автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Структурно-алгебраические методы синтеза распознающих ИИС

САМАРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

На правах рукописи

УДК 681.518.3:681.5.017(043.3)

Кистанов Алексей Михайлович

СТРУКТУРНО-АЛГЕБРАИЧЕСКИЕ МЕТОДЫ СИНТЕЗА РАСПОЗНАЩИХ ИИС

Специальность 05.11.16 Информационно-измерительные системы

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Самара 1995

Работа выполнена в Самарском государственном техническом университете

Научный руководитель д.т.н., профессор Семенов B.C.

Официальные оппоненты Заслуженный деятель науки и техники РФ, д.т.н., профессор Конюхов Н.Е., к.т.н., доцент Кузнецов П.К.

Ведущая организация НПЦ "Инфотранс", г. Самара

Защита состоится 1995г. в /О часов,

ауд. 23 на заседании диссертационного совета Д 063.16.01 при Самарском государственном техническом университете по адресу: 443010, г.Самара, ул. Галактионовская, 141.

С диссертацией можно ознакомиться в библиотеке университета по адресу: ул. Первомайская, 18.

Автореферат разослан

Ученый секретарь диссертационного совета к.т.н., доцент

Жиров В.Г.

ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИИ

Актуальность проблемы. Развитие рыночных отношений в последнее время привело к необходимости создания высокоэффективных и конкурентоспособных изделий. Наряду с этим ужесточаются требования к срокам проектирования технических объектов. В этих условиях становится насущной необходимостью создание и внедрение всевозможных средств автоматизированного синтеза информационно-измерительных систем. Сказанное всецело относится к распознающим ИИС или системам распознавания (СР), широко применяемым в последнее время в таких областях, как медицина, бизнес, управление производством, диагностика сложных технических изделий и т.д.

Однако построение эффективной, удовлетворяющей всем требованиям заказчика СР связано с большими затратами, и прежде всего временными, поскольку необходимо создание комплекса согласованных технических и информационных решений в течение всего жизненного цикла проектирования СР. Это особенно важно на ранней стадии проектирования системы, когда необходимо оперативно реагировать на рекомендации специалиста в предметной области (СПО). Требуется мощный инструмент для оптимизации системы по выбранным критериям. Должна предусматриваться возможность совершенствования СР в связи с появлением новых алгоритмов и аппаратных средств, используемых в СР, а также возможность расширения базы данных о признаках класса (БДПК) при появлении новых классов объектов.

Предмет исследований. Методы синтеза структур ИИС и модели ИИС. Структуры систем распознавания и информационные процессы в них. Алгоритмы распознавания и обработки сигналов. Принципы построения языков моделирования.

Цель работы. Целью диссертационной работы являются разработка: теоретических методов для автоматизированного синтеза систем распознавания изображений на основе структурно-алгебраических моделей, создание языка и пользовательского интерфейса моделирования для синтеза систем распознавания.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать комплексную методологию проектирования СР, ориентированную на структурно-алгебраические методы (САМ).

2. Разработать САМ выбора архитектуры системы распознавания

3. Разработать САМ синтеза структуры системы распознавания (СтСР) и ее оптимизации по заданным критериям.

4. Разработать САМ понижения размерности пространства признаков.

5. Разработать программно-алгоритмическое обеспечение структурно-алгебраических методов.

6. Разработать спецификации языка моделирования и построить пользовательский интерфейс моделирования(ПИМ).

Методы исследования, используемые в работе: теория решеток, теория графов, теория алгоритмов, теория нумераций, теоретические основы построения компиляторов, методы искусственного интеллекта по представлению знаний, комбинаторика, теория множеств, теория нечетких множеств.

Научная новизна. Научной новизной в диссертационной работе обладают следующие результаты:

- метод выбора архитектуры системы распознавания на основе предварительно определенной решетки архитектур СР.

