Разработка автоматизированной системы распознавания образов и ее использование в решении диагностических задач

Диссертационная работа посвящена разработке методологического и теоретического обоснования методов распознавания образов, применительно к решению диагностических задач".

Полученные теоретико-методологические результаты положены в основу подхода к созданию программного обеспечения автоматизированной системы распознавания образов, использованной для решения практических диагностических задач в области медицины, психологии, геологии.

В настоящее время по проблеме распознавания проведено значительное количество исследований, представленное работами ряда специалистов, среди которых необходимо упомянуть: Айзермана М. А. [i], Александрова В. В. [2], Бонгарда М. М. [з], Вайнцвайга М. Н. [4], Вапника В. П. [б], Васильева В. И. [б], Воронина Ю. А. [7-ю], Горелика Л. А. [il], Дорофеюка A.A. [12], Журавлева Ю. И. [13,14], Загоруйко Н. Г. [I5-I8], Ивахненко А. Г. [l9,20], Ковалевского В. А. [2l], Лбова Г. С. [22], Мазурова А. Д. [23], Растригина Л. А. [24], Раудиса Ш. Ю. [25,2б], Турбовича И. Т. [27,28], Файна B.C. [29], Фомина В. Н. [зо], Шрейдера Ю. А. [31,32] и других отечественных и зарубежных специалистов [33−44].

Имея дело с конкретной задачей распознавания, обычно пытаются поставить ее, найти алгоритм для ее решения, а также оценить качество этого решения. Известны различные постановки и алгоритмы решения задач распознавания, а также способы оценки качества их решения. Нет оснований недооценивать успехи распознавания, однако можно считать, что дальнейшее продвижение в областях приложений связано с развитием теоретических представлений о задачах распознавания, включая их постановку, решение и оценку качества распознавания, с построением классификаций постановок задач распознавания, алгоритмов их решения и способов оценки качества.

Главное направление разработок по проблеме распознавания принято связывать с созданием и эксплуатацией соответствующего программного обеспечения на базе той или иной технологии разрешения этой проблемы [в, 9,11,16,19,26,33,37−40,45−48]. Причем в большинстве разработок программного обеспечения во главу угла ставится «программистский» взгляд на проблему. Как правило, обращается внимание на такие аспекты, как модульность, способ планирования вычислений, наличие языка управления, особо — на низкие требования к пользователю [26,38,49−56].

Слабо разработанным является подход к созданию программного обеспечения, опирающегося на такую технологию решения задач распознавания, которая давала бы возможность выбора постановок задач распознавания, их проверки в вычислительном эксперименте и была бы ориентирована на ведущих прикладных специалистов, ожидающих от работы с программными средствами уточнения своих методоло-го-теоретических представлений. Многими ведущими исследователями подчеркивается необходимость совершенствования такой технологии, прежде всего — с точки зрения обоснования постановки задачи распознавания и строгости оценки эффективности ее решения [3,4,6,9, 11,45−47,57−59].

В связи с вышесказанным разработку автоматизированной системы распознавания следует считать актуальной проблемой.

С 1972 года автор под руководством Ю. А. Воронина и при учаетии Е. Н. Черемисиной проводил исследования по разработке так называемой новой технологии распознавания.

Распознавание обычно принято толковать как разнесение объектов исследуемого множества описанных векторами значений неких свойств ¿-С по образам ^ при условии, что задано конечное число примеров такого разнесения или материал обучения Множество свойств измерено, как правило, в различных шкалах (о шкалах подробно изложено в [во])&diamsПри детализации такого представления различные исследователи поступают различно. В новой технологии эта детализация проводится следующим образом".

Среди свойств 21,, которые приписываются объектам а. из Лесть свойства, для непосредственного определения которых требуются большие или малые затраты времени и средств на наблюдения, высокая или низкая квалификация исследователей" Под косвенными свойствами из 21 объектов а. из цЦг понимаются такие свойства, которые для своего непосредственного определения требуют малых затрат времени и средств, низкой квалификации исследователей" Все остальные свойства считаются прямыми. По характеру определения своих значений свойства ?1 объектов, а из / делятся на объектив-г ные и субъективные. Прямые объективные свойства из ?1 объектов, а из называются задающими образы, косвенные объективные свойства объектов называются распознающими образы, а все субъективные свойства объектов — предетавляющими образы.

