Лаврентьев К.А. Сравнительный анализ методов распознавания
реклама
137 ХГАЭП ХГАЭП ХГАЭП ХГАЭП ХГАЭП ИССЛЕДОВАНИЯ СТУДЕНТОВ ХГАЭП ХГАЭП ХГАЭП ХГАЭП ХГАЭП УДК 004.89 К.А. Лаврентьев, студент 5-го курса факультета «Менеджер» (гр. ИСЭ-81) Хабаровской государственной академии экономики и права Научный руководитель Е.В. Фалеева, канд. техн. наук, доцент, завкафедрой информационных систем в экономике Хабаровской государственной академии экономики и права СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ The XXI century is called the time when mankind has entered into an information development period. This means that the information is a basic commodity, and plays a crucial role. At such times it is difficult to imagine life without information technology and automation. Especially important is the automation of routine operations, which then require some intellectual analysis of incoming information. Such operations include pattern recognition. This article describes the basic definitions of the subject area, the present state of the theory of pattern recognition and the methods used for recognition. The result of this work is the choice of the recognition method for getting indicators from a shot of crystallography of oral fluid. Keywords: pattern recognition, intelligent automation systems, artificial neural networks. XXI век называют временем, когда человечество вошло в информационный период развития. Это значит, что интеллектуального анализа поступающей информации. К таким операциям относят информация является основным товаром распознавание образов. В данной статье и играет определяющую роль. В такое автором будут даны основополагающие время трудно представить себе жизнь без информационных автоматизации. автоматизация технологий Особенно рутинных и важна операций, которые при этом требуют некоторого определения предметной области, рассмотрены современное состояние теории распознавания образов и методы, используемые Выводом Вестник ХГАЭП. 2012. № 4 – 5 (61) для будет распознавания. выбор метода 138 распознавания значений для задачи показателей получения со снимка кристаллографии ротовой жидкости. Теория раздел распознавания теоретические классификации и – развивающий основы и и т.п. идентификации характеризуются объектов, конечным которые образов систем остаётся сложной теоретической и технической проблемой. распознавания Традиционно образов Методы распознавания образов в целом и графических в круг задач искусственного интеллекта. Следует уточнить, с какими типами приведшие В 40-х гг. А.Н. Колмогоровым и А.Я. Хинчиным – изображения (графические образы); 50-60-е гг. ХХ в. на основе массы работ теория В статистических результате этого были алгоритмы для классификации объектов. Все методы распознавания образов 1. Группа методов перебора. – семантические конструкции в текстах. автомобильные о можно объединить в 3 группы: видеосигналы; огромное задача разделении смеси двух распределений. В – аудиосигналы (речь в аудиопотоке); Графическими поставлена спроектированы можно следующее: формированию разделов теории и практики распознавания. решений. Распознавать к дискриминантного анализа как одного из распознавания распознавание частности Например, известны работы Р. Фишера, появилась данной в давно. информации работают в рамках теории В образов создаются и совершенствуются довольно задачи включают образов. автоматического выполненные в 20-х гг. прошлого века и искусственных распознавания для Например, распознавание автомобильных номеров. набором некоторых свойств и признаков. Создание повсеместно. выставления штрафов ГАИ использует методы предметов, явлений, процессов, сигналов, ситуаций используется система образов информатики, Сейчас распознавание этих образов работе 2. Анализ характеристик объектов. рассматривается графических образами количество номера, 3. Искусственные нейронные сети. образов. может быть объектов: лица на Методы перебора. В этом случае производится сравнение с базой данных, где для каждого представлены вида объектов всевозможные фотоснимке, геометрические фигуры на модификации отображения. Например, рентгеновских снимках и т.д. для графических Вестник ХГАЭП. 2012. № 4 – 5 (61) образов можно 139 применить метод перебора вида объекта генерировать новые знания, что позволяет под различными углами, масштабами, проводить смещениями, деформациями и т. д. Среди неизвестными достоинств этой группы методов можно Конечно, у ИНС есть и недостатки. выделить простоту реализации. Однако Например, необходимость проектировать среди недостатков есть очень важный специальную структуру нейронной сети, параметр – большие временные и ресурсные что затраты на работу алгоритма. Ещё одним квалифицированный специалист. Помимо существенным этого, как было сказано выше, ИНС недостатком является распознавание необходимо данных и её постоянное ручное обновление. Обучение Анализ характеристик объекта. В тестовых случае распознавания графических образов это может быть определение с характеристиками. может необходимость создания большой базы объектов сделать только предварительно заключается примеров в и обучить. решении сравнении с правильными данными. Теперь, когда были перечислены различных геометрических характеристик известные методы распознавания образов (например, и выявлены их достоинства и недостатки, поиск определённых известных геометрических структур на рентгеновском снимке). Данная группа методов подходит не для всех задач распознавания. Искусственные (ИНС). Этот нейронные метод требует сети либо большого количества примеров задачи распознавания при обучении, либо специальной структуры нейронной сети, учитывающей специфику данной задачи. Но так как нейронные сети применяют для поиска аппарат, а решения не математический простой перебор и можно сделать вывод о том, какой метод предпочтительнее для задачи получения значений кристаллографии предметная является то, достоинством что системы ИНС на базе нейронных сетей могут самообучаться и ротовой снимка жидкости. область не полностью изучена, а также учитывая трудности в создании большой базы данных, можно сказать, что предпочтительным вышеуказанной наиболее методом задачи для будут искусственные нейронные сети. Литература отличается меньшими затратами ресурсов существенным со Основываясь на том, что исследуемая сравнение с базой данных, то этот метод и большей эффективностью. Кроме того, показателей 1. Яхъяева, Г. Э. Нечёткие множества и нейронные сети : учеб. пособие / Г. Э. Яхъяева. – М. : Бином, 2008. С. 152 – 162. Вестник ХГАЭП. 2012. № 4 – 5 (61) 140 2. Новейшие методы обработки изображений / под ред. А. А. Потапова. – М. :Физматлит, 2008. – 496 с. 3. http://ru.wikipedia.org/ Вестник ХГАЭП. 2012. № 4 – 5 (61)
