CC BY
6
УДК 004.8
05.13.10 - Управление в социальных и экономических системах (технические науки)
СРАВНЕНИЕ ДОСТОВЕРНОСТИ РЕШЕНИЯ ЗАДАЧИ ИДЕНТИФИКАЦИИ ИЗОБРАЖЕНИЙ АМЕРИКАНСКОГО ЯЗЫКА ЖЕСТОВ В ПИКСЕЛЬНОМ И КОНТУРНОМ АВТОМАТИЗИРОВАННОМ СИСТЕМНО-КОГНИТИВНОМ АНАЛИЗЕ
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Web of Science ResearcherID S-8667-2018 Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101
prof.lutsenko@gmail.com http://lc.kubagro.ru
https://www.researchgate.net/profile/Eugene Lutsenko
Кубанский Государственный Аграрный университет имени И. Т. Трубилина, Краснодар, Россия
В работе решается задача идентификации изображений американского языка жестов. В качестве исходных данных используются изображения с портала Kaggle. Для решения данной задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос». В АСК-анализе есть несколько вариантов обработки изображений: по пикселям, контурам и спектрам. Эти варианты обработки изображений отличаются источниками информации об изображении и имеют различную эффективность при решении различных задач, в зависимости от их специфики. Поскольку на портале Kaggle представлены монохромные изображения жестов, то спектральный АСК-анализ не используется. Поэтому поставленная задача решается с применением только пиксельного и контурного АСК-анализа изображений. Проводится сравнение достоверности решения поставленной задачи этими методами. Рассматриваются возможности исследования объекта моделирования путем исследования его модели в АСК-анализе изображений. Приводится численный пример и подробная инструкция действий пользователя в системе «Эйдос», что обеспечивает возможность применения данной работу в учебных целях
Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ФОРМАЛИЗУЕМАЯ КОГНИТИВНАЯ КОНЦЕПЦИЯ, АСК-АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС»
http://dx.doi.org/10.21515/1990-4665-173-009
UDC 004.8
05.13.10 - Management in social and economic systems (technical sciences)
COMPARISON OF THE RELIABILITY OF SOLVING THE PROBLEM OF IDENTIFYING IMAGES OF AMERICAN SIGN LANGUAGE IN PIXEL AND CONTOUR AUTOMATED SYSTEM-COGNITIVE ANALYSIS
Lutsenko Evgeny Veniaminovich
Doctor of Economics, Cand.Tech.Sci., Professor
Web of Science ResearcherlD S-8667-2018
Scopus Author ID: 57188763047
RSCI SPIN code: 9523-7101
prof. lutsenko@gmail.com http://lc.kubagro.ru
https://www.researchgate.net/profile/Eugene Lutsenko
Kuban State Agrarian University named after I.T. Trubilin, Krasnodar, Russia
The article solves the problem of identifying images of the American sign language. Images from the Kaggle portal are used as source data. To solve this problem, we have used the automated system-cognitive analysis (ASC-analysis) and its software tools - the intelligent system called "Eidos". In ASC-analysis, there are several options for image processing: by pixels, contours and spectra. These image processing options differ in the sources of information about the image and have different effectiveness in solving various tasks, depending on their specifics. Since monochrome gesture images are presented on the Kaggle portal, we cannot use spectral ASC-analysis. Therefore, the task can be solved using only pixel and contour ASC-analysis of images. We have also carried out a comparison of the reliability of solving the problem by these methods. The article considers possibilities of studying the object of modeling by studying its model in the ASC-analysis of images. A numerical example and detailed instructions for user actions in the Eidos system are given, which makes it possible to use this work for educational purposes
Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, FORMALIZED COGNITIVE CONCEPT, ASC-ANALYSIS, INTELLECTUAL SYSTEM "EIDOS", TOOLS OF COGNITION, BASIC COGNITIVE OPERATIONS
СОДЕРЖАНИЕ
ВВЕДЕНИЕ...................................................................................................................................................2
1. МЕТОД И ИНСТРУМЕНТАРИЙ РЕШЕНИЯ ЗАДАЧИ........................................................................3
2. РЕЗУЛЬТАТЫ РЕШЕНИЯ ЗАДАЧИ.....................................................................................................3
2.2. Пиксельный АСК-анализ изображений американского языка жестов.................................3
2.2.1. Исходные данные и их предварительная подготовка для ввода в систему «Эйдос»............3
2.2.2. Когнитивная структуризация предметной области...............................................................4
2.2.3. Формализация предметной области...........................................................................................4
2.2.4. Синтез моделей...............................................................................................................................7
2.2.5. Верификация моделей.....................................................................................................................9
2.2.6. Информационные портреты обобщенных образов классов изображений американского языка жестов...........................................................................................................................................11
2.2.7. Решение задачи идентификации конкретных изображений американского языка жестов с обобщенными образами классов изображений ................................................................................... 14
2.2.8. Решение задачи сравнения обобщенных образов классов изображений американского языка жестов друг с другом .................................................................................................................. 17
2.3. Контурный АСК-анализ изображений американского языка жестов.................................20
2.3.1. Исходные данные и их предварительная подготовка для ввода в систему «Эйдос»..........20
2.3.2. Когнитивная структуризация предметной области.............................................................21
2.3.3. Формализация предметной области.........................................................................................21
2.3.4. Синтез моделей.............................................................................................................................27
2.3.5. Верификация моделей...................................................................................................................29
2.3.6. Информационные портреты обобщенных образов классов изображений американского языка жестов........................................................................................................................................... 31
2.3.7. Решение задачи идентификации конкретных изображений американского языка жестов с обобщенными образами классов изображений ................................................................................... 35
2.3.8. Решение задачи сравнения обобщенных образов классов изображений американского языка жестов друг с другом .................................................................................................................. 38
4. ОБСУЖДЕНИЕ. СРАВНЕНИЕ ДОСТОВЕРНОСТИ ИДЕНТИФИКАЦИИ ИЗОБРАЖЕНИЙ АМЕРИКАНСКОГО ЯЗЫКА ЖЕСТОВ В ПИКСЕЛЬНОМ И КОНТУРНОМ АСК-АНАЛИЗЕ..........40
ВЫВОДЫ....................................................................................................................................................41
ЛИТЕРАТУРА.............................................................................................................................................41
Введение
В данной работе решается задача идентификации изображений американского языка жестов. В качестве исходных данных используются изображения с портала Kaggle: https://www.kaggle.com.
Для решения этой задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос».
В АСК-анализе есть несколько вариантов обработки изображений: по пикселям, контурам и спектрам. Эти варианты обработки изображений отличаются источниками информации об изображении и имеют различную эффективность при решении различных задач, в зависимости от их специфики.
Поскольку на портале Kaggle представлены монохромные изображения жестов, то спектральный АСК-анализ изображений не
используется. Поэтому поставленная задача решается с применением только пиксельного и контурного АСК-анализа изображений.
Проводится сравнение достоверности решения поставленной задачи этими методами. Рассматриваются возможности исследования объекта моделирования путем исследования его модели в АСК-анализе изображений.
Приводится численный пример и подробная инструкция действий пользователя в системе «Эйдос», что обеспечивает возможность применения данной работу в учебных целях.
1. Метод и инструментарий решения задачи
Для решения поставленной в данной работе задачи применен автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальную систему «Эйдос» [1].
2. Результаты решения задачи
Далее рассмотрим решение задачи идентификации изображений американского языка жестов в пиксельном и контурном АСК-анализе, а затем и сравним достоверность идентификации в этих подходах.
2.2. Пиксельный АСК-анализ изображений американского языка жестов
2.2.1. Исходные данные и их предварительная подготовка для ввода в систему «Эйдос»
Для ввода исходных данных по задаче в систему «Эйдос» проводим следующие действия:
1. Скачивание архива изображений с портала Kaggle: https://www.kaggle.com/shreyashgupta88/american-sign-language-thresholded/download
2. Переименование изображений внутри папок с помощью ACD See. Сначала наименование класса, потом тире и номер изображения в классе.
В дальнейших расчетах, приведенных в численном примере, мы используем не все изображения с портала Kaggle^ лишь по 9 изображений каждого жеста из примерно 1000, а самих жестов 26: с нулевого по 25-й. Таким образом, в численном примере мы используем лишь 234 изображения из 26207. Это сделано для ускорения расчетов.
Отметим, что возможности системы «Эйдос» обычно обеспечивают и обработку всех изображений. Правда это зависит не только от количества, но и от размерности изображений, в каждом конкретном случае это надо еще проверять. Иногда для ускорения расчетов и обеспечения возможности обработки большего количества изображений имеет смысл уменьшить их размерность, например до 100 пикселей по ширине.
В списке литературы приведены работы автора по применению АСК-анализа и системы «Эйдос» для интеллектуальной обработки
изображений [1]. Смысл тех или иных используемых режимов системы «Эйдос» подробнее описан в работе [1].
2.2.2. Когнитивная структуризация предметной области
В качестве признаков изображений будем рассматривать пиксели изображений, а в качестве классов - жесты.
2.2.3. Формализация предметной области
Для выполнения этого этапа АСК-анализа запускаем режим 4.7 системы «Эйдос» и кликам по кнопке: «По пикселям».
Тогда на экране появятся экранные формы, приведенные на рисунках 4-
Рисунок 1. Экранная форма выбора типа АСК-анализа изображений
4.7 (4.81 АСК-анализ изображений по всем их пикселям
I |=: III |—Е&-.П
1. Задание параметров и генерация изображений символов, просмотр таблицы шрифта. В результате в папке:
С:\1 ^Ю05-Х^Ю_0АТАММР_0АТА\создаются папки с Ьтр-Файлами изображений символов заданных шрифтов и размеров. Поэтому перед запуском этого режима необходимо удалить содержимое папки: С: VI \AIDD5-X\AID_DATA\INP_DATA\.
2. Оцифровка изображений по всем их пикселям: 2.3.2.4. Изображения берутся из папки:С:\1 \AIDOS-X\AID_DATA\INP_DATA\
После этого возникает новое приложение, название которого можно поменять в режиме 1.3.
4. Просмотр классификационных и описательных шкал и градаций и обучающей выборки: 2.1,2.2,2.3.1, 2.4
5. Синтез и верификация системно-когнитивных моделей изображений: З.4., 3.5,4.1.3.6.
7. Просмотр и запись информационных портретов классов - обобщенных изображений символов.
1. Задание параметров и генерация изображений символов.просмотр таблицы шрифта
5. Синтез и верификация системно-когнитивных моделей изображений: 3.4,3.5,4.1.3.6.
Рисунок 2. Экранная форма выбора задания оцифровки изображений по пикселям
8.
Оцифровка изображений
[НI
Как проводить оцифровку изображений:
С* !по всем пикселям Г" по внешним контурам С по внешним и внутренним контурам С геокогнитивная подсистема
□ к
Cancel
Пояснение
Рисунок 3. Экранная форма выбора создания обучающей или тестовой выборки
Ç) АС К-а на доз изображенлл по спектру
I ° Ш i^-i
1. Пересоздать (стереть) БД для изображений: "I^age. Dbf"
2. Загрузить изображения из:" C:\l\AIDQi-X\AID_DATA\Inp_data\ в БД "11г:аде. С^ЬТ"
î. Просмотреть изображения, сохраненные в БД "linage. Dbf"
4. Создать БД: "1пр_с1а1а. dЬf" для программного интерфейса: 2.3.2.3.
Dk
Cancel
Рисунок 4. Экранная форма с последовательностью операций
Операции, приведенные на экранной форме рисунка 7, выполняются последовательно, но при этом 3-ю операцию выполнять не обязательно.
Рисунок 5. Экранная форма выбора типа АСК-анализа изображений
Рисунок 6. Экранная форма программного интерфейса 2.3.2.3, используемого для ввода изображений в систему «Эйдос»
В результате работы приведенных режимов сформированы следующие классификационные и описательные шкалы и градации (рисунки 10, 11), а также обучающая выборка (рисунок 12).
<*) 2.1. Классификационные шкалы и градации. Текущая модель: 'ТРМР!" - - -- ' _ 1 = | И 1—
-
юн -
щ
в
,0/2 -109,
127; -.11.
■мш
1 7/2 «К
18/2 -.17.
=0/2
-.21.
а® шт-
, 1 «1
Рисунок 7. Классификационные шкалы и градации (полностью)
2.2. Описательные шиль и градации. Текущая модель: -ЦП [■- - ЦаЬ ЕЯ
и* 119.1 1/1-165799 9990000 1 677721 5.00000001
з р„ 1,12.
в р„ „В.
р. 1,21.
3 р. 1,2..
р. 129.
3 р. „В..
В р. 1,71.
р. 1,79.
3 р. ,7В.
21 р. ,79.
22 р„ ,92.
25 р. ,99.
27 р. ,92.
г,--| ----I л«™™— I -----1 ---- --------1 п.„,„_| | г„......._____ |
Рисунок 8. Описательные шкалы и градации (фрагмент)
Рисунок 9. Обучающая выборка (фрагмент)
На экранной форме рисунка 12 мы видим три окна, одно вверху и два внизу.
В верхнем окне приведены наименования объектов обучающей выборки (в нашем случае это изображения). Файлы изображений могут быть в своих поддиректориях, а могут быть просто в папке исходных данных, например: c:\1\Aidos-X\AID_DATA\Inp_data\.
В левом нижнем окне для каждого объекта обучающей выборки приведены коды классов, к которым относится это изображение. Коды и наименования классов приведены на рисунке 10 (классы - это градации классификационных шкал).
В правом нижнем окне для каждого объекта приведены коды признаков, к которым относится это наименования признаков приведены на рисунке градации описательных шкал).
2.2.4. Синтез моделей
Синтез и верификация моделей осуществляется в режиме 3.5
обучающей выборки изображение. Коды и 11 (признаки - это
Рисунок 10. Экранная форма задания параметров синтеза и верификации моделей
3.5. Синтез и верификация моделей
—Стации Шаг 1-( Ш аг 2-i
процесса—
13 11: Копирование обучающей выборки в распознаваемую - Готово 13 11: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11: Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11: Синтез системно-когнитивных моделей: INF1-INF7 - Готово
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛН ЕНИЕ:-
Шаг 5-й из 11: Задание модели "INF7" в качестве текущей - Готово Шаг 6-й из 11: Пакетное распознавание в модели "INF7" - Готово
Шаг 7-й из 11: Измерение достоверности модели: "Inf7" - Интегральный критерий: "Сумма зн
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-
Шаг 8-й из 11: Объединение БД DostRsp# в БД DostRasp - Готово
Шаг 9-й из 11: Печать сводной формы по результатам верификации моделей - Готово Шаг 10-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Гот< Шаг 1из 11: "Присвоение заданной модели: Infi статуса текущей" - Готово
Синтез и верификация статистичес — —......— пи.И...... ^„„„„„й упШ.,«ШШ И!