Будем говорить о проблеме предсказания, когда речь идет об определении значений прямых свойств из Й. объектов й из / через их (объектов) косвенные свойства. Когда при таком определении важным является экономия времени, будем говорить о прогнозе, когда важным является экономия средств — о диагнозе. В тех случаях диагноза, при которых прямые свойства из йС объектов о. из & оказываются в слабых шкалах (наименования и (или) порядка), будем говорить о слабом диагнозе. Если при этом отсутствует готовая форма математической модели, связывающей прямые и косвенные свойства объектов О, из и нет возможности получить ее за счет дедуктивного вывода, то будем говорить о распознавании вообще. Если при этом прямые свойства объектов, а из Фг являются объективными, то будем говорить о распознавании.

Таким образом, в новой технологии распознавания используются представления, несколько отличные от общепринятого толкования распознавания.

Распознавание ниже понимается как определение прямых свойств сированный момент времени, когда речь идет только об экономии средств на измерения. Прямые свойства измеряются в слабых шкалах, прямые и косвенные свойства определяются объективно, отсутствует связывающая их математическая модель, имеется исходный эмпирический материал и общие априорные представления о характере упомянутой математической модели.

Распознавание рассматривается как сложный творческий процесс прежде всего потому, что он связан с построением математической модели, который обязательно направляется некоторыми заранее фиксированными нормативами. Предполагается, что распознавание проводится в целях, во-первых, совершенствования теоретических и эмпирических средств оперирования с, а из во-вторых, в установлении значений прямых свойств и, в-третьих, объяснения связи прямых и косвенных свойств.

В новой технологии распознавания в качестве основного норматива выступает сценарий взаимодействия пользователя и исполнителя или общая схема распознавания, введенная впервые в работе [45]. Эта общая схема опирается на особым образом фиксированные представления о задачах вообще и задачах распознавания в частности, и на представления о процессе их решения, отраженные в работах [37,61−66]. В соответствии с этой схемой процесс решения задач распознавания делится на пять стадий:

1) анализ задачиой ситуации распознавания;

2) постановка задачи распознавания;

3) построение решения задачи распознавания, его исследование и оптимизацияиз объектов косвенные свойства из 21 в фик.

4) анализ качества решения задачи распознавания;

5) выяснение возможности повышения эффективности распознавания, объяснение результатов, вывод следствий, фиксация результатов и следствий.

Каждая из этих стадий делится на подстадии и этапы, а этапы, в свою очередь, делятся на подэталы и операции. Важно, что при новой технологии общая схема распознавания фактически включает не одну, а несколько таких схем, ориентированных на различные классы пользователей с учетом их целевых установок, квалификации и возможностей дополнительного сбора эмпирических данных.

Все используемые общие схемы строятся из необходимости ответить на три главных вопроса:

1) Какие объекты, а из / имеет смысл распознавать на ЭВМ в данной ситуации, в частности, при данном материале обучения ^о?

2) К какому образу принадлежит распознаваемый объект, а из/?

3) Какова надежность распознавания каждого объекта Оиз с учетом тех или иных критериев надежности?

Необходимо подчеркнуть, что вопрос (2) строится в таком режиме, который обеспечивает наиболее рациональное использование всех, в том числе и субъективных свойств из объектов, а из Лг и любых представлений пользователя об образах.

Вначале на основе некоторых представляющих свойств из ¿-С объектов й из / формулируется предварительный ответ на вопрос (2) для всех Л из Лг, затем, за счет проверки гипотез, формулируется прямой ответ на вопрос (2) лишь для некоторых а, из Л на основе задающих свойств из объектов си из /, а далее формулируется окончательный ответ на основе распознающих свойств из объектов л из / для всех, а из Л. В первом случае мы говорим о представлении образов, во втором случае — о их задании, в третьем случае — о их распознавании. Для оценки качества задания и распознавания образов используются в принципе разные подходы.

