Разработка метода направленного перебора альтернатив в задачах классификации объектов на основе теоретико-информационного подхода
Диссертация
Известно, что универсальным способом решения поставленной задачи может служить статистический подход. Его наиболее ярким представителем является группа методов, объединенных общим понятием «скрытых Марковских моделей» (СММ-методы). В качестве альтернативы этим методам могут рассматриваться методы и алгоритмы обработки информации на основе многослойных искусственных нейронных сетей (ИНС). В них… Читать ещё >
Содержание
- Глава 1. Задача распознавания полутоновых изображений
- 1. 1. Статистический подход
- 1. 2. Критерий минимума информационного рассогласования
- 1. 3. Результаты экспериментальных исследований
- 1. 4. Выводы
- Глава 2. Метод направленного перебора альтернатив
- 2. 1. Метрические свойства статистики МИР
- 2. 2. Синтез алгоритма
- 2. 3. Результаты экспериментальных исследований
- 2. 4. Выводы
- Глава 3. Разработка информационной системы
- 3. 1. Архитектура информационной системы
- 3. 2. Интерфейс информационной системы
- 3. 3. Программа и результаты экспериментальных исследований
- 3. 4. Выводы
- Глава 4. Перспективы применения метода направленного перебора в других задачах классификации
- 4. 1. Задача автоматического распознавания речи
- 4. 2. Распознавание изолированных слов методом направленного перебора
- 4. 3. Задача прогнозирования рынка ценных бумаг
- 4. 4. Выводы
Список литературы
- Орлов А.И. Математические методы исследования и диагностика материалов //Заводская лаборатория. 2003. — Т.69, № 3. — С.53−64.
- Горелик A. JL, Гуревич И. Б., Скрипкин В. А. Современное состояние проблемы распознавания: некоторые аспекты. М.: Радио и’связь. -1985. -160с.
- Rosenblatt F. The Perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review, 1958. vol. 58. p. 386−408
- Завалишин H.B., Мучник И. Б. Модели зрительного восприятия и алгоритмы анализа изображений. М. Наука. — 1974 г. — 344с
- Харкевич А.А. О принципах построения читающих машин // Радиотехника. 1960. — т.15, № 2.
- Zhao W. Face recognition: A Literature Survey. CS-TR-4167. University of Maryland. Oct. 2000.
- Beymer DJ. Face recognition under varying pose. Technical report 1461. MIT A1 Laboratory. 1993.
- Adini Y, Moses Y, Ullman S Face recognition: the problem of compensating for changes in illumination direction // IEEE Trans Pattern Anal Mach Intcll 19. 1997. p.721−732.
- Аркадьев А. Г., Браверманн Э. M. Обучение машин классификации объектов. М.: Наука. -1974.
- Rabiner L., Juang. B.H. An introduction to hidden Markov models //IEEE ASSP Magazine. 1986. Vol. 3. p.4−16.
- Eickelcr S., Muller S., Rigoll G. High Performance Face Recognition Using Pseudo 2-D Hidden Markov Models // Gerhard-Mercator-University Duisburg, Germany. 1998. — 6 p. -
- Хайкин С. Нейронные сети: полный курс, 2-у изд., испр.: М.:000 «И.Д.Вильяме», — 2006. — 1104 с.
- LeCun Y., Bengio Y. Convolutional networks for images, speech and time series, in M.A.Arbib, ed., The Handbook of Brain Theory and Neural Networks. Cambridge, MA: MIT Press, 1995.
- Уоссермен Ф. Нейрокомпыотерная техника. M.: Мир. — 1992.
- Amari S., Murata N., Muller K.-R., Finke M., Yang H. Statistical theory of overtraining Is cross-validation asymptotically effective // Advances in Neural Information Processing systems. 1996. Vol.8. P.176−182.
- Komanski R., Macukow B. Problems Connected with Application of Neural Networks in Automatic Face Recognition // ICAISC 2004, LNAI 3070. 2004. P.736−741.
- Rabiner L. A tutorial on hidden Markov models // Proceedings of the IEEE. 1989. Vol. 73. P.1349−1387.
- Винцюк, Т. К. Организация вычислений при распознавании больших словарей // Автоматическое распознавание и синтез речевых сигналов: Сб. науч. тр. Киев. 1989.
- Мандель И.Д. Кластерный анализ.-М.: Финансы и статистика. 1988.
- Савченко В.В., Акатьев Д. Ю., Шерстнев С. Н., Метод оптимального обучающего словаря в задаче распознавания речевых сигналов покритерию минимального информационного рассогласования // Известия вузов России. Радиоэлектроника. 2006. — Выи.5. — С. 10−14
- Eickeler S., Jabs М., Rigoll G. Comparison of Confidence Measures for Face Recognition // Gerhard-Mercator-University Duisburg, Germany. 2000. 6 p.