Начало: 20:02:52 Окончание: 20:08:28
1002£ ■ 11
Прошло: 0:05:35 □ сталось: 0:00:00
Рисунок 11. Экранная форма стадии синтеза и верификации моделей
В результате выполнения данного режима созданы следующие модели (рисунки 15-18):
ф 5.5. Модель: "1. ABS - частный критерий: количество встреч сочетаний: "Класс-признак" у объектов обуч^выборки" • ^-1 -
{00} {01} {02} ЮЗ) т I 1 ы 5S- цш ЕШ^И i -
886 2 i t ! 2 —
Р1ХЕЦ136,81-1 /1 -{65783.0000000.16777215.0000000} 2 2 1 4 2
PIXEL.fi 37,8)-1 /1 -{65783.0000000.16777215.0000000} 4 5 5 3
888 Р1ХЕЦ138,8}-1 Л -{65783.0000000.16777215.0000000} S 1 2
Р1ХЕЦ138,8}-1 Л -{65783.0000000.16777215.0000000} 6 6 5 1
Р1ХЕЦ140,8}-1 Л -{65783.0000000.16777215.0000000} 4 4 7 2
Р1ХЕЦ141.8}-1 Л -{65783.0000000.16777215.0000000} e 3 3 5 3
Р1ХЕЦ142.8)-1 Л -{65783.0000000.16777215.0000000} 8 5 3 3 4
7 2 2 3 5 5
Р1ХЕЦ144,81-1 Л-{65783.0000000.16777215.0000000} 9 2 5 5 -
Р1ХЕЦ145.9)1 Л -{65793.0000000.16777215.0000000} e 1 2 4 5 2 -
Р1ХЕЦ146.8}-1 Л -{65783.0000000.16777215.0000000} г 6 5 1
9 1 2 5 2
Р1ХЕЦ148,8}-1 Л-{65783.0000000.16777215.0000000} г 1 4 5
800 Р1ХЕЦ148,8}-1 Л -{65783.0000000.16777215.0000000} 6 2 5 1
801 Р1ХЕЦ150.8}-1 Л -{65783.0000000.16777215.0000000} б 1 е 4 5 1
3 1 4 б 2
PiXE Ц152,8)-1 Л-{65783.0000000.16777215!0000000} г 6 2 б 2
804 PIXEL 2 б 7 2
PIXEL 2 5 3
806 PIXEL 1 4 б 2
PIXEL 5
PIXEL 5
эоэ Р1ХЕЦ158,8}-1 Л -{65783. ОС
<1 Г=
---N
Рисунок 12. Статистическая модель ABS (фрагмент)
Рисунок 13. Статистическая модель PRC2 (фрагмент)
Рисунок 14. Системно-когнитивная модель INFI (фрагмент)
1- —1
{01} (02) 4/26 5/26 6/26 7/26 8/26 8/26 КЛАСС КЛАСС {03} {04} {05} {06} {07} {08} 10/26 11/26 {08} {10} -
j^H Р1ХЕЦ134.8)-1 Л -{65783.0000000.16777215.0000000} -2.680 0.909 3.785 -0.577 2.719 1.446 -2.037 -1.892 -2.043 1.205 -1
886 Р1ХЕЦ135.81-1 Л -{65783.0000000.16777215.0000000} -2.055 0.397 -0.698 -0.209 -1.515 -0.958 -1.562 -1.450 -1.566 -0.909 -1
Р1ХЕЦ136,8)-1 Л -{65783.0000000.16777215.0000000} -2.010 0.431 0.339 -0.182 1.539 2.084 -1.528 -1.419 -1.532 -0.846 -1
Р1ХЕЦ137,Э)-1 Л -{65783.0000000.16777215.0000000} -2.055 2.397 3.302 3.791 0.485 -0.958 -1.562 -1.450 -1.566 -2.909 -1
888 Р1ХЕЦ138,81-1 Л-{65783.0000000.16777215.0000000} -2.368 3.153 -1.957 -0.393 -2.898 0.744 -1.800 -1.671 -1.804 -1.352
880 Р1ХЕЦ138,81-1 Л -{65783.0000000.16777215.0000000} -2.234 4.257 4.154 3.686 -1.734 -1.128 -1.698 -1.576 -1.702 -3.162
881 Р1ХЕЦ140,81-1 Л-{65783.0000000.16777215.0000000} -2.636 1.943 1.822 5.450 -3.226 -2.511 -2.003 -1.860 -2.009 -1.732
882 Р1ХЕЦ141,81-1Л -{65783.0000000.16777215.0000000} -2.814 5.804 -2.326 1.345 -0.445 2.318 -2.139 -1.986 -2.145 -0.985 -1
883 Р1ХЕЦ142,81-1 Л-{65783.0000000.16777215.0000000} -2.904 5.734 2.600 1.292 -0.554 1.233 -2.207 -2.049 -2.213 -4.111 -2
884 Р1ХЕЦ143,81-1 Л -{65783.0000000.16777215.0000000} -2.680 4.909 -0.215 0.423 -0.281 2.446 -2.037 -1.892 -2.043 1.205 -1
885 Р1ХЕЦ144,81-1 Л-{65783.0000000.16777215.0000000} -2.725 6.874 -0.252 3.397 -3.336 2.403 -2.071 -1.923 -2.077 -3.858 -
886 Р1ХЕЦ145,81-1 Л -{65783.0000000.16777215.0000000} -2.368 6.153 -0.957 0.607 1.102 2.744 -1.800 -1.671 -1.804 -1.352
887 Р1ХЕЦ146,81-1 Л-{65783.0000000.16777215.0000000} -2.502 6.048 -2.067 4.529 -3.062 2.616 -1.901 -1.765 -1.906 -2.542
888 Р1ХЕЦ147,81-1 Л -{65783.0000000.16777215.0000000} -2.234 7.257 -0.846 0.686 -2.734 2.872 -1.698 -1.576 -1.702 -1.162
888 Р1ХЕЦ148,81-1 Л-{65783.0000000.16777215.0000000} -1.742 6.641 -0.440 2.975 -2.133 3.340 -1.324 -1.230 -1.328 -2.467
800 Р1ХЕЦ148,81-1 Л -{65783.0000000.16777215.0000000} -2.100 4.362 -1.735 0.765 -2.570 2.999 -1.596 -1.482 -1.600 -1.973
801 Р1ХЕЦ150,81-1 Л-{65783.0000000.16777215.0000000} -2.278 4.222 -0.883 6.660 1.211 2.829 -1.732 -1.608 -1.736 -2.226
802 Р1ХЕЦ151,81-1Л -{65783.0000000.16777215.0000000} -1.966 1.466 -0.624 2.844 -2.406 4.127 -1.494 -1.387 -1.498 -0.783 -1
803 PIXE Ц152,81-1 Л-{65783.0000000.16777215.0000000} -2.234 6.257 -1.846 4.686 -0.734 3.872 -1.698 -1.576 -1.702 -1.162
804 Р1ХЕЦ153,81-1 Л -{65783.0000000.16777215.0000000} -1.742 0.641 -1.440 4.975 -2.133 5.340 -1.324 -1.230 -1.328 -0.467 -1
805 Р1ХЕЦ154,81-1 Л-{65783.0000000.16777215.0000000} -1.385 -1.081 -1.144 1.185 -1.695 3.680 -1.053 -0.977 -1.055 1.039 -0
806 Р1ХЕЦ155.81-1 Л -{65783.0000000.16777215.0000000} -1.563 -1.220 -0.292 3.080 -1.914 4.510 -1.188 -1.103 -1.191 -0.214 -1
807 Р1ХЕЦ156,81-1 Л-{65783.0000000.16777215.0000000} -1.519 0.815 -1.255 5.107 -1.859 3.553 -1.154 -1.072 -1.157 -0.150
808 Р1ХЕЦ157,81-1 Л -{65783.0000000.16777215.0000000} -1.519 1.815 -0.255 1.107 -1.859 3.553 -1.154 -1.072 -1.157 0.850 -1
ЭОЭ Р1ХЕЦ158,81-1 Л -{65783.0000000.16777215.0000000} -1.072 1.163 -0.886 1.369 -1.312 -1.022 -0.815 -0.757 -0.817 2.482 -0
<1 1 и
[1-N
Рисунок 15. Системно-когнитивная модель INF3 (фрагмент)
2.2.5. Верификация моделей
На рисунках 19-21 приведены некоторые экранные формы режима 3.4 системы «Эйдос», предназначенного для исследования достоверности моделей:
с) 3.4. Обобщ.форма по достов.моделей при разн.инт.крит. Текущая модель: INFI" — 1=1® |
=Л]|
Наименование модели Интегральный критерий L1 -мера Е.В.Луценко йЕЕ Средний модуль Средний модуль Средний модуль А-Точность А-Полнота истино-отрицат. ложно-положит. ложно-отрицат APiecision ARecall решений решений решений =АТР/(АТР... =АТР/(АТР... Ь2-мера Е.В.Луценко ±1
1. ABS • частный критерий: количество встреч сочетаний: "клас... Корреляция абс.частот с обр.... о.оез 1.000 0.949 0.093 0.480 0.664 1.000 0.798
1. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 0.057 1.000 0.107 0.575 0.383 0.600 1.000 0.750
2. PRC1 - частный критерий: усл. вероятность ¡-го признака сред... Корреляция усл. отн. частот со... 0.083 1.000 0.153 0.949 0.093 0.480 0.664 1.000 0.798
2. PRC1 ■ частный критерий: усл. вероятность i-ro признака сред... Сумма усл.отн.частот по приз... 0.056 1.000 0.106 0.924 0.625 0.597 1.000 0.747
3. PRC2 • частный критерий: условная вероятность i-ro признака... Корреляция усл. отн. частот со... 0.083 1.000 0.153 0.949 0.093 0.481 0.664 1.000 0.798
3. PRC2 - частный критерий: условная вероятность i-ro признака... Сумма усл.отн.частот по приз... 0.057 1.000 0.107 0.575 0.383 0.600 1.000 0.750
4. INFI - частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... 2.726 0.225 0.982 0.367 0.675 0.289 0.221 0.227 0.753 0.748 0.751
4. INF1 • частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 0.153 1.000 0.265 0.440 0.084 0.132 0.769 1.000 0.869
5. INF2 • частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 0.560 0.150 0.993 (К 260 0.357 0.068 0.117 0.080 0.753 0.817 0.784
6 INF3 - частный критерий: Хи-квадрат, разности между Фактич... 6. INF3 - частный критерий: Хи-кваарат, разности между Фактич... 7. INF4 - частный критерий: R0I (Return On Investment); вероятно... Семантический резонанс зна... Сумма знаний Семантический резонанс зна... о- 0.184 0.998 Е 0.556 0.240 0.187 0,27 0.748 0.953 0.838
Сумма знаний 2.422 г ¿Щ г im Е 0.374 шмя 0.178 0.202 м 1.000 0.755 —
9. INF6 ■ частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 1.365 0.155 0.991 о!2« 0.693 0.242 0.303 0.171 0.695 0.802 0Л45
9. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний 0.111 0.090 0.999 0.166 0.526 0.079 0.244 0.016 0.683 0.971 0.802
10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; ве... Семантический резонанс зна... 0.147 0.195 0.999 0.327 0.809 0.226 0.247 0.074 0.766 0.917 0.835
10.INF7 • мастный критерий: разн.усл.и безусл.вероятностей; ве... Сумма знаний 0.031 0.102 1.000 0.185 0.419 0.032 0.164 0.031 0.719 0.931 0.S11
Помощь по мерам достоверности I Помощь по частотным распределениям I TP,TN,
FP,Fn| (TP-FP), (TN-FN) 1 [T-F]/(T+F)"I00 1 Задать интервал сглаживания I
__ -H
Рисунок 16. Экранная форма режима 3.4 исследования достоверности моделей
(*) Помощь по режимам: 3.4, 4,1.3,®: Виды прогнозов и. меры достоверности моделей в системе "Эйдос-Х+ +
Помощь по режимам: 3.4. 4.1.3!6. 4.1.3.7,4.1.3.8, 4.1.3.10: Виды прогнозов и меры достоверности моделей в системе "Эйдос-Х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Предположим, модель дает такой прогноз, что выпадет все: и 1, и 2, и 3, и 4, и 5, и 8. Понятно, что из всего этого выпадет лишь что-то одно. В этом случае модель не предскажет, что не выпадет, но зато она обязательно предскажет, что выпадет. Однако при этом очень много объектов будет отнесено к классам, к которым они не относятся. Тогда вероятность истинно-положительных решений у модели будет 1/6. а вероятность ложно-положительных решений - 5/6. Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что ничего не выпадет, т.е. не выпадет ни 1, ни 2, ни 3, ни 4, ни 5, ни 6, но что-то из этого; естественно, обязательно выпадет. Конечно, модель не предсказала, что выпадет, зато она очень хорошо предсказала, что не выпадет. Вероятность истинно-отрицательных решений у модели будет 5/6, а вероятность ложно-отрицательных решений -1 /Б. Такой прогноз гораздо достовернее, чем положительный псевдопрогноз, но тоже бесполезен. ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2,3,4,5, и 6, то это идеальный прогноз, имеющий,
если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта
прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и. соответственно, не выпадет 3,4,5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью. Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
Таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Этот критерий предложен и реализован в системе 'Зйдос" проф. Е.В.Луценко в 1994 году. Эта мера достоверности модели предполагает два варианта нормировки: {-Т. +1} и {0.1}: La = ( ТР + TN - FP - FN •!)./( ТР + TN + FP + FN ) (нормировка: {-1,+1}) Lb = ( 1 4(TP + TN-FP-FN )/(TP + TN+FP + FN]]/2 (нормировка: {0,1})
где количество: ТР - истинно-положительных решений; TN - истинно-отрицательных решений: FP - ложно-положительных решений; FN - ложно-отрицательных решений;
Классическая F-мера достоверности моделей Ван Ризбергена (колонка выделена ярко-голубым фоном): F-meia = 2"(Precision*Recall)/(Precision+R ecall) - достоверность модели Précision = TP/(TP+FP) - точность модели; Recall = TP/(TP+FN] - полнота модели;
L1 -мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СУММ уровней сходства (колонка вьделена ярко-зеленым фоном): L1-meia = 2*(S Precision'S R ecall]/(S Precision+SR ecall) SPiecision = S T P/(S T P+S FP] - точность сучетом Сумм уровней сходства; S Recall = STP/(STP+SFN) - полнота с учетом сумм уровней сходства;
STP - Сумма модулей сходства истинно-положительных решений; STN - Сумма модулей сходства истинно-отрицательных решений; SFP - Сумма модулей сходства ложно-положительных решений; 5FN - Сумма модулей сходства ложно-отрицательных решений.
Ь2-мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СРЕДНИХ уровней сходства (колонка выделена желтым фоном): L2-meia = 2*(APiecision"ARecall]/(APrecision+AR ecall) A Précis ion = ATP/(ATP+AFP] - точностью учетом средних уровней сходства; AR ecall = ATP/(ATP+AFN) - полнота с учетом средних уровней сходства;
ATP=STP/TP - Среднее модулей сходства истинно-положительных решений; AFN=SFN/FN - Среднее модулей сходства истинно-отрицательных решений; AFP=SFP/FP - Среднее модулей сходства ложно-положительных решений; AFN=SFN/FN - Среднее модулей сходства ложно-отрицательных решений.
Строки с максимальными значениями F-меры, L1 -меры и l-2-меры выделены Фоном цвета, соответствующего колонке.
Из графиков частотных распределений истинно-положительных, истинно-отрицательных, ложно-положительных и ложно-отрицательных решений видно, что чем выше модуль уровня сходства, тем больше доля истинных решений. Это значит, что модуль уровня сходства является адекватной мерой степени истинности решения и степени уверенности системы в этом решении. Поэтому система 'Эйдос" имеет адекватный критерий достоверности собственных решений, с помощью которого она может отфильтровать заведомо ложные решения.
Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе 'Эйдос" /Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс). - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. - IDA [article ID): 1261702001. - Режим доступа: hltp://ej. kubagro.ru/2017/02/pdf/01.pdf, 2 у. п. л,
Рисунок 17. Help режима 3.4 исследования достоверности моделей
1 о I В |ЫЗщ,]
Рисунок 18. Частотные распределения числа истинных и ложных, положительных и отрицательных решений в зависимости от уровня сходства (3.4)
Из этих рисунков мы видим, что:
1) достоверность наиболее достоверной системно-когнитивной модели (СК-модели) ШБ4 с интегральным критерием «Сумма знаний» по критерию Ь2 [1] равна 0,885 (при максимуме 1,000), что неплохо для данной задачи;
2) достоверность других СК-моделей тоже довольно высокая, например, для модели ЮТ1 с интегральным критерием «Сумма знаний» Ь2=0.869;
3) истинных отрицательных решений при всех уровнях сходства всегда значительно больше, чем ложных;
4) для положительных решений картина более сложная и существенно зависит от уровня сходства (рассмотрим ее на примере СК-модели ЮТ1 с интегральным критерием «Резонанс знаний»):
- при уровнях сходства: 0% - 40%, встречаются практически только ложно-положительные решения;
- при уровнях сходства: 0% - 70%, встречаются и ложно-положительные и истинно-положительные решения, но ложных больше;
- при уровнях сходства: 70% - 80%, встречаются и ложно-положительные и истинно-положительные решения, но истинных больше;
- при уровнях сходства: 80% - 100%, встречаются только истинно-положительные решения.
5) доля истинных решений пропорциональна уровню сходства. Это значит, что уровень сходства (интегральный критерий) является адекватной мерой степени истинности решения. Таким образом, система «Эйдос» не только решает задачи идентификации, прогнозирования, принятия решений и исследования объекта моделирования путем исследования его модели, но и адекватно оценивает степень истинности решения этих задач. В частности, в системе «Эйдос» есть адекватный внутренний критерий оценки степени достоверности решения задачи идентификации. В данной конкретной задаче в СК-модели INF1 с интегральным критерием «Резонанс знаний» не следует обращать внимания на результаты идентификации с уровнями сходства ниже 70%, т.к. они являются недостоверными, при уровнях сходства 70% - 80% будет больше истинных решений, но могут быть и ошибочные, а при уровнях сходства выше 80% результатам идентификации можно полностью доверять, т.к. ложных решений с такими уровнями сходства вообще не встречается.
2.2.6. Информационные портреты обобщенных образов классов изображений американского языка жестов
Пиксельным информационным портретом обобщенного образа класса изображений в определенной СК-модели является такое изображение, в котором цвет пикселя соответствует количеству информации, содержащемуся в этом пикселе о принадлежности или непринадлежности изображения с этим пикселем к данному классу.
Для визуализации пиксельных информационных портретов обобщенных образов классов изображений необходимо запустить режим 4.7, кликнуть на кнопке «По пикселям», выбрать: «По всем пикселям», выбрать режим «7. Просмотр и запись информационных портретов классов - обобщенных изображений», выбрать статистические и системно-когнитивные модели для визуализации информационных портретов. После этого начинается сам процесс визуализации. Переход на визуализацию следующего портрета происходит по нажатию клавиши Esc.
Результаты визуализации записываются в виде графических файлов в папку внутри папки приложения. Информация о пути на нее по реальному расположению систему сообщается пользователю.
Результаты визуализации пиксельных информационных портретов обобщенных образов классов изображений американского языка жестов в СК-модели INF3 приведены на рисунках 22.
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [25)-' КГАСС-2»2в-(24) В МОДЕЛИ: 1nf3 ' Стиль: "Контур" Стиль: "Витраж"
Рисунок 19. Пиксельные информационные портреты обобщенных образов классов изображений американского языка жестов в СК-модели ШЕЗ1
Из приведенных информационных портретов (справа) наглядно видно, что разные пиксели играют разную роль при идентификации изображений американского языка: чем сильнее отличается условная вероятность встречи пикселя в классе от безусловной вероятности его встречи по всем изображениям, тем более ценным является данный пиксель для идентификации конкретных изображений с данным классом.
Чем важнее пиксель для идентификации - тем его цвет ближе к красному (характерные для класса пиксели).
Чем важнее пиксель для неидентификации - тем его цвет ближе к синему (нехарактерные для класса пиксели).
Пиксели цвета фона не несут никакой информации о том, к какому классу относится изображение с данным пикселем, т.е. несет ноль бит информации или не несет никакой информации ни о принадлежности, не о непринадлежности конкретного изображения к классу.
Слева мы видим черным цветом все пиксели, несущие больше нуля информации о принадлежности к данному классу.
2.2.7. Решение задачи идентификации конкретных изображений американского языка жестов с обобщенными образами классов изображений
Результаты идентификации изображений обучающей выборки мы видим в 11 выходных формах режима 4.1.3 (рисунок 23).
Но мы из-за ограничений на объем данной работы рассмотрим только выходные формы 4.1.3.1 (рисунок 26) и 4.1.3.2 (рисунок 27).
Для получения этих выходных форм мы выполним сначала режим 5.6 и зададим в нем в качестве текущей модели СК-модель INF3 (рисунок 24).
Затем выполним идентификацию в режиме 4.1.2 на графическом процессоре (GPU) (рисунок 25).
1 Ранее, здесь и далее при увеличении масштаба просмотра изображений они вполне читабельны http://ei.kubagro.ru/2021/09/pdf/09.pdf
к
X
г
ч а ч г п о с и ч а
U
о
Э1
о и
Cl
u 2 CÜ
4.1.3.11. Подробно наглядно: "Объект - классы"
4.1.3.2. Подробно наглядно: "Класс - объекты"
4.1.3.3. Итоги н аглядн о: "О бъект - кл асс"
4.1.3.4. Итоги н агля дн о: "Кл асс - объект"
4.1.3.5. П одробн о сжато: "О бъекты - кл ассы"
4.1.3.6. О&о&щ.форма по достов. моделей при разных интегральных крит.
4.1.3.7. Обобщ.стат.анализ результатов идент. по моделям и инткрит. 4.1.3.3. Стат.анализ результ. идент. по классам, моделям и инткрит
4.1.3.9. Достоверность идент объектов при разных моделях и инткрит
4.1.3.10.Достоверность идент.классов при разных моделях и инткрит
4.1.3.11.Объединение в одной БД строк по самым достоверным моделям
Рисунок 20. Выходные формы по результатам идентификации
Задайте текущую стат. модель или модель знаний Статистические базы:
С 1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки Г" 2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса С 3. PRC2 ■ частный критерий: условная вероятность i-го признака у объектов ¡-го класса Системно-когнитивные модели (Базы знаний):
с 4. IN Fl ■ частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 Р 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
(* |6. INF3 ■ частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами С 7. INF4 - частный критерий: ROI (Return.On Investment); вероятности из PRC1 С 8. INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2 С Э. INF6 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1 С 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Как
задавать параметры синтеза моделей
Б качестве текущей можно задать любую из ранее расчитанных в режимах 3.1,3.2, 3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INFI. Смысл моделей знаний, применяемых в системе 'Эйдос-Х++" раскрыт в публикациях, размещенных по адресам: http:/Ас.kubagro.ru/aidos/index. htm, http://www.twirpx.com/file/793311/
Gk Cancel
5.6, Выбрать модель и сделать ее текущей [ a ;|wts]
Стадии исполнения процесса-
ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕЛИ "INF3" СТАТУСА ТЕКУЩЕЙ МОДЕЛИ:
1/7: Копирование в массивы итоговых строки столбцов текущей модели- Готово
2/7: Перенос информации из текущей модели в базы классов: Classes и Gr_CISc- Готово
3/7: Перенос информации из текущей модели в базы признаков: Attributes и Gr_OpSc- Готово
4/7: Расчет значимости класс, и о пи с. ш кал-Обр ос сумматоров - Готово
5/7: Расчет значимости класси о пи с. ш кал-Накопление данных- Готово
6/7: Расчет значимости класс.и опис.шкал-Дорасчет - Готово
7/7: Запись информации о текущей модели- Готово
Выбор модели знаний "1ЫРЗМ в качестве текущей прошел успешно!!!
Прогноз времени исполнения
Начало: 20:55:57 Окончание: 20:56:07
Прошло: 0:00:09 Осталось: 0:00:00
Рисунок 21. Выходные формы по результатам идентификации
Рисунок 22. Выходные формы по результатам идентификации
[ 4.1.3.1. Визуализация результатов распознавания в с яноше »:"0бъект-к иссь Г. Текущая модель: "1№3"
Распознаваемые объекты Интегральный критер ий сходства: "Семантический резонанс знаний"
1С СЛ1 ЧАЮ 05-ХУУ 0_0АТАЧ1 пр.йаЬаЧЛШ -0001 ;рд г и ■ | КЛАСС-3/26-Ю2} " 83,74... ................ 04.09.2021 20:57:59
11 СЛ1ЧАЮ 06-Х\А10_0АТАЧ1 пр_(Ь1аЧЛ01 -0002.1 рд_ 24 КЛАСС-24/'26-{23| 45.87... ......... 04.09.2021 20:57:59
12 C:\1V4D □б-Х'А! Р_РАТАЧ1 пр_(Йа\Л01 -0003.1 рд_ 9 КЛАСС-9/26-{08} 38.99... ....... 04.09.2021 20:57:59
13 СЛ1 ЧАЮ 05-Х\Д10_0АТАЧ1 пр_йа1аЧЛ01 -0004.1 и_ 21 КЛАСС-21 /26-{20) 34.65... МММ 04.09.2021 20:57:59 —
14 С: VI ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_йа1аЧЛ01 -0005.1 рд_ 13 КЛАСС-13/26-С12} 28.60... 04.09.2021 20:57:59
15 СЛ1 ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_йа(а \Л01 -0006.1 рд_ - 22 КЛАСС-22/26-{21} 29.21... ..... 04.09.2021 20:57:59
18 СЛ1 ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_йа(а \Л01 -0007.1 рд_ 1 КЛАСС-1 /26-ЮО} 22.66... мм 04.09.2021 20:57:59
17 СЛ1 ЧАЮ 05-Х\А10_0АТАЧ пр_<^аЧЛ01 -0008.1 рд_ 19 КЛАСС-18/26-{18} 17,90... 1 1 1 04.09.2021 20:57:59
18 СЛ1 ЧАЮ 05-Х\А10_0АТАЧ пр_<^аЧЛ01 -0009.1 рд_ 20 КЛАСС-20/26-{18} 16,85... 1111111111111111 04.09.2021 20:57:59
19 СЛ1 ЧАЮ 05-Х\А10_0АТАЧ пр_(1<*аЧЛ02-0001.1 ¡рд 11 КЛАСС-11/2В-С1 □> 12,26... МИШИН! 04.09.2021 20:57:59
20 С: VI ЧАЮ 05-Х\А10_0АТАЧ пр_<^аЧЛ02-0002.1 ¡рд 18 КЛАСС-18/26-{17) 10,90... мминн 04.09.2021 20:57:59
21 СЛ14АЮ 05-Х\А1 0_0АТАЧ пр_(^аЧЛ02-0003. РЯ 4 КЛАСС-4/26-{03} 9,094... пиши 04.09.2021 20:57:59
22 СЛ1ЧАЮ 06-Х\А10_0АТАЧ1 пр_(^аЧ.\02-0004. рд_ 12 КЛАСС-12/26-{11) 8,096... 11111111 04.09.2021 20:57:59
23 СЛ1ЧАЮ 05-Х"Л1 Р_РАТАЧ1 пр_(^аЧЛ02:0005. рд_ « ~ 1 1Г
24 СЛ1ЧАЮ 05-Х\А10_ЭАТАЧ1 г1р_ЦаЫ ЧЛ02-0006. РУ Интегральный критерий в- а: "Сумма знаний"
25 С: 41 ЧАЮ 05-Х\Д10_0АТАЧ1 пр_<^а4Л02-0007. рд мцетв
26 С: 41 ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_(^аЧЛ02-0008. рд_ ИДЯ Сходство 1»дв-" -
27 28 СЛ1 ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_<1айЧЛ02-ОООЭ. С: 41 ЧАЮ 05-Х\А10_0АТАУ пр_<^аЧЛОЗ-0001. рд_ рд 24 КЛАЬЬ-Л'Л-ШЛ КЛАСС-24/26-{23) 67.74... 25.80... — .................................................. 04.09.2021 04.09.2021 20:58:00 20:58:00
29 С: 41 ЧАЮ 05-Х\А10_0АТАЧ пр_<^аЧ.403-0002. рд._ 9 КЛАСС-9/26-{08} 25,58... ппниишиппнии 04.09.2021 20:58:00
30 СЛ1ЧАЮ 05-Х\А10_0АТАЧ пр.ййаЧЛОЗ-ОООЗ. рд_ 21 КЛАСС-21/2&{2.0) 23,01... ■ШИШ! 04.09.2021 20:58:00 —
31 С: 41 ЧАЮ 05-Х\А10_0АТАЧ пр_йа[а4.403-0004. рд 22 КЛАСС-22/'26-{21) 18,12... 11111111111 04.09.2021 20:58:00
32 СЛ1ЧАЮ 05-Х\А10_0АТАЧ пр_(^аЧ.403-0005. рд 13 КЛАСС-13/26-{12} 17.24... 11111111111 04.09.2021 20:58:00
33 СЛ1 ЧАЮ 06-Х\А10_0АТАЧ пр_<^аЧ.403-0006. рд 1 КЛАСС-1 яьт 13.17... 111111111111! 04:09.2021 20:58:00
34 СЛ1ЧА10 03-Х"Л10_0АТАЧ1 пр_(^аЧЛОЗ-0007. рд_ 20 КЛАСС-20/26-119} 9.930... 04X9.2021 20:58:00
35 СЛ1ЧАЮ 05-Х"Л1 Р_РАТА41 пр_<1<йаЧЛОЗ-0008. рд^ 19 КЛАСС-19/26-{18} 8.698... 04X9.2021 20:58:00
