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.
Classification Algorithm of Group Point Objects with Unordered Elements based on Closeness Probability Measure
Abstract
The paper presents a classification algorithm of group point objects (GPO) based on the comparative analysis of fragments of distorted images and the GPO templates. The sequences of the GPO elements of different lengths are used as fragments. The paired and angular interdot distances are used as classification signs. The probability measure of closeness, set by the expert by means of the membership function and the distribution law of probability of discrete values of classified objects signs, is used in solving a classification task. The algorithm includes the following stages: search and comparison of fragments composition of distorted images and the GPO templates; formation of a probable assessment of closeness of GPO distorted image and each template in space of the considered signs according to the analysis of each fragment; accumulation of the received probabilities on the basis of analysis results of all distorted image fragments; ranging of the received probabilities of classifying the distorted image as the GPO template; determination of the most probable template. The algorithm provides the possibility of specifying a GPO distorted image class using logical rules and analytical expressions of the considered data domain. The example and results of the algorithm application for solving a classification task of real GPO on the basis of the analysis of their fragments in the form of sequences from two and three elements are given.
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).
