Інформаційно-екстремальний алгоритм функціонування системи розпізнавання об’єктів на місцевості з оптимізацією параметрів екстрактора ознак 15 61-69

Abstract

UK: Актуальність теми статті полягає в тому, що питання вибору параметрів екстрактора ознак та алгоритму класифікаційного аналізу за умов апріорної невизначеності, ресурсних та інформаційних обмежень є недостатньо дослідженим і в повній мірі досі не вирішене. Мета статті – підвищити в інформаційному та вартісному сенсі ефективність функціонування автономної системи розпізнавання об’єктів на місцевості, що функціонує в режимах навчання та екзамену за умов обмежених обсягів навчальної вибірки шляхом оптимізації параметрів екстрактора ознак та класифікатора спостережень. Методи дослідження базуються алгоритмах цифрової обробки та аналізу зображень для формування дескрипторів об’єктів інтересу, на принципах математичної статистики та теорії інформації для оцінки функціональної ефективності вирішальних правил, положеннях теорії популяційних алгоритмів для оптимізації параметрів системи та сканування зображень. Результати – розроблений алгоритм машинного навчання з грубим двійковим кодуванням спостережень та модифікація ройового алгоритму оптимізації параметрів функціонування системи розпізнавання дозволяє отримати за вибірками малого обсягу вирішальні правила з достовірністю, що наближається до граничного максимального значення. При цьому експериментально показано перевагу використання ройового алгоритму сканування зображень, яка полягає у трикратному підвищенні швидкодії порівняно з відомими алгоритмами RASW та ESS. Висновки. Запропоновано метод синтезу інформаційно-екстремального класифікатора зображень з грубим двійковим кодуванням розріджених гістограм частоти появи візуальних слів, що дозволяє одержати обчислювально ефективні вирішальні правила. Удосконалено метод популяційного пошуку для настроювання параметрів екстрактора ознак, що дозволяє отримати оптимальні в інформаційному та вартісному сенсі параметри функціонування системи розпізнавання за декілька ітерацій роботи алгоритму. Практична цінність результатів полягає в отриманні робочих алгоритмів проектування здатної навчатися системи розпізнавання зображень, що функціонує за умов ресурсних та інформаційних обмежень. EN: Context of this article topics is that the issue of the choice of parameters of the extractor features and classification analysis algorithm in conditions of a priori uncertainty, resource constraints, and information is not enough studied and in full has not been decided so far. Objective: to increase efficiency of functioning autonomous system of recognition in information and cost sense which functions in the modes of training and examination in the conditions of limited volumes of the training dataset by optimization of parameters feature extractor and classifiers. Methods of a research are based on algorithms of digital processing and analysis of images for formation descriptors of interest objects, on the principles of mathematical statistics, the theory of information for assessment of functional efficiency of decision rules, provisions on the theory based on population search algorithms for optimization parameters of scanning images system. Results: the developed machine learning algorithm with rough observations binary coding and modification swarm optimization algorithm recognition system operating parameters allow to obtain for small volume dataset decision rules with reliability which approaches boundary maximum value. This experiment shows the advantage of the use swarm algorithm for scanning images, which is three-fold increase in performance compared to known algorithms RASW and ESS. Conclusions. Proposed method for the synthesis of information extreme classifier of images with rough binary encoding of sparse histogram of frequency of occurrence of visual words, to provide a computationally efficient decision rules. Improved method based on population search to adjust parameters of the extractor features that allows you to get the best value in the information and cost meaning of the parameters functioning system recognition of images in a few iterations of the algorithm work. The practical value of the results is to obtain well-functioning designing algorithms capable of learning image recognition, which operates under conditions of resource limitations and information.