Распознавание образов на ЭВМ

© 2005 Малинин В.В. - редактор версии для сайта СГГА.
http://www.ssga.ru/erudites_info/ccd_and_cmos/oes/html/index.html
1. Основные понятия распознавания образов
2. Основные задачи, возникающие при разработке систем распознавания образов
3. Краткое описание концепций и методологии
4. Краткая история вопроса появления технических систем автоматического распознавания и методов их создания
5. Системы распознавания
1. Основные понятия распознавания образов.
Способность "распознавать" считается основным свойством человеческих
существ, как, впрочем, и других живых организмов. Образ представляет собой
описание объекта. В каждое мгновение нашего бодрствования мы совершаем
аакты распознавания. Мы опознаем окружающие нас объекты и в соответствии с
этим перемещаемся и совершаем определенные действия. Мы можем заметить в
толпе друга и понять, что он говорит, можем узнать голос знакомого, прочесть
рукопись и идентифицировать отпечатки пальцев, можем отличить улыбку от
злобной гримасы. Человеческое существо представляет собой очень сложную
информационную систему - в определенной степени это определяется
чрезвычайно развитыми у человека способностями распознавать образы.
В соответствии с характером распознаваемых образов акты распознавания можно
разделить на два основных типа: распознавание конкретных объектов и
распознавание абстрактных объектов. Мы распознаем символы, рисунки, музыку
и объекты, нас окружающие. Процесс, включающий распознавание зрительных и
слуховых образов, можно определить как "сенсорное" распознавание. Процессы
этого типа обеспечивают идентификацию и классификацию пространственных и
временных образов. С другой стороны, мы в состоянии с закрытыми ушами и
глазами опознать старый довод или найти решение задачи. Подобные процессы
обеспечивают распознавание абстрактных объектов и их можно определить как
"понятийное" распознавание в отличие от зрительного или слухового
распознавания. Примерами пространственных образов служат символы,
отпечатки пальцев, синоптические карты, физические объекты и рисунки. В
разряд временных образов входят речь, переменные сигналы,
электрокардиограммы, характеристики цели и временные ряды.
Распознавание человеком конкретных образов можно рассматривать как
психофизиологическую задачу, связанную с процессом взаимодействия индивида
с определенным физическим раздражителем. Когда индивид воспринимает образ,
он реализует процесс индуктивного вывода и устанавливает ассоциативную связь
между своим восприятием и определенными обобщенными понятиями или
"ориентирами", установленными им на основании прошлого опыта. В сущности
распознавание человеком образов можно свести к вопросу оценки относительных
шансов на то, что исходные данные соответствуют тому или иному из известных
множеств статистических совокупностей, определяющихся прошлым опытом
человека и предоставляющих ориентиры и ааприорную информацию для
распознавания. Таким образом, задача распознавания образов можно
рассматривать как задачу установления различий между исходными данными,
причем не посредством отождествления с отдельными образами, но с их
совокупностями; последнее осуществляется при помощи поиска признаков
(инвариантных свойств) на множестве объектов, образующих определенную
совокупность.
В задачах распознавания образов можно выделить два основных направления:
- Изучение способностей к распознаванию, которыми обладают человеческие
существа и другие живые организмы.
- Развитие теории и методов построения устройств, предназначенных для
решения отдельных задач распознавания образов в определенных прикладных
областях.
Первое направление связано с такими дисциплинами, как психология,
физиология и биология, второе же имеет дело в первую очередь с техникой,
вычислительными машинами и информатикой
Проще говоря, распознавание образов можно определить как отнесение исходных
данных к определенному классу с помощью выделения существенных признаков
или свойств, характеризующих эти данные, из общей массы несущественных
деталей. Прогноз погоды можно интерпретировать как задачу распознавания
образов. Исходные данные в этом случае принимают вид синоптических карт.
Система интерпретирует их, выделяя существенные признаки и формируя на их
основе прогноз. Постановку медицинского диагноза также можно рассматривать
как задачу распознавания образов. Симптомы служат исходными данными для
распознающей системы, которая на основе их анализа идентифицирует
заболевание. Система распознавания символов представляет собой систему
распознавания образов, в которую в качестве исходных данных вводятся
оптические сигналы и которая идентифицирует названия символов. В системе
распознавания речи произнесенное слово идентифицируется посредством анализа
воспринятого системой звукового сигнала. В табл. 1.1 перечислен ряд задач
классификации, а также соответствующие исходные данные и ответы,
выдаваемые системой.

Предмет распознавания образов объединяет ряд научных дисциплин; их
связывает поиск решения общей задачи - выделить элементы, принадлежащие
конкретному классу, среди множества размытых элементов, относящихся к
нескольким классам. Под классрм. образов понимается некоторая категория,
рядом свойств, общих для всех ее элементов.
Таблица 1.1 - Задачи классификации
Содержательный
характер задачи
классификации
Вид исходных данных
Вид ответа системы
распознавания
Распознавание символов
Оптические : сигналы
или элементы
развертки
Название символа
Распознавание речи
Акустические сигналы.
Голос
Слова
говорящего чело
века
Прогноз погоды
Синоптические карты
Прогноз погоды
Установление
медицинского
диагноза
Симптомы заболевания
Вид заболевания
Прогноз состояния
фондовой биржи
Финансовые новости и
сводки
Прогноз повышения или
понижения цен на
рынке
Образ - это описание любого элемента как представителя соответствующего
класса образов. В случаекогда множество образов разделяется на
непересекающиеся классы, желательно использовать для отнесения этих образов
к соответствующим классам какое-либо автоматическое устройство. Считывание
и обработка погашенных банковских чеков являются примером задачи
распознавания образов. Подобные задачи могут выполняться и людьми; машина,
однако, справляется с ними много быстрее. С другой стороны, некоторые задачи
распознавания таковы, что человек едва ли в состоянии решать их. Примером
задач такого рода служит выделение из множества морских сигналов и шумов
тона подводной лодки посредством анализа подводных звуковых сигналов.
