эволюционная стратегия управления в задачах распознавания

УДК
ЭВОЛЮЦИОННАЯ СТРАТЕГИЯ УПРАВЛЕНИЯ В ЗАДАЧАХ
РАСПОЗНАВАНИЯ ОБРАЗОВ
Кравчук И.С., Тихоглаз Ю.С.
Аннотация
Статья посвящена решению одной из наиболее важных задач
оптимизации процессов обработки информации – разработке алгоритма
формирования оптимального прототипа класса в самообучающихся
системах распознавания.
UDK
EVLOUTION MANAGEMENT STRATEGY TO IN IMAGES
RECOGNITION
Kravchuk I.S., Tihoglaz Y.S.
Abstract
This article is devoted to one of the most important tasks of optimizing
processing information - creating an optimal algorithm for the development
of prototype systems class in learning recognition.
Введение
Для построения прототипа класса целесообразно использовать
алгоритмы на основе эволюционной стратегии, которые позволяют
формировать эталон класса на основе уже известных объектов
Проверка качества распознавания проводится на контрольной
последовательности, состоящей из реализаций, не совпадающих с
реализациями
обучающей
последовательности.
При
этом
в
детерминированной и вероятностной ситуациях делаются предположения
либо о характере распределения генеральной совокупности, либо о
возможной
структуре
множества
обучающих
и
контрольных
последовательностей, либо о типе допустимых правил принятия решений.
Теоретический анализ
Любой алгоритм управления и обработки информации может быть
представлен в виде графа, относительно которого довольно просто
формулируется критерий качества. Это дает возможность организовать
процесс эволюции, результатом которого оказывается требуемый
алгоритм. Дело в том, что структуру адаптируемых объектов часто очень
удобно описывать графом. Тогда процесс структурной адаптации сводится
к эволюционному моделированию[1].
Крайне маловероятно, чтобы новый объект, поступивший на вход
системы распознавания и нуждающийся в описании и добавлении к
классификатору этой системы не содержал в своей структуре каких-либо
элементов известных объектов. Следовательно, описание нового объекта
целесообразно строить на основе известных объектов, предварительно
классифицировав поступающие изображения путем минимизации
вероятности ошибочного распознавания. Для построения описания,
наиболее полно описывающего исследуемый объект, применяется
алгоритм на основе эволюционной стратегии для самообучающихся
систем. Будем понимать под обучением процесс выработки в системе той
или иной реакции на внешние воздействия путем внешней корректировки.
При создании алгоритма распознавания нужно задать некоторые правила и
обучающую последовательность, а алгоритм распознавания устанавливает
нужные значения весовых коэффициентов соответствия. Результатом
работы этого алгоритма является объект, оптимально описывающий
исследуемый объект на основе уже известных.
Характерными чертами задачи пополнения классификатора
самообучающейся
системы
распознавания
являются
априорная
неопределенность и сложность характеристик интересующего объекта или
процесса.[2] В подобных условиях требуется развитие и применение
методов, обеспечивающих предельную адаптацию и изменчивость
структуры системы.
Методика
Эволюционный алгоритм формирования изображения
исследуемого объекта
Моделирование процессов естественной эволюции может создавать
устойчивые, легко реализуемые на компьютере алгоритмы, хотя эти
модели и являются упрощенными подобиями биологической реальности.
Моделирование основано на использовании известных механизмов
эволюции с целью замены процесса моделирования сложного объекта
моделированием его эволюции.[3]
При возникновении ситуации, когда система распознавания
сталкивается с объектом, который не может быть соотнесен ни с одним из
известных классов, проводится его предварительное изучение и получение
математического описания – идентификация объекта. Конечной целью
идентификации
является
синтез
адекватной
модели
объекта
распознавания. Пусть модель объекта связывает выход у’ со входом х и
распознаванием р зависимостью у’=Р’(х, р), где Р’ – модельный оператор
объекта. Процесс идентификации сводится к наиболее точной оценке
оператора Р оператором Р’ по наблюдениям входа и выхода объекта.
Эволюционные алгоритмы базируются на коллективном обучающем
процессе внутри популяции индивидуумов, каждый из которых
представляет собой поисковую точку в пространстве допустимых решений
данной задачи.[4-5]
В формальном описании эволюционного алгоритма:
f : R n  R1 - целевая функция, которая должна быть
оптимизирована;
 : I  R - функция определения пригодности, где I – пространство
индивидуумов Ф и f различаются, но f всегда является компонентой Ф;
a  I - индивидуум, x  R n - вектор объектных переменных,   1 размер родительской популяции,   1 - размер популяции потомков.
Популяция в поколении t:
P(t )  a1 (t ),..., a (t )
r r : I m  I l - оператор рекомбинации.
M  m : I n  I  - оператор мутации, модифицирует популяцию
потомков.
Селекция S S : I   I     I  - применяется, чтобы выбрать
популяцию родителей в следующем поколении. Во время одного шага
эволюционного процесса значения функции пригодности  : I  R T
вычисляются для всех индивидуумов популяции. После исключения i-го
класса из рассмотрения общее число классов уменьшается на единицу и


составляется новое множество популяций. Таким образом, классы
последовательно исключаются до тех пор, пока не останется один, и
принимается решение о принадлежности х к оставшемуся классу.
l : I   true, false  используется для обозначения критерия остановки
алгоритма.
Начало
Задать начальный момент времени: t:=0
Инициализировать популяцию:
P(0) : a1 (0),..., a (0) I 
Оценить значение функции пригодности:
P(0) : (a1 (0)),..., (a (0))
l ( P(t )) : true
Нет
Да
Сгенерировать популяцию потомков:
P' (t ) : r r ( P(t ))
Произвести мутацию:
P' ' (t )  M  m ( P' (t ))
Произвести селекцию:
P(t  1) : S S ( P' ' (t )Q)
t : t  1
Рис.1 Эволюционный алгоритм
Конец
Заключение
Эволюционный алгоритм позволяет создавать прототипы класса
наиболее приближенные к исходному объекту и значительно снизить
время обучения системы распознавания.
1.
2.
3.
4.
5.
Список использованных источников.
Букатова И.Л., Михасев Ю.И., Шаров А.М. – Эвоинформатика: Теория
и практика эволюционного моделирования. М.: Наука, 1991 – 206 с.
Букатова И.Л. Эволюционное моделирование и его приложения. М.:
Наука, 1979, 232 с.
Карпов В.Э. Объектно-ориентированные обобщенные модели эволюции
//Сб.трудов МГСУ, 2005
Goldberg D.A. Genetic algorithm in search, optimization and machine
learning. Addison-Wesley, Reading MA, 1989.
Бежитский С.С., Семенкин Е.С., Семенкина О.Э. Гибридный
эволюционный алгоритм для выбора эффективных вариантов систем
управления // Автоматизация и современные технологии, № 11. - 2005.
– С. 24-31.