Существенно, что в новой технологии распознавания использование алгоритмов задания образов и алгоритмов их распознавания нормируется заранее принятыми условиями: допустимости (соответствия некоторым общим методолого-теоретическим требованиям) — рациональности (соответствия некоторым частным теоретическим требованиям) — эффективности (соответствия эмпирическому материалу). Придерживаясь так называемой «слабой» теории распознавания [б1,9], которая говорит о том, когда и как можно распознавать на ЭВМ, но не говорит о том, как именно нужно это делать в конкретных ситуациях, автор считает, что в новой технологии распознавания наиболее важными являются условия рациональности, формулировка которых не должна опираться на ошибки распознавания на материале экзамена [67].

При разработке новой технологии распознавания предполагалось, что успех распознавания зависит только от выбора распознающих свойств и мер сходства по этим свойствам [68−71]. При выборе совокупности распознающих свойств и меры сходства по этой совокупности использовались некие особые представления о типах, подтипах, модификациях и видах мер сходства. Существенно, что вопрос о выборе вида меры сходства и вопрос об оценке параметров мер сходства фиксированного вида рассматривается раздельно [69−71].

Предполагается, что процесс распознавания реализуется на основе заранее созданной автоматизированной системы распознавания, отвечающей новой технологии распознавания. При этом автор опирался на идеи Ю. А. Воронина и др., отраженные в ряде публикаций [46,64,72,73], в которых поднимаются и анализируются вопросы повышения успешности внедрения разработок автоматизированных сис.

— ТОтем распознавания в практику исследовательских и производственных работ. Разработка вышеупомянутой автоматизированной системы должна опираться на предварительно построенную общую схему распознавания. Эта схема рассматривается как методолого-теоретичес-кая основа автоматизированной системы распознавания. Эта основа может быть различной по числу стадий, подстадий, этапов и детальности их описания.

Известно, что задачу распознавания можно рассматривать, как задачу оптимизации, зависящую от ряда параметров (способа отыскания информативной совокупности, выбора мер сходства, выбора решающих правил и т. п.), упоминаемых в работах [6,8,27,28,30,68−70, 74 и др.]. Опираясь на вышесказанное и то, что в новой технологии фактически используется несколько общих схем распознавания, будем говорить, что общая схема может быть представлена формально классом алгоритмов распознавания или обобщенным алгоритмом. Если зафиксировать параметры задачи распознавания, то из обобщенного алгоритма можно получить некоторый частный алгоритм, соответствующих условиям фиксации. В этом смысле будем говорить об обобщенном параметрическом алгоритме. Обобщенный параметрический алгоритм рассматривается как вычислительная основа автоматизированной системы распознавания [75,7б]. Эта основа может быть различной по гибкости (числу возможных вариантов проведения этапов и подэтапов), удобству (возможности представления и преобразования всех данных, включая любые промежуточные), простоте, экономичности и пр.

Автор считает, что любая автоматизированная система распознавания должна иметь явно фиксированные по определенным правилам методолого-теоретические и вычислительные основы. Сравнение автоматизированных систем распознавания предполагается, прежде всего, по методолого-теоретической основе. По вычислительной основе имеет смысл сравнивать только такие автоматизированные системы распознавания, которые имеют почти одинаковые методолого-теоре-тические основы.

Создание автоматизированных систем распознавания в новой технологии распознавания понимается как многошаговый процесс. В начале создается первый вариант автоматизированной системы распознавания, назначение которого состоит, во-первых, в накоплении опыта по распознаванию на прикладных и модельных задачах, во-вторых, в разработке программ для построения второго варианта, в-третьих, в тренинге прикладных пользователей и разработчиков, в-четвертых, в выработке методолого-теоретического обеспечения стратегии построения второго варианта. Затем строится второй вариант автоматизированной системы распознавания и так далее.

