528

Важность распознавания образов как научного направления исследований обусловлена возможностями ее
применения при решении различных прикладных задач, встречающихся в человеческой деятельности. В статье
рассматриваются основные подходы, используемые при построении распознающих систем. Эти подходы
опираются на принципы перечисления объектов, общности их свойств и кластеризации. Для реализации этих
принципов существует ряд моделей распознавания: модели, основанные на использовании принципа
разделения; статистические модели; модели, построенные на базе математической логики; модели, основанные
на вычислении оценок; модели, построенные на принципе потенциалов. Показаны основные идеи построения
этих моделей, а также приведены их достоинства и недостатки.
 

  • Web Address
  • DOI
  • Date of creation in the UzSCI system27-11-2019
  • Read count484
  • Date of publication28-12-2015
  • Main LanguageRus
  • Pages99 - 112
Русский

Важность распознавания образов как научного направления исследований обусловлена возможностями ее
применения при решении различных прикладных задач, встречающихся в человеческой деятельности. В статье
рассматриваются основные подходы, используемые при построении распознающих систем. Эти подходы
опираются на принципы перечисления объектов, общности их свойств и кластеризации. Для реализации этих
принципов существует ряд моделей распознавания: модели, основанные на использовании принципа
разделения; статистические модели; модели, построенные на базе математической логики; модели, основанные
на вычислении оценок; модели, построенные на принципе потенциалов. Показаны основные идеи построения
этих моделей, а также приведены их достоинства и недостатки.
 

English

he importance of pattern recognition as a scientific research area is determined by the possibility of its application in
solving various applied problems encountered in human activity. The main approaches used in the construction of
recognition systems are described in this article. These approaches are based on the principle of the enumeration of
objects, their common features and clustering. To implement these principles, there are a number of recognition models:
models based on the use of the principle of separation; statistical models; models constructed on the basis of
mathematical logic; models based on the calculation of estimates; models based on the potentials’ principle. The basic
idea of constructing of these models was shown, and their advantages and disadvantages were described.
 

Ўзбек

Tismollarni tanib olishning tadqiqotlarning ilmiy yo‘nalishi sifatida muhimligi uning inson faoliyatida uchrovchi turli
amaliy masalalarni hal qilishda qo‘llash imkoniyatlari bilan belgilanadi. Maqolada tanib olish tizimlarini qurishda
foydalaniladigan asosiy yondashuvlar ko‘rib chiqiladi. Bu yondashuvlar ob’ektlarni sanab o‘tish tamoyillari, ular
xususiyatlarining umumiyligi va klasterizatsiyaga tayanadi. Ushbu tamoyillarni amalga oshirish uchun tanib olishning
bir qator modellari: bo‘lish tamoyillaridan foydalanishga asoslangan modellar; statistik modellar; matematik mantiq
asosida qurilgan modellar; baholarni hisoblashga asoslangan modellar; potentsiallar tamoyili asosida qurilgan modellar
mavjud. Ushbu modellarni qurishning asosiy modellari ko‘rsatib beriladi hamda ularning afzalliklari va kamchiliklari
keltiriladi.
 

№ Author name position Name of organisation
1 Fazilov S.K. профессор Toshkent axborot texnologiyalari universiteti
2 Mirzaev O.N. младший научный сотрудник Toshkent "Ko'ksaroy" tibbiy diagnostika markazi
3 Radjabov S.S. старший научный сотрудник Toshkent axborot texnologiyalari universiteti
№ Name of reference
1 Розенблатт Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. – М.: Мир, 1965. – 480 с.
2 Авалиани Г.В. Эвристические методы в распознавании образов. – Тбилиси: Мецниереба, 1988. – 77 с
3 Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. – М.: Наука, 1974. – 416 с.
4 Фомин В.Н. Математическая теория обучаемых опознающих систем. – Л.: Изд-во ЛГУ, 1976. – 236 с.
5 Block H.D., Nilsson N.T., Duda R.O. Determination and detection of features in patterns // In: Computer and Information Sciences. – Washington: Spartan books, 1964. – Рp. 75-100.
6 Chow C.K. An optimum character recognition system using decision functions // IRE Transactions on Electronic Computers. – 1957. – Vol. Ec-6, № 4. – Рp. 247-254.
