Автор неизвестен - Бионика интелекта информация язык интеллект№ 3 (77) 2011научно-технический журналоснован в октябре 1967 г - страница 57

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 

1

M

і-!-=0,75.

Згідено з максимально-дистанційним принци­пом теорії розпізнавання образів одним із шляхів підвищення функціональної ефективності навчан­ня системи є збільшення міжцентрових кодових відстаней. З цією метою в рамках ІЕІ-технології було проведено на етапі навчання за процедурою (1) оптимізацію рівня селекції координат еталон­них векторів-реалізацій класів розпізнавання. Гра­фік залежності усередненого значення КФЕ для заданого алфавіту класів розпізнавання від значен­ня рівня селекції р показано на рис. 4.

Рис. 4. Графік залежності усередненого КФЕ від значення рівня селекції

Аналіз рис.4 показує, що оптимальне значення рівня селекції визначається при глобальному мак­симумі КФЕ і дорівнює р* = 0,87 . Таким чином, порівняльний аналіз графіків, показаних на рис. 2 і рис. 4 дозволяє зробити висновок, що оптимізація рівня селекції дозволило збільшити значення усе­редненого КФЕ з 4,93 (при р = 0,50) до 5,68.

На рис. 5 показано графіки залежності КФЕ від радіусів контейнерів відповідних класів розпізна­вання для оптимального рівня селекції координат еталонних векторів.

Аналіз рис. 5 показує, що відновлені в процесі навчання гіперсферичні контейнери класів роз­пізнавання мають такі оптимальні радіуси: d* = 22, d2 = 3, d3* = 25 і d4 = 22. При цьому міжцентрові кодові відстані для заданого алфавіту класів роз­пізнавання відповідно дорівнюють: d( x1 © x2) =25, d(x1 © x3)=48, d(x1 © x4)=44, d(x2 © x3)=27, d(x2 ©x4)=28, d(x3 ©x4) =36, а значення серед­ньої міжцентрової кодової відстані дорівнює 35, що суттєво перевищує аналогічне значення, одер­жане при неоптимальному значенні рівня селекції (р = 0,50), яке застосовується за замовченням.

Рис. 5. Графік залежності КФЕ навчання від радіусів контейнерів класів розпізнавання: а — клас X"; б — клас X" ; в — клас X"; г — клас X4

Таким чином, усереднений коефіцієнт нечіткої компактності дорівнює l =0,68 (до оптимізації рів­ня селекції l =0,75), що свідчить про зменшення при оптимальному рівні селекції ступеня перетину класів розпізнавання.

l

Висновки

1. Оптимізація рівня селекції координат ета­лонних векторів класів розпізнавання дозволяє підвищити функціональну ефективність навчання системи розпізнавання електронограм.

2. У процесі відновлення контейнерів класів розпізнавання при оптимальному рівні селек­ції середня міжцентрова відстань збільшилася, а середнє значення коефіцієнта нечіткої компак­тності зменшилося, що відповідає дистанційно-максимальному і дистанційно-мінімальному принципам теорії розпізнавання образів.

3. Оскільки побудовані вирішальні правила не є безпомилковими за навчальними матрицями, то для підвищення функціональної ефективності на­вчання доцільно застосовувати ієрархічні схеми алгоритмів.

Список літератури: 1. Томас, Г. Просвечивающая элек­тронная микроскопия материалов: [Текст] / Г. Томас, М.Дж. Гориндж: Под ред.. Б.К. Вайнштейна: Пер. с англ. М.: Наука. Гл. ред. Физ.-мат. лит. — 1983. — 320 с. 2. Дов­биш, А.С. Основи проектування інтелектуальних систем: Навчальний посібник [Текст] / А.С. Довбиш. — Суми: Вид-во СумДУ, 2009. — 171 с. 3. Краснопоясовський, А.С. Інформаційний синтез інтелектуальних систем керу­вання, що навчаються: Підхід, що грунтується на методі функціонально-статистичних випробувань [Текст] / А.С. Краснопоясовський. — Суми: Видавництво Сум-ДУ. — 2003. — 257 с. 4. Шелехов, І. і?.Вибір базового класу при розпізнаванні зображень [Текст] / І. В. Шелехов, К. В. Барило // Вісник Сумського державного університе­ту. Серія Технічні науки. — 2010. — № 3, Т. 2. — С. 95-102.

5. Довбиш, А.С. Інформаційно-екстремальний метод розпізнавання електронограм [Текст] / А.С. Довбиш, С.С. Мартиненко // Вісник Сумського державного університету. Серія: Технічні науки.— 2009. — № 2. —

С. 85-91.

