автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Распознавание сегментированных временных последовательностей и верификация образов

ШЕВСКИЗ МЕХАНИЧЕСКИЙ ИНСТИТУТ

На правах руксшпси УЛ 519.24:534.4:621.391

КУЗНЕЦОВ ПЕТР ГРИГОРЬЕВИЧ

РАСПОЗНАВАНИЕ СЕГМЕНТИРОВАННЫХ ВРЕ/ЕНШ ПОСЛЕДОЗАТЕЛЫЮСТЕЯ V. ВЕРИФИКАЦИЯ ОБРАЗОВ

05.13.16 - Применение вычислительной техники, .математического моделирования и математических методов в научных исследованиях

Автореферат диссертапш на соискание ученой стегана доктора технических наук

Ижевск - 1992

/О,

✓

/

Работа вцполнзна в Ижевском мохеническом институте. Официальные оппоненты:

доктор технических наук, профессор М.0.Бондаренко доктор технических наук, профессор И.М.Чабдаров доктор физико-математических наук, профессор Е.И.Леваноз

Ведущая организация:

Институт математики и механики Уральского отделения РАН

Защита дисеортеция состоится " НО" (/ (О _1992 го

в '$2-_часов на заседании специализированного Сове

Д064.35.0Х в Киевском механическом институте (426069, г. Иеэе ул. Студенческая, 7).

С диссертацией можно ознакомиться в библиотека института.

Автореферат разослан " " 111П<Я_1992 г.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблеск Распознавание образов можно рассмат-щвать как математическое моделирование слабо ггор.\'олиэовашшх июжннх задач. Метода и алгоритмы распознавания образов р эна-щтельно? мере определяются конкретной физической природой рас-юзнаваекнх объектов или явлений. Для анализа и описания временна последовательгэстей часто используется подход от елоглого к рзстому, когда исходная временная госле^овательность, как :;.по-:естзо из боль-пего числа элементов представляете.: в виде неболь-юго числа сильно различающихся подкнокеств, внутри которых эле-шнтн обладают отношения;.!:! сходства и находятся в некотором ::н-:ервале на оси времен!!, В сиом очередь, какдое подмножество коя-ю разделить на более мелкие подзяЛ>яеотва. Такш образом в пеход-¡уто временную последовательность т.водится отношс:.не иерархии в ¡адо разбиения се на сегменты, сс-.тв-тсгяунпие раэл'1 чгшм уровням ¡ерархшп Выбор алфавита сегментов обычно является неформальной шдачей я производится специалистами соответс..эущих областей шаниЯ.

Могло выделить следушие особенности задали распознавания ¡егментированнпг времекких последовательностей:

- упорядоченность сегментов ви времени, несущая существенную формацию о распознаваем объектах;

- большое разнообразна исходною описания сегментов. Гапри-дар, на первом уровне иерархии описание сегмента может меняться >т одного отсчета одномерного сигнала г~> произвольного я перемен-юго числа отсчетов многомерного сигнала. На последующих уровнях шкеание сегментов т,.оя®т бить в виде наименований, столбцов апостериорных вероятности или иных мер сходства, вычисляемых на прв-щцущем уровне иерархия;

- априорная неопределенность и ограниченный Ооъем обучающей зыборки;

- реальный масштаб времен*. пря распознавании;

- переменная длительность сегментов.

Методы распознавания временных последовательностей пршеня-отся и могут применяться в распознавании речи, в медицинский и технической диагностик^, в геофизике при комплексной"интерпрета-До! сигналов каротажа и сейсмосигпалов, при анализе и распознава-

нки изобра*ег:й по выходному сигналу оптического датчика при заданном порядке сканирования, при анализе текстовых последовательностей и структур слогякх белковых молекул.

Задача верификации образов возникает всякий раз, когда необходимо принять решение о принадлежности текущей реализация заданному эталону (классу), взптог.у случайным образом из некоторого исходного елТазпта классов образов. Зта задача возникает в криминалистике, при контроле сложных объектов путем сравнения Их с эталонной: объектами, при создании автоматических систем санкционированного допуска, с зтем веритн-ацж диктора и в ряде других областей человеческой деятельности.

Больной вклад в разработку и исследование методов распознавания временных последовательностей и верификации образов внесли работа З.И.Засильева, Т.К.Впнщока, Г ,Я.Волозина, З.Д.Гусева, Н.Г. Загоруйко, К.Ш.Зпгангирова, В.ИЛевенштейна, Б.Р.Левина, Г.С.Ра-мишвили» Л.Тельксниса, Э.К.ШпилеЕСКого, Ш.МЛабдарова и других советских я зарубегапх ученых. Вместе с тем, метода распознавания сегментированных временных последова.ельностей, учкткваяаие их особенности,•разработаны далеко недостаточно. Тэоретические основы методов верификации образов практически не разрабатывались, что существенно затрудняет спкгез и оце:.ку параметров систем ве-рлфикацш образов,

Разрг'огка и исследование та. годов и алгоритмов распознавания сегментированных врем-нинх последовательностей, разработка теоретических принципов веркаккации образов, создание на этой основе аппаратурного, математического и программного обеспечения и спе-шшлкзкрованных систем распознавания временных последовательностей а верификация образов, является весьма актуальной проблемой.

Цель работы. Разработка и исследование методов распознавания сегментированных времегнкх последовательностей, разработка теоретически принципов верификации образов. Практическая цель работы -разработка аппаратурного, математического и программного обеспечения дня решения широкого круга прикладных задач на базе разработан-них методов и алгоритмов, разработка специализированных систем распознавания и верификации временных последовательностей.

Метода исследования. I. Теоретические - на основе методов теории вероятностей и математической статистики, теории распознавания образов, теории графов, теории сигналов и теория цепей,

дискретной оптимизации. 2. Экспериментальные исследования основаны на алпаратурнс-програпяшх методах, включзшнх в себя ЭВМ к комплекс специальных аппаратурных средств для предварительно": обработки и ввода в ЭВМ исследуемых временнкх лоследозате.т посте.'!.

Науная новизна. Разработаны и обобсаны методы распознавания сегментированных временных последовательностей при различной сл-риорной неопре^ел ннссти, объеме ОБ и способах описачия этих последовательностей. Лля распознавания сегментов разработаны реза-шис правила, инвариантчые к уровню сигнала. Разработаны рекуррен-тнне метода обучения к распознавания марковских символьных последовательностей с учетом переданной длительности символов у. конечного объема ОБ. Разработан простой рекуррентный алгоритм определения меры сходства двух символьных последовательностей и алгоритм восстановления эталонной символьной последовательности по ОВ.

При лзвзстннэс эталошшх последовательностях разработаны и обобщен« метод» распознавания для различных описаний сегментов и для различных допустимых преобразований эталонных последовательностей. Методы основаны на г; у]овю: моделях гепер..ровг-ния .окумей реатизашш. В качестве критериев информативности, характеризуших качество сегментация и распознавай^'сегментоз, введены вероятностные расстояния.

Разработаны теоретические принципы верификации образе в статистической постановке задачи. Исследованы свойства обобщенного эталона и реаашие правила для верифшедии образов. Получейы оценки вероятности ошибки для конечного множества объектов верификации л критерии ыкТорм^-ИЕНОстя для верификации образов.

На основе разработанных методов распознавания сегментированных временных последовательностей я верификация образов регсен ряд прикладных задач:

- распознавание слов при яееткдх ограничениях на массогаба-эитные и энергетические характеристики устройства распознавания;

- верификация дикторов по речевым отрззкам с фиксированным земантичеекпм содержанием;

- неразруиащий контрой физйко-хкмичеекдх и структурных звойств изделий из ферромагнитных материалов по огибавшей магнит-юго шума;

- индивидуальное прогнозирование надежности радиоэлектронной

аппаратуры (РЭА) по эволюция ее параметров в период технологической приработки.

Практическая ценность. На оснозе разработанных методов распознавания сег:.'.актированнкх временных последовательностей и верификации образов еоздгщо глатематическоа л программное обеспечение " дан решения прикладных задач.

Для рсачизшиш разработанного программного обеспечения и пр< ведения эгспэри:.:ентальнцх исследования разработан когллекс аппаратурных средств для предварительно!! обработки и ввода в ЭВМ исследует« прег.'енных последовательностей.

