CC BY
130
УДК 004.42:519.24
М.П. Лазеева, А.В. Дерюшев
ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ВЕРОЯТНОСТНО-СТАТИСТИЧЕСКОГО НЕПАРАМЕТРИЧЕСКОГО МЕТОДА РАСПОЗНАВАНИЯ ОБРАЗОВ
При управлении сложными системами и процессами (техническими, биологическими, экономическими, социальными и т. п.) необходимо оперативно принимать наиболее рациональные решения. Зачастую для принятия такого рода решений требуется установить принадлежность исследуемого объекта к одному из классов (образов) -множеству объектов, объединенных общими свойствами. Обычно такого рода задачи решают чаще на интуитивном уровне специалисты в конкретной области знаний. Возможность математической постановки ранее не формализованных и решаемых на интуитивном уровне задач классификации обусловила важность и перспективность применения методов распознавания образов широким кругом специалистов: экономистами, математиками, инженерами, социологами, геологами, медиками и т. д.
Распознавание образов - научно-техническое направление, связанное с разработкой методов и построением систем (в том числе на базе ЭВМ) для установления принадлежности некоторого объекта к одному из заранее выделенных классу объектов (образу). Процесс распознавания основан
на сопоставлении признаков, характеристик исследуемого объекта с признаками, характеристиками других известных объектов, в результате чего делается вывод о наиболее правдоподобном их сопоставлении.
Можно выделить следующие основные понятия:
• объект - предмет или явление, исследуемое в конкретной задаче и характеризующееся некоторым конечным числом признаков;
• фактор (признак) - количественное или качественное описание того или иного свойства исследуемого объекта;
• решающее правило распознавания - алгоритм, по которому методом обучения на основе анализа значений вероятностных характеристик признаков делается вывод о том, к какому классу принадлежит объект.
Задачу обучения распознаванию можно сформулировать следующим образом. Имеется некоторое число объектов, относящихся к двум различным классам. Необходимо на основе информации о них найти правило, с помощью которого можно классифицировать другие объекты, описанные той
Рис. 1. Интерфейс ППП «ПРОИС» версии 2.0.0
118
М.П. Лазеева, А.В. Дерюшев
же системой факторов, что и данные, при этом ошибки прогноза должны быть как можно меньшими. Исходное множество объектов будем называть обучающей выборкой. Чтобы осуществить обучение распознающей системы, необходимо произвести большой объем вычислений. Поэтому интерес к использованию методов распознавания возрос с появлением вычислительных машин с высоким быстродействием. Первоначально широкое распространение получили различные алгоритмы распознавания, основанные на методах математической статистики. Однако затем эти методы, на наш взгляд, были незаслуженно забыты с развитием нейроинформатики [1]. Распознавание на основе нейронных сетей позволяет эффективно решать ряд задач классификации. Но в большинстве случаев для решения конкретных задач необходимо создавать новую сеть, приспособленную для использования в данной области знания. Статистические методы более универсальны, многие из них могут быть использованы для решения задач классификации и прогноза в различных отраслях науки.
Нами был разработан пакет прикладных программ (ПИП) «ПРОИС» версии 2.0.0, в котором реализован алгоритм вероятностно-
статистического непараметрического метода распознавания образов [2]. Он предназначен для решения задач классификации и прогноза и позволяет разделить незнакомые объекты на два класса. Пакет предоставляет возможности для статистического анализа исходных данных, а также позволяет автоматизировать расчеты при обучении распознающей системы и непосредственно при распознавании.
Для работы с ППП «ПРОИС» необходимо сформировать обучающую выборку объектов с эффективной для распознавания системой факторов. Для ввода данных предназначены электронные таблицы факторов и выборки. Производится автоматическая проверка вводимых значений.
Основные возможности ППП «ПРОИС» 2.0.0 (рис. 1).
Вычисление основных точечных статистик
выборки. К ним относятся:
• минимальное и максимальное значение фактора;
• математическое ожидание;
• дисперсия;
• среднеквадратическое отклонение;
• коэффициент вариации.
Определяются и некоторые другие характеристики анализируемой выборки: объем, число объектов первого и второго классов, а также оценка условной вероятности первого класса.
Построение эмпирической функции распределения и оценка информативности факторов. Для каждого фактора производится построение эмпирической функции распределения. ППП «ПРОИС» также предоставляет возможность гра-
фического анализа распределения объектов по интервалам.
Оценка информативности проводится по семи критериям:
• 3 - критерий Шеннона;
• X -критерий Пирсона;
• X - критерий Колмогорова;
• I - критерий Кульбака;
• t - критерий Стьюдента;
• ^ - критерий Фишера;
• и - критерий Уилкоксона.
