Moscow State University. M.V. Lomonosov (Department of Socio-Cultural Design and Development of Territories, Professor)
Moskva, Moscow, Russian Federation
Russian Federation
Russian Federation
The dynamics of the development of the theory of pattern recognition as a branch of computer science and related disciplines is considered, which develops, on the basis of classification methods, the possibilities of identifying objects and phenomena, signals and processes, situations and states of the objects under study, characterized by a set of distinctive properties and features. The place of managerial decision-making methods based on the theory of pattern recognition in the group of the class of managerial decision-making methods based on the optimization of performance indicators related to the category of generally applicable classes of managerial decision-making methods is shown. As a result of the analysis of modern trends in the development of methods for making managerial decisions based on the theory of pattern recognition, it is shown that the further development of methods for making managerial decisions will be associated with the complex use of various recognition methods based on the classical approaches of recognition theory, and is aimed at improving the quality of recognition. The main trends in the development of image recognition systems are determined from the point of view of the goals pursued and ways to achieve them.
development, methods, management decision making, pattern recognition theory
Введение
Одной из характерных тенденций цифровизации экономики и социальной среды является постепенный отказ в процедуре идентификации объектов (документов, предметов и т.д.) от участия человека.
Эта тенденция во многом определяется развитием методов распознавания образов, базирующихся на одноименной теории.
В этой связи представляет интерес рассмотрение с теоретико-методологических позиций тенденций и перспектив развития методов принятия управленческих решений на основе теории распознавания образов.
Цель исследования
Таким образом, целью представленных исследований является анализ процессов развития методов принятия управленческих решений на основе теории распознавания образов.
Методологическая база исследований
Методологическую базу исследований составили известные научные труды по теории распознавания образов таких авторов, как Аркадьев А.Г., Браверман Э.М. [1], Барабаш Ю.Л., Варский Б.В., Зиновьев В.Т. [2], Вапник В.Н., Червоненкис А.Я. [3], Васильев В.И. [4], Горелик А.Л., Скрипкин В.А. [5], Дуда Р., Харт П. [6], Журавлев Ю.И., Рязанов В.В., Синько О.В. [11], Розенблатт Ф. [12], Ту Дж., Гонсалес Р. [31], Файн В.С. [32], Фомин Я.А., Тарловский Г.Р. [35], Форсайт Д., Понс Дж. [36], Фу К. [37], Шапиро Л., Стокман Дж. [38] и др.
Методическую основу исследований также составили авторские наработки по исследуемой проблеме, а также по более широкой проблематике исследования методов принятия управленческих решений, получившие отражение в трудах [8, 13−30] и др.
Основное содержание исследований
Методы принятия управленческих решений на основе теории распознавания образов являются одной из групп класса методов принятия управленческих решений на основе оптимизации показателей эффективности (рис. 1) [27], относящихся к категории общеприменимых классов методов принятия управленческих решений (рис. 2) [20].
При этом общее количество классов общеприменимых и прикладных методов принятия управленческих решений сегодня насчитывает несколько десятков [26].
Данное исследование является логическим продолжением исследований, посвященных методам принятия управленческих решений на основе оптимизации показателей эффективности, включая:
− методы программирования [22];
− методы теории игр [17, 18, 19, 28];
− методы теории массового обслуживания [24];
− методы вариационного исчисления [30];
− методы управления запасами ресурсов [15, 20];
− методы теории исследования операций [16].
Отметим, что в основе методов принятия управленческих решений на основе распознавания образов (рис. 1) лежит теория распознавания образов, представляющая собой раздел информатики и смежных с нею дисциплин, формирующих основы и развивающих методы классификации и идентификации предметов, процессов, сигналов, ситуаций, явлений и других тому подобных объектов, которые характеризуются конечным набором некоторых присущих только им свойств и признаков, позволяющих отличить их от других классов объектов или идентифицировать среди других индивидуальных объектов рассмотрения, что и предопределяет основные тенденции развития методов принятия управленческих решений на основе теории распознавания образов и систем распознавания на их основе.
