CC BY
57
определенных рекурсивно по формулам (11), (12), затем применить выражение (2).
ПСП позволяет оценить пропускную способность МС для заданного трафика на ранних стадиях проэктирования и внести необходимые коррективы в модель до начала имплементации.
Сравнение с лучшими аналогами. В работах [1,2] оценка пропускной способности МС строилась из предположения о наличии однородного трафика. Это означает, что процессорные элементы генерируют запросы ко всем модулям памяти с равной вероятностью. В данной работе впервые изучается производительность МС при наличии горячего трафика с произвольным числом горячих модулей памяти. К недостаткам данной модели можно отнести то, что она применима для каналов, которые имеют конечный статус.
УДК 343.977.33+681.3.068
СРАВНЕНИЕ МЕТОДИК НЕЧЁТКОГО И КЛАССИЧЕСКОГО СЛОВЕСНОГО ПОРТРЕТА
КАРГИНА.А., ГРИГОРЬЕВ А.В.________________
Рассматривается модель нечёткого словесного портрета в задаче нечёткого поиска в базе данных и идентификации личности. Приводится сравнение предложенного метода с классическим подходом.
Введение
В ходе оперативно-розыскной деятельности правоохранительных органов зачастую возникает задача идентификации человека по словесному описанию его внешности. Как правило, эта задача относится к идентификации лиц, пропавших без вести; участников, организаторов или свидетелей преступлений; неопознанных трупов.
Анализ литературных источников показал, что наиболее распространённой методикой, используемой в криминалистике для решения данных задач, является методика словесного портрета [1]. На практике данная методика применяется в подсистеме «словесное описание» российской системы АДИС «Папилон» [2] и в отечественной «Системе информационной поддержки ОВД Украины» [3].
В основу методики словесного портрета положена модель представления словесного описания и поиска, базирующаяся на чётко определённых признаках [1]. Практическое применение этой методики связано с рядом трудностей [4] при формировании базы данных, с одной стороны, и при формировании словесного портрета свидетелем — с другой. Поэтому задача регистрации информации о внешнем облике и автоматизация его компьютерного представления, а также автоматизированный поиск неизвестного лица в БД по словесному описанию свидетеля до сегодняшнего дня остаётся актуальной.
Литература: 1. ChangD.Y., KuckD.J. andLawrieD.H. On the effective bandwidth of parallel memories. IEEE Transactions on Computers. May 1977. Vol. C-26. Р. 480489. 2. Basket F., Smith A.J. Interference in multiprocessor computer systems with interleaved memory. Communications of ACM. Jun 1976. Vol. 19, N. 6. Р. 327334. 3. Евграфов В.Н. Основные свойства и характеристики безбуферных многоступенчатых сетей для произвольного числа «горячих» модулей памяти / / Вестник НТУ ХПИ. 2004. № 46 C. 153-159.
Поступила в редколлегию 18.10.2004
Рецензент:д-р техн. наук, проф. Кривуля Е.Ф.
Евграфов Вячеслав Николаевич, аспирант ХНУРЭ. Научные интересы: марковские процессы, многоступенчатые сети. Хобби: прыжки с парашютом, J2EE. Адрес: Харьковская обл., г. Дергачи, ул. Суворова, 23, кв. 135, тел. 8-050-4019642, slava_evgrafov@yahoo.com
Целью данного исследования является обоснование методики нечёткого словесного портрета [4], базирующейся, с одной стороны, на методике словесного портрета, с другой — на аппарате теории нечётких множеств, а также экспериментальная оценка её эффективности в сравнении с классической методикой словесного портрета.
1. Постановка задачи
Методика словесного портрета предполагает описание внешности человека набором признаков A = {a; }, относящихся к тем или иным элементам его внешности. Для каждого признака а; є A задано конечное множество Q.; его возможных значений. Введена классификация [4], согласно которой признаки внешности разделены на метрические, экспертные и производные.