- метод формирования признаков структурных объектов для их идентификации;

- оценка сложности задачи выбора архитектуры системы распознавания;

- оптимизация структуры системы распознавания по заданным критериям на основе базы данных о параметрах алгоритмов;

- понижение размерности пространства признаков на основе структурного представления нечеткого множества классов;

- метод определения спецификаций языка моделирования для пользовательского интерфейса моделирования.

Практическая ценность и реализация результатов. Полученные научные результаты использованы в виде конкретных методик, моделей, алгоритмов при создании систем распознавания различного назначения, а также могут использоваться при создании ИИС других классов. Структурно-алгебраический подход может использоваться при создании систем искусственного интеллекта, для оптимизации процессов или устройств по заданным критериям, при их испытаниях и отладке. Методы оценок алгоритмов могут использоваться при моделировании многопроцессорных систем на однопроцессорных машинах.

Результаты конкретного внедрения:

1. Разработана диагностическая система распознавания на основе определения уровня свободных радикалов в плазме крови. Внедрена на кафедре хирургических болезней N1 Самарского медицинского института и используется для обучения студентов и проведения научных исследований.

2. Реализована программная оболочка "CARDI" для построения системы распознавания диагностических признаков при поликанальном представлении исследуемых биофизических сигналов. Внедрена в Самарской корпорации международного сотрудничества в области медицины.

3. Создана система распознавания технических состояний сложных объектов аэрокосмической техники при воздействии помех по цепям питания. Внедрена в Центральном специализированном конструкторском бюро.

4. Результаты исследований использованы также при выполнении госбюджетной НИР "Теория структурного синтеза информационно-управляющих систем с гибкой структурой" (N госрегистрации 01940005492), при выполнении гранта ГКВО РФ по информатике "Теория и методы моделирования информационных систем и процессов с помощью сетей Петри" (N госрегистрации 01940005463).

Перечисленные внедрения подтверждены соответствующими актами.

Апробация работы. Основные результаты работы докладывались на всесоюзной конференции "Методы и средства цифровой обработки сигналов", г.Рига, 1989; областной научно-технической конференции, г.Куйбышев, 1990; VI республиканской конференции "Индивидуализация обучения в ведущих вузах России", Самара, 1991; международной конференции "Технология программирования 90-х", г.Киев, 1991.

Публикации. По теме диссертации опубликовано 8 печатных работ. <

Структура и объем работы. Диссертация(состоит из введения, четырех глав, заключения и трех приложений. Общий объем диссертации составляет 155 страниц. Работа содержит 6 таблиц, 29 рисунков, список литературы составляет 171 наименование.

Основные положения, выносимые на защиту.

1. Метод выбора архитектуры системы распознавания на основе решетки архитектур.

2. Метод оценки сложности задачи выбора архитектуры системы распознавания.

3. Метод определения признаков структурных объектов для их последующей идентификации в задаче синтеза архитектуры системы.

4. Метод оптимизации структуры системы распознавания на основе базы данных о параметрах алгоритмов, используемых для проек-

тирования системы.

5. Метод понижения размерности пространства признаков на основе структурного представления нечеткого множества классов распознаваемых объектов.

6. Метод определения спецификаций языка моделирования.

СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обоснована актуальность работы, сформулированы цель и задачи исследования, научная новизна и основные положения, выносимые на защиту.

Первая глава посвящена анализу методов построения структур ИИС, и сформулирована задача синтеза распознающих ИИС структурно-алгебраическими методами.

Согласно принятой классификации, системы распознавания рассматриваются как подкласс ИИС, обобщенная структурная схема которых содержит рецепторное устройство, фильтр, распознаватель, устройство вывода. Детальное рассмотрение различных СР показало, что они могут содержать несколько уровней распознавания, и сигналы от одного уровня к другому претерпевают изменения. Поэтому, исходя из целей диссертации, возникла необходимость рассмотрения возможного многообразия структур СР, входом которых является вектор X изображения, представляющий оцифрованные сигналы, поступающие от рецепторного поля.

