50. Гіпотеза компактності в розпізнаванні образів
Розпізнання образів – одна з основних функцій інтлектуальної системи. Будь-який інтелект, у тому числі і штучний, починається з сприйняття і розпізнавання обєктів зовнішнього світу.
Можливість розподілу образів у просторі ознак заснована на гіпотезі компктності, що формулюється так: Якщо деякі безлічі обєктів являють собою образи то обовзяково існує такий простір ознак, у якому цим обєктам відповідають компактні безлічі точок. Таким чином, вирішення завдання розпізнавання образів значною мірою залежить від вибору безлічі ознак, що забезпечують компактне представлення обєктів одного класу в просторі ознак. Якщо зазначені ознаки виділені, то завдання розпізнавання образів можна розглядати як завдання побудови поділяючої поверхні, що відокремлює одна компактна безліч точок від іншої.
51. Методи класифікації і розпізнавання образів
Для оптичного розпізнавання образів можна застосувати метод перебору вигляду об'єкта під різними кутами, масштабами, зсувами й т. д. Для букв потрібно перебирати шрифт, властивості шрифту й т. д.
Другий підхід — знайти контур об'єкта й досліджувати його властивості (зв’язність, наявність кутів і т. д.)
Ще один підхід — використовувати штучні нейронні мережі. Цей метод вимагає або великої кількості прикладів задачі розпізнавання (із правильними відповідями), або спеціальної структури нейронної мережі, що враховує специфіку даної задачі.
Класичні моделі представлення знань
Представлення знань у вигляді правил (продукційна модель)
Переваги продукційної моделі представлення знань
Недоліки продукційної моделі представлення знань
Фреймова модель представлення знань:
Фреймова модель представлення знань. Переваги фреймових моделей
Фреймова модель представлення знань. Недоліки фреймових моделей.
Модель семантичної мережі
Логічна модель представлення знань
Визначення інтелекту. Його відміності від алгоритму.
Історія розвитку систем штучного інтелекту
Характеристики інтелектуальних задач систем штучного інтелекту
Основні напрями в розвитку систем штучного інтелекту
Підходи до побудови систем штучного інтелекту
Логічний підхід до побудови систем штучного інтелекту
Структурний підхід до побудови штучного інтелекту.
Еволюційний підхід побудови систем штучного інтелекту.
Імітаційний підхід побудови систем штучного інтелекту
Допоміжні систем нижнього рівня в створенні систем штучного інтелекту.
Нейробонічна позиція науковців створення систем штучного інтелекту.
Визначення та призначення експертних систем
Класифікація експертних систем
Порівняння відмінностей експертних систем від традиційних. Поняття експерта.
Типи задач, що розв'язуються експертними системами
Структура експертної системи. Основні підсистеми
Статистичні і динамічні експертні системи їх особливості
Вимоги до розробки експертних систем
Основні режими роботи експертних систем
Послідовність виконання етапів розробки експертної системи
Поняття генетичного алгоритму. Еволюційна теорія.
Поняття природного відбору в генетичному алгоритмі
Основні поняття генетики живих організмів і їх аналогії в техн. Реал. у алгорит
Постановка оптимізаційних задач. Розв'язок оптимізаційних задач в ген. Алгор.
Алгоритм роботи генетичних алгоритмів
Задача «комівояжера» її розв*язок генетичними алгоритмами
Задачі генетичних алгоритмів
Приклад розв*язування економічних задач генетичними алгоритмами
Поняття штучних нейронних мереж
Будова кітини ней. системи живих організмів, принципи її роботи
Модель штучного нейрону
Модель однорівневого персептрону
Модель багаторівневого персептрону
Модель «вікон» для прогнозування числових рядів штучною мережею
Алгорим навчання штучних нейронних мереж (зворотного розповсюдження помилок)
Алгоритм розпізнавання алфавітно цифрової інформації штучними нейронними мер
Поняття образу, класифікація образів
Класифікація задач розпізнавання образів
Проблема навчання при розпізнаванні образів
Геометричні та структурні підходи розпізнавання образів
Гіпотеза компактності в розпізнаванні образів
Методи класифікації і розпізнавання образів
Приклади задач на моделі знань
Продукційна модель: Якщо двигун не заводиться і стартер двигуна не працює, То несправна система електроживлення.
Фреймова модель: Автомобіль таксі{<автомобіль таксі>; <номерний знак> <ВО5014ТЕ>; <стан> <справний>; <гараж>; <автоколона>}. Ім*я слота {<ім*я слота>;
Модель семантичної мережі: студент – отримує стипендію, це людина, здає екзамен у професора, вчиться в університеті; професор – це людина, працює в університеті; університет – це ВНЗ.
Логічна модуль представлення знань: Якщо тварина має пір*я І відкладає яйця, ТО ця тварина є птахом.
Приклади задач на генетичні алгоритми
1. Формування початкової популяції із заданого діапазону
2. Оцінка функції пристосованості. Чим ближча функція пристосованості до мінімуму тим краще.
3. Селекція – вибір кращих хромосом. Метод рулетки Рs(chi)=F(chi)/
V(chi)= ps*100%
4. Схрещування
Задачі на нейроні мережі
1 2 3 4 5