Значительную часть работ по опознанию образов можно разбить на две группы по следующему принципу. К первой группе можно отнести те методы опознания, в которых исследователи предполагают проведение предварительной работы по установлению и отбору признаков, что и кладется в основу при разработке бионической опознающей системы или программировании универсальной вычислительной машины. Тогда ко второй группе нужно отнести методы, возлагающие задачу выбора признаков и формирования областей в пространстве образов на обучаемую машину. Конструктор только руководит процессом обучения, добиваясь желаемого результата распознавания.

Коротко о предпрограммированных системах. Почему мы говорим о предварительном программировании и что при этом имеется в виду? При обучении опознающей системы предполагается, что на этапе поиска эталонного вектора, или - окрестности, или разделяющих поверхностей происходит формирование структуры пространства образов. Предварительное программирование предполагает, что окрестность класса образов задана, или что область допустимых значений параметров предопределена. С математической точки зрения это означает, что структура пространства образов уже задана, а значит, может быть переложена на язык программы для универсальной вычислительной машины. В конечном итоге основная сложность предпрограммирования опознающей системы упирается в выбор характеристических параметров или признаков. Лишь в отдельных случаях признаки более или менее очевидны. В подавляющем большинстве случаев признаки установить вообще до сих пор не удается, и если даже это возможно в принципе, то сопряжено со значительными трудностями. Кроме того, нельзя не отметить, что наибольшие успехи в практической реализации опознающих систем достигнуты не там, где ведутся поиски инвариантных признаков, а там, где используются методы обучения опознающей системы, в ходе которых формируется структура пространства образов.

Поясним, что имеется в виду под обучением опознающей системы.

Общая схема обучения опознающей системы такова. В систему предварительно не вводится информация о том, по каким признакам или по каким правилам следует разделять входные события на классы. В ходе обучения на рецепторное устройство опознающей системы воздействуют сигналы входных событий и одновременно в систему вводится указание (и только указание) о том, к какому классу это событие следует относить. Это указание обычно вводит оператор. Возможны и другие варианты, что дает основание говорить о самообучении, но мы не будем на этом останавливаться. После прекращения обучения и при возникновении на входе машины тех или иных новых событий опознающая система должна распознавать, к какому классу они принадлежат. Достаточно очевидно, что если использовать понятия и терминологию предыдущего раздела, то обучение можно рассматривать, например, как нахождение плотностей распределения вероятностей в поле, заданном на векторном (или точечном) пространстве образов.

Особенность задачи заключается в том, что в процессе обучения опознающей системе предъявляется конечное и притом относительно небольшое количество входных событий, а система после обучения должна правильно опознавать бесконечное (или весьма большое) количество образов. Тем самым полностью исключается тривиальное решение задачи – простое запоминание событий, появившихся в процессе обучения. Машина должна «экстраполировать» информацию, полученную в процессе обучения, на новые события, которые ранее на входе никогда не возникали.

Для проведения процедуры обучения необходимо найти оптимальное решение, удовлетворяющее двум противоречивым требованиям: с одной стороны, обучающая выборка должна быть достаточно представительной, с другой стороны, обучение должно достигаться посредством не слишком длинной обучающей последовательности.

Общая схема обучения опознающей системы представляется достаточно простой. Однако не следует думать, что обучение бионической опознающей системы всегда осуществляется просто. Для того, чтобы система могла чему-либо обучиться, необходимо иметь программу обучения. Фактически дело обстоит так, что одни из этих программ работают более эффективно, другие – менее эффективно. За последние годы опубликовано значительное число логических схем программ.

Предыдущая глава: Решения задач опознания образов

Следующая глава: Примеры обучаемых опознающих систем