8.3. Конструктивные эвристические методы для выделения признаков
8.3.0. Имитационный метод Ура и Восслера
Серия экспериментов, проведенных Уром и Восслером (1963), показала, что хорошее выделение признаков может дать простая процедура имитации частей входных образов. Они занимались классификацией двумерных образов, таких, как нарисованные лица, рукописные буквы, спектрограммы речей, а не абстрактных векторов, и поэтому понятие расстояния между переменными имело вполне определенный смысл. Этот факт в значительной мере учитывается в их программе. Входом программы была последовательность двоичных образов размером 
подобных изображенному на рис. 8.1. Из этих больших образов они строили
множества „локальных операторов" размером 
сравнивая образ размером 
расположенный в заданном месте картинки, с несколькими изображениями размером 
Если несколько первоначальных изображений имели почти одинаковую конфигурацию битов размером 
в любых местах, то это подызображение принималось в качестве признака. Для описания изображения размером 
указывались тип и расположение таких признаков. Это позволяло программе различать, скажем, „горизонталь вверху" и „горизонталь внизу". Например, А можно было бы описать, выделяя элементы 
Эта информация собиралась в векторе 
описывающем объект в терминах его признаков. Затем для классификации векторов 
применялся простой алгоритм группирования.
Ур и Восслер использовали группирование также для того, чтобы указать момент, когда необходимы новые признаки. В каждый момент времени их программа работала только с фиксированным числом признаков. Алгоритм группирования приписывал вес каждой компоненте вектора 
в зависимости от ее полезности для различения классов. Если вес компоненты был близок к 
, то соответствующий признак отбрасывался и для определения нового признака заново исследовалось входное изображение размером 
Этот процесс генерации признаков, группирования и генерации новых признаков привел к построению очень эффективной системы распознавания образов. В самом деле, программа Ура и Восслера могла обучаться быстрее людей решать задачи на зрительное различение при условии, что классифицируемые объекты не были хорошо знакомы людям 
Восслер и Улеман, 1962). Значение этого результата хорошо иллюстрируется тем, что программа превзошла людей при распознавании классов абстрактных математических фигур, но оказалась менее эффективной при распознавании нарисованных лиц.