Считается, что задача распознавания образов была сформулирована еще древнегреческим философом Демокритом – одним из основателей материалистической философии: «Если тебе нужно разобраться в сложном нагромождении фактов или вещей − сначала разложи их на небольшое число куч по похожести. Тогда картина прояснится, и ты поймёшь природу этих вещей» [10].
Проведенные исследования показывают, что существует достаточно большое число вариантов классификации методов распознавания образов, выделяемых по различным признакам, результаты систематизации которых представлены в табл. 1.
Таблица 1
Результаты систематизации вариантов классификации методов распознавания образов, выделяемых по различным признакам
|
№ |
Признаки классификации |
Состав групп классификации |
Характеристики групп классификации |
|
1 |
Отношение к эталонному признаку [9] |
Сравнение с образцом |
К этой группе относятся структурные методы и методы, использующие приближение и расстояние (классификации по ближайшему среднему и по расстоянию до ближайшего соседа) |
|
Статистические методы |
Статистические методы основаны на вычислении вероятности, примером которых группы служит байесовский метод принятия решения |
||
|
Нейросетевые методы распознавания |
Методы, базирующиеся на применении различных типов нейронных сетей (персептронов, однослойных и многослойных нейронных сетей, сверхточных нейронных сетей, нейронные сети высокого порядка, нейронные сети Хопфилда, ячеистые нейронные сети, самоорганизующиеся нейронные сети Кохонена, нейронные сети с радиально-базисной функцией, когнитроны, неокогнитроны и др.), представляющих собой программное и аппаратное воплощение математических моделей, строящихся на принципах функционирования биологических нейросетей, способных обучаться уже в процессе распознавания и обладают хорошим потенциалом развития |
||
|
2 |
Использование методов анализа и синтеза [1] |
Использование методов анализа |
Изучение способностей к распознаванию, которыми обладают живые существа, объяснение и моделирование их |
|
Использование методов синтеза |
Развитие теории распознавания образов и методов построения соответствующих устройств, предназначенных для решения прикладных задач распознавания |
||
|
3 |
Масштабы изображения образа по сравнению с размером чувствительного элемента приемной матрицы [14] |
Методы распознавания изображения образа, распределенного на множестве элементов приемной матрицы |
Методы распознавания пространственно распределенных изображений, включая:- распознавание на основе пространственных методов обработки изображений;- распознавание на основе методов геометрической и алгебраической обработки изображений;- распознавание на основе методов межкадровой обработки изображений;- методы распознавания с использованием анализа изображений на основе разложения по базисным функциям;- распознавание на основе методов статистического анализа текстур;- распознавание на основе методов анализа формы изображений; - распознавание на основе метрик для измерения сходства изображений |
|
Методы распознавания изображения образа, соизмеримого с размерами элемента приемной матрицы (распределенного на нескольких элементах приемной матрицы) |
Применение методов распознавания пространственно распределенных изображений совместно с распознаванием на основе точечных методов обработки изображений
|
||
|
Методы распознавания изображения образа, меньшего размера изображения элемента приемной матрицы |
Применение распознавания на основе точечных методов обработки изображений совместно с методами распознавания динамических сцен и других методов |
||
|
4 |
Оценка прецедентов [33] |
Метод K ближайших соседей |
Метрический алгоритм для автоматической классификации объектов (когда объект присваивается тому классу, который является наиболее распространённым среди k соседей данного элемента, классы которых уже известны) или регрессии (когда объекту присваивается среднее значение по k ближайшим к нему объектам, значения которых уже известны), применяемый к выборкам с большим количеством атрибутов (многомерным выборкам) и предполагающий предварительное определение функции расстояния, например, евклидовой метрики |
|
Метод эталонов |
Предполагает, что объекты каждого класса занимают достаточно компактную область в пространстве признаков, что позволяет выделить эталонное описание класса, рассматриваемого в качестве объекта сравнения |
||
|
Метод наивной байесовской классификации |
