Аналіз проблеми інформаційного синтезу систем керування, що навчаються, страница 7

Одним із способів формалізації процесу функціонування СК є подання математичних моделей як систем масового обслуговування [204, 205]. Але наявний аналітичний апарат теорії масового обслуговування дозволяє розв’язувати прикладні задачі лише для випадків, коли основна статистична гіпотеза є достатньо обґрунтованою. Тому при дослідженні слабо формалізованих процесів доводиться вводити суттєві спрощення, що знижує достовірність отриманих результатів. У 60-ті роки ХХ століття М. П. Бусленко [206] запропонував для підвищення ефективності дослідження складних систем здійснювати кібернетичний  експеримент, який полягає у побудові імітаційної моделі системи та її дослідженні на ЕОМ методом статистичних випробувань. Поєднання методів теорії масового обслуговування та статистичного моделювання для розв’язання задачі структурного синтезу СК здійснено у праці [125]. Але на практиці такий підхід передбачає необхідність проведення розвідувального репрезентативного статистичного аналізу, наприклад, технологічних процесів з метою дослідження потоків інформації та визначення їх імовірнісних характеристик, що за реальних умов виробництва є досить складним.

Значні зрушення до вирішення проблеми аналізу та синтезу СППР, що базуються на моделях і методах інженерії знань, відбулися з появою праць   [96,97,154], в яких вперше запропоновано лінгвістичні форми подання критеріїв якості, що визначають різні форми задач оптимального керування. У праці [154] процес керування подається як набір лінгвістичних продукційних моделей, що дозволило розглядати задачу синтезу СППР у просторі лінгвістичних змінних. 

Оскільки здатні навчатися СК є суттєво нелінійними, дискретними за часом і рівнем системами, які  функціонують у режимі моніторингу за умов невизначеності та ненульових довільних початкових умов у момент зняття інформації, то основними якісними показниками, що пред'являються до таких систем, є забезпечення високої достовірності машинних рішень, оперативності їх прийняття і надійності функціонування системи. Відносно СК, у контур управління яких входить обробка та розпізнавання зорових зображень, специфіка полягає у тому, що процедура оброблення сигналів та класифікації зображень повинна бути стійкою до геометричних деформацій поточних зображень і видавати надійні результати з урахуванням характеристик оптичних систем, що можуть працювати у різних діапазонах довжини хвиль. Крім того, процеси формування та розпізнавання зображень повинні протікати за мінімально можливий час.

Таким чином, до СПР у складі таких СК пред'являються суперечливі вимоги, пов'язані, з одного боку, із забезпеченням високої швидкодії, а з іншого боку - з вимогами оброблення і аналізу великих обсягів відіоінформації з високою стійкістю, точністю і надійністю [207-209]. Тому визначення необхідних просторово-часових і точнісних характеристик СК, що здатні навчатися розпізнавати образи різної природи, доцільно здійснювати як з точки зору конструктивного удосконалення самих систем, так і розробки найбільш ефективних машинних методів автоматичної класифікації.

1.4. Сучасний стан і тенденція розвитку методів автоматичної               класифікації

Термін “автоматична класифікація” є узагальнюючим поняттям всіх машинних процесів прийняття рішень, у тому числі, розпізнавання образів як за апріорно класифікованими, так і некласифікованими  навчальними матрицями. Становлення теорії автоматичної класифікації, починаючи з другої половини ХХ століття, відбувалося, головним чином, шляхом подальшого розвитку ідей і методів як розпізнавання образів [166], так і статистичної теорії прийняття рішень [118]. Оскільки вченим-фізіологом П. К. Анохіним [180] експериментально доведено, що на фізіологічному рівні процес розпізнавання образів складається з двох етапів: навчання і безпосереднього розпізнавання - екзамену, то задачу розпізнавання функціонального стану СК можна сформулювати так: на етапі навчання знайти оптимальне в інформаційному розумінні розбиття простору ознак розпізнавання на класи і на етапі екзамену у режимі функціонування СК прийняти достовірне рішення щодо належності вектора-реалізації образу, що розпізнається, до відповідного класу із апріорно визначеного на етапі навчання скінченого алфавіту класів розпізнавання  .