- •I. Основные понятия
- •1. Изображение объекта. Виды изображений.
- •2. Образ (класс).
- •9.Примеры задач распознавания.
- •I I Простейшие методы распознавания (сравнение с эталоном)
- •Вопрос 10. Общая характеристика простейших методов распознавания.
- •11. Метод совмещения с эталоном.
- •12. Метод зондов
- •22. Эвристический алгоритм максиминного расстояния.
- •23. Алгоритм к внутригрупповых средних.
- •24. Алгоритм isodata.
- •25. Достоинства и недостатки алгоритмов обучения без учителя.
- •V. Применение алгебры высказываний для решения задач распознавания
- •26. Изображающие числа и базис.
- •27. Восстановление булевой функции по изображающему числу.
- •28. Зависимость и независимость булевых функций.
- •30. Отыскание решений логического уравнения.
- •31. Техника решения логических уравнений с помощью булевых матриц.
- •32. Две задачи о замене переменных в булевых функциях.
- •33. Прямая и обратная логические задачи распознавания.
- •34. Пример логической задачи распознавания
- •37. Перцептрон и его мат. Модель
- •Вопрос 35. Алгоритм вычисления оценок (аво).
- •Вопрос 36. Основные идеи, лежащие в основе аво.
- •38. Алгоритм обучение перцептрона
- •39. Сходимость алгоритма обучения перцептрона. Теорема Новикова.
- •40. Итеративные процедуры распознав. На основе градиентных методов: минимизация одной ф-ии.
- •41. Итеративные процедуры распознав. На основе градиентных методов: совместная минимизация нескольких ф-ий.
- •42. Алгоритм обучения перцептрона как реализация спец. Стратегии совместной минимизации нескольких ф-ий с помощью градиентных методов.
- •43. Физическая интерпретация метода потенциальных ф-ий.
- •44. Кумулятивный потенциал. Алгоритм итеративного вычисления кумулятивного потенциала.
- •45. Теоремы о сходимости обучения классификации методом потенциальных функций.
- •46. Достоинства и недостатки распознающих процедур перцептронного типа.
- •VIII Стохастический подход к распознаванию образов
- •47. Элементы задачи решения.
- •48. Условный риск. Общий риск.
- •53. Схема доказательства оптимальности процедуры Неймана-Пирсона.
- •54 Обучение байесовской процедуры распознавания: оценка неизвестных параметров.
- •55. Оценка неизвестной плотности вероятности по априорной информации.
- •56. Оценка неизвестной плотности вероятности с использованием экспериментальных данных.
- •57 Правило ближайшего соседа как пример непараметрического метода
- •58. Основы мгуа.
- •59. Применение мгуа для решения задачи ро
- •70. Требование к вектору признаков
38. Алгоритм обучение перцептрона
y=(y1,…,yN) -векторы из спрямляющего пр-во Y принадлежащие w1 или w2
Задачи обучения перцептрона: на данной обуч. Посл. найти w=(w1,…,wk) с помощью которой данная обуч. посл. Y классифицируется безошибочно.
Алг.: на k-м шаге:
если y(k)w1 и wT(k)y(k)<=0, то w(k+1)=w(k)+cy(k)
если y(k)w2 и wT(k)y(k)>=0, то w(k+1)=w(k)-cy(k)
иначе w(k+1)=w(k)
c -корректирующее приращение
Останов. когда вся обуч. последовательность распознана правильно при неизменном в-ре весов.
Замечания:1) приведенный алгоритм реализует принцип подкрепления и наказания.
2) при построении модели предполагалось, что распрямляющая плоскость проходит через 0, но реально м-т оказ-ся иначе. Это испрвляется путем ввода доп. координаты y=(y1,y2,..,yn1,1).
3) преобразуем обуч. посл-ть Y в , где
тогда алгоритм проще: если (k)w1 и wT(k) (k)<=0, то w(k+1)=w(k)+c (k) иначе w(k+1)=w(k)
39. Сходимость алгоритма обучения перцептрона. Теорема Новикова.
1). Пусть им-ся беск. преобраз. обуч. посл., её эл-ты принадлеж. и классу w1 и w2.
={ , …, ,…}
2). В спрям. пр-ве сущ. разделяющ. гиперплоскость, т.е. имеется единич. в-р, кот. > , для любого i.
3). D<
Тогда при началь. w(1)=0, c=1 (корректир. приращ.) алг. обуч. перцеп. сход-ся, причём кол-во исправлений в-ра весов k<=
40. Итеративные процедуры распознав. На основе градиентных методов: минимизация одной ф-ии.
Z=(Z1,..,Zn) – вектор признаков. Даны 2 класса: W1 и W2 (m=2). Функ-я f(α,Z)>0, если Z€W1, <0- Z€W2, α=(α1,…,αk)-вектор нек-х параметров. ОП Z=(Z1,.., ZN). Найти вектор α*, для кот-го ∆: f(α*,Zi)>0, если Zi €W1, для i=1..N; <0- Zi €W2 для i=1..N. Возможна ситуация: одна функция Ф(α; Z1,.., ZN ) такая, что Ф(α*; Z1,.., ZN )=minпоα Ф(α; Z1,.., ZN ) ∆. Алгоритм поиска min одной функции: α(K)-значение вектора α на к-том шаге работы алгоритма. α(K+1)= α(K)-сgrad f(α)|по α= α(K), C-величина шага grad. Зададим α(0). Его сходимость зависит от вида функции f, величины шага с. Далее решить задачу мин-и с помощью подходящей модификации метода град-го спуска, т.е. решить задачу ∆.
41. Итеративные процедуры распознав. На основе градиентных методов: совместная минимизация нескольких ф-ий.
N ф-ий F( ,zi), i=1,…,N таких что точка явл. точкой совместного минимума всех этих ф-ий, т.е. F( ,zi)= (1).Если имеет место такая ситуация, то необходимо определить стратегию применения алгоритма градиентного спуска к набору ф-ий F( ,zi).
Стратегия совместной минимизации:
Берём начальную точку 0, применим алгоритм гр. спуска к F( ,z1). Находим соот. точку минимума 1. Берём 1 в качестве начальной и применяем алг. гр. спуска к F( ,z2), действуя так, чтобы не выходить за обл. экстр. предыд. ф-ии F( ,z1); получаем точку 2 – совместный экстремум и т.д.
N-1 – точка совмест. экстремума предыдущих ф-ий. - решение всей задачи.
Другая стратегия совместной минимизации:
Берём начальную точку (0), применим алгоритм гр. спуска к F( ,z1). Получим (1). Берём (1) в качестве начальной и применяем алг. гр. спуска к F( ,z2), получаем точку (2) и т.д.Если все grad=0, то это – точка совместного минимума.
Схема останавливается, когда найдётся , в кот. grad F( ,zi), i=1,…,N будут равны нулю, иначе – с самого начала, вместо (0) берём (N) и т.д.
Недостаток:Отыскание не гарантировано, но для нек. видов ф-ий F применение этой стратегии оказывается успешным.