- Козин H.E. Показатели сопряженности и мультиколлинеарносги в задачах анализа и распознавания изображений: Дисс.канд. тех. наук. 05.13.17 / Н. Е. Козин. Самара. 2008.
- Zhao W., Chellappa R. ed. Face Processing: Advanced Modeling and Methods. Elsevier/Academic Press, 2005. 768 p.
- Dasarathy B.V. ed. Nearest Neighbor (NN) Norms: NN Pattern Classification Techniques. Los Alamos, CA: IEEE Computer Society Press, 1991.
- Раушенбах Г. В. Анализ нечисловой информации в социологических исследованиях. М.: Наука. — 1985. — С.169−203.
- Самаль Д., Старовойтов В. Выбор признаков для распознавания на основе статистических данных // Цифровая обработка изображений. -Минск: ИТК, 1999. — С.105−114.
- Хазен Э.М. Методы оптимальных статистических решений и задачи оптимального управления. М. Советское Радиою -1968. — 256 с.
- Breiman L., Friedman J., Olshen R., Stone C. Classification and Regression Trees. New York: Chapman and Hall. 1984
- Фано P.M. Эвристическое обсуждение вероятностного декодирования // Сб. «Теория кодирования». М.:Мир.-1964.-С.166−198.
- Утробин В.А. Информационные модели системы зрительного восприятия для задач компьютерной обработки изображений. Н. Новгород: Изд-во НГТУ. — 2001.
- Патент РФ № 2 004 125 680/09, 10.10.2007. Ченлашкин В. М. Система мгновенного компьютерного распознавания объектов и способ распознавания ./Патент России № 2 308 081. 2007.
- Кульбак С. Теория информации и статистика / Пер. С англ. М.: Наука.-1967.-408 с.
- Савченко В.В. Информационная теория восприятия речи. // Известия вузов России. Радиоэлектроника. 2007. — Вып.6. — С.3−9.
- Галунов В.И., Соловьев А. Н. Современные проблемы распознавания речи // Информационные технологии и вычислительные системы. -2004.-№ 2.
- Савченко А. В. Автоматизированная система распознавания людей по фотографиям лиц Программа для ЭВМ. / Свид-во о гос. регистрации № 2 009 616 508 по заявке 2 009 615 314 от 28.09.2009.
- Савченко A.B. Распознавание изображений методом направленного перебора с применением редукции множества альтернатив // Системы управления и информационные технологии 2009. — Т.37, № 3. — С.40−47.
- Савченко В.В., Савченко A.B. Принцип минимального информационного рассогласования в задаче распознавания дискретных объектов // Известия вузов России. Радиоэлектроника.. 2005. — № 3. -С.10−18.
- Савченко A.B. Распознавание образов методом направленного перебора. // Искусственный интеллект: философия, методология, инновации. Материалы III всероссийской конференции студентов, аспирантов и молодых ученых. М.:Связь-принт". 2009. — С.312−315.
- Савченко A.B. Группирование фотографий лиц методом направленного перебора на основе принципа минимума информационного рассогласования // Тр. XIV Нижегородская сессии молодых ученых. Математические науки. Н.Новгород. 2009 — с. 24−25.
- Савченко A.B. Распознавание образов на основе принципа минимума информационного рассогласования // Тр. XII Всероссийской научно-технической конференции «Нейроинформатика-2010», Сборник научных трудов, часть 2 МИФИ. Москва, янв. 2010. с. 201−207.
- Патент РФ № 2 009 127 049/22, 27.10.2009. Савченко A.B. Устройство для распознавания изображений/Патент России № 88 171. 2009. Бюл. № 30.
- Jain A. Fundamentals of digital image processing. Prentice Hall, Englewood Cliffs. 1989.
- Цыпкин Я.З. Адаптация и обучение в автоматических системах. -М.:Наука. 1968. — 400 с.
- Devroye L., Gyorfi L., Lugosi G. A Probabilistic Theory of Pattern Recognition. Springer. New York. 1996.
- Vapnik V. The Nature of Statistical Learning Theory. Springer-Verlag, New York. 1995. i
- Маамяги A.B. Некоторые задачи статистического анализа классификаций. Таллинн: Изд-во АН ЭССР. — 1982. — 24 с.
- Papoulis A. Probability, Random Variables and Stochastic Processes, 2nd edition. New York: McGraw-Hill. 1984.
- Chien J.-T., Chen J.-C. Recursive bayesian regression modeling and learning // Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing. 2007. Vol. 2. p.557−560.
- Moghaddam В., Jebara Т., Pentland A. Bayesian face recognition // Pattern Recognition. 2000. Vol. 33 (11). p. 1771−1782.
