Автор неизвестен - Бионика интелекта информация язык интеллект№ 3 (77) 2011научно-технический журналоснован в октябре 1967 г - страница 53

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 

2 r,s,m

(5)

0,5l0g2

2 - [a(k)   +R(k) '

r,s,m r,s,m

a

(k)

r, s,m    rr, s,m

(k)

{1    [ar, s,m +Pr, s, m]}

(k)

де D1(r)s m — перша достовірність прийняття рішень на k -му кроці навчання; D2ksm — друга достовірність; a(rk,im — помилка першого роду; P^iU — помилка другого роду.

12. Якщо d(rkl <8H / 2 , то виконується пункт 6, інакше — пункт 13.

13. У робочих областях визначення функції (5) здійснюється пошук її глобального максимального значення E* s 1.

14. Здійснюється за планом навчання оптимі-зація контейнерів інших класів, що відновлюються в радіальному просторі ознак розпізнавання.

15. Обчислюється усереднене максимальне значення E max r, s КФЕ навчання системи розпізна­вати реалізації всіх класів при поточному значенні параметра навчання дф^s.

16. Якщо Д(к^s < Дфгран , то виконується пункт 4, інакше — пункт 17.

17. Вишачаються усереднене максимальне значення E r,s КФЕ навчання системи розпізна­вати реалізації всіх класів поточної страти і опти­мальні параметри навчання: еталонні вектори реалізації {x*sm}, вершини яких визначають гео­метричні центри контейнерів відповідних класів; радіуси контейнерів класів розпізнавання [d* s m}; параметр поля контрольних допусків 8* s; система контрольних допусків на ознаки розпізнавання, які обчислюються за формулою (4) і параметр Д* s — крок зміни кута зчитування яскравості зображення при його обробленні в полярних координатах для алфавіту класів поточної страти.

18. Якщо s < Sr, то виконується пункт 2, інак­ше — ЗУПИН.

Таким чином, у рамках ІЕІ-технології процес оптимізації параметрів функціонування системи розпізнавання зображень за ієрархічним алгорит­мом зводиться до ітераційного пошуку глобального максимуму інформаційного критерію (1) в робочій області визначення його функції.

4. Приклад реалізації алгоритму навчання

Реалізацію алгоритму навчання розглянемо на прикладі розпізнавання магнітокардіограм. Ал­фавіт класів розпізнавання складався з чотирьох класів, яка характеризували такі стани серецево-судинної системи людини: X1 — нормальний стан, X" — ішемічна хвороба серця, X3r — шуми в серці і X4 — некоронарогенна хвороба серця. Оброблен­ня зображень цих класів відбувалось у полярній системі координат за формулою (3)

Навчання системи розпізнавання магнітокар-діограм відбувалося за ієрархічним алгоритмом, структуру якого показано на рис. 2.

Рис. 2. Ієрархічна структура алфавіту класів розпізнавання

На рис. 2 верхні індекси в позначеннях класів визначають номер ярусу r та номер страти s від­повідно.

У роботі [6] для верхнього рівня ієрархічної структури (рис. 2) для аналогічного алфавіту класів розпізнавання вдалося побудувати безпомилкові за навчальною матрицею вирішальні правила, але для другого рівня ієрархічної структури усередне­не значення КФЕ дорівнювало E 2 = 0,72. Тому для кожної страти цього рівня було реалізовано алго­ритм навчання з оптимізацією кроку зміни кута зчитування яскравості зображень магнітокардіо-грам при їх обробленні в полярних координатах. Оптимізація кроку зміни кута зчитування яскра­вості при обробленні зображень магнітокардіо­

100 140 180 ЮО 140 180

а б Рис. 3. Графіки залежності КФЕ від радіусів контейнерів: а

грам здійснювалася за трициклічною ітераційною процедурою пошуку глобального максимуму КФЕ навчання системи (2) для кожної страти нижнього ярусу структури. Реалізація вищенаведеного алго­ритму дозволила підвищити функціональну ефек­тивність навчання, а усереднене значення КФЕ (1) збільшилося до величини E2 = 0,78 . При цьо­му оптимальне значення кроку зміни кута зчиту­вання дорівнювало для кожної із страт значенням Д*21 =Д*22 = 5°. Таким чином, встановлено, що величина кроку зміни кута зчитування при фор­муванні навчальної матриці яскравості зображень впливає на функціональну ефективність навчання системи розпізнавання.

На рис. 3 показано результати оптимізації ра­діусів контейнерів класів розпізнавання із задано­го алфавіту для страти s21 (рис. 3а і рис. 3б) і для страти s2 2 (рис. 3в і рис. 3г). На рис. 3 подвійною штриховкою позначено робочі (допустимі) області визначення функції інформаційного критерію (4), в яких здійснювався пошук глобальних максиму­мів КФЕ навчання системи розпізнавання.

Аналіз рис. 3 показує, що оптимальні радіу­си контейнерів відповідних класів дорівнюють d* 11 = 140 (тутідалівкодовиходиницях), d212 = 142 , d2,2,1 = 134 і d*2,2 = 145.

За результатами алгоритму екзамену, при якому послідовно розпізнавалися 100 реалізацій класів із заданого алфавіту, усереднене значення повної ймовірності правильного розпізнавання дорівню­вало Pt = 0,87, що перевищує відомі результати [7].

Висновки

1. Використання ієрархічної структури навчан­ня системи розпізнавання із оптимізацією параме­тра зміни кроку кута зчитування яскравості при об­робленні зображень магнітокардіограм в полярній систем і координат дозволило підвищити достовір­ність розпізнавання.