Существенно, что на основе любого варианта автоматизированной системы распознавания можно получить производственную модификацию этой системы, ориентированную только на эффективное решение конкретных задач распознавания.

В данной работе новая технология распознавания рассматривается узко: имеются в виду только так называемые голотипные решающие правила [74]. Иначе говоря, предполагается, что каждый образ представляет собой в пространстве распознающих свойств совокупность «простых» компонент связности (выполнено условие локальной компактности) [77]. К автоматизированной системе предъявлены следующие требования [46,75,76]:

I) возможность выбора различных постановок задач распознавания;

2) возможность экспериментальной проверки частных постановок задач распознавания;

3) возможность гибкого, технологичного оперирования параметрами задачи распознавания, данными;

4) возможность накопления опыта решения задач распознавания.

В работе представлены результаты построения автоматизированной системы, удовлетворяющей требованиям (1)-(4) на базе языковой экспликации обобщенного параметрического алгоритма распознавания, ориентированного, в основном, на голотипный подход.

Из сказанного выше вытекают следующие основные цели:

1. Предложить методолого-теоретическое обоснование элементов новой технологии разрешения проблем распознавания, учитывающей представления о различных классах пользователей и общей схеме постановки и решения задач распознавания.

2. Провести теоретическое обоснование элементов новой технологии разрешения проблем распознавания.

3. Разработать системное и проблемное математическое обеспечение варианта автоматизированной системы распознавания, отвечающего новой технологии, снабженной входным языком и интерпретатором с него, информационно-поисковой и решающей подсистемами.

4. Провести численные эксперименты с системой на тестовых задачах и ее опробование на прикладных геологических, медико-биологических и психолого-педагогических задачах.

5. Наметить дальнейшие пути развития новой технологии разрешения проблем распознавания.

В методическом плане автор следовал общим представлениям исследования операций, а также методолого-теоретическим разработкам ведущих специалистов по проблеме распознавания, в первую очередь — Бонгарда М. М., Журавлева Ю. И., Загоруйко Н. Г. и Турбо-вича И. Г. Во многом работа опирается на результаты научного руководителя Воронина Ю. А., связанные с решением задач распознавания в геологоразведке, медицине и спорте.

Обычно в распознавании выделяют три формальных подхода: вероятностно-статистический, детерминированно-статистический и структурно-лингвистический. При развитии новой технологии распознавания автор опирался на несколько модифицированные представления о типах формальных подходов. Если для всех распознаваемых объектов о. из Луказываются вероятности принадлежности ко всем образам Л будем говорить о вероятностном распознавании. Если для всех распознаваемых объектов, а из Л указывается только принадлежность к одному из образов будем говорить о детерминированном распознавании, если же дополнительно указываются некие показатели надежности принадлежности, то будем говорить о надежном детерминированном распознавании. Данная работа отвечает последнему подходу.

Научная новизна.

1. Построены элементы новой технологии, которая ориентирована на:

— пользователей автоматизированной системы распознавания таких, которых интересует не только хорошее распознавание совокупности конкретных объектов распознавания -¿-Ар, но и уточнение ме-тодолого-теоретических представлений о множестве распознаваемых объектов;

— сложные задачи распознавания, когда заведомо известно, что совокупность косвенных свойств С/ нуждается в преобразовании, материал обучения Дг0 мал и может содержать ошибки распознавания;

— совокупность представляющих свойств из, включающую любые субъективные свойства;

— объекты распознавания эмпирически заданные матрицами «пробы-координаты-свойства» и «срезы-время-свойства», особым образом преобразованные к векторам значений свойств;

— целевые (искомые) объекты о.^А', составляющие незначительную часть от всех объектов.

2. Уточнена общая схема постановки и решения задач распознавания в виде последовательности стадий (анализа задачной ситуации, постановки задачи, решения задачи, анализа решения задачи, повышения эффективности распознавания) и этапов.

3. Проведено теоретическое обоснование ряда этапов и стадий постановки задачи путем:

— фиксации одного класса мер сходства между объектами, описание которых представлено свойствами, измеренными в различных шкалах;

— разработки критерия, позволяющего качественно оценить сложность структуры исследуемого множества и грубо оценить эффективность алгоритма распознавания.