Очевидное, но совсем уж "бесхитростное" решение задачи распознавания
заключается в применении к отдельным предъявленным образам ряда простых
тестов для выделения признаков каждого класса. Совокупность этих тестов
должна различать все допустимые образы из разных классов. Рассмотрим,
например, следующие четыре китайских иероглифа:
Эти простые символы можно распознать с помощью тестов, проверяющих
наличие вертикальной черточки, горизонтальной черточки, отдельной точки,
открытой верхней части, открытой нижней части и последовательности точек,
подсчитав затем количества и последовательности черточек. В качестве второго
примера рассмотрим следующие пять английских букв:
С О I N 8
Эти буквы можно классифицировать, применив тесты на наличие таких
признаков, как замкнутая кривая, изгиб, двойной изгиб, вертикальный отрезок,
короткий отрезок. На рис. 1.1 приведена функциональная блоксхема,
иллюстрирующая описанный подход к распознаванию образов.
Рис. 1.1 - Блок-схема простой логической (вопросно-ответной) процедуры
классификации признаков;
Если следовать такому интуитивному подходу, то построение автоматической
системы распознавания образов может показаться довольно простой задачей. Не
существует, однако, общей теории, позволяющей определить, какие из всего
множества мыслимых тестов следует применить к предъявленным образам.
Очень ограниченное количество или небрежный выбор тестов не дадут
возможности получить характеристики предъявленных для распознавания
образов, достаточные для отнесения их к соответствующим классам. Слишком
много тестов, с другой стороны, необоснованно усложнят вычисления,
осуществляемые в процессе дальнейшего анализа. Отсутствует какое-либо общее
правило для получения неких ориентиров, способствующих определению набора
таких тестов. Подобный подход чрезмерно зависит от опыта и технической
интуиции разработчика и поэтому часто не дает удовлетворительного решения
задач распознавания образов, встречающихся в практической деятельности.

Рис. 1.2 - Иерархия отношений между образами и классами образов;
Тщательное изучение задач, возникающих в процессе распознавания образов,
позволяет прийти к более эффективным подходам.
Между образами и классами образов существует некое иерархическое
упорядочение. Так, на схеме, приведенной на рис. 1.2, буквенно-цифровые
символы и китайские иероглифы являются образами, а символы соответствуют
классу образов. Буквы алфавитов и цифры являются образами, если буквенноцифровые
символы рассматриваются как класс образов. Печатные и рукописные
изображения, например, буквы А являются образами буквы английского
алфавита А, которая представляет в этом случае класс образов. Многие
информационные системы нуждаются в устройстве для распознавания печатных
букв и цифр, набранных различными шрифтами, и рукописных букв и цифр,
написанных различными почерками. Разнообразие наборных шрифтов и способов
написания определенной буквы или цифры порождает образы, принадлежащие к
определяющему данный символ классу.
Остановимся на задаче распознавания письменных знаков. Конкретная буква
или цифра вне зависимости от того, как она напечатана или написана, обладает
рядом общих признаков, которые используются в качестве средств ее
идентификации. Буквы и цифры идентифицируются и классифицируются
согласно отмеченным у них таким признакам. Следовательно, основные функции
системы распознавания образов заключаются в обнаружении и выделении общих
признаков образов, описывающих объекты, принадлежащие к одному и тому же
классу образов, узнавании этого образа в любой другой обстановке и отнесении
его к одному из заданных классов.
2. Основные задачи, возникающие при разработке систем распознавания образов.
Задачи, возникающие при построении автоматической системы распознавания образов,
можно обычно отнести к нескольким основным областям. Первая из них связана с
представлением" исходных данных, полученных как результаты измерений для
подлежащего распознаванию объекта. Это проблема чувствительности. Каждая измеренная
величина является некоторой "характеристикой образа или объeкта. Допустим, например,
что об.разами являются буквенноцифровые символы. B таком случае в датчике может быть
успешно использована измерительная сетчатка, подобно приведенной на рис. 2.1,а. Если
сетчатка состоит из п элементов, то результаты измерений можно представить в виде
вектора измерений или вектора образа.
(1)
где каждый элемент xi, принимает, например, значение 1, если через i-ю ячейку сетчатки
проходит изображение символа, и значение 0 в противном случае. B последующем
изложении будем называть векторы образов просто образами в тех случаях, когда это не
приводит к изменению смысла.
Второй пример проиллюстрирован на рис. 2.1,6. B этом случае образами служат
непрерывные функции (типа звуковых сигналов) переменной t. Если измерение значений
функций производится в дискретных точках t1,t2, ..., tn, вектор образа можно сформировать,
приняв x1= f(t1),x2=f(t2),... , xn = f(tn).
Рис. 2.1 - Две простые схемы порождения вектора образа;
Векторы образов будут обозначаться строчными буквами, выделенными жирным шрифтом,
например х, у и z. Условимся, что эти векторы везде будут векторстолбцами, как в
уравнении (1). Эквивалентная запись х=(х1,x2,...,xn)', где штрих обозначает
транспонирование, будет также использоваться в тексте.