Разработаны и внедрены простые, малогабаритные я дешевые устройства речевого управления комплексом бытовой РЭА, телефонным номеронабирателем и дрymui техническими системами.

Разработка система вари*:;кагии голооов на базе микро-ЭВМ и система iit^aapyiaaauero контроля ферромагнетиков по огкбавде!! магнитного кума.

Рааработак!.' и внедрены автоматизированные систеш контроля РЭА, поэволяжие существенно повысить точность, достоверность и объективность контроля, уменьшить время контроля, а также проводить индивидуальное прогнозирование надеянсстп РЭА,

Разработана и внедрена аппаратура 1"'Дрово?1 записи и ввода в РЗМ сигналов каре аг.о, позволяшая существенно повысить точность с достоверность ко;,шоксной гео?-зичоскои Ентерпрьтацвд "араме.-ров каротакэ, а также резко уменьшить трудоемкость за счет сок-радения ручных работ.

Реализация результатов работ». Опытные образцы устройств речевого улрагл&кйя, и с польз ужи ^ разработанные метода и алгоритмы распознавания сегментированных временных последовательностей, внедрены в органнз дай п/я B-TI6Q и во З-сесошногл научно-пс следовательском институте радиовещательного дриса а акустики (ВШГЕРНА) и«. Л. С Литва, г. Ленинград,

' Внедрены в производство и успешно эксплуатируются автомати-81фовашше систем контроля и индивидуального прогнозирования на^ежноота PSA на предприятии п/г А-3791. В производственном объ единении "Удауртгеоло"чт" внедрена опытная партия аппаратуры циф ровой запиои и ввода в ЭВМ Параметров ^аротаяа (АЦЗПК), разработанная при проведении научно-исследовательских работ по тема дис сертации.

Результаты исследований по распознаванию временны,. последовательностей и верификации образов используются в учебно:: про-

цессе.в Ижевском механическом институте.

Годовой экономический эйгект от внедрения результатов дао-сертационноЯ работы составляет 625 тис,ру<3,

Апробагия работа. Содержание и осногныа результаты диссертации догадывались на науч.-техн. копт, "невского механического института в 1970-1992 г.г., на Республиканских науч. консТ. и семинарах в I90C-IC3I г .г., на Всесоюзннх кауч.-техн. r.o)if>. "Современные проблзш радиотехники в народном хозяйстве" (Москве, 1977), 'Т.онструктквно-^гехнологичгскЕе особенности аппаратуры и эксплуатационная надежность материалов в аппаратуре связи" (Ереван, 1978), "Развитие и лспольоованле аналоговой и ан алого-:. иТро-вой вычислительной техники" (Москва, 1981), "Измерение и контроль при автоматизации производственных процессов (ИКАШ.-82) (Барнаул, 1982J, "Методг и мн:г.ропроцосcopklа устройства ц..Грового преобразования и обработки информации" ('* кр^процессорн-85" (Москва, 1985), "Разработка систем технического зрения к их применение в промышленности" (Устинов, 1986), "Измерительные информационные системы" (Ташкент, 1987), на науч. конф. ву?~>в Урала (Ижевск, 1971), на ^еминаре "Перспективные направления в технологии радиоаппьрато-строения" (Лен"нград, 1979),на ХХХУ Всесоюз. нау;. сессии, посвященной Дня радио (Москва, 1980), на IX Всесоюз. науч.-^ехн. кояф. "Неразрушахмие Физические метода и средства контроля (Минск, 1981), на науч. -техн. конф. по виьрометрии (Москва, 1982), на Всесоюз. школах-семинарах "Автоматическое распознавание слуховых образов" (АРСО); APC0-I2 (Одесса, 198Г), APC0-I3 (Новосибирск, 1984), APC0-I4 (Каунас, 1986), APC0-I6 (Суздаль, 1991), "Цифровые методы обработки сигналов (Рига, 1984), "Управление качеством РЗА и САПР" (Москва, 1984), на У1 Всесоюз. науч.-техн. ког% "Проб леш магнитных измерений и ма^читоизмерительной технгал" (Ленинград, 1983), на 1У Всесоюз. меявуз. конф. "Электромагнитные методы контроля качества материалов и изделий" (Омск, 1983), на симпозиуме 'Ир блемы практического использования систем автоматического распознавания и синтеза речи" (Ленинград, 1983), на У науч.-техн. конф. "Современные методы неразрушавщего контроля и юс метрологическое обеспечение" ^И-.авск, XS84), на семинаре "Применение микрокомпьютерных си сем в йытовой РЭА" (Ленинград," 1986), на УП Координационном совещании 'Математическое обеспечение интегрированных систем САПР-ГАП" (Устинов, 1986),на~1Х Координационном со-

вепании "Матсматическоз обеспечение интеллектуальных систем САПР-ГАП" (Ордт.о.чнкпдзе, 19ЫЗ), на зонально:! конференции "Методы прогнозирования надежности проектируемых РЭА и ЭЗА" (Пенза, 1987), на Всесоюз. совещании по проблеме автоматического распознавания и синтеза речи. (Хлев, 1533), на X Международной конференции по не-разрулаэлему контролю (Москва, 1962), ка 9 Всесоюз. коне?', по теории кодирования и передачи лиф орглации (Одесса, 1283), а также в ряде организаций.

Публикации. По материалам диссертации опубликовано 66 работ, в том числе депонирована в ВИГПГГИ одна монография, получено II авторских свидетельств на изобретения.

Структура и объем работа. Диссертация состоит из введения, семиглав, закл?"чекия, списка литература (270 наименований) и приложения, Iзложенних на 400 страницах, имеет 63 рисунка и 34 таблицы.

содтааш рабств

Введение. Во введении рассматривается актуальность проблещ распознавания сегментированных временных последовательностей и верификации образов, цель и направление исследований, научная и практическая новина диссертационной работы, реализация результатов работы, апробация работы и губликации, объем и структура диссертации.

Первая глаза. Разработка л развитие теории и'практики распознавания образов происходит благодаря работам многих отечественных и зарубежных ученых- Основополагакщими явились труды советских ученых Ю.П.Барабаша, Э.М.Бравермана, З.Г.Вапника, А.П.Горелика, Ю.И.Ку! ^влева, Н.Г.Загоруйко, А.Г.Ивахпенко, Г.С.Лбова, Ю.И.Иеймарка, В.С.Пугачева, Л.А .Расстригли, Щ.Гэудпса, И.Б.Си-рол-'и, И.Т.Турбовича, В.К.Фомина, А.А.Харкевича, Я.З.Цнпкина и др. Однако временные последовательности имеют свои особенности, существенно выделяшие проблему их распознавания из общей проб-лы.ш распознавания образов,

В первой главе досматриваются основные проблемы решения задач распознавания сегментированных врьменннх последовательностей и верификации образов.

Сегментированные временные последовательности охватывают широкий класс процессов и явлений реального мира, от сигналов, дне-

9

39

кратизированных по времени, до символьных последовательностей. Описание сегментов может быть в виде: вектора признаков X; наименования сегментов 7 Xя в некотором алфавите сегментов Е ; столбцов апостериорных вероятностей ели мер сходства {Р(6%/Ху.

Анализ состояния проблей: распознавания сегментированных временных последовательностей показывает, что в настоящее время наиболее разработаны метода распознавать сигналов, соответствующие первому, ".егментксм^ уровню иерархических систем распознавания временных последовательностей. Для второго уровня наиболее перспективными являются словар;;ие метода распознавания симвсчь-ных временных последовательностей. Но эти методы наиболее трудоемки в вычислительном отношьлии и'слабо разработаны. Отсюда возникают такие задачи:

- разработка решаших права-, инварианте« к уровни сигнала для различных моделей сигнала;

■ - разработка рекуррентных методов распоз :авания марковских символьных.последовательностей с уч°том длительностей символов; '

- разработка методов распознавания скжолькь::: последовательностей с учетом ограниченного объема 03;

- разработка методов восстановления эталонной символьной последовательности по 03;

- разработка и обобщение методов распознавания сегментированных временных последовательностей для различных описаний сегментов на основе графовых моделей их генерирования при заданных допустимых преобразованиях;

- разработка критериев оценки информативности оегментпро-ванных временных последовательностей.

