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.

  1. 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.).
  2. Символьное распознавание – это распознавание букв или цифр.
    • Optical Character Recognition (OCR);
    • Ввод и хранение документов;
    • Pen Computer;
    • Обработка чеков в банках;
    • Обработка почты.
  3. Диагностика в медицине.
    • Маммография, рентгенография;
    • Постановка диагноза по истории болезни;
    • Электрокардиограмма.
  4. Геология.
  5. Распознавание речи.
  6. 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 ( Немного истории разработки FEAR. - student2.ru ) и среднеквадратичное отклонение ( Немного истории разработки FEAR. - student2.ru ) интенсивности в изображении.

Немного истории разработки FEAR. - student2.ru


Рис. 1.1.Образы-прецеденты, соответствующие классу A (слева) и B (справа)

Немного истории разработки FEAR. - student2.ru


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.

  1. Как выбрать вектора признаков? Задача генерации признаков – это выбор тех признаков, которые с достаточной полнотой (в разумных пределах) описывают образ.
  2. Какие признаки наиболее существенны для разделения объектов разных классов? Задача селекции признаков – отбор наиболее информативных признаков для классификации.
  3. Как построить классификатор? Задача построения классификатора – выбор решающего правила, по которому на основании вектора признаков осуществляется отнесение объекта к тому или иному классу.
  4. Как оценить качество построенной системы классификации? Задача количественной оценки системы (выбранные признаки + классификатор) с точки зрения правильности или ошибочности классификации.

Немного истории разработки FEAR. - student2.ru


Рис. 1.3.Основные элементы построения системы распознавания образов (классификации)

(Статья http://www.intuit.ru/studies/courses/2265/243/lecture/6241?page=1)

Наши рекомендации