36 СЛ1 ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_йа1аЧЛОЗ-ОООа рд_ 11 КЛАСС-11/26-{10} 7.589... 04.09.2021 20:58:00
37 СЛ1 ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_(^аЬаЧЛ04-0001. РЕ[ 12 КЛАСС-12/26(11} 7,035... 04.09.2021 20:58:00
38 СЛ1 ЧАЮ 05-Х\А10_ЭАТАЧ1 пр_йа(аЧЛ04-0002. рд_ 18 КЛАСС-18/26-{17} 6,588... 04.09.2021 20:58:00
39 СЛ1 ЧАЮ 05-Х\А10_0АТАЧ1 пр_йа(аЧЛ04-0003. рд._ - 4 КЛАСС-4/28-ЮЗ} 5,453... 04.09.2021 20:58:00 -
4 г м
ь | 9 классов | Классы с) »1акМ1п УрСх 1 классов с МахМю УрСк ВСЕ классы ВКЛ. Ф1 1льтр по класс.шкал е | В ЫКЛ .фильтр по кла* ».шкале 1
В-.-.-1|
Рисунок 23. Пример выходной формы 4.1.3.1 по результатам идентификации
с) 4.1,3,2, Визуализация результатов распознавания в отношена: Класс-объекты .Текущая модель: 1№3"
Классы ■вв ритерий сходства: "Семантический резонанс знаиий-
КЛАСС-1/26-Ш 22 СЛт Р09-Х\А Р РАТАУпр сЫо\.\02-000ара 83.74... II 111!111 II1111111IIII1111111II1111111II1111111111,|!|,|]| II !>111>1111,|!|,11111111 04.09:2021 20 58:01
2 клАсс-г/ге-дао слт Р09-Х\Д Р_РАТАЧ пр_с«а\.\02-0с04. ¡рд 83,74... П НИМ II НИМ 1111 ШИН II НИМ ИНШИ Н11М1И1ШИИИ Н НИМИ 1Ш1 04.09.2021 20 58:01
4 КЛАСО-4/2&ЙЗ} 24 слт Р09-Х\Д Р_РАТАЧ г^а(а\Л02-0008. ¡рд 82,98... * 111111111И111111111111111111И1111111111111И11111111111111А 04.09.2021 20 58:01
е КЛАСС-6/26-да 25 СЛ1УА рог-хщ Р_РАТАУ г^а(а\Л02-0007. ¡рд 82,53... V «11111М11111Н 04.09.2021 20 58:01
7 КЛАСС-7/26-Ш 26 СЛ1\А Р09-Х\А ЕГРАТАЧ пр_сЫо\.\02-000а ¡рд 82.53... V «■||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| 04.09.2021 20 58:01
8 КЛАСС-8/26-{07} 27 слт РОЭ-ХЧА Р_РАТА\1 пр_(1аИ\:Ч)2-000а ¡рд 82,07... V |||||||||||||||||||||||||||||1||||||||||||||||||||||||||||||| 04.09.2021 20 58:01
9 КЛАСС-9/26-Ш9} 19 СЛт РОЗ-Х^А Р.РАТАЧ г^а1а\Л02-0001. ¡рд 30.50... V |||||||||||||||||||||||||||||| 04.09.2021 20 58:01
10 КЛАСС-10Л6-{09} слт рог-хад Р_РАТАЧ пр_йа(а\Л11 -0007. ¡рд 21,21... 04.09.2021 20 58:01
11 КЛАСС-Ш26-{10} слт Р09-Х\А Р_РАТАЧ пр_с«а\. VI1 -0009. ¡рд 21.21... ппиипншинн 04.09.2021 20 58:01
12 КЛАСС-12Ш11} слт РОБ-Х« Р_РАТАЧ пр_йа(а\Л11 -0009. ¡рд 20.94... титннттп 04.09.2021 20 58:01
13 КЛАСС-1 ЗУ26-{12} слт Р09-Х\А Р_РАТАЧ пр_с«а\. VI1 -0004. ¡рд 19,93... шиншш 04.09.2021 20 58:01
14 КЛАСС-14Л6-{13} слт РОБ-Х« Р_РАТАЧ пр_йа(а\Л11 -0005. ¡рд 19.93... циннии 04.09.2021 20 58:01
15 КЛАСС-15У26-{14} слт РОЗ-Х\А Р РАТАУпр с1а!а\Л11 -ОООб.рд 18,94... ■шит 04.09.2021 20 58:01
16 КЛАСС-16/26-{15} слт Р09-Х>А Р_РАТАМ гр_с!аИ\.М 2-0001. ¡рд 15.33... нити 04.09.2021 20 58:01
17 КЛАСС-17У26-116} слт рог-хщ Р РАТАЧпр dataV41-0003.jpg 14,15... 11111111111 04.09.2021 20 58:01
19 КЛАСС-18Й6-{17} <1 " ""
Интегральный критерий сходства: "Сумма знаний"
20 КЛАСС-20«'26-{19]
21 ■КЛАСС-21Д6-{20}
23 24 25 26 КЛАСС-23Л6-{22} КЛАСС-24Д6-{23] КЛАСС-25Ш24} КЛАСС-26У26-{25} 22 20 23 24 слтюоз -ХЩ1Р_РАТАЧ г^а(а\Л02-0003. ¡рд слтюоб -ХЩЮ_РАТА\1 пр_йа(а\Л02-0004. ¡рд слтюоз -Х\Д1Р_РАТАЧ г^а1а\Л02-0002. ¡рд слтюоб -ХЩЮ_РАТА\1 пр_йа(а\Л02-0005. ¡рд слтюоэ-хщю РАТАЧпр с1а1а\Л02-000В.|рд 67,74... 67,74... 67,24... 67,21... 67,21... ..................и....................................... 04.09.2021 04.09.2021 04:09.2021 04.09.2021 04:09.2021 20:58:02 20:58:02 20:58:02 20:58:02 20:58:02 — Г
25 26 27 13 106 слтюоб -ХЩЮ_РАТА\1 пр_йа(а\Л02-0007. ¡рд слтюоз -ХЩ1Р_РАТАЧ г^а(а\Л02-0008. ¡рд слтюоб -ХЩЮ_РАТАЧ г(^а1а\Л02-0009. ¡рд слтюоз -ХЩ1Р_РАТАЧ г^а(а\Л02-0001. ¡рд СЛтЮ09-ХЩЮ РАТАЧпр data^Л11-0007.ipд 66.88... 66,88... - 111111111111111111111111111111111111111111111111111111111111111111 04.09.2021 04:09.2021 04.09.2021 04.09.2021 04.09.2021 20:58:02 20:58:02 20:58:02 20:58:02 20:58:02
107 СЛт1Р05-ХЩ1Р РАТАЧпр с1а»а\Л11-0008.рд 04.09.2021 20:58:02
108 слтюоз-хщю РАТАЧпр da^a^Л11-0009.ipg 04.09.2021 20:58:02
103 слтюоз-хщю РАТАЧпр da^a^Л11 -0004.jpg 04.09.2021 20:58:02
104 слтюоз-хщю РАТАЧпр da^a^Л11-0005.ipg 04.09.2021 20:58:02
105 СЛтШБ-Х\АЮ РАТАЧпр da^a\Л11-0006.ipg 04.09.2021 20:58:02
109 СЛтЮОЗ-ХУШ РАТАЧпр dalaYVI2-0001.jpg 04.09.2021 20:58:02
102 СЛ1 \AID0S -Х\АЮ_РАТАЧ г^а(а\. VI1 -0003. ¡рд 04.09.2021 20:58:02
< „,т,и.,_ ^.-..ппппп, п"== и
НгИл ^^ |Б шш 1 Ш1Ш 1 ПечагьХ1_9 Печать ТХТ Печать АН
Рисунок 24. Пример выходной формы 4.1.3.2 по результатам идентификации
«Птичкой» отмечены истинные результаты идентификации.
Из экранных форм, приведенных на рисунках 26 и 27 хорошо видно, что задача идентификации конкретных изображений американского языка жестов с обобщенными изображениями классов решается совершенно безошибочно, если при интерпретации результатов идентификации использовать величину уровня сходства в качестве критерия достоверности решения.
2.2.8. Решение задачи сравнения обобщенных образов классов изображений американского языка жестов друг с другом
Задача идентификации - это задача сравнения конкретного изображения с обобщенными изображениями классов.
В данном разделе решим задачу сравнения обобщенных образов классов изображений американского языка жестов друг с другом. Эта задача ставится и кратко описывается в разделе «1.3.8.2. Кластерно-конструктивный анализ классов» данной работы.
Для этого в режиме 4.2.2.1 проведем расчет матриц сходства статистических и системно-когнитивных моделей (рисунок 28, таблица 6), а затем в режиме 4.2.2.2 выведем изображение 2ё-когнитивной диаграммы (рисунок 29), а в режиме 4.2.2.3 получим агломеративную дендрограмму когнитивной кластеризации классов и график межкластерных расстояний (рисунок 30) [1].
fy 4.¿.¿,1. Насчет матриц сходства, кластеров и конструктов классов
I д I 151
Задайте модели, для которых проводить кластерно-конструктивный анализ:
Статистические базы: Пояснение по режиму
[7 И. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборкй
2. PRC1 - частный критерий: усл. вероятность ¡-го признака среди признаков объектов ¡-го класса
3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (Базы знаний):
4. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
[7 6. INF3 - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс. частотами
7. INF4 - частный критерий: ROI (Return On Investment); вероятности из PR CI P' 8. INF5 ■ частный критерий: ROI (Return On Investment); вероятности из PRC2
9. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1 W 1Ü.INF7 ■ частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Задайте диапазон кодов классов (подматрицу) для анализа:
Ok Cancel
Рисунок 25. Экранная форма режима 4.2.2.1 расчет матриц сходства классов в разных статистических и системно-когнитивных моделях
Таблица 1 - Матрица сходства обобщенных образов классов (обобщенных изображений американского языка жестов) в системно-когнитивной модели
Код Наименование класса о о со см Ó и < ц y г— О СО СМ СМ Ó 0 < y см о CD СМ Й Ü О < q y т о CD СМ ÍÍ Ü и < Ц y о CD СМ да Ó Ü < ц y ¡n о CD CM 5 ó ü < * со o CD CM s ü и < Ц y С o CD CM ra Ó U < с. y со О CD CM ä ó 0 < Ц y О) о CD CM о и и < q y о Т- CD СМ Ü и < y со см см ó 0 < С y см т- со см ñ Ó и < ц y со Г" CD СМ ^ ó 0 < Ц '-г* со см й Ó 0 < с y ю г- ю СМ 5 Ü и < ц y со ^ CD СМ N Ó и < y s со см 3 Ó 0 < С y со г- CD СМ S Ü и < ц y О) с CD СМ о см 6 Ü < с; * КЛ АСС-21 /26-{20} CD СМ Si см ó и < ц y см IN СО см со см ó и < y со см ¿ см ^ см ó 0 < y см СО см й см Ü и < Ц y ю см CD СМ CD СМ Ó Ü < y
1 КЛАСС-1/26-{00} 100 6 13 -1 -8 -34 -39 -17 3 22 14 -8 58 11 -2 -18 -21 -3 30 -7 8 -2 -20 9 -2 -21
2 КЛАСС-2/26-{01) 6 100 -32 55 -38 -13 -34 -37 15 -38 49 -14 -1 59 -8 -40 -39 48 15 7 1 21 23 38 -10 24
3 КЛАСС-3/26-{02) 13 -32 100 -29 27 -28 -24 -21 17 22 -16 28 32 -31 18 -21 -26 -21 -0 -9 16 11 -36 22 11 -15
4 КЛАСС-4/26-{03} -1 55 -29 100 -47 4 -39 -43 14 -46 34 -2 -22 43 -13 -42 -48 58 0 27 36 41 34 28 0 18
5 КЛАСС-5/26-{04] -8 -38 27 -47 100 9 12 14 -17 39 -37 14 0 -29 -15 12 15 -35 21 -3 -7 -20 -17 4 -0
6 КЛАСС-6/25-{05) -34 -13 -28 -4 9 100 19 14 •3 -13 -19 -29 -22 -4 -19 11 15 -3 0 20 3 -16 24 -29 5 7
7 КЛАСС-7/26-{06) -39 -34 -24 -39 12 19 100 70 -25 -2 -23 -17 -38 -43 -3 66 64 -39 -32 -28 ■45 -45 -4 -34 -8 -20
8 КЛАСС-8/26-{07} -17 -37 -21 -43 14 14 70 100 -33 5 -28 -25 -20 -44 3 81 71 43 -35 -42 -47 -50 -25 -34 -3 -45
9 КЛАСС-9/26-{08) 3 15 17 14 -17 -3 -25 -33 100 -23 39 -3 7 5 -15 -39 -52 17 -12 3 29 35 -3 27 15 10
10 КЛАСС-10/26-{09) 22 -38 22 -46 39 -13 -2 5 -23 100 -25 23 25 -25 7 4 14 -36 6 -25 -20 -1S -24 -22 1 -17
11 КЛАСС-11/26-{10) 14 49 -16 34 -37 -19 -23 -28 39 -25 100 -17 1 27 -9 -42 -40 35 5 2 19 25 10 25 -6 1
12 КЛАСС-12/26-{11} -8 -14 28 -2 14 -29 -17 -25 -3 23 -17 100 -7 -18 43 -21 -20 -1 -26 -20 -14 8 -20 5 13 1
13 КЛАСС-13/26-{12) 58 -1 32 -22 0 -22 -38 -20 7 25 1 -7 100 8 7 -23 -17 -14 27 -5 ■0 -1 -22 12 -7 -11
14 КЛАСС-14/26-{13) 11 59 -31 43 -29 -4 -43 -44 5 -25 27 -18 8 100 -16 -43 -36 41 42 27 13 11 26 24 -14 42
15 КЛАСС-15/26-{14) -2 -8 18 -13 -15 -19 -3 3 -15 7 -9 43 7 -16 100 5 9 -18 -43 -45 -33 -13 -31 -2 14 -23
16 КЛАСС-16/26-(15) -18 -40 -21 -42 12 11 66 81 -39 4 -42 -21 -23 -43 5 100 82 -50 -34 ■38 -40 -48 -22 -37 -12 ■38
17 КПАСС-17/26-{16) -21 -39 -26 -48 15 15 64 71 -52 14 -40 -20 -17 -36 9 82 100 -48 -21 -37 -45 -47 -15 -42 -22 -32
18 КЛАСС-18/26-{17) -3 48 -21 58 -35 -3 -39 -43 17 -36 35 -1 -14 41 -18 -50 -48 100 3 28 22 42 24 24 -1 30
19 КЛАСС-19/26-{18) 30 15 -0 0 21 0 -32 -35 -12 6 5 -26 27 42 -43 -34 -21 3 100 51 21 4 33 -5 -25 31
20 КЛАСС-20/26-{19) ■ 7 -9 27 -3 20 -28 -42 3 -25 2 -20 -5 27 -45 -38 -37 28 51 100 52 21 44 6 -12 43
21 КЛАСС-21/26-{20} 8 1 16 36 -7 3 -45 -47 29 -20 19 -14 -0 13 -33 -40 -45 22 21 52 100 49 15 11 -5 13
22 КЛАСС-22/26-{21) -2 21 11 41 -20 -16 -45 -50 35 -18 25 8 -1 11 -13 -48 -47 42 4 21 49 100 16 14 -7 9
23 КЛАСС-23/26-{22) -20 23 -36 34 -17 24 -4 ■25 -3 -24 10 -20 -22 26 -31 -22 -15 24 33 44 15 16 100 -9 -29 26
24 КЛАСС-24/26-{23) 9 38 22 28 -31 -29 -34 -34 27 -22 25 5 12 24 -2 -37 -42 24 -5 6 11 14 -9 100 5 5
25 КЛАСС-25/26-{24) -2 -10 11 0 4 5 -8 -3 15 1 -6 13 -7 -14 14 -12 -22 -1 -25 -12 -5 -7 -29 5 100 0
26 КЛАСС-26/26-{25} -21 24 -15 18 -0 7 -20 -45 10 -17 1 1 -11 42 -23 -38 -32 30 31 43 13 9 26 5 0 100
Рисунок 26. 2^круговая когнитивная диаграмма классов (режим 4.2.2.2)
ОыЮеОДч
ДЕНДРОГРАММА КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^3" Приложение: "Пиксельный АСК-анализа изображений американского языка жестов"
КПАСС-ИИ-РЧ 7 КПИС&МЯ-РЧ 8 кпасс-1ь2ч1!) 15 К№СС-17ЯЧ16) 17 КЛАСС-2Ь26-(24> 25 КПАСС-ШИЮ 12 КЛАССАМИ 14) 16 КЛАСС-1^2в-{00] 1 КПАСС.1 !»&{«) 13 клАсс-мб-)ог) з кпшиовдо 5 КПАСС-ЮЯБЧВЧ 10 кпАсс-гьгнгч ге КПАСе-19ЯЦ19) 19 КПАСС-23Й&|22| 23 КЛАСС-ЭДб-рЩ 9 клдссггяб!?!) гг КЛАСС-2(«6-)19) 20
-и-
-, Ь
1 |
--
-Ч
-1_Н
клАсс-гя^ии) 24 КПАСС-И/ЗДМ) 11 КПАСС-2Ч6Ч01] 2 кллСС. гдлни) и КЛАСС-4/2640 31 4
Г"
МЕЖКЛАСТЕРНЫЕ РАССТОЯНИЯ 21 42 БЗ 84 кластерная ФОРМУЛА св.пб. тГ)Щ.в».«1 0й»».£сав411Э,гз».(&.«гг,са0л я*.т.»пнм» .'Л:-., Г-' И №Л 01 «
Рисунок 27. Агломеративная дендрограмма когнитивной кластеризации классов
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИЙ ПРИ КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "МРУ Приложение: "Пиксельный АСК-анализа изображений американского языка жестов"
КЛАСТЕРНАЯ ФОРМУЛА «(S,(J.ta.(lS.l7))H.(0S,(li1lS|M|1,TÎK13,|S.H))|))1{tSÎ,(l>î3|) (9 «&C».illK».i11.(p14| (4 18)|»U»
Рисунок 28. График межкластерных расстояний (режим 4.2.2.3)
Конечно, компетентно оценить степень адекватности результатов определения сходства-различия обобщенных изображений американского языка жестов в пиксельном АСК-анализе и системе «Эйдос» могут только эксперты, хорошо владеющие этим языком. Но наши оценки говорят о том, что степень адекватности классификации обобщенных изображений с помощью искусственного интеллекта довольно высока.