Задача верификации Образов возникаем' в тех случая.:, когда требуется решить вопрос о принадлежности текущей реализации данному эталону, и ответом системы верификации является ответ лша "свой чужой". Таким образом верификацию образов можно рассматривать как распознавание двуу классов образов, "свой" и "чужой", причем описание класса "чужой" обычно являв.ся предельным описанием некоторого исходьсго. алфавита классов при неограниченном увеличении его мощности..Метода верификации образов'успешно применяются на практике, однако их теоретические основы практически не разрабатывались. Отсюда возникает задача разработки и исследования методов верификации образов в статистической постановка.

Во второ? главе рассматривается распознавание сегментирован' ных временных последовательностей с учетом ограниченности объема СБ. При распознавании сегментов на первом уровне иерархической систем; распознавания временное последовательностей обычно пред-полягаогся, что уровень сигнала не меняется при обучении и распознавании гл.. применяются лросгейаие способы ого нормализации. Рассмотрение реашппях правил для. различных моделей сигнала ЧЧЬ) с переменным уровнем СЦ, 1=Н,М _

где

- эталонный сигнал; Z(i) - пум, показывает, что реаащие правила, инвариантные к уровню сигнала, зависят от модели. Рассмотрены следушие модели:

W-di %(t)^(t)r ь \,n i .

гда a,&Ta¿ - случайный коэффициенты; - константы,

Z(t) - независимый шум, плотность вероятности которого есть монотонно убывакшая функция сукин квадратов его компонент; - белый гауссовский пум с нулевым средним.

К^оме того, рассмотрены реиатие правила, инвариантные к уровню сигнала длт мидели с коррелированным гауссовским шумом, ковариационная матрица которого на зависит и завили- от сигнал.

Для символьных временных последовательностей широко прямо-нается аппроксимация статистических закономерностей марковскими цепями первого порядка. Однако в раде случаев длительность символа являетоя переменно!! и несет информацию о временной последовательности. 3 этом случае получается марковский процесс с дискретным числом состоянг'1 а непрерывны!,! временем перехода из одж го состояния в другое (разрывной марковский процесс). Рассмотри рек-'рреяткис рбйбйдие правила максимального правдоподобия, ocho-ванные на конечной ОБ. Однако их оценка требуат вычисления

N(N-H) достаточных статистик, которые могут быть оценены только при достаточно большом объема ОВ. .

При малых (В символьная последовательность может описывать ся вероятностной матрицей

ú ОТ,

где - вероятность появления символа типа 6% в позиции с

номером i . В алфавит скмзолоз £. светен дополнительный,

N + I -Я "пустой" символ, соотгетствуилий началу и конну последовательности. В предельном случае, когда 03 состоит из одной реализации, получается задача сравнения двух символьных -.оследо-вательнсотей. Для перехода от "слабой" шкалы наименований символов к метрической икале меры сходства обычно используется метрика в виде взвешенною расстояния Леаиглтейно С \л/1 £> ), основанная на допустима преобразован:'тх в виде выпадений, встазок п земгае-нкй символов. Для вычис тения !л/|_С используется максимальная общая подпоследовательность (МОП). Разработан простой рекуррентный алгоритм вычисления ".'ОН с малой мультипликативной состаыии1-шей, основанный на расстановке пометок в вериинах гроТа-решетки , отобраг.ашего сравниваемые последовательности, и имеющий порядок роста сложности равный

0[£УО-*№)].

При обучении в метрических пространствах широко применяется аппроксимация ОВ в виде центроидной реализации. Для символьных последовательностей модель выпедени", вставок и замещений при .определенных условиях обладает минимальной энт^оплей. Для этой модели анрлого:* центроидной (эталонной) символьной последователь-■ ности мотг.ет служить МОП Ч* £ , обобщенная на несколько емволь-чых последовательностей и манюлизирупцая суммарное внутриклассовое 0 . ^

О цд.

где €Ч^ов - реализации ОВ, - объем С®.

Разработан -рекуррентный агоритм восстановления Ч"- по СЗ и рассмотрены некоторое вопросы восстановления Ч** » максимизирующие суммарную внутриклассовую меру сходства.

В третьей, главе рассматривается распознавании сегментированных временных последовательностей при известных эталонных рзализа-циях и заданных допустимых преобразованиях в виде пропуска границ сегментов и появления локннх границ.

В распознавании сегментированных временных п следовательнос-твй широко применяются графовые модели генерирования текущей реализации. Одной из перста, моделей такого вида является сетевая модель Волошина Г.Я., впоследствии названная алгоритмом Витерби. Однако эта модель служит для принятия решения о наиболее правдоподобной символьной последовательности при распознавании сегмен-

тов на первой ступени иерархической системы распознавания. При распознавании слов по последовательности характерных отсчетов (элементов) или <"оке: :оподобно: сегментов в метрическом простран-, стве широко попользуются графовые модели пороздахтах гра'.хатих ВшшокаТ.К.

На рис. I и 2 представлена орграфы генерирования текущей реализация при наличии пропусков границ сегментов, описываемых матрицей вероятностей пропусков

и-Il tueXfH» ept Л1(ы • i)x(nhj .

На рис. 3-5 показаны орграфы генерирования текущей реализации при наличии ложных границ внутри сегментов, описываемых векторами вероятностей появления I, 2.....Y\_ ложных границ внутри сегмента

На рис. G и 7 представлены орграфы генерирования реализаций в обпем случае, которые являются объединением предцду-дкх графов

Разработаны алгоритмы синтеза орграфов G? . Веса дуг оп-

ределяются элементами матрицы U и функциями праводоподобия век тора признаков X для графов G2 11 » элементами векторов У\ $, & = i, и апостериорными вероятностями сегментов для орграфов к Gq .

Для распознавания методами динамического программирования вычисляется либо полна, вероятность гыерирования заданной реализации, либо наиболее вероятная последовательность, соответст-. вуадая экстремальном}'' пути на о. графе мекду заданными вершинами А и В . 3 последнем случае вводятся логарифмические веса дут.

Для наименований сегментов имеется простая грасгояяя модель Баги и Джелянека. Однако при ншшчш ограничений на число выпадений смежных символов J3 и на число вотаво.; мевду соседними символами об структура соответствующего орграфа существенно усложняется и показана на рис. 8. Вероятности выпадений и вставок отображаются весами .пут, вероятности замещений - весами вершин.

Для уменьшения времени распознав дия сегментов можно использовать метода верификации образов и статистическую зависимость между сегмеиташ. Показано, что при верификации образов по кри-

а «Л п*. л

Рис. I. Греф геношровакия реализация произвольной длины при налитаи пропусков гранил, сегментов. Описание _ сегментов - вектор признаков X «

6*1 6«

©

12 3

• -Го,.«ер сегмента реализации

Рис. 2. Граф генешрования I эа. л згу (ии из трех сегментов. Опксатае сегментов - столбцы апостериори./ всоотностеЛ

д вх< 2п бхг;

яип

Рис. 3. Граф) генерирования Рис. 4. Граф генерирования реализации произвольной длины 'реализации заданной длины £ при наличии локных границ ' при наличии лонных границ ( =2). Описание сплентсв- ( г£ - 2). Описание сегментов- вектор признаков Л - вектор признаков X

Gg 0?.M>

Ох?-® ©

Рпо. 5. ГраТ генерирования реализации ;;рл налички лояннх границ ( Ч. = 2). Описание сегментов - столбцы апостериорнхи вероятностей

ычм)

«г» 2 е£=5 С--6

Рис. 6. ГрагЪ генерирования реализации в общем случае. Описание сегментов - ст^нбцн апостериорных веполтнос^е;;

бхь 6,

f>6fi2,8t)\W

Рис. 7. Грай генерирования реализации в общем случае. Описание сегментов - вектор признаков Л

Рис. Б. Греф генерировавля реализации при наличии ограничений на число вставок (<£• « 2) п на число выпадении ( р - 2). Описания сегментов в виде их наименований.

терига минимальной огабки вергл'Г.каций перс/тность оаибки распознавания сегментов равкз вероятности озибки байесовского классификатора.