Анализ различных архитектур показал, что они могут быть описаны двумя типами элементов: пре(пост)процессинга, обозначаемые е1, куда входят цифровые фильтры, устройства вывода, элементы предварительной, а также последующей обработки. Ко второму типу относятся элементы распознавания, обозначаемые е2. Определен тип соединений элементов архитектуры системы распознавания (АСР) как цепочный. Таким образом, произвольная АСР задается упорядоченной парой (р,Ц), где р означает количество элементов АСР, а .. .От____Ом) ~ упорядоченное множество, элементами которого являются номера распознавателей в цепочке элементов архитектуры. Определена рекурсивная формула Б(р,Ц) построения цепочек элементов АСР.

1. 1,0) = е1;

2. э(р,0) = е1+Б(р-1,0); (1)

3. э(р,(41)) = 5(41-1,0)+е2 + 5(р-Ц1,0);

4. Б(р,д1,д2,.--дм) = э(с]м-1 ,(01,02, ■ • .0м-1))+з(р-дм-1,0м-0м-1)-

Формула (1) порождает множество БИб^,С11)} архитектур систем распознавания, которое затем частично упорядочивается заданным отношением Ч'. Вводятся операции взятия точных нижней и верхней граней и показывается, что они существуют для всех элементов. На рис. 1 представлена диаграмма полученной решетки архитектур (РА) 3=(Б,<), в которой для простоты элементы множества Ц обозначаются без запятых.

4,1234

Рис.1

Затем определяются основные этапы синтеза СР, представленные на рис. 2, и формулируется математическая постановка задачи синтеза СР.

I 1 I

I?1

I?2

Х°

I?3

Рис. 2

Здесь (3° - множество заданных архитектур, которое определяется на основе эвристического алгоритма совместно со специалистом в предметной области, БДПА - база данных значений параметров алгоритмов, определяющих функционирование элементов типа е1 и е2, Х° ~ обучающая выборка, И1, I?2, I?3 обозначают совокупность параметров оптимизации, границы значений параметров, погрешности значений параметров, критерии оптимизации, накладываемые соответственно на архитектуру, структуру и систему распознавания. СтСР -структура СР. Формулы (2) представляют математическую постановку задачи синтеза СР. Здесь МП - описательная модель поведения системы, И^!?1,!?2,!?3), Тр= (Ъх) - архитектура СР. Упорядоченная пара (АР,ХР) - структура СР, в которой Ар=(ах) - вектор алгоритмов структуры, а Хр=(ХО - упорядоченное множество векторов признаков структуры. Упорядоченная тройка (АР,ХР,УР) - система распознавания, в которой Ур=(УО - упорядоченное множество баз данных о признаках классов. Произвольная У\=0, если ^ = е1. Упорядоченная тройка (АР,-Х*Р,У*Р) - СР с оптимизированным пространством признаков. Ф5-, Фт, Ф^ Ф3, - функционалы, отображающие текущие состояния СР в соответствующие последующие состояния. Их определению посвящена вторая и третья глава. Для всех обозначений А=1,2,...р.

1. МП ----> (6°,ю

■ ФТ

2. (ЯМ?1,в) -—> (р,0)

эСр.Ц)

3. (Р,0) ----> (Тр) (2)

фА

4. (ТР,БДПА,1?2,ХР)----> (АР,ХР)

фЗ

5. (АР,ХР,Х°) ----> (АР,ХР,УР)

ф0

6. (Ар,Хр,Ур,Р3) ----> (АР,Х*Р,У*р)

в соответствии с основными этапами синтеза СР проводятся ее испытания, по которым в случае отрицательного результата сначала изменяются пространство признаков, затем структура и только в конечном итоге - архитектура. Далее обосновывается необходимость создания пользовательского интерфейса моделирования для синтеза СР структурно-алгебраическими методами.