2.3. Контурный АСК-анализ изображений американского языка жестов
2.3.1. Исходные данные и их предварительная подготовка для ввода в систему «Эйдос»
Для ввода исходных данных по задаче в систему «Эйдос» проводим следующие действия:
1. Скачивание архива изображений с портала Kaggle: https://www.kaggle.com/shreyashgupta88/american-sign-language-thresholded/download
2. Переименование изображений внутри папок с помощью ACD See. Сначала наименование класса, потом тире и номер изображения в классе.
3. Поместим изображения в какую-нибудь папку внутри папки Inp_data, например, в папку pic, как сделали мы.
В дальнейших расчетах, приведенных в численном примере, мы используем не все изображения с портала Kaggle^ лишь по 9 изображений каждого жеста из примерно 1000, а самих жестов 26: с нулевого по 25-й. Таким образом, в численном примере мы используем лишь 234 изображения из 26207. Это сделано для ускорения расчетов.
Отметим, что возможности системы «Эйдос» обычно обеспечивают и обработку всех изображений. Правда это зависит не только от количества, но и от размерности изображений, в каждом конкретном
случае это надо еще проверять. Иногда для ускорения расчетов и обеспечения возможности обработки большего количества изображений имеет смысл уменьшить их размерность, например до 100 пикселей по ширине.
В списке литературы работы [1] приведены автора по применению АСК-анализа и системы «Эйдос» для интеллектуальной обработки изображений.
При этом мы уже не будем подробно раскрывать смысл тех или иных используемых режимов системы «Эйдос», т.к. это уже сделано выше.
2.3.2. Когнитивная структуризация предметной области
В качестве признаков изображений будем рассматривать расстояния от центра тяжести изображения до его внешнего контура на радиус-векторах под разными углами в полярной системе координат, а в качестве классов - жесты.
2.3.3. Формализация предметной области
Для выполнения этого этапа АСК-анализа запускаем режим 4.7 системы «Эйдос» и кликам по кнопке: «По контурам».
Тогда на экране появится экранная форма, приведенная на рисунке 32. Необходимо задать параметры, показанные на форме, и нажать «Ok».
На первом этапе выполнения данного режима формируется база данных изображений (рисунок 33).
На втором этапе каждое изображение из этой базы данных анализируется в трех лучах RGB (Red, Green, Blue). Анализ включает себя поиск точек внешнего контура, т.е. наиболее удаленных точек с максимальным градиентом яркости в каждом луче для всех радиус-векторов с заданным количеством градаций полярного угла (рисунок 34).
На третьем этапе исходные изображения кодируются с использованием классификационных и описательных шкал и градаций и в результате формируется обучающая выборка. Обучающая выборка представляет собой базу данных описанием каждого изображения в виде записи с координатами точек контура. Эта база используется для ввода описаний изображений обучающей выборки в систему «Эйдос» в автоматизированном программном интерфейсе (API) 2.3.2.2 (рисунок 35).
На четвертом этапе программный интерфейс 2.3.2.2, используется для формирования классификационных и описательных шкал и градаций и обучающей выборки, т.е. для кодирования изображений с помощью классификационных и описательных шкал и градаций (формализация предметной области) (рисунок 36).
f*) 4,S. Геокогнитивная под-система "Зйдос . Оконгуризание
11- ж- -I
Какие контуры формировать?
i* Только внешние С И внешние, и внутренние
Задайте число яркостных интервалов: Red: 20 Green:
Blue:
Ставить точку итогового контура если:
■ есть точки и Red, и Green, и Blue контуров - есть точка или Red, или Green, или Blue контура
Цвета после окбнтуривания:
С" Расширить динамический диапазон цветов:
Г" Показывать только контуры
Показывать исходное изображение и контуры в RGB î* Показывать исходное изображение и контуры в RGB и в лучах: Red, Green, Blue
Задайте параметры ввода изображений: Г Стандартизировать размеры изображений? ] Стандартизировать поворот изображений? Отображать заполнение данными МБ ЕхсеГ? Задайте число контуров в изображениях: Задайте количество градаций угла: 2 < = N_Gгad <= 360: Задайте число точек на радиус-векторе для поиска контура:
Пояснения по режиму
F
Создавать модель или применять?
<* Формализации предм.области, генерация обуч.выборки, синтез и верификация модели С Генерация распознавамой выборки и идентификация (классификация) изображений
Делать ли паузу после вывода изображений? а Нет Г- Да
Относительный вес частных критериев выделения точек конутров в %\ Учет степени отличия от окружения: У чет расстояния от центра тяжести: Учет расстояния от предыдущей точки контура:
J
Рисунок 29. Экранная задамш^гараметров конт^ного АСК-анализа изображений
ti с j ».m »tarnt,
Рисунок 30. Экранная форма формирования базы данных исходных изображений
Файл: "C:\1\AIDOS-X\AID_DATA\Inp_data\pic\00-0001.jpg" оригинальное RGB-изображение и изображения в лучах Red, Green, Blue
_ « |
RGB-изображение файла: "C:\1\AIDOS-X\AID_DATA\lnp_data\pic\00-0Q03.jpg" и изображения в лучах Red, Green, Blue с первичными контурами и центром тяжести
■I —I
RGB-изображение файла: "C:\1\AIDOS-X\AID_DATA\lnp_data\pic\00-0001 .jpg" и изображения в лучах Red, Green, Blue с первичными контурами и центром тяжести
П
Рисунок 31. Экранные формы отображения процесса и результатов оконтуривания изображения (фрагмент)
(¿^ 2.3.2.2, Универсальный лрограм
ерфейс импорта данных в систему "ЭИДОС-Х+
|||Ни||Ипа
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с1аТа"
Задайте параметры:-
(* Нули и пробелы С Нули и пробелы
-Задайте тип Файла исходных данных: "1пр_с^а1а": Г ^ЬБ -МБ Ехсе1-2003 Г" ХЬбХ-МБ Ехсе1-2007(2010) С* ОВР -ОВАЗЕ 1У(0ВРЛЧТХ) г С6У - СБУ => ОВР конвертер
ОТСУТСТВИЕМ данных ЗНАЧЕНИЯМИ данных I Создавать БД средних по классам "1пр_с1а¥г.с1ЬГ"?
Требования к файлу исходных данных
—Задайте диапазон столбцов классификационных и Начальный столбец классификационных шкал: Конечный столбец к
— Задайте диапазон столбцов Начальный столбец Конечный столбец
-Задайте режим:-
С* Ф ормализации предметной области (на основе 1 'I г^сЫа'') Генерации распознаваемой выборки (на основе "1пр_га5р")
Задайте способ выбора размера интервалов: {* Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев и {*" Не применять сценарный метод АСК^ Применить спец.интерпретацию
Интерпретация ТХТ Значения по.
л способа интерпретации
С П рименить сценарный метод АСК-анализа Г Применить спец.интерпретацию т
Параметры интерпретации значений текстовых полей "1пр_с1а*а":
Интерпретация ТХТ-полей признаков: Значения по.
йпризнаков
классификационных шкал файла исходных данных "1пр_с1а1а" рассматриваются как целое
эл файла
исходных данных 1 'I пр_с1а1а'1 рассматриваются как целое
- Какие наименования ГРАДАЦИЙ
(• Только интервальные числовые значения (например
С* Только наименования интервальных числовых значений (например
С" И интервальные числовые значения, и их наименования (например
"1 /3-{59В73.0000000,178545.6666667}") "Минимальное")
"Минимальное: 1 ^3-{59873.0000000,178545.6666667}")
2.3.2,2. Задание размерности модели системы "ЭЙДОС-Х-1-+"
1151 И**'
ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ
Суммарное количество градаций классификационным и описательны« шкал: [2Е :■: 910]
Тип шкалы Количество Количество Среднее Количество Количество Среднее
классифи- градаций количество описательных градаций количество
кационных классифи- градаций шкал описательных градаций
шкал кационных на класс.шкалу шкал на опис.шкалу
Числовые 0 0 0,00 91 910 10,00
Текстовые 1 26 26,00 0 0 0.00
ВСЕГО: 1 26 26,00 91 910 10,00
Задайте число интервалов (градаций) в шкале:
В описательным шкалам:
Пересчитать шкалы и градации
Выйти на создание модели
2.3.2.2, Процесс импорта данных из внешней БД "1пр_<^а1а" в систему "ЭЙДОС-Х++
Стации исполнения процесса
1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1пр_с1а(а"- Готово 2/3: Генерация обучающей выборки и базы событий "Еуег^КО" на основе БД "1пр_Ьа1а"- Готово 3/3: Переиндексация всех баз данных нового приложения- Готово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН ЫСПЕШНО !!!
Прогноз Бремени исполнения
Начало: 01:44:57 Окончание: 1:45:09
100%
Прошло: 0:00:11
Осталось: 0:00:00
Рисунок 33. Экранные формы программного интерфейса 2.3.2.2
В результате работы приведенных режимов сформированы следующие классификационные и описательные шкалы и градации (рисунки 37, 38, 39), а также обучающая выборка (рисунок 40).
6 2 1 --„ . -----™И- |_ е^еввв"^—------—■ • т" | 1"'
т шш
_ а ВЛОЧВ? 7821310. »98871261 элотэзагиблмтаэа
| к 11 шг ЮТ(М1№ 19*2335.112.4002543!-
| и «и
1! « И№
к И 1'|(И-
« ч 1 чтг
я а!®
Я я
? И
| "7-
Покнь | | Дп< гГЛЛлЫ | Кстччич | КстЩ грзшл .1 1 ' 1 Паять | Дйимта | М грЛ^аЫ | Кощмщ | Ктф 11: пг.и.' Г.ч г т: с | V. и... с гда. | ОДим&МАщ | П&кючквэт. | Очнтрь | 1: 1«ч:и- аючянпс |
Рисунок 34. Классификационные и описательные шкалы и градации (полностью)
Рисунок 35. Описательные шкалы и градации в графической форме
ДгЧ-Ч^Н
.(5, 2.3,1. Ручной ввод-корректировка обучающей выборки. ¡екущая модель; ^ИЧР!"^
. К<цд:0{ ъекта |н аиМбНование' объекта Время
С М ЧА10 0 3 -Х\Д1АТАЧ пр_(1а1а\рю\00-0001. ¡рд —
2 с М ЩЩЩ^ЩЕг_МТА\1 пр_(1а1а\рс\00-0002. ¡рд
3 с М 0 0 9 -Х^! 0_0 АТАЧ г^а1а\рю\00-0003. ¡рд
4 с М О- 0 3 -X'АТАЧ пр^а!а^йЙШ04. ¡рд
5 с \1 \А1 0: 0 5 :Х\А10_0 АТАЧ пр_(1а1а\рс\00-0005. ¡рд
е с М ЧА1 й 0 5 -X1АТАЧ пр_(1а1а\рю\00-0006. ¡рд
7 с Ч.ЩЮВ 5АТАЧ пр_(^рс\00-000?. ¡рд
8 с \1 \AID0S-XVAID_DATA4 пр_(1а1а\рю\00-0008. ¡рд
Э с М ЧА1 0 0 3 -X'$ АТАЧ пр_(1а1а\рс\00-0009. ¡рд
10 с- Ч «10 0 9 -Х^! 0_0 АТАЧ пр_(1а1а\рс\01 -0001. ¡рд
11 с М ЧА1Р 0 5 -X1ВД АТАЧ пр_с!а1а\рсЛ01 -0002. ¡рд
И
51 15 25 341 44! 54| 64|
_Щ| 83 92 102- 112 123 132
■142 153 164 176 М 198 280
2щ 2ЭЭ 309 319 327 336 346
366 376 386] ~ЗЭб| 406 416
-426 436 446 4561 ■468 476 486
496 506 516 526 536 545 555
565 575 585 595 605 614 624
634 644 655 665 67Ы 686 695
у/'П щ 716 727 737 щ 757 767
7Э0 800 809 827 837
1 олтт! ОЕС ОСЕ 07с1 о.о.ц! оас опс ,
Скопировать, обуч.выб. в расп. Добавить объект Добавить классы Добавить признаки Удалить, объект Удалить классы Удалить признаки
Рисунок 36. Обучающая выборка (фрагмент)
На экранной форме рисунка 40 мы видим три окна, одно вверху и два внизу.
В верхнем окне приведены наименования объектов обучающей выборки (в нашем случае это изображения). Файлы изображений могут быть в своих поддиректориях, а могут быть просто в папке исходных данных, например: c:\1\Aidos-X\AID_DATA\Inp_data\pic.
В левом нижнем окне для каждого объекта обучающей выборки приведены коды классов, к которым относится это изображение. Коды и наименования классов приведены на рисунке 37 (классы - это градации классификационных шкал).
В правом нижнем окне для каждого объекта обучающей выборки приведены коды признаков, к которым относится это изображение. Коды и наименования признаков приведены на рисунке 38 (признаки - это градации описательных шкал).
2.3.4. Синтез моделей
Синтез и верификация моделей осуществляется в режиме 3.5 системы «Эйдос» (рисунки 41 и 42).
В результате выполнения данного режима созданы следующие статистические и системно-когнитивные модели, которые можно просмотреть в режиме 5.5 (рисунки 43-46).
3.5. Синтез к верификация моделей
-Сталин.
Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую-Готово Шаг 2-й из 11: Синтез стат.моде л и "АВЗ" (расчет матрицы абсолютны* частот) - Готово Шаг 3-й из 11: Синтез стат.моделей "РРС1" и "РГ1С2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11: Синтез системно-когнитивных моделей: №1-№7 - Готово
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-...
Шаг 5-й из 11: Задание модели "№7" в качестве текущей -Готово Шаг 6-й из 11: Пакетное распознавание в модели "№7"- Готово
Шаг 7-й из 11: Измерение достоверности модели: '№'- Интегральный критерий: "Сумма знаний"-Готово
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...
Шаг 8-й из 1 ^Объединение БД ОозЙзр# в БД ОоэН^аэр - Готово
Шаг 9-й из 11: Печать сводной формы по результатам верификации моделей-Готово
Шаг 10-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово
Шаг11-йиз11:"Г1рисвоениез вданно й моде л и: 1пП стет у са т еку щей" - Гот ов о
Синтез н верификация статистических н системно-когнитивных моделей упешно завершены !!!
-Прогноз бремени исполнения-
Н ачаяо: 01:45:41 Окончание: 1:46:40
Рисунок 37. Экранные формы задания параметров синтеза и верификации моделей и отображения стадии процесса синтеза и верификации моделей
Рисунок 39. Статистическая модель PRC2 (фрагмент)
гво знаний по А.Харкевичу: вероятности из PRC1" hnUaboJl
1- ~-il
шкн ЯШй II'4" IS™" gcttSS J&OASS 7CUSS 8CUSS äCUSS пм* 12. В CLASS11 j|
■ 1 0004 Л 0-О0.3400460.38.5460668) 0.707 0.306 0.7C
2 000'-2Л 0-О8.5460668.46.7520877) 0.929 0.749 0.991
» ООО'-ЗЛ 0-{46.7520877.54.9581085) 0.814 0.221 -0.109
000ЧЛ 0-{54.9581085.63.1641293) 0.206 0.180
000*-5Л 0-{63.1641293.71.3701502) 0.004 0.529 0.861
6 ООО'-бЛ 0-{71.3701502.79.5761710) 0.587 1.085 0.590
000--7Л 0-{79.5761710.87.7821918) 1.003 0.630 0.100 1.077
000--8Л 0-{87.7821918.95.9882126) 1.375 0.443
9 ООО'-ЭЛ 005.8882126.104.1942335) 0.229
10 0004 0Л 0-{104.1942335.112.4002543)
0044 Л 0-{30.3400460.38.3503657) 0.689 0.480 0.68
004*-2Л 0-{38.3503657.46.3606853) 0.812 0.656 1.003
004*-ЗЛ 0-{46.3606853.54.3710050) 0.850 0.628 0.384
004*-4Л 0-{54.3710050.62.3813247)
004*-5Л 0(62.3813247.70.3816444) 0.042 0.375 0.037 0.899
004*-6Л 0-{70.3916444.78.4019640) 0.630 1.128 0.826
004*-7Л 0-{78.4018640.86.4122837) 0.981 0.851 0.585
004*-8Л 0-{86.4122837.94.4226034) 0.601 0.621 1.270
004*-9Л 0-{94.4226034.102.4329230) 0.964 0.191
0044 0Л 0-{102.4329230.110.4432427) 0.327
0084 Л 0-{30.3400460.38.3503657) 0.681 0.472 0.67
008*-2Л 0-{38.3503657,46.3606853) 0.372 0.874 1.029
008*-ЗЛ 0-{46.3606853.54.3710050) 0.752 0.753 0.068 0.423
008*-4Л 0-{54.3710050.62.3813247) 0.062
008*-5Л 0(62.3813247.70.3816444) 0.129 0.461 0.793
008*-6Л 0(70.3816444.78.4018640) 1.278
008*-7Л 0(78.4018640.86.4122837) 0.810 0.913 1.009 •
<1 1
И--- -II
Рисунок 40. Системно-когнитивная модель INFI (фрагмент)
[ ь 3.5. USHBH - ЯЛЯЯ№> ^тк и -Л--------------------------
1-
шкн ЯШй II'4" IS™" gcttSS J&OASS 7CUSS 8CUSS Ь Qg пм* 12. В CLASS 11 j|
■ 1 0004 Л 0(30.3400460.38.5460668) -2.021 -2.016 -2.134 6.971 -2.005 -2.045 -2.105 -2.084 -1.992 1.900 -2.021 6.95
2 000--2Л 0-(38.5460668.46.7520877) -0.991 6.011 -1.047 -0.995 -0.984 -1.003 -1.033 -1.022 -0.977 3.970 7.009 -1.00
» ООО'-ЗЛ 0(46.7520877.54.8581085) 5.742 0.745 -1.329 -1.263 -1.248 -1.273 -1.311 -1.298 -1.240 -1.308 -0.258 -1.27
000ЧЛ 0(54.8581085.63.1641283) 0.352 -0.646 0.315 -0.651 -0.643 -0.656 -0.675 -0.668 -0.639 -0.674 -0.648 -0.65
000*-5Л 0-(63.1641283.71.3701502) 0.009 -0.989 -1.047 -0.995 2.016 -1.003 -1.033 -1.022 5.023 -1.030 -0.991 -1.00
6 ООО'-бЛ 0(71.3701502.78.5761710) -0.877 -0.875 -0.926 -0.880 2.130 -0.887 8.086 -0.904 2.136 -0.911 -0.877 -0.88
000--7Л 0(78.5761710.87.7821818) -0.801 -0.799 6.154 -0.804 2.206 0.190 -0.834 7.174 -0.789 -0.832 -0.801 -0.80
000--8Л 0(87.7821818.85.8882126) -0.381 -0.380 -0.403 -0.383 -0.378 6.614 -0.397 0.607 -0.376 -0.396 -0.381 -0.38
8 ООО'-ЭЛ 0(85.8882126.104.1842335) -0.610 -0.608 -0.644 -0.612 -0.605 0.383 -0.636 -0.629 -0.601 -0.634 -0.610 -0.61
10 0004 0Л 0-(104.1842335.112.4002543) -0.305 -0.304 -0.322 -0.306 -0.303 -0.309 -0.318 -0.315 -0.301 -0.317 -0.305 -0.30
0044 Л 0(30.3400460.38.3503657) -2.097 -2.092 -2.215 6.895 -2.081 -2.122 -2.185 -2.163 -2.067 3.821 -2.097 6.88
004*-2Л 0-{38.3503657.46.3606853) -0.724 3.277 -0.765 -0.727 -0.719 -0.733 -0.755 -0.747 -0.714 2.247 5.276 -0.73
004*-ЗЛ 0(46.3606853,54.3710050) 6.666 3.669 -1.409 -1.340 -1.324 -1.350 -1.390 -1.376 -1.315 -1.387 1.666 -1.34
004ЧЛ 0(54.3710050.62.3813247) -0.801 -0.799 -0.846 -0.804 -0.794 -0.810 -0.834 -0.826 -0.789 -0.832 -0.801 -0.80
004*-5Л 0(62.3813247.70.3816444) 0.0Б5 -0.913 -0.966 -0.919 1.092 0.074 -0.953 -0.944 5.оэе -0.951 -0.915 -0.92
004*-6Л 0(70.3816444.78.4018640) -0.534 -0.532 -0.564 -0.536 1.470 -0.540 5.444 -0.551 2.474 -0.555 -0.534 -0.53
004*-7Л 0(78.4018640.86.4122837) -0.839 -0.837 6.114 -0.842 4.168 -0.849 2.126 -0.865 -0.827 -0.872 -0.839 -0.84
004--8Л 0(86.4122837.84.4226034) -0.534 -0.532 1.436 -0.536 -0.530 1.460 -0.556 7.449 -0.526 -0.555 -0.534 -0.53
004*-8Л 0(84.4226034,102.4328230) -0.648 -0.646 -0.685 -0.651 -0.643 4.344 -0.675 0.332 -0.639 -0.674 -0.648 -0.65
0044 0Л 0-(102.4328230.110.4432427) -0.496 -0.494 -0.523 -0.498 -0.492 0.499 -0.516 -0.511 -0.489 -0.515 -0.496 -0.50
0084 Л 0(30.3400460,38.3503657) -2.135 -2.130 -2.255 6.856 -2.118 -2.160 -2.224 -2.202 -2.105 3.781 -2.135 6.84
008*-2Л 0-{38.3503657,46.3606853) -0.458 0.544 -0.483 -0.459 -0.454 -0.463 -0.477 -0.472 -0.451 2.525 3.542 -0.46
008*-ЗЛ 0(46.3606853,54.3710050) 6.360 6.365 0.268 -1.646 -1.627 -1.659 -1.708 -1.691 -1.616 -1.704 2.360 -1.65
008МЛ 0(54.3710050.62.3813247) -0.877 -0.875 -0.926 -0.880 -0.870 -0.887 -0.914 -0.904 -0.864 -0.911 0.123 -0.88
008*-5Л 0(62.3813247.70.3816444) 0.237 -0.761 -0.805 -0.766 1.243 -0.772 -0.794 -0.786 3.248 -0.792 -0.763 -0.77
008*-6Л 0(70.3816444.78.4018640) -0.343 -0.342 -0.362 -0.344 -0.340 -0.347 -0.357 -0.354 4.662 -0.357 -0.343 -0.34
008*-7Л 0(78.4018640.86.4122837) -1.029 -1.027 4.913 -1.033 5.979 -1.042 7.928 -1.062 -1.015 -1.070 -1.029 -1.04 -
<]__
.'L--- -II
Рисунок 41. Системно-когнитивная модель INF3 (фрагмент)
2.3.5. Верификация моделей
На рисунках 46-48 приведены некоторые экранные формы режима 3.4 системы «Эйдос», предназначенного для исследования достоверности моделей:
Рисунок 42. Экранная форма режима 3.4 исследования достоверности моделей
(*) Помощь по режимам: 3.4, 4,1,3,®: Виды прогнозов и. меры достоверности моделей в системе "Эйдос-Х+ + '
Помощь по режимам: ЗА 4."1.3.6,4.1.3.7,4.1.3.8,4.1.3.10:' Вицы прогнозов и меры достоверности моделей в системе 'Эйдос-Х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. Предположим, модель дает такой прогноз, что выпадет все: и 1, и 2, и 3, и 4, и 5, и Б. Понятно, что из всего этого выпадет лишь что-то одно. В этом случае модель не предскажет, что не выпадет, но зато она обязательно предскажет, что выпадет. Однако при этом очень много объектов будет отнесено к классам, к которым они не относятся. Тогда Вероятность истинно-положительных решений у модели будет 1/6, а вероятность ложно-положительны« решений - 5/6. Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом. ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что ничего не выпадет, т.е. не выпадет ни 1, ни 2, ни 3, ни 4, ни 5. ни 6. но что-то из этого; естественно, обязательно выпадет. Конечно, модель не предсказала, что выпадет, зато она очень хорошо предсказала, что не выпадет. Вероятность истинно-отрицательных решений у модели будет 5/6, а вероятность ложно-отрицательных решений -1 /6. Такой прогноз гораздо достовернее, чем положительный псевдопрогноз, но тоже бесполезен. ИДЕАЛЬНЫЙ ПРОГНОЗ. Если в случае с'кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2,3,4,5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом. РЕАЛЬНЫЙ ПРОГНОЗ. На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3,4,5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. П сотому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью. Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов. Таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Этот критерий предложен и реализован в системе 'Эйдос" проф. Е.В.Луценко в 1ЭЭ4 году. Эта мера достоверности модели предполагает два варианта нормировки: {-1. +1} и {0.1}: La = ( ТР+ TN-FP- FN ] /■( ТР+ TN + FP + FN ) [нормировка: {-1 .+1}) Lb = (1 + (ТР + TN - FP - FN ) / (ТР + TN + FP + FN ] ] / 2 (нормировка: {0,1}) где количество: ТР - истинно-положительных решений; TN - истинно-отрицательных решений; FP - ложно-положительных решений; FN - ложно-отрицательных решений; Классическая F-мера достоверности моделей Ван Ризбергена [колонка выделена ярко-голубым фоном): F-meia = 2'(Precisiori*R ecall)/(Piecisiori+Recall) - достоверность модели Precisión = TP/[TP+FPJ - точность модели; Recall =TP/(TP+FN] - полнота модели; Ll-мера проф.Е.В.Пуценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СУММ уровней сходства (колонка выделена ярко-зеленым фоном): L1-meia = 2"(SPiecision'SRecall)/[S Piecision+SRecall) SPiecision = STP/(STP+SFP] - точность с учетом сумм уровней сходства; SRecall = STP/(STP+SFNJ - полнота с учетом сумм уровней сходства; STP - Сумма модулей сходства истинно-положительных решений; STN - Сумма модулей сходства истинно-отрицательных решений; SFP - Сумма модулей сходства ложно-положительных решений; SFN - Сумма модулей сходства ложно-отрицательных решений. L2-Mepa проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СРЕДНИХ уровней сходства (колонка выделена желтым Фоном): L2-meia = 2*(APi.ecision"AR ecall]/(APiecision+AR ecallj APiecision = ATP/(ATP+AFP] - точность-с учетом средних уровней сходства; ARecall = ATP/[ATP+AFN) - полнота с учетом средних уровней сходства; АТР=6ТР/ТР - Среднее модулей сходства истинно-положительных решений; AFN=6FN/FN - Среднее модулей сходства истинно-отрицательных решений; AFP=SFP/FP - Среднее модулей сходства ложно-положительных решений; AFN=SFN/FN - Среднее модулей сходства ложно-отрицательных решений. Строки с максимальными значениями F-меры, L1 -меры и 1_2-меры выделены фоном цвета, соответствующего колонке. Из графиков частотных распределений истинно-положительных, истинно-отрицательных, ложно-положительных и ложно-отрицательных решений видно, что чем выше модуль уровня сходства, тем больше доля истинных решений. Это значит, что модуль уровня сходства является адекватной мерой степени истинности решения и степени уверенности системы в этом решении. Поэтому система 'Эйдос" имеет адекватный критерий достоверности собственных решений, с помощью которого она может отфильтровать заведомо ложные решения. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе 'Эйдос" /Е.В. Луценко // Политемэтический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ] Рлектронный ресурс]. - Краснодар: КубГАУ, 2017. - №02[126). С. 1 - 32. - IDA [aiticle ID]: 1261702001. - Режим доступа: http://ei.kubagro.ru/2017/02/pdf/01.pdl, 2 у. п. л,
Рисунок 43. Help режима 3.4 исследования достоверности моделей
Рге^тОООООЗ^
Число (ТР-РР)/(ТР+РР)*100, (ТМ-РМ)/{ТЫ+Р1^)*Ю0 решений в модели: 6.1ЫРЗ, интегральный критерий - сумма знаний
Приложение: "Контурный АС К-анал из изображений американского языка жестов."