4. Предложен обобщенный параметрический алгоритм распознавания за счет редукции класса локальных алгоритмов.

5. Предложена экспликация обобщенного алгоритма в виде языка с формальной грамматикой для постановки и решения задач распознавания, включающего как технологию процесса распознавания, использующую качественные и количественные критерии оценки результатов решения задач, так и основные понятия распознавания.

6. Построен и апробирован вариант автоматизированной системы распознавания, ориентированный на новую технологию разрешения проблемы распознавания, включающий интерпретатор с входного языка, информационно-поисковую и вычисляющую подсистемы. Этот вариант автоматизированной системы расчитан на стыковку с другими автоматизированными системами, разрабатываемыми в лаборатории «Вычислительных методов в геологоразведке» ВЦ СО АН СССР.

Практическая ценность работы состоит в том, что:

1. Введенные элементы новой технологии позволяют уточнить исходные условия и ограничения на стадии анализа задачной ситуации, что повышает успешность решения распознавательских задач.

2. Разработанный формальный язык, описывающий новую технологию разрешения проблемы распознавания, включающий основные понятия теории распознавания, облегчает проведение: численных модельных экспериментов, реальных расчетов, интенсификации обучения, а также может служить основой дальнейшего развития языковых экспликаций распознавания.

3. Построенный вариант автоматизированной системы распознавания:

— позволяет выполнять диагностические процедуры в широком спектре научно-практических приложений, уже использующих или предполагающих использование распознавания;

— обеспечивает возможность создания на ее основе производственных систем, в которых фиксируется вариант алгоритма, ориентированный на эффективное решение конкретной задачи распознавания.

4. Оригинальное системное и программное обеспечение автоматизированной системы распознавания, разработанное автором для ЭВМ БЭСМ-6 (фрагменты для ЕС ЭВМ) внедрено и используется в настоящее время в пяти учреждениях и организациях Академии наук, МИНГЕО СССР, MB и ССО РСФСР.

Определенные выше возможности автоматизированной системы апробированы на некоторых частных геологических, медико-биологических и психолого-педагогических задачах. Совокупный экономический эффект от внедрения автоматизированной системы распознавания составил 190 тыс. рублей. Эффективность результатов, полученных за счет использования автоматизированной системы, отражена в справках об экономическом эффекте от использования программного обеспечения.

Связь с планами научно-исследовательских работ. Диссертационное исследование проводилось в соответствии с планами НИР Вычислительного центра СО АН СССР (в рамках темы Гос. per. № 72 025 901 «Разработка теории поиска полезных ископаемых на основе комплексных геологических данных»), Северо-Восточного комплексного НИИ ДВНЦ АН СССР (в рамках особо важной научно-технической проблемы 0.80.16.01.14, Постановление ГКНТ СМ СССР $ 390 от 5 ноября 1976 года и Распоряжение Президиума АН СССР № I0I03 от 31 января 1977 года, тема Гос. per. № 76 084 964 «Разработать и ввести в эксплуатацию автоматизированную систему обработки данных и управления научными экспериментами в области геологии в СВКНИИ ДВНЦ АН СССР»), Института биологических проблем Севера ДВНЦ АН СССР по теме «Психологические и психофизиологические особенности адаптации человека к условиям Севера», Гос. per. № 70 043 048.

Автоматизированная система постановки и решения задач распознавания включена, в целях дальнейшего развития, в планы НИР в рамках особо важной целевой комплексной научной программы 0.Ц.025 «Создание сети обработки и передачи данных на базе новых и развиваемых вычислительных центров коллективного пользования (ВЦКП) и вычислительных центров отраслей народного хозяйства в качестве первой очереди государственной сети вычислительных центров (ГСВЦ) и общегосударственной сети передачи данных (ГСПД)». Постановление ГКНТ, ГОСПЛАНА СССР и Президиума АН СССР от 12 декабря 1980 года № 474/250/132. Задание 07.03.08. Тема «Разработать и ввести в эксплуатацию вычислительную систему коллективного пользования (ВСКП)» Гос. per. № 81 052 296. Раздел «Разработка, освоение и внедрение ППП и отдельных программ, эксплуатируемых в ВСКП» .