Во второй главе сначала рассматриваются основные свойства решетки архитектур 5 и ее подрешеток. Это необходимо для того, что-

бы установить эквивалентность множества заданных архитектур G° и какого-либо класса подрешеток решетки S. Такой подход позволяет определить оптимальную, в соответствии с критерием оптимизации Кт, архитектуру как нулевой элемент 0(G°) распознанной подрешет-ки. Тем самым мы определяем функционал Фт из уравнения (2.1).

В последующем, в случае неудачных испытаний системы распознавания, в качестве архитектуры выбирается один из покрывающих 0(G°) элементов. Предложенный метод сокращает время выбора оптимальной архитектуры. Для того, чтобы распознать G°, предлагаются два различных подхода. Первый основан на определении единичного 1(G°) и нулевого 0(G°) элементов, на основании которых по рекурсивным определениям последовательно строятся носители G*, соответствующие гиперкубу В(0,1), интервалу J(0,1), идеалу 1(1), фильтру F(0), ступенчатой решетке Е(0,1), решетке делителей D, и проверяется эквивалентность G° и G*. Поскольку рекурсивные определения для подрешеток задаются итеративным способом, то они не требуют значительного объема памяти, однако обладают низким быстродействием. Второй подход, описанный для решетки делителей D(ni,n2,..nm,..пм), где nm - длины минимальных цепей в кодировании D, основан на предварительном построении решетки И=(Я,<) уровневых чисел, которые затем используются как признаки. Здесь H - множество всех уровней всех решеток делителей. Каждый элемент решетки й содержит уровневое число. Для того, чтобы определить опорное множество Н* уровневых чисел, определяются размерность М, высота h(G°) и мощность |G°|. Затем по системе уравнений (3)

м

L (nm)=h(G°) m=l

М (3)

П (nm+l)=|S°|

m=l

Vm=i,M-l nm>nm+i

V.

определяют значения nm, зная которые, без особых затрат времени на решетке H определяют опорное множество Н* и проверяют его эквивалентность множеству Н, полученному из G°. На рис. 3 показана подрешетка решетки И для решеток делителей размерности 2 с длинами минимальных цепей в их кодировании, не превышающими 4. Жирными дугами связаны элементы подрешетки, необходимые для определения уровневых чисел решетки D(3,l). Крайние правые цифры в обозначении элементов показывают высоту, все начальные - длины цепей в

Рис. 3

Для оценки преимущества структурных методов при синтезе архитектуры предложено соотношение, по которому сложность задачи выбора определяется как множество путей из 0(G°) в 1(G°). Выведенные рекурсивные соотношения проще и выполняются быстрее, чем известные методы определения путей из теории графов. Если G°=D(ni,n2,•.nm,..пм), то множество путей f(ni,ri2,..nm,-.пм) из 0(D) в 1(D) равно

м

(En»,)!

т=1

f (ni,112, • • -пм)=-j¡¡--(4)

П пт!

т=1

В третьей главе разрабатываются структурно-алгебраические

методы для синтеза структуры СР, обучения СР и оптимизации пространства признаков. Таким образом определяются функционалы Ф4, Ф3, фР.

Для того, чтобы синтезировать СтСР, необходимо назначить элементам ^ архитектуры алгоритмы из множества ЕЫЬу) алгоритмов пре(пост)процессинга и множества С={с^> алгоритмов распознавания. Где у=1,2,..V; уг=1,2,..№. В результате получим вектор Ар=(ах), для которого

и = е1 - ах £ В (5)

и = е2 - а\ £ С

Для того, чтобы сформировать БДПА, необходимо привести алгоритмы из множеств В и С к унифицированному виду, поскольку в противном случае значения параметров оптимизации будут несопоставимы. Наиболее подходящей с этой точки зрения является матричная форма записи. Тогда для произвольного алгоритма структуры можно записать

и = е1 - Ох = ах(Хх) (6)

и = е2 - Их = ах(Хх,Ух), где Ох - вектор расстояний , Хх - вектор признаков, Ух - ВДПК стадии X. При этом Хх=0х-1.

