Логическая алгоритмизация выбора диагностических параметров и поиска неисправностей

Системы распознавания образов и их классификация

Под восприятием понимают процесс познания с помощью органов чувств человека или логических выводов. Очевидно, что эта операция является первичной в процедуре распознавания образов, потому что классифицировать можно лишь то, что уже осознано как совокупность признаков, которые принадлежат к однотипным объектам, процессам, неисправностям или явлениям.

Выделить объект, дефект или неисправность можно посредством восприятия и осознания одного или совокупности признаков, принадлежащих ему. Человек воспринимает эти признаки с помощью органов чувств (зрения, слуха, осязания, вкуса, обоняния) и разума. Разум играет большую роль в распознавании. Например, с целью классификации оценки габаритов какого-то объекта «на глаз» один человек может указать с погрешностью относительно действительных размеров в 5 %, а другой человек (даже с лучшим зрением) — в 10...50 %. Это объясняется приобретенным опытом, умом. Дело усложняется, если множество объектов, которые надлежит классифицировать (разбить на группы, классы), характеризуется совокупностью признаков.

Врач по совокупности признаков классифицирует (определяет) болезнь человека. Мастер-диагност по совокупности признаков знает, какие неисправности следует искать в агрегате. На основе классификации неисправностей диагност дает оценку технического состояния агрегата по классам «хорошо», «допустимо» и др. Всему этому можно научиться.

Чтобы распознавать образы, человек должен выделить образ внутреннего состояния машины и внешних условий, определить и измерять признаки образа посредством анализаторов и по этим признакам классифицировать образ. В качестве датчиков, которые связывают человека с окружающей средой, используются органы чувств: зрение, слух, осязание, вкус, обоняние (см. табл. 2.3...2.5).

К анализаторам следует отнести также разум человека, который перерабатывает, объединяет, фильтрует информацию по совокупности всех полученных признаков. При анализе совокупности признаков у диагноста интуитивно возникает «догадка» о наиболее вероятном диагнозе.

Но разум человека решает дальше не менее сложную и ответственную задачу: на базе полученной совокупности признаков он классифицирует образы. По компактности, сроку службы, надежности и другим показателям технические датчики являются менее совершенными по сравнению с органами чувств человека. Но по отдельным показателям технические датчики превосходят аналогичные показатели человека.

По классификационным признакам свойств информации разрабатывают простые системы с физически однородной информацией, сложные системы, которые используют физически неоднородную информацию, одномерные и многомерные системы.

Системы распознавания образов по методам, положенным в основу их математического, логического и программного обеспечения, можно подразделить на [ 1 ]:

  • 1. Детерминированные системы, использующие для построения алгоритмов распознавания «геометрические» меры близости, основанные на измерениях расстояний между количественными признаками объекта и эталонов классов.
  • 2. Вероятностные системы, использующие для построения алгоритмов распознавания вероятностные методы теории статистических решений. Для этого нужно иметь вероятностные зависимости между признаками объектов и классами.
  • 3. Логические системы, основанные на дискретном анализе и вычислении высказываний. Их применение сводится к решению системы булевых уравнений с использованием логических признаков объектов и нахождению неизвестной величины — класса, к которому эти объекты относятся.
  • 4. Структурные системы, использующие для построения алгоритмов распознавания системы, каждая из которых описывает структуру (строение) объекта из простых элементов. Эти элементы составляют один объект. Классификация объекта выполняется путем сравнения неизвестного объекта с эталонными классами. Такой подход часто используется при построении электронных моделей, а также в лингвистике для распознавания классов.
  • 5. Нейронные сети, использующие модели нейронов для распознавания образов. В настоящее время создан ряд искусственных нейронных сетей, которые моделируют работу мозга человека с учетом его особенностей, таких как возможность обучения и самообучения; запоминания информации, которая изменяется; укрепления связей, которые касаются верной информации, и ослабления всех других связей; забывание старой информации; параллельность процессов и многоуровневость логических рассуждений; иерархичность; нетребовательность к высокой точности; модульность (распределение на модуле в зависимости от типа сигналов и функционального выхода).

Вместе с тем не следует слишком высоко оценивать возможности нейронных сетей, так как реальный интеллект самой сложной нейронной сети не превышает уровня дождевого червя. За исключением простейших случаев, традиционные искусственные нейронные сети из-за сложности обучения не в состоянии «объяснить», как они решают задачу [1].

  • 6. Системы с использованием метода потенциалов — признак объекта рассматривается как его электрический потенциал, который уменьшается с ростом расстояния до объекта. При этом области классов объектов имеют большое числовое значение потенциала.
  • 7. Экспертные системы распознавания образов. Их применяют там, где существуют эвристические или интуитивные методы решений и нет точных алгоритмов или расчетов. Экспертная система — это совокупность компьютерных программ, которая содержит накопленные знания многих экспертов в определенной предметной области и способна в рамках этой области классифицировать объекты, давать ответы, рекомендации, советы, спрашивая при необходимости дополнительную информацию [ 1, 15].

Чаше всего экспертная система использует правила, которые имеют форму: «если... тогда... иначе...» Утверждения, как правило, имеют вероятностную оценку.

Верхний уровень этих систем является логическим, но выводы в этом делаются не методом сравнения (сравнение полученной апостериорной информации с априорной), а методом дедукции, индукции, аналогии, то есть методами, свойственными лишь человеку (см. табл. 2.1, 2.2). При этом полученные логические выводы должны порождать новые предложения; новые знания, которые пополняют базу данных и знаний.

Классы объектов у таких экспертных систем распознавания будут выглядеть как нечеткие множественные числа за счет полутонов, нюансов (например, объект почти круглой формы, нежно-розового цвета, приблизительно равный по объему тенисному шару и тому подобное). Принадлежность объектов или явлений к классам базируется на уравнениях, использующих функции эквивалентности с использованием вероятностных характеристик. Машина на базе полученной информации генерирует гипотезу о классе неизвестного объекта, которая не противоречит полученной информации. Считается, что программу в экспертных системах нужно составлять на языке LISP или Пролог [15].

Ранние приложения с использованием искусственного интеллекта были созданы для того, чтобы поместить экспертную оценку известного специалиста или опыт целой команды в базу знаний, которой позднее мог бы воспользоваться новичок или к которой мог быть обеспечен удаленный доступ. Кроме того, она могла работать на высокой скорости, не доступной человеку.

Считается, что экспертные системы, основанные на правилах, являются наилучшим выбором для производства систем баз знаний. Экспертные системы отличаются друг от друга в зависимости от их назначения. Но их основой является большая база знаний, с помощью которой делаются соответствующие выводы. Иногда может потребоваться ввод дополнительных данных пользователем, но при этом введенные данные должны соответствовать понятиям и структуре базы.

В этих системах задается алфавит классов индивидуально выбранной задачи (например, распознавание технического состояния или прогнозирование остаточного ресурса). Определяются датчики, которые необходимо использовать для определения признаков объектов, устанавливаются требования к нормализации и квантованию сигналов.

Нормализация — приведение образа к нормальным условиям с целью сравнения его с эталоном или классом технического состояния. На базе признаков, например класса технического состояния, описывается алгоритм раздела объектов на классы технического состояния, причины неисправностей и т.п.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >