Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология
Образование Политология Производство Психология Стандартизация Технологии


Использование методов распознавания образов для классификации сельскохозяйственных объектов и процессов



 

Потребности комплексной механизации и автоматизации сельскохозяйственного производства вызвали необходимость создания различных методов и устройств, распознающих систем, позволяющих выделить наиболее характерные признаки и на этой основе провести классификацию. Распознавание образов (объектов, сигналов, ситуаций, явлений или процессов) представляет собой одну из наиболее распространенных задач. Например, системы технической диагностики сельхозтехники, созданные в современных центрах технического обслуживания, используют большое количество признаков и являются многоуровневыми. Вопрос, часто задаваемый аналитиками: как организовать данные в наглядные структуры? Здесь в первую очередь необходимо различать понятия классификации и кластеризации (рис. 3).

Различие заключается прежде всего в исходных данных. Классификация является наиболее простой задачей анализа данных, для ее решения выборка должна содержать значения как входных, так и выходных (целевых) переменных. Кластеризация, напротив, не требует целевых переменных в выборке. Задача классификации решается при помощи различных методов; наиболее простой из них — линейная регрессия. Поиск существующих структур — цель кластеризации (таксономии), которая предназначена для разбиения совокупности объектов на однородные группы (кластеры или классы). Если данные выборки представить как точки в признаковом пространстве, то задача кластеризации сводится к определению «сгущений точек». «Кластер» (cluster) переводится как «скопление», «гроздь». Кластер можно представить как группу объектов, имеющих общие свойства. Характеристиками кластера называют два признака: внутреннюю однородность и внешнюю изолированность.

Кластеризация — это описательная процедура, она не позволяет делать статистические выводы, но дает возможность провести разведочный анализ и изучить структуру данных. Кластерный анализ полезен, когда надо классифицировать большое количество информации. Аналитику часто легче выделить группы схожих объектов, изучить их особенности и построить для каждой группы отдельную модель, чем создавать общую модель для всех данных.

При проведении кластерного анализа применяется метод нейронных сетей, позволяющий моделировать нелинейные многомерные задачи. Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами.

Нейронные сети представляют собой мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. На протяжении многих лет в качестве основного метода в большинстве областей использовалось линейное моделирование, поскольку для него хорошо разработаны процедуры оптимизации. Там, где линейная аппроксимация неудовлетворительна и линейные модели работают плохо (а таких задач достаточно много), основным инструментом становятся нейросетевые методы.

Идея нейронных сетей возникла в результате попыток смоделировать деятельность человеческого мозга. Мозг воспринимает воздействия, поступающие из внешней среды, и обучается на собственном опыте, используя накопления памяти.

Нейронные сети применяются для анализа сигналов от датчиков, установленных на двигателях. С помощью нейронной сети можно управлять различными параметрами работы двигателя, чтобы достичь определенной цели, например, уменьшить потребление горючего.

Нейронные сети оказались полезны как средство контроля состояния производственного процесса и оборудования. В любом технологическом процессе, как правило, контролируется несколько различных параметров, таких как температура в разных частях установки, давление, концентрация примесей, содержание определенных веществ и т. д. Для контроля управляемости процесса в классическом подходе применяется контроль выхода за границы допуска и критерий серий. Однако такой подход основан на использовании эмпирических критериев вне зависимости от процесса. Необходимо построение чувствительных к особенностям конкретного процесса моделей в режиме, близком к реальному времени, в результате чего получаются нейросетевые модели производственного процесса.

Одна из возможных схем управления с помощью нейронных сетей показана на рисунке 4. Представленный здесь эталонный сигнал может соответствовать процессу в норме. Анализируя отклонение процесса, нейронная сеть выдает решение об изменении настроек.

Например, нейронная сеть может быть обучена так, чтобы отличать шум, который издает машина при нормальной работе, от того, который является предвестником неполадок. После такой настройки нейронная сеть может предупреждать инженеров об угрозе поломки до того, как она случится, и тем самым исключать неожиданные и дорогостоящие простои

 


Поделиться:



Популярное:

  1. Classification Matrix (Матрица классификации )
  2. CПИСОК ТЕМ ДЛЯ РЕФЕРАТОВ, КУРСОВЫХ И ДИПЛОМНЫХ РАБОТ
  3. DOUBLE NEEDS PANG PANG ТУШЬ ДЛЯ РЕСНИЦ от TONY MOLY – 660 руб
  4. E) для факторов - капитал и земля
  5. E) Способ взаимосвязанной деятельности педагога и учащихся, при помощи которого достигается усвоение знаний, умений и навыков, развитие познавательных процессов, личных качеств учащихся.
  6. Hfr-клетки. Использование их в картировании бактериальных генов.
  7. I. Использование средств индивидуальной и коллективной защиты в ЧС.
  8. I. МЕТОДИЧЕСКИЕ УКАЗАНИЯ ДЛЯ ОБУЧАЮЩИХСЯ
  9. II. Идентификационные признаки сравниваемых объектов.
  10. II. ТЕКСТЫ ДЛЯ РАБОТЫ НАД ГОЛОСОМ.
  11. III. Определите значимость для переводчика изучения особенностей литературного направления, к которому относится тот или иной автор.
  12. III. Разделы, изученные ранее и необходимые для данного занятия (базисные знания)


Последнее изменение этой страницы: 2016-04-10; Просмотров: 1470; Нарушение авторского права страницы


lektsia.com 2007 - 2024 год. Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав! (0.01 с.)
Главная | Случайная страница | Обратная связь