Ниже приводятся соотношения для вычисления расстояния с1т до класса Ыщ в вероятностном классификаторе и классификаторе по минимальной дистанции, наиболее часто используемые в распознавателях.

1. ат = X Ещ +ЕтХ-ЕтЕт (7)

2. = |Х-Ет|ЪСт|Х-Ет|

Здесь I символ транспонирования матрицы, Ет - опорный вектор, а Ст - ковариационная матрица для класса «щ. В случае (5.1) У=(Ет). Для случая (5.2) У=(Ет, Ст).

Выбор конкретных алгоритмов из множеств В и С зависит от определенного в первой главе 1?1=(1?2, Я°г, Лйг, б1?2, КА), где К2=(гт) ~ параметры оптимизации структуры, Р?°2 - границы значений параметров , Д1?2 - погрешности значений параметров, б1?2 - ограничения, КА - критерий оптимизации структуры.

Для выбора в соответствии с критерием КА оптимальной структуры, задается решетка значений параметров структуры, которая является решеткой делителей ЮСгн.пг»..пт,..пм), описанной во второй главе. Параметры пт решетки определяются по формуле

sup inf nm=(rm(s) - rm(s))/Arm,

sup inf

где Дгт - погрешность значений параметра rm, a (rm(s) и rm(s)) -

наилучшие и наихудшие значения параметра гт структуры, которые определяются исходя из БДПА и архитектуры системы.

На основе строится помеченная решетка БА значений параметров структуры, соответствующие элементы которой помечаются структурами со значениями параметров, удовлетворяющими границам R°2 и ограничениям 6f?2- В этом случае затраты памяти на формирование решетки 6А минимальны.

В результате единичный элемент 1(GA) решетки GA будет помечен оптимальной структурой.

Если при испытании СР, в случае неудовлетворительных результатов необходимо изменить СтСР, то используется уже построенная решетка 6А, и структура выбирается на помеченных элементах, которые покрываются единичным. Таким образом экономится время.

Для того, чтобы определить функционал и обучить СтСР, необходимо иметь множество C*=(cw*) алгоритмов обучения, двойственное множеству С. Тогда уравнение (6) с учетом того, что Xx=Dx-i, запишется в виде

Таким образом обучение производится последовательно для каждого распознавателя и, например, для архитектуры з(4,234) цепочки алгоритмов для каждого этапа обучения выглядят следующим образом

2. (аьаг.аз*)

3. (а1,а2,аз,а4*)

После того, как обучен последний распознаватель, т.е. сформированы все БДПК, мы получаем систему распознавания (АР,ХР,УР), и можно перейти к определению функционала Ф°, который позволяет оптимизировать пространство признаков. Для того, чтобы задать параметры оптимизации, множество классов 0={о)ш>, где ш=1,2,..М, которое можно распознать при помощи признака х^ЕХ, где 1=1,2,..I, представим в виде нечеткого множества щ=-С (^.Ма («щ))}. В качестве степеней принадлежности (шщ) будем рассматривать вероятности

ti = el - Di = ai(X°)

tl = e2 - Yi = ai*(X°)

U = el - Dx = ax(Xx)

tx = e2 - Yx = ax*(Xx)

(9)

1. (ai,a2*)

(10)

распознавания класса Шщ по признаку х^

Параметрами оптимизации будем считать показатель размытости эе(ти), мощность нечеткого множества р(ти), определяемые по формулам (9), (10) соответственно, а также стоимость измерения признаков С, которая в простейшем случае может рассматриваться как количество признаков, участвующих в распознавании.

