Новости Словари Конкурсы Бесплатные SMS Знакомства Подари звезду
В нашей
базе уже
59876
рефератов!
Логин

Пароль

Некие подходы к задачкам распознавания образов и их приложениям.

Некие подходы к задачкам распознавания образов и их приложениям
некие подходы к задачкам распознавания образов и их приложениям
Е.Т. Рамазанов
Сейчас статистические исследования развиваются в направлении научного предсказывания, прогнозирования социально- экономической среды. Один из подходов решение вопроса прогнозирование заключается в решении задач классификаций.
Одно из условий развития науки в направлении научного прогнозирования заключается в возможностях современной ЭВМ, которые разрешают обрабатывать большие массивы информации.
понятно что существует множество подходов решений вопроса научного прогнозирования, такие как опыт, компьютерная моделирования. Возникает вопрос, на сколько можно доверять результатам решений предсказываниие, и, вообще, достоверен ли полученный итог, как разница она с реальностью. Непременно что решая конкретную заданную задачку, каждый способ имеет свои плюсы и минусы и исследователь используя тот либо другой способ стремится к тому что бы ошибка различия была довольно малеханькой, и если уж совершенно ошибки не может быть устранить, то оценить их (тут вопрос достоверности он переносит в другое поле, исследователь решает вопрос объективно имитирует ли настоящий процесс либо явление созданная модель. Либо. Строит критерий свойства т.Е. Применяет идей оптимизации. Если да то он доверяет результату ). Оценить ошибку достоверности предсказывание порой и нереально сделать ибо статистические оценки гипотез вероятностны.
Описанный тут подход может быть эффективен с точки зрение достоверного предсказывания.
задачка классификаций тесновато связана с таковыми дисциплинами как математическая статистика, теория вероятностей, кластерный анализ. Было проделана большая работа по разработке способов и подходов решений задач классификаций. Фундаментом послужили такие работы как Дж. Хартигана, Миркина, Дюрана М.Б. ,Дж. Вэн Райзена , Айвазяна . и др.
Решение задачки классификаций базирована на кластерном анализе.
Изложенные тут главные идей кластерного анализа основываются на работах [2 ]и[ 3].
Пусть множество Т=( Т 1Т2 Т3 ,…, Тn ) обозначает n обьектов .
Предположим, что существует некое множество наблюдаемых
характеристик либо черт. Обозначим это множество
С=(С1 С2 С3, .. ., Ср); этими чертами владеет каждый индивидум из множества Т. Наблюдаемые свойства могут быть количественными либо качественными . Наблюдение частенько называют измерениями. Итог измерение i-й свойства(измерение ) Tj –обьекта обозначим хij , а вектор Хj=[ хij] размером рХ1 будет отвечать каждому ряду измерений для j- го обьекта . таковым образом исследователь обилием
Х=(Х1 Х2 Х3 ,…, Хp) обрисовывает множество Т.
Множество Х может представлено как к точек в р- мерном евклидовом пространстве Ер .
задачка кластерного анализа заключается в том чтоб на оснований данных в множестве Х разбить множество Т на m-классов m0; Построим бинарную матрицу отношений толерантности Q с элементами равной 1 если dij, и равные 0 в неприятном случае. Близость меж матрицами Q и Rk оценивается расстоянием Хемминга .
r(Q, Rn)= ;
где -неотрицательные весовые коэффициенты.
Требуется отыскать матрицу Rn аппроксимирующего матрицу Q. Существует крупная группа способов кластерного анализа в базе которой лежит решение данной задачки .
Предположим, что мы имеем итог разбиение построенного нами метода классификаций. Справедливо ли отнес обьект Тi
классу Rn , когда в реальности он принадлежит, быть может, к другому классу. В этом вариант исследователь идет по одному из пути. Обрабатывает набор данных различными методами. Результаты сравнивает меж собой, либо если есть эксперт, то сравнивает с его разбиением. Но экспертного разбиение может и не быть, а сравнение результатов различных алгоритмов может быть не достаточным.
В таком случае исследователь может проверит кластер данных на «реальность». Понятие действительности кластера данных основывается на идеях Дж.Хартигана.
Как вообще предполагается строить прогнозирования социально-экономической среды в задачках классификаций. Рассмотрим на примере . Пусть имеем n городов каждую из которых характеризуем некоторыми параметрами . к примеру с1-потребление электроэнергий ,с2- личным потреблением и.Т.Д.
Тогда Х вектор представляет собой набор указанных черт задачка классификаций заключается в том чтоб разбить города по уровню развития. Ппредположим , что мы разбили города по уровню рразвития, и предположим ,что итог разбиение реален.
сейчас изменим параметр одного города проверим опять не поменялся ли итог разбиение на базе результата можно строить прогнозы .Прогноз будет достоверным ибо метод классификаций разбивает верно . в заключении стоить отметит, что исследователь обязан убедится в том, что метод классификаций разбивает верно.
Применение алгоритмов распознавания для решений задач сегментации. Одним из увлекательных приложений теорий распознавания является способности употреблять некие модели данной теорий для решения задач в различных областях математики. В частности для решения тяжелых комбинаторных задач и таковых как задачка сегментации программ[6]. Под задачей сегментации традиционно принято понимать задачку разбиения последовательной программы на взаимозависимые по управлению и информационной части (блоки, сегменты и. Т. Д. ) В согласовании с той либо другой целью. Для решения задач сегментации существует ряд способов. Которые разделяются условно на несколько подходов. Которые разрешают в основном получить только приближенные решения при неизвестной погрешности определяемых решений. Один из таковых подходов является кластерный подход[6]. Кластерный подход основывается на представлении задачки сегментации как задачки кластерного анализа. Сама программа в этом случае является точкой n-мерного пространства.
Для решения задачки сегментации программ кластерный подход опирается на классическую графовую постановку задачки сегментации и обладающей некоторыми специфическими чертами.
Формулировка задачки состоит в следующем: Требуется разрезать вершины полного, взвешенного графа на части таковым образом, чтоб суммарный вес вершин, попавших в каждое подмножество не превосходил заданного значения, а суммарный вес внешних по отношению к разбиению ребер был бы мал. При решении разных прикладных задач распознавания и классификации удачно применяется способ опорных подмножеств. В первый раз способ опорных подмножеств был описан Ю.И. Журавлевым. Принципиальную возможность внедрения способа опорных подмножеств для решения задачки сегментации было описана в работе[6]. Основной трудностью тут является содержательная интерпретация характеристик данного способа, задающих соответствующий класс алгоритмов вычисления оценок.
увлекательным подходом для решения задач распознавания образов и классификаций, а также неких дискретных экстремальных задач, в частности задачки сегментации является нейросетевой подход.
перечень литературы
Гонсалес Р.К. Принципы распознавания образов./Пер. С англ. И.Б.Гуревича: под ред. Ю.И. Журавлев
Умар.Ш. был тут !!!!!
 
давайте изгоним мат !!!
 
ДОБРОЙ НОЧИ ОТ Ъ
ЛОКИ ИНО
 
ДМК МЭ
 
где инфааа?