Векторы образов содержат всю поддающуюся измерению информацию об образах. Процесс
измерения, которому подвергаются объекты определенного класса образов, можно
рассматривать как процесс кодирования, заключающийся в присвоении каждой
характеристике образа символа из множества элементов алфавита {xi,}. Когда измерения
приводят к информации, представленной действительными числами, часто оказывается
полезным рассматривать векторы образов в качестве точек n-мерного евклидова
пространства. Множество образов, принадлежащих одному классу, соответствует
совокупности точек, рассеянных в некоторой области пространства измерений.
Соответствующий простой примср приведеи на рис. 2.2 для случая двух классов,
обозначенных w1 и w2. B этом примере предполагается, что классы w1 и w2 представляют
соответственно группы футболистовпрофессионалов и жокеев. Каждый "образ"
характеризуется результатами двух измерений: ростом и весом. Векторы образов имеют,
следовательно, вид X = (X1, X2)', где параметр х1 - рост, а параметр х2 - вес. Каждый вектор
образа можно считать точкой двумерного пространства. Как следует из рис. 2.2 эти два
класса образуют непересекающиеся множеcтва что объясняется характером измерявшихся
параметров. B практичёскйх ситуациях, однако, далёко не всегда удается выбрать
измеряемые параметры так, чтобы получить строго непересекающиеся множества. B
частности, если в качестве критериев разбиения выбран рост и вес, может наблюдаться
существенное, пересечение классов представляющих профессиональных футболистов и
баскетболистов.

Рис. 2.2 - Два непересекающихся класса образов;
Вторая задача распознавания образов связана с выделением характерных признаков или
свойств из полученных исходных данных и снижением размерности векторов образов. Эту
задачу часто определяют как задачу предварительной обработки и выбора признаков. При
распознавании речи, например, можно отличать гласныс и полугласные звуки от
фрикативных и некоторых других консонант, измеряя частотное распределение энергии в
спектрах. Шире всего при распознавании речи используются такие признаки, как
длительность звука, отношения величин энергии в различных диапазонах частот,
расположение пиков спектров (или формант) и их смещение во времени.
Признаки класса образов представляют собой характерные свойства, общие для всех
образов данного класса. Признаки, характеризующие различия между отдельными
классами, можно интерпретировать как межклассовые признаки. Внутриклассовые
признаки, общие для всех рассматриваемых классов, не несут полезной информации с
точки зрения распознавания и могут не приниматься во внимание. Выбор признаков
считается одной из важных задач, связанных с построением распрзнающих., систем. Если
результаты измерений позволяют получить полный набор различительных признаков для
всех классов, собственно распознавание и классификация образов не вызовут особых
затруднений. Автоматическое распознавание тогда сведется к процессу простого
сопоставления или процедурам типа просмотра таблиц. B болышшстве практических задач
распознавания, однако, определение полного набора различительных признаков
оказывается делом исключительно трудным, если вообще не невозможным. K счастью, из
исходных данных обычно удается извлечь. некоторые из различительных .признаков и
использовать их для упрощения процесса автоматического распознавания образов. B
частности, ,размерность векторов измерений можно снизить с помощью преобразований,
обеспечивающих минимизацию потери информации.
Третья задача, связанная с построением систем распознавания образов, состоит в
отыскании оптимальных решающих процедур, необходимых при идентификации и
классификации. После того как данные, собранные о подлежащих распознаванию образах,
представлены точками или векторами измерений в пространстве образов, предоставим
машине выяснить, какому классу образов эти данные соответствуют. Пусть машина
предназначена для различения M классов, обозначенных w1, w2, ... ..., wm B таком случае
пространство образов можно считать состоящим из M областей, каждая из которых
содержит точки, соответствующие образам из одного класса. При этом задача
распознавания может рассматриваться как построение границ областей решений,
разделяющих M классов, исходя из зарегистрированных векторов измерений. Пусть эти
границы определены, например, решающими функциями d1(х),d2(x),..., dm(х). Эти
функции, называемые также дискриминантными функциями, представляют собой
скалярные и однозначные функции образа х. Если di (х) " dj (х) для всех _, j= 1, 2, ..., M, j ? _,
то образ х принадлежит классу w1,. Другими словами, если i-я решающая функция di(x)
имеет наибольшее значение, то X_WI. Содержательной иллюстрацией подобной схемы
автоматической классификации, основанной на реализации процесса принятия решения,
служит приведенная на рис. 2.3 блоксхема (на схеме ГРФ означает "генератор решающих
функций").
Рис. 2.3 - Блоксхема системы классификации образов;
Решающие функции можно получать целым рядом способов. B тех случаях, когда о
распознаваемых образах имеются полные априорные сведения, решающие функции могут
быть определены точно на основе этой информации. Если относительно образов имеются
лишь качественные сведения, могут быть выдвинуты разумные допущения о виде
решающих функций. B последнем случае границы областей решений могут существенно
отклоняться от истинных, и поэтому необходимо создавать систему, способную приходить к
удовлетворительному результату посредством ряда последовательных корректировок. Ho,
как правило, мы обладаем лишь немногочисленными (если они вообще имеются!)
априорными сведениями о распознаваемых образах. B этих условиях при построении
распознающей системы лучше всего использовать обучающую процедуру. Ha первом этапе
выбираются произвольные решающие функции и затем в процессе выполнения
итеративных шагов обучения эти решающие функции доводятся до оптимального либо
приемлемого вида. Классификацию объектов с помощью решающих функций можно
осуществлять самыми различными способами. B данной книге мы изучим несколько
детерминистских и статистических алгоритмов нахождения решающих функций.