Представляет собой простой вероятностный классификатор, основанный на применении теоремы Т. Байеса, позволяющей определить вероятность события при условии, что произошло другое статистически взаимосвязанное с ним событие, со строгими предположениями о независимости событий, именуемыми наивными, и использующий во многих практических приложениях для оценки параметров для наивных байесовых моделей метод максимального правдоподобия. При этом метод наивной байесовской классификации характеризуется такими достоинствами как: - высокая эффективность обучения; - потребность в минимальном количестве данных, необходимых для обучения, оценки параметров модели и классификации объектов |
||
|
Метод распознавания образов на основе использования алгоритма корректирующих приращений |
Данный метод, именуемый также алгоритм перцептрона или алгоритм «подкрепления-наказания», базируется на учете вклада каждого сигнала с датчика предыдущего уровня в реакцию датчика последующего уровня и сравнении получаемого уровня сигнала с требуемым уровнем, позволяющим отнести объект к тому или иному классу |
||
|
Метод распознавания образов на основе использования алгоритма наименьшей среднеквадратичной ошибки (НСКО) |
Данный метод, известный также как алгоритм Хо-Кашьяпа, позволяет для решения задачи распознавания использовать построение линейных решающих функций (ЛРФ) для разделения классов, содержащих наши образы. При этом метод при возникновении ситуации, когда классы объектов линейно неразделимы, метод НСКО позволяет построить ЛРФ, при которых ошибки неправильной классификации объектов стремятся к минимуму |
||
|
5 |
Логические подходы машинного обучения [7] |
Методы, основанные на принципе разделения |
Основаны на реализации процессов выделения чистых веществ из смесей по физическим и химическим свойствам |
|
Статистические методы |
В основе этих методов распознавания лежит |
||
|
Методы распознавания на основе построения «потенциальных функций» |
Метрический классификатор, представляющий собой частный случай метода «ближайших соседей», в котором с помощью простого алгоритма оценивается весомость (значимость) признаков объектов обучающей выборки при решении задачи классификации |
||
|
Методы распознавания на основе вычисления оценок (голосования) |
Базируется на реализации алгоритма вычисления оценок (АВО), заключающемся в вычислении приоритетов (оценок сходства), характеризующих «близость» исследуемого и эталонных объектов по системе ансамблей признаков на системе подмножеств заданного множества признаков |
||
|
Методы распознавания, основанные на исчислении высказываний, в частности на аппарате алгебры логики |
Основаны на дискретном анализе и базирующемся на нем исчислении высказываний. Они предусматривают наличие логических связей, выраженных через систему булевых уравнений, которые используют переменные, имеющие значение «ИСТИНА» или «ЛОЖЬ» и поэтому практически идеально подходят для описания цифровой логики |
||
|
Методы на основе дерева решений |
Основаны на использовании иерархической древовидной структуры, состоящей из правила вида «Если …, то ...». При этом за счет обучающего множества правила генерируются автоматически в процессе обучения, формируя: - для дискретных целевых переменных − древо классификации; - для непрерывных целевых переменных − древо регрессии |
||
|
Композиция методов распознавания (бустинг). |
Предполагают улучшение качества распознавания в результате объединения различных методов. |
Анализируя современные тенденции развития методов принятия управленческих решений на основе теории распознавания образов, необходимо отметить, что поскольку в основе распознавания образов лежат хорошо известные классические подходы (табл. 1), то дальнейшее их совершенствование будет связано с комплексным использованием различных методов распознавания, направленным на повышение качества распознавания.
При этом перспективы комплексного использования различных методов распознавания образов обусловлены бурным развитием информационных технологий, начиная от технологий больших данных, нейротехнологий и технологий искусственного интеллекта, и заканчивая квантовыми технологиями, сенсорными технологиями и технологиями виртуальной и дополненной реальности, возможности которых описаны, например, в работе [29].
В результате основными тенденциями развития систем распознавания образов с точки зрения преследуемых целей и способов их достижения являются представленные на рис. 3.
Как следует из фрагмента типового алгоритма совершенствования системы распознавания образов (рис. 4), каждый этап совершенствования системы распознавания образов сопряжен с проверкой ресурсных ограничений (эксплуатационных − масса, габариты, энергопотребление, надежности и т.д.; стоимостных – стоимость разработки, стоимость производства, стоимость эксплуатации и др.).
