СОВРЕМЕННЫЕ НЕЙРОСЕТЕВЫЕ ПОДХОДЫ ДЛЯ ИДЕНТИФИКАЦИЯ СОСТОЯНИЯ ОБОРУДОВАНИЯ

Некоторые типы задач идентификации оптических образов могут решаться при помощи методов алгебры логики [1-2]. Эти методы выступают на первый план, когда:

• отсутствуют сведения о количественном распределении объектов по пространственным, временным, весовым, энергетическим или каким-либо другим интервалам в соответствующем пространстве признаков, а в распоряжении исследователя имеются лишь детерминированные логические связи между рассматриваемыми объектами и их признаками.;
• известны распределение объектов в пространстве признаков, законы распределения ошибок измерения величин, характеризующих определенные объекты, но логические зависимости, связывающие признаки и классы объектов, сложны и не поддаются непосредственному анализу.

В логических системах идентификации классы и признаки объектов рассматриваются как булевы переменные. Таким образом, решением задачи будет сводиться к получению решения булевого уравнения.

При практическом построении систем идентификации оптических образов приходится использовать большие массивы зачастую разнородных данных о признаках объектов. Общее число классов объектов и признаков, на языке которых они описываются, может доходить до тысяч. Это вызывает значительные трудности при построении логических схем идентификации и оценке их эффективности. Для того, чтобы избежать этих трудностей, используются методы сокращения логических базисов.

Еще одним методом идентификации оптических образов является так называемый синтаксический (лингвистический) метод [1-2], называемый также методом формальных грамматик. Идея этого метода лежит в области исследования естественных языков. Первоначальной целью исследователей было научить вычислительную машину понимать естественный язык в целях удобства общения машины и человека. Основными понятиями в этом методе являются.

Грамматика – это четыре множества:

Где     V_N – множество нетерминальных символов (переменных);

  V_T – множество терминальных символов (констант);

  P – множество правил постановки или грамматических правил;

  S – начальный или корневой символ.

Язык, порождаемый грамматикой G – это множество цепочек, удовлетворяющих двум условиям:

1. каждая цепочка составлена только из терминальных символов, т.е. является терминальным предложением;
2. каждая цепочка может быть выведена из S путем соответствующего применения правил подстановки из множества Р.

Формальные грамматики можно использовать в идентификации образов, выясняя, является ли данный объект терминальным предложением какой-либо из соответствующих рассматриваемой задаче грамматик. Процедура, применяемая для этого, называется грамматическим разбором. Применяется два типа грамматического разбора – сверху вниз или снизу вверх. Вершина или корень (инвертированного) дерева — это начальный символ S. Терминальные предложения (образы) представляют нижнюю часть или листья дерева. Процедура разбора сверху вниз начинается с корневого символа S и заключается в попытках посредством повторяющегося применения грамматических правил получить заданное терминальное предложение. С другой стороны, процедура разбора снизу вверх начинается с конкретного предложения и заключается в попытках дойти до символа S с помощью инверсии правил подстановки. В каждом из этих случаев при неудачном исходе грамматического разбора заданный образ отклоняется как представляющий неправильное предложение.

В тех случаях, когда имеющиеся априорные данные о идентифицируемых объектах недостаточно полны, чтобы по ним найти определенную разделяющую поверхность, применяют обучаемые системы идентификации оптических образов [1]. Обучение осуществляется путем показа примеров с указанием принадлежности объектов тому или иному классу (обучение с учителем) или без указания (обучение без учителя). В ходе обучения система определяет множество признаков, на основе которых можно классифицировать объекты. Важно отметить, что после обучения система должна приобрести способность к опознаванию объектов не только из обучающей последовательности, но и тех, которые ей не предъявлялись.

Нейронные сети - мощный и на сегодня, пожалуй, наилучший метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена.

Различают три вида обучения:

1. Обучение с учителем – для каждого m-того входного вектора x(m) мы заранее знаем желаемый выходной вектор t(m) и используем сигнал разности между действительным выходом и желаемым e для коррекции в нужном направлении вектора весов W. Веса изменяются таким образом, чтобы минимизировать разность.
2. Обучение с подкреплением – применяется в случае недостаточности априорной информации о выходе – т.е. выходные вектора известны не полностью. Управление весами связей производится при помощи внешнего подкрепляющего сигнала.
3. Обучение без учителя – в этом случае заранее не известна реакция системы на заданный входной вектор x(m) и, следовательно, невозможно использовать вектор ошибки для коррекции весов. В этом случае сеть должна самостоятельно выделить признаки, на основе которых образы группируются в классы.

На сегодняшний день в литературе описаны различные конфигурации нейронных сетей, каждая из которых обладает своими специфическими свойствами:

1. Простой персептрон – представляет собой простую однослойную сеть без обратных связей с пороговой активационной функцией. Сети такой конфигурации способны идентифицировать объекты классов, которые могут быть разделены гиперплоскостью. Обучение является глобальным – т.е. проводится на всем множестве примеров.

2. Сети с двумя и более слоями без обратных связей – сети такого типа уже не имеют ограничений на выпуклость области решений (кроме двухслойной сети), и способны решать гораздо более сложные задачи. Например – распознавание печатного текста с точностью более 99 % [2].

3. Сети с обратными связями – обладают более широкими возможностями, чем сети без обратных связей, но при этом возникает проблема устойчивости сети. Сеть с обратными связями обладает свойствами ассоциативной памяти – т.е. по заданной части нужной информации вся информация извлекается из «памяти». Сеть с обратными связями является устойчивой, если ее матрица симметрична и имеет нули на главной диагонали.

Кроме широко описанных в литературе преимуществ, искусственные нейронные сети обладают и целым рядом недостатков. К ним относятся:

• непредсказуемость реакции – всегда сохраняется вероятность, что какой- либо входной сигнал сеть обработает неправильно, т.к. мощность обучающего множества конечна, а объекты внешней среды изменчивы и зашумлены;
• продолжительность обучения – в некоторых случаях процесс обучения сети может слишком затянуться, или сеть не обучится вообще;
• при достаточно большом количестве разделяемых классов возможны патологические ситуации, когда объем памяти, необходимый для хранения весов растет быстрее экспоненты;
• значения весов в процессе обучения могут стать слишком большими и привести сеть к потере чувствительности – параличу;
• искусственная нейронная сеть чувствительна к условиям предъявления объектов на ее вход – изображения обязательно должны быть нормализованы по размерам и интенсивности.

Список литературы:

1. Рожков С.А. Использование системы технического зрения (СТЗ-1) для обнаружения дефектов тканей/ С.А. Рожков, А.М. Бражник //Тезисы докладов областной  научно-практической конференции [“Повышение роли молодых ученых и специалистов в ускорении научно-технического прогресса”]. -Херсон: Херсонский индустриальнный институт, 1990.- С.30.
2. Рожков С.А. Методы фильтрации сигналов дефектов тканей при автоматическом контроле/ Рожков С.А., Бражник А.М., Тимофеев К.В. //Тезисы докладов областной научно-практической конференции [“Повышение роли молодых ученых и специалистов в ускорении научно-технического прогресса”]. -Херсон: Херсонский индустриальнный институт, 1990. -С.36.