Исследование геометрических мер близости объектов и классов в системах распознавания
Характеристика методов компьютерной реализации геометрических мер близости, их применение для принятия решений в детерминированных системах распознавания. Использование формулы для вычисления расстояний в программировании, формирование массива в системе.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | лабораторная работа |
Язык | русский |
Дата добавления | 02.12.2014 |
Размер файла | 117,8 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Министерство образования и науки Украины
Одесский национальный политехнический университет
Кафедра информационных технологий проектирования в машиностроении
Отчёт
По дисциплине: «Методы и системы искусственного интеллекта»
На тему: «Исследование геометрических мер близости объектов и классов в системах распознавания»
Барановская К. С.
Одесса - 2014
Цель работы: Целью лабораторной работы является практическое освоение методов компьютерной реализации геометрических мер близости, применяемых для принятия решений в детерминированных системах распознавания.
Ход работы
1. Вводим эталоны классов из табл. 1-4.
2. Далее находите координаты эталона центра класса - среднее арифметическое для каждой координаты (отдельно для Х, отдельно для Y).
3. Выводим изображение (используем figure, hold on). Используем plot.
4. Вводим координаты нового объекта (1-ю и 2-ю координаты с помощью input). компьютерный массив детерминированный геометрический
Определяем, к какому классу принадлежит новый объект, используем формулы для вычисления расстояний. Формируем массив, состоящий из расстояний. Каждая координата - это значение расстояния от центра соответствующего класса до нового объекта, всего координат 4-ре (как и классов), Порядок в массиве - это и есть номер класса. Запоминаете номер, под которым идет необходимое расстояние, как [Y,I], где Y - это величина расстояния, а I - это номер класса. И выводите номер.
1. 1-й класс
A=[...
0.9 0.80 0.9 0.7 1.00
0.5 0.68 0.47 0.7 0.80];
A1(1)=sum(A(1,:))/5;
A1(2)=sum(A(2,:))/5;
2-й класс
B=[...
0.21 0.2 0.17 0.23 0.30
0.60 0.8 0.40 0.70 1.00];
B1(1)=sum(B(1,:))/5;
B1(2)=sum(B(2,:))/5;
3-й класс
C=[...
0.2 0.25 0.1 0.23 0.30
0.2 0.28 0.2 0.26 0.30];
C1(1)=sum(C(1,:))/5;
C1(2)=sum(C(2,:))/5;
4-й класс
D=[...
0.85 0.75 0.19 0.27 0.19 0.27
0.40 0.61 0.22 0.30 0.50 0.90];
D1(1)=sum(D(1,:))/5;
D1(2)=sum(D(2,:))/5;
3. figure
plot(A(1,:), A(2,:), '+b', B(1,:), B(2,:), '+m',...
C(1,:), C(2,:), '+k', D(1,:), D(2,:), '+g');
hold on;
4. prompt='a:';
a=input(prompt);
prompt='b:';
b=input(prompt);
d1=max(abs(A1(1)-a),abs(A1(2)-b));
d2=max(abs(B1(1)-a),abs(B1(2)-b));
d3=max(abs(C1(1)-a),abs(C1(2)-b));
d4=max(abs(D1(1)-a),abs(D1(2)-b));
M=[d1 d2 d3 d4]
maxx=max(M)
for i=1:4
if M(i)==maxx
disp(i)
end
end
5. Выводим результат - объектом какого класса будет данный объект.
Вывод: в ходе выполнения лабораторной работы мы приобрели практическое освоение методов компьютерной реализации геометрических мер близости, применяемых для принятия решений в детерминированных системах распознавания.
Размещено на Allbest.ru
...Подобные документы
Необходимость в системах распознавания символов. Виды сканеров и их характеристики. Оптимальное разрешение при сканировании. Программы распознавания текста. Получение электронного документа. FineReader - система оптического распознавания текстов.
презентация [469,2 K], добавлен 15.03.2015Понятие системы распознавания образов. Классификация систем распознавания. Разработка системы распознавания формы микрообъектов. Алгоритм для создания системы распознавания микрообъектов на кристаллограмме, особенности его реализации в программной среде.
курсовая работа [16,2 M], добавлен 21.06.2014Теоретические основы распознавания образов. Функциональная схема системы распознавания. Применение байесовских методов при решении задачи распознавания образов. Байесовская сегментация изображений. Модель TAN при решении задачи классификации образов.
