NEU-2001

Задачу распознавания морских объектов можно рассматривать как задачу построения надежной системы (в смысле обеспечения получения требуемой вероятности правильной классификации объекта на выходе классификатора) из ненадежных элементов (частных решений по классификационным параметрам (ЧРКП)) на входе системы классификации. Ненадежность ЧРКП объясняется тем, что классификационные параметры измеряются на базе сигналов приходящих из враждебной среды. В этом случае, теорема Пирса требует увеличения числа ЧРКП (введения избыточности) для обеспечения надежной классификации. Следовательно, в каждый момент времени класс объекта будет характеризоваться некоторым кортежем чисел, состоящим из нулевых и ненулевых элементов (единиц для бинарного кортежа, или действительных чисел для весовых значений ЧРКП). Ненулевые элементы кортежа определенного класса говорят о том, что в текущий момент ЧРКП отдал предпочтение данному классу. Рассмотрение кортежей по всем распознаваемым классам приводит к матрице Π(t) текущих ЧРКП обладающей следующими свойствами:

• в момент времени t в каждом столбце матрицы Π(t) может находится не более одного единичного элемента (признак с номером k может отдавать предпочтение только одному классу в фиксированный момент принятия частного решения);

• каждый элемент матрицы Π(t)={Π_ik(t)} является частным решением по параметру (ЧРКП) с номером k относительно класса с номером i, которые находятся в области его компетенции. Система распознавания работает тем надежнее, чем больше K, k=(1,2,...,K).

Однако принятие решения, основанное только на текущих данных, не приводит к успеху, и, как правило, требует разработки специальных алгоритмов, обеспечивающих робастность решения задачи. В частности, работа классификатора морских объектов в условиях враждебной среды должна быть основана на применении алгоритма распознавания, который мог бы обладать свойствами самоорганизации в процессе функционирования, то есть являлся бы алгоритмом адаптивного распознавания. Это возможно при применении рациональных подходов, развиваемых в рамках современного искусственного интеллекта (ИИ).

К важной проблеме в данной области относится разработка когнитивных методов обработки и анализа информации, в основу которых заложен естественный для живых организмов принцип образного представления данных. Их реализация позволяет комплексировать сведения, полученные от различных источников, в единый виртуальный объект, формирующийся с учетом особенностей реальных свойств информационного пространства. Полученные с помощью такого преобразования образы обладают большей информационной емкостью и динамичностью, что позволяет повысить степень уверенности в правильности формируемых по результатам их анализа решений.

Другим эффективным подходом в ИИ стало использование нейросетевых алгоритмов, позволивших значительно снизить временные характеристики при обработке больших объемов информации за счет параллельно-распределенной организации вычислений. Кроме этого возможно уменьшение влияния неточности и неопределенности информации за счет прогнозирующих свойств алгоритма.

В терминах рассматриваемой задачи применение указанных подходов позволяет предложить основные принципы построения алгоритма распознавания с элементами ИИ.

На основе входной информации в момент времени t вычисляются ЧРКП и формируется матрица Π(t), строки которой преобразуются в когнитивные образы (КО), по результатам анализа которых решается задача распознавания. Последовательность данного процесса иллюстрирует структура, представленная на рис. 1.

Построение когнитивных образов заключается в графической интерпретации строк матрицы Π(t). С учетом выбранных подходов к построению алгоритма предлагается использование искусственных нейронных сетей, поддерживающих топологию двухмерной самоорганизующейся карты Кохонена. При этом требуется модификация алгоритма построения сети. Традиционная процедура подразумевает увеличение веса нейрона-победителя в слое Кохонена до тех пор, пока его выход не будет равен 1, а у остальных нейронов приблизительно 0. В предлагаемом варианте процесс обучения прекращается после того, как веса не выигравших нейронов достигают заданного ненулевого значения. Такой алгоритм позволяет получить трехмерный КО, пример которого представлен на рис.2.

В каждый момент времени t формируется K таких образов, которые анализируются на предмет уверенного решения задачи распознавания. Для этого каждый КО подается на вход многослойной нейронной сети (МНС). Количество МНС определяется количеством строк матрицы Π(t). Число нейронов входного слоя каждой сети совпадает с мощностью соответствующего слоя Кохонена. Выходной слой содержит только один нейрон. Каждая сеть обучена на распознавание принадлежности КО соответствующему классу. Численное значение на выходе сети характеризует степень принадлежности рассматриваемого образа данному классу. При уверенном распознавании на момент t_N по последовательности матриц Π(t₀), Π(t₁), ..., Π(t_N) на выходе одной из МНС устанавливается значение 1, а на выходе остальных – 0, что позволяет определить класс, который характеризует входная последовательность матриц.

Предварительные результаты исследований применения предлагаемого метода, разработанного на основе нейрокогнитивного подхода, позволяют прогнозировать его достаточную эффективность. Возможно повышение точности решения задачи распознавания по входной информации, которая характеризуется неточностью и неопределенностью, вызванных враждебностью среды. Это достигается за счет существенного развития степени интеллектуальности алгоритма, использующего эффективные информационные технологии, применяемые в ИИ.