Книги по разным темам Pages:     | 1 |   ...   | 11 | 12 | 13 | 14 | 15 |   ...   | 82 |

Первый принцип - представление сцены изображения графическими примитивами. Задачи анализа и синтеза сцен графических изображений основаны на том, что такие сцены предварительно описываются при помощи словаря графических примитивов: точка, отрезок, линия, треугольник, прямоугольник, квадрат, ромб, многоугольник, дуга, окружность, круг, эллипс, гипербола, парабола. Из них можно составить многие другие графические объекты, поскольку разработаны квазиобобщенные методы представления графических объектов с помощью прямых и окружностей с использованием некоторых приемов сопряжения. Основными пространственными графическими объектами обычно считаются параллелепипеды, пирамиды, цилиндры, конусы вращения, сферы и торы. В случае несложного графического объекта задача его представления состоит в объединении этих тел с помощью сложения или вычитания и в выполнении операций описательной геометрии, переносов, поворотов, сечений, наложений. Однако, в большинстве случаев с помощью тел, называемых аналитическими (т.е. по сути XII-th International Conference "Knowledge - Dialogue - Solution" графические примитивы) нельзя описать реальные механические объекты. Для этого можно использовать существующие методы определения формы объектов, основанные на последовательной подгонке.

Второй принцип - формализация представления сцены изображения на основе разделения сцены изображения на отдельные графические объекты, скомпонованные в композицию.

Третий принцип - распознавание графических объектов. Графический объект можно как распознать сразу, так и решить эту задачу за несколько шагов, а также скопировать и подобрать похожий объект с известным аналитическим описанием. Для этого можно применить сшивающие поверхности. В самом простом случае такими поверхностями являются огибающие сферы постоянного радиуса, которые обеспечивают плавное изменение касательной при переходе от одной сшиваемой поверхности к другой.

Решение задач узнавания или различения объектов по их изображениям относится функционально к машинному зрению. Следует заметить, что для поверхностей сложной формы, таких как: поверхности двойной кривизны, поверхности переменной кривизны, искривленные поверхности, решение задачи начинается с выполнения последовательности шагов аппроксимации. Задача состоит в математически точном воспроизведении формы графического объекта, исходя из координат точек, расположенных на его поверхности. Измерение наклонов касательных тоже может быть использовано для этой цели, однако оно не обеспечивает достижение точности, сравнимой с точностью методов, основанных на измерении линейных координат. При этом одной из промежуточных задач выступает классификация поверхностных форм графических объектов.

Четвертый принцип - составление онтологии графических ассоциаций. Механизм смыслового сжатия должен быть заложен в систему, осуществляющую автоматическое понимание текстового описания изображения. Такие функции должны быть также учтены при проектировании используемого словаря графем. Если словарь графических терминов и примитивов объединить со словарями более общих понятий, характеризующих тематические предметные области, то можно составить онтологию графических ассоциаций для некоторого их подмножества.

Пятый принцип - семантическое сжатие можно проводить в интерактивном режиме с участием эксперта.

Шестой принцип - перевод сцены графического изображения в промежуточную текстовую форму представления.

Седьмой - семантическое сжатие текстовой формы представления графического изображения.

Проведение предварительной трансляции графического изображения в текстовое описание и применение к такой форме модификации известных технологий семантического сжатия символьной информации не является единственно возможным решением, так как к текстовому описанию можно дополнительно применить технологии символьного сжатия формы представления, например, РРМ или комбинированные варианты.

Восьмой принцип - восстановление изображения из промежуточной текстовой формы представления в графическую. После проведения семантического сокращения текстового представления рисунка, производим восстановление его изображения в семантически сжатом варианте.

Девятый принцип - смысловая декомпрессия графической информации.

Выводы Семантическая информация, которая содержится в графическом представлении, может быть извлечена с помощью онтологического описания проблемной области, построенного на базовых графических примитивах и объектах, и использована затем для компрессии и декомпрессии графических изображений.

