Алгоритм классификации групповых точечных объектов с неупорядоченными элементами на основе вероятностной меры близости
Ключевые слова:
групповой точечный объект, классификация, вероятностная мера близостиАннотация
Представлен алгоритм классификации групповых точечных объектов (ГТО), основанный на сравнительном анализе фрагментов искаженных образов и шаблонов ГТО. В качестве фрагментов использованы последовательности элементов ГТО различной длины. В качестве признаков классификации выступают попарные и угловые межточечные расстояния. При решении задачи классификации используется вероятностная мера близости, задаваемая экспертом с помощью функции принадлежности и закона распределения вероятности дискретных значений признаков классифицируемых объектов. Алгоритм включает следующие этапы: поиск и сравнение состава фрагментов искаженных образов и шаблонов ГТО; формирование вероятностной оценки близости искаженного образа ГТО и каждого шаблона в пространстве рассматриваемых признаков по результатам анализа каждого фрагмента; накопление полученных вероятностей по результатам анализа всех фрагментов искаженного образа; ранжирование полученных вероятностей отнесения искаженного образа к шаблонам ГТО; определение наиболее вероятного шаблона. В алгоритме предусмотрена возможность уточнения класса искаженного образа ГТО за счет использования логических правил и аналитических выражений рассматриваемой предметной области. Приведены пример и результаты применения данного алгоритма для решения задачи классификации реальных ГТО на основе анализа их фрагментов в виде последовательностей из двух и трех элементов.Литература
1. Фурман Я.А., Роженцов А.А., Евдокимов А.О. Распознавание групповых точечных объектов с неупорядоченными отметками // Автометрия. 2005. Т. 41. №1. С. 19–28.
2. Фурман Я.А., Егошина И.Л., Ерусланов Р.В. Согласованная фильтрация зашумленных дискретных кватернионных сигналов // Журнал радиоэлектроники. 2012. № 3. С. 1–35.
3. Роженцов А.А., Евдокимов А.О., Григорьев А.В. Распознавание плоских изображений групповых точечных объектов при наличии ошибок обнаружения // Изв. высш. учебн. заведений: Приборостроение. 2006. Т. 49. № 4. С. 59–64.
4. Мальцев Г.Н., Назаров А.В., Якимов В.Л. Алгоритм реконструкции фазового пространства и его применение для создания прогнозных моделей // Информационно-управляющие системы. 2014. № 2. С. 33–39.
5. Неронский Л.Б. и др. Формирование точечных моделей объектов по комплексным РСА - изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 4. С. 158–164.
6. Sharp R. Jane's Fighting Ships, 1999-2000 // Jane's Information Group. 1990. 800 p.
7. Дзенчарский Н.Л., Медведев М.В., Шлеймович М.П. Поиск изображений с выделением особых точек на основе вейвлет-преобразования // Вестник Казанского государственного технологического университета. 2011. № 1. С. 131–135.
8. Ипатов Ю.А., Кревецкий А.В. Методы обнаружения и пространственной локализации групп точечных объектов // Кибернетика и программирование. 2014. № 6. С.17‒25.
9. Szeliski R. Computer Vision: Algorithms and Applications // Springer. 2011. 812 p.
10. Фурман Я.А. Точечные поля и групповые объекты // М.: Физматлит. 2015. 440 с.
11. Furman Y.A., Eruslanov R.V., Egoshina I.L. Iterative Algorithm for angular matching of group point objects with apriori uncertainty of parameters // Pattern recognition and image analysis. 2013. vol. 23. no. 3. pp. 381‒388.
12. Воробьев С.Н., Лазарев И.В. Алгоритм распознавания конфигураций звезд // Информационно-управляющие системы. 2008. №2. С. 2–8.
13. Дубровкина М.В. Векторно-нормализованный метод распознавания групповых точечных объектов произвольной формы // Вестник Сумского государственного университета. 2009. № 4. С. 32–38.
14. Варшавский П.Р., Еремеев А.П. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений // Искусственный интеллект и принятие решений. 2009. №1. С. 45–57.
15. Уздин Д.З. О новом подходе в теории распознавания образов (состояний). Новые методы математической диагностики // М.: МАКС Пресс. 2012. 232 c.
16. Осипов Г.С. Методы искусственного интеллекта // М.: Физматлит. 2011. 296 с.
17. Kandel A., Byatt W. Fuzzy sets, fuzzy algebra, and fuzzy statistics // Proceedings of the IEEE. 1978. vol. 66. no. 12. pp. 1619–1639.
