ИСТИНА

В рамках проекта будет развито новое направления в теории распознавания образов – т.н. реляционный подход (РП). Сущность методов распознавания на базе РП – анализ описания объектов и формирование подходящего признакового пространства с учетом имеющихся информации о классах. При этом учитываются связи и отображения между множествами объектов и признаков. Наиболее известное и разработанное направление в рамках РП – анализ формальных понятий, однако разработанные в ходе реализации проекта методы не будут находиться исключительно в его рамках. Предлагаемый РП включает в себя группу методов, базирующихся на теории отношений, решёток, частично упорядоченных множеств, начало изучения которых было начато в работах отечественных и зарубежных учёных ещё в прошлом веке и продолжается в настоящее время. На основе разработанных методов в рамках РП будут созданы алгоритмы распознавания и решены ряд задач (из областей экономики, биоинформатики и др.), неудовлетворительно решаемых традиционными методами, проведены исследования в области т.н. глубинного обучения - нового подхода к генерации признаковых описаний объектов, будет решена задача сегментации выделения объекта на зашумленном изображении с учетом априорных представлений о вариабельности формы объекта. Также будут развиты методы оценки надёжности разработанных алгоритмов, основанные на предложенной при выполнении предыдущих проектов (поддержанных РФФИ) информационной модели алгоритмов классификации.

В результате выполнения проекта построен оригинальный подход использования метрической информации в применении метода анализа формальных понятий (АФП) для задач распознавания образов. Подход объединяет идеи связи объект-признак, лежащие в основе АФП и метрические методы распознавания образов. Также был предложен метод оценки компактности и разделимости объектов из разных классов в случае классификации на два класса с применением методов АФП. Предложенный метод протестирован на нескольких задачах с реальными данными. В 2014 г. проведено исследование различных архитектур глубинных нейронных сетей применительно к следующим задачам обработки данных: 1. моделирование распределений на бинарную и многоклассовую форму двухмерного объекта; 2. семантическая сегментация изображений; 3. построение семантических представлений слов. Исследовались архитектуры на основе ограниченных машин Больцмана и их специального случая больцмановских машин формы, свѐрточных сетей, скипграмм; в результате было установлено, что сверточные сети, в целом, обладают рядом преимуществ перед другими архитектурами, особенно в задачах, связанных с обработкой изображений. Также велись работы по разработки и реализации алгоритмов для BCI-интерфейсов с использованием доступного коммерческого устройства Emotiv (см. рис. 1). В ходе исследований был предложен способ формирования признакового пространства для решения задачи идентификации направления курсора с использованием BCI, построены алгоритмы фильтрации артефактов, связанных с неинформативными движениями человека и проведено их сравнение с использующемся в большинстве BCI методом, основанном на анализе спектральной характеристики сигнала. Принцип верификации сложных моделей путѐм проверки полноты описания данных с помощью простых моделей, был распространѐн на кусочно-линейные или полиномиальные регрессионные модели. Данный принцип основан на использовании перестановочных тестов и включает верификацию сложных моделей относительно простых моделей, полученных с помощью метода наименьших квадратов, моделей, наименее удалѐнных от верифицируемой сложной. В теоретических исследованиях обоснования метода поиска оптимальных выпуклых комбинаций предикторов в качестве целевого функционала был принят коэффициент корреляции с прогнозируемой величиной и было строго доказано, что максимальное значение целевого функционала обязательно достигается для выпуклой комбинации, в которой все предикторы со строго положительными коэффициентами образуют несократимый и нерасширяемый набор. При изучении метрик на объектах распознавания без учителя (указанная задача сводится к задаче наилучшего восстановления исходных данных) доказано, что дополнительные метрические ограничения не снижают качество восстановления информации. Предложен подход, в котором задача обучения линейной комбинации метрик на размеченной выборке сводится к задаче линейного программирования, показано, что данная задача всегда разрешима, если в выборке нет противоречивых объектов.