Аналіз проблеми інформаційного синтезу систем керування, що навчаються, страница 9

У статистичних методах розпізнавання етап навчання характеризується значною обчислювальною трудомісткістю та недостатньою оперативністю, обумовленою необхідністю виконання умов рівномірної збіжності емпіричних частот до відповідних імовірностей. Облік специфіки окремих задач розпізнання дозволяє підвищити оперативність етапу навчання. Але в цілому оперативність розв’язання задачі навчання як на основі градієнтних методів, так і інших відомих модифікацій методу стохастичної апроксимації [63,126,127] коливається в значних межах. Крім того, треба приймати до уваги, що застосування методів багатовимірного статистичного аналізу для розв’язання задач автоматичної класифікації функціональних станів слабо формалізованих процесів неодмінно викличе необхідність подолання проблеми багатовимірності, що суттєво може зменшити оперативність алгоритмів навчання навіть для сучасних електронно-обчислювальних комплексів.

Основною заслугою статистичного підходу до розпізнавання образів є започаткування розвитку теорії машинного навчання, основи якої закладено у працях [26-29,41]. При цьому модельність статистичних методів автоматичної класифікації так само становить певну методологічну цінність, оскільки дозволяє дослідити механізм прийняття рішень.

Серед детермінованих методів автоматичної класифікації значне місце займають логічні методи [53,78,79]. Найбільше поширення логічні методи подання та виведення знань набули в СК робототехнічними комплексами при розв’язанні задач “технічного зору” [78,79,202]. Так, при розпізнаванні деталей в складальних робототехнічних системах застосовується логічний метод, розроблений науковим колективом під керівництвом В.І. Костюка [78]. Цей метод застосовується за умов наявності всіх даних про номенклатуру деталей, що обслуговуються: їх геометричні розміри, площина, конфігурація та орієнтація. Особливо він ефективний для плоских або об’ємних деталей прямокутної форми при заданій множині положень деталей, що розрізняються та визначаються на етапі навчання системи. Формування логічного керування для деякого стану деталі, що розрізняється, здійснюється за алгоритмами компараторного розпізнавання за еталоном. Основним недоліком логічних методів “технічного зору” є можливість неоднозначного опису станів деталей, що розрізняються, оскільки різні положення деталі можуть описуватися тотожніми кон’юнкціями. Для усунення цього недоліку в праці [78] запропоновано метод масок, що програмуються. Суть методу полягає у визначенні на етапі навчання для положень деталі, що мають однакові коди, додаткових ознак розпізнавання. Це дозволяє трансформувати нечітке розбиття станів деталі в чітке з метою побудови безпомилкового за навчальною матрицею вирішального правила. Але загальним недоліком детермінованих методів розпізнавання образів є їх низька завадозахищенність.  

Кореляційно-екстремальні методи розпізнавання образів [73,74,122], які як порогові методи відрізняються високою завадозахищенністю, знайшли широке використання в СК, що містять контур компараторного розпізнавання зображень за еталоном, наприклад, при ідентифікації кадрів, у навігаційних задачах (самонаведення літальних апаратів) та інше. При цьому системи, які реалізують кореляційно-екстремальні методи розпізнавання, вимагають значних обчислювальних ресурсів, оскільки у зв'язку з чутливістю кореляційних систем до геометричних деформацій оброблюваних зображень, необхідно зберігати у пам’яті СК набір еталонів, що перекривають усі можливі зміни на зображеннях. Але основним недоліком кореляційно-екстремальних методів, є відсутність адаптивного вибору порогу порівняння кореляційної функції або згортки. Аналіз сучасного стану розробок в області створення систем компараторного розпізнавання і спостереження за різного роду об'єктами у реальному масштабі часу показує явну тенденцію поступового переходу від систем, заснованих на кореляційних підходах, до систем, у яких розпізнавання і спостереження ведуться шляхом одержання структурного опису (у вигляді набору первинних і вторинних ознак) і порівняння параметрів цього опису з еталонними. Структурні (лінгвістичні) методи розпізнавання [131-133] показали свою високу ефективність при розв’язанні таких прикладних задач, як ідентифікація кадрів [53,67], навігаційні задачі [67], розпізнавання усномовних образів [109,110], сегментація текстур [134-136] та інше.