Надійшла до редколегії 26.08.2011

УДК 004.93'1

Оптимизация уровней селекции координат эталонных векторов при распознавании электронограмм / Е.В. Бари­ло // Бионика интеллекта: науч.-техн. журнал. — 2011. — № 3 (77). — С. 107-111.

В статье рассматривается алгоритм оптимизации уровня селекции координат эталонных векторов-реализаций классов распознавания для заданного алфавита в рамках информационно-экстремальной интеллектуальной технологии, которая основана на максимизации информационной способности системы распознавания. При этом исследовано влияние уровня селекции на функциональную эффективность системы распознавания изображений.

Ил. 5. Библиогр.: 5 назв.

UDK 004.93'1

Optimization of selection level of the vectors-implementa­tions coordinates in pattern recognition / K.V.Barylo // Bion­ics of Intelligense: Sci. Mag. — 2011. — № 3 (77). —P. 107­111.

In article algorithm optimization of the selection level of the vectors-implementations coordinate for the for a given class recognition alphabet by using information-extreme in­tellectual technology, which is based on maximizing the in­formation capacity of the recognition system. The selection level of the pattern vectors-implementations coordinates in­fluence on the system functional efficiency is estimated.

Fig.: 5/ Ref.: 5 items.

ХНУРЕ, г. Харьков, Украина, fuzzy16@pisem.net

ЛОКАЛЬНО-ПАРАЛЛЕЛЬНЫЙ СТЕКОВЫЙ АЛГОРИТМ БИНАРНОГО КЛЕТОЧНОГО АВТОМАТА

Приложение принципов локально-параллельной обработки информации к клеточным автоматам позволяет существенно увеличить размеры реализуемых моделей. Для полноты оперирования данными локально-параллельное представление данных должно быть дополнено алгоритмами, реализующими смену состояний ячеек для конкретных видов (вариантов) клеточных автоматов. Предложен и про­демонстрирован на тестовых примерах один из таких алгоритмов локально-параллельный стековый алгоритм бинарного клеточного автомата.

КЛЕТОЧНЫЕ АВТОМАТЫ, ЛОКАЛЬНАЯ ПАРАЛЛЕЛЬНОСТЬ, НЕЧЁТКАЯ ЛОГИКА, СТЕК

УДК 519.87

intelligence

Введение

Актуальность проблематики, связанной с мо­делированием (описанием и предсказанием по­ведения) процессов, происходящих в живой при­роде, существенно возросла в связи с осознанием мировым сообществом в последнее десятилетие серьёзных взаимосвязанных проблем в столь раз­нородных направлениях, как экология, климато­логия, демография, социология. Перспективным аппаратом компьютерного моделирования круп­норазмерных систем с распределённой обработкой информации, интерпретируемых применительно к указанным направлениям, являются клеточные ав­томаты (КА). Целесообразность применения КА для моделирования поведения систем указанного типа обусловлена простотой описания конфигу­рации и набора рабочих правил. Дополнительный выигрыш по объёму моделируемой системы и эф­фективности работы КА может быть обеспечен локально-параллельными (ЛП) алгоритмами [1]. Идеология ЛП алгоритмов совместима с принципа­ми представления нечёткой информации [2, 3]. Для этого ключевой элемент нечёткого представления функция принадлежности (ФП) дискретизи-руется и масштабируется в соответствии с числом градаций, требуемым (достаточным) для описания конкретной системы. Ввиду дискретного харак­тера и неотрицательности (по определению) зна­чений ФП, ЛП аппарат нечёткого представления данных становится принципиально применимым также к КА. В частности, при чётком описании, как частном случае нечёткого, ФП принимает одно из двух значений (0, 1), что соответствует подвиду КА бинарным клеточным автоматам (БКА) [4]. Для полноты оперирования данными необходимо дополнить аппарат описания [2, 3] ЛП алгоритма­ми, реализующими смену состояний ячеек КА для конкретных видов (вариантов) КА. Цель настоя­щей работы — разработка и исследование (оценка эффективности) ЛП варианта одной из проце­дур работы КА: стекового алгоритма определения уровня (степени) соседства ячеек БКА.

1. Клеточные автоматы

В основе КА [4] лежат следующие представле­ния. Имеется регулярная решётка ячеек. Каждая ячейка может находиться в одном из конечного множества состояний. Для ячейки определено множество соседних ячеек её окружение. Задаёт­ся начальное состояние всех ячеек и набор правил перехода ячеек из одного состояния в другое. На каждой итерации, на основе правил перехода и в соответствии с текущим состоянием соседних яче­ек, определяется новое состояние каждой ячейки. Таким образом, КА в целом последовательно сме­няет состояния (этапы, фазы жизненного цикла, поколения).

