Алгоритмы распознавания казахского слова как целого


НазваниеАлгоритмы распознавания казахского слова как целого
страница12/12
Дата публикации01.10.2013
Размер1.01 Mb.
ТипДокументы
1   ...   4   5   6   7   8   9   10   11   12

^ Постановка задачи

Ставится задача распознавания пользователя по множеству статистических параметров, полученных на основе данных движения курсора пользователя в реальном времени. Измерения координат движения курсора необходимо преобразовать таким образом, чтобы получить множество признаков, однозначно определяющих выбранного пользователя системы.

^ Решение задачи

В работах [3,4,5,6,7,8] предложен метод построения признакового пространства на основе множества – характеристик траекторий движения курсора под управлением субъекта. Приведены статистические доказательства существования аттракторов, в пространстве – спектров ковариационных матриц , индивидуальных для каждого субъекта.

Необходимо найти ответ на вопрос, каким же образом можно простроить классификатор на таких аттракторах? Попытки применить известные теоремы о среднем и использовать классические метрики вида: , хотя и дают приемлемые результаты, однако требуют больших объемов измерений и вычислений, в силу упоминаемых в тех же работах фрактальных свойств рядов собственных чисел. Известно, что среднее не является устойчивым для величин временного ряда, имеющего фрактальную природу.

Признаковое пространство на траекториях движения курсора определено следующим образом:

,

где в качестве характеристик траекторий выбраны следующие функции:

;

;

;

;

;

.

Распределения значений характеристик близки к нормальному распределению, но все же не являются таковыми и имеют более "толстые хвосты". Такие распределения в экономических исследованиях известны как распределения Парето-Леви. Закон больших чисел не применим к таким распределениям, т. к. выборочные средние малоинформативны и неустойчивы [9]. На рис. 1 приведена гистограмма совместного распределения первых двух характеристик траекторий курсора.

^ Рис. 1. Гистограмма совместного распределения 1-й и 2-й характеристик
Вычисление спектров ковариационных матриц на характеристиках траекторий приводит также к фрактальным структурам. На рис.2 приведена гистограмма распределения первого собственного числа ковариационной матрицы. Наиболее близкий закон распределения – логнормальный. Аналогичные распределения имеют также значения остальных собственных чисел кроме четвертого и пятого.

Известно соотношение: , где - нормированный размах, - число наблюдений, а – константа, - показатель Херста. Оказалось, что показатель Херста, вычисленный для временного ряда каждого собственного числа ковариационной матрицы существенно меньше 0,5, что свидетельствует о фрактальной природе последовательности спектров.



^ Рис. 2. Гистограмма значений первого собственного числа ковариационной матрицы

Если отобразить спектр на плоскости, где по горизонтали указан номер собственного числа, а по вертикальной оси его значение и соединить точки одного спектра отрезками рис. 3, то для построения классификатора необходимо найти метрику, которая позволит оценить расстояние между двумя спектрами в 6-ти мерном пространстве. Использование метрики , дает приемлемые результаты только для спектров всей сессии. Каждая сессия содержит более 500 сегментов – траекторий. Каждая траектория состоит в среднем из 30 точек.

^ Рис. 3. Спектры ковариационной матрицы для всей сессии(жирная линия) и 6-и наиболее близких сегментов той же сессии
На рис.4 изображено взаимное расположение спектров пяти пользователей по трем первым собственным числам. Каждая точка соответствует одной сессии измерений пользователя. Очевидно, что существуют разделяющие гиперплоскости в пространстве спектров для построения линейного классификатора. Однако, вопрос о принадлежности нового измерения – точки соответствующей испытательной сессии неизвестного пользователя, определенному уже существующему классу или же отрицание такой принадлежности остается открытым. Причиной тому - отсутствие доказательства, что множество спектров полученных для пользователя является выпуклым множеством.


^ Рис. 4. Образы 5-и пользователей в трехмерном пространстве по первым трем собственным числам сессий

Также, препятствием для построения приемлемого классификатора является нахождение некоторой величины, которая позволит нормировать спектры всех пользователей. Как упоминалось выше, выборочное среднее не пригодно из-за его неустойчивости.

Чтобы попытаться решить эту проблему, рассмотрим пример. Пусть и некоторые положительные числа, которые связанны соотношением
, где .
И пусть . Найдем такое , чтобы выполнялось равенство

.

Тогда

.

Оказывается, что эта функция имеет ряд интересных свойств. При , график функции для имеет вид рис. 5. Т. е., можно заменить прямой линией с точностью до четвертого знака после запятой.
Рис. 5. Графики функции для различных
Применим такой подход к спектру ковариационной матрицы сессии для пользователя. А именно: если , то решая уравнение , получим пару чисел. Далее, построив на плоскости точки , где – номер сессии, увидим, что точки всех сессий одного пользователя лежат на прямой с погрешностью меньше рис. 6. Таким образом, можно утверждать, что в пространстве RV удается построить образ пользователя в виде выпуклого множества с некоторой погрешностью . Уменьшить погрешность можно за счет увеличения объема выборки сегментов для вычисления ковариационной матрицы.



Рис. 6. Линии регрессии для трех пользователей в пространстве RV
Экспериментально подтверждено, что для определения параметров прямой линии регрессии существенно снижается объем вычислений. Для точности порядка 10-3 достаточно, чтобы сессия содержала около 3х30 сегментов вместо 500 сегментов при использовании метрики .

Очевидно, что вопрос о принадлежности измерения определенному классу решается автоматически.
^ СПИСОК ЛИТЕРАТУРЫ

  1. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений. Монография. Пензенский государственный университет, Пенза 2000.

