ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Journal influence

Higher Attestation Commission (VAK) - К1 quartile
Russian Science Citation Index (RSCI)

Bookmark

Next issue

2
Publication date:
16 June 2024

Reinstruction method of subjects classes recognition algorithms

The article was published in issue no. № 4, 2009
Abstract:The article presets a task solution method of statistical description correction of recognition subjects in space of criterions. Using this method allow to increase degree of certainty of maken decisions by recognitions algorithms at the expense of additional criterial information account.
Аннотация:В статье представлен метод решения задачи корректировки статистического описания объектов распознавания в пространстве признаков. Использование данного метода позволяет повысить достоверность решений, принимаемых алгоритмами распознавания за счет учета дополнительной признаковой информации.
Authors: (arep@cps.tver.ru) - , Ph.D, (all_my_mail@mail.ru) - , () -
Keywords: space of criterions, reinstruction method
Page views: 7152
Print version
Full issue in PDF (4.85Mb)

Font size:       Font:

Формирование образов распознаваемых объектов осуществляется путем статистической обработки многократных наблюдений (измерений) значений признаков распознавания и формализации их в виде генеральной совокупности для каждого объекта [1]. При синтезе алгоритма распознавания генеральная совокупность значений фиксируется и, как правило, в дальнейшем не корректируется. Однако в процессе дальнейшего наблюдения за объектами любого класса появляется дополнительная признаковая информация, в том числе и принципиально отличающаяся от информации, полученной ранее. В связи с этим алгоритм распознавания должен обладать свойством адаптации к изменяющимся признаковым образам, то есть должен дообучаться. Под дообучением будем понимать процесс корректировки образного описания распознаваемых объектов на основе поступающей текущей признаковой информации и принятия решений о ее принадлежности.

Цель работы заключается в разработке метода дообучения алгоритмов распознавания на основе анализа дополнительной признаковой информации.

Если предположить, что априорные образы не являются абсолютно стабильными, то в процессе получения текущей измерительной признаковой информации, аппроксимируемой функцией плотности распределения для признака x – fтек(x), и отнесения ее с соответствующими вероятностями ко всем возможным M образам объектов из анализируемой совокупности необходимо корректировать априорные функции плотности каждого i-го образа – fi(x).

Пусть априорный образ fi(x) был сформирован в результате NS испытаний. Площадь k-го  столбца априорной гистограммы определяется из выражения:

    (1)

где Nk – количество испытаний, попавших в k-й столбец априорной гистограммы;  – координата центра k-го столбца априорной гистограммы; Dx – элемент вероятности, соответствующий ширине столбца гистограммы.

Получение текущего образа fтек(x) в процессе наблюдения за объектом физически означает наличие в признаковой области дополнительного испытания.

При получении единичного текущего распределения fтек(x) площадь соответствующего столбца DSk выражается как

,                (2)

где DNk – числовая доля текущего испытания, попавшего в k-й столбец априорной гистограммы.

Общее количество испытаний составляет NS+1. Следовательно, площадь столбца аддитивного распределения (совокупности априорного и текущего) представляется как

                                  (3)

где  – трансформированное априорное распределение, характеризующее образ i-го объекта.

Проведя преобразования с учетом (1–3), получаем выражение вида

                     (4)

трансформированный образ математически выражается как

               (5)

Если было получено n текущих образов, то трансформация априорного образа примет вид

(6)

Однако такое представление справедливо при условии, что наблюдаемые текущие образы однозначно относятся к i-му объекту. В случае несоблюдения этого условия необходимо трансформировать априорные образы с учетом апостериорных вероятностей , означающих вероятности отнесения j-го текущего образа к i-му априорному распределению. Расчет величин может производиться с использованием известной формулы Байеса [2]:

                            (7)

Учитывая весовые коэффициенты в виде значений Pij (7), выражение (5) запишется как  а формула (6) в виде

Расчеты показателей качества распознавания с использованием процедуры дообучения проводились для условий, когда объектами выступают радиоэлектронные средства – источники радиоизлучений. В качестве априорных образов рассматривались одномодальные функции плотности распределения вероятностей случайных значений

частоты излучений радиоэлектронных средств. После реализации процедуры дообучения априорные образы трансформировались в полимодальные функции плотности, характеризующие законы распределения частот излучения в различных режимах работы радиоэлектронных средств. Для фиксированных условий проведения расчетов значения показателей качества изменялись в пределах единиц процентов.

Таким образом, откорректированное статистическое описание объектов распознавания в пространстве признаков на основе поступающей дополнительной информации позволяет адаптировать алгоритмы. Это дает возможность более адекватно представлять объекты их статистическими образами, что, в свою очередь, приводит к повышению достоверности вырабатываемых решений. 

Литература

1.   Левин Б.Р. Теоретические основы статистической радиотехники. В 3 кн. М.: Сов. радио, 1975.

2.   Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1968.


Permanent link:
http://swsys.ru/index.php?page=article&id=2378&lang=en
Print version
Full issue in PDF (4.85Mb)
The article was published in issue no. № 4, 2009

Back to the list of articles