Cтраница 1
Алгоритм распознавания образов состоит из обучения и распознавания. В процессе обучения показываются примеры объектов и сообщается точная информация, к какому классу они принадлежат. В процессе распознавания на основе принятого в данной задаче алгоритма ( адаптащюнной модели) и полученной ранее информации решается вопрос о том, к какому классу относятся новые объекты. [1]
Алгоритмы распознавания образов состоят, как известно, из двух этапов: обучения и экзамена. На первом этапе по некоторой выборочной партии деталей с помощью программы, введенной в ЭВМ, формируются статистические зависимости, позволяющие на втором этапе с достаточной точностью относить детали контрольной партии к исходным классам. Если процент ошибок при экзамене невелик, то статистические зависимости, полученные при обучении, используются в дальнейшем для классификации деталей генеральной совокупности по областям применения. [2]
Построение локально-линейных алгоритмов распознавания образов основано на возможности определить для каждой точки х такую окрестность, в которой линейное решающее правило, построенное по обучающей последовательности векторов, принадлежащих этой окрестности, гарантирует минимальную величину среднего риска. [3]
Модели и алгоритмы распознавания образов используются при управлении технологическим процессом бурения. [4]
Управляющие параметры задают алгоритм распознавания образов и необходимые константы. Целочисленные параметры хранятся в массиве IK размерности 20 и занимают по 2 байта памяти. Действительные параметры хранятся в массиве RK размерности 20 и занимают по 4 байта памяти. [5]
В работе рассматривается алгоритм распознавания нормально распределенных образов, в котором за счет некоторого увеличения количества вычислений на стадии обучения достигается существенное его уменьшение при распознавании. Для каждого образа находится матрица, приводящая ковариационную матрицу этого образа к единичной. При распознавании неизвестного объекта находятся векторы произведения найденной матрицы на вектор объекта. Если неизвестная точка принадлежит некоторому образу, то компоненты соответствующего вектора независимы и имеют нормальное распределение с единичной дисперсией. Методами последовательного анализа находится тот вектор, для которого гипотеза о независимости компонент и единичности дисперсий имеет наибольшее правдоподобно. [6]
В отличие от алгоритмов распознавания образов и восстановления многомерной регрессии, алгоритмы восстановления одномерных зависимостей оформлены в виде подпрограмм. [7]
Решение поставленной задачи проведено по программе, реализующей алгоритм распознавания образов методом дискриминант-ной функции. Установлены численные критерии оценки фазового состояния углеводородов в недрах отдельно для юрского и мелового комплекса пород. [8]
АЛГЕБРАИЧЕСКИЙ ПОДХОД К РАСПОЗНАВАНИЮ - совокупность методов формального синтеза алгоритмов распознавания образов, составляемых из алгоритмов, не обязательно обоснованных формально. Возможность анализа разнообразных алгоритмов с единой точки зрения основана на том факте, что многие известные алгоритмы распознавания представляют собой суперпозицию двух алгоритмов. [9]
В этой области снова прибегают к математическим приемам и компьютерным алгоритмам распознавания образов, прежде всего - кластерному и факторному анализу. Заметим, что эти же подходы часто применяют и к построению такой математической модели объекта, которая определяет связь состава и свойств последнего. Данная задача лежит уже вне рамок аналитической химии, но тесно к ней примыкает и нередко обсуждается в литературе по химии. [10]
Вычисляет теоретическую оценку качества классификации векторов для каждого из восьми алгоритмов распознавания образов. Подпрограмма CRIT в зависимости от значения управляющего параметра IKL осуществляет выбор одной из восьми своих ветвей. Каждая ветвь осуществляет вычисление критерия качества GR для одного из алгоритмов распознавания образов по формулам, приведенным в гл. [11]
Эта подпрограмма используется в алгоритме восстановления регрессии ЛОР и в алгоритме LOKOP распознавания образов ( см. § 7 гл. Текст подпрограммы приведен в § 7 гл. [12]
Большое значение для разработки систем искусственного зрения, создания автоматизированных систем диагностики, обнаружения дефектов имеет разработка алгоритмов распознавания образов. [13]
Задача распознавания образов состоит в отнесении предъявляемых объектов к одному из классов по некоторым признакам, принимающим вполне определенное значение для каждого класса. Алгоритм распознавания образов состоит из обучения и распознавания. В процессе обучения показываются примеры объектов и сообщается точная информация о том, к какому классу они принадлежат. В процессе распознавания на основе принятого в данной задаче алгоритма ( адаптационной модели) и полученной ранее информации решается вопрос о том, к какому классу относятся новые объекты. [14]
Применялись программы, реализующие алгоритмы распознавания образов, разработанные в отделе дискретного анализа Института математики СО АН СССР под руководством д-ра физ. [15]