Вероятность ошибки при распознавай!::! сегментированных временных последовательностей определяется вероятностями озпбок сегментация и о-дибок распознавши сегментов. 3 качестве обобщенного критерия mi" эрмативностк, характеризующего эти оба вида опш-бок, предлагается использогать вероятно^тино расстояния. Проведено обобщение ях на многоальтериаткашгй случаI!, рассмотрены свойства расстояний Бхаттачаркя, Колмогорова. дивергенции к расстояния Матуситы и взаимосвязь ах ...етду собой. Для многоальтерн::тив-ного распознавания лучае использовать расстояние Колмогорова.

В четвертой главе рассматривается верификация образов в статистической постановке задачи. П^л вер:ф:кацяи ..бразов сравнение текущей реализации происходит с "ДН-j.?, "своим" эт: гоном и система верификации либо подтверждает гипотезу об их то*дест_еннсс-ти (ответ "свой")» -и:оо отвергает еа (ответ ' чухой'). Сложность системы верификации, вреда верпфякечии и объем памяти на зависят "Т числа 2 объектов веркфп:ацяи Cj,j=í,'¿f C¿ 6.С, которые можно досматривать как случаЧнуа выборку из некоторой генеральной совокупности - исходного алфавита классов А-{Aíj? L-i,Mf мощность которого стремится к бесконечности.

Введем вектор А = {Лj } , j - i, о' стоимостей лояной за; зрккл и матрицу О = íj4vjí!««2 стоимостей ложного пропуска. Тогда

средний риск вери!'икг.ции будет равен

m Z м г

Í4=JTP^^X'A^ P^Cj/Ai Í -2ГР М jx: л^ PCCj ^¿Wv^J +

где - область класса "свой" для j'-ro объекта везпфя-

кацки.

Показано, что вероятностное описание f (>'.} класса "чужой" (обобщенный эталон) в асимптотическом случае

не зависит о. конкретного множества объектов верификации С. Для предельного перехода P(Ai) ?джно рассматривать как нз-прерыянуэ плотность некоторого параметра А , тогда

ЛСА) *

В честности, в качестве параметра А момет слутать параметр положения функции правдоподобия

Бри заданно;': мощности млозества объектов верификации средняя величина оллбок верификации олседе.—тется взаимным расположением условных распределен!:'! -f (>', Г^/Cj) я обобщенного эталона ) (рис. 9), Можно определить распределение параметра положения f(ri) через условия иденткфютруемостя конечной смеси и интегральное уравнение

т фжмть ы)

Однако этот подход наталкивается на большие математически., и вычислит ельны е трудн ост;'.,

В тех случаях, когда одномерные функции правдоподобия .

отдкч&отся только величиной параметра положения, ого распределение f(X) можно определить из деления уравнения

Производятся случайны е" ле з сплел—' е выборки случайной Б ел "чины Y f соотвотствукше случайным независимым выборкам g объектов во-рл^икащш CjeCfj- ItZ лз исходного &-<?■ ввита классов А -Пронумеруем злемелти кавдой выборки в порядке их возрастания

тогда эти элементы образуют порядковые статистики. Случайная волг чина Ц(п - F(afi)} имеет плотность, описываемую бета-распроделе нке.м

f/'Si ' % I

Ш-^ТЧ' ¡ffiFfrFVUioO-VivWo'Vut'1

Оиюда легко определить плогност: распределения параметров поло-т.ения.

Как й для всех статистических критериев распознавания, опти мальние решаюмае правила при верификации образов заключаются в вычислений отношения правдоподобия и сравнении его с порогом

кос)=р(с,)?(х/с<, х<) * р(сл) рся/с,,

Рис. 9. Плотности расцредаяений признаков и параметров положения доя "3 =2

Для одинаковых элементов штрафных матриц О и А частные ошибки ■ верит икании можно выразить э виде Функцкй параметров положения и 'определить средние опкбки Р4 к {3, для заданной мощности мнохест ' вь объектов в.рификащш

Если дисперс;ш Тупшй прогдоподобия существенно меньше дисперсии обобщенного эталона, область класса "свой" можно аппроксимировать гиперпараллелепипедом с ребрами, ориентированными вдоль координатных осей. Тогда ре^ехтее правило будет иметь вид

где А - логическое произведение булевых переменных Щ если ■

у^О если ХьОсЩ1 или Щ?^ .

Рассмотрслы условия минимизации риска для этого случая. Для нормальных распределен::.": млхно ввеси линейные преобразования, дка-гонализяруюшие ковариационную матрицу функций правдоподобия я приведшие ковариационную матрицу обобщенного эталона к единичной Для оценки информативности признаков при верификации образох вводятся сяедушие критерии:

- информационный критерий в виде среднего количества информации Рзс% на один акт верифиясцкк

н ос,(С)

нхМ» V)--0,5 + МЫ(ссь)-

(я*)] Ьд[$(ХН,Р/ъ) +¥(хь)]}с1Х(>;

У

<4А

- дисперсионный критерий в виде отношения дисперсий обобщенного эталона и функции правдоподобия, усредненной по расг.ре-деленшо параметра положения и по множеству объектов верификации

- групповой критерий в виде количества групп, на которые разбивается область определения признака при заданной вероятности ложной задержки;

- энтропийно-групповой критерий.

Пятая глава. Одни.; из приложений методов распознавания сегментированных временных последовательностей является распознавание ограниченного набора слов. Целью настоящих исследований по распознаванию слов является разработка простой, малогабаритной и дешевой системы распознавания слов, ориентированной на реализация в виде БИС и предназначенной для речевого управления комплексом' бытовой РЭА, телефонным номеронабирателе-*, калькулятором и другими технически,si системами. Благодаря работам М.Ф.Еондар.лко, Т.К,Вшщкка, В.М.Величко, З.И.Гачунова, А.Л.Григоряна, Р.Я.Гумец-кого, П.П.Кеметиса, АЛЗ.Кнкппера, Б .Г .Лобанова, А.Н.Петровэ Г.М. Пи'роза, А.АЛТирогова, В.Н.Плотникова, М.А.Сапожкова, Г.С.Слуц-кера, В,.т*.Сорокина, В.Н/Грунет.д-Доиского, Г.Д.Фролова, Г.И.Цеме-ля и других советских и зарубежных ученых разработаны методы, ач-горрч?лы-и ряд лабораторных и серийных систем распознавания речи. Однако большинство отечественных систем распознавания слов предназначены для речевого управления ЗВМ и реш.лзоваг-j на микро-ЭВМ "Электрошжа-60" или ее модификациях, имеют большие габариты, вес а потребляемую модность.-Поэтому проблема создания простой с: зте-иы распознавания-слов, ориентированной на реализацию в виде комплекта речевь-: БИС, является актуальной.

для параметрического описания речевого сигнала (PC) наиболее широко используется спектрально-временное (полосное) описание, выделяемое гребенкой полосовк.: фильтров. Рассмотрены искажения спектральной ог..Зашей, обусловленные конечной шириной полосы пропускания фильтров, а такжо влияние числа звеньев второго порядка ъ многозвенных полосовых фильтрах. Однако из-за нестаигз-яарности PC спектрально-временное спасение ведет к потере иниор-

мацш: о йонешом (сегментном) составе речи. Для оптимального вы- ; деления квазлстационарных сегментов речи ре"смотрена возможность использования методов согласованной фильтрации. Схема согласованного фильтра приведена на рис. 10.

Экспериментальна проверка прозодиласт на аналоговых и цифровых моделя:: согласованных фильтров. Аналоговые фильтры моделировались на операционных усилителях для шести гласных Фонем и после обучения изолированные гласные фонемы для одного диктора распознавались безошибочно. При цифровом моделировании на ЭВМ к шести гласный фонемам были добавлены четыре сонорные фонемы: "л", "ы , "н", "з" и фонемы выделялись из слов. Средняя надежность их распознавания для мужских голосов меняется от 54,6$ для одного диктора до 88,7$ для произвольного диктора.

Методы согласованной Фильтрации требуэт больших аппарат,'-чных или вычислительных затрат, поэтому било проведено исследование сравнительной информативности некоторых наиболее распространегаых параметрические описаний 1С. Сравнение проводилось на четырех словарях объемог от 13 до 34 слов: словарь телефонного номеронабирателя из 13 .слов, словарь устройства речевого управления бытовой РЭА - 16 сдоб, калькулятором - 16 слов и обший словарь аз 34 слов. Слова записывались с интервалами в несколько дней в машинном зале при включенной ПМ для мужских и женских голосов. По результатам исследований было выбрано ампд^тудно-формантное описание, состоящее из восьми параметров: Ац\:г , А1 г Аг

р^ ч р^ . Средняя по дикторам наде?,шость распознавания, без учета отказов от распознавания, с настройкой на диктора для. этого описания изменяется от 95,6 до 95,2^ для различных словарей и линейной временной нормализации длительности, слова.