дипломная работа [1019,9 K], добавлен 13.10.2017Способы моделирования типовых геометрических объектов. Методы решения инженерно-геометрических задач в системах автоматизированного проектирования. Правила выполнения чертежей деталей, сборочных единиц, электрических схем по современным стандартам.
методичка [44,6 K], добавлен 29.11.2010Оптико-электронная система идентификации объектов подвижного состава железнодорожного транспорта. Автоматический комплекс распознавания автомобильных номеров. Принципы и этапы работы систем оптического распознавания. Особенности реализации алгоритмов.
дипломная работа [887,3 K], добавлен 26.11.2013Словесный, графический, табличный, программный способы представления алгоритма. Основные конструкции в любом алгоритмическом языке. Теория обнаружения, различения и оценивания сигналов. Радиолокационные системы обнаружения. Система распознавания образов.
презентация [4,8 M], добавлен 09.06.2015Основные понятия теории распознавания образов и ее значение. Сущность математической теории распознавания образов. Основные задачи, возникающие при разработке систем распознавания образов. Классификация систем распознавания образов реального времени.
курсовая работа [462,2 K], добавлен 15.01.2014Система программирования LabVIEW и ее использование в системах сбора и обработки данных. Программирование, основанное на потоках данных. Генерирование детерминированных процессов. Способность инструментов программы изменяться. Расчет значений массива.
контрольная работа [424,4 K], добавлен 18.03.2011Методы распознавания образов (классификаторы): байесовский, линейный, метод потенциальных функций. Разработка программы распознавания человека по его фотографиям. Примеры работы классификаторов, экспериментальные результаты о точности работы методов.
курсовая работа [2,7 M], добавлен 15.08.2011Построение системы классов для описания плоских геометрических фигур: круг, квадрат, прямоугольник. Методы для создания объектов, перемещения на плоскости, изменения размеров и вращения на заданный угол. Реализованные алгоритмы, тестирование программы.
курсовая работа [129,3 K], добавлен 04.05.2014Основные цели и задачи построения систем распознавания. Построение математической модели системы распознавания образов на примере алгоритма идентификации объектов военной техники в автоматизированных телекоммуникационных комплексах систем управления.
дипломная работа [332,2 K], добавлен 30.11.2012Понятие и особенности построения алгоритмов распознавания образов. Различные подходы к типологии методов распознавания. Изучение основных способов представления знаний. Характеристика интенсиональных и экстенсиональных методов, оценка их качества.
презентация [31,6 K], добавлен 06.01.2014Принцип работы нейросетей и модели синтеза. Ключевые моменты проблемы распознавания речи. Система распознавания речи как самообучающаяся система. Описание системы: ввод звука, наложение первичных признаков на вход нейросети, модель и обучение нейросети.
курсовая работа [215,2 K], добавлен 19.10.2010Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Обзор математических методов распознавания. Общая архитектура программы преобразования автомобильного номерного знака. Детальное описание алгоритмов: бинаризация изображения, удаление обрамления, сегментация символов и распознавание шаблонным методом.
курсовая работа [4,8 M], добавлен 22.06.2011Анализ физических предпосылок селекции движущихся малоразмерных наземных целей по спектральным параметрам. Разработка алгоритмов обнаружения МНЦ и повышения эффективности их распознавания в интересах радиолокационных станций разведки и целеуказания.
дипломная работа [830,3 K], добавлен 28.04.2009Методы решения проблем, возникающих на стадиях и этапах процесса принятия решений, их реализация в информационных системах поддержки принятия решений (СППР). Назначение СППР, история их эволюции и характеристика. Основные типы СППР, области их применения.
реферат [389,3 K], добавлен 22.11.2016Анализ методов реализации интеллектуальных игр в системе человек-робот. Разработка архитектуры программного комплекса, выбор языка программирования. Алгоритм преобразования данных. Тестирование программного комплекса, редактирование и исправление ошибок.
дипломная работа [2,6 M], добавлен 27.10.2017Методы предобработки изображений текстовых символов. Статистические распределения точек. Интегральные преобразования и структурный анализ. Реализация алгоритма распознавания букв. Анализ алгоритмов оптического распознавания символов. Сравнение с эталоном.
курсовая работа [2,1 M], добавлен 20.09.2014Функции текстового редактора как программы для работы с текстом. Использование редактора MS Word в научной деятельности исследователя-ономаста. Технология распознавания текста и организация работы с программой FineReader. Системы распознавания речи.
реферат [979,3 K], добавлен 16.10.2013