Обсуждение результатов и выводы
Таким образом, проведенные исследования процессов развития методов принятия управленческих решений на основе теории распознавания образов и систем распознавания на их основе позволяют сделать следующие выводы.
Во-первых, методы принятия управленческих решений на основе теории распознавания образов являются одной из групп класса методов принятия управленческих решений на основе оптимизации показателей эффективности, относящихся к категории общеприменимых классов методов принятия управленческих решений (разграниченных с категорией прикладных методов принятия управленческих решений), куда также входят:
− класс общенаучных методов принятия управленческих решений;
− класс традиционных методов принятия управленческих решений на основе обработки статистической информации;
− класс методов принятия управленческих решений на основе детерминированного факторного анализа;
− класс методов принятия управленческих решений на основе стохастического факторного анализа.
Во-вторых, показано, что в основе методов принятия управленческих решений на основе распознавания образов лежит теория распознавания образов, представляющая собой раздел информатики и смежных с нею дисциплин, формирующих основы и развивающих методы классификации и идентификации предметов, процессов, сигналов, ситуаций, явлений и других тому подобных объектов, которые характеризуются конечным набором некоторых присущих только им свойств и признаков, позволяющих отличить их от других классов объектов или идентифицировать среди других индивидуальных объектов рассмотрения, что и предопределяет основные тенденции развития методов принятия управленческих решений на основе теории распознавания образов и систем распознавания на их основе.
В-третьих, анализ современных тенденций развития методов принятия управленческих решений на основе теории распознавания образов показал, что дальнейшее развитие методов принятия управленческих решений будет связано с комплексным использованием различных методов распознавания, базирующихся на классических подходах теории распознавания, и направлено на повышение качества распознавания. При этом перспективы комплексного использования различных методов распознавания образов обусловлены бурным развитием информационных технологий, начиная от технологий больших данных, нейротехнологий и технологий искусственного интеллекта, и заканчивая квантовыми технологиями, сенсорными технологиями и технологиями виртуальной и дополненной реальности.
В-четвертых, показано, что основными тенденциями развития систем распознавания образов с точки зрения достижения ключевых преследуемых целей (увеличение вероятности распознавания образов в заданных условиях; расширение диапазона условий, в которых обеспечивается требуемая вероятность распознавания образов; увеличение количества классов распознавания образов с заданной вероятностью) являются следующие основные способы достижения этих целей:
− увеличение чувствительности датчиков к выделению признаков исследуемых объектов;
− увеличение числа датчиков различной физической природы, способных выделить различные признаки исследуемых объектов;
− совершенствование существующих методов распознавания образов и прикладных технологий, обеспечивающих их реализацию;
− повышение возможностей обработки информации от датчиков с использованием различных методов распознавания (табл. 1) и их комбинаций;
− расширение баз данных признаков и эталонов для решения задач распознавания объектов.
В-пятых, на каждом этапе алгоритма совершенствования системы распознавания образов осуществляется проверка выполнения ресурсных ограничений для предлагаемого способа совершенствования (эксплуатационных − масса, габариты, энергопотребление, надежности, и т.д.; стоимостных – стоимость разработки, стоимость производства, стоимость эксплуатации и др.).
1. Arkad'ev A.G., Braverman E.M. Obuchenie mashiny raspoznavaniyu obrazov. − Moskva: Nauka, 1964. − 110 s.
2. Barabash Yu.L., Varskiy B.V., Zinov'ev V.T. Voprosy statisticheskoy teorii raspoznavaniya. − Moskva: Sovetskoe radio, 1967. − 399 s.
3. Vapnik V.N., Chervonenkis A.Ya. Teoriya raspoznavaniya obrazov. − Moskva: Nauka, 1974. − 416 s.
4. Vasil'ev V.I. Raspoznayuschie sistemy: Spravochnik / V. I. Vasil'ev. - 2-e izd., pererab. i dop. - Kiev: Nauk. dumka, 1983. − 422 s.