Процедурной основой для компрессии содержания рисунка (изображения) может также служить перевод графики в текстовое описание с последующим смысловым сжатием текста при помощи программ типа КОНСПЕКТ. Будущие интеллектуальные технологии семантической обработки графической информации должны развиваться с учетом достижений в области текстовых сообщений и использовать онтологические конструкции, специализированные для графических приложений.

Таким образом, в настоящей работе по результатам анализа видов информационной избыточности и систематизации технологий компрессии графической информации в виде их общей классификации указаны задачи, основные принципы построения технологии семантического сжатия графической информации, основанной на применении семантической компрессии к ее промежуточным посредническим формам представления, формализации и текстовому описанию, и предлагаются варианты ее реализации.

Neural and Growing Networks Литература 1. Корриган Дж. Компьютерная графика: Секреты и решения. -М.: Энтроп, 1995.-352с.

2. Балашов К.Ю. Сжатие информации: анализ методов и подходов. // Препринт / Ин-т техн. Кибернетики НАН Беларуси; № 6 - Минск, 2000. - 42 с.

3. Валькман Ю.Р., Быков В.С. О моделировании образного мышления в компьютерных технологиях: общие закономерности мышления. // Сборник научных трудов KDS-2005 20-30 июня 2005 г., т.1., София, 2005, с.37-45.

4. Гладун В.П., Величко В.Ю. Конспектирование естественно-языковых текстов. // Сборник научных трудов KDS-2005 20-30 июня 2005 г., т.2., София, 2005, с.344-347.

5. Леонтьева Н.Н., Семенова С.Ю. Семантический словарь РУСЛАН как инструмент компьютерного понимания. // Понимание в коммуникации. Материалы научно-практической конф. 5-6 марта 2003 г. М., МГГИИ, 2003. С.41-46.

6. Жермен-Ликур П., Жорж П., Пистр Ф., Безье П. Математика и САПР: в 2-х кн. Кн.2-М.: Мир, 1988.- 264с.

7. Люгер Дж.Ф. Искусственный интеллект: Стратегии и методы решения сложных проблем. - М.: Изд. дом УВильямсФ. 2003.- 864с.

8. Эгрон Ж. Синтез изображений: Базовые алгоритмы. -М.: Радио и связь, 1993.-216с.

9. Роджерс Д. Алгоритмические основы машинной графики. - М.: Мир, 1989. -512с.

Информация об авторах Николай Борисович Фесенко - Ин-т кибернетики им. В.М. Глушкова НАН Украины, Киев-187 ГСП, 03680, просп. акад. Глушкова, 40,e-mail: glad@aduis.kiev.ua NEURAL KNOWLEDGE DISCOVERY IN DISTRIBUTED DATABASES BY INTERNET Adil Timofeev, Pavel Azaletsky Abstract: This paper proposes a distributed KDD system allowing remote usage of user data. KDD system based on polynomial neural networks is described. The system is an universal KDD tool as it can build decisionmaking models in any subject field. Its implementation as a web-service will allow third-party software developers to create specialized applications, which focus on neural knowledge base usage.

Keywords: knowledge discovery in databases (KDD); polynomial neural networks; distributed databases ACM>

Consequently, for each intellectual analysis system it is necessary to develop specific algorithms that take into account its features and characteristics. Modern databases are not only heterogeneous, but redundant as well.

For a KDD synthesis, it is advisable to simplify the schema and the knowledge base structure as much as possible.

XII-th International Conference "Knowledge - Dialogue - Solution" KDD Technology in Information Processing Knowledge Discovery in Databases (KDD) is a process of search of meaningful knowledge in raw data [6]. The knowledge could be represented as a set of rules describing relations between data properties (decision trees), frequently encountered models (association rules), and>

Regardless of knowledge representation model used, a KDD process consists of the following stages:

- Data preparation;

- Data preprocessing;

- Data transformation and normalization;

- Data mining;

- Data postprocessing.