м

ж(тп)= '£ 3(и1(шт)), (11)

Ш=1

где 3(у)-у1пу-(1-у)*1п(1-у) - функция Шеннона, м

р(т)= £Ма(ь>т) (12)

т=1

Значения функции принадлежности ¿1(ыщ) определяется по формуле Байеса

Ш(<»т) =- . (13)

М

к=1

*

где ^(хцпк) означает вероятность распознавания класса Шщ по признаку XI, при условии, что предъявлен клас^с и определяется из БДПК в соответствии с выражениями

Х1кт

¡^(х^Х! = 1 если Х1тт>Х1кк (14)

— 00

ХЦап

1Гк.(Х1 )йХ1 = КтСхОсЬ?! в противном случае,

Х1кт

где ^(хО - плотность распределения признака х; для класса Затем определяется решетка пространства признаков, которая является решеткой делителей 0(щ,п2,пз). Значения щ, пг, пз определяются, исходя из погрешностей значений параметров.

Для каждой комбинации признаков определяется их стоимость, а

также мощность и показатель размытости нечеткого множества классов, которое распознается при помощи этой комбинации. Вычисленные значения, удовлетворяющие границам R°3 и ограничениям 51?з, ставятся в соответствие вершинам помеченной решетки G° пространства признаков. Если критерий К° оптимизации требует нахождения оптимального набора признаков, то этими признаками будет помечен единичный элемент 1(G°) решетки.

Далее рассматриваются особенности аппаратной реализации элементов СР, в частности описан, пирамидальный мультипроцессор, при помощи которого формируются признаки объекта, не зависящие от угла его поворота. Определяются значения параметров мультипроцессора, которые должны быть внесены в БДПА.

В конце третьей главы указывается, что общим при оптимизации структуры и пространства признаков является задание решетки параметров, на основе которой строится помеченная решетка. Пометка состоит в сопоставлении соответствующим узлам решетки тех структур или признаков, значения параметров которых удовлетворяют границам и ограничениям. В результате этого, в зависимости от критерия оптимизации, возможно оптимальное или квазиоптимальное решение. Затраты памяти при построении помеченной решетки минимальны. Время затрачивается только на построение решетки, по сравнению с которым время определения оптимального решения пренебрежимо мало, что особенно ощутимо в случае неудачных испытаний СР, поскольку повторного построения решетки не требуется.

В четвертой главе рассматриваются вопросы построения пользовательского интерфейса моделирования (ПИМ) и языка моделирования, который позволяет синтезировать СР структурно-алгебраическими методами. Приводятся результаты использования ПИМ для исследования физиологических процессов при диагностике заболеваний.

Множество структур систем распознавания, порождаемых множеством архитектур и множествами В={Ьу> и C=icw> алгоритмов пре(пост)процессинга и распознавания, может быть сгенерировано контекстно-свободной грамматикой G=(T,N,P,S), в которой Т={В,С> -множество терминальных символов, N={A,el,e2> - множество нетерминальных символов, S - начальный символ грамматики, Р - множество продукций (15). S - SAIA

А - elle2 (15)

el - bilbal•.bvl. .by e2 -» ci IC2I. .cwl. .cw

Каждое слово этой грамматики представляет программу на языке этой грамматики или, в пользовательском языке моделирования, программу на языке моделирования. С учетом необходимости обработки групп файлов, в которых могут находиться результаты нескольких измерений, программа состоит из последовательности блоков. Каждый блок состоит из программных строк. Каждая строка состоит из шести фиксированных полей.

FILE CURVE FUNCTION PARAMETERS SERVICE REPORT

Поле FILE содержит имя файла для обработки или шаблон. Поле CURVE содержит имя кривой в файле. Например, в одном файле могут содержаться одновременно снятые электрокардиограмма(ЭКГ), фоно-кардиограмма(ФКГ), апекескардиограмма(АКГ), реограмма легочной артерии(РЕОЛ) и т.д. Поле FUNCTION содержит имя функции пре(пост)процессинга или распознавания из множеств B=ibv> или C=icw} (см. раздел 3.1). Поле PARAMETERS содержит параметры, необходимые для реализации указанной функции. Поле SERVICE указывает на окно вывода графика функции, цвет, толщину линии и т.д. Поле REPORT содержит номер сообщения, которое может быть выведено в процессе работы программы.

