Бейнелерді классификациялау әдістері.

Соңғы жылдары бейнелерді тану күнделіктің өмірде үлкен қолданыс табуда. Тілді және қолжазба мәтіндерін тану адамның компьютермен қарым-қатынасын едәуір жеңілдетеді, баспа мәтінді тану құжаттарды электронды формаға ауыстыруға көмектеседі. Белгісіз көптік түсінігі негіз болып табылады. Компьютерде көптік түсінігі қайталанбайтын бір типті элементтер жинағымен сипатталады. Әмбебап көптікке тапсырма шешіге арналған барлық мүмкін элементтерден тұрады, бос көптік бір-біреуінен де тұрмайды.

       Тану міндетінің классикалық қойылымында (бірнеше ондық жыл ғана өмір сүрген ғылымды классикалық деп айту қисынсыз) әмбебап көптік бейне-бөлшектерге бөлінеді. Қандай да бір объект бейнесі оның жеке белгілері арқылы танылады. Әмбебап көптікте мәтінді тану жағдайында барлық мүмкін белгілер «Ы» бейнесіне-осы әріптің барлық мүмкін сызбаларына енеді, ал тану бағдарламасы әр әріптің сызба үлгілеріндегі аз жинақ негізінде енгізілген белгі қай әріптің сипатын айқындайтынын анықтаумен айналысады.

       Элементті қандай да бір бейнеге жатқызу шешуші ереже деп аталады. Тағы да бір маңызды түсінік бұл – метрика, әмбебап көптік элементтері арасындағы қашықтықты анықтау әдісі. Бұл қашықтық қанша аз болса, біз танитын символдар, дыбыстар сонша ұқсас болады. Әдетте элементтер сан жинағы ретінде (ал басқаша қалай?), ал метрика – функция түрінде беріледі. Бейне ұсынысын таңдаудан және метриканы іске асырудан бағдарлама тиімді болады, түрлі метрикалы бір тану алгоритмі түрлі жиілілікпен қателесетін болады (қателесу құқығы тану бағдарламасына адамдарға сияқты тән құбылыс болып табылады).

       Бейнелерді тану жұмысының принциптерін эталондарды көбейту әдісінің негізіндегі қарапайым алгоритм көрсетеді. Оның кіреберісінде оқытушы іріктеу – A_i- үлгілер жинағы әр A_i бейнеге, d метркиасы және танылатын объектінің өзі х. Метрика көмегімен х –тен әр оқытушы іріктеу элементіне дейінгі d қашықтықты өлшейміз де шартты қашықтықты d(х, A_i) табамыз, ол х –тен A_i элементтерінің біреуіне дейінгі арақашықтықпен сәйкес келеді. Х элементі барлығынан жақын бейнеге жатады.

       Нақты алғанда бұл жағдайда әр сынып бойынша минимум қашықтықты табу және тағы бір минимум алу қажет. Қолмен ұстап көргісі келетіндер элементті түсінгісі келетіндер екі координатты, метрика ретінде Пифагор теоремасы бойынша қашықтықты көруі, бағдарлама жасауы қажет.

       Бейнелерді тану – кибернетика бөлімі, ол теориялық негіздерді және соңғы жинағымен кейбір сипаттар мен белгілерді сипаттайтын заттар, көріністер, үрдістер, сигналдар, жағдайлар және тағы басқа объектілерді классификациясы мен идентификациясын дамытады. Мұндай тапсырмалар барынша жиі жағдайларда, мысалы көшені бағдаршам белгілері бойынша өту кезінде шешіледі. Бағдаршамның жанған түсін тану және жолда жүру ережелерін білу сол сәтте көшені өтуге болу-болмауы туралы дұрыс шешім қабылдауға мүмкіндік береді.

Биологиялық эволюция үрдісінде көптеген жануарлар көру және есту аппараты арқылы бейнелерді тану мәселесін оңай шешкен. Жасанды жүйелерді құру күрделі техникалық және теориялық мәселе болып табылады. Осындай тану қажеттілігі түрлі салаларда орын алады - әскери іс пен қауіпсіздік жүйесінен бастап барлық мүмкін сәйкес белгілерге дейін.

Бейнелерді танудың дәтүрлі міндеттері өз тапсырмалар саласына жасанды интеллект енеді.

Бейнелерді тану тапсырмаларының үлгілері

o әріптерді тану

o штрих-кодтарды тану

o автомобиль нөмірлерін тану

o тұлғаларды тану

o тілді тану

o бейнелерді тану

Бейнелерді тану әдістері. Бейнелерді оптикалық тану үшін объектіні түрлі бұрыштары, масштабтары, аралары және т.б. түрлерін іріктеу әдісін қолдану қажет. Әріптер үшін шрифт, шрифт қасиеттерін және т.б. қарастыру қажет. Екінші жолы – объект сызбасын табу және оның қаситтерін интеллектілеу (байланыстылығы, бұрыштары болуы және т.б.)

Тағы да бір жолы – жасанды нейронды желілерді пайдалану. Бұл әдіске тану тапсырмалары үлгілерінің көп болуы қажет (дұрыс жауаптарымен) немесе осы тапсырманың ерекшелігін ескеретін арнайы нейтронды желі құрылымы қажет.