18. Зак Ю.А. Принятие решений в условиях нечетких и размытых данных: Fuzzy-технологии // М.: Книжный дом «Либроком». 2013. 352 с.
19. Смагин В.А., Парамонов И.Ю. Вероятностный критерий оценивания нечеткой энтропии // Информация и космос. 2015. №2. С. 42‒46.
20. Бураков М.В., Брунов М.С. Структурная идентификация нечеткой модели // Труды СПИИРАН. 2014. Вып. 3. С. 232–246.
21. Ходашинский И. А. Построение компактных и точных нечетких моделей на основе статистических информационных критериев // Информатика и системы управления. 2014. № 1(39). С. 99–107.
2. Фурман Я.А., Егошина И.Л., Ерусланов Р.В. Согласованная фильтрация зашумленных дискретных кватернионных сигналов // Журнал радиоэлектроники. 2012. № 3. С. 1–35.
3. Роженцов А.А., Евдокимов А.О., Григорьев А.В. Распознавание плоских изображений групповых точечных объектов при наличии ошибок обнаружения // Изв. высш. учебн. заведений: Приборостроение. 2006. Т. 49. № 4. С. 59–64.
4. Мальцев Г.Н., Назаров А.В., Якимов В.Л. Алгоритм реконструкции фазового пространства и его применение для создания прогнозных моделей // Информационно-управляющие системы. 2014. № 2. С. 33–39.
5. Неронский Л.Б. и др. Формирование точечных моделей объектов по комплексным РСА - изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 4. С. 158–164.
6. Sharp R. Jane's Fighting Ships, 1999-2000 // Jane's Information Group. 1990. 800 p.
7. Дзенчарский Н.Л., Медведев М.В., Шлеймович М.П. Поиск изображений с выделением особых точек на основе вейвлет-преобразования // Вестник Казанского государственного технологического университета. 2011. № 1. С. 131–135.
8. Ипатов Ю.А., Кревецкий А.В. Методы обнаружения и пространственной локализации групп точечных объектов // Кибернетика и программирование. 2014. № 6. С.17‒25.
9. Szeliski R. Computer Vision: Algorithms and Applications // Springer. 2011. 812 p.
10. Фурман Я.А. Точечные поля и групповые объекты // М.: Физматлит. 2015. 440 с.
11. Furman Y.A., Eruslanov R.V., Egoshina I.L. Iterative Algorithm for angular matching of group point objects with apriori uncertainty of parameters // Pattern recognition and image analysis. 2013. vol. 23. no. 3. pp. 381‒388.
12. Воробьев С.Н., Лазарев И.В. Алгоритм распознавания конфигураций звезд // Информационно-управляющие системы. 2008. №2. С. 2–8.
13. Дубровкина М.В. Векторно-нормализованный метод распознавания групповых точечных объектов произвольной формы // Вестник Сумского государственного университета. 2009. № 4. С. 32–38.
14. Варшавский П.Р., Еремеев А.П. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений // Искусственный интеллект и принятие решений. 2009. №1. С. 45–57.
15. Уздин Д.З. О новом подходе в теории распознавания образов (состояний). Новые методы математической диагностики // М.: МАКС Пресс. 2012. 232 c.
16. Осипов Г.С. Методы искусственного интеллекта // М.: Физматлит. 2011. 296 с.
17. Kandel A., Byatt W. Fuzzy sets, fuzzy algebra, and fuzzy statistics // Proceedings of the IEEE. 1978. vol. 66. no. 12. pp. 1619–1639.
18. Зак Ю.А. Принятие решений в условиях нечетких и размытых данных: Fuzzy-технологии // М.: Книжный дом «Либроком». 2013. 352 с.
19. Смагин В.А., Парамонов И.Ю. Вероятностный критерий оценивания нечеткой энтропии // Информация и космос. 2015. №2. С. 42‒46.
20. Бураков М.В., Брунов М.С. Структурная идентификация нечеткой модели // Труды СПИИРАН. 2014. Вып. 3. С. 232–246.
21. Ходашинский И. А. Построение компактных и точных нечетких моделей на основе статистических информационных критериев // Информатика и системы управления. 2014. № 1(39). С. 99–107.
Опубликован
2016-10-10
Как цитировать
Каплин, А. Ю., Коротин, А. А., Назаров, А. В., & Якимов, В. Л. (2016). Алгоритм классификации групповых точечных объектов с неупорядоченными элементами на основе вероятностной меры близости. Труды СПИИРАН, 5(48), 214-232. https://doi.org/10.15622/sp.48.11
Раздел
Алгоритмы и программные средства
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