Для уменьшения вычислительной сложности алгоритмов распознавания елоз исследовались методы распознавания сегментированных временных последовательностей. Сегментация слова производилась не восемь типов сегментов по фиксированным порогам. Оценка надежности распознавания с настройкой на диктора для ОВ из.четырех реализаций и реаатем правиле 2-х ближайших соседей по минимуму \aZLP равна 26,3 - 94,3% для различных словарей, время распознавания меньше в шесть раз, объем памяти для хранения эталонных описаний меньше в девять раз, чем в предыдущем случае. При аппроксимации

21

45

Рис. Ш, Согласованный Фильтр Ф{, для i -й фолсш.

Fj(, Aft, A Fr , ft * -Î jS - формантиые параметры; < • > - скалярное произведение; cj, - параметр IHAnyjJbCa от.

jB «з 20 реализаций для какого слова в виде вероятностной матрицы P¿ оценка надьяяости распознавания практически не изменилась, а для произвольного диктора и первого словаря равна 8"^.

Для дальнейшего уменьшения вычислительной сложности алгоритма распознавания ис~ользовалось восстановление эталонной символьной последовательное :и по минимуму cyj.^spi.oro внутриклассового WLD . Для ОВ ьз четырех реализаций количество ошибок возросло на 20-60& по сравнению с. правилом 2-х ближайиях соседей. Зато дг - ОВ из 20 реализаций надежность распознавания существенно увегячилась и гавна 97,9 - 96,2$. При этом время распознавания меньше в 20 раз, а объем памяти - р 28 раз, чем для линейной временной нормализация. При учете оценок вероятностей искажений оценка надежности распознавания равна 99,1 - 97,3^ для различных словарей, как для метода полной вероятности, так и для наиболее вероятной последовательности. Эти оценки близки к надежности рас-познавгчия методом динамического программирования (ДП) (99,1-98$) но время распознавания методом ДП больше в 60-100 раз. Следовательно, использование методов распознавания сегментированных временных последовательностей существенно уменьшает вычислительную сложность алгоритма распознавания по сравнению с методом ДП, а за счэт увеличения объема ОВ можно компенсировать уменьшение надо:;-ности распознавания. Для произвольного диктора при обучении по 100 произнесениям 50 дикторов оценка надежности распознавания равна $6,1 - 94 <>%.

Для учета индивидуальности диктора и манеры произнесения слова исследовалась адаптивная сегментация на заданное число ква-эястационаршх сегментов, которые описывались векторами признаем усредненных в пределах длительности сегмента. Оценкг надежности распознавания таких последовательностей методом ДП с настройкой на диктора равны 96,9-95^, что близко к оценкам для линейной временной нормализации исходного параметрического описания.слова, но время распознавания меныте в 20 - 30' раз, а объем памяти - npi мерно в 10 раз.

Другой способ учета индивидуальных особенностей слова при сохранении отображения параметрического описания слова в символьную последовательность - коррекция границ и типов сегментов. Для этого используются участки, ограниченные двумя локальными мини-

мумамн сегментяруицей функции, соседними с локальными маясимума-. ш, ' Логические правила коррекции границ и типов сегментов используют информацию о преобладанием типе сегментов на этих участках. Кроме того, при обучении я распознавший вероятности е характеристики вычисляются с учетом длительностей сегментов.

При обучении по 20 произнесениям для каэдого диктора средняя по дикторш надежность распознавания общего словаря равна D8,2%, а без коррекции границ сегментов и без учета их длительности -97,6/2. Таким образом, при распознавании слов с настройкой на диктора надегхность распознавания увелкч:шается незначительно. Однако при обучении по 100 произнесениям 50 дикторов с разделением СВ на пять кластеров il йормирогтилем эта.онной последова^ельнос-ти в каадом кластере надежность распознавания для дикторов, не приписавших участие в обучении, равна 93,9 - Эг., 3;1 для разных словарей, отказы от распознавания в среднем составляют 1,2?s. По лученные оценки надежности распознавания для произвольного диктора близки к надежности распознавания методами 31, полученными ^ работах других исследователей, однако время распознав w меньше примерно в 20 раз.

Шсотая глава. Методы верификации образов использовались для верификации личности человека по голосу (верификация голосов) по коротким речевым отрезкам с фиксированным семантическим содержанием.

Фундаментальные исследования индивидуальных свойств PC про-водягся в работах Г »С,Решив или. Однако индивидуальные свс'«ства коротких речевых отрезков на урозне фонем изучены недостаточно. Одним пэ основных признаков индивидуальности голоса является средняя частота основного тона, (ОТ). Исследование нелинейных и линейных фильтровых методов выделения ОТ выявило определенный преимущества фильтрового метода. Используются четыре полосовых , фильтра с шириной полосы несколько меньше славы, охватывающих диапазон ОТ. Выхода фильтров переключаются автоматически н син-фазно с импульсами ОТ, что исключает их пропитание в момент переключения. На материала 78 мужских и п2 женских голосов установлено, что плотность ОС) распределения средней частота ОТ на участке порядка 0,3 с для гласных фонем мокк аппрокскмиро-вать логарифмически нормальным законом, а индивидуальные распре-

деления аппроксимируются нормальными законами с ли-

нейной зависимостью между математическим. ожиданием я среднеквадратичны?,I отклонением. На основании этого построены зависимости параметров системы верификации от средней частоты ОТ. Средние вероятности ошибок верЗикация по частоте ОТ приведены в табл. I

Таблица I

Средние вероятности о-:пбо;, верификации по частоте ОТ

Голоса Вероятность ложной за- Вероятно :ть ложного

держки, % пропуска, %

Мужскис 6,8 26,0

Еекские 6,9 28,4

Все 13,6

Информативность спектрально-временного описания РС исследовалась при распознавании 17 голосов по каждой из тести тянутых гласных фонем. ч9-канальши спэктроаналкзатор перекрывает диапазон от 8С Гц до 10 кГц. Надежность распознавания изменяется от 95$ для фонемы "и" до 72,5? для фонечн "у". Установлено, что порядок гласных з ряду убывания информативности соответствует их V порядку в ряду убывания высокочастотных компонент спе'-тра. Выделены информативные участии: спектра для каядой гласной фонемы, которые оказалие., совпадавшими с учг отками ОТ и первых двух-трех формант. Использование только этих участков сокращает объем пара метрического, описания в 2-3 раза. Исследование зависимости падок ности распознавания от длительности анализируемого речевого от-. резка показывает, что даже для изолированных гласных фонем манера артикуляции в сильной степени характеризует индивидуальность голоса, а подъем частотной характеристики спсктроанализатора эквивалентен увеличению длительности анализируемого речевого отрез ка в два раза. ..'._*

Для оценки информативности теменных участков слова распознавалось 36 голосов до ключевому слову "аэлята" при нормализации; до 16 отсчетов за счет выбора либо квазистационаряых, либо переходных участков и яри линейной временной нормализация. Наиболее эффективной является лшейная нормализация, но. и она незначлтш но увеличивает надежность распознавания■по сравнению с отсутств;

ем всякой временной нормализации, то есть длительность слова характеризует индивидуальность голоса. При подъеме частотной харгктеристкки спектроанализатора в области высоких частот оценки надежности распознавания 36 голосов равны: S8 % для клкгзво- , го слова "аэлита"; SS % - "оазис"; 97,6 - "идеал"; 95,3 % -"еще".

Полное спектрально-временное описание PQ требует больших аппаратурных и вычислительных за.рат при его выделении и верификации, поэтому исследовались более короткие описания РС. Было установлено, что в качестве тгких описаний мояно использовать средние значения отношений огябаяцих РС к экстремальных значений РС после (Тормвнтных фильтров. Средние значения отношений огибающих Ai я 4К общей огибающей РС получились на участке длительностью 0,3 с на специальной аналоговой уст_ловке. Для каждого из 30 голосов и для 20 произнесений каждой гласной Фонемы строились толерантные пределы. Для каадой гласной фонеш можно выделить от 6 до 10 непересекашихся групп, а для нескольких Фонем -->т 10 до 51.

