Вопросы/задания: Вопросы к экзамену

Файлы скачаны со студенческого портала для студенты "Baumanki.net"

Файлы представлены исключительно для ознакомления

Не забывайте, что Вы можете зарабатывать, выкладывая свои файлы на сайт

Оценивайте свой ВУЗ в различных голосованиях, в том числе в досье на преподавателей!

Контрольные вопросы к экзамену по курсу «Распознавание образов»

Лектор: Гаврилов К.Ю.

Основные этапы построения систем распознавания образов (РО). Задачи проектирования и примеры систем РО.

Классификация систем PO. Понятие дискриминантных (решающих) функций. Геометрическая интерпретация процедуры распознавания.

Виды решающих функций. Линейные решающие функции, оптимизация их параметров. Понятие пополненного пространства признаков и его геометрическая интерпретация.

Классификация образов по минимуму расстояния до эталонов классов. Правила ближайшего соседа и q ближайших соседей при решении задач РО.

Кластерный анализ. Алгоритмы выявления кластеров: простой алгоритм, алгоритм максиминного расстояния, алгоритм К внутригрупповых средних.

Обучаемые классификаторы образов. Персептрон Розенблатта и алгоритм его обучения при произвольном числе классов. Примеры обучения персептрона Розенблатта и задача Xor («Исключающее ИЛИ»).

Доказательство сходимости процедуры обучения персептрона Розенблатта (теорема Новикова).

Метод потенциальных функций и пример его применения в случае линейно неразделимых классов образов.

Применение Байесовского подхода (БП) для РО. Вид решающей функции и структурная схема классификатора при использовании БП.

Методы максимума апостериорной вероятности (МАВ) и максимума функции правдоподобия (МФП) как частные случаи БП для РО. Виды решающих функций при использовании методов МАВ и МФП.

Применение БП к РО в пространстве признаков, заданных в виде многомерной нормальной плотности распределения вероятностей.

История развития искусственных нейронных сетей (НС). Физиологические основы НС. Классификация искусственных НС.

Однослойные НС. Структурные схемы и функции активации. Правило обучения Хебба.

Однослойные НС с линейной функцией активации. Правило обучения Видроу-Хоффа (дельта-правило).

Многослойные НС (МНС): структура и основные определения. Теорема о существовании МНС для любых классов образов (теорема Колмогорова). МНС высокого порядка.

Алгоритм обратного распространения ошибки (АОРО) при обучении МНС. Формулы для рекуррентного вычисления весовых коэффициентов в процессе обучения. Прямой и обратный проход вычислений при реализации АОРО.

Скорость обучения, выбор функции активации и критерии останова процедуры обучения МНС при использовании АОРО. Последовательный и пакетный режимы обучения МНС.

Алгоритмы обучения МНС, использующие метод Ньютона. Выбор параметров МНС и числа обучающих образов. Понятия «недообученной» и «переобученной» МНС.

НС на основе радиальных базисных функций (RBF-сети): принципы построения, структурная схема и пример применения RBF-сети. Теорема о существовании RBF-сети, разделяющей линейно неразделимые классы образов (теорема Ковера).

Построение RBF-сети как решение задачи интерполяции. Выбор базисных функций скрытого слоя и вычисление вектора весовых коэффициентов выходного слоя. Вычисление вектора весовых коэффициентов RBF-сети в случае плохо обусловленной задачи. Сходства и отличия RBF-сетей и МНС.

Карты самоорганизации (КС): принципы построения и структурная схема. Обучение КС: конкуренция, кооперация, синоптическая адаптация.

Нейродинамика. Временная обработка процессов с использованием сетей прямого распространения. Виды динамических нейронных сетей.

Динамически управляемые рекуррентные нейронные сети (РНС). Архитектуры РНС. Сеть RMLP и сеть Элмана - структура и алгоритм обучения.