2.4. Сопоставление объектов: постановка, семантика, прагматика
Сопоставление объектов, по Аткинсону Р. [27, 28], основано на сопоставлении образов центральной нервной системой человека, выполняющей операции 1,2, 3:
зрительное совмещение исходных образов;
выделение в совмещённом образе ядра;
сравнение совмещённого образа и ядра по известным и уже апробированным ранее геометрическим яркостным и цветовым признакам.
Исходы по сопоставлению образов 1, 2, 3:
отсутствие сходства - образы не похожи друг на друга;
многозначное сходство - один образ похож на несколько образов;
однозначное сходство - один образ похож на другой и не похож на остальные.
Имеется семантика двух объектов: (2.6)
.
По аналогии сопоставления образов центральной нервной системой человека, в прагматике сопоставления объектов выполняются следующие операции над
совмещение образов
выделение ядра
сравнение совмещённого образа и ядра, то есть вычисление степени сходства:
L = Bel()/Bel(),или
L=Bel[MAX()]/Bel[MIN()],(2.7)
Выражение L определяет степень сходства .
Имеется семантика набора m эталонных объектов и одного k опытного объекта:
= {()},
(2.8)
В прагматике проведем экспертизу эталонов – то есть, сравним между собой p-й и q-й эталоны –
={()} и=,p,q, по степени сходства
Bel[MAX ()]/Bel[MIN()]p,q(2.9)
Выражение определяет степень сходства p-го и q-го эталонов.
По матрице определим порог степени сходства
L0 = MIN(), p, q = (p +1.(2.10)
В результате экспертизы эталонов определён порог степени сходства L0, при котором сходство не противоречит исходным данным в наборе эталонов. Теперь НМk сравним с каждым эталоном НМj и получим набор степеней сходства {Lj}:
{Lj} =Bel[MAX()]/Bel[MIN()](2.11)
Выражение {Lj} определяет степень сходства НМk с каждым эталоном из набора НМj, . Затем найдём максимумы - глобальныйLmax = MAX({Lj}) и локальный Lmax2 = {{Lj}\ Lmax},. По этим результатам определены условия исходов по сходству:
Отсутствие сходства – объект НМk не похож ни на один эталон из набора НМj: {Lj}<L0, ;
Многозначное сходство - объект НМk похож на несколько эталонов из набора НМj: Lmax2L0;
Однозначное сходство, объект НМk похож на один из эталонов из набора НМj: LmaxL0,Lmax>Lmax2.
Предельно допустимая ошибка сходства равна:
= Lmax – MAX(Lmax2, L0). (2.12)
- Предисловие
- Список использованных сокращений
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Часть 2.
- Глава 2. Методы представления знаний с использованием
- Часть 3.
- Глава 3. Интеллектуальные технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- Часть 4.
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4.1. Переработка и использование информации в реальных условиях функционирования агрегатов
- Часть 5.
- Список использованных сокращений и обозначений
- Введение:
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Формализация объекта и парадигмы
- 1.3. Множества и перечень базовых операций над множествами
- Перечень базовых операций над множествами
- Области определения функций
- Обратная функция
- Теорема
- Мера и нечеткая мера
- Задача построения нечетких мер
- Нечеткие множества: определение и формы записи в операциях и
- 1.7.Функции доверия и правило Демпстера а.Р.,[23]
- 1.8. Нормировка функций в теории нечётких множеств
- 1.9. Нечёткие отношения: прямая и обратная задачи
- Глава 2. Методы представления знаний с использованием приближенных и нечетких множеств
- 2.1.Нечеткие вычислительные технологии
- 2.2.Семантика объекта: определение и типизация
- 2.3.Создание Базы знаний: постановка, семантика, прагматика
- 2.4. Сопоставление объектов: постановка, семантика, прагматика
- 2.5.Распознавание объектов: постановка, семантика, прагматика
- 2.6. Управление процессом представления знаний
- Нечёткие множества: субъективность и неточность
- 2.8.Нечеткая алгебра
- 2.9.Нечеткие иерархические отношения
- 2.10.Естественность операций max и min
- 2.11.Нечеткая статистика
- 2.12. Совместимость и нечеткое ожидание
- Глава 3. Нечеткие технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- 3.2. Обработка нечетких данных как неопределенных чисел
- Методология представления агрегата в виде комплексного механизма
- 3.2.2. Описание исходной информации на языке размытых множеств
- Размытость интервалов, ограничений, критериев и целей управления в эксплуатации и диагностике
- 3.3.3. Размытые ограничения, цели и оптимизация работы агрегата в условиях нечеткой информации о состоянии
- Анализ информации для диагностики и оценивания состояния механизмов
- 3.5. Оценки погрешностей измерений и наблюдений за состоянием агрегатов
- Влияние погрешностей исходных данных на погрешности диагноза
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4. 2. Управление и идентификация на объекте в условиях неопределенности информации на основе знаний, получаемых при функциональной диагностике
- Тогда множество диагностических признаков g также будет нечетким
- 4.3.Представление и использование чётких и «размытых» знаний в математических моделях оценивания состояния агрегатов, на основе функциональной диагностики
- 4.3.1.Формализация решения задачи оценивания состояния
- 4.3.2. Особенности решения задач контроля и функционирования агрегата
- Глава 5. Введение в генетическое программирование
- 5.1. Введение в генетические и эволюционные алгоритмы
- 5.2. Сравнительный анализ эволюционных алгоритмов
- 5.3. Генетическое программирование
- 5.4. Перспективные направления развития гп
- Глава 6. Введение в нейронные сети
- 6.1. Алгоритмы их обучение и эластичные нейро-нечеткие системы
- 6.2. Имитация нервных клеток
- 6.3. Математическая модель нейрона
- 6.4. Обучение нейронных сетей
- 6.5. Метод обратного распространения ошибки
- 6.6. Алгоритм настройки нейронной сети
- Глава 7. Другие методы нечетких технологий для построения
- 7.1. Введение в теорию возможностей и смысла
- 7.1.1. Неопределенность и неточность
- 7.1.2. Традиционные модели неточности и неопределенности
- 7.1.3. Меры неопределенности
- 7.1.4. Меры возможности и необходимости
- 7.1.5. Возможность и вероятность
- 7.2. Языки и технологии логического программирования prolog, lisp
- Глава 8. Послесловие
- 8.1. Эволюция искусственного интеллекта для развития интеллектуальных
- 8.2.Экспертные системы нового уровня
- 8.3. Роботика
- 8.4. Преобразование речи искусственного языка
- 8.5. Интеллект муравьёв и его использование
- 8.6. Искусственная жизнь, мозг, познание, разум, память и мышление
- 8.7. Боты
- Optimizator подсистемы диагностики состояния энергоустановок, skais, для решения задач технического обслуживания
- Заключение
- Заключение
- Литература