■1 ю -90 -во -и -во -5а
70 80 90 ЮС
суммарного количества при рзэмых уровнях сходства ДР-РРУГТР*РРП00 гишмшлт количества при разных уровнях сходств»-
Рисунок 44. Частотные распределения числа истинных и ложных, положительных и отрицательных решений в зависимости от уровня сходства (режим 3.4)
Из рисунков 48 мы видим, что:
1) достоверность наиболее достоверной системно-когнитивной модели (СК-модели) ЮТ4 с интегральным критерием «Сумма знаний» по критерию L2 [1] равна 0,955 (при максимуме 1,000), что очень хорошо для данной задачи;
2) достоверность других СК-моделей тоже довольно высокая, например, для модели ГОТ! с интегральным критерием «Сумма знаний» L2=0.940;
3) истинных отрицательных решений при всех уровнях сходства всегда значительно больше, чем ложных;
4) для положительных решений картина более сложная и существенно зависит от уровня сходства (рассмотрим ее на примере СК-модели ЮТ3 с интегральным критерием «Сумма знаний»):
- при уровнях сходства: 0% - 40%, встречаются практически только ложно-положительные решения;
- при уровнях сходства: 0% - 50%, встречаются и ложно-положительные и истинно-положительные решения, но ложных больше;
- при уровнях сходства: 40% - 50%, встречаются и ложно-положительные и истинно-положительные решения, но истинных больше;
- при уровнях сходства: 50% - 70%, встречаются и ложно-положительные и истинно-положительные решения, но истинных намного больше;
- при уровнях сходства: 70% - 100%, встречаются только истинно-положительные решения.
5) доля истинных решений пропорциональна уровню сходства. Это значит, что уровень сходства (интегральный критерий) является адекватной мерой степени истинности решения. Таким образом, система «Эйдос» не только решает задачи идентификации, прогнозирования, принятия решений и исследования объекта моделирования путем исследования его модели, но и адекватно оценивает степень истинности решения этих задач. В частности, в системе «Эйдос» есть адекватный внутренний критерий оценки степени достоверности решения задачи идентификации. Например, в данной конкретной задаче в СК-модели ШР3 с интегральным критерием «Сумма знаний» не следует обращать внимания на результаты идентификации с уровнями сходства ниже 40%, т.к. они являются недостоверными, при уровнях сходства 40% - 70% будет больше истинных решений, но могут быть и ошибочные, а при уровнях сходства выше 70% результатам идентификации можно полностью доверять, т.к. ложных решений с такими уровнями сходства вообще не встречается.
2.3.6. Информационные портреты обобщенных образов классов изображений американского языка жестов
Контурным информационным портретом обобщенного образа класса изображений в определенной СК-модели является такое изображение, в котором цвет элемента конкура соответствует количеству информации, содержащемуся в нем о принадлежности или непринадлежности конкретного изображения с этим элементом контура к данному классу.
Для визуализации контурных информационных портретов обобщенных образов классов изображений запускаем режим 4.7, кликаем на кнопке «По пикселям», выбираем вариант: «По внешним контурам», выбираем режим «7. Просмотр и запись информационных портретов классов - обобщенных изображений», выбрать статистические и системно-
когнитивные модели для визуализации информационных портретов. После этого начинается сам процесс визуализации. Переход на визуализацию следующего портрета происходит по нажатию клавиши Esc.
Результаты визуализации записываются в виде графических файлов в папку внутри папки приложения. Информация о пути на нее по реальному расположению систему сообщается пользователю.
Результаты визуализации пиксельных информационных портретов обобщенных образов классов изображений американского языка жестов в СК-модели INF3 приведены на рисунках 49.
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: (Ю)-"С1_А55-0Э" В МОДЕЛИ: "1пН"
ЛоказйнЫ Градации со ЗМаЧиМОСТЫО не ШНИ 0% 01 МАКСИМАЛЬНОЙ. Модель
ИНФОРМАЦИОННЫЙ ПОРТРЕТ ра£"С1ЛЗЗ-12" В МОДЕЛИ: "1пга" аны гршаиии со значимостью не менее 0% от максимальной. Модель. "1пГЭ"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [14]-"СЦА88-13" В МОДЕЛИ: "1ПТЗ" Показаны гршаиии со значимость« не менее 0% от максимальной. Модель
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [151-"С1-АЗЕ-14" В МОДЕЛИ: "|ПГЗ" аны гршаиии со значимостью не менее 0% от максимальной. Модель. 1пП"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [1в]-"СШЗЗ-18' В МОДЕЛИ: "1Г|ТЗ" Показаны гршаиии со значимостью не менее 0% от максимальной. Модель
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [171.-CLASS.16" В МОДЕЛ И: "НИЗ" Показаны гршаиии со значимостью не менее 0% от максимальной. Модель
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [18]-"СШ88-17" В МОДЕЛИ: "ПтИ" Показаны гршаиии со значимостью не менее 0% от максимальной. Модель
Рисунок 45. Контурные информационные портреты обобщенных образов классов изображений американского языка жестов в СК-модели ШЕ32
Из приведенных информационных портретов наглядно видно, что разные элементы контура играют разную роль при идентификации изображений американского языка: чем сильнее отличается условная вероятность встречи элементы контура в классе от безусловной вероятности его встречи по всем изображениям, тем более ценным является данный элементы контура для идентификации конкретных изображений с данным классом.
Чем важнее элементы контура для идентификации - тем его цвет ближе к красному (характерные для класса пиксели).
Чем важнее элементы контура для неидентификации - тем его цвет ближе к синему (нехарактерные для класса пиксели).
Пиксели цвета фона не несут никакой информации о том, к какому классу относится изображение с данным пикселем, т.е. несет ноль бит информации или не несет никакой информации ни о принадлежности, не о непринадлежности конкретного изображения к классу.
2 Ранее, здесь и далее при увеличении масштаба просмотра изображений они вполне читабельны
Слева мы видим в своем цвете, соответствующем количеству информации, все элементы контура, несущие максимальное информации о принадлежности к данному классу на данном радиус-векторе.
2.3.7. Решение задачи идентификации конкретных изображений американского языка жестов с обобщенными образами классов изображений
Результаты идентификации изображений обучающей выборки мы видим в 11 выходных формах режима 4.1.3 (рисунок 50).
Но мы из-за ограничений на объем данной работы рассмотрим только выходные формы 4.1.3.1 (рисунок 53) и 4.1.3.2 (рисунок 54).
Для получения этих выходных форм мы выполним сначала режим 5.6 и зададим в нем в качестве текущей модели СК-модель 1№3 (рисунок 51).
Затем выполним идентификацию в режиме 4.1.2 на графическом процессоре
(GPU) (рисунок 52).
4.1.3.1. Подробно наглядно: "Объект-классы
4.1.3.2. Подробно наглядно: "Класс - объекты"
4.1.3.3. Итоги наглядно: "Объект- класс"
4.1.3.4. Итоги наглядно: "Класс - объект"
4.1.3.5. Подробно сжато: "Объекты - классы"
4.1.3.6. Обобщ.форма по достов. моделей при разных интегральных крит.
4.1.3.7. Обобщ.стат.анализ результатов идент. по моделям и инт.крит. 4.1.3.а. Стат.анализ результ. идент. по классам, моделям и инт.крит. 4.1.З.&. Достоверность идент.объектов при разных моделях и инт.крит. 4.1.3.10.ДостоЕерность идент. классоЕ при разных моделях и инт.крит. 4.1.3.11 .Объединение е одной ЕД строк по самым достоверным моделям
Рисунок 46. Выходные формы по результатам идентификации
5.6. Выбрать модель и сделать ее текущей
•Задайте текущую стат. модель или модель знаний Статистические базы:
С 1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки с 2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса С 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (Базы знаний):
С 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
с 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
(* =6. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс. частотами
с 7. INF4 - частный критерий: ROI [Return.On Investment); вероятности из PRC1
С 8. INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2
с Э. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1
С 10.INF7 • частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Как задавать параметры синтеза моделей-
В качестве текущей можно задать любую из ранее расчитанных в режимах 3.1, 3.2, 3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INFI. Смысл моделей знаний, применяемых б системе "Эйдос-Х++" раскрыт в публикациях, размещенных по адресам: http://lc.kubagro.ru/aidos/index.htm, http://www.twirpx.com/file/793311/
Ok I Cancel
(¿1 j.6. Вьабрать модель и сделать ге текущей g—: 1 '—' ir I
Стадии исполнения процесса
ОПЕРАЦИЙ. ПРИСВОЕНИЕ МОДЕЛИ "INF3" СТАТУСА ТЕКУЩЕЙ МОДЕЛИ
1/7: Копирование в массивы итоговых строк и столбцов текущей модели- Готово
2/7: Перенос информации из текущей молели е базы классов. Classes' и Gr_CISc- Готово
3/7: Перенос информации из текущей молели в базы признаков: Attributes и Gr_OpSo- Готово
4/7: Расчет значимости класс.и опис.шкал-Сброс сумматоров - Готово
5/7: Расчет значимости класс.и опис.шкал-Накопление данных-Готово
6/7: Расчет значимости класс.и опис.шкал-Лорасчет - Готово
7/7: Запись информации о текущей модели- Готово
мимеян знаний "INF3" и качеств текущей прошел успешно!!!
- Прогноз времени исполнена
Начало: 20:11:51 Окончание: 20:11:51
Прошло: 0:00:00 Осталось: U: 00:00
Рисунок 47. Выходные формы по результатам идентификации
t) 4.1,2. ГТакетнсе распознавание, ГекУщая модель TNF£:
Стадии исполнения процесса
ОПЕРАЦИЙ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ Б ТЕКУЩЕЙ МОЛЕЛИ "INF3":
1/11: GPU-Распознавание (идентификация) 234 объектов распознаваемой выборки- Готово
2/11: Расчет распределений уровней.сходства верно и ошиб идент.объектов 1 [10 0000000%- Готово
3/11: Создание екйты^.попных форм результатов рэспозн.по двум интегр крит: 100.0000000%- Готово
4/11' Создание подр нагл.формы: "Объект-классы". Инт.крит -корреляция: 1 00.0000000%- Готово
Е/11: Создание подр нагл.формы: "Объект-классы". Инт.крит-сумма ино;. 1 00 0000000Й- Готово
E/11: Создание итоговой наглядной формы: "Объект-класс". Инт.криг.-корреляция 1 00 0000000!%- Готово
7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит -сумма ино'.. 1 00.0000000?%.- Готово
3/11' Создание подробной наглядной формы: '"Класс-объекты". Инт.кри г.-корреляция: 1 00 000000.0%-Готово
9/11: Создание подробной наглядной формы: "Класообъекты". Инт.крит.-сумма инф. 100.0000000.%- Готово
10/11: Создание итоговой наглядной формы' "Класообъекты". Инт.крит.-корреляция: 100 0000000%-Готоео
11/11: Создание итоговой наглядной формы Тласообъектьг1. Инт.крит.-сумма инф. 100.0000000%; Готово
ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !
- Прогноз времени исполнения Начало: 20:12:27 Окончание: 20:12:32
100%.
Прошло: 0:00:05
Осталось: 0:00:00
Рисунок 48. Выходные формы по результатам идентификации
С) 4.1.З.Х. Ви зуалмзация резул -гатов аспознава в отношения: Объект-классы". Гекуща Модель: "INF3" -11
2 С С 4VJD0S-XVJD VI Vll DOS-XVlID DATAN DATAN np_dat « 00-0001. ¡pg 00-0002. ¡pg CLASS CLASS 01 10 96.76... 26.87... IIIIIIIIIIIII 05 05 08.202 08.202 20 20 2 28
3 с VI Vil DOS-WAID DATAN np_dat Spir 00-0003. ¡pg 14 CLAS5 13 25.37... IIIIIIIIIIIIIIIIIIIIIIIII 05 03.202 20 28
4 с VI Vil DOS-XVlID DATAN np_dat Spie 00-0004. ¡pg 20 CLAS5 18 13.44... IIIIIIIII 05 03.202 20 28
5 с 4 VlIDOS-XVlID DATAN np_dat Spir 00-0005. ¡pg Э CLAS5 08 18.33... ■ни 05 03.202 20 28
6 с 4 VlIDOS-XVlID DATAN np_dat Spir 00-0006. ¡pg 4 CLAS5 03 15,51... IIIIII 05 03.202 20 28
7 с 4 VlIDOS-XVlID DATAN np_dat Spir 00-0007. ¡pg — 24 CLAS5 23 13.74... lili 05 03.202 20 28
8 с 4 VlIDOS-XVlID DATAN np_dat Spir 00-0008. ¡pg 26 CLAS5 25 4.588... IUI 05 03.202 20 28
9 с 4 VlIDOS-XVlID DATAN np_dat Spir 00-0009. ¡pg 23 CLAS5 22 -0.717... 05 03.202 20 28
10 с 4 VlIDOS-XVlID DATAN np_dat Spir 01-0001. ¡pg 21 CLAS5 20 -1.376... 1 05 03.202 20 28
11 с 4 VlIDOS-XVlID DATAN np_dat Spir 01-0002. ¡pg 22 CLAS5 21 -1.338... 1 05 03.202 20 28
12 с 4 Vil DOS-WAID DATAN np_dat Spir 01-0003. ¡pg 17 CLAS5 16 -2.615... II 05 03.202 20 28
13 с 4 VlIDOS-XVlID DATAN np_dat Spir 01-0004. ¡pg 16 CLAS5 15 -5.138... II 05 03.202 20 28
14 13 CLASS 18 -G.720... IIIIII 05 03.202 20 28
15 с Ч VlIDOS-XVlID DATAN np_dat Spir 01 0006. ¡pg 18 CLASS 17 -8.580... llllllll 05 03.202 20 28
16 с Ч VlIDOS-XVlID DATAN np_dat Spir 01 0007. ¡pg 15 CLAS5 14 -10.64... llllllllll 05 03.202 20 28
17 с Ч VlIDOS-XVlID DATAN np_dat Spir 01 0008. ¡pg 1П П ASS ОЯ -10 85 llllllllll П5 08 ?П? ?П 28 •
<1 .ш
19 с 4VJ DOS-WAID DATAN np_da, Spie 02 0001. ¡pg нтегральньй криге ий. сходства: "Сумма маний"
21 с 4VJD06-XVJD DATAN np_dat Spie 02 0003. ¡pg -
22 L 4VJD06-XVJD DATAN np_dat SpIC 02 0004. ¡pg CLASS-10 24.88... lililí 05.08.202 20:12:23
Hv Spir CLASS-13 22.43... lllllllllllllllllll 05.03.202 20:12:23
25 г 4SAID0S-XSAID DATAN np dat Spir 0? 0007. ¡pg CLASS 1.3 16.30... ................ 05.03.202 20:12:23
dal Spir CLASS-08 16.08... illllli 05.03.202 20:12:23
27 г 4SAID0S-XSAID DATAN np dat Spir 0? 0009. ¡pg CLASS-03 13.84... ............. 05.03.202 20:12:23 —
rip dal Spir CLASS-23 11.61... llllllll 05.03.202 20:12:23
.... Hll Spir CLASS-25 4,047... IUI 05.09.202 20 2:29
Spir CLASS-22 -0,597... 05.09.202 20 2:29
.... Hll Spir CLASS-20 -1,317... 05.09.202 20 2:29
Spir CLASS-21 -1,734... 05.09.202 20 2:29
Spir CLASS-16 -2,227... II 05.09.202 20 2:29
Spie CLASS-18 -4.863... IUI 05.03.202 20 2:28
Spir CLAS5-15 -5.108... II 05.08.202 20 2:28
Spir CLAS5-17 -7.270... Illllli 05.08.202 20 2:28
37 Г 4VllD0S-XVllD DATAN nn del Spir 04 0001. ¡pg CLAS5-05 -9.825... IIIIIIIII 05.08.202 20 2:28
« 1 - 15 П ASS-14 -10 03 llllllllll П5 08 2(1? ai 1>Г
Помощь 9 классов ласоы с MaxMin УрСх класс в с MaxMin УрСх ВСЕ классы ВКЛ. Фильтр по класс.шкале ВЫКЛ.Фильтр по клаес.шкале д I
Рисунок 49. Пример выходной формы 4.1.3.1 по результатам идентификации
ггатсв распознавания в отношении: "Класс-объекты". Текущая модель: "1ЫРЗ" 1° I В иДмП
Рисунок 50. Пример выходной формы 4.1.3.2 по результатам идентификации
«Птичкой» отмечены истинные результаты идентификации. Из экранных форм, приведенных на рисунках 53 и 54 хорошо видно, что задача идентификации конкретных изображений
американского языка жестов с обобщенными изображениями классов решается совершенно безошибочно, если при интерпретации результатов идентификации использовать величину уровня сходства в качестве критерия достоверности решения.