Использование автоматизированной системы является основой для проведения машинного анализа данных в исследованиях выполняемых в Институте биологических проблем Севера ДВНЦ АН СССР по проблеме Союзного значения «Межведомственные проблемы наркологии». Темы: «Генодемографическая характеристика больных алкоголизмом на Крайнем Северо-Востоке СССР» и «Клинико-эпидемиологические характеристики для создания модели нормы и патологии при злоупотреблении алкоголем (Постановление ГКНТ СМ СССР от 24 мая 1983 г. № 225, задание 04.02, этапы Н1 и НЗ).

Апробация работы. Диссертация и отдельные результаты, приведенные в ней докладывались и обсуждались на: Втором Всесоюзном симпозиуме «Математические методы в психологии и неврологии» (Ленинград, 1972), Всесоюзном совещании «Применение математических методов и ЭВМ для решения прогнозных задач нефтяной геологии» (Новосибирск, 1973), Всесоюзной конференции «Применение математических методов и ЭВМ при поиске и разведке полезных ископаемых» (Новосибирск, 1977), Второй Всесоюзной конференции по адаптации человека к различным географическим, климатическим и производстве* ным условиям (Владивосток, 1978), Первой Всесоюзной школе-семинаре «Математика в палеонтологии» (Кишинев, 1978), Шестой Всесоюзной конференции «Автоматизация научных исследований на основе применения ЭВМ» (Новосибирск, 1981), Всесоюзной конференции «Теория классификаций и анализ данных» (Новосибирск, 1981), научных семинарах ВИМС (Москва), ВСЕГЕИ (Ленинград), ВЦ СО АН СССР (Новосибирск), СВКНИИ ДВНЦ АН СССР, ИБПС ДВНЦ АН СССР (Магадан).

Публикации. Результаты исследований изложены в 19 работах (14 публикаций и 5 научно-исследовательских отчетов).

Автор защищает:

1. Методологическое обоснование и развитие элементов новой технологии разрешения проблемы распознавания (общей схемы постановки и решения задач распознавания, мер сходства между объектами, критерия оценки эффективности голотипных алгоритмов, не зависящего от ошибок на материале экзамена),.

2. Разработку обобщенного параметрического алгоритма распозна^ вания, экспликацию этого алгоритма и технологии постановки и решения задач распознавания в виде языка с формальной грамматикой.

3. Разработку и реализацию системного и проблемного программного обеспечения автоматизированной системы постановки и решения задач распознавания, отвечающего новой технологии, снабженной входным языком и интерпретатором с него, информационно-поисковой и вычисляющей подсистемами.

Основное содержание диссертации отражено в трех главах и заключении.

В первой главе рассматриваются общие методологические и теоретические вопросы построения новой технологии разрешения проблемы распознавания образов. Анализируется опыт применения алгоритмов. Вводятся представления о теоретических задачах и целях. Предлагается классификация задач распознавания. Описывается и уточняется общая схема постановки и решения задач распознавания. Проводится теоретическое обоснование этапов общей схемы постановки и решения задач распознавания.

Во второй главе описывается подход к созданию и реализация автоматизированной системы. Предлагается классификация пользователей и требования к системе. Излагается подход и правила построения обобщенного параметрического алгоритма и входного языка системы. Приводится синтаксис входного языка системы. Рассматриваются вопросы создания системного и проблемного программного обеспечения. Поясняется семантика операций входного языка.

В третьей главе кратко излагаются результаты решения прикладных задач. Рассматриваются вопросы применимости разработанной системы.

В заключении обсуждаются основные научные и практические результаты, пути и направления продолжения описанных в работе исследований.

В приложении приведены акты об использовании системы.

Основные результаты работы сводятся к следующему.

