Введение к работе
Ахтуалъностъ темы. Современные требования к автоматизированным системам принятия решений, предполагаюптие качественное расширение класса задач, которые эти системы должны решать,.приводят к необходимости более широкого и общего подхода к моделированию процессов принятия решений.
В настоящее время ведется активная работа по развитию моделей и распространению их сферы действия на исходно противоречивые (с точки зрения втих моделей) и неформализуемые задачи. Значительные результаты в втом направлении достигнуты И.И.Ереминым1 и В.Д.Мазуровым2.
В проблеме расширения моделей принятия решений, в частности моделей алгоритмов распознавания, с особой остротой встают вопросы относительно выбора того или иного продолжения модели. Поиск ответов на данные вопросы предполагает проведение общих исследований строения в целом совокупностей конкретных распознающих алгоритмов. Такие исследования стали возможны, благодаря введенному Ю.И.Журавлевым3 абстрактному понятию алгоритма распознавания.
В настоящей работе рассматривается частный случай таких алгоритмов распознавания в применении к задаче обучения частично вероятностных автоматов. В основе обучения лежит управляемый поиск, что позволяет провести аналогию с работой Т.Митчелла4. В диссертации исследуется влияние структурных свойств распознающих алгоритмов на эффективность обучения, а также на восприимчивость к целенаправленному обучению среды.
Цель работы состоит в изучении строения некоторых классов алгоритмов распознавания и определении эффективности обучения, обеспечиваемого ими в рамках теоретико-автоматной модели.
Методы исследования. В основе работы лежит теоретико-множественное представление основных объектов теории распознавания. Модель процесса обучения включает теоретико-автоматные конструкции. В доказательствах отдельных теорем использовались понятия и результаты теории графов, общей алгебры.
Научная новизна. Все результаты, полученные в диссертационной работе, являются новыми.
1 Еремин И.И. О задачах выпуклого программирования с противоречивыми ограничениями //Кибернетика, 1971, КЧ. - С. 124-129.
^Мазуров Вл.Д. Метод комитетов в задачах оптимизации и классификации. - М.: Наука, 1990.
аЖуравлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации. - Проблемы кибернетики. Вып. 33. - М.: Наука, 1978, с.5-68.
*T.M.MHehell Generalization as Search. - Artificial Intellegence, 1982, Vol. 18, 203-226.
Теоретическая и практическая ценности.*. Результаты работы могут быть использованы при проектировании моделей алгоритмов распознавания, обучающихся систем, а также систем искусственного интеллекта.
Апробация работы. Результаты, составляющие содержание диссертации, докладывались на 2-й Всероссийской с участием стран СНГ конференции: "Распознавание образов и анализ изображений: новые информационные технологии" (август, 1995), а также на научных семинарах отдела математического программирования Института математики и механики УрО РАН, кафедры экономического моделирования и информатики Уральского государственного университета, кафедры вычислительной техники Уральского государственного технического университета.
Публикации. Практически полное содержание диссертации представлено в работах, список которых приводится в конце автореферата.
Структура и обшем работы. Диссертация состоит из шести глав (включая введение), разбитых на 17 разделов и списка литературы. Объем диссертации составляет 84 страницы печатного текста. Библиография состоит из 51 наименования.