Отношения экстремальных значений на выходах формантных фильтров отобрат.аэт, в первом приближении, сирину полосы пропускания формант. Для выделения средних значений этих отношений разработана специальная аналоговая установка.- Из затухающих колебаний на выходе формантного фильтра (первпя и вторая форманты) для каждого периода ОГ выделяются два максимума: глобальный, соответствугадий импульсу ОТ, и локальный, следующий за глобальным. Их велгчиш запоминаются на элементах аналоговой памяти и измеряется их отношение. Отношения -усреднятся на интервале 0,3 с. Количество групп, на которые разбивается 100 голосов по отношениям экстремальных значений, изменяется от 5 до II для одной гласной фонемы и от II до 55 по нескольким гласным фонемам. По всем пятя признакам: средняя частота ОТ, средние значения стноигшй огибагацих и средние значения отношений экстремальных значений, все шожество голосов по кавдой гласной фонеме разбивается на 1^0-200 групп.

Для практической проверки исследованного описания РС была разработана экспериментальная система верификации голосог на базе микро-ЭВМ "Электроника-бО". Фильтрация РС на ди формантше области производится аналоговым путем, все остальные операции по выделению ОТ, огибагацих А{ и Ад , экстремальна.; значений Am¿

и А тс 7 £= , вычисление к усреднение отношений, производят' ся на ЭВ!Л. Обучение и вериФикация производились по ключевому ело-ву "аэлита" для 50 дикторов. Для 250 сравнений со своими эталоно-ш было 27 ошибок, после повторного произнесения - две ошибки, ч1 соответствует вероятности лозшой задержки, равной 10,8 и 0,8$. Для 12250 сравнений с чуташ эталонами оценка вероятности ложноп пропуска равна 1,5%.

В седьмой главе рассттривоется применение методов распознавания временных последовательностей для неразр;, лающего контроля изделий из ферромагнитных материалов по параметрам магнитного шума и для индивидуе~ьного прогнозирования надежности некоторого класса РЭА.

Для проведения исследований по применению методов распознавания временных последовательностей для неразрушакмего контроля ферромагнетиков, был разработан экспериментальный аппаратурно-програшный когашекс, состоящий из ЭВМ, структуроскопа "Скиф-ХОО' разработанного в нашем институте и комплекса служебных и прикладных програш "и'СТЕМА-Г', обеспечиващих анализ и визуализацию огибающей магнитного шума (ОШ) при перемагничизанш образца, обучение и распознавание 0;.31, оценку информативности признаков,'

Магнитных, шум, обусловленный эффектом Баркгаузена, 'является композицией большого числа импульсов со'случайной амг-штудой, длительностью и фазой. Анализ процессов формирования (Ш показывает, что ОШ пропорциональна среднеквадратичному уровню магнитного шума. Структуроскоп состоит из двух основных частей: устройства перемагничивания и устройства выделения. ОМШ« Для запуска устройства ввода ОГЛИ в ЭВМ в начале каждого периода перемагничивания вырабатывается- строб.

В ЭВМ вводились и усреднялись ОШ от нескольких'смежных периодов перемагничивания. Из усредненной омш вычислялось около 10 параметров. Распознавание качества поверхностного слоя проводилось либо по ШП, рассматриваемой как диокретизированкая временная последовательность, либо по параметрам СШ, Для распознавании использовались линейные или квадратичные решающие' функции, для обучения применялся итерационный непараметрический алгоритм коррекции веаового Еектора Параметров ОШ.

При распознавании степени наклепа поверхностного слоя, обусловленной выбором одгтго из пяти реяшов виброупрочнения, оценки

надежности распознавания изменяются от 97,5/5 до 100$, в зависимости от вида решащего правила. При распознавании степени -зкгииза-ния, обусловленной выбором одного из II режимов термообработки, оценки"надеянос-..л распознавания изменяются от 82% до 97,7%, в зависимости от вида решащего правила и способа представления ОШ.

' Следующее применение методов распознавания временных последовательностей и верификации сбрязоо - индивидуальное прогнозирование надежности некоторого класса БЗА, к которой предъявляются очень высокие требования по надежности. Источником информации для индивидуального прогнозирования надежности служат временные последовательности, образованные эволюцией параметров РЭА на этапе технологической приработки, длительность которого составляет несколько сотен часов. На этом этапе РЭА подвергается циклическим изменениям температуры в диапазоне, близком к предельно допустимым значениям.

В качестве технических средств для индивидуального прогнозирования надехностн служит автоматизированная система контооля на оазэ управляющей 33!Л "Электроника-ЮОДбИ", разработанная для проведения настоящих исследований. Основные особенности задачи индивидуального прогнозирования надегюсти заданного класса РЭА заключается в слэдутаеи: циклическое изменение параметров из-за цикличесгого изменения темпера.урн; высока: надежность изделий; больной объем измерений, от 50 до ПО тысяч на 200-250 разностных параметров.

Для приведения параметров к одному масштабу и пределам изменения применяется нормировка, для сокращения числа параметров ез группы однотипных параметров выбира!отся наиболее критичные. Пра испытании около ПО изделий за время их эксплуатации выяпе-но шесть отказов, которые образуют обучавдую выборку (ОВ) для класса потенц-ально ненадежных изделий. Учитывая малый о^ъь.л ОВ, использовался метод верификации временных последовательностей, в качестве эталонов кс-ользовелись временные последовательности отказавших изделий, образующих г ласс "свой". Порог верификации г 1-бярался исходя из вероятности ложного пропуска (риска изготовителя) равной В%. При испытания 170 изделий было выявлено пягь потенциально ненадежных, за два года эксплуатации получена информация об отказе семи изделий, из них четыре из пяти потенциально ненадежных.

Поставлена задача применения методов распознавания и вериф] каци« временных последовательностей к комплексной геофизической интерпретации сигналов каротажа. Рассмотрела особенности загачи разработана и внедрена в опытную эксплуатацию аппаратура цифров< записи и ввода в ЭВМ сигналов каротажа (АЦЗПК-1).

В приложения кттко рассматриве ^тся ыпаратурное и программное обеспечение настоящих исследований, а также рассмотрены си циализкрованные устройства распознавания слов. Для аппаратурноп обеспечения настоящих исследований разработаны устройства ввода аналоговых сигналов в ЭВМ "Наири-3-1" и АРМ-Р/Наири-4. Для'анал< го-ш^рового преобразования используется серийный преобразовате. тша В-4222. Для исследований по распознаванию слов и голосов р; работало устройство выделения тшлитудно-формантного параметрич кого описания РС и 49-канальннй спектроанализатор. Разработаны три устройства распознавания слов: Н" микропроцессорном коми гек К587; на микропроцессорном комплекте К588; на микропроцессорах К1801ВГЯ и К16.3ВЕ1. В первых двух устройствах используется ам-плитудно-формантное описание РС» в третьем - сг.ектрально-времен: полученгое на в_ходе гребенки из восьми полосовых фильтров втор порядка, реализованных на цифровом процессоре обработки аналого вых сигналов У1813ВЕ1, Разработан комплект речевых гибридных Бй состоящий из двух БИС: аналоговый БИС гыделения амшштудно-фор-мантного описания РС; анало;о-цифровой БИС - интерфейса ввода этого описания е микро-ЭВМ . на микропроцессоре К1801ВМ1.

Программное обеспечение включает в себя комплексы программ по анализу исходного РС, обучению и распознавание слов для раз, ных параметрических описаний РС, комплекс программ по анализу с и неразрушаицему контролю ферромагнетиков по ОШ, комплекс лрог рамм по автоматизированное контролю и индивидуальному прогнози рованию надежности РЭА.

Заключение ' . , . '•

Основные научные и практические результаты диссертационной работы"состоят в следующем:

I. Сформулированы основные проблемы распознавания сегменти рованных.временных последовательностей при различной априорной неопределенности и объеме СВ.

29

42

2. Для распознавания сегментов разработаны решащие правила, нвариантнне к уровню сигнала.

3. Разработаны рекуррентные метода обучения и распознавания ярковских сегментировангмх последовательностей с учетом пере-енной длительности сегментов, позволяющие проводить распознавало в реальном масштабе времени.

