Автор неизвестен - Бионика интелекта информация язык интеллект№ 3 (77) 2011научно-технический журналоснован в октябре 1967 г - страница 52

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 

Оператор у: I| l | —3 | q | шляхом оцінки статис­тичних гіпотез формує множину точнісних ха­рактеристик 3|q| , де q = 12 — кількість точніших характеристик. Оператор ф: з'q »Б обчислює мно­жину значень інформаційного критерію E , який

Рис. 1. Математична модель навчання системи розпізнавання

є функціоналом точнісних характеристик. Контур діаграми, який послідовно складається з опера­торів *Р, у, ф і r оптимізує геометричні параметри розбиття 9^ шляхом пошуку глобального макси­муму критерію E в робочій (допустимій) області визначення його функції. Оптимізація системи контрольних допусків здійснюється за ітераційною процедурою, в якій послідовно задіяно оператори 9, \|/, у, ф, 81 і 82. Контур оптимізації кроку зміни кута зчитування яскравості зображень замикаєть­ся операторами p1: Е — П, де П — терм-множина кроків зміни кута зчитування, і p2: П — в, який змінює вхідні реалізації образу. Оптимізація ієрар­хічної структури відбувається за допомогою опера­торів h1:E H , де H — множина, яка складаєть­ся з можливих варіантів ієрархічних структур, та h2 :H Z. Оператор U: E GхTхОхZ регла­ментує процес навчання системи.

3. Алгоритм навчання системи розпізнавання

Як відомо, оброблення діагностичних медичних зображень в полярних координатах дозволяє за­безпечити алгоритму навчання інваріантність до їх зсуву, повороту та зміні масштабу. Інформаційно-екстремальний іерархічний алгоритм навчання системи розпізнавання з оптимізацією кроку змі­ни кута зчитування при обробленні зображень в полярних координатах подамо у вигляді багатоци-клічної ітераційної процедури пошуку глобального максимуму інформаційного КФЕ (1), що обчислю­ється в робочій (допустимій) області визначення його функції

Дфг s = arg < max{max{max Er}} >, (2)

де Gif, G8, GE — допустимі області значень кроку зміни кута зчитування афг s, параметра поля контрольних допусків 8r s і КФЕ відповідно.

Для наочності обмежимося оптимізацією пара­метрів навчання системи розпізнавання для одного ярусу ієрархічної структури алфавіту класів. Вхід­ними даними є діагностичні медичні зображення, що характеризують класи r -го ярусу; система нор­мованих полів допусків {8Hi1 i = 1, N} на ознаки розпізнавання, що визначає області значень від­повідних контрольних допусків, та розподіл класів розпізнавання по стратам ярусу згідно із заданою ієрархічною структурою алфавіту класів розпіз­навання. При цьому в кожній страті визначається базовий клас, відносно якого формується система контрольних допусків на ознаки розпізнавання.

Оброблення зображень в полярній системі координат та формування навчальної матриці || У(гХ| m = 1,Mr,s; i = 1,N; j = 1,n ||, в якій i -а озна­ка в -му векторі-реалізації образу обчислюється шляхом усереднення значень яскравості відповід­них RGB -складових зображення за формулою [5]

1 L

X9(j>, i = 1,N ,

(3)

2nR і=1

де в(j) —значення ознаки розпізнавання в j -й реалізації образу; 9(/^ — значення RGB -складової в І -му пікселі i -го кола зчитування яскравості зобра­ження; L — кількість пікселів в i -му колізчитування; R — радіус i -го кола зчитування.

Розглянемо основні етапи реалізації інформаційно-екстремального іерархічного алго­ритму навчання системи розпізнавання з оптиміза-цією кроку зміни кута зчитування при обробленні в полярних координатах діагностичних медичних зображень.

1. Обнуління лічильника кількості страт в r -му ярусі: s := 0;

2. s := s +1;

3. Обнуління лічильника зміни кроку зчитуван­ня: Ars := 0;

4.

A r, s :   A r, s + 1;

5. Обнуління лічильника кроків зміни параме­тра поля контрольних допусків 8rs: 8 := 0 ;

6. 8:=8 +1;

7. На кожному кроці зміни значення параметра поля допусків обчислюються нижній AKHrs і [8] і верхній AKBrs і [8 ] контрольні допуски для всіх ознак розпізнавання за формулами

1KBr,s, i

[8]

,s,1,i Уr ,s,1,i + 8r, s

(4)

де yr,— вибіркове середнє значення i -ї ознаки в навчальній матриці базового (першого) класу

r,s,1

С.С. Мартиненко, Саад Джулгам

8. Формується бінарна навчальна матриця || x(rjjlmj || за правилом

[і,   if AKHr,s, i < Уіт,! < AKBr,s, i;

І0, if else.

x (j)   = ■

r, s.m.i

9. Для класу sm формується двійковий ета­лонний вектор-реалізація, І -й елемент якого ви­значається за правилом

1 "

і  if _V x (j)   >p • [0, if else.

де prs — рівень селекції (квантування) координат еталонного вектора xrsm є s m , який за замовчу­ванням дорівнює pr s = 0 , 5 .

10. Формується за критерієм мінімальної ко­дової відстані структуроване попарне розбиття

{^r2|s,m =< Xr, s,m; Xr, s,c >}   множини , s, m h   яке за-

дає план навчання. Тут xrsc — еталонний вектор-реалізація класу X" sc, найближчого до класу s m.

11. Обчислюється значення інформаційного КФЕ навчання системи розпізнавати реалізації класу X°rsm. Як КФЕ може розглядатися будь-яка статистична інформаційна міра. Наприклад, для двоальтернативних рішень та рівноймовірних гіпотез можна застосувати модифікацію інформа­ційної міри Кульбака [4]

D (k)     + Г)(k) ^

1 r,s,m        2 r,s,m

ar, s,m + Pr, s,

*{[Zf) + D2k)] - [a(k) +P(k)]}:

,s,

a(k) = 1 - D (k)

r, s,m     ±    ^1 r, s,m'

(k)

r,s,m

1 -D(k)

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