I. В методолого-теоретическом плане.

Предложено обоснование элементов новой технологии разрешения проблемы распознавания. Новая технология прежде всего разрабатывалась для расширения возможности выбора постановок задач распознавания и их проверки в вычислительном эксперименте.

Специфика новой технологии, заключается в ориентации на ведущих прикладных специалистов, ожидающих от использования математических методов и ЭВМ уточнения своих методолого-теоретических цредставлений. При этом решение задачи достигается последовательностью ответов на центральные вопросы распознавания:

1) Какие объекты имеет смысл распознавать на ЭВМ в данной ситуации, в частности — при данном материале обучения?

2) К какому образу принадлежит распознаваемый объект?

3) Какова надежность распознавания объектов с учетом тех или иных критериев надежности?

Ответ на вопрос (2) строится в режиме, обеспечивающем наиболее рациональное использование всех, в том числе и субъективных, свойств объектов и любых представлений пользователя об образах.

Успешность получения ответов на поставленные вопросы зависит прежде всего от обоснованности постановки задачи распознавания и строгости оценки эффективности ее решения. Это обоснование было проведено путем: уточнения представлений о теоретических целях и задачах — построения классификации задач распознавания для одного вида целевого свойства (номинального) — уточнения представлений о том, что значит поставить задачу распознавания — представления последовательности процедур (сценария взаимодействия пользователя и исполнителя), проводимых при распознавании, в виде общей схемы распознавания.

В соответствии с этой схемой процесс решения задач распознавания предложено делить на пять стадий:

1) анализ задачной ситуации распознавания ;

2) постановка задачи распознавания ;

3) построение решения задачи распознавания, его исследование и оптимизация ;

4) анализ качества решения задачи распознавания ;

5) выяснение возможности повышения эффективности распознавания, объяснение результатов, вывод следствий, фиксация результатов и следствий.

Стадия анализа задачной ситуации выделена впервые.

При разработке новой технологии распознавания предполагалось, что успех распознавания зависит от выбора распознающих свойств и мер сходства по этим свойствам. Для обоснования выбора мер сходства были введены представления о типах, подтипах, модификациях и видах мер сходства. Вопрос о выборе вида меры сходства и вопрос об оценке параметров мер сходства фиксированного вида рассматривались раздельно. Численное исследование одаого аксиоматически зафиксированного класса мер сходства продемон-стрщювало возможность улучшения качества решения задачи распознавания путем подбора оптимальных параметров мер. С той же целью — улучшения качества решения — был разработан и исследован критерий, позволяющий качественно оценить сложность структуры исследуемого множества и грубо оценить эффективность алгоритма распознавания.

Задача распознавания рассматривалась как задача оптимизации, зависящая от ряда параметров (способа отнесения информативной совокупности, выбора мер сходства, выбора решающих правил и т. п.). Этот взгляд послужил основой того, что в новой технологии общая схема была формализована классом алгоритмов или обобщенным алгоритмом. При зафиксированных параметрах задачи распознавания из обобщенного алгоритма можно получить конкретный алгоритм, соответствующий условиям фиксации. В этом смысле введено понятие об обобщенном параметрическом алгоритме.

2. В алгоритмическом и программном плане.

Разработана автоматизированная система, опирающаяся на предварительно построенную общую схему распознавания. Эта схема рассматривалась как методолого-теоретическая основа автоматизщю-ванной системы распознавания. Обобщенный параметрический алгоритм рассматривался как вычислительная основа автоматизщюван-ной системы распознавания.

Создание автоматизированных систем распознавания в новой технологии распознавания понимается как многошаговый процесс. В начале создается первый вариант автоматизированной системы распознавания, назначение которого состоит, во-первых, в накоплении опыта по распознаванию на прикладных и модельных задачах, во-вторых, в разработке программ для построения второго варианта, в-третьих, в тренинге прикладных пользователей и разработчиков, в-четвертых, в отработке методолого-теоретического обеспечения стратегии для построения второго варианта. Затем строится второй вариант автоматизированной системы распознавания, и так далее.