- Rhee P.K., Jeon I., Jeong E.S. Adaptive normalization based highly efficient face recognition under uneven environments // Lecture Notes in Computer Sciencc. 2005. Vol. 3611.
- Moghaddam В., Pentland A. Maximum likelihood detection of faces and hands // International Conference on Automatic Face and Gesture Recognition. 1996.
- Gray R. Entropy and Information Theory. Springer-Verlag. New York. 1990.
- Colmenarez A. J., Huang T. S. Pattern detection with information-based maximum discrimination and error bootstrapping // Proc. Intl. Conf. on Pattern Recognition. 1998.
- Antonio J., Colmenarez T. S., Huang T.S. Face detection with information based maximum discrimination // Proc. Computer Vision and Pattern Recognition. 1997.
- Linsker R. An application of the principle of maximum information preservation to linear systems// Advances in Neural Information Processing Systems. 1989. Vol. 1. p.186−194.
- Toussaint G. On the divergence between two distributions and the probability of misclassification of several decision rules // Proc. 2nd Int. Joint conf on Pattern Recognition. 1974. p.27−34.
- Kullback S., Leibler R.A., On information and sufficiency, Ann. Math. Statist., 1951. Vol.22, p.79−86.
- Акатьев Д.Ю., Савченко В. В. Принцип минимального информационного рассогласования при различении случайных сигналов/ЛРадиоэлектроника. Изв. вузов. 2004. — № 1. — С.12−17.
- Савченко В. В. Различение случайных сигналов в частотной области // Радиотехника и электроника. 1997. — Т.42, № 4. — С.426.
- Боровков А.А. Математическая статистика. Дополнительные главы. -М.: Наука, 1984.-615с.
- Вальд А. Последовательный анализ: Пер. с англ. М.: Физматгиз. -1960.-260 с.
- Duda R. O, Hart P.E. Pattern Classification and Scene Analysis. New York: Wiley. 1966.
- Kohonen, Т. Self Organizing Maps. Springer. Berlin Heidelberg New York. 1995.
- Патент РФ № 99 115 239/09, 10.12.2000. Яхно В. Г., Нуйдель И. В., Тельных A.A., Бондаренко Б. Н., Сборщиков И. Ф., Хилько, А. И. Метод адаптивного распознавания информационных образов и система для его осуществления /Патент России № 2 160 467. 2000. Бюл. № 34. •
- Тельных A.A. Математические модели нейроноподобных сред для разработки систем обнаружения и распознавания объектов заданных классов: Дисс.канд. тех. наук. 05.13.18 / Тельных A.A. -Н. Новгород. 2009.
- Goldberg, D. Genetic Algorithms in search, optimization, and machine learning. Addison-Wesley, 1989.
- Воскобойников Ю.Е., Литвинов Л. А. Выбор момента останова в итерационных алгоритмах восстановления сигналов и изображений // Автометрия. 2004. — № 4. — С. 3−10.
- Джонсон Н., Лион Ф., Статистика и планирование эксперимента в технике и науке: Методы планирования эксперимента. М.: Мир. — 1981. — 520 с.
- Ширяев А. Н. Статистический последовательный анализ. Серия: Оптимизация и исследование операций. М.: Наука. — 1969. — 232 с.
- Савченко В. В. Автоматическое распознавание речи методом дерева на основе информационного (7? +1)-элемента // Известия вузов России. Радиоэлектроника. 2006. — Вып.4. — С. 13−22.
- Савченко В. В. Теория вероятностей и математическая статистика: конспект лекций. Н. Новгород: Нижегородский государственный лингвистический университет им. H.A. Добролюбова. — 2005. — 141 с.
- Марпл, С.Л.-мл. Цифровой спектральный анализ и его приложения. -М.: Мир. 1990.
- Levinson, S.C. Mathematical models for speech technology. // Chichester, England: John Wiley & Sons Ltd. 2005. 261 p.
- Минь H.K., Исследование эффективности адаптивных линейных предсказателей речи для низкоскоростных кодеков: Дис.канд. тех. наук 05.13.17. М., 1997.
- Shonkwiler R. W. Explorations in Monte Carlo methods. Springer, 2009-ISBN 978−0-387−87 949−9.85.http: //www.eclipse.org. (дата обращения: 05.09.2010) :
- Хемраджани А. Гибкая разработка приложений на Java с помощью Spring, Hibernate и Eclipse. М.:Вильямс. — 2008. — 352с.
- Шилдт Г. Полный справочник по Java SE 6. М: Вильямс, — 2008. -1040 с. 88.http: //www.jfree.org/jfrecchart/ (дата обращения: 05.09.2010)
- Acharya. Ray Image Processing: Principles and Applications // Wiley-Interscience, 2005. 428 p.