  2. Брюхомицкий Ю.А. Параметрический метод биометрической аутентификации пользователей информационных систем. Научно практический журнал "Информационное противодействие угрозам терроризма". №1, 2003. http://www.contrterror.tsure.ru/site/index.htm

  3. Рифа В.Н., Баклан Я.И., Баклан И.В., Метод главных компонент в задачах аутентификации. //Труды Шестой Всеукраинской международной конференции УКР’ОБРАЗ 2002. - Киев 2002. С 215-218.

  4. Рифа В.Н. Метод динамических характеристик в задаче биометрической аутентификации. //Тезисы докладов Международной 11-й межвузовской конференции по математике и механике Евразийского национального университета им.Л.Н. Гумилева, Астана 2006.

  5. Рифа В.Н. Метод динамических характеристик и фрактальные структуры. Международный журнал “Системные исследования и информационные технологии”. №3 К. - 2007.

  6. Рифа В.Н., Лопатин О.К., Фрактальные структуры в задаче биометрической аутентификации. Международный журнал Института Проблем Искусственного Интеллекта НАНУ №4, Донецк 2007. С.309-316.

  7. Рифа В.Н., Шарипбаев А.А. Метод динамических характеристик и фрактального анализа в задаче динамической биометрической аутентификации, //ВЕСТНИК НАУКИ Костанайского социально-технического университета им. Академика Зулхарнай Алдамжар, №2, Костанай 2009.- С. 136-146.

  8. Рифа В.Н., Шарипбаев А.А., Метод динамических характеристик в задаче идентификации пользователя по управлению манипулятором, Материалы международной научно практической конференции "Актуальные проблемы математики, информатики, механики и теории управления" Ч.2, Алматы, 2009. -С.391-395.

  9. Петерс Э. Хаос и порядок на рынках капитала: Новый аналитический взгляд на циклы, цены и изменчивость рынка / Пер. с англ. М.: Мир, 2000.

  10. Бидюк П.И., Баклан И.В., Рифа В.Н. Системный подход к построению регрессионной модели по временным рядам. //Международный научно технический журнал “Системные исследования и информационные технологии”, №3, Киев 2002.

  11. Баклан И.В., Рифа В.Н. Гибридные модели в статистических методах распознавания образов. //Вестник ХГТУ №3(19), Херсон 2003.

  12. Рифа В.Н. Баклан Я.И. Баклан И.В. Бидюк П.И. Долгов Д.С., Метод динамических характеристик в задачах аутентификации, //Вестник КАЗАУ, Т-IV, ч. 4, Астана 2004. - С.26-28.

  13. Рифа В.Н. Методы оптимального управления в задаче аутентификации. //Вестник "Университета Туран", Алматы 2004.


Биометриялық айқындау есебін шешудегі нейрожүйеге бір балама

Шәріпбаев А., Рифа В.

Компьютерді пайдаланушыны манипуляторды басқаруына байланысты ұқсастыру есебін шешуге динамикалық сипаттау әдісін қолдану мүмкіндігі қарастырылады. Сандық эксперимент нәтижесі коварияциалық матрицаның өзіндік санының бақылау саны өскен сайын пайдаланушының өзіндік тұрақтылығына жинақталатындығын көрсетеді.
About one alternative to neuron network in the decision of a problem of biometric identification

Rifa V., Sharipbaev A.

The possibility of application of the dynamic characteristic method to the problem identification of a computer user by manipulator control is considered. Numerical experiments show existence of simple linear qualifiers in some spaces of attributes.


1   ...   4   5   6   7   8   9   10   11   12

Похожие рефераты:

Алгоритмы распознавания казахского слова как целого
Об оптимальной абсолютно линейной дискретизации решений волнового уравнения с начальными условиями из классов Соболева
С. К. Коваленко о методике дифференцированных функциональных состояний...
Метод качественных структур, изложенный в [1], как способ рассмотрения целого, предполагает возможность исследования трех различных...
Учебное пособие для студентов
Образов по цветовому описанию, геометрическим параметрам, а также по принятию решений в интеллектуальных системах. Теоретические...
Процедуры распознавания зависят от понятия расстояния между двумя...
Методы классификации распознавания образов, использующие евклидовы пространства описаний
Процедуры распознавания зависят от понятия расстояния между двумя...
Методы классификации распознавания образов, использующие евклидовы пространства описаний
Создан первый в мире мультимедийный самоучитель казахского языка
«M. A. R. I. D. I» ведущий европейский производитель профессиональных it–решений для ускоренного изучения иностранных языков презентовала...
Сарсен аманжолов основоположник казахского языкознания
В XIX веке большую роль в создании казахского литературного языка сыграли Абай и Алтынсарин. У истоков казахского языкознания стоял...
Учебное пособие для студентов специальностей н. 02. 02 «Радиофизика»
Учебное пособие предназначено для студентов и аспирантов факультета радиофизики и электроники, включает принципы организации и алгоритмы...
Гу «Средняя общеобразовательная школа №5 г. Павлодара»
Как вы понимаете слова Н. Заболоцкого? Как вы думаете, почему именно эти слова я взяла в качестве эпиграфа нашего занятия?
Ш. Уалиханов – великий ученый и просветиель казахского народа
Цель урока: а образовательная: на основе дополнительного материала раскрыть роль Ш. Ш. Уалиханова как ученого, просветителя в истории...

Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2013
контакты
referatdb.ru
referatdb.ru
Рефераты ДатаБаза