Автор неизвестен - Бионика интелекта информация язык интеллект№ 3 (77) 2011научно-технический журналоснован в октябре 1967 г - страница 51

Страницы:
1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77 

На рис. 4 приведена последовательность итера­ций алгоритма построения остового леса O1 графа G . На рисунке приняты следующие обозначения:

жирной линией (-) показаны ребра u' <eU ,

принадлежащие остовному лесу и' є O1, выбран­ные на шагах 2, 3 и 7 и удаленные из графа G на

шаге 4а; штрихованной линией (-----) показаны

ребра, удаленные из графа G на шаге 4в; большой заштрихованной окружностью (@) показаны вер­шины, которые рассматриваются на шагах 6 и 7.

На основе полученного остового леса O1 мож­но построить четырехугольную карту Кохонена

( M Л

Q

<2\...,<2

на основе триангуляции T. Это

достигается путем удаления общих сторон треу­гольников из триангуляции T, которым соответ­ствуют ребра графа G, образующие остовой лес

O1. Четырёхугольник QQ , i = 1

M

2

определяется

четырьмя точками с номерами Q = {Q1 ,Q2 ,Q3 ,Q4}, причем номера обозначены так, что попарно сое­динены точки {q1 ,q2}, {q1 ,q3}, {q2,q4} и {q3,q4}.

На рис. 5 показан пример построения четыреху­гольной карты для триангуляции T, приведенной на рис. 2а.

Замечания:

1) Если найдена ветвь графа D , которой соот­ветствует остовой лес O1 графа G , то другие ветви можно не рассматривать. Вычислительная слож­ность предложенного метода линейно зависит от количества треугольников триангуляции T.

2) Если во всех ветвях графа D возникают изо­лированные вершины графа G , то алгоритм можно продолжить, и построить остовое дерево с изоли­рованными вершинами. В результате, после по­строения четырехугольной карты в ней останутся треугольники, соответствующие изолированным вершинам графа G.

Выводы

В работе предложена процедура построения четырёхугольных карт Кохонена на основе их треугольного аналога, которая позволяет умень­шить вычислительную сложность аппроксима-

ПОСТРОЕНИЕ ЧЕТЫРЁХУПОЛЬНЫХ КАРТ КОХОНЕНА НА ОСНОВЕ ТРИАНПУЛЯЦИИ ДЕЛОНЕ ДЛЯ ВИЗУАЛИЗАЦИИ...

Рис. 4. Построение остового леса O1 графа G , приведенного на рис. 26

Рис. 5. Построение четырехугольной карты Кохонена по триангуляции

ции кусочно-плоской карты Кохонена кубиче­ской параметрической сплайн-поверхностью. Приведены необходимые условия существования четырёхугольных карт Кохонена. Построение та­ких карт ведет к существенному упрощению алго­ритма аппроксимации параметрической сплайн-поверхностью и уменьшает количество скалярных операций. Показано, что предложенный метод имеет линейную вычислительную сложность. Пла­нируется разработать метод аппроксимации сплайн поверхностями четырёхугольных карт Кохонена.

Список литературы: 1. Зиновьев, А.Ю. Визуализация много­мерных данных [Текст] / А. Ю. Зиновьев. Красноярск: Изд-во КГТУ, 2000. — 168 с. 2. Аксак, Н.Г. Метод аппрок­симации карт Кохонена кубическим параметрическим сплайном [Текст] / Н. Г. Аксак, А. В. Шкловец // Системи управління навігації та зв'язку. — 2010. — 2(14). — С.70-74. 3. Метод аппроксимации сплайнами минимальной длины линейных карт Кохонена для визуализации многомерных данных [Текст] : сб. науч. тр. / НИЯУ МИФИ. М.: НИЯУ МИФИ, 2010. - 280 с. 4. Аппроксимация двумерных карт Кохонена кубическими сплайн поверхностями [Текст] // сб. науч. тр. Евпатория: МОІНУ, 2010. — 225 с. 5. Сквор­цов, А. В. Триангуляция Делоне и её применение [Текст] / А. В. Скворцов. Томск: изд-во Том. Ун-та, 2002. — 128 с.

6. Кристофидес, Н. Теория графов. Алгоритмический под­ход [Текст] / Н. Кристофидис. М: Мир, 1978. — 432 с.

Поступила в редколлегию 30.06.2011

УДК 004.032.26:519.174.2

Побудова чотирикутних карт Кохонена на основі тріангуляції Делоне для візуалізації багатовимірних даних

/ А. В. Шкловець, Н. Г. Аксак // Біоніка інтелекту: наук.-техн. журнал. — 2011. — № 3 (77). — С. 94-97.

Запропоновано метод побудови чотирикутних карт Кохонена для зменшення кількості скалярних операцій апроксимації кусочно-плоских карт Кохонена кубічними параметричними сплайн-поверхнями для збільшення точності візуалізації багатовимірних даних.

Табл 1. Іл. 5. Бібліогр.: 6. найм.

UDK 004.032.26:519.174.2

Building a rectangular Kohonen maps based on Delone tri-angulation to visualize multidimensional data / А.У. Shklovets, N. G. Axak // Bionics of Intelligense: Sci. Mag. — 2011. — № 3 (77). — P. 94-97.