7 Kamentsky L.A., Liu C.N. A theoretical and experimental study of a model for pattern recognition// In: Computer and Information Sciences. – Washington: Spartan books, 1964. – Рp. 194-218.
8 Ledley R., Wilson J. Concept analysis by syntax processing // Proc. Am. Documentation Inst. – 1964. – Vol. 1, №10. – Рp. 247-254.
9 Pask G. The simulation of learning and decision-making behavior// Aspects of the theory of Artificial Intelligence. – New York (USA), 1962. – Рp. 165-211.
10 Rosen J.B. Pattern separation by convex programming // T. Math. Anal. and Application. – 1965. –Vol. 10. – Рp. 123-134.
11 Window B., Smith F.W. Pattern recognizing control systems// In: Computer and Information Sciences. – Washington: Spartan books, 1964. – Рp. 288-317.
12 Winder R.O. Threshold logic in artificial intelligence // Proc. IEEE Winter General Meeting. Sessions on Artificial Intelligence. – 1963, January. – Рp. 107-128.
13 Перцептрон – система распознавания образов / Под ред. А. Г. Ивахненко. – Киев, 1975. – 418 с.
14 Ту Дж., Гонсалес Р. Принципы распознавания образов. – М.: Мир, 1978. – 414 c.
15 Царев А.Г. Принципы и методы автоматического распознавания образов // Надежность и качество: Труды международного симпозиума. 24-31 мая 2010. – Пенза, 2010. – Т. 2. – С. 455-456.
16 Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и применение. – Ташкент: ФАН, 1974. – 119 с.
17 Журавлев Ю.И. Непараметрические задачи распознавания образов // Кибернетика. – Киев, 1976. – № 6. – C. 93-103.
18 Соловьев Н.А. Тесты: теория, построение, применение. – Новосибирск: Наука, 1978. – 190 с.
19 Чегис И.А., Яблонский С.В. Логические способы контроля электрических схем // Труды МИАН СССР им. В.А.Стеклова. – М.: Изд-во АН СССР, 1958. – Т. 51. – C. 270-360.
20 Гренандер У. Лекции по теории образов: Регулярные структуры. – М.: Мир, 1983. – 432 с.
21 Гренандер У. Лекции по теории образов: Анализ образов. – М.: Мир, 1981. – 448 с.
22 Гренандер У. Лекции по теории образов: Синтез образов. – М.: Мир, 1979. – 383 с.
23 Малиновский Л.Т. Классификация объектов средствами дискриминантного анализа. – М.: Наука, 1978. – 260 с.
24 Duda R., Hart P., Stork D. Pattern Classification. – New York: John Wiley, 2001. – 680 p.
25 Ковалевский В.А. Методы оптимальных решений в распознавании изображений. – М.: Наука, 1976. – 328 с.
26 Лбов Г.С. Методы обработки разнотипных экспериментальных данных. – Новосибирск: Наука, 1981. – 160 с.
27 Камилов М.М., Фазылов Ш.Х., Нишанов А.Х. Метод выбора признаков с использованием критерия информативности Фишеровского типа // Узб. журнал «Проблемы информатики и энергетики». - Ташкент, 1992. – № 2. – C. 9-12.
28 Камилов М.М., Маматов Н.С., Худайбердиев М.Х. Методы формирования информативных признаков объектов распознавания на основе критериев Фишеровского типа// Химическая технология. Контроль и управление. – Ташкент, 2010. – № 2. – С. 64-72.
29 Фукунага К. Введение в статистическую теорию распознавания образов. – М.: Наука, 1979. – 368 с.
30 Патрик Э. Основы теории распознавания образов. – М.: Советское радио, 1980. – 408 с.
31 Субботин С.А., Олейник А.А. Выделение набора информативных признаков на основе эволюционного поиска с кластеризацией // Искусственный интеллект. – Москва, 2008. – № 4. – С. 704-711.
32 Фу К. Структурные методы в распознавании образов. – М.: Мир, 1977. – 320 с.
33 Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. – М.: Наука, 1983. – 464 с.
34 Жук Е.Е., Серикова Е.В. Эффективность пошагового дискриминантного анализа при выборе информативных признаков // Автоматика и телемеханика. – Москва, 2005. – № 11. – С. 74–88.