- Савченко В.В. Автоматическая обработка речи по критерию минимума информационного рассогласования на основе метода обеляющего фильтра // Радиотехника и электроника. 2005. — Т.50(3). -С.309−314.
- Потапова Р.К. Речь: коммуникация, информация, кибернетика: Учебное пособие: Изд. 2-е доп. М.: Эдиториал УРСС. — 2001.
- Widrow В. Adaptive sampled-data systems. A statistical theory of adaptation. WESCON Convention Record, 1959. pt.4.
- Савченко В.В., Акатьев Д. Ю., Карпов Н. В. Автоматическое распознавание элементарных речевых единиц методом обеляющего фильтра. // Известия вузов. Радиоэлектроника. 2007. — Вып.4. — С.11−19.
- Уидроу Б, Стирнз С. Адаптивная обработка сигналов // Пер. с англ. -М.: Радио и связь. 1989. — 440 с.
- Helmholtz H. Die Lehre von der Tonempfindungen als physiologische Graudlage fur die Theorie der Musik, Brounschweig. 1870.
- Goh Z., Tan K.-C., Tan B. Kalman filtering speech enhancement method based on voiced/unvoiced speech model // IEEE Trans. Speech Audio Proces. 1999. Vol.7. P.510−525.
- Gannot S., Burnstein D., Weinstein E. Iterative and sequential Kalman filter-based speech enhancement algorithms // IEEE Trans. Spcech Audio Proces. 1998. Vol.6. P. 373−385.
- Кисляков С.В. Разработка и исследование метода распознавания фонем русского языка на основе аппарата линейного предсказания: Дис.канд. тех. наук 05.12.13. СПб. 2004.
- Кильдишев Г. С. Анализ временных рядов и прогнозирование. Серия: Математическая статистика для экономистов / М.: Статистика, 1973.- 104 с.
- Мерков А.Б. О статистическом обучении. URL: http://www.recognition.mccme.ru/pub/RecognitionLab.html/slt.html (дата обращения: 01.09.2010).
- Ченцов Н. Н. Статистические решающие правила и оптимальные выводы. М.: Наука, 1972.
- Савченко В.В., Акатьев Д. Ю. Теоретико-информационное обоснование метода обеляющего фильтра в задачах автоматическогораспознавания речи. // Системы управления и информационные технологии. 2008. — № 1 (31). — С.21−30.
- Акатьев Д.Ю., Губочкин И. В., Савченко В. В. Автоматическое распознавание изолированных слов методом обеляющего фильтра с сегментированием и амплитудным ограничением сигналов переспросом // Изв. вузов России. Радиоэлектроника. 2007. — Вып. 5. — С.11−18.
- Савченко В.В., Карлов Н. В. Анализ фонетического состава речевого сигнала методом переопределенного дерева. '// Системы управления и информационные технологии. 2008. — Т, 32,№ 2. — С.297−303.
- Bellman R. Dynamic Programming. Princeton, NJ: Princeton University Press, 1957.
- Элдер A.A. Как играть и выигрывать на бирже. М.: Крон-пресс, 1996.
- Швагер Д. Технический анализ: Полный курс Technical Analysis. -М., 2009. -С.804.
- Савченко В.В. Использование линейной авторегрессионной модели для прогнозирования динамики биржевых котировок // Автометрия. 2004. — № 4. — Т.40. — С.117−128.
- Baier D., Decker R., Schmiedt-Thieme L. cd. Data Analysis and Decision Support. Springer-Verlag Berlin Heidelberg New York.
- Шевяков С.Б. Методы анализа текстур на изображении: Дисс.канд. тех. наук. 05.13.17 / С. Б. Шевяков. Н. Новгород. 2002.
- Савченко В.В., Пономарев Д. А. Автоматическая периодизация случайных временных рядов с использованием метода обеляющего фильтра // Автометрия. Т.45, № 1. — 2009. — С.56−64.
- Ebcrhart R., Kennedy J. A New Optimizer Using Particle Swarm Theory // Proc. Int. Sym. Micro Machine and Human Science, Nagoya Japan. 1995. P.39−43.
- Chen C.C. Hierarchical Particle Swarm Optimization for Optimization Problems // Tamkang Journal of Science and Engineering. 2009, Vol.12, № 3. P.289−298.
- Foon N. IT, Jin A.T.B., Ling D. N. C. Face Recognition Using Wavelet Transform and Non-negative Matrix Factorization // Proc. 7th Australian Joint Conference on Artificial Intelligence, Caims. 2004. P.192−202.
- Wilking D., Rofer T. Realtime Object Recognition Using Decision Tree Learning // Robot World Cup VIII, Lecture Notes in artificial Intelligence. 2004. 3276. P.556−563.