A method for construction rectangular Kohonen maps to reduce the number of scalar operations of approximation planar Kohonen maps by cubic parametric spline surfaces to increase the accuracy of multidimensional data visualization was suggested.

Tab.: 1. Fig.: 5. УДК 616.07:004.032.26

intelligence

С.С. Мартиненко1, Саад Джулгам2

1СумДУ, м. Суми, Україна, smart@unesco.sumdu.edu.ua 2СумДУ, м. Суми, Україна, saad710@mail.ru

СТИСНЕННЯ ТА РОЗПІЗНАВАННЯ МЕДИЧНОЇ ВІДЕОІНФОРМАЦІЇ

Розглядається ієрархічний алгоритм оптимізації параметрів навчання системи розпізнавання зобра­жень медичних і біологічних об'єктів у рамках інформаційно-екстремальної інтелектуальної технології, що грунтується на максимізації кількості інформації, одержаної в процесі навчання системи.

МАГНІТОКАРДІОГРАМА, РОЗПІЗНАВАННЯ ЗОБРАЖЕНЬ, ІЄРАРХІЧНА СТРУКТУРА, ПО­ЛЯРНА СИСТЕМА КООРДИНАТ, ІНФОРМАЦІЙНИЙ КРИТЕРІЙ

Вступ

Задача розпізнавання медичної відеоінформації суттєво ускладнюється із збільшенням потужнос­ті класів розпізнавання. Одним із перспективних шляхів вирішення цієї проблеми є побудова ієрар­хічної структури алгоритмів навчання та екзамену системи розпізнавання [1,2]. Більшість відомих ме­тодів розпізнавання зображень носять в основному модельний характер, оскільки вони не орієнтовані на апріорно нечітке розбиття простору ознак на класи , яке має місце на практиці. Одним із пер­спективних підходів до підвищення функціональ­ної ефективності систем розпізнавання зображень є інформаційно-екстремальна інтелектуальна тех­нологія (ІЕІ-технологія), що грунтується на мак-симізації інформаційної спроможності системи, що навчається [3, 4]. У працях [5, 6] розглядалося питання стиснення відеоінформації у рамках ІЕІ-технології для однорівневої структури алгоритму навчання, але побудовані вирішальні правила не були безпомилковими за навчальною матрицею.

У статті розглядається задача підвищення функ­ціональної ефективності навчання системи роз­пізнавання магнітокардіограм за ієрархічним ал­горитмом шляхом оптимизации кроку зміни кута зчитування яскравості при обробленні зображень в полярній системі координат.

1. Постановка задачі

Нехай зображення магнітокардіограм різних станів серцево-судинної системи утворють ієрар­хічну структуру алфавіту класів розпізнавання {Xr s m | r = 1,R; s = 1,Sr;m = 1,Mr s}. Відомий струк-турований вектор параметрів функціонування сис­теми розпізнавання g =< xr s m ,dr,s m, 8r,s, фг,s > , де xrsm — еталонний вектор-реалізація класу X°r sm; dm — радіус контейнера класу sm, що відновлю­ється в радіальному базисі простору ознак розпізна­вання; 8r s — параметр поля контрольних допусків на ознаки розпізнавання для алфавіту класів sr -ї страти, ф rs — крок зміни кута зчитування яскра­вості зображення при його обробленні в полярних координатах для алфавіту класів sr -ї страти. При цьому задано обмеження на відповідні параметри функціонування.

Необхідно на етапі навчання побудувати опти­мальні вирішальні правила, які забезпечать мак­симум усередненого_ критерію функціональної ефективності (КФЕ) Er навчання системи розпіз­навати класи r -го ярусу ієрархічної структури

Er

1

Sr Mr,

MS Е Er,s

(1)

де Sr ,Mrs — кількість страт і кількість класів в sr -й страті r -го ярусу відповідно; E* s m — глобальний максимум інформаційного КФЕ навчання системи розпізнавати класи sr -ї страти.

На етапі екзамену необхідно віднести реаліза­цію, що розпізнається, до відповідного класу роз­пізнавання із заданого алфавіту.

2. Категорійна модель системи розпізнавання

Математичну модель процесу навчання у ви­гляді діаграми відображень множин показано на рис. 1, де наведено такі позначення: G — множи­на факторів, що впливають на систему; T — мно­жина моментів часу зняття інформації; О — про­стір ознак розпізнавання; Z — простір можливих функціональних станів системи; в — вхідні ре­алізації образу; Y — вхідна вибіркова множина (вхідна навчальна матриця яскравості зображень); Ф1: G х T хОх Z --в — оператор формування вхідних реалізацій образів; Ф2: в — Y — оператор формування вибіркової множини Y. Оператор 9 :Y --9t|M| будує розбиття 9t|M| простору ознак на класи розпізнавання, яке у загальному випадку є нечітким, а оператор класифікації Y: 9t|M| І1'1 перевіряє основну статистичну гіпотезу про на­лежність реалізацій {x{m) |j= 1,n} класу X°m і формує множину гіпотез І1', де І — кількість статистичних гіпотез.

Страницы:
1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77 


Похожие статьи

Автор неизвестен - 13 самых важных уроков библии

Автор неизвестен - Беседы на книгу бытие

Автор неизвестен - Беседы на шестоднев

Автор неизвестен - Богословие

Автор неизвестен - Божественность христа