Анализ информативности факторов можно провести с помощью обобщенной таблицы информативности, а также ранжирования факторов методом обобщенной ранжировки с учетом мнений всех экспертов.
По результатам анализа обучающей выборки производится минимизация признакового пространства - формирование окончательной совокупности факторов, которая будет использована в процессе обучения. Исключаются наименее информативные факторы. Большую роль при минимизации признакового пространства играет профессиональный анализ факторов экспертами.
Обучение распознающего аппарата. Поскольку факторы имеют различную размерность и пределы измерений, могут иметь различные знаки, шкалы измерений, то объекты рассеяны во всевозможных октантах гиперпространства, компактность образов мала.
Для повышения эффективности обучения необходимо ввести безразмерные координаты. В качестве новой безразмерной координаты может быть использована оценка условной вероятности первого из классов. Для перевода значений факторов в безразмерные координаты производится построение таблиц перевода, которые содержат в себе границы изменения значений факторов по интервалам, и оценки условной вероятности первого из классов, соответствующие каждому интервалу.
На рис. 2 дана геометрическая интерпретация
положения образов в трехмерном пространстве. Можно определить некоторые характеристики положения образов в гиперпространстве, например: координаты центров тяжести образов, расстояние между центрами тяжести образов, расстояние от начала координат до центров тяжести образов, угол между радиус-векторами центров тяжести образов и т. д.
На основе этих характеристик производится разработка восьми решающих правил распознавания:
• по разности расстояний от объекта до центра тяжести образов;
• по разности углов между радиус-векторами объектов и центров тяжести образов;
• по разности скалярных произведений радиус-векторов объектов и центров тяжести образов;
• по разности между коэффициентами корреляции объектов и центрами тяжести образов;
• по расстоянию от объектов до гиперплоскости, проходящей по нормали к середине отрезка, соединяющего центры тяжести образов;
• по расстоянию от начала координат до каждого объекта;
• с помощью разделяющего гиперэллипсоида;
• по обобщенной функции желательности.
По каждому из решающих правил производится построение прогнозной таблицы, которая содержит границы изменения обобщенного признака по интервалам, а также оценки условной вероятности принадлежности объекта к первому из классов, соответствующие каждому интервалу.
Оценка ошибок распознавания. Для оценки ошибок распознавания используется контрольная выборка - множество объектов, описываемых окончательной системой факторов, которые не были включены в обучающую выборку. Ввод кон-
трольной выборки производится аналогично вводу обучающей выборки. Происходит распознавание по каждому решающему правилу и оценка ошибок прогноза: ошибки первого рода - когда объект первого из классов классифицируется как объект второго; ошибки второго рода - когда объект второго из классов классифицируется как объект первого; а также суммарные ошибки.
При этом распознавание контрольной выборки можно провести с использованием различных порогов принятия решения - минимальных значений оценки условной вероятности, при которой объект будет отнесен к первому из классов.
В результате анализа ошибок распознавания определяют оптимальное решающее правило распознавания и оптимальный порог принятия решения. На этом обучение распознающего аппарата можно считать завершенным. Выбранные оптимальный порог принятия решения и оптимальное решающее правило будут использоваться для последующего распознавания объектов.
Распознавание. Объекты, подлежащие классификации, составляют экзаменационную выборку. Ее заполняют аналогично обучающей и контрольной выборкам. Результатом распознавания будет оценка условной вероятности принадлежности каждого объекта к первому из классов и класс объекта, определенный при установленном пороге принятия решения.
Разработанная система применима для решения задач классификации и прогноза в различных областях знаний и является ядром комплекса, предназначенного для статистической обработки данных и распознавания образов.
Данный комплекс предполагается использовать в Кузбасском государственном техническом университете на кафедре строительства подземных сооружений и шахт для прогнозирования надежности вскрывающих горных выработок.
СПИСОК ЛИТЕРАТУРЫ
1. Осовский С. Нейронные сети для обработки информации/ пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. 344 с.
2. Мякишева Л. Е. Использование ЭВМ для решения задач методами распознавания образов: Методические указания по применению библиотеки научных программ "ПРОИС" / Л. Е. Мякишева, А. В. Дерю-шев; КузНИИшахтострой; Кузбас. политехн. ин-т. - Кемерово, 1986. 40 с.
□ Авторы статьи:
Лазеева Мария Петровна
- дипломант каф. вычислительной техники и информационных технологий (гр. ИС991)
Дерюшев Александр Владимирович
- канд. техн. наук, доц. каф. строительства подземных сооружений и шахт
