Класифікаційна настроювання електронного мікроскопа: Інформаційне і програмне забезпечення системи автофокусування електронного мікроскопу, страница 6

2.2 Основні принципи та визначення МФСВ

  МФСВ – непараметричний детерміновано-статистичний алгоритмічний (неформальний) метод інформаційного синтезу інтелектуалізованих АСКУ,  який  грунтується  на прямому критерії інформаційної здатності системи  і гіпотезі нечіткої компактності реалізацій образу, яка є прийнятною для задач контролю і управління.  Метод орієнтований на використання сучасних обчислювальних комплексів і використовується для розв'язання різноманітних задач автоматичної класифікації об’єктів  .

Крім відомих принципів моделювання складних систем  [  ] МФСВ грунтується  на ряді  спецефічних основних принципів.

Принцип загальності інформаційного критерію для оцінки функціональної ефективності (принцип інтегративності). З кібернитичної крапки зору ефективність функціонування СППР визначається інформаційним показником степені відповідності управління стану системи для перетворення вхідних змінних у вихідні при використанні системи за призначенням.        

Принцип прямої залежності економічної складової ефективності від інформаційної здатності СППР. Максимізація інформаційного КФЕ, який кількісно оцінює інформаційну здатність системи, призводить до  мінімізації середніх витрат у процесі її функціонування.

Принцип композиції математичної моделі СППР. Цей принцип доповнює принцип інтегративності і визначає структуру МФСВ. Суть цього принципу полягає в тому, що обов'язковими елементами математичної моделі процесу навчання є відображення простору станів ОКУ  Z  на множину значень інформаційного критерію   Е:   g : Z Е   і відображення множини Е на множину параметрів навчання   G:    f : E G ,   де    g º f : Z G  визначається  за  умови     (f  º g) ω = f(g(ω)),  Z .

Принцип агрегатування станів і функцій СППР. Цей принцип являє собою об’єднання складових частин системи в рамках загальної функціональної задачі, що дозволяє будувати на базі МФСВ агрегатовані моделі СППР, яка орієнтована на розв'язання різноманітних задач автоматичної класифікації. 

Принцип рандомізації (принцип приведення до випадковості) ознак розпізнавання. Цей принцип дозволяє разом з детермінованими характеристиками функціонального стану СППР ввести в розгляд випадкові реалізації образів розпізнавання.

Принцип обмеженої багатоваріантності рішень, що приймаються. На цьому принципі базуються ітераційні процедури оптимізації процесу навчання,  оскільки алгоритмічний інформаційний синтез СППР, що навчається, означає генерацію потенційно можливих варіантів рішень, які ітераційно оцінюються  в процесі навчання за інформаційним КФЕ.

          Перший і другий принципи адитивності інформації. Перший принцип адитивності інформації [ ] дозволяє в рамках синтаксичного підходу оцінювати корисність інформації через її кількість, що є підтвердженням практичної цінності  міри кількості інформації. Другий принцип адитивності інформації дозволяє визначити робочу область значень інформаційного КФЕ, яка задовольняє вимогам: чим більша достовірність  рішення, що приймається, тім більше отримано кількість  інформації про образ, що розпізнається.

      Розглянемо бінарний простір ознак розпізнавання   W_B Ì X ,  де  X - простір Хеммінга. Передбачається  Card W_B = 2^N,  де   - число ознак розпізнавання (рецепторів). Нехай  W_B  –вибіркова множина, що аналізується, елементом якої є  -мірний упорядкований бінарний вектор ознак:

                        .

       При детерміновано-статистичному аналізі  і -та ознака розпізнавання X_і   розглядається як випадкова величина, значення якої утворюють повторну вибірку  { | . }.

       Визначення 2.2.1. Класом розпізнавання  (образом)    називається   відбиття властивостей  m  - го функціонального стану і відношень між елементами системи.

       Клас розпізнавання –  топологічна категорія, оскільки  задається в просторі ознак розпізнавання областю  Ì W_B .