Koncept nove metode fazi prepoznavanja oblika primenom deformacije prostora osobenosti

Abstract

Sposobnost prepoznavanja oblika je jedno od najznačajnijih svojstava koja karakterišu inteligentno ponašanje bioloških ili veštačkih sistema. Matematičko prepoznavanje oblika predstavlja formalnu osnovu za rešavanje ovog zadatka primenom precizno forumulisanih algoritama, koji su u najvećem delu bazirni na konvencionalnoj matematici. Kod kompleksnih sistema ovakav pristup pokazuje značajne nedostatke, prvenstveno zbog zahteva za obimnim izračunavanjima i nedovoljne robusnosti. Algoritmi koji su bazirani na 'soft computing' metodama predstavljaju dobru alternativu, otvarajući prostor za razvoj efikasnih algoritama za primenu u realnom vremenu, polazeći od činjenice da značenje sadržaja informacija nosi veću vrednost u odnosu na preciznost. U ovom radu izlaže se modifikacija i proširenje 'Subrtactive Clustering' metode, koja se pokazala efikasnom u obradi masivnih skupova oblika u realnom vremenu. Novi pristup koji je baziran prvenstveno na povezivanju parametara algoritma sa informacionim sadržajem prisutnim u skupu oblika koji se obrađuje, daje dodatne stepene slobode i omogućava da proces prepoznavanja bude vođen podacima koji se obrađuju. Predloženi algoritam je verifikovan velikim brojem simulacionih eksperimenata, od kojih su neki navedeni u ovom radu.

Pattern recognition ability is one of the most important features that characterize intelligent behavior of either biological or artificial systems. Mathematical pattern recognition is the way to solve this problem using transparent algorithms that are mostly based on conventional mathematics. In complex systems it shows inadequacy, primary due to the needs for extensive computation and insufficient robustness. Algorithms based on soft computing approach offer a good alternative, giving a room to design effective tools for real-time application, having in mind that relevance (significance) prevails precision in complex systems. In this article is modified and extended subtractive clustering method, which is proven to be effective in real-time applications, when massive pattern sets is processed. The new understanding and new relations that connect parameters of the algorithm with the information underlying the pattern set are established, giving on this way the algorithm ability to be data driven to the maximum extent. Proposed algorithm is verified by a number of experiments and few of them are presented in this article .