35 Ергалиев Д.С. Отбор информативных признаков распознавания // Надежность и качество: Труды международного симпозиума. 26 мая-1 июня 2008. – Пенза, 2008. – Т. 1. – С. 290-291.
36 Фазылов Ш.Х., Мирзаев Н.М., Раджабов С.С. Построение модели алгоритмов вычисления оценок с учётом большой размерности признакового пространства // Вестник СГТУ. – Саратов, 2012. – № 1 (64), вып.2. – С. 274-279.
37 Фазылов Ш.Х., Мирзаев Н.М., Мирзаев О.Н. Об одной модели модифицированных алгоритмов распознавания типа потенциальных функций // Математические методы распознавания образов (ММРО- 14): Доклады Всероссийской конференции. – Москва, 2009. – С. 200-203.
38 Загоруйко И.Г. Методы распознавания и их применение. – М.: Советское радио, 1972. – 208 с
39 Дюран Б., Оделл П. Кластерный анализ. – М.: Статистика, 1977. –125 с.
40 Жамбю М. Иерархический кластер-анализ и соответствия. – М: Финансы и статистика, 1988. – 342 с.
41 Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. – М.: Наука, 1983. – 464 с.
42 Мандель И.Д. Кластерный анализ. – М.: Финансы и статистика, 1988. - 176 с
43 Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. – М.: Наука, 1970. – 348 с.
44 Васильев В.И. Распознающие системы: Справочник. – Киев: Наукова думка, 1983. – 230 с.
45 Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания: Некоторые аспекты. – М.: Радио и связь, 1985. – 160 с.
46 Лбов Г.С., Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений. – Новосибирск: Изд-во ИМ СО РАН, 1999. – 211 с.
47 Vapnik V. Statistical Learning Theory. – New York: John-Wiley Sons, 1998. – 732 c.
48 Хайкин C. Нейронные сети: полный курс. – М.: Вильямс, 2006. – 1104 с.
49 Журавлев Ю.И. Избранные научные труды. – М: Магистр, 2002. – 420 с.
50 Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. – М.: Фазис, 2006. – 159 с.
51 Потапов А.С. Распознавание образов и машинное восприятие. – СПб: Политехника, 2007. – 548 с.
52 Дюк В.А. Компьютерная психодиагностика. – СПб.: Братство, 1994. – 365 с.
53 Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. – Краснодар: Изд-во КубГТУ, 1999. – 318 с.
54 Камилов М.М., Мирзаев Н.М., Раджабов С.С. Современное состояние вопросов построения моделей алгоритмов распознавания // Химическая технология. Контроль и управление. – Ташкент, 2009. – № 2. – С.21-27.
55 Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. – Киев: Наукова думка, 2004. – 545 с.
56 Загоруйко Н.Г. Прикладные методы анализа данных и знаний. – Новосибирск: Изд-во Ин-та математики, 1999. – 270 с.
57 Янковская А.Е. Построение логических тестов с заданными свойствами и логико-комбинаторное распознавание на них // Интеллектуализация обработки информации (ИОИ-2002): Материалы междунар. научн. конф. 17-21 июня 2002. – Алушта (Украина), 2002. – С. 100-102.
58 Лбов Г.С., Бериков В.Б. Устойчивость решающих функций в задачах распознавания образов и анализа разнотипной информации. – Новосибирск: Изд-во Ин-та математики, 2005. – 220 с.
59 Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. – М.: Радио и связь, 1986. – 264 с.
60 Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. О математических принципах классификации предметов и явлений // Дискретный анализ. – Новосибирск, 1966. – Вып. 7. – С. 3-11.
61 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. – М.: Горячая линия-Телеком, 2007. – 452 с.
62 Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями. – Брест: БПИ, 1999. – 260 с.
63 Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей. – Брест: БПИ, 1999. – 228 с.
64 Головко В.А. Нейронная сеть для иерархической классификации образов // Идентификация образов. – Минск: ИТК, 1999. – С. 85-88.
65 Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. – М.: Горячая линия-Телеком, 2002. – 94 с.
66 Хачумов В.М. Логические элементы на нейронах // Интеллектуальные системы и компьютерные науки. – М.: Изд-во мех.-мат. фак. МГУ, 2006. – С. 297-300.
