Функціонально-статистична модель розпізнавання зображень

Abstract

Дисертаційне дослідження виконано з метою розробки нової функціонально-статистичної моделі та адаптивних методів розпізнавання електронно-оптичних зображень, що дозволяє підвищити ефективність функціонування систем розпізнавання шляхом класифікаційного настроювання електронно-оптичної системи без участі людини-оператора. На основі системного аналізу сформоване спеціальне математичне та програмне забезпечення, призначене для функціонування у системах штучного інтелекту, а розроблена модель склала основу алгоритму та програмного інтерфейсу розпізнавання зображень з урахуванням суб’єктивних особливостей досліджень. Удосконалення автоматизованої технології опрацювання даних, поєднане з комплексом методів і моделей розпізнавання образів і теорії нечітких множин, дозволяє застосовувати апаратно-програмний комплекс, що складає основу досліджень при синтезі електронно-оптичних систем штучного інтелекту. При цитуванні документа, використовуйте посилання http://essuir.sumdu.edu.ua/handle/123456789/3412

Диссертационное исследование выполнено с целью разработки новой функционально-статистической модели и адаптивных методов распознавания изображений для повышения эффективности функционирования системы за счет классификационной настройки электронно-оптической системы распознавания без участия человека-оператора. Разработанная функционально-статистическая модель позволяет на этапе системного анализа не только устанавливать отношения между элементами информационного обеспечения и информационными потоками обработки информации, но и существенно облегчает разработку алгоритмов различных режимов функционирования адаптивных систем распознавания изображений. Разработаны критерии и алгоритмы оценки функциональной эффективности процесса обучения электронно-оптической системы распознавания изображений и определены условия его проведения. Предложена рабочая модификация информационного критерия функциональной эффективности обучения адаптивной системы для двухальтернативного решения при равновероятных гипотезах. Разработанный метод адаптивного распознавания электронно-оптических изображений позволяет повысить эффективность распознавания за счет адаптации к конкретным типам исследуемых образцов, рабочих условий настройки системы и возможности оценки текущего функционального состояния электронно-оптической системы с целью его коррекции, но не исключает из контура участия человека-оператора. Основная идея обучения системы распознавания согласно принципов максимизации информации при принятии решений и квантовости формирования знаний состоит в решении задач нормализации входного математического описания объекта исследования и целенаправленной трансформации исходного нечеткого разбиения пространства признаков на классы распознавания в четкое разбиение путем оптимизации пространственно-временных параметров функционирования системы, влияющих на максимальную асимптотическую полную достоверность классификации функциональных состояний обучающейся системы распознавания. Теоретически обоснована и экспериментально подтверждена возможность построения решающего правила с достаточно высокой точностью по многомерной обучающейся матрице (погрешность 5%) при условии нечеткой компактности реализаций образа и минимального объема репрезентативной обучающей выборки, который более чем на порядок меньше обучающих выборок, используемых в статистических методах автоматической классификации. На основе системного анализа сформировано специальное математическое и программное обеспечение для функционирования в системах искусственного интеллекта, а разработанная модель взята за основу программного интерфейса распознавания изображений с учетом субъективных особенностей исследований. Усовершенствование автоматизации технологий обработки данных в комплексе с методами и моделями распознавания образов позволило использовать аппаратно-программный комплекс, составляющий основу исследований при синтезе систем искусственного интеллекта, для проектирования системы автофокусировки изображений для новых моделей растрового электронного микроскопа производства ВАТ “Selmi”. При цитировании документа, используйте ссылку http://essuir.sumdu.edu.ua/handle/123456789/3412

The dissertation research was to develop a new effective functional-statistical model and adaptive method for image recognition allowing increasing image recognition systems functioning effectiveness by using iterative operations tuning automation. On basis of the system analysis special mathematical and programming tools destined to function in a system of artificial intelligence have been created. The developed model has been used as basis for the algorithm and the programming interface for image recognition that takes into account subjective features of the research. Automated data processing technology improvement and group of methods and models from the patterns recognition and fuzzy sets theories allow utilizing hardware-software complex that forms basis for researches of artificial intelligence systems synthesis. When you are citing the document, use the following link http://essuir.sumdu.edu.ua/handle/123456789/3412