Journal influence
Bookmark
Next issue
Applying models of cooperative decision making in intellectual systems
The article was published in issue no. № 3, 2009Abstract:The article is devoted to questions of usage of models of cooperative decision making in automated intellectual systems. Applying of such models to pattern recognition is being considered. Recognition software based on models of cooperative decision making is being described.
Аннотация:Статья посвящена вопросам использования моделей коллективного принятия решений в автоматизированных интеллектуальных системах. Рассматривается применение данных моделей для решения задач распознавания. Описывается программная система распознавания, в основе функционирования которой лежат модели коллективной выработки решений.
Authors: (v_v_fomin@mail.ru) - , Ph.D, Fomin V.V. (v_v_fomin@mail.ru) - Herzen State Pedagogical University of Russia (Professor), St. Petersburg, Russia, Ph.D | |
Keywords: intellectual system, pattern recognition, cooperative decision making |
|
Page views: 16266 |
Print version Full issue in PDF (4.21Mb) |
Данная работа посвящена рассмотрению одной из интеллектуальных автоматизированных систем распознавания (ИАСР), в которой используются принципы коллективного принятия решений. Основное назначение системы – решение задач классификации данных и распознавания образов. Вместе с тем ИАСР является достаточно гибкой системой и позволяет выполнять адаптацию заложенных в нее моделей для решения задач других классов. Задачу выработки коллективного решения при распознавании объекта s определим следующим образом [1, 2]: где am(s) – коллективная решающая функция, ставящая в соответствие распознаваемому объекту s номер некоторого класса исходного алфавита классов; G – процедура формирования конечного решения задачи на основе результатов, выдаваемых отдельными представителями коллектива решающих правил A, полученного на базе коллектива методов распознавания M; qa – размерность коллектива решающих правил. В ИАСР в основу процедуры принятия решений в процессе коллективного распознавания положена модель выборочного взвешенного голосования [3, 4]:
где d – функция формирования коллективного решения на множестве значений голосующих функций классов gk(s); qc – размерность алфавита классов; xij – коэффициент i-го класса по j-му решающему правилу; bj – нормированный весовой коэффициент j-го решающего правила, который назовем коэффициентом доверия j-му решающему правилу; bmin – минимально допустимое (пороговое) значение коэффициента доверия; Ej – нормированная величина эмпирического риска при использовании j-го решающего правила на обучающей выборке T. На рисунке 1 представлена структура процесса коллективного распознавания на базе выборочного взвешенного голосования на множестве Качество распознавания при использовании представленной модели в значительной мере зависит от сформированного коллектива методов и синтезируемого на его основе множества решающих правил. В ИАСР для синтеза коллектива Функциональное ядро ИАСР Q построено как совокупность взаимосвязанных модулей, каждому из которых соответствует определенный этап автоматизации: Q=Q(D, M, L, V, R), где D – модуль задания исходных данных; M – модуль определения методов решения задач; L – модуль обучения; V – модуль верификации решающих правил; R – модуль распознавания. Модули D, M, L, V образуют комплекс средств синтеза решения, а модули R и частично D составляют средства решения задачи. На рисунке 2 приведена обобщенная схема, отражающая структуру и процесс функционирования системы. Формализованные знания о способах решения прикладных задач распознавания хранятся в базе знаний ИАСР. База знаний K обеспечивает поддержку рассмотренной ранее модели коллективного распознавания и представляет собой композицию четырех взаимосвязанных элементов: K=<KM, KS, KC, KD>, где KM – банк формализованных методов распознавания; KS – банк формализованных схем принятия решений; KC – банк описаний коллективов решающих правил; KD – банк описаний синтезированных решений (рис. 3). Вместе с тем ИАСР представляет собой экспертно-ориентированный программный комплекс. Принадлежность ИАСР к системам экспертного типа обусловливается наличием в процессе распознавания неформализованных процедур выбора методов решения задачи и синтеза на их основе решающих правил. Эти процедуры должны выполняться экспертом-когнитологом – специалистом в области теории распознавания образов с привлечением при необходимости специалистов в конкретной предметной области. В соответствии с этим выделим два типа пользователей системы: когнитологов, выполняющих синтез решений прикладных задач и сопутствующие этому процедуры, и конечных пользователей, решающих свои частные задачи с помощью ИАСР. Наличие базы знаний и соответствующих инструментальных средств позволяет достаточно гибко конфигурировать положенную в основу ИАСР модель распознавания для повышения качества распознавания и/или адаптации к специфичной проблемной области благодаря возможности создания и применения в системе различных схем реализации управления множествами методов, правил и результатов классификации. Данная характеристика ИАСР, как уже было отмечено, ориентирована в первую очередь на использование экспертных знаний. Принципы и модели, положенные в основу ИАСР, были апробированы на экспериментальных данных и подтвердили свою эффективность. Литература 1. Глаз А.Б. Параметрическая и структурная адаптация решающих правил в задачах распознавания. Рига: Зинатне, 1988. 167 с. 2. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания. М.: Энергоиздат, 1981. 80 с. 3. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. 224 с. 4. Теория выбора и принятия решений: учеб. пособие. М.: Наука, 1982. 328 с. |
Permanent link: http://swsys.ru/index.php?page=article&id=2300&lang=en |
Print version Full issue in PDF (4.21Mb) |
The article was published in issue no. № 3, 2009 |
Perhaps, you might be interested in the following articles of similar topics:
- Проецирование технических объектов на изображении в метрическое пространство при помощи глубоких нейронных сетей для задачи детектирования
- Система назначения персонифицированного лечения по аналогии на основе гибридного способа извлечения прецедентов
- Интеллектуальная система, основанная на многоуровневой онтологии химии
- Оценка степени влияния природных и технологических факторов на различные типы аварий магистральных газопроводов
- Прототип диагностической системы поддержки принятия решений на основе интеграции байесовских сетей доверия и метода Демпстера–Шефера
Back to the list of articles