67 Яхъяева Г.Э. Нечеткие множества и нейронные сети. – М.: БИНОМ. Лаборатория знаний, 2006. – 316 с.
68 Шестаков К.М. Теория распознавания. – Минск: БГУ, 2012. – 169 с.
69 Лепский А.Е., Броневич А.Г. Математические методы распознавания образов. – Таганрог: Изд-во ТТИ ЮФУ, 2009. – 155 с.
70 Мерков А.Б. Распознавание образов: Введение в методы статистического обучения. – М.: Эдиториал УРСС, 2011. – 256 с.
71 Лапко А.В., Лапко В.А. Непараметрические модели и алгоритмы обработки информации. – Красноярск: СибГАУ, 2010. – 220 с.
72 Татур М.М., Одинец Д.Н. Классификаторы в системах распознавания: прикладные аспекты синтеза и анализа. – Минск: Бестпринт, 2008. – 165 с.
73 Шевелёв О.Г. Методы автоматической классификации текстов на естественном языке. – Томск: ТМЛПресс, 2007. – 144 с.
74 Донской В.И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. – Симферополь: ДИАЙПИ, 2014. – 228 с.
75 Dougherty G. Pattern Recognition and Classification. – New York: Springer, 2013. – 203 p.
76 Theodoridis S., Koutroumbas S. Pattern Recognition. – New York: Elsevier, 2003. – 711 p.
77 Горелик А.Л., Скрипкин В.А. Методы распознавания. – М.: Высшая школа, 2004. – 262 с.
78 Фомин Я.А. Распознавание образов: теория и применения. – М.: ФАЗИС, 2012. – 429 с.
79 Кудрявцев В.Б., Гасанов Э.Э., Подколзин А.С. Основы теории интеллектуальных систем. – М.: МГУ, 2015. – 208 с.
80 Кудрявцев В.Б., Андреев А.Е., Гасанов Э.Э. Теория тестового распознавания. – М.: Физматлит, 2007. – 320 с.
81 Бонгард М.М. Проблема узнавания. – М.: Наука, 1967. – 320 с.
82 Мазуров В.Д. Метод комитетов в задачах оптимизации и классификации. – М.: Наука, 1990. – 245 с.
83 Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы // Автоматика и телемеханика. – Москва, 1964. – Т. 25, № 6. – С. 917-936.
84 Башкиров О.А., Браверман Э.М., Мучник И.Б. Алгоритмы обучения машин распознаванию зрительных образов, основанные на использовании потенциальных функций // Автоматика и телемеханика. – Москва, 1964. – Т. 25, № 5. – С. 692-695.
85 Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Вероятностная задача об обучении автоматов распознаванию классов и метод потенциальных функций // Автоматика и телемеханика. – Москва, 1964. – Т. 25, № 9. – С. 1307-1323.
86 Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Процесс Роббинса-Монро и метод потенциальных функций // Автоматика и телемеханика. – Москва, 1965. – Т. 26, № 11. – С. 1951-1954.
87 Браверман Э.М. О методе потенциальных функций // Автоматика и телемеханика. – Москва, 1965. – Т. 26, № 12. – С. 2205-2213.
88 Браверман Э.М. Метод потенциальных функций в задаче обучения машины распознаванию образов без учителя // Автоматика и телемеханика. – Москва, 1966. – Т. 27, № 10. – С. 100-121.
89 Литваков Б.М. Аппроксимирующие свойства некоторых алгоритмов метода потенциальных функций // Автоматика и телемеханика. – Москва, 1970. – Т. 31, № 3. – С. 107-116.
90 Литваков Б.М. Экстремальный подход к определению условий сходимости алгоритмов метода потенциальных функций // Автоматика и телемеханика. – Москва, 1969. – Т. 30, № 9. – С. 98-108.
91 Чангэ Е. О некоторых алгоритмах обучения Φ-машин с использованием потенциальных функций // Автоматика и телемеханика. – Москва, 1969. – Т. 30, № 11. – С. 115-118.
92 Блюмин С.Л. О выборе потенциальной функции // Автоматика и телемеханика. – Москва, 1974. – Т. 35. – № 9. – С. 167-169.
93 Бак Х.К. О модели распознающих алгоритмов типа потенциальных функций// Журнал вычисл. матем. и матем. физики. – Москва, 1978. – Т. 18. – № 2. – С. 468-479.
