана успешность работы какого-либо частного алгоритма распознавания.

Наряду с формальными методами распознавания образов полное и адекватное развитие в различных областях получили различные эвристические алгоритмы классификации и прогнозирования. Этот подход основывается на трудно формализуемых знаниях и интуиции исследователя, который сам определяет, какую информацию и каким образом нужно использовать для достижения требуемого эффекта распознавания. Примерами таких "авторских" методов являются процедура автоматической классификации геоботанических описаний [Розенберг, 1984] и алгоритм расчета индикаторных валентностей, представленный в главе 8.


На главную