4. Разработан простой рекуррентный алгоритм определения мак-имальной обшей подпослгдователь^остя, основанный на расстановке ометок в вериинах граФ-а.

5. "Разработан алгоритм восстановления эталонной символьной оследовательности, минимкзирушей суммарное взвезенное расстоя-ие Левенштейна от этой последовательности до всех реализаций ОБ.

6. При известных эталонных последовательностях разработаны обобшаны методы распознавания для различных описаний сегментов для различных допустимых преобразований эталонных последова-

ельностей. Все метода используэт графовые модели генерирования екушей.реализищи из эталонной последовательности.

7. Для уменьпения времени распознавания сегментов в ко'ррели-ованных временных последовательностях рассмотрено применение ме-ода верификации образов.

0. Для характеристики качества гэгментации и распознавания егментов рассмотрены вероятностные расстояния для дискретных аспреде..ений, введено об обтекла их на мнс^оальтернативный случай, ассмотренн свойства вероятностных расстояний и взаимосвязь : х ежгч собой.

9. Сформулирована постановка задачи и основные проблеш вери-икации образов.

10. Разработаны теоретические основы верификации образов в гатистической постановке задачи. Исследованы свойства обобщснно-о эталона (класоа "чужой")й решашке правила для верификации бразов.

11. Получеш оценки вероятности ошибок верификации образов ля конкретного мно* чства объектов верификации и средние вероят-остя ошибок для произвольное множества объектов верификации.

12. Введены и рассмотрены критерии информативности признаков ри верификации образов. -

13. На основе методов распознавания сегментированных вргмен-ах последовательностей разработаны методы и алгоритмы распозна-

-ан"я слов как с настройкой на диктора, так и для произвольного диктора, для простых, малогабаритных и дешевых систем распознавания слов, ориентированных на реализацию в ьдце БИС.

14. Разработан и исследован метод распознавания фонем, основанный на согласованной фильтрации.

15. Для распозн вания и верификации дикторов по коротким ре-: чевым отрезкам на ¿ровне (Тонем исследована информативность спектрально-временного описания ЕС и некоторых параметров речи, усредненных по длительности речевого сигнала: средняя частота основного т.на, средние значения некоторых отношений в РС. Эти признаки позволяют создать простую и эффективную систему верификации дикторов на б-азе микро-ЭВМ.

16. Разработан жсперииентальный аппаратурно-программный комплекс для исследования возможности применения методов распознавания временных последовательностей в неразрушащем контра э качества ферромагнетиков по параметрам магнитного шума. Эксперимен тальные исследования подтвердили высокую эффективность методов распознавания Iременных последовательностей в неразрушащем контроле.

1?. Разработана и внедрена автоматизированная система контроля некоторого класса РЭА и показано, что применение методов . распознавания и верификации временных последовательностей для индивидуального прогнозировать надежности РЭА является аффективным.

18. Для проведения исследований по применению методов распознавания и верификации временных последовательностей для комплексной геофизической интерпретации параметров каротаяа раэра- _ ботана и внедрена в опытную эксплуатацию аппаратура цифровой записи и ввода в ЭВМ сигналов каротажа (АЦЗПК-1).

19. Разработано аппаратурное и программное обеспечение для реп!йнля г^Яй г.ркклсд::1£: оадач распознавания временных последова-те;л>ностей и верификации образов.

20. Годовой экономический эМект от внедрения результатов диссертационной работы составляет 625 тыс. рублей.

Основное содержание диссертации отражено в следуших работах I. Кузнецов П.Г. Обобщенный эталон исходного алфавита классов //Автоматические устройства учета и контроля: Сб.статей /Ижевский мех.ш-т- Ижевск: ШЛИ, 1970.- Вып. 6.- С. 72-81.

2. Кузнецов П.Г. Об одном подходе к распознаванию голосов //Автоматические устройства учета и контроля: Сб.статей Л^зскйй мэх.ин—т.— Ижевск: ¡IMF, 1970.- Вып. 6.- С. 82-88.

3. Гитлин В.Б., Кузнецов П.Г. Влияние числа резонансных звьньев в анализирующем фильтре ла результат измерения спектра/А'.зв. вузов СССР по разделу "Радиоэлектроника",- 1970.- Т.2,- Б 17.

- С. 1388-1389.

4. Кузнецов П.Г. О признаке, речевого сигнала для распознавания голосов /Д1зв. вузов СССР по разделу "Приборостроение".- 1974.

- й 7.- С. 20-35.

5. Кузнецов П.Г. Алгоритм распознавания коррелированных последовательностей //Автоматические устройства учета и контроля: Межвуз.сб.//Ижевский мех.ян-т.- Ижевск: ¡"И, 1976.-Вып. I.-С. 41-15.

6. Кузнецов П.Г. 0 распознавании фонем методами согласованной фильтрации /Дзв. вузов СССР по разделу "Приборостроение".-1977,- й 2.- С. 2Х-25.

7. A.c. 559269 СССР, ЖИа GIOL 1/00; И 04 & 3/46. Устройство кодирования речевых сигналов /ПЛ1 .Кузнецов (СССР).-

JS 2139932/09; Заявлено 3,06.75; Оп-'бл. 25.05.77, Бш. JS 19.3 с.

8. Кузнепв П.Г., Петров Р.П. Гыделенпе признаков для контроля изделий из Ферромагнитных материалов на основе эффекта Барх-гаузена//1Х Бсесоэз. науч.-техн. кокф. "¡Геразруаащие физические метода и средства контроля" (26-28 мая, 1981 г.Минск): Тез. докл. СекдяВ,- Минск: Ин-т прккл. физики АН БССР, ISdI.- С. 135-137.

9. Кузнецов П.Г,, Никифорова H.H. Устройство ввода аналоговых сигналов в ЭВМ "Наири-3-I" //Приборы и техника эксперимента.-1982.- Я 4-С. 63-65.

Ю» KusnotBOV .P.G., Moahltovlch" S.B., Peti-ov R.P. Pattern Rekogn-■1t1on Methods for Hon-destruct1ve Testing of Articles Made of Ferromagnetic Hntsrlaln //10 th World Conference on ilon-dostructIve Testing (8? I982<Losfcov?).-Mookow, 1982.-?.4X0-417. ' "

II, Кузнецов П J?. Статистические методы верификации дикторов //Автоматическое распознавание слуховых образов 1982,- Киев: Ж АН УССР, 1982.- С. 203-505.

l/i. Кузнецов ГЦ1., Никифорова K.M. Распознавание сегментированных нестационарных временных рядов //Дискретные системы обработка информа1Ши: ^ежБуз.сб.Дяевский мех.ин-т.- Ижевск: ИМИ, 1982. . - Вып. 4,- С. 45-54.'

13. A.c. 1037292 ОССГ, G Об К 9/46; GI0L 1/02. Способ

. селекции признаков ,ддя '.распознавания речевых сигналов /ÎI.F. • Кузнецов, В.Е.лялин, В .С.Поздеев (СССР).- $ 3435440/18-24; Заявлено 6.05.82; Опубл. 23.08.83, Еш. ß 31.- 3 с.

14. A.c. 1164750. СССР, MKMJ G OS К 9/00. Устройство для выделения признак-в при распоаназания образов /В.С.Поздеев, П.Г. Кузнецов (СССР).- Щ 36788I7/24-?!; Заявлено 27.12.83; Опубл. 30.06.85, Бш. .'г 24.- .4;.c; V'L

15. Кузнецов Л .Г. Решающие "правила, инвариантные к урог-чю сигнала //Дискретные систеш"обработки информации: Меквуз.сб. АЫевскШ мех.ш-г,- Иневск: ШИ, 1983.- с, 47-54.

16. Кузнецов П.Г. Система верификации дикторов на микро-ЭВМ //Проблемы лр'актического'йспользования систем автоматического распознавания и синтеза речи: Тез.докл. си,лозина (II-I3 октя'ря 1983 г. Ленинград).-'!.: НТО радиоэлектроники и свя-.зи им. Попова, 1983.- С. 33-35.

17. Кузнецов П-Г., Никифорова H .M., Поздеев B.C., Хатбуллин Р.А-. Распознавание речевых команд для управления телефонным номэ-

. ронабирателем с голоса //Электросвязь.- IS84.- .'Ü 4.- С.45-48.

