2.11 Оптимізація кроку квантування за часом вхідних реалізацій

 

У рамках ІЕІ-технології розглянемо оптимізацію такого важливого параметра функціонування ІС, як крок квантування за часом реалізацій образу  на вході системи, що навчається. Задача оптимізації кроку квантування за часом вхідних реалізацій образу  є частинною задачею інформаційного синтезу ІС, що навчається, яка має таку постановку.

Нехай клас розпізнавання  визначає m-й функціональний стан ІС, що навчається, і відома навчальна матриця ||||, в якій рядок є реалізацією образу {}, де  N  кількість рецепторів, а стовпець – випадкова вибірка {}, де n  обсяг вибірки. Дано вектор параметрів функціонування гіперсферичного класифікатора   gm={dm, xm, δ, τ}, де dm – радіус контейнера ;  xm – двійковий еталонний вектор-реалізація класу , ; δ – параметр контрольного поля допусків ; τ – крок квантування вхідної реалізації який за теоремою Шеннона визначається за умови , де  – гранична частота спектру сигналу  на вході ІС.

Треба визначити оптимальні значення параметра  – кроку квантування за часом реалізацій образу:

 

                                 ,

 

де  G – область допустимих значень параметрів функціонування.

 Категорійна модель у вигляді діаграми відображень множин, що застосовуються у процесі оптимізації кроку квантування за часом вхідних реалізацій, має вигляд

 

.                                                                                   

                                                                                         (2.11.1)

     У діаграмі (2.11.1) контур оптимізації кроку квантування за часом замикається операторами   1: Е Ť, де Ť  множина значень кроку квантування, і      2 : Ť T, який змінює інтервали часу зняття інформації.

 Оптимізація кроку квантування за часом реалізацій образу в рамках інформаційно-екстремального алгоритму навчання згідно з діаграмою відображень (2.11.1) може здійснюватися, наприклад, за таким ітераційним алгоритмом:

 

                       ,                  (2.11.2)               

 

де  – допустима область значень параметра  функціонування ; – допустима область значень параметра  поля допусків δ; – допустима область значень параметра  функціонування  .

Розглянемо схему алгоритму оптимізації кроку квантування за  часом реалізацій образу.

1. Формується для базового класу  навчальна матриця ||||, де  – змінна числа реалізацій образу (рядків),  – змінна числа ознак розпізнавання.

2. Формується еталонний вектор-реалізація  y1   шляхом статистичного усереднення стовпців матриці  ||||.

3. Формується бінарна навчальна матриця  ||||  для класу    за правилом     

                          =

 

де        k,i – поле контрольних допусків на i-ту ознаку розпізнавання.

4. Формується вхідна матриця  ||||  для класу .

5. Формується бінарна навчальна матриця |||| для класу  аналогічно кроку 3 за  умови використання системи контрольних допусків базового класу .

6. Формується лічильник кроків квантування , який попередньо обнуляється.

7. Реалізується один із алгоритмів оптимізації  контрольних допусків на ознаки розпізнавання, наведений у підрозділі 2.9.

8. Порівняння поточного кроку квантування з максимальним, який визначається за теоремою Шеннона-Котельнікова: якщо , то виконується крок 9, інакше – крок 10.

9. Порівняння: якщо , то виконується крок 6, інакше – крок 10.

10. Визначення оптимального значення кроку квантування за часом реалізацій образів: .

Наведений вище алгоритм визначення оптимального кроку квантування за часом вхідних реалізацій класів із заданого алфавіту реалізовано на прикладі компараторного розпізнавання двох зображень, наведених на рис. 2.16.

Оскільки зображення, наведені на рис. 2.16, є стаціонарними за яскравістю, то вони належать до зображень типу текстур. Тому вхідна навчальна матриця для кожного класу складалася із 100 реалізацій, кожна з яких подавалася у вигляді кривої яскравості, одержаної при скануванні відповідного рядка рецепторного поля зображення. При цьому при кроці квантування   кількість ознак у реалізації дорівнювала кількості пікселів у рядку рецепторного поля, тобто  10. 

Оптимізації кроку квантування за часом реалізацій зображень, наведених на рис.2.16, здійснювалася за інформаційно-екстремальним ітераційним алгоритмом (2.11.2) для різних значень кроку   з паралельною оптимізацією СКД на ознаки розпізнавання, але без оптимізації рівнів селекції координат еталонних векторів. При цьому як КФЕ навчання ІС розглядався ентропійний критерій (2.7.4). У табл. 2.4 наведено одержані у процесі навчання результати оптимізації контейнера базового класу  при різних значеннях кроку квантування за часом реалізацій яскравості зображень.

 

Таблиця 2.4 – Результати оптимізації кроку квантування

      за часом вхідних реалізацій

 

        

 

 

 

 

 

 

1          0,60     85        0,76     0,24     0,99     0,01

2          0,61     44        0,80     0,20     0,99     0,01

3          0,58     28        0,76     0,24     0,99     0,01

4          0,51     19        0,61     0,39     0,99     0,01

5          0,52     14        0,58     0,42     0,99     0,01

6          0,50     13        0,73     0,27     0,97     0,03

     

     Аналіз табл. 2.4 показує, що оптимальний крок квантування за часом вхідних реалізацій образів дорівнює   пікселям, тобто у прикладі, що розглядався, механічне стиснення реалізацій образу у два рази не призводить до втрати інформації, а навіть, навпаки, її збільшує. Одне з пояснень цього феномену полягає в тому, що при застосуванні оптимального кроку квантування за часом у даному випадку видаляється неінформативних і заважаючих ознак розпізнавання більше, ніж інформативних.