Розпізнавання образів із вчителем і без учителя

Діагностування ГПА з використанням методів розпізнавання образів

Розглянемо метод діагностування

Особливістю цього метода є наявність у ньому алгоритму класифікації. Всі методи, які були розглянуті до цього часу, також включали класифікатор. Але на відміну від методів, де встановлення діагнозу було прерогативою людини, у методах, які будуть розглянуті зараз, постановка первинного діагнозу буде відбуватися без участі людини. При цьому деякі з методів навіть не передбачають можливості аналізу проміжних результратів, на основі яких було поставлено той або інший діагноз.

Для створення таких методів діагностування використовуються підходи, розроблені у тероії розпізнавання образів.

Розпізнавання образів у широкому значенні складається в автоматичному розпізнаванні всіляких систематичних повторювань, що зустрічаються, скажімо, в технічних, економічних даних або у даних наукових досліджень; розпізнавання цих систематичних повторювань досягається в результаті використання методів розпізнавання образів. У результаті розпізнавання досліджуваний об’єкт повинний бути віднесений до визначеного класу.

Дискретні, нечіткі і безупинні класи

Класи, що виникають у результаті реалізації процесу розпізнавання, можуть бути дискретними (об'єкт або належить, або не до деякого класу) або нечіткими (об'єктам ставляться у відповідність функції приналежності до класу – наприклад імовірність того, що ГПА справний). У випадку нечітких класів деякий об'єкт може характеризуватися приналежністю до одного або декількох класів. Підходи, засновані на нечітких поняттях, можуть виявитися корисними для рішення задач розпізнавання, якщо класи мають нечіткий характер. Вони можуть також відігравати роль проміжних засобів при вирішенні задач розпізнавання, причому рішення закінчується переходом до дискретних класів (у число яких входить клас «відмова від розпізнавання» або сумнівна область). При переході до дискретного класу необхідно додатково визначити умови та критерії проведення дискретизації.

Класифікація

Клас - група об’єктів, що характеризуються набором загальних властивостей. Прикладами класів є "Чоловік" - "Жінка". В техніці це "Справний ГПА" – "Несправний ГПА" або "ГПА у якого деградована проточна частина", "ГПА з руйнуванням підшипника" і т.д.

Класифікація включає всі процеси, що закінчуються вказівкою приналежності об’єкту до класу. Класифікація включає також прості процеси, в основі яких лежить, наприклад, використання деякого обмірюваного і деякого граничного значень (приклад, визначення того, чи знаходиться значення вібрації в припустимих межах). Але часто процес класифікації не є строго формалізованим. Наприклад класифікація з допомогою нейроних мереж відбувається в умовах відсутності контролю користувача за параметрами нейроної мережі.

Розпізнавання образів із вчителем і без учителя

При розпізнавання образів можна говорити про два різні підходи.

1. Для кожного з відмінних один від одного образів і задаються приклади s_i₁, s_i₂,..., причому кожному ставиться у відповідність мітка, що вказує на клас C_i, до якого він належить. Множину таких прикладів називають навчальною множиною. Цю множину доцільно використовувати в процесі розробки системи розпізнавання. Говорять, що така система має вчителя, що знає, до яких класів насправді відносяться відповідні приклади. У процесі навчання система повинна навчитися відображати (так добре, як це можливо) вхідну інформацію в «правильні» класи. Система, однак, повинна відображати й інші вхідні дані, що не входять в навчальну множину – у відповідні «правильні» класи. Отже, повинна бути передбачена можливість узагальнення для того, щоб не тільки елементи навчальної множини, але і всі можливі припустимі вхідні дані відображалися системою у відповідні правильні класи.

Основное требование набору данных: Навчальна множина повинна бути репрезентативна щодо всіх можливих вхідних даних. Результат розпізнавання залежить також від розміру навчальної множини (статистика).

2. Випадок розпізнавання без учителя виникає, якщо приклади, що підлягають аналізу, не мають мітки, що вказує їхню приналежність до класу (навчання без учителя).

Самонавчання приводить взагалі до більш складних рішень задачі, ніж навчання. Тому для спрощення задачі самонавчання вводяться алгоритми оцінювання, максимально зручні для практики.

Якщо навчальні вектори не класифіковані, то одна з перших задач при навчанні складається у визначенні числа категорій. Пример. Рис.1.1. Наприклад, чи повинні бути вибірки класу 3 віднесені до класів, як показано безперервною лінією на рис.1.1? На це питання можна відповісти, якщо є апріорні данні

Рисунок 1.1. - Приклад трьох кластерів некласифікованих вибірок

Розпізнавання класу ТС, що базується на визначенні відстані від точки до n найближчих сусідів

У разі, коли є досить велика репрезентативна вибірка даних, що досить повно описує певний клас ТС ГТД, для класифікації нової точки, може вистачити декількох (принаймні однієї) точки з вибірки.

Послідовність визначення ТС у такому разі полягає в наступному.

В наявності є класифікована діагностична вибірка ознак ТС, яка включає достатню кількість прикладів можливих технічних станів. Кожен приклад включає N ознак ТС. При класифікації розраховується відстань від набору ознак ТС, який описує поточний ТС ГПА, до кожної точки діагностичної вибірки (рис...)

Після обчислення дистанції до всіх точок обираються n найближчих до діагностованої точок.

Як клас, до якого належить поточна точка приймається клас до якого належить більшість обраних сусідів. У разі, якщо кількість сусідів, за якими визначено клас точки, менше заданого рівня (наприклад менше половини від загального числа врахованих сусідів) точка відноситься до невизначеного класу ТС

Як можна бачити з викладеного одним з основних питань використання цього метода є вибір міри відстані між об’єктами. Найбільш часто використовуються такі міри:

- евклідова відстань