К метрическому типу относятся признаки, получаемые оценкой каких-либо измерений: прямых (возраст, рост и т.д.) либо относительных (например, высота и ширина лба), отличающихся тем, что полученный результат измерения оценивается не сам по себе, а по отношению к какому-либо другому примеру. Для оценки, как правило, используются пороговые функции, либо вводятся формулировки, подразумевающие субъективизм человека, составляющего модель внешности (например, «средним считается лоб примерно равный 1/ 3 физической высоты лица»). Очевидно, использование пороговых функций снижает устойчивость системы, а субъективные по своей сути определения типа «примерно равен» в рамках стандартной логики также сводятся к оценкам при помощи пороговых функций.
К экспертному и производному типу относятся признаки, получаемые соответственно оценкой эксперта-криминалиста и на базе порождающих правил из других признаков внешности. Роль человека при определении значения признака сводится к выбору одного или нескольких значений признака а; є A. Явным недостатком методики словесного портрета является ограничение лишь
122
РИ, 2005, № 1
наличием признака — без указания его выраженности, с одной стороны. С другой стороны—недостатком является необходимость чёткого приписывания объекта к одному из классов (для признаков, допускающих единственное значение) или чёткое указание на принадлежность или нет того или иного значения (для множественного экспертного типа).
Далее методика словесного портрета предполагает сопоставление двух моделей: модели внешности задержанного преступника и модели показаний свидетеля. Первая формируется на основании непосредственного визуального контакта с объектом и, следовательно, имеется возможность точно и однозначно выделить признаки внешности. Вторая строится вне прямого визуального контакта с объектом и базируется исключительно на суждениях свидетеля о том, какое значение может принимать тот или иной признак. Задача поиска формулируется следующим образом. Имеется база данных, состоящая из моделей внешности для N человек, и модель показания свидетеля. Необходимо выбрать из базы n моделей, наиболее соответствующих модели показания. Для решения описанных выше проблем, связанных с формализацией оценки признаков метрического и экспертного типов, авторами предложено перейти к нечёткой модели представления внешности и показаний свидетеля.
2. Методика нечёткого словесного портрета
Согласно методике нечёткого моделирования предполагается, что каждый признак а; є A представлен нечётким множеством Q; С Q; , где Q; —
множество значений признака. Нечёткая модель внешности, таким образом, представляется в виде
S={(aip Oij), ...,(ain, Qin)} , где {aiP ... , ain} Є A
— множество признаков внешности; Оik cQik —
значения признаков. Отметим, что в общем случае модель представления внешности формируется не на всём множестве A, а лишь на некотором его подмножестве.
Процесс формирования нечёткой модели представления внешности предполагает применение процесса фаззификации для нахождения значений признаков метрического типа; непосредственное задание функции принадлежности для признаков экспертного типа и применение продукционных правил для нахождения производных признаков.
Подход к заданию фаззификаторов, основанный на понятиях точек максимального соответствия и областей доминирования, предложен в [4]. Согласно данному подходу для каждого терма эксперту необходимо представить область доминирования Vi, соответствующую в не меньшей степени і-му терму, нежели остальным термам; и точки максимального соответствия ti, в наибольшей степени
соответствующие терму. Очевидно, в области доминирования функция принадлежности данного терма должна быть не меньшей, чем функция принадлежности других термов, а в точке максимального соответствия — равняться 1.
Покажем на примере, как формируются значения признаков метрического и производного типа. Признак высота лба, являющийся относительным метрическим признаком, согласно [1] определяется по соотношению высоты лба с физической высотой лица, причём средним считается лоб, примерно равный 1\3 высоты лица. Нечёткое множество
016.2 , выражающее значение данного признака,
задаётся на Oi6.2 = {низкий, средний, высокий}, где индекс «16.2» нечёткого множества Qi6 2 представляет собой принятый в криминалистике цифровой код признака «высота лба» («16» обозначает код элемента внешности «лоб», а «2» - код признака, относящегося к данному элементу внешности). По показаниям эксперта заданы точки максимального
С°°ТвеТСТвия : t низкий = 0,25 ; 1 средний =0>33 ;
tвысокий = 0,5 и области доминирования:
Унизкий = [0,25;0,31] ; Усредний = [0,31; 0,37]; Увысокий = [0,37;0,5] .