Решение задачи предварительной обработки и выделения признаков и задачи получения
оптимального решения и классификации обычно связано с необходимостью оценки и
оптимизации ряда параметров. Это приводит к задаче оценки параметров. Кроме того,
понятно, что и процесс выделения признаков, и процесс принятия решений могут быть
существенно усовершенствованы за счет использования информации, заключенной в
контексте образов. Информация, содержащаяся в контексте, может быть измерена с
помощью условных вероятностей, лингвистических статистик и близких вариантов. B
некоторых приложениях просто необходимо использовать контекстуальную информацию
для точного распознавания. B частности, полная автоматизация распознавания речи
возможна только при наличии контекстуальной и лингвистической информации,
дополняющей информацию, содержащуюся в записи звуковых сигналов речи. По
аналогичным причинам крайне желательно привлечение контекстуальной информации
при распознавании скорописи и классификации отпечатков пальцев. Пытаясь построить
распознающую систему, устойчивую по отношению к помехам, способную справиться с
существенными отклонениямн распознаваемых объектов и обладающую способностью к
самонастройке, мы встречаемся с задачей адаптации.

Объекты (образы), подлежащие распознаванию и классификации с помощью
автоматической системы распознавания образов, должны обладать набором измеримых
характеристик. Когда для целой группы образов результаты соответствующих измерений
оказываются аналогичными, считается, что эти объекты принадлежат одному классу. Цель
работы системы распознавания образов заключается в том, чтобы на основе собранной
информации определить класс объектов с характеристиками, аналогичными измеренным у
распознаваемых объектов. Правильность распознавания зависит от объема различаюшей
информации, содержащейся в измеряемых характеристиках, и эффективности
использования этой информации. Если бы мы были в состоянии измерить все возможные
характеристики и обладали неограниченным временем для обработки собранной
информации, то можно было бы достичь вполне адекватного уровня распознавания,
используя самые примитивные методы. B обычной практике, однако, ограничения по
времени, пространству и затратам требуют развития реалистических подходов.
3. Краткое описание концепций и методологии.
B основе идеи синтеза систем автоматического
распознования лежат способы, c помощью которых
описываются и разделяются классы образов. Когда класс
характеризуется перечнем входящих в него членов,
построение системы, распознавания образов может быть
основано на принципе принадлежности к этому перечню.
Когда класс характеризуется некоторыми общими
свойствами, присущими всем его членам, построение
системы распознавания может основываться на принципе
общности свойств. Когда при рассмотрении класса
обнаруживается тенденция к образованию кластеров в
пространстве образов, построение системы распознавания
может основываться на принципе кластеризации. Под
кластером понимают обычно группу объектов (образов),
образующих в пространстве описания компактную в
некотором смысле область. Эти три основных принципа
построения систем распознавания образов обсуждаются ниже.
3.1 Принцип перечисления членов класса
Задание класса перечислением образов, входящих в его
состав, предполагает реализацию процесса автоматического
распознавания образов посредством сравнения с эталоном.
Множество образов, принадлежащих одному классу,
запоминается системой распознавания. При предъявлении
системе незнакомых (новых) образов она последовательно
сравнивает их с хранящимися в ее памяти. Система
распознавания образов относит новый образ к тому классу, к
которому принадлежал находящийся в памяти системы образ,
совпавший с новым. Так, например, если в память системы
распознавания введены литеры различных наборных
шрифтов, то подход, основанный на перечислении членов
класса, позволяет распознавать соответствующие буквы, но
только в тех случаях, когда их изображения не искажены
шумом, связанным с размазыванием или плохим нанесением
краски, пористостью бумаги и т. п. Несомненно, это
несложный метод, однако он позволяет строить недорогие
системы распознавания, которые в отдельных прикладных
областях вполне справляются со своими задачами. Метод
перечислеиия членов класса работает удовлетворительно,
если выборка образов близка к идеальной .
3.2 Принцип общности свойств
Задание класса с помощью свойств, общих для всех входящих
в его состав членов, предусматривает реализацию процесса
автоматического распознавания путем выделения подобных
признаков и работы с ними. Основное допущение в этом
методе заключается в том, что образы, принадлежащие
одному и тому же классу, обладают рядом общих свойств или
признаков, отражающих подобие таких образов. Эти общие
свойства можно, в частности, ввести в память системы
распознавания. Когда системе предъявляется
неклассифицированный образ, то выделяется набор
описывающих его признаков, причем последние иногда
кодируются, и затем они сравниваются с признаками,
заложенными в память системы распознавания. B таком
случао последняя зачислит предъявленный для
распознавания образ в класс, характеризующийся системой
признаков, подобных признакам этого образа. Итак, при
использовании данного метода основная задача заключается
в выделении ряда общих свойстз по конечной выборке
образов, принадлежность которых искомому классу известна.

Очевидно, что эта концепция распознавания во многих
отношениях превосходит распознавание по принципу
перечисления членов класса. Для запоминания признаков
класса требуется значительно меньше памяти, чем для
хранения всех объектов, входящих в класс. Поскольку
признаки. характеризующие класс в целом, обладают
инвариантностью, принцип сопоставления признаков
допускает вариацию характеристик отдельных образов.
Процедура сопоставления с эталоном, с другой стороны, не
допускает существенных вариаций характеристик отдельных
образов. Если все признаки, определяющие класс, можно
найти по имеющейгся выборке образов, то процесс
распознавания сводится просто к сопоставлению no
признакам. Исключительно трудно, однако, если не
невозможно вообще, как уже упоминалось выше, найти для
некоторого класса полный набор различающих признаков.
Следовательно, обращение к этому принципу распознавания
часто связано с необходимостью развития методов выбора
признаков, являющихся в некотором смысле оптимальными.