Существенно, что на основе любого варианта автоматизированной системы распознавания можно получить производственную модификацию этой системы, ориентщюванную только на эффективное решение конкретных задач распознавания.

В автоматизированной системе реализованы возможности: выбора различных постановок задач распознавания — экспериментальной проверки частных постановок задач распознавания — гибкого технологичного оперирования параметрами задачи распознавания и данными — накопления опыта решения задач распознавания. При разработке программного обеспечения системы были построены: обобщенный параметрических алгоритм распознавания путем редукции класса локальных голотипных алгоритмов — экспликация обобщенного параметрического алгоритма в виде языка с формальной грамматикой для постановки и решения задач распознавания, включающего как технологию процесса распознавания, так и понятия распознавания образов — вариант автоматизированной системы распознавания, ориентированный на новую технологию разрешения проблемы распознавания, включающий интерпретатор с входного языка, информационно-поисковую и вычисляющую подсистемы. 3. В плане приложений.

В диссертации рассмотрены результаты применения автоматизированной системы для решения диагностических задач. Эти задачи были выбраны, во-первых, с целью расширения сферы приложения уже разработанных для геологии методических приемов и программного обеспечения — во-вторых, в связи с их особой человековедческой актуальностью — в-третьих, как «полигон» для испытания новых методических приемов и теоретических элементов, развиваемых в рамках новой технологии.

Анализ решения задач показал, что использование субъективных свойств и представлений пользователя об образах порождает «каскад» различных постановок задач распознавания на подмножествах исходных экспериментальных данных. Решение этих «подзадач» позволяет уточнить окончательную формулировку постановки задачи распознавания, особенно — актуальную проблему: все ли объекты экспериментально изученного множества принадлежат к исследуемому множеству.

Практическая ценность результатов, полученных при помощи автоматизированной системы постановки и решения задач распознавания образов, отражена в справках об использовании АС, цриведенных в Приложении.

4. Направление дальнейших исследований.

Развитие представлений о разрешении проблемы распознавания связано с дальнейшим теоретическим обоснованием постановки задачи номинального (порядкового, сильного) распознавания, с разработкой следующего варианта общей схемы распознавания, с увеличением ее детальности и обоснованности.

Дальнейшее развитие системы цредполагается проводить за счет создания специализированной системы манипулирования данными с позиций органической связи механизмов хранения и поиска информации с механизмами обработки. Согласно позиции, выдвинутой автором в 1977 году, под последним подразумевается: а) формирование представления данных, их структуры и осуществление поиска с помощью механизмов обработки, максимально приближенных к обобщенному параметрическому алгоритму распознавания — б) отождествление языковых средств обработки информации со средствами ее представления и манипулирования — в) представление языка в виде нескольких уровней, каждай из которых — со своей грамматикой (в соответствии со специализацией: формирование задач — управление процессом решениясобственно вычисления), и определение формальных грамматических связей между уровнями — г) представление языка как «расширяющегося», позволяющего доопределять новые понятия распознавания образов, новые типы данных и новые операторы в терминах существующих конструкций, что связано с идеей макрокоманд в языках высокого уровня.

Дальнейшее развитие системы целесообразно вести с учетом конфетных областей приложений. Предполагается сосредоточить усилия на проблемах применения распознавания образов в комплексном изучении адаптации человека к условиям Севера (согласно утвержденным планам), которое начато решением задач диагностики с помощью данного варианта автоматизированной системы. Эти проблемы способны стимулировать развитие системы, что объясняется, в частности, тем, что междисциплинарный язык в области человековедения (язык психологии и медицины) «готов» для формализации не больше, чем язык геологии и других наук о земле, а научно-гграктическая значимость проблематики не уступает значимости проблем поиска полезных ископаемых.

ЗАКЛЮЧЕНИЕ

.

В диссертации изложены результаты исследований, посвященных разработке методологического и теоретического обоснования методов распознавания образов, их программной реализации и последующего использования в прикладных диагностических задачах. Автор основывался на том, что работы в этом направлении являются актуальными и связываются с созданием и эксплуатацией соответствующих автоматизированных систем.