Теория и алгоритмы распознавания образов. Учебное пособие

Description

Современные информационные системы и технологии включают в себя большое количество процедур, моделирующих или поддерживающих процесс интеллектуального анализа данных. К простейшим процедурам такого типа относится любая классификация количественных данных по заданным пользователям критериям, более сложные обеспечивают анализ сцен, процессов, явлений с целью выделения объектов с заданными характеристиками или свойствами. В книге рассматриваются основные концепции теории распознавания образов, а также методы и алгоритмы распознавания, применяемые при классификации многомерных количественных данных. Большая часть этих методов возникла практически одновременно с появлением ЭВМ и в настоящее время составляет «классическую» часть любого курса по распознаванию образов. Учебное пособие предназначено для студентов, обучающихся по специальности «Информационные системы в геодезии и картографии», а также специализирующихся в области дискретной математики и математической информатики. Теория и алгоритмы распознавания образов. Чабан Л.Н. М.: МИИГАиК. 2004. 70 с. Содержание Введение 1. Основные понятия теории распознавания образов 2. Принципы построения систем распознавания образов 3. Особенности систем и методов распознавания в задачах тематической обработки данных ДЗ 4. Основные принципы построения систем распознавания данных ДЗ 5. Задача классификации образов, представленных набором измеряемых параметров. Геометрическая и аналитическая интерпретация 6. Группировка образов с использованием функций расстояния (кластерный анализ). Задачи кластерного анализа в тематической обработке данных ДЗ 6.1. Методы выявления (выращивания) кластеров 6.2. Кластеризация при заданном количестве групп. Алгоритмы класса ISODATA 6.3. Дисперсионно-ковариационные критерии качества кластеризации 7. Выбор признаков. Корреляционный анализ данных 7.1. Элементы факторного анализа. Метод главных компонент 8. Статистический подход к задаче распознавания. Элементы теории статистических решений 8.1. Байесовская стратегия минимального среднего риска 8.2. Байесовская стратегия в условиях неполной информации 8.3. Случай нескольких классов. Априорные и апостериорные вероятности. Формула Байеса 8.4. Байесовский классификатор для многомерного случая 8.5. Обучение статистических классификаторов. Вероятность ошибок. Меры статистической разделимости 9. Самообучающиеся системы распознавания 9.1. Алгоритм корректирующих приращений 9.2. Алгоритм минимальной среднеквадратичной ошибки (НСКО-алгоритм обучения) 9.3. Метод потенциальных функций Литература