Авторитетность издания
Добавить в закладки
Следующий номер на сайте
Сравнительный анализ некоторых алгоритмов распознавания
Аннотация:
Abstract:
Авторы: Круглов В.В. (byg@yandex.ru) - Филиал Московского энергетического института (технического университета) в г. Смоленске, доктор технических наук, Абраменкова И.В. (midli@mail.ru) - Филиал Московского энергетического института (ТУ) в г. Смоленске, доктор технических наук | |
Ключевое слово: |
|
Ключевое слово: |
|
Количество просмотров: 17406 |
Версия для печати Выпуск в формате PDF (1.13Мб) |
Целью настоящей статьи является изложение результатов сравнительного анализа разработанного авторами алгоритма распознавания, реализующего методы адаптивной нечеткой логики с известными алгоритмами – методом эталонов и нейросетевым с использованием сети встречного распространения. Подобный анализ проводился путем реализации имитационного эксперимента в среде математической системы MATLAB [1]. Сравнение алгоритмов проводилось путем сопоставления количества ошибок распознавания при обучающих и тестовых выборках, одинаковых для всех алгоритмов. Процедура построения (обучения) предлагаемого нечеткого адаптивного распознавателя выглядит следующим образом. 1. Из m (m (возможно, с учетом имеющейся априорной информации) обучающей выборки составляется начальная база знаний распознавателя, отображаемая матрицей Um´(n+S) со строками вида ( Такое представление полагается эквивалентным набору нечетких правил: Pi: если … и и где
или двойной экспоненциальной формы
симметричные относительно центров
где 2. Для всех примеров обучающей выборки рассчитываются прогнозируемые значения
Четкое значение переменных вывода (с учетом их отмеченной бинарности) определяется при этом с помощью дискретного варианта центроидного метода:
Далее проверяется условие останова процедуры
где e>0 – заданное значение ошибки распознавателя. При выполнении неравенства – переход к п. 5 процедуры. 3. Для каждой новой экспериментальной точки (из числа точек, не вошедших в базу знаний) по соотношениям (5), (6) рассчитываются прогнозируемые значения
При его выполнении база знаний распознавателя пополняется путем добавления в матрицу U строки ( 4. Выполняется параметрическая оптимизация нечетких правил путем решения оптимизационной задачи
Принимается, что теперь функции принадлежности текущей базы правил зависят от найденного нового (оптимального) вектора параметров a. Осуществляется переход к п.2 процедуры, если только m 5. Конец процедуры. Вывод информации об элементах матрицы U и вектора a. Предлагаемая авторами процедура построения распознавателя обладает следующими свойствами: а) обеспечивает генерацию взаимно непротиворечивых правил; б) относится к классу процедур адаптивной нечеткой логики и обеспечивает получение оценки разделяющей функции в виде обобщенной регрессии; в) данная оценка идентична функции, восстанавливаемой обобщенно-регрессионной нейронной сетью (сетью GRNN) [1]; г) от процедур непараметрической регрессии и отмеченного нейросетевого подхода предложенная процедура отличается способом формирования базы знаний, в том числе за счет использования имеющейся априорной информации, а также наличием промежуточного этапа параметрической оптимизации; д) указанное формальное сходство с непараметрической регрессией и обобщенно-регрессионной нейронной сетью позволяет определить асимптотические свойства распознавателя: в случае разделимых классов при увеличении объема обучающей выборки вероятность ошибки распознавания стремится к нулю. Сравним работоспособность предложенного метода распознавания и его точность с нейросетевым методом и методом эталонов для различных случаев расположения объектов двух образов. Предварительно отметим, что процесс распознавания при известных U, a, m и заданном x отображается формулами (2) (или (3)), (5), (6). В качестве инструментального средства для проведения имитационного эксперимента была выбрана математическая система MATLAB. Это было сделано из следующих соображений: MATLAB сочетает в себе язык программирования высокого уровня для технических вычислений, наличие целого ряда пакетов и библиотек расширения системы (например, пакета оптимизации Optimization Toolbox, пакета нечеткой логики Fuzzy Logic, пакета расширения по нейронным сетям), наличие инструментальных средств для разработки графического интерфейса пользователя (GUI-интерфейса) и сервера независимо исполняемых приложений (Runtime Server). Для сравнения методов распознавания использовался созданный авторами комплекс программ в системе MATLAB. Комплекс программ состоит из следующих компонентов: - приложения с окном графической визуализации результатов для создания обучающей и тестовой выборки и сохранения ее в виде внешних файлов (с расширениями *.obv, и *.tsv); - приложений с реализацией классификатора на основе метода эталонов, классификатора с применением нейронной сети встречного распространения (для сравнения с описанным выше адаптивным нечетким распознавателем) с окном графической визуализации результатов; - приложения с реализацией адаптивного нечеткого распознавателя с окном графической визуализации результатов. Для распознавания в качестве модельных были выбраны примеры с двумя образами, объекты которых моделировались с использованием датчиков (функций) случайных чисел, распределенных по нормальному закону. Объекты характеризовались двумя независимыми признаками
Обучающие выборки для всех примеров имели по 12, а тестовые по 1000 объектов. Результаты моделирования отражены в таблице, в клетках которой указано количество ошибочно классифицированных объектов тестовых выборок.
Заметим, что чисто теоретический анализ погрешностей распознавателя в данной ситуации провести невозможно.
Выполненный сравнительный анализ показал высокую эффективность алгоритма распознавания, построенного на основе методов адаптивной нечеткой логики. Отметим, что в процессе реализации машинного эксперимента авторами была отработана недокументированная в известных источниках методика построения программных комплексов и GUI-приложений в среде MATLAB в сочетании с использованием имеющегося базового набора функций специализированных пакетов расширений. Список литературы 1. Дьяконов В.П., Абраменкова И.В., Круглов В.В. MATLAB 5.3.1 с пакетами расширений. - М.: Нолидж,- 2001. 2. Круглов В.В., Борисов В.В. Гибридные нейронные сети. - Смоленск.: Русич, 2001. 3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия – Телеком, 2001. |
Постоянный адрес статьи: http://swsys.ru/index.php?page=article&id=706&lang=&lang=&like=1 |
Версия для печати Выпуск в формате PDF (1.13Мб) |
Статья опубликована в выпуске журнала № 2 за 2002 год. |
Возможно, Вас заинтересуют следующие статьи схожих тематик:
- Инженерная программа трехмерного моделирования магнитных систем LittleMag
- Разработка загрузчика программного обеспечения встроенной системы управления
- О программной реализации геоинформационных систем
- Интеллектуальная система для моделирования затрат-потерь и распределения ресурсов по графическим образам
- Исследовательское проектирование в кораблестроении на основе гибридных экспертных систем
Назад, к списку статей