3.3 Принцип кластеризации
Когда образы некоторого класса представляют собой векторы,
компонентами которых являются действительные числа, этот
класс можно рассматривать как кластер и выделять только
его свойства в пространстве образов кластера. Построение
систем распознавания, основанных на реализации данного
принципа, определяется взаимным пространственным
расположением отдельных кластеров. Если кластеры,
соответствующие различным классам, разнесены достаточно
далеко друг от друга, то с успехом можно воспользоваться
сравнительно простыми схемами распознавания, например
такими, как классификация по принципу минимального
расстояния. Если же кластеры перекрываются, приходится
обращаться к более сложным методам разбиения
пространства образов. Перекрытие кластеров является
результатом неполноценности доступной информации и
шумовых искажений результатов измерения. Поэтому
степень перекрытия часто удается уменъшитъ, увеличивая
количество и качество измерений, выполняемых над
образами некоторого класса.
Для реализации рассмотренных выше основных принципов
построения автоматических систем распознавания образов
существуют три основных типа методологии: эвристическая,
математическая и лингвистическая (синтаксическая).
Нередко системы распознавания создаются на основе
комбинации этих методов.
3.4 Эвристические методы
За основу эвристического подхода взяты интуиция и опыт
человека; в нем используются принципы перечисления
членов класса и общности свойств. Обычно системы,
построенные такими методами, включают набор
специфических процедур, разработанных применительно к
конкретным задачам распознавания. Пример подобного
подхода в связн с задачей распознавания символов, в которой
классификация образа (символа) производилась на основе
выделения определеиных признаков, в частности таких, как
количество и последовательность расположения
специфических штрихов (черточек). Хотя эвристический
подход играет большую роль в построении систем
распознавания образов, не много может быть сказано
относительно общих принципов синтеза, так как
решение.каждой конкретной задачи требует использования
специфическнх приемов разработки системы. Это означает,
следовательно, что структура и качество эвристической
системы в значительной степени определяются одаренностью
и опытом разработчиков.
3.5 Математические методы
B основу математического подхода положены правила
классификации, которые формулируются и выводятся в
рамках определенного математического формализма с
помощью принципов общности свойств и кластеризации.
Этим данный подход отличается от эвристического, в котором
решения определяются с помощью правил, тесно связанных с
характером решаемой задачи. Математические методы
построения систем распознавания можно разделить на два
класса: детерминистские и статистические.

Детерминистский подход базируется на математическом
аппарате, не использующем в явном виде статистические
свойства изучаемых классов образов.
Статистический подход основывается на математических
правилах классификации, которые формулируются и
выводятся в терминах математической статистики.
Построение статистического классификатора в общем случае
предполагает использование байесовского
классификационного правила и его разновидностей Это
правило обеспечивает получение оптималыюго
классификатора в тех случаях, когда известны плотности
распределения для всех совокупностей образов и вероятности
появления образов для каждого класса.
3.6 Лингвистические (синтаксические) методы
Если описание образов производится с помощью
непроизводных элементов (подобразов) и их отношений, то
для построения автоматических систем распознавания
применяется лингвистический или синтаксический подход с
использованием принципа общности свойств. Образ можно
описать с помощью иерархической структуры подобразов,
аналогичной синтаксической структуре языка. Это
обстоятельство позволяет применять при решении задач
распознавания образов теорию формальных языков.
Предполагается, что грамматика образов содержит конечные
множества элементов, называемых переменными,
непроизводными элементами и правилами подстановки.
Характер правил подстановки определяет тип грамматики.
Среди наиболее изученных грамматик можно отметить
регулярные, бесконтекстные и грамматики непосредственно
составляющих. Ключевыми моментами данного подхода
являются выбор непроизводных элементов образа,
объединение этих элементов и связывающих их отношений в
грамматики образов и, наконец, реализация в
соответствующем языке процессов анализа и распознавания.
Такой подход особенно полезен при работе с образами,
которые либо не могут быть описаны числовыми
измерениями, либо столь сложны, что их локальные
признаки идентифицировать не удается и приходится
обращаться к глобальным свойствам объектов.
Выбор метода синтеза системы еще не решает до конца
проблему составления конкретной программы и проблемы
реализации. B большинстве случаев у нас в распоряжении
имеются репрезентативные образы, представляющие каждый
из рассматриваемых классов. B таких ситуациях можно
воспользоваться методами распознавания, называющимися
обучением с учителем. B схеме обучения с учителем система
"обучается" распознавать образы с помощью разного рода
адаптивных схем. Ключевыми элементами такого подхода
являются обучающие множества образов, классификация
которых известна, и реализация соответствующей процедуры
обучения.
B некоторых прикладных задачах принадлежность к
определенным классам элементов обучающего множества
неизвестна. B таких случаях можно обратиться к методам
распознавания образов, называющимся распознаванием без
учителя. Как указывалось ранее, распознавание по схеме
"обучение с учителем" характеризуется тем, что известна
правильная классификация каждого обучающего образа. B
случае "обучения без учителя" требуется, однако, конкретно
изучить классы образов, которые имеются в данной
информации.
Важно ясно представлять себе, что обучение происходит
только на этапе построения (или коррекции в связи с
поступлением новой информации) системы распознавания.
Как только система, работая с обучающим множеством
образов, добивается приемлемых результатов, ей
предлагается реальная задача распознавания пробных
объектов, взятых из той среды, в которой системе предстоит
работать. Естественно, качество распознавания будет в
существенной степени определяться тем, насколько хорошо
обучающие образы представляют реальные данные, с
которыми система будет сталкиваться в процессе нормальной
эксплуатации.
4. Краткая история вопроса появления
технических систем автоматического
распознавания и методов их создания.

Длительное время вопросы распознавания рассматривались
человеком лишь с позиций методов биологии и психологии.