Первая строка блока имеет вид:

<FILE> [CURVE] <FUNCTI0N> [PARAMETERS SERVICE REPORT]

t

Любая последуюпря строка блока имеет вид'

*

[CURVE] <FUNCTION> [PARAMETERS SERVICE REPORT]

Знаки [] означают необязательное поле программной строки. Знаки <> означают обязательное поле. Если содержимое поля CURVE пусто, то в первой строке по умолчанию используется первая по счету(или единственная) кривая в текущем файле. В любых последующих строках, если содержимое поля CURVE пусто, используется предыдущая кривая.

Циклы в программе на языке моделирования задаются только путем указания шаблона в поле FILE. В этом случае блок циклический.

Ниже приведен пример программы для обучения CP, которая должна диагностировать заболевание по сверхмалому свечению плазмы крови.

1

2

3

4

FILE *.KL1

CURVE CRV1

FUNCTION TREND CONV FIND_X MD I

PARAMETERS SERVICE

1,BASE

n *.KLM n+1 n+2 n+3

CRV1

TREND CONV FIND_X MD I

M.BASE

Эта программа состоит из М блоков, каждый блок состоит из четырех программных строк. Первая строка блока по шаблону выбирает один файл текущего класса и удаляет тренд. Вторая строка производит .фильтрацию при помощи дискретной одномерной свертки, третья строка реализует алгоритм поиска признаков, указанных специалистом в предметной области, четвертая строка формирует в БДПК данные для текущего класса. Этот цикл будет повторяться до тех пор, пока не будут просмотрены все файлы с текущим шаблоном и, соответственно, не сформированы признаки класса.

После обучения программа распознавания имеет вид

FILE

1 *. DAT

2

3

4

CURVE CRV1

FUNCTION

TREND

CONV

F1ND_X

MD

PARAMETERS SERVICE

BASE

Эта программа соответствует архитектуре э(4,4), и ее структура изображена на рис. 4. Ее отличие от программы обучения в том, что в файлах находятся данные для распознавания, и в четверки' строке реализуется алгоритм распознавания, а не двойственный ему алгоритм обучения.

Рис. 4

На рис. 5 изображены исходная кривая и результат выполнения строк 1, 2, 3 программы обучения. Горизонтальные линии соответствуют точкам, указанным специалистом в предметной области.

Рис. 5

В качестве одного из примеров определения оптимальных параметров алгоритмов предобработки проведено моделирование фильтрации двумерных изображений методом свертки. Для различных значений матожидания помех, распределенных по закону Пуассона, устанавливались различные значения порога и подсчитывались точки несовпадения между исходным изображением и фильтрованным. В результате было установлено, что для достижения лучших результатов фильтрации, величину порога в поле PARAMETERS программы моделирования следует устанавливать в зависимости от матожидания помех. График этой зависимости изображен на рис. 6. Кружками отмечены оптимальные значения порога (от 0.1 до 0.4) для данного матожидания (от 0.6 до 0.9).

Рис. 6

Пользовательский интерфейс моделирования применялся для исследования кардиосигналов при поликанальном представлении измеряемых величин. Были реализованы различные алгоритмы предварительной обработки и определения указанных пользователем признаков. Эти алгоритмы были включены в список функций языка моделирования и использовались пользователем при написании программ в среде ПИМ.

При создании системы распознавания технических состояний сложных объектов аэрокосмической техники использовался принцип структурного представления множества параметров объектов для определения его области работоспособности.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Анализ различных систем распознавания выявил, что одним из существенных признаков, отличающих архитектуру одной СР от другой, является количество стадий распознавания. Это обстоятельство явилось основой для определения двух типов элементов архитектуры: элемента пре(пост)процессинга и элемента распознавания. Рассмотрение способов перехода от одной архитектуры к другой позволило получить произвольную архитектуру СР при помощи рекурсивных формул. Множество архитектур с отношением упорядочивания на

них дало возможность получить решетку архитектур систем распознавания.