2.3.8. Решение задачи сравнения обобщенных образов классов изображений американского языка жестов друг с другом
Задача идентификации - это задача сравнения конкретного изображения с обобщенными изображениями классов.
В данном разделе решим задачу сравнения обобщенных образов классов изображений американского языка жестов друг с другом. Эта задача ставится и кратко описывается в разделе «1.3.8.2. Кластерно-конструктивный анализ классов» данной работы.
Для этого в режиме 4.2.2.1 проведем расчет матриц сходства статистических и системно-когнитивных моделей (рисунок 55, таблица 7), а затем в режиме 4.2.2.2 выведем изображение 2ё-когнитивной диаграммы (рисунок 56), а в режиме 4.2.2.3 получим агломеративную дендрограмму когнитивной кластеризации классов (рисунок 57) и график межкластерных расстояний (рисунок 58) [1].
4 2,2.1. Расчет матриц сходства, кластеров \л конструктов классов
Задайте модели, для который проводить кластерно-конструктивный анализ:
Статистические базы: Пояснение по режиму
17 II. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки! 17 2. PRC1 - частный критерий: усл. вероятность ¡-го признака среди признаков объектов ¡-го класса 17 3. PRC2 - частный критерий: условная вероятность i-ro признака у объектов ¡-го класса Системно-когнитивные модели (Базы знаний):
17 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
|7 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
|7 G. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс. частотами
|7 7. INF4 - частный критерий: RGI (Return Gn Investment); вероятности из PRC1
|7 8. INF5 - частный критерий: RGI (Return On Investment); вероятности из PRC2
|7 Э. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1
|7 1Ü.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Задайте диапазон кодов классов (подматрицу) для анализа: | ^ | 2~6
Ok Cancel
Рисунок 51. Экранная форма режима 4.2.2.1 расчет матриц сходства классов в разных статистических и системно-когнитивных моделях
Таблица 2 - Матрица сходства обобщенных образов классов (обобщенных изображений американского языка жестов) в системно-когнитивной модели
о т- <м m тг 1Л ю N а 01 о (V m TT to ш c- <Q о о N PI •t ю
о О о о О о о О о о — т- — r- ■ (М (Ч СМ см см N
(Л СЛ СЛ со СЛ со W СЛ И <п СЛ и СЛ (Л in сл V) w w со со W И СЛ со СО
со СО <г со < 01 < со < со <т W ff м <г UJ ■т СО < щ <г И «f со < ю if w if w «r CO <r CO <f C/J <f со < со < ф < М if C« if со <г СО <
Код Наименование J) о J О О J о J и J о J о J Ü _J о J о J о J и J о J о о J о J и J 0 Jj о О J о о J ü J о J и О
1 CLASS-00 100 -16 -3 -19 17 -1 -3 -5 -12 -11 -11 -7 21 -1 7 -1 4 -10 2 -13 -14 -15 -13 2 10 -3
2 CLASS-01 1 100 -15 9 -16 -16 -18 -18 21 -7 28 -24 -20 24 -10 -4 -1 -6 -12 16 -4 -2 -6 14 -19 1
3 CLASS-02 -3 -15 100 -18 2 -2 -11 -7 -12 -6 -3 -10 19 -7 3 12 -4 -7 18 -3 -15 -20 -15 14 -6 -7
4 CLASS-03 -19 9 -18 100 -26 -3 -14 -12 7 -7 -18 10 -30 -10 -8 -12 -15 37 -8 0 23 3 21 10 -12 -5
5 CLASS-04 17 -16 2 -26 100 18 13 -1 2 7 -7 -11 22 9 1 -11 -11 -23 10 -16 -14 -13 -24 -17 4 10
6 CLASS-05 -1 -16 -2 -3 18 100 7 6 2 -12 15 -6 1 -5 2 -1 6 -9 10 -7 -20 -14 -12 15 5 -2
7 CLASS-06 -3 -18 -11 -14 13 7 100 35 -7 4 -7 -7 -9 -16 -0 -3 9 -14 -14 -16 -11 -3 -3 -20 7 -16
8 CLASS-07 -5 -18 -7 -12 -1 6 35 100 -8 -0 -5 -9 -9 -14 -6 7 10 -15 -14 -12 -8 -3 -10 -21 8 -12
9 CLASS-08 -12 21 -12 7 2 2 -7 -8 100 -13 5 -10 -14 -13 -13 3 -1 -2 1 -3 2 -7 -7 -7 4 -2
10 CLASS-09 -11 -7 -6 -7 7 -12 4 -0 -13 100 3 12 -6 -6 -11 -10 1 -9 -5 3 -0 -6 -18 -3 -2
11 CLASS-10 -11 28 -3 -18 -7 -15 -7 -5 5 3 100 -7 -14 16 -14 -11 -5 -5 -13 -7 -11 19 -4 0 -10 -7
12 CLASS-11 -7 -24 -10 10 -11 -6 -7 -9 -10 12 -7 100 -12 -20 -1 -14 -9 12 -21 -15 16 15 20 -9 20 -13
13 CLASS-12 21 -20 19 -30 22 1 -9 -9 -14 -6 -14 -12 100 5 19 -15 -7 -20 25 -7 -20 -18 -15 0 5 9
14 CLASS-13 -1 24 -7 -10 9 -5 -16 -14 -13 -6 16 -20 5 100 21 -19 -18 -22 -0 7 -20 -7 -15 6 -13 23
15 CLASS-14 7 -10 3 -8 1 2 -0 -6 -13 -8 -14 -1 19 21 100 -13 -7 -22 -4 -5 -16 -14 -14 3 -5 0
16 CLASS-15 -1 -4 12 -12 -11 -1 -3 7 3 -11 ' ! -14 -15 -19 -13 100 38 -6 1 -1 -5 -13 -9 -4 -4 -16
17 CLASS-16 4 -1 -4 -15 -11 6 9 10 -1 -10 -5 -9 -7 -18 -7 38 100 -12 -10 -13 -6 -11 -2 -6 -9 -16
19 CLASS-17 -10 -6 -7 37 -23 -9 -14 -15 -2 1 -5 12 -20 -22 -22 -6 -12 100 5 4 16 11 13 -2 -3 -17
19 CLASS-18 2 -12 18 -8 10 10 -14 -14 1 -9 -13 -21 25 -0 -4 1 -10 5 100 23 -21 -20 -17 -0 -19 14
20 CLASS-19 -13 16 -3 0 -16 -7 -16 -12 -3 -5 -7 -15 -7 7 -5 -1 -13 4 23 100 -4 -5 -4 1 -19 10
21 CLASS-20 -14 -4 -15 23 -14 -20 -11 -8 2 3 -11 16 -20 -20 -16 -5 -6 16 -21 -4 100 15 27 -6 -8 -10
22 CLASS-21 -15 ■2 -20 3 -13 -14 -3 -3 -7 -0 19 15 -18 -7 -14 -13 -11 11 -20 -5 15 100 31 15 -6 -13
23 CLASS-22 -13 -6 -15 21 -24 -12 -3 -10 -7 -6 -4 20 -15 -15 -14 -9 -2 13 -17 -4 27 31 100 -9 -9 -18
24 CLASS-23 2 14 14 10 -17 -15 -20 -21 -7 -18 0 -9 0 6 3 -4 -6 -2 -0 1 -6 -15 -9 100 -3 6
25 CLASS-24 10 -19 -6 -12 4 5 7 8 -4 -3 -10 20 5 -13 -5 -4 -9 -3 -19 -19 -8 -6 -9 -3 100 -5
26 CLASS-25 -3 1 -7 -5 10 -2 -16 -12 -2 ■2 -7 -13 9 23 0 -16 -16 -17 14 10 -10 -13 -18 6 -5 100
СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1МРЗ"
КОНСТРУКТ КЛАССА: [1]-С1_АЭЗ-00 Приложение: Контурный АСК-анализ изображений американского языка жестов
Cb"ss"16 19
6
1-26
i._J __Диапазон кодов классов:
Уровень сходства не менее: Число отображаемых классов: 999 Способ выборки классов; МАХ и MIN ур.сх. Дата и время создания формы: 05.09.2021-20:27:37
Сходство и различие между классами по их признакам (градациям факторов, системе детерминации):
СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.
Рисунок 52. 2^круговая когнитивная диаграмма классов (режим 4.2.2.2)
Конечно, компетентно оценить степень адекватности результатов определения сходства-различия обобщенных изображений американского языка жестов в пиксельном АСК-анализе и системе «Эйдос» могут только
эксперты, хорошо владеющие этим языком. Но наши оценки говорят о том, что степень адекватности классификации обобщенных изображений с помощью искусственного интеллекта довольно высока.
О^иСй-Обдрд
СЬАЭЯб 16 ОАЭЗИб 17 ДЕНДРОГРАММА КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^3" Приложение: "Контурный АСК-анализ изображений американского языка жестов"
ОАЗБ-г.» 25 (ХАБЭ-Об 7 ОА35-()7 В CI.ASS.14 15 -
СЬ^Э-ОО 1 |-
ОАБв-Св Б
г
&Ав5-12 13
С1-А55-08 9
С1АвЗ-19 20
ОЛвв-И 14-
CLASs.ro 11 (ХАвЗ-И 10 И
CLASS.11 12
ОЛвв-ТТ 18 -^ п
а>Б&г1 гг и
м
-
МЕЖКЛАСТЕРНЫЕ РАССТОЯНИЙ 16 33 49 66 62 99 115 132 «а 65
Фсрыа создана 05 09 2021-20-30-45
КЛАСТЕРНАЯ ФОРМУЛА ((((16.17|.(г5.(7.в»М''5.(1.И5.6|.(З.С13.19И)И).((9.(24.((г026).(М.(г.11ШМ1С^<,гК4.18№1.рг.гад)и»
Рисунок 53. Агломеративная дендрограмма когнитивной кластеризации классов
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИИ ПРИ КОГНИТИВНОМ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: '
Приложение: "Контурный АСК-анализ изображений американского языка жестов"
№ 2 3 Нанм.кластвра [4,18) (16.1Т» Р,8> «одах мсх.кпассо Расстояние м&жду кластерами 51.76 62.30 65.32
5 7 9 (2.11) (21.(22.23)) (13.19) {«t2.Pl» ((4.1В),(21.(22,23) 72.18 74.28 74.56 74.65 74 28
10 11 12 13 14 15 1Т и 16 (1г,((4.,18).(21.(22.23))» (3(1319)) (5,6) ((5.6ЦЗ,(13.19))) (1.«&.Е) (3(13.19»» 76.28 76.68 81.59 87.68 83-68
(15,(1.((5.Б).(3.(1Э (25,(7.81) !(20.26).(14.(2.11| (2«,((20,26).(14.(2 11)>» 89 61 89 71 90.39 90.61 91 61
21 22 2} 24 (1&,(12.Ц4,1в).(21,(22.23)»)) (9, (24.((20,26), (14.(2.111)))) (((16.17).(25,(7,8)».115.(1.И5,6),(3,{13.19)))))) Р.(24.((20.26).|14.(2.11))))).(10.(12.«4.18).(21.(22.23))||)) 99 40 39.77 114 01 131 61
ЩЗАСШтШ* ФОРМУЛА [[[[16.17НК.<7 ".■••.1^.(1.(^.0 (3 [13 ■'•.: ((Э,(М.((20 26) (М [2 II])») (10 (12 ((3 1&>.£Я ?г.2Э||.....
Номера кластеров
■ 05 ОЗШ1-20 31 33
Рисунок 54. График межкластерных расстояний (режим 4.2.2.3)
4. Обсуждение. Сравнение достоверности идентификации изображений американского языка жестов в пиксельном и контурном АСК-анализе
Итак, мы решили задачу идентификации изображений американского языка жестов в пиксельном и контурном АСК-анализе. В результате сравнения этих решений мы видим, что.
1. Достоверность решения задачи в обоих видах анализа очень высокая, по сути, конкретные изображения совершенно безошибочно идентифицируются с обобщенными образами классов.
2. В контурном АСК-анализе базы данных имеют значительно меньшую размерность, чем в пиксельном, и, соответственно, в контурном АСК-анализе все задачи решаются значительно быстрее, чем в пиксельном АСК-анализе.
3. В пиксельном АСК-анализе мы видим, что наиболее ценные для идентификации изображений языка жестов пиксели расположены, как правило, на контурах изображений. А в контурном АСК-анализе как раз и анализируются только контуры изображений, т.е. сразу анализируются не все пиксели, а только расположенные на контурах, т.е. наиболее ценные для решения задачи идентификации. Этим разумно и убедительно объясняется более высокая эффективность конкурного АСК-анализа для решения данной задачи. Эта более высокая эффективность проявляется в более высокой достоверности решения задачи по обобщенному F-критерию Ван Ризбергена (Ь2-критерий проф.Е.В.Луценко [1]) и в более высокой скорости решения задачи.
Выводы
На основе проведенного анализа можно обоснованно сделать основной вывод о том, что при решении задачи идентификации конкретных изображений американского языка жестов с обобщенными образами классов контурный АСК-анализ является более эффективным, чем пиксельный, что проявляется в
- более высокой достоверности решения задачи по обобщенному F-критерию Ван Ризбергена (Ь2-критерий проф.Е.В.Луценко [1]);
- более высокой скорости решения задачи.
Литература
1. Lutsenko E.V. Comparison of the reliability of solving the problem of identifying images of American sign language in pixel and contour automated system-cognitive analysis // September 2021, DOI: 10.13140/RG.2.2.25167.82087, License CC BY 4.0, https://www.researchgate.net/publication/354376034
References
1. Lutsenko E.V. Comparison of the reliability of solving the problem of identifying images of American sign language in pixel and contour automated system-cognitive analysis // September 2021, DOI: 10.13140/RG.2.2.25167.82087, License CC BY 4.0, https://www.researchgate.net/publication/354376034