При этом целью изучения являлись в основном
качественные характеристики, не позволяющие вскрыть и
точно описать соответствующий механизм. Если и
получались числовые характеристики, то они, как правило,
были связаны с изучением рецепторов, таких как органы
зрения, слуха, осязания. Что же касалось характеристик
принятия решений, то до их математической оценки дело не
доходило. И только кибернетика позволила ввести в изучение
психологического процесса распознавания образов, лежащего
в основе принятия любых решений, количественные методы,
что открыло принципиально новые возможности в
исследовании и проектировании автоматических систем
распознавания. Только кибернетика позволила ввести в
область распознавания, как явления природы,
математические представления. В этом можно увидеть в
частности реализацию взглядов Галилея, который утверждал:
"Книга природы написана на языке математики. И тот, кто
хочет прочесть ее, должен изучать этот язык".
Исторически сложилось, что многие задачи такого класса, как
распознавание метеоосадков; распознавание авиационной
ситуации в районе аэропорта авиадиспетчером;
распознавание полосы посадки летчиком в сложных
условиях, человек, как правило, решает эффективно, то есть с
необходимым качеством. Этим и объясняется исторически
появившаяся необходимость использования человека в
качестве элемента или звена сложных автоматических
систем.
Примечательно то, что в процессе указанной деятельности
человека число принимаемых решений по результатам
распознавания ситуаций конечно, в то время как число
состояний внешней среды, оцениваемых в процессе самого
распознавания и приводящих к указанным решениям, может
быть бесконечным.
Это можно видеть на примере машинистки, печатающей под
диктовку. Из бесчисленного множества вариантов
произношения одного и того же звука она выбирает только
один, всегда ударяя по одной, определенной клавише
пишущей машинки. В результате она безошибочно печатает
слова, независимо от их искажения при устном
произнесении.
К принятию такого конечного числа решений человек
подготовлен всем своим жизненным опытом. Поэтому
принятие идеологии автоматизации указанных процессов,
замены человека как звена автоматических систем привело
к тому, что человечество прежде всего научилось строить
автоматы, способные реагировать на множество изменений
характеристик внешней среды некоторым ограниченным
числом рациональных решений (реакций) исполнительных
органов этих автоматов. Это не значит, что были найдены
механизмы, лежащие в основе человеческих и природных
способностей распознавания, но главные особенности этих
способностей, лежащие на поверхности представлений,
созданные автоматы во многих случаях хорошо имитировали.
Например, автомат, управляющий технологическим
процессом выпуска некоторой продукции, реагирует на
случайные изменения качества ее путем регулирования
количества той или иной компоненты исходного материала,
режима работы и т.п., но только при достижении
определенного уровня этих изменений. То есть, реакция
осуществляется не на любое изменение, а на множество их,
совокупность.
В результате человечество пришло к ситуации, когда
распознающие устройства могут повышать, например,
эффективность систем связи (распознавая сигналы в шумах),
помогают устанавливать объективный диагноз заболеваний
(распознавая всегда однозначно в отличии от человека
симптомы-признаки заболеваний), дают возможность
осуществлять автоматический контроль сложных
технических систем и вовремя вмешиваться и проводить их
ремонтно-восстановительные работы и т.д.
Создание устройств, которые выполняют функции
распознавания различных объектов, во многих случаях
открывает возможность замены человека как элемента
сложной системы специализированным автоматом. Такая
замена позволяет значительно расширить возможности
различных систем, выполняющих сложные информационнологические
задачи. Заметим здесь, что качество работ,
выполняемых человеком на любом рабочем месте зависит от
квалификации, опыта, добросовестности, состояния. В то же
время автомат его заменяющий действует однообразно и
обеспечивает всегда одинаковое качество, если он исправен.

Но не только указанная замена и освобождение человека от
выполнения рутинных операций является причиной
создания и поиска путей создания ряда систем
распознавания. В некоторых случаях человек вообще не в
состоянии решать эту задачу со скоростью, задаваемой
обстоятельствами, не зависимо от качеств и
психологического состояния принимающего решение
(Например: противоракетный маневр самолета в сложных
метеоусловиях; вывод из рабочего режима АЭС и т.п.).
Автомат же с такими задачами может легко справляться.
Итак, основные цели замены человека в задачах
распознавания сводятся к следующим:
- Освобождение человека от однообразных рутинных
операций для решения других более важных задач.
- Повышение качества выполняемых работ.
- Повышение скорости решения задач.
В течение достаточно продолжительного времени проблема
распознавания привлекает внимание специалистов в области
прикладной математики, а затем и информатики. Так можно,
в частности, отметить работы Р.Фишера, выполненные в 20-х
годах и приведшие к формированию дискриминантного
анализа, как одного из разделов теории и практики
распознавания. В 40-х годах А.Н.Колмогоровым и
А.Я.Хинчиным поставлена задача о разделении смеси двух
распределений.
Наиболее плодотворными явились 50-60-е годы ХХ века. В
это время на основе массы работ появилась теория
статистических решений. В результате этого появления
найдены алгоритмы, обеспечивающие отнесение нового
объекта к одному из заданных классов, что явилось началом
планомерного научного поиска и практических разработок. В
рамках кибернетики начало формироваться новое научное
направление, связанное с разработкой теоретических основ и
практической реализации устройств, а затем и систем,
предназначенных для распознавания объектов, явлений,
процессов.
Новая научная дисциплина получила название
"Распознавание образов". Таким образом, базой для решения
задач отнесения объектов к тому или иному классу
послужили, как это отмечается сегодня, результаты
классической теории статистических решений. В ее рамках
строились алгоритмы , обеспечивающие на основе
экспериментальных измерений параметров (признаков),
характеризующих этот объект, а также некоторых априорных
данных, описывающих классы, определение конкретного
класса, к которому может быть отнесен распознаваемый
объект.
