Главная > Энциклопедия кибернетики. Т.2
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

САМООБУЧЕНИЕ РАСПОЗНАВАНИЮ ОБРАЗОВ

— способность распознающих систем самостоятельно производить требуемое разделение (классификацию) множества входных сигналов на подмножества (классы) или, по крайней мере, улучшать качество этого разделения. Эта задача решается при априори известных свойствах распознаваемых сигналов по выборке сигналов, принадлежность каждого из которых к тому или иному классу заранее неизвестна. Самообучение отличается от обучения тем, что в случае обучения при известных свойствах сигналов должна быть предъявлена выборка сигналов с указанием класса принадлежности для каждого из сигналов. Отличие самообучающейся (равно как и обучаемой) распознающей системы от необучаемой заключается в следующем. В необучаемую распознающую систему заранее вложены сведения о всех свойствах распознаваемых сигналов, необходимые для отнесения любого входного сигнала к определенному классу. Сведения же, которыми априори располагает самообучающаяся система, недостаточны для определения необходимой классификации сигналов.

Рассмотренный ниже пример иллюстрирует специфику задачи самообучения и ее отличие от задач обучения распознаванию и распознавания без обучения. В примере рассмотрен случай двух классов, хотя вообще самообучение применимо в случае любого числа классов. Допустим, априори известно, что распределение плотности вероятности сигналов, принадлежащих как 1-му, так и 2-му классу, описывается одномерными нормальными законами с равными дисперсиями и известными матем. ожиданиями соответственно для 1-го и 2-го класса. В случае, когда классы равновероятны, оптимальным (в смысле минимума вероятности ошибки) является алгоритм распознавания, который сравнивает каждый распознаваемый сигнал с порогом

Если то сигналы ниже этого порога относятся к 1-му классу, а остальные — ко 2-му; если же то классификация меняется на обратную. Таков алгоритм работы необучаемой распознающей системы, в которую заранее должны быть заложены матем. ожидания . В случае, если эти величины неизвестны, но задана обучающая выборка сигналов, классы которых известны, обучение сводится к оценке величин путем усреднения сигналов обучающей выборки, априори относящихся к одному классу.

Возможность самообучения возникает, напр., в том случае, когда матем. ожидания неизвестны, однако известно, что При этом для распознавания сигналов необходимо определить лишь порог который как нетрудно заметить, равен матем. ожиданию всех сигналов, принадлежащих как первому, так и второму классу. Оценить величину этого порога можно, усредняя все сигналы независимо от того, какому классу они принадлежат, т. е. на основании выборки сигналов, для которых действительная классификация может быть и неизвестна.

Формальные постановки задачи самообучения связаны либо с введением некоторого критерия качества классификации и нахождением такого разбиения множества сигналов на подмножества, чтобы заданный критерий достигал максимума, либо сводятся к известной в матем. статистике задаче оценки неизвестных параметров распределений по смешанной выборке сигналов. В последнем случае стремление находить оптимальные оценки приводит к необходимости поиска максимума определенного критерия качества. Т. о., все известные в настоящее время попытки формального решения задачи самообучения сводятся к сложным вариационным задачам. Алгоритмы отыскания глобального максимума в этих задачах известны лишь для некоторых простых случаев, несущественно отличающихся от рассмотренного примера. Для общих случаев в настоящее время известны достаточно простые алгоритмы, однако они обеспечивают лишь локальный

максимум критерия качества. Это значит, что такие алгоритмы работы систем способны самостоятельно, на основании лишь самих входных сигналов, улучшать качество распознавания этих сигналов, однако не гарантируется, что в процессе этого улучшения будет найдена наилучшая их классификация. Лит.: Миленький А. В. Определение статистических характеристик распознаваемых образов в режиме самообучения. «Кибернетика», 1967, Mi 3; Цыпкин Я. 3., Кельманс Г. К. Рекуррентные алгоритмы самообучения. «Известия АН СССР. Техническая кибернетика», 1967, М 5; Шлезингер М. И. Взаимосвязь обучения и самообучения в распознавании образов. «Кибернетика», 1968, № 2. М. И. Шлезингер.

1
Оглавление
email@scask.ru