Так получены следующие результаты измерения: высота лба — 6 см; физическая высота лица — 16 см. Тогда оцениваемая величина, соответствующая высоте лба, будет равна отношению высоты лба к высоте лица и составит 0,375. Данная величина передаётся фаззификатору, заданному графиком рис.1.
На выходе фаззификатора получается значение признака, представленное нечётким множеством
^16.2 = {средний 10,48; высокий 10,52}
Терм «малый» имеет функцию принадлежности, равную нулю, поэтому в целях компактного представления не включён в выражение нечёткого множества.
I 1 ■
0,75
0,5
0,25
0 ■
6 U
Низкий — -Средний Высокий
Рис.1. График фаззификатора для признака «высота лба»
Производный признак «величина лба» согласно [1] является комплексной оценкой, объединяющей в себе признаки высота и ширина лба. Так, «большим является высокий и широкий лоб»; «малым—узкий и низкий лоб». Дополним данное определение
РИ, 2005, № 1
123
правилом: «средним является не большой и не малый лоб». Значение признака «ширина лба» вычислено аналогично высоте лба и выражено нечётким множеством
Q16.3 = {средний 10,4; высокий 10,6}
Функция принадлежности на термах «малый» и «большой» принимает соответственно значения: 0 л 0 = 0 и 0,52 л 0,6 = 0,52 . На элементе «средний» функция принадлежности принимает значение 0 v 0,52 = 0,48 . Таким образом, значение признака выражается нечётким множеством
Qj6.4 = {средний10,48; большой10,52}
Лингвистическая модель показаний свидетелей так же, как и модель представления внешности, строится на подмножестве A (поскольку в общем случае свидетель просто не в состоянии запомнить все признаки внешности) и имеет тот же вид, что и модель представления внешности. Однако каждый признак рассматривается как экспертный (со свидетелем в роли эксперта), с одним отличием: функция принадлежности в данном случае выражает уверенность не в том, что признак принимает то или иное значение, а в том, что он может принимать это значение.
где v(0ц 0;) — степень нечёткого соответствия по i-му признаку.
Анализ возможных вариантов лингвистического описания, даваемого свидетелем, показал, что наиболее адекватным критерием оценки соответствия между описанием свидетеля и моделью внешности, хранящейся в БД, является степень нечёткого
вхождения v(Q^ ОД нечёткого множества в нечёткое множество , представленная в виде:
V(Qi, Q; ) = 1 - і 2 (Оi, Оi П Qi ) (3)
где і 2 (A, B) — относительное расстояние Евклида.
Покажем действие выражения (3) на признаке «величина лба», вычисленного ранее в (1). Пусть показания свидетеля по данному признаку заданы в одном случае в виде нечёткого множества
q(6.4 = {малыйI0,6; средний0,6} , а в другом -Ц6,4 = {сРеДний|0,6, большой|0,6} . Так, в первом
Очевидно, переход к нечёткой модели решает описанные выше проблемы устойчивости процедуры оценки значений для признаков метрического типа, категоричности - для признаков экспертного типа.
3. Модель поиска неизвестного лица в БД по описанию свидетеля
Для поиска человека в БД система должна отсортировать хранящиеся в базе модели внешности по степени соответствия описанию свидетеля, а окончательное опознание по прилагаемой фотографии возлагается на свидетеля.
В общем случае и модель представления внешности, и модель показаний свидетеля не являются полными относительно включения признаков а; є A, т.е. заданы не на всём пространстве признаков A, а только на его подмножестве A 'с A и A "с A соответственно. Сравнение моделей ведётся на
множестве Al = A'n A" . Случай AL =0 не рассматривается.
Для нахождения степени соответствия лингвистической модели внешности S = {(ai, Qi W^eAl описанию свидетеля S = {(ai, использовано
выражение
S(S, S) =
Card(AL) aieAL
х V(Qi, Qi)
1
(2)
случае показания соответствуют словесной формулировке: «межу средним и малым», во втором — «между большим и средним». Проведя вычисления,
имеем: v( П16 4, Й(16)4 )=0,48 ; v(Q164, . Оче-
видно, полученный результат соответствует здравому смыслу.