В последующем математический аппарат теории
распознавания расширился за счет применения:
1 разделов прикладной математики;
2 теории информации;
3 методов алгебры логики;
4 математического программирования и системотехники.
(Системотехника - научное направление, охватывающее
проектирование, создание, испытания и эксплуатацию
сложных систем).
К середине 70-х годов определился облик распознавания как
самостоятельного научного направления, появилась
возможность создания нормальной математической теории
распознавания. В этом нам придется убедиться, а также
приобрести необходимые навыки, прослушав курс "Основы
построения систем распознавания образов".
Первая отечественная работа в области распознавания
образов - работа основоположника современной теории
информации Харкевича Александра Александровича -
"Опознавание образов" ."Радиотехника" т.14,15. 1959 г.
Наши отечественные ученые, внесшие существенный вклад
в эту дисциплину:
В.М.Глушков, В.С.Михалевич, В.С.Пугачев, Н.П.Бусленко,
Ю.И.Журавлев, Я.З.Цыпкин, А.Г.Ивахненко, М.А.Айзерман,
Э.М.Браверман, М.М.Бонгард, В.Н.Вапник, Г.П.Тартаковский,
В.Г.Репин, Л.А.Растригин, А.Л.Горелик и др.
Зарубежные ученые:
Ф.Розенблатт - 1957г , Персепторон - простейшая модель
мозга, решающая задачи распознавания.

Р.Гонсалес, У.Гренандер, Р.Дуда, Г.Себестиан, Дж.Ту, К.Фу,
П.Харт.
5. Системы распознавания.
До этого мы говорили о проблеме распознавания в целом, о
теории, о возможности замены человека автоматом. Теперь
сосредоточим внимание на практическом применении
соответствующих знаний. При этом обратим внимание и на
то, что те практические реализации методов распознавания ,
о которых в этих случаях шла речь, носят название систем
распознавания (СР).
Здесь необходимо подчеркнуть, что именно центральную
задачу распознавания образов представляет построение на
основе систематических теоретических и экспериментальных
исследований эффективных вычислительных средств
(объединяемых в понятии "системы распознавания") для
отнесения описаний с объектов, явлений, процессов к
соответствующим классам.
Широкий круг задач, возлагаемых на такие системы,
определяется приведенным нами определением самого
понятия "распознавание" и включает выяснение по
разнородной, часто неполной, нечеткой, искаженной и
косвенной информации факта, обладают ли изучаемые
объекты, явления, процессы, ситуации фиксированным
конечным набором свойств, позволяющим отнести их к
определенному классу. Сюда входят как непосредственно
задачи распознавания и классификации, так и такие задачи, в
результате решения которых на основе распознавания
требуется выяснить, в какой области из конечного числа
областей будут находиться некоторые процессы через
определенный промежуток времени.
Отсюда понятно, что к задачам распознавания должны
относиться задачи технической и медицинской диагностики,
геологического прогнозирования, прогнозирования свойств
химических соединений, распознавания свойств
динамических и статических объектов в сложной фоновой
обстановке и при наличии активных и пассивных помех,
прогнозирования урожая, обнаружения лесных пожаров,
управления производственными процессами.
Разработки систем распознавания, начатые с 50-х годов,
исчисляются тысячами. Сегодня уже трудно назвать такую
отрасль науки и сферы производства, где СР не используются
или не будут. При этом применение методов распознавания в
ряде направлений науки и техники оказывает обратное
влияние на эти направления, поистине
революционизирующее влияние. Рассмотрим некоторые
применения.
5.1 Системы технической диагностики
Их внедрение - важнейший фактор повышения
эффективности использования машин и технологического
оборудования, резкого сокращения расходов на
эксплуатацию.
Исторически сложившаяся тенденция усложнения, а значит
удорожания машин постоянно увеличивает затраты на
эксплуатацию. Выход - переход к системам технической
диагностики (распознавания состояния машин), например,
безразборный поиск неисправностей. В результате вместо
планово-предупредительного ремонта - ремонт по
фактической необходимости. Например, в инструкции по
эксплуатации автомобиля предусмотрены плановые
технические обслуживания через 500 км, 1000 км, 2000 км и
т.д. Если же его оснастить системами распознавания
состояний, то от плановых ТО можно было бы отказаться
заменив их обслуживанием отдельных узлов и систем по
необходимости.
5.2 Медицинская диагностика
Автоматизированные системы диагностики в медицине -
путь увеличения:
- широты и глубины охвата симптомов;
( рассчитывать только на память врача во всех ситуациях
очень трудно. Лучше функцию памяти отдать компьютеру)
-оперативности;
(компьютер обеспечит почти мгновенный результат)
-достоверности.

(диагноз компьютера не зависит от внешних факторов, как
это случается с человеком)
5.3 Сельское хозяйство
Области применения здесь:
-распознавание размеров урожая по данным космических
наблюдений;
-уменьшение ручного труда при сортировке плодов по форме,
цвету и размерам и т.п.
5.4 Военное дело
Сложные системы вооружения:
-автоматический функциональный контроль технического
состояния систем и ввод резервирующих;
-роботы, обслуживающие фазированные антенные решетки
радаров.
На основе рассмотренного можно уже ответить на вопрос, что
же представляет собой СР.
В первом приближении:
"СР - это автоматическое вычислительное устройство,
предназначенное для распознавания образов.
