РАСПОЗНАВАНИЕ ОБРАЗОВ В ЭКСПЕРТНЫХ СИСТЕМАХ ПРИНЯТИЯ РЕШЕНИЙ

Представлен обзор методов распознавания образов в различного рода экспертных системах принятия решений. В контексте этой проблемы исследованы методы распознавания визуальных образов. Значимость предлагаемого исследования состоит в том, что практически во всех сферах жизнедеятельности и производства компьютер обрабатывает огромные массивы информации с большой скоростью, используя определенные алгоритмы, однако люди в любом случае должны участвовать в принятии решений. Распознавание образов в различных процессах позволяет достичь максимального производственного результата. Показано, что внедрение нейронных сетей в производственные процессы позволяет максимально оптимизировать производство. Учитывая то, что для искусственного интеллекта основной задачей является построение определенных информационных систем, обладающих эффективным уровнем решений различного рода нестандартных задач, нейронные сети предоставляют возможность распознавания образов в различных системах принятия решений. Предметом исследования являются методы распознавания образов в системах принятия решений. Продемонстрирована возможность распознавания образов в подобных системах. Показано, что разнообразие и сложность задач распознавания не дают возможности реализовать один универсальный подход к решению. Предложена модифицированная классификация подходов к распознаванию образов, а также внедрение нейронных сетей в производственный процесс в Публичное акционерное общество «Камаз».

1. GozeE., Johnsonbaugh R., Jost S.Pattern Recognition & Image Analysis. PrenticeHall, 1996. 483 p.
2. Новейший философский словарь. Постмодернизм / под ред. А.А, Грицанова. Мн: Современный литератор, 2007. 816 с.
3. Автоматизированная обработка изображений природных комплексов Сибири / под ред. А.Л. Яншин, В.А. Соловьев. Новосибирск, Наука, 1988. 226 с.
4. Oganezov A. Neuro-matrix object recognition model // Bulletin of the Georgian National Academy of Sciences. 2006. V. 173. N 3.
5. Кочладзе З.Ю., Оганезов А.Л. Об одном возможном подходе к проблеме распознавания плоских фигур // Труды Тбилисского Государственного Университета. 2005. № 364. С. 149–155.
6. Чабан Л.Н. Теория и алгоритмы распознавания образов. М.: МИИГАиК, 2004. 70 с.
7. Jain A.K., Dubes R.C. Algorithms for Clustering Data. Prentice-Hall, 1988. 334 p.
8. Чернухин Ю.В. Нейропроцессоры. Таганрог: ТРТУ, 1994. 175 с.
9. Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирование. 4-е изд. М.: Вильямс, 2007.
10. Яблонский С.В. Введение в дискретную математику. М.: Наука, 1986. 384 с.
11. Hähnle R. Automated theorem proving in multiple-valued logics // Proc. ISMIS’93.
12. Новикова Н. Структурное распознавание образов.Воронеж: ВГУ, 2006. 29 с.
13. Szegedy C., Toshev A., Erhan D. Deep neural networks for object detection / In: Adv. in Neural Information Processing Systems. 2013.
14. Sanner S. Rowley-Baluja-Kanade Face Detector [Электронныйресурс]. URL:  http://users.cecs.anu.edu.au/~ssanner/Software/Vision/Project.html I(дата обращения: 12.06.2019).
15. Thai B., Healey G. Invariant subpixel material detection in hiperspectral imagery // IEEE Transaction of Geoscience and Remote Sensing. 2002. V. 40. N 3. P. 599–608. doi: 10.1109/tgrs.2002.1000320
16. Патрик Э. Основы теории распознавания образов. М.:Советское радио, 1980. 407 с.
17. Tsai F., Philpot W.D. A derivative-aided hiperspecrtal image analysis system for land-cover classification // IEEE Transaction of Geoscience and Remote Sensing. 2002. V. 40. N 2. P. 416–425. doi: 10.1109/36.992805
18. Цыганков В.Д. Нейрокомпьютер и его применение. М.:СолСистем, 1993. 117 с.
19. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. 236 с.
20. Jannson Т., Karagaleff C., Stoll K.M. Photo-refractive LiNbO₃ as a storage medium for high-density optical neural networks // Optical Society of America Annual Meeting. 1986.
21. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: Синтег, 1998. 376 с.
22. Kohonen T. The self-organizing map // Proceedings of the IEEE. 1990. V. 78. N 9. P. 1464–1480. doi: 10.1109/5.58325
23. Kohonen T. Learning vector quantization / In: Abib M.A. (ed.), The Handbook of Brain Theory and Neural Networks. Cambridge: MIT Press, 1995. P. 537–540.
24. Арсирий Е.А., Саенко А.А Нейросетевое распознавание образов читателей публичной библиотеки для организации специализированного библиотечного обслуживания // Труды Одесского политехнического университета. 2011. № 1 (35). С. 118–124.
25. Wang H., Raj B. On the Origin of Deep Learning // ArXiv:1702.07800v4. 2017.
26. Кашкин В.Б. Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений. М.: Логос, 2001. 264 с.
27. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1977. 222 с.
28. Дюран Б., Одел П. Кластерный анализ. М.: Статистика, 1977. 128 с.
29. Burr D.J. Experiments with a connectionist text reader // Proc. 1^st Int. Conf. on Neural Networks. San Diego, 1987. V. 4. P. 717–724.
30. Мирзоян А.С. Разработка систем распознавания и позиционирования летательных аппаратов и наземных объектов на основе методов вычислительной геометрии: дис. канд. техн. наук. Санкт-Петербург, 2017.150 с.
31. Козынченко В.А., Прус А.И. Нейронная сеть в задачах аппроксимации // IEEEPublications. Санкт-Петербург, 2014.
32. Нейронные сети. Statistica Neural Networks. М.: Горячая линия-Телеком, 2000. 182 с.
33. Прасолов В.В., Тихомиров В.М. Геометрия. М.: МЦНМО, 2007. 328 с.
34. RojasR. NeuralNetworks. A Systematic Introduction. Springer-Verlag, 1996. 512 p.
35. Хайкин С. Нейронные сети. Полный курс. 2-е изд. М.: Вильямс, 2006. 1104 с.
36. TuT.M., ChenA.H., WuJ.L., ChangC. Afasttwo-stage classification method for high-dimensional remote sensing data // IEEE Transaction of Geoscience and Remote Sensing. 1998. V. 36. N 1. P. 182–191. doi: 10.1109/36.655328
37. Gallant S.I. Connectionist expert system // Communications of the ACM. 1998. V. 31. N 2. P. 152–169. doi: 10.1145/42372.42377
38. Hebb D.O. Organization of Behavior. New York: Wiley, 1991.
39. Sejnowski T.J., Rosenberg C.R. Parallel networks that learn to pronounce English text // Complex Systems. 1987. V. 3. P. 145–168.
40. Ионов С.Д. Распределенный запуск нейронных сетей на множестве вычислительных узлов // Вестник УГАТУ. 2013. Т. 17. № 2. С. 85–91.
41. Зенин А.В. Исследование возможностей использования нейронных сетей // Молодой ученый. 2017. № 16. С. 125–130.
42. Ионов С.Д. Распределенная потоковая нейронная сеть // Тезисы 42-й Всероссийской молодежной школы-конференции «Современные проблемы математики». 2011. С. 288–290.
43. Voit J. The Statistical Mechanics of Financial Markets. Springer, 2003. doi: 10.1007/978-3-662-05125-2
44. Weston J.F., Copeland T.E. Financial Theory and Corporate Policy. 3^rd ed. Addison Wesley, 1988.
45. Арнольд В.И. Теория катастроф. 3-е изд. М.: Наука, Физматлит, 1990. 128 с.
46. Вилленброк Х. Тайны принятия решений // GEO. Непознанный мир: Земля.2009. № 7. С. 70–87.
47. Метерлинк М. Тайная жизнь термитов. М.: Изд-во ЭКСМО-Пресс, 2002. 400 с.
48. Adya M., Collopy F. How effective are neural networks at forecasting and prediction? A review and evaluation // Journal of Forecasting. 1998. V. 17. N 56. P. 481–495.
49. Andrighetto G., Rome I.C., Verhagen H. Social Networks and MultiAgent Systems Symposium (SNAMAS-09) Introduction // Proceedings of the SNAMAS Symposium. Edinburgh, 2009, pp. 1–3.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License