Распознавание новых объектов.

При предъявлении нового объекта машина вычисляет его знаки относительно всех плоскостей и полученный код поочередно сравнивает по существенным разрядам со всеми строками таблицы знаков (табл. X). При совпадении строк машина относит новый объект к соответствующему образу.

§ 3. Способы повышения надежности распознавания

Секущие плоскости проводятся случайно и независимо друг от друга. Поэтому, если провести обучение несколь­ко раз на одном и том же материале (т. е. осуществить не­сколько вариантов обучения), будет весьма маловероятным, что ошибки в раз­биении пространства рецепторов окажутся одинаковыми во всех вариантах. Следует ожидать, что в каждом из ва­риантов машина будет ошибаться по-разному. Это дает основание применить метод параллельных вариантов. При использовании этого метода одновременно и незави­симо друг от друга на одном и том же материале обучаются несколько машин. При узнавании новых объектов каж­дая машина будет относить эти объекты к какому-то об­разу, может быть, не к одному и тому же. Окончательное решение принимается «голосованием» машин — объект относится к тому образу, к которому его отнесло большее число машин. Эксперименты показывают, что метод па­раллельных вариантов весьма эффективен.

Другой способ повышения надежности распознавания состоит в некотором улучшении метода проведения секу­щих плоскостей. Можно предположить, что если проводить секущие плоскости близко к плоскости, проходящей через середину прямой, соединяющей объект и оппонент и пер­пендикулярной к этой прямой^[1], то результирующая разделяющая поверхность будет ближе к истинной границе между образами. Эксперименты подтверждают это пред­положение.

В экспериментах с «улучшенным» алгоритмом прове­дение секущих плоскостей происходило следующим обра­зом. Выбиралось некоторое число k (его величина уточ­нялась экспериментом), и после случайного выбора вели­чин li, и вычисления s(1) и s(2) (см. первую часть алгорит­ма) модуль разности s(1) и s(2) сравнивался с k. Если |s(1) - s(2)| > k, выбранные li считались пригодными и вводились в память машины; если |s(1) - s(2)| £ k, то li выбирались вновь до тех пор, пока модуль разности s(1) и s(2) не превзойдет k. Кроме того, в качестве свобод­ного члена выбиралось число

(6)

Геометрически эти условия означают, что секущая плоскость SS проходит через середину прямой, соединяю­щей объект и оппонент, и располагается внутри некото­рого угла АОВ вблизи перпендикуляра ОС к этой прямой (рис. 13), причем этот угол тем меньше, чем больше вели­чина k.

В экспериментах с «улучшенным» алгоритмом при k = 2 и при k = 5 средний процент правильно узнанных фигур повысился почти до 80% при k =2 и бо­лее чем до 85% при k = 5. Один из вариантов при k = 5 дал надежность распознава­ния почти 90 %. Такое резкое повышение надежности распознавания за счет более организованного проведения секущих плоскостей говорит о том, что гипотеза компакт­ности справедлива, по крайней мере, в отношении применяв­шихся образов. В противном случае разные методы прове­дения плоскостей давали бы примерно одинаковый эф­фект.

Метод параллельных вариантов позволяет еще больше повысить надежность распознавания. Применение этого метода к вариантам первона­чального алгоритма позволило машине правильно уз­нать 88,5% фигур, а когда метод был применен к вариантам улучшенного алгоритма, надежность узнавания возросла до 98,5%, т. е. машина ошибалась только в трех случаях из двухсот.

Таким образом, эксперименты показали, что метод се­кущих плоскостей действительно позволяет обучить маши­ну распознаванию сложных фигур. А так как никакие сведения о свойствах фигур машине не сообщались, этот же алгоритм в принципе дает машине возможность обучиться распозна­ванию широкого класса иных образов, аналогичных по сложности арабским цифрам.