Заметим, что это очень поверхностное определение. Сегодня
физически СР это и вычислительная машина как один
составляющий элемент СР;
-это и такие часто более дорогостоящие технические средства,
как средства обнаружения распознаваемых объектов
(например, патологических изменений того или иного органа
человека);
-это и средства измерений параметров обнаруженных
объектов (без них не получить признаков распознавания);
-это и математическое обеспечение, в составе которого:
методы и алгоритмы обработки измерительной информации;
методы и алгоритмы определения признаков распознавания;
методы и алгоритмы непосредственно распознавания
объектов, явлений , процессов ( построения решающих
правил отнесения объектов к тому или иному классу);
методы и алгоритмы в некотором смысле оптимального
управления процессом распознавания; методы и алгоритмы
оценки эффективности СР как на стадии проектирования,
так и в процессе ее функционирования;
-наконец, для больших систем это и коллектив
подготовленных специалистов обеспечивающих жизненный
цикл существования системы.
Рассмотрим подробнее отдельные элементы.
а) Средства обнаружения распознаваемых объектов.
К ним в разных областях применения относятся:
в медицине:
-рентгеновские аппараты;
-аппараты УЗИ;
-ЯМР-томографы;
-энцефалографы;
-рентгеновские томографы;
-кардиографы и т.д.
в военном деле:
-радиолокаторы;
-оптические (лазерные) локаторы;
-лазерные дальномеры;
-приемники гамма-излучения;
-сонары - ультразвуковые локаторы.
Средства обнаружения представляют дорогостоящую часть
СР. Но этим дорогостоящая часть СР не ограничивается.
б) Средства сопряжения.
Для сопряжения средств обнаружения с ЭВМ необходимы
специальные электронные устройства аппаратного
интерфейса. Эти составные части СР также достаточно
дорогостоящи.
в)Средства измерений параметров распознаваемых объектов,
явлений, процессов.
Средства измерений часто входят в состав обнаружителей
(РЛС - измерение дальностей, углов, Рс/Рш).
г) Методы и алгоритмы обработки измерительной
информации
Часто для получения признаков распознавания или
параметров , которые их обусловливают необходима
специальная математическая обработка (пример, для РЛС -
определение дальностей целей по временной задержке
сигналов, угловых координат по разности фаз, коэффициентов
лобового сопротивления целей по координатам и их
производным и т.п.).

Сам процесс назначения признаков - творческий процесс,
говорят - эвристический, зависящий от человека.
д) Методы и алгоритмы принятия решения о принадлежности
объектов распознавания.
е) Методы и алгоритмы оптимального управления
распознаванием.
ж) Методы и алгоритмы оценки эффективности
распознавания.
Как алгоритмы принятия решений, так и управление
распознаванием, так и оценка эффективности определяются
сложностью систем распознавания и представляют
концентрированное применение комплекса математических
операций соответствующего назначения.
з) Э В М
Наконец, ЭВМ. Это обязательный элемент современной СР.
Вся обработка измерений с целью выделения признаков
распознавания, вся математика классификации, управления
и оценки эффективности выполняется ЭВМ. Само развитие
теории и методов распознавания обязано появлению ЭВМ.
и) Коллектив подготовленных специалистов.
Такая составляющая на первый взгляд не имеет отношения к
системе. Однако без коллектива подготовленных
специалистов трудно обойтись в больших системах, решения
которых чрезвычайно ответственны. В таких системах
оценка эффективности - это показатель, которым пользуются
с момента создания СР и до конца ее существования. При
этом пользуются этим показателем специалисты, а не
система. А сама необходимость такого использования связана
с тем, что в процессе работ появляется возможность повысить
эффективность СР за счет получения новых данных и
уточнения параметров системы в результате анализа
специалистами конкретного случая распознавания с
последующим уточнением этими специалистами имеющихся
параметров. То есть, система в течение своей жизни (говорят
- "жизненного цикла") изменяется (динамизм системы).
Таким образом, СР - сложная динамическая система,
состоящая в общем случае из коллектива подготовленных
специалистов и совокупности технических средств получения
и переработки информации, обеспечивающих на основе
специально сконструированных алгоритмов решение задачи
классификации соответствующих объектов, явлений или
процессов.
После того, как описан состав и функции элементов СР, для
завершения общих представлений о проблеме распознавания
можно провести и некоторые поверхностные сравнения
технических СР и такой совершенной СР, как человек.
Так рецепторы человека, к которым мы относим зрительные,
слуховые, осязательные, обонятельные и вкусовые
рецепторы - это средства обнаружения, а иногда и измерения
характеристик распознаваемых объектов, явлений,
процессов. Тут аналогия полнейшая.
Далее на пути оперирования с информацией у технических
СР стоит устройство сопряжения с ЭВМ. Естественными
аналогами его являются биологические средства связи
человеческих рецепторов с мозгом, выполняющим роль ЭВМ.
Но это, пожалуй, - все, что мы сегодня знаем наверняка. И
вопросов здесь больше, чем ответов:
- какие функции выполняют рецепторы в части первичной
обработки результатов обнаружения объектов, явлений;
- каковы характеристики линий передачи данных от
рецепторов к мозгу как ЦВС;
- какие признаки выделяет система обработки;
- какие алгоритмы использует мозг для решения задачи
классификации, оптимального управления процессом
распознавания;
- как человеку удается избавиться от специфичности,
свойственной техническим СР и т.д.
В процессе нашего дальнейшего изучения предмета Вы сами
поставите еще много нерешенных в этом плане вопросов. А
их разрешение чрезвычайно важно для построения
быстродействующих и высокоэффективных технических СР,
помогающих человеку в его повседневной практике.
Достижение соответствующих целей - задачи XXI века.

Поділитися у соцмережах