94 Романов М.А. Экстремальные алгоритмы распознавания, использующие метод потенциальных функций // Журнал вычисл. матем. и матем. физики. – Москва, 1979. – Т. 19. – № 3. – С. 785-787.
95 Колтовой Н.А. О полноте линейного пространства распознающих операторов типа вычисления оценок и потенциальных функций // Журнал вычисл. матем. и матем. физики. – Москва, 1979. – Т. 19, № 2. – С. 496- 507.
96 Рудаков К.В. О корректности алгоритмов распознавания типа потенциальных функций // Журнал вычисл. матем. и матем. физики. – Москва, 1980. – Т. 20, № 3. – С. 737-744.
97 Бекиров Ш.У. Корректная модель распознающих алгоритмов ограниченной емкости, основанная на понятии потенциала // Журнал вычисл. матем. и матем. физики. – Москва, 1983. – Т. 23, № 4. – С. 980-989.
98 Котюков В.И. Распознавание образов в булевом пространстве / Вычислительные системы: Сб. науч. тр. – Новосибирск: ИМ СО АН СССР, 1971. – Вып. 44. – С. 23-34.
99 Дискант В.А. Алгоритмы построения правил классификации в структурно-аналитических моделях распознавания // Математические методы анализа динамических систем. – Харьков, 1983. – Вып. 7. – С. 124-127.
100 Донской В.И., Башта А.И. Дискретные модели принятия решений при неполной информации. – Симферополь: Таврия, 1992. – 166 с.
101 Манохин А.Н. О свойствах инвариантности и состоятельности алгоритмов распознавания, основанных на логических решающих функциях / Вычислительные системы: Сб. науч. тр. – Новосибирск: ИМ СО АН СССР, 1980. – Вып. 83. – С. 42-52.
102 Хант Э. Искусственный интеллект. – М.: Мир, 1978. – 560 с.
103 Quinlan J.R. C4.5: Programs for Machine Learning. – San Francisco: Morgan Kaufmann, 1993. – 302 p.
104 Вайнцвайг М.Н. Алгоритм обучения распознаванию образов «Кора». В кн.: Алгоритмы обучения распознаванию образов / Под ред. В.Н. Вапника. – М.: Советское радио, 1973. – С. 110-115.
105 Дюкова Е.В. Алгоритмы распознавания типа Кора: сложность реализации и метрические свойства // Распознавание, классификация, прогноз (матем. методы и их применение). – М.: Наука, 1989. – Вып. 2. – С. 99-125.
106 Дюкова Е.В. Дискретные (логические) процедуры распознавания: принципы конструирования, сложность реализации и основные модели. – М.: Прометей, 2003. – 29 с.
107 Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. О математических принципах классификации предметов и явлений / Дискретный анализ: Сб. науч. тр. – Новосибирск: ИМ СО АН СССР, 1966. – Вып. 7. – С. 3-15.
108 Белозерский Л.А. Классификация и решающие правила логических систем распознавания // Искусственный интеллект. – Донецк, 2002. – № 4. – С. 422-427.
109 Антамошкин А.Н., Масич И.С. Выбор логических закономерностей для построения решающего правила распознавания // Вестник СибГАУ им. акад. М.Ф. Решетнева. – Красноярск, 2014. – № 5(57). – С. 20-25.
110 Хант Э.М.Дж., Стоун Ф. Моделирование процесса формирования понятий на вычислительной машине. – М.: Мир, 1970. – 301 с.
111 Берестнева О.Г., Муратова Е.А. Построение логических моделей с использованием деревьев решений // Известия Томского политехнического университета. – Томск, 2004. – Т. 307, № 4. – С. 154-160.
112 Ветров Д.П., Кропотов Д.А., Толстов И.В. Применение принципа минимальной длины описания для обрезания бинарных решающих деревьев // Математические методы распознавания образов (ММРО-12): Доклады Всероссийской конференции. – Москва, 2005. – С. 57-60.
113 Grunwald P.D., Vitanyi P.M.B. Kolmogorov complexity and information theory. With an interpretation in terms of questions and answers // Journal of Logic, Language and Information. – New York: Springer, 2003. – V. 12, № 4. – Рp. 497-529.
Waiting