Немного истории разработки FEAR.
Первоначально библиотека была разработана как демонстрационный код к книге AI Game Development: Synthetic Creatures with Learning and Reactive Behaviors Алексом Чампандардом [Alex J. Champandard]. Данную книгу отличал широкий охват тем и раскрытие большого количества идей, относящихся к программированию искусственного интеллекта для игр. К сожалению, из-за несколько сыроватого кода самой библиотеки, нестыковок примеров с текстом, многие читатели жаловались на большие сложности использования книги как учебного пособия. Однако к чести автора, он продолжил работу над библиотекой и сделал ее куда более устойчивой, структурированной и теперь пользоваться FEAR доставляет одно удовольствие.
Те, кому понравится библиотека, могут попробовать достать упомянутую книгу. Она действительно поражает широтой охвата тем и крайне интересна, хотя требует определенной подготовки для чтения.
(Статья http://www.interface.ru/home.asp?artId=1321)
Задача распознавания образов (классификации). Примеры задач распознавания образов и основные подходы к ее решению. Отличие задачи кластеризации от задачи классификации.
Предмет распознавания образов
Распознавание образов – это научная дисциплина, целью которой является классификация объектов по нескольким категориям или классам. Объекты называются образами.
Классификация основывается на прецедентах.
Прецедент – это образ, правильная классификация которого известна.
Прецедент – ранее классифицированный объект, принимаемый как образец при решении задач классификации. Идея принятия решений на основе прецедентности – основополагающая в естественно-научном мировоззрении.
Будем считать, что все объекты или явления разбиты на конечное число классов. Для каждого класса известно и изучено конечное число объектов – прецедентов. Задача распознавания образов состоит в том, чтобы отнести новый распознаваемый объект к какому-либо классу.
Задача распознавания образов является основной в большинстве интеллектуальных систем. Рассмотрим примеры интеллектуальных компьютерных систем.
- Машинное зрение. Это системы, назначение которых состоит в получении изображения через камеру и составление его описания в символьном виде (какие объекты присутствуют, в каком взаимном отношении находятся и т.д.).
- Символьное распознавание – это распознавание букв или цифр.
- Optical Character Recognition (OCR);
- Ввод и хранение документов;
- Pen Computer;
- Обработка чеков в банках;
- Обработка почты.
- Диагностика в медицине.
- Маммография, рентгенография;
- Постановка диагноза по истории болезни;
- Электрокардиограмма.
- Геология.
- Распознавание речи.
- Распознавание в дактилоскопии (отпечатки пальцев), распознавание лица, подписи, жестов.
Признаки и классификаторы
Измерения, используемые для классификации образов, называются признаками. Признак – это некоторое количественное измерение объекта произвольной природы. Совокупность признаков, относящихся к одному образу, называется вектором признаков. Вектора признаков принимают значения в пространстве признаков. В рамках задачи распознавания считается, что каждому образу ставится в соответствие единственное значение вектора признаков и наоборот: каждому значению вектора признаков соответствует единственный образ.
Классификатором или решающим правилом называется правило отнесения образа к одному из классов на основании его вектора признаков.
Пример 1. Иллюстрация понятий признаков и классификатора и идеи распознавания (классификации). Рассмотрим задачу диагностики печени по результатам инструментального исследования (рис.1.1). Доброкачественные (левый рисунок – класс A) и злокачественные (правый рисунок – класс B) изменения дают разную картину. Предположим, что имеется несколько препаратов в базе данных, про которые известна их принадлежность к классам A и B (правильная классификация). Очевидно, что образцы отличаются интенсивностью точек изображения. В качестве вектора признаков выберем пару: среднее значение ( ) и среднеквадратичное отклонение ( ) интенсивности в изображении.
Рис. 1.1.Образы-прецеденты, соответствующие классу A (слева) и B (справа)
Рис. 1.2.Распределение векторов признаков прецедентах класса A (кружки) и класса B (крестики). Признаки - средние значения и средние отклонения яркости в образах. Прямая линия разделяет вектора из разных классов
На рис.1.2 представлены изображения этих образов в пространстве признаков. Точки, соответствующие прецедентам разных классов, разделяются прямой линией. Классификация неизвестного образа (соответствующая точка изображена звездочкой) состоит в проверке положения точки относительно этой разделяющей прямой.
Практическая разработка системы классификации осуществляется по следующей схеме (рис.1.3). В процессе разработки необходимо решить следующие вопросы.
- Как выбрать вектора признаков? Задача генерации признаков – это выбор тех признаков, которые с достаточной полнотой (в разумных пределах) описывают образ.
- Какие признаки наиболее существенны для разделения объектов разных классов? Задача селекции признаков – отбор наиболее информативных признаков для классификации.
- Как построить классификатор? Задача построения классификатора – выбор решающего правила, по которому на основании вектора признаков осуществляется отнесение объекта к тому или иному классу.
- Как оценить качество построенной системы классификации? Задача количественной оценки системы (выбранные признаки + классификатор) с точки зрения правильности или ошибочности классификации.
Рис. 1.3.Основные элементы построения системы распознавания образов (классификации)
(Статья http://www.intuit.ru/studies/courses/2265/243/lecture/6241?page=1)