Перцептрон бейнелерді тану әдісі ретінде

Ф.Розенблатт құрылымы мен функционалдық қасиеттері белгілі кейбір физикалық жүйелерде писхологиялық жағдайлар да пайда болуы мүмкін екенін көрсету міндеті болып табылатын ми моделі туралы түсінікті енгізу кезінде ажырату бойынша эксперименттердің қарапайым түрлерін сипаттаған. Бұл эксперименттер бейнелерді тану әдістеріне толығымен жатады, бірақ шешім алгоритмінің детерминдемеуіне байланысты ерекшеленеді.

Кейбір жүйелер туралы психологиялық маңызды ақпарат алуға болатын қарапайым эксперимент салдарынан модельдер екі түрлі стимул ұсынады, және олардың түрлі бейнеде әсер етуі қажет. Мұндай эксперименттің мақсаты олардың эксперимент жасаушы тарапынан кедергі жасаушылық болмаған жағдайда жүйелер арқылы ажырату мүмкіндігін интеллектлеу болып табылады. Перцептронды оқыту тәжірибесіне әдетте бейнелердің кейбір бірізділігі талап етіледі, оған ажыратуға тиісті әрбір класс өкілдері енеді. Ес модификациясының кейбір ережелеріне сәйкес реакцияның дұрыс шешімі бекітіледі. Бұдан кейін перцептронға бақылау стимул ұсынылады, осы класс стимулына дұрыс реакция алу мүмкіндігі анықталады. Іріктелген басқылау стимулы бейнелердің біреуімен сәйкес келген жағдайға байланысты түрлі нәтижелер алынады.

Генетикалық алгоритмдер. Генетикалық алгоритмдер – соңғы кезде функционалдық тапсырмаларды шешуде жиі қолданатын адаптивті іздеу әдісі болып табылады. Олар биологиялық ағзалардың генетикалық үрдісіне негізделген: биологиялық қауымдастықтар бірнеше ұрпақ барысында дамиды, Чарльзх Дарвин ашқан «барынша бейімделген ғана өмір сүреді» принципі бойынша табиғи іріктеу заңына тәуелді болады.

ГА негізгі принциптерін Голланд құрған болатын (1975) және көптеген еңбектерде жақсы сипатталған. Табиғатта болып жатқа эволюцияға қарағанда ГА қауымдастықтағы тек дамуға маңызды үрдістерді модельдейді.

ГА осындай мехнизммен тікелей аналогияны пайдаланады. Олар «түр» қауымдастығымен әрекет етеді, олардың әрқайсысы осы мәселенің небір шешімдерін ұсынады. Әр түр өзінің бейімділігімен ерекшеленеді. Мысалы, бейімделу шегі күш/салмақ арақатынасы болуы мүмкін. (табиғатта бұл ағзаның қорларға қаншалықты күре алатынына сәйкес келеді). Барынша бейімделген түрлер басқа қауымдастық түрлерімен тоғысу арқылы өз ұрпағын жалғастыра алады. Бұл өз ата-аналарына тән емес қасиеттері бар басқа түрлердің пайда болуына әкеледі.

ГА көмегімен жетілу мақсаты бір немесе бірнеше критерийлер бойынша барлық мүмкін міндеттердің шешімін табу болып табылады. Іздеу тапсырмасын қоюда бұл құрылымның данасы барлық мүмкін шешімдер кеңістігіндегі бір нүктені табу болып табылады.

Генетикалық алгоритмнің құрылымдық деректері бір немесе одан да көп хромосома санынан тұрады (әдетте біреуден). Негізінде, ГА бинарлық түсінік ретінде шектелмеген.

Әр хромосома (сызық) ген деп аталатын кіші компоненттер қатарынан тұратын конкатенация болып табылады. Гендер түрлі қалыпта және хромосома локустарында орналасады, аллея деп аталатын маңызда болады. Бинарлық сықытар түсінігінде ген-бит, локус – оның сызықтағы қалпы, аллель – оның мәні (0 немесе 1). «Генотип» биологиялық термині толық генетикалық моделге жатады және ГА құрылымына сәйкес келеді. «Фенотип» термині сыртқы бақылау белгілеріне жатады және апарметрлер кеңістігіндегі векторға сәйкес келеді. Барынша қарапайым, бірақ көрнекі үлгі – екі алмастырушы функциялардың максимизациясы болып табылады.

Дәл емес жиындар. E – әмбебап жиын, x - E элементі, ал R – кейбір қасиеттері болсын. Е әмбебап жиынның А кәдімгі ішкі жиыны элементтері R қасиетін қанағаттандыратын, A = {_A (х)/ х }, реттелген қос жиын ретінде анықталады мұнда _A(х) – сипатталған функциясы, егер x R -дің қасиеттерін қанағаттандырса 1 мәнін қабылдайды, және керісінше жағдайда -  0.

Дәл емес ішкі жиын қарапайымнан мынамен ерекшеленеді, R қасиеттеріне байланысты Е ішіндегі х элементтері үшін "иә-жоқ" бірмәнді жауап жоқ. Осыған байланысты, Е әмбебап жиынның А дәл емес ішкі жиыны реттелген қос A = {_A(х)/ х } жиындары ретінде анықталады, мұнда _A(х) – сипаттама қатысты функциясы (немесе жай қатысты функциясы), реттелген M жиыннында мәнді қабылдайтын(мысалы, M = [0,1]).

Қатыстыфункциясы А ішкі жиынына х элементінің қатысты дәрежесін (немесе деңгейін) көрсетеді. M жиыннын қатысты жиындары деп атайды. Егер M = {0,1}, онда A дәл емес ішкі жиын қәдімгі немесе дәл жиын ретінде қарастырылады.