Метод блочного распознавания инвентарных номеров железнодорожных подвижных единиц

В основе предлагаемого метода лежит предположение о том, что члены комитета неустойчивых классификаторов, обученные только на положительных примерах, будут чаще противоречить друг другу, чем когда им будет предъявлен образ из известного им класса. Однако при этом необходимо, чтобы классификаторы, участвующие в комитете имели достаточно высокое разнообразие. Для этого их необходимо обучать на различных выборках данных. Так как в нашем распоряжении имеется лишь одно множество примеров, то различающиеся подмножества с близким статистическим распределением можно получить путем применения бутстрепа [7] — случайной выборки с возвратом.

Подход, основанный на независимом обучении отдельных моделей на бутстреп-выборках из обучающего набора данных, был предложен в [8] и получил название «бэггинг».

Графическая интерпретация комитета неустойчивых классификаторов (нейронных сетей), разделивших при обучении на бутстреп-выборках множества классов гиперплоскостями, спроецированная на двумерную плоскость, демонстрирует суждение о результативности комбинирования неустойчивых моделей (рис.4).

Рис. 4. — Графическая интерпретация комитета линейных пороговых классификаторов. С₁, С₂ — множество объектов класса «1» и «2» соответственно, O — граница разделения классов, N_n — граница разделения классов по «мнению» n-й ИНС. K₁, K₂ — новые объекты для классификации

Очевидно, что точность классификации комитетом повышается с увеличением количества нейросетей. Однако, при наращивании численности членов комитета, пропорционально увеличивается и время классификации, что не соответствует требованиям производительности алгоритмов систем, работающих в реальном времени. Соответственно, при формировании комитета, количество входящих в него классификаторов определяется некоторым оптимальным соотношением точности и времени классификации.

В качестве комитета неустойчивых классификаторов предлагается применение разработанной ранее нейроиммунной модели классификации (НИМК) [9] для блочного распознавания инвентарных номеров вагонов. НИМК обладает свойством редукции данных за счет применения механизма иммунной кластеризации и, в отличие от алгоритма-прототипа AIRS2 (Artificial Immune Recognition System v2) [10], имеет быстрый механизм классификации новых примеров без потери точности, основанный на применении комитета неустойчивых классификаторов — ИНС прямого распространения, обучаемых на бутстреп выборках.

Алгоритм НИМК состоит из следующих основных этапов:

• 1. Применяется метод главных компонент для сокращения размерности данных.
• 2. Формируется множество клеток памяти по методу, применяемому в алгоритме AIRS2.
• 3. Формирование обучающих множеств для ансамбля ИНС методом бэггинга на основе множества клеток памяти, полученных на предыдущем этапе.
• 4. Эвристическое формирование и обучение ансамбля ИНС.
• 5. Классификация: классифицируемые примеры подаются на вход ансамбля ИНС, полученного на предыдущем шаге.

При формировании визуального стимула рецептивного поля НИМК методом «скользящего окна», наблюдается подтверждение особенности комитета, предположенной нами выше — о противоречии большинства ИНС друг другу, при предъявлении образов неизвестного им класса. Графическая интерпретация выявленной