Характерно, что работа КА (переход в следую­щее поколение) необратима, как необратимы про­цессы в живой природе. Эволюционирование КА является однонаправленным, как и время в реаль­ном физическом мире. Текущее j-е состояние КА однозначно определяет последующее (/+1)-е со­стояние, но (/-1)-є состояние не может быть одно­значно восстановлено по текущемуj-му состоянию. Таким образом, КА «автоматически» воспроизво­дят важную особенность реального мира однона­правленность и необратимость времени.

Привлекательность КА в качестве аппарата мо­делирования крупноразмерных пространственно распределённых систем определяется также кон­цептуальной наглядностью, малым набором рабо­чих правил и, как следствие, простотой программ­ной реализации и визуализации процесса работы.

В БКА для записи состояния ячейки использу­ется один бит. Подбором правил работы КА допу­стимы различные варианты соседства ячеек. Рис. 1 иллюстрирует некоторые из возможных топологий БКА: ситуации с 4, 6 и 8 ячейками-соседями. Цен­тральная ячейка выделена чёрным цветом, её окру­жение (соседи) — серым.

Ориентированный граф, представленный на рис. 2, иллюстрирует совокупность правил для БКА с 8 соседями рис. 1 (в) для широко известного варианта бинарного КА «игра Жизнь» [5]. Ячейка

КА может находиться в одном из двух состояний:

0 или 1 (узлы графа). При уровне (степени) сосед­ства 3 или 4 (при наличии в окружении 3 или 4 еди­ничных ячеек) единичное состояние сохраняет­ся или 0 переходит в 1. Иначе — 0 сохраняется или

1 переходит в 0.

а б в

Рис. 1. Бинарные КА с вариантами соседства: 4 (а), 6 (б) и 8 клеток (в)

При компьютерном моделировании на КА со­держательность (репрезентативность, информа­ционная ёмкость) моделей растёт с их размерами. В частности, применительно к экологии и стати­стической биологии для моделирования поведения растительных ареалов или животных сообществ, с учётом информативности для статистической об­работки [6], представляются целесообразными модели объёмом более 104 ячеек. В связи с этим при компьютерной реализации реальной моде­ли на БКА возникает проблема экономного рас­ходования ресурсов вычислительной системы (ВС) — оперативной памяти, дискового пространства, времени работы программы и др. Сокращение расходуемых системных ресурсов эквивалентно общему сокращению затрат на эксплуатацию мо­дели. С другой стороны, экономное расходование ресурсов ВС при фиксированном общем объёме ресурсов эквивалентно повышению размера или точности модели.

VJ^ 0-2; 5-8 ^К_У 0-2; 5-8 3, 4

Рис. 2. Правила бинарного КА «игра Жизнь»

Каждая ячейка КА самостоятельно (назависи-мо) изменяется в процессе работы программы. Из­менения состояний i-й ячейки происходят, как от­мечалось, в соответствии с правилами работы КА: ячейки влияют друг на друга, взаимно обусловлива­ют свое поведение. При этом текущая информация о состоянии iячейки должна храниться отдельно от информации о состоянии других ячеек. То есть, для каждой ячейки требуется отдельный элемент хранения. Стандартные форматы хранения дан­ных — расточительны в отношении использования ресурсов ВС. Существенный выигрыш может быть обеспечен при ЛП представлении информации [2, 3].

2. Принцип локальной параллельности

Поясним принцип ЛП представления и об­работки информации. Пусть имеется два «-компонентных вектора:

A: {аь а2, аз,..., а,-,..., аи|,

B:     &2, &з,.--, bv, bn], (1)

где: iє (1, 2, 3,..., n); а,, bt —целые положительные числа, причём

аі — атах;   bi Ьтах;   атах     Ьтах. (2)

Условие (2), дополнительно налагаемое на (1), означает, что формат чисел — компонентов векто­ров — должен быть одинаковым и числа не могут быть сколь угодно большими.

Требуется найти покомпонентную сумму век­торов:

C: { сь С2, С3,..., c,-,..., Cn }; ct = аі + b,. (3) Согласно последовательной схеме, для этого должен быть выполнен следующий набор опера­ций:

Шаг 1. Начальная установка: і=1.

Шаг 2. Извлечение значения операнда а( из ре­гистра памяти, в котором он хранится.

Шаг 3. Извлечение значения операнда bt из ре­гистра памяти, в котором он хранится.

Шаг 4. Суммирование: c = а( + b,.

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