5. Gorelik A.L., Skripkin V.A. Metody raspoznavaniya. − 4-e izd. − Moskva: Vysshaya shkola, 1984, 2004. − 262 s.
6. Duda R. Raspoznavanie obrazov i analiz scen [Tekst] / R. Duda, P. Hart; Per. s angl. G.G. Vaynshteyna i A.M. Vas'kovskogo; Pod red. V.L. Stefanyuka. − Moskva: Mir, 1976. − 511 s.
7. Dyuk V.A. Logicheskie metody mashinnogo obucheniya (instrumental'nye sredstva i prakticheskie primery). - Sankt-Peterburg: Izdatel'sko-poligraficheskaya associaciya vysshih uchebnyh zavedeniy, 2020. - 248 s.
8. Egorova A.A., Petrov V.S., Tebekin A.V., Tebekin P.A. Osnovy prinyatiya upravlencheskih resheniy. Uchebnik dlya bakalavrov / Moskva, 2020.
9. Zenin A.V. Analiz metodov raspoznavaniya obrazov / A.V. Zenin. - Tekst: neposredstvennyy // Molodoy uchenyy. − 2017. − № 16 (150). − S. 125-130.
10. Lur'e S.Ya. Demokrit: Teksty, perevod, issledovaniya. - L.: Nauka, 1970. 664 s.
11. Raspoznavanie. Matematicheskie metody. Programmnaya sistema. Prakticheskie primeneniya. / Yu.I. Zhuravlev, V.V. Ryazanov, O.V. Sen'ko. M.: FAZIS, 2006. - 147 s.
12. Rozenblatt, F. Principy neyrodinamiki: Perceptrony i teoriya mehanizmov mozga. − Moskva: Mir, 1965. − 480 s.
13. Tebekin A.V. Prinyatie upravlencheskih resheniy na osnove metodov programmirovaniya kak podgruppy metodov optimizacii pokazateley effektivnosti. // Zhurnal issledovaniy po upravleniyu. − 2018. − T. 4. − № 9. − S. 34-44.
14. Tebekin A.V. Vliyanie tochnosti izmereniya priznakov ob'ektov na kachestvo ih raspoznavaniya. // Ekonomika i proizvodstvo. − 1998. − № 7. − S. 11-13.
15. Tebekin A.V. Logistika [Tekst]: uchebnik: uchebnik dlya studentov ekonomicheskih vuzov, obuchayuschihsya po napravleniyu podgotovki "Ekonomika", special'nosti "Menedzhment" i drugim ekonomicheskim special'nostyam / A. V. Tebekin. − Moskva: Dashkov i K°, 2021. − 354 s.
16. Tebekin A.V. Mesto i rol' metodov teorii issledovaniya operaciy v sisteme metodov prinyatiya optimal'nyh upravlencheskih resheniy. // Zhurnal tehnicheskih issledovaniy. − 2021. − T. 7. − № 3. − S. 3-21.
17. Tebekin A.V. Metody prinyatiya upravlencheskih resheniy na osnove optimizacii pokazateley effektivnosti s ispol'zovaniem nekooperativnyh igr. // Zhurnal issledovaniy po upravleniyu. − 2019. − T. 5. − № 1. − S. 48-64.
18. Tebekin A.V. Metody prinyatiya upravlencheskih resheniy na osnove optimizacii pokazateley effektivnosti s ispol'zovaniem kooperativnyh igr. // Zhurnal issledovaniy po upravleniyu. − 2018. − T. 4. − № 11. − S. 39-53.
19. Tebekin A.V. Metody prinyatiya upravlencheskih resheniy na osnove teorii igr kak gruppa metodov klassa prinyatiya strategicheskih resheniy na osnove optimizacii pokazateley effektivnosti. // Strategii biznesa. − 2018. − № 10 (54). − S. 3-12.
20. Tebekin, A.V. Metody prinyatiya upravlencheskih resheniy: uchebnik dlya vuzov / A. V. Tebekin. − Moskva: Izdatel'stvo Yurayt, 2020. − 431 s.
21. Tebekin A.V. Obschenauchnye metody prinyatiya upravlencheskih resheniy. Moskva, 2019.
22. Tebekin A.V. Prinyatie upravlencheskih resheniy na osnove metodov programmirovaniya kak podgruppy metodov optimizacii pokazateley effektivnosti. // Zhurnal issledovaniy po upravleniyu. − 2018. − T. 4. − № 9. − S. 34-44.
