Интеллектуальные информационные системы. Дубровин А.Д. - 127 стр.

                                                                         D
                    B

                                                    C




                A                                              A



              Рис. 6.1.1 Зоны областей различных образов на плоскости.

     Может показаться, что получение такого результата – задача не реальная. Тем более,
что трудно надеяться на формирование достаточно представительной обучающей выборки.
Однако это не так, потому что методы аппроксимации функции на ограниченном
множестве известных ее значений достаточно хорошо развиты и для их эффективного
применения требуется лишь правильно выбрать ограничения на класс рассматриваемых
функций.
     Одним из таких ограничений может стать гипотеза о компактности образов, которую
можно ввести в процессе обучения ИНС. Ее смысл в том, чтобы на основании знаний о ПО,
к которой принадлежат объекты, обобщаемые понятием образа, можно определить
«расстояния» между зонами разных образов. Левая картинка рис.6.1.1 явно говорит о
возможности аппроксимировать линию разделения образов А и В линейной функцией. Из
правой картинки следует, что подобная возможность имеется только для аппроксимации
линии раздела образов D и C или А и D, а образы А и С можно разделить только кривой
более высокого порядка или кусочно-линейной функцией.
      При лингвистическом подходе (он чаще всего применяется при обучении
распознаванию зрительно воспринимаемых образов) для описания образов должен быть
определен набор описаний исходных понятий и признаков, свойственных предъявленным
для обучения САРО объектам. Эти исходные понятия и признаки описываются с помощью
типовых фрагментов изображений объектов и характеристик взаимного расположения этих
фрагментов в изображениях объектов. Таким образом создается некий язык, позволяющий
строить различные логические высказывания, описывающие особенности анализируемых
объектов и позволяющие определить к какому образу принадлежит тот или иной объект.
     Лингвистический подход предполагает установление аналогии между структурой
изображения объекта и синтаксисом языка описания изображения. Достаточно сильная
аналогия дает возможность использовать методы математической лингвистики для
описания изображений. А это, в свою очередь, зависит от того, насколько удачно сделано
разделение (декомпозиция) изображения объекта на типовые фрагменты и насколько полно
и точно словарь и синтаксис языка описания изображения позволяет найти (выделить и
цельного изображения) конкретные фрагменты и отобразить их взаимное расположение.
Иными словами, мы уже в который раз убеждаемся в том, что любые системы,

                                                                                    162