18. Кузнецов П.Г , Поздеев B.C. Устройство распознавания слов для ' телефонного номеронабирателя //Электронная промышленность.-

1 "1984.- J5 I,- С. 61-62. . .

19.-A.c. 1I3SI94 СССР, ?.КИ5 G06К 15/12. Устройство для регистрации информации /В.Е.Лялин, П.Г.Кузнецов, Р.М.Глраев, А.Й. Нистюк, П.К.Бондарчук, Л.Е.Филишхова, В.А.Цирешдаков, П.А. Кучин и Й.Я.Липин (СССР).- J« 3517535/24-24: Заявлено 03,12.82,

. Опубл ^3,01.85,, Еки. i;3.-7o.

20. Кузнецов П.Г., Петров Р.Г.,Метода распознавания образов для контроля ферромагнетиков по параметрам магнитного шума /Дефектоскопия,- 1985,- & 8.- С. 17-27.

21. Кузнецов П.Г., Поздеев B.C. Применение адаптивной сегментации при распознавании ограниченного набора слов Астиновскиймех. ин-т.- Устинов, IS85.- 16 е.- Деп. в ВИНИТИ 23.04.85, & 269785.

Sí

2. Кузнецов П.Г., Пездеев B.C., Хатбуллкн P.A. БИС цифровой обработки речевых сигналов /Д!ккропроцессоры~85: Тез.докладов Всесоюз.конф. 'Методы и шкропроцессорнне устройства цифрового преобразования и обработки информации".- М- \ЖЗТ, 1985. - Т.2.- С. 70-71.

3. Кузнецов П.Г. Статистические методы верийакации образов /Пжои-ский-.мех.ин-т,- Ижевск, 1985,- 24 е.- fíen, в ВИНИТИ 30.05.85, № 3760. < ■

4. A.c. 1257675 СССР, ?ЖИ • G03К 9/36. Устройство для селекции признаков при распознавай"!! образов /В.С.Поздеев, Б.Г.Кузнецов (СССР).- № 3839185/24-24; Заявлено 7.01.85; Опубл. 15.09.86, Бш. .'S 34,- 5 с.

5. Кузнецов П.Г. Вероятности ошибок при верификации образоз //Дискретные системы обработки информации: Межвуз.сб.Дстинсв-ский мех.ян-т,- Устинов: УШ, 1986.- С. 10-16.

6. Кузнецов П.Г. Символьные последовательности в распознавании изображений /Дез.докл. науч.-техн.конф. 'Разработка систем технического зрения и их применение в промышленности" (II;-1986; Устинов).- Устинов, 1986.- С. 32-33.

7. Кузнецов HJ., Поздеев B.C., Панасюк A.D. Речевое управление бытовой РЭА /Устиновсклй мех.ин-т.- Устинов, 1986.- 18 о,-Деп. в ВИНИТИ 21.II.86, Я 79I5-B86.

8. Кузнецов ПЛ1. Методы и алгоритмы распознавания временных последовательностей в индивидуальном прогнозировании надетдости ?ЭА п ЭВА /Методы прогнозирования надежности проектируемых РЭА н ЭВА: Тез.докладов зональной конф. (4; 1987, Пенза).-Пенза: Пензенский политех.вн-т, 1987.- С. 3-4.

19. Кузнецов П.Г., Поздеев B.C. Алгоритм идентификации символьных .последовательностей //Математическое обеспечение штегриро-ванных систем САПР-ГАП: Тэз.докл. УП Координационного гозе-гчнля (6; 1987; Устинов).- Устинов, 1987._ с. 143-14о.

Ю. A.c. 1361583 СССР, МКИ4 GC6K 9/С-0. Устройство для распознавания образов /Р.М.Гаряев, В.СЛоздеев, В .В.Яялпн, П.Г.Кузнецов (СССР).- 4101945/24-24:; Заявлено 13.05.86; Опубл. 23.12.87. ' Бш:. й 47. ' . .

II. Кузнецов П.Г., Поздеев B.C. Распознавание сег?/)н тированных Ёреманшзс последовательностей /Ижевский иех.ш-т.- Ижевск, 198?.- I5S е.- Дел. в ВИНИТИ 25.12.87, IS 9I03-B87.

32. Кузнецов П.Г., Поздеев B.C. Алгоритмы распознавания сегментированных временных последовательностей /Микропроцессорные , средства в РЭА. и технологии ее производства: Мегзуз.сб.науч. тр. /Всес.заота.машиностр.ин-т.- М.: 1986.- С. 102-109.

33. Кузнецов П.Г. Графовые модели в распознавании сегментированных временных последовательностей //Тез.докл. IX Координационного оовеиания 'Математическое обеспечение интегрированных систем САПР-ГАГГ (9; Г'88; Орджоникизде).- Ижевск, 1988.-

С. 60-63.

34. Кузнецов П.Г., Поздеев B.C. Статистические методы обработки сигналов, представленных последовательностями символов //Тез. дою.. IX Bcacoi ;.кок4. по теории кодирования и передачи информации (9; 1988; Одесса).- Одесса, 1988.- С. 177-179.

35. Кузнецов П.Г. Методы динамического программирования в распознавании сегментированных временных последовательностей //Дискретные системы обработки информации: Межвуз. сб./Ижевск.мех. ин-т.- Икерчк: 1Ш, 1989.- С. 12-19.

36. Кузнецов П.Г., Поздеев B.C. Распознавание слов для произвольного диктора //Речевая информатика: Сб.науч.тр./Нн-т кибернетики АН УССР,- Киев: 1989.- п. 101-104.

37. Кузнецов П.Г., Хат^улльн P.A. Обучение при распознавании символьных последовательностей /Дез,докл. 16-го Всесоюз.семинара "Автоматическое распознавание слуховых образов (APC0-I6) (J: I9SI; Суздаль).-Москва: МГУ, 1991.- С. 46-47.

38. Кузнецов П.Г., Катков Д.Г., Кузнецова Е.П,, Новожилов Ю.Л., Шамсиахметов О.Я, Устройство верификации голоса //Тез.докл. 16-го Всесоюз.семинара "Автоматическое распознавание слуховых обр зов" (АРС0-Г6) (I; 1991; Суздаль).- Москва: МГУ». I99I.--С. 261-262.

39. A.c. X538I77 СССР, l№4 6 OS К 9/62. Устройство для выделен!; признаков при распознавании образов /В.С.Пссдссв, П.Г.Кузнеце Р.М.Гсфиев (СССР,- № 3974812/24-24; .Заязл. II.II.85; Опубл. 23.01.90, Бш. fö 3.

40. Кузнецов П.Т,, Поздеев B.C., Зметанин A.M. Спектроанализатор акустических сигналов на базе микро-SBM "Элекгриника-60" //Электронная промышленность.- 1985,- №. I,- С. ,31-33.

41. Кузнецов П.Г., йвонин М.Ю., Кайсин А.Е.,Аппаратурное и матеьк твческое обеспечение индивидуального прогнозирования надежное Тй некоторого кла :са РЭА /Д1етоды прогнозирования надежности

проектируемых РЭА л ЭВА: Тез. докл. зональной конф.- (4; 198?;

. Пензна).- Пенза: Пензенский политехи, ин-т, Ï987.- С. 12-13.

42. Кузнецов П.Г., Поздэев B.C. Нелинейный метод фазирования символьных последовательностей при синтезе эталонов /Дисгретнне системы обработки информации: Межв.сЛ.- Вып. 8.- Ижевск, IS88. - С. 9-14.

43. Кузнецов П.Г. Восстановление эталонных символьных последовательностей //Применение микропроцессоров и микро-БВМ в радиоэлектронной аппаратуре: Тез. докл. (6; 1987; Ижевск).- Ижевск: Обл. правление НТО РЭС, 1Г88,- С. 28-29.

Личный вклад. Все результаты исследований, вошедших в диссертационную работу, получены автором самостоятельно. В статьях и докладах, написанных в соавторстве, соискатели принадлежит постановка задачи и основные алгоритмические решения.

Автор

Подписана в печати 29.04.92г. Формат 60x84/16 Усл.лач.л.2.09 Тираж 100. Заказ Отпечатано яа ротапринте ФМУ ЭПМ. 426069,г.Ииввск,ул.Сгуденчеокая,7