2. Для побудови безпомилкових вирішальних правил необхідно провести оптимізацію інших па­раметрів навчання.

Список літератури: 1. Саати, Т. Принятие решений: Метод анализа иерархий [Текст] / Т. Саати — М.: Радио и связь, 1993. — 273 с. 2. Прикладная статистика: Классификация - клас 11; б — клас 1 2; в — клас 2 1; г — клас 2 2

и снижение размерности: Справ. изд./ под ред. С.А. Ай­вазян; [составители: С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин]. М.: Финансы и статистика, 1989. — 607 с. 3. Краснопоясовський, А.С. Інформаційний синтез інтелектуальних систем керування: Підхід, що ґрунтується на методі функціонально-статистичних ви­пробувань [Текст] / Краснопоясовський А.С. — Суми: Видавництво СумДУ, 2004. — 261 c. 4. Довбиш, А.С. Основи проектування інтелектуальних систем: Навч. посібник [Текст] / А.С. Довбиш— Суми: Видавництво Сум ДУ, 2009.— 171 с. 5. Мартиненко, С.С. Оброблення та розпізнавання магнітокардіограм [Текст] / С.С. Мар­тиненко // Вісник Сумського державного університету. Серія Технічні науки.— Суми:Видавництво СумДУ, 2010. — № 1. — С.16-23. 6. Информационно-экстремальный алгоритм распознавания магнитокардиограмм [Текст] / А.С. Довбиш, С.С. Мартиненко, А.С. Коваленко, Н.Н. Будник // Международный научно-технический журнал «Проблемы управления и информатики».— 2011.— №1.— С. 140-146. 7. Use of machine learning for classification of magnetocardiograms / Embrechts M, Szymanski B, Sternickel K. [and others] //. Proc. IEEE Conference on System, Man and Cybernetics. Washington DC, October 2003. — p. 1400-5.

Надійшла до редколегії 05.07.2011 УДК 616.07:004.032.26

Сжатие и распознавание медицинской видеоинфор­мации / С.С. Мартыненко, Саад Джулгам // Бионика интеллекта: научн.-техн. журнал. — 2011. — № 3 (77). —

С. 98-101.

Рассматривается иерархический алгоритм оптими­зации параметров обучения системы распознавания изображений медицинских и биологических объектов в рамках информационно-экстремальной интеллектуаль­ной технологии, которая базируется на максимизации количества информации, полученной в процессе обуче­ния системы.

Ил.: 3. Библиогр.: 7 назв.

UDC 616.07:004.032.26

Medical video information compressing and recognition /

S.S. Martynenko, Julgam Saad // Bionics of Intelligense: Sci. Mag. — 2011. — № 3 (77). —P. 98-101.

Article presents hierarchical algorithm of learning param­eters optimization of recognition system of images of medical and biological objects. Algorithm is presented in bounds of information-extreme intelligence technology, based on maxi­mization of amount of information, gained in system learning process.

Fig.: 3. Ref.: 7 items.

в

Н.М. Кораблев1, А.А. Фомичев2

1ХНУРЭ, г.Харьков, Украина, korablev@kture.kharkov.ua 2ХНУРЭ, г.Харьков, Украина, alexandros 1985@mail.ru

intelligence

КЛАСТЕРИЗАЦИЯ ДАННЫХ МЕТОДОМ K-MEANS С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ ИММУННЫХ СИСТЕМ

В данной работе рассматривается алгоритм кластеризации данных методом k-means, функционирую­щий на основе использования искусственных иммунных систем. При определении центров k кластеров используется значение средней пороговой аффинности объектов. Для повышения скорости работы алгоритма кластеризации используются принципы клонирования граничных объектов и клонирования центров (центроидов).

ИСКУССТВЕННЫЕ ИММУННЫЕ СИСТЕМЫ, ПОСЛЕДОВАТЕЛЬНОЕ КЛОНИРОВАНИЕ, ПОРОГОВАЯ АФФИННОСТЬ, УРОВЕНЬ СТИМУЛЯЦИИ

Введение

В настоящее время проблема кластеризации данных является одной из наиболее актуальных в области информационных технологий. Среди большого количества существующих методов кла­стеризации данных одним из часто используемых является метод k-means [1, 4]. Данный метод отли­чается тем, что количество кластеров изначально известно и определяется числом k . Характерными особенностями данного метода являются его про­стота реализации и модификации. Однако методу k-means присущи некоторые недостатки пробле­ма сходимости, и, как следствие, невозможность определения времени, необходимого на кластери­зацию данных.

Для повышения скорости работы алгоритма без потери точности при классификации методом k-means предлагается использование биологических принципов организации вычислений, основанных на принципах работы искусственных иммунных систем (ИИС) [2, 3, 5]. При этом большое внима­ние уделяется определению исходных центров k кластеров, а также работе операторов клонирова­ния и мутации клонов. Характерной особенностью иммунной модификации метода k-means является ограничение количества объектов, которые будут клонированы, на основе критерия пороговой аф­финности, что значительно ускоряет работу алго­ритма.

1. Постановка задачи

Дано множество объектов n, каждый из кото­рых описывается набором признаков, и количество искомых кластеров k. Исходные объекты пред­ставляются популяцией антиген AG(ag1;...;agn). В качестве меры близости между объектами исполь­зуется критерий аффинности Aftj [2, 3, 5]:

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