Knowledge Discovery in Databases does not determine what data analysis or processing algorithms should be used; instead, it defines the sequence of activities that should be performed in order to extract meaningful knowledge from source data. This approach is universal and does not depend on the application domain.

Neural Approach in KDD The size and the structure of a network should correspond to the essence of the investigated problem (e.g., in terms of computational complexity). In the works [3-5] authors suggest three-tier polynomial and Diophantine neural networks, multi-tier Уmany-valued decision treeФ neural network, as well as method for transformation of treelike neural networks into polynomial neural networks and for minimization of their complexity.

During the learning process a neural network uses input data to adjust its synaptic weights and to fine tune connections between neural elements. The resulting neural network expresses patterns present in the data and is able to make decisions on new data. The network serves as a functional equivalent for some data dependency model, i.e. a function of input variables, much like a one created using traditional modeling.

Learning Databases Preparation At this stage qualified users or experts who possess knowledge in a certain application domain and want to automate the decision making process prepare a training set. This set T = Y, X is composed from known y feature values x1, x2,..., xn and decision function values defined on an object set :

= {k : k = 1,N} Y = {y(k ) : k = 1,N} X = {(x1(k ),..., xn (k )) : k = 1,N} T The set can be easily represented as a table:

Table 1. Learning database representation Y x Е x 1 n Е y( ) x ( ) x ( ) 1 1 1 1 n Е Е Е Е Е Е y( ) x ( ) x ( ) N m 1 m n m Here y(k ) serves as an expected result of the problem solution on the input set {(x1(k ), x2 (k )..., xn (k )}. Training set is a database table with the expected values of decision function in the first column and input data feature values in the rest. The following constraints apply to this database:

Validity: only qualified specialists take part in the creation.

Completeness: all possible solutions are presented in the table.

Consistency: there should not be two different values of decision function for the same input feature value.

These constraints allow to avoid noise influence, inconsistency and incompleteness in data representation.

Neural and Growing Networks Data Transformation and Normalization If a KDD system uses neural networks, an expert (a user with strong knowledge in the application domain) has to fill in the training set. The system will then transform this input into numbers. Some systems use binary encoding of the set elements, i.e. {-1, +1}. If necessary, the training set could be sorted then.

Neural Network Construction and Learning At this stage, a neural network is constructed and trained using various learning algorithms. As a result, a Уneural knowledge baseФ is created.

Knowledge Base Quality Control After the neural network is trained, an expert tests its quality using training and test sets (these two sets should not intersect). The test set has the same structure as the training set. Based on the test results the expert makes decision on whether the constructed knowledge base is suitable for the given task or not. If not, the knowledge base construction process should be restarted from the step 1.

Knowledge Base Usage To solve a task using the constructed knowledge base, a user prepares a table of feature values and sends it to the neural network input. The answer given represents the value of the decision function or the synthesized ANN.

Architecture and Organization of a Distributed Neural KDD System The problem of development of a distributed system with remote knowledge base creation and usage capabilities is of high importance today. Such system often implements client-server architecture and uses Internet for information transmission.

A distributed neural KDD system operates in two main stages:

- Neural knowledge base creation and control, implemented by an expert (the expert stage);

- Knowledge base usage for the purpose of solving specific user tasks (the user stage).

A knowledge base system based on threshold polynomial neural networks has been developed [3-5]. It uses multiagent technology for processing and transmitting databases (DB) and knowledge bases (KB) through e-mail and HTTP protocols.

In the given model, experts producing a knowledge base and users working with it act as agents. The neural network type in this case can be described with arithmetic (Diophantine) polynomials. It is used for recognition of complicated (linearly non-separable) pattern types defined in a space of either binary or multi-valued featurepredicate. The scheme is illustrated on the Fig. 1.

Decision unit a1(X) WYClass WWnXX2 Polynomial Y2>

unit Xn W1n W2n Wnn YM> Pages:     | 1 |   ...   | 11 | 12 | 13 | 14 | 15 |   ...   | 82 |    Книги по разным темам