Разработка метода направленного перебора альтернатив в задачах классификации объектов на основе теоретико-информационного подхода - Автореферат

Специальность 05.13.18 - «Математическое моделирование, численные методы и комплексы программ» кандидата технических наук Работа выполнена на кафедре информационных систем и технологий Нижегородского филиала Государственного университета - Высшей школы экономики Официальные оппоненты: доктор технических наук, доктор экономических наук профессор Орлов Александр Иванович, кандидат технических наук, доцент Акатьев Дмитрий Юрьевич Защита состоится “25 ”ноября 2010 г. в 12.00 часов на заседании диссертационного совета Д 212.048.09 при Государственном университете - Высшей школе экономики по адресу: 105679, Москва, ул. С диссертацией можно ознакомиться в библиотеке Государственного университета - Высшей школы экономики по адресу: 101990, Москва, ул.Среди систем классификации особенно широкое распространение в настоящее время получили системы автоматического распознавания изображений. Проблема точности особенно усиливается, если объем базы эталонных данных составляет тысячи единиц, что приводит, к усложнению методов распознавания и, как следствие, невозможности реализации существующих алгоритмов ([Cover, Hart, 1968]) в режиме реального времени. Без применения современных моделей изображений и новых вычислительных методов их классификации данная проблема больших баз эталонов ([Tse, Lam, 2008]) не может быть преодолена. Со всех перечисленных точек зрения несомненный интерес представляет моделирование распознавания изображений на основе теоретико-информационного подхода ([Zhao, Chellappa, 2005]) и общесистемного принципа минимума информационного рассогласования (МИР) в метрике Кульбака-Лейблера ([Кульбак, 1967]). Основная цель диссертационной работы состоит в разработке методов ускорения вычислительной процедуры классификации в условиях большого количества альтернатив - на основе принципа минимума информационного рассогласования и предлагаемого метода направленного перебора альтернатив (МНП).Задача состоит в том, чтобы отнести вновь поступающее (на вход) изображение к одному из R классов, заданных эталонами . Так как основная информация об изображении заключается не в цвете его точек, а в количестве точек с одинаковой освещенностью, перейдем к независимой от освещения гистограмме путем сортировки элементов Hr по убыванию: и существует такая перестановка чисел (1,2,…,xmax), что . Применение этой теоретико-вероятностной модели изображения позволяет свести задачу распознавания к проверке R гипотез о распределении изображения на входе . Пороговое значение ?1 для величины информационного рассогласования при классификации дискретных объектов определяется как , где J - количество состояний классифицируемых объектов, n - число выборок, по которым оцениваются эмпирические распределения входного объекта и эталонов, ? - заданная вероятность ошибки первого рода. Для иллюстрации на рис.1 показаны две фотографии одного человека: первая - эталон (рис.1а), вторая - изображение на входе (рис 1.в).

Основное содержание работы