4. Сравнение нечёткой и классической модели описания внешности
Для тестирования данной методики были сформированы две базы данных из 20 человек (все мужчины в возрасте от 25 до 40 лет). В одну базу данных вносились обычные («чёткие»), в другую - нечёткие модели. После этого «свидетелю», ранее не знакомому ни с одним из 20 человек, было предложено поочерёдно запомнить каждого в течение нескольких минут и составить две модели его описания: обычную («чёткую») и нечёткую, после чего производился поиск каждого из 20 человек по чёткому и нечёткому описанию. Цель опыта — сравнить результаты поиска в БД с применением классической методики словесного портрета и той же методики, но с использованием нечётких моделей.
В формировании модели был задействован не полный набор элементов и признаков словесного портрета, а лишь его фрагмент. Всего в фрагмент входит 38 признаков, относящихся к 13 элементам внешности, таким как: лицо в целом (форма, горизонтальная профилировка, соотношение высоты и ширины), волосы (линия роста), лоб (форма, высота, ширина, величина, наклон), брови (контур,
124
РИ, 2005, № 1
направление, взаиморасположение, высота, ширина, длина), глаза (контур, длина, степень раскрытия, положение, цвет), скулы (выраженность), нос в целом (высота, ширина, выступание), переносье (глубина), спинка носа (контур, длина, ширина), основание носа (положение), рот (размер, контур, положение уголков рта), губы (общее выступание губ, ширина кайм губ), подбородок (высота, ширина, выступание, контур). Из них: экспертного типа — 12 признаков; метрического типа — 24 признака; производного типа — 2 признака.
Оценка проведена по методике из [5] для алгоритмов распознавания лиц, согласно которой результаты распознавания выводятся в зависимости от его ранга. Образ, при этом, считается распознанным по рангу n, если образ из БД входит в n образов, наиболее соответствующих тестовому. В качестве степени соответствия была использована операция вхождения в виде (3), результаты тестирования приведены на рис.2.
И Чёткий метод_____ і Нечёткий метод
Рис. 2. Результаты сравнения поиска неизвестного лица в БД с использованием и без использования нечётких моделей
Выводы
Предложенная методика нечёткого словесного портрета показала лучший результат, чем классическая методика словесного портрета в задаче поиска неизвестного человека в БД по словесному описанию свидетеля. На предложенном тесте по результатам эксперимента преимущество в эффективности поиска составило 20%.
Литература: 1. Криминалистическое описание внешности человека: Учебное пособие / Снетков В.А. и др. // Под общей редакцией профессора В.А. Снеткова. М.: ВНИИ МВД СССР, 1984. 128 с. 2. Системы Папи-лон, АДИС «Папилон» // Режим доступа: http:// www.papillon.ru/adis.html — название экрана. 3. Система інформаційного забезпечення ОВС України: навчально-практичний посібник / Саницький В.А. та ін. // К., ТОВ АНТЕКС 2000. 144с. 4. Методика нечёткого словесного портрета / Григорьев А.В. // Вестник Херсонского государственного технического университета. 2004 . N1 (19). 5. The FERET Evaluation Methodology for Face-Recognition Algorithms / P.Jonathon Phillips & other // NIST, US Army Research Laboratory, 1999.
Поступила в редколлегию 23.11.2004
Рецензент: д-р техн. наук, проф. Кривуля Г.Ф.
Каргин Анатолий Алексеевич, д-р техн. наук, профессор, зав.кафедрой компьютерных технологий ДонНУ. Научные интересы: теория ситуационных интеллектуальных машин, технология мягких вычислений. Адрес: Украина, 87055, Донецк, ул.Университетская, 24, тел.: 8-062-305-14-18
Григорьев Андрей Викторович, аспирант ДонНУ. Научные интересы: методы искусственного интеллекта, нечёткие системы, нейронные сети, генетические алгоритмы, гибридные системы. Увлечения, хобби: математика, спорт, музыка.
РИ, 2005, № 1
125