23. Tebekin A.V., Denisova I.V., Tebekin P.A. Ispol'zovanie metodov stohasticheskogo faktornogo analiza pri prinyatii upravlencheskih resheniy. // Zhurnal issledovaniy po upravleniyu. − 2017. − T. 3. − № 10. − S. 17-53.
24. Tebekin A.V., Mitropol'skaya-Rodionova N.V., Horeva A.V. Metody prinyatiya upravlencheskih resheniy na osnove instrumentov teorii massovogo obsluzhivaniya. // Zhurnal issledovaniy po upravleniyu. − 2019. − T. 5. − № 6. − S. 34-54.
25. Tebekin A.V., Surat I.L. Osnovy prinyatiya upravlencheskih resheniy: principy, funkcii, tipologiya, usloviya i faktory obespecheniya kachestva, celevaya orientaciya, analiz al'ternativ / Moskva, 2018.
26. Tebekin A.V., Tebekin P.A. K voprosu o klassifikacii metodov prinyatiya upravlencheskih resheniy. // Transportnoe delo Rossii. − 2018. − № 5. − S. 110-115.
27. Tebekin A.V., Tebekin P.A. Klassifikaciya metodov prinyatiya upravlencheskih resheniy na osnove optimizacii pokazateley effektivnosti. // Zhurnal issledovaniy po upravleniyu. − 2018. − T. 4. − № 4. − S. 13-24.
28. Tebekin A.V., Tebekin P.A. Metody prinyatiya upravlencheskih resheniy na osnove optimizacii pokazateley effektivnosti s ispol'zovaniem gibridnyh igr. // Zhurnal issledovaniy po upravleniyu. − 2019. − T. 5. − № 2. − S. 34-47.
29. Tebekin A.V., Tebekin P.A., Egorova A.A. Analiz perspektiv razvitiya nacional'noy ekonomiki pri vnedrenii skvoznyh cifrovyh tehnologiy. // Zhurnal ekonomicheskih issledovaniy. − 2020. − T. 6. − № 4. − S. 3-18.
30. Tebekin A.V., Tebekin P.A., Tebekina A.A. Ispol'zovanie informacionno-tehnologicheskoy modeli upravleniya (itmu) v prinyatii resheniy. // Vestnik Moskovskogo universiteta im. S.Yu. Vitte. Seriya 1: Ekonomika i upravlenie. − 2016. − № 1 (16). − S. 128-135.
31. Tu, Dzhulius. Principy raspoznavaniya obrazov [Tekst] / D. T. Tu, R. K. Gonsales; Per. s angl. I. B. Gurevicha. Pod red. Yu. I. Zhuravleva. − Moskva: Mir, 1978. - 411 s.
32. Fayn V.S. Opoznavanie izobrazheniy [Tekst]: Osnovy nepreryvno-gruppovoy teorii i ee prilozheniya / AN SSSR. In-t problem peredachi informacii. − Moskva: Nauka, 1970. − 296 s.
33. Fomin V.V., Aleksandrov I.V. Ob odnom opyte primeneniya parallel'nyh vychisleniy pri razrabotke Web-instrumentariya raspoznavaniya obrazov. // Programmnye produkty, sistemy i algoritmy. − 2017. − №1.
34. Fomin Ya.A., Tarlovskiy G.R. Statisticheskaya teoriya raspoznavaniya obrazov. − Moskva: Radio i svyaz', 1986. − 624 s.
35. Forsayt Devid A., Pons Dzhin. Komp'yuternoe zrenie. Sovremennyy podhod. − Moskva: Vil'yams, 2004. − 928 s.
36. Fu K. Strukturnye metody v raspoznavanii obrazov [Tekst] / K. Fu; Perevod s angl. N.V. Zavalishina [i dr.]; Pod red. M.A. Ayzermana. − Moskva: Mir, 1977. − 319 s.
37. Shapiro L., Stokman Dzh. Komp'yuternoe zrenie. − Moskva: Binom. Laboratoriya znaniy, 2006. − 752 s.