2. Были рассмотрены свойства решетки архитектур и ее основные подрешетки, которые требовались для дальнейших выводов. В связи с тем, что изначально задается некоторое подмножество архитектур, из которого требуется выбрать единственную архитектуру, возникла задача определить, не является ли это множество носителем одной из известных подрешеток. Для этого были предложены способы идентификации подрешеток.

3. Для определения сложности задачи выбора архитектуры использовались способы определения множества путей на решетках делителей.

4. После выбора архитектуры необходимо было наполнить ее конкретным содержанием, т.е. определить алгоритмы, реализующие элементы архитектуры. При этом естественным было оптимизировать структуру по заданным параметрам. Для этого использовалась база данных о признаках алгоритмов.

5. Заключительным этапом синтеза системы распознавания является понижение размерности пространства признаков, которое заключалось в построении решетки нечетких множеств классов и выборе при помощи этой решетки минимального набора признаков, которые обеспечивают заданную мощность и показатель размытости нечеткого множества классов.

6. Методика построения решеток для оптимизации архитектуры, структуры, системы предлагалась таким образам, чтобы максимально уменьшить затраты памяти для их размещения. При испытании СР выбор следующего пространства признаков, структуры, архитектуры осуществляется выбором элементов на одном из нижележащих уровней соответствующих решеток, что сокращает время отладки СР.

7. Все указанные этапы построения системы распознавания предлагается проводить в среде пользовательского интерфейса моделирования при помощи специализированного языка моделирования, спроектированного, исходя из задач выбора архитектуры и синтеза структуры распознающих ИИС.

8. В практическом плане были реализованы некоторые функции пользовательского интерфейса моделирования, которые позволили эффективно его использовать в различных областях при построении систем распознавания и моделировании алгоритмов и процессов.

9. Разработанная методика структурно-алгебраического синтеза распознающих ИИС может использоваться для синтеза других подклас-

сов ИИС, с учетом их характерных особенностей.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

1 A.C. N1599866 СССР МКИ, 4 G 06 F 15/16. Блок управления для ячейки волновой коммутационной системы / А.М.Кистанов (СССР).-6 с.

2 Кистанов A.M. Метод обнаружения и локализации неисправностей устройств функционального контроля БИС ОЗУ. В сб. Вычислительная техника в автоматизированных системах контроля и управления. Пенза, 1981.- С. 56-59.

3 Орлов С.П., Кистанов A.M., Федечкин A.C., Шкрябин О.В. Пирамидальный подход: поиск и идентификация произвольноориентиро-ванных фрагментов на изображении // Методы и микроэлектронные средства цифрового преобразования и обработки сигналов: Тезисы докладов всесоюз. конф. 4-7 дек. 1989 г.-Рига, 1989 . -С. 280-283.

4 Орлов С.П., Кистанов A.M., Шкрябин О.В., Панков А.Р. Пакет программ для автоматизированного обучения расшифровке ЭКГ / Индивидуализация обучения в ведущих вузах России // Тез. докл. респ. конфер. 14-20 сентября 1991г.-Самара, СамПИ, 1991.-С. 135-136.

5 Орлов С.П., Кистанов A.M., Шкрябин О.В. Пакет "KARDI" для исследования биологических кривых при диагностике сердечно-сосудистых заболеваний / Технология программирования 90-х // Тез. докл. 1-й междунар. конф. 14-17 мая 1991г.-Киев, 1991,- С. 183-185.

6 Кистанов A.M., Шкрябин О.В. Параллельно-конвейерный гексагональный мультипроцессор для обработки изображений с помощью граничных преобразований // Теория и практика проектирования микропроцессорных систем / КПтИ, Куйбышев.-1989.-С. 90-97.

7 Кистанов A.M. Автомат полного алгоритма контроля интегральной памяти // Тез. докл. всероссийской студенческой конференции. Пермь, 1979.

8 Кистанов A.M. Цифровая моделирующая система//Тез. докл. всероссийской студенческой конференции. Куйбышев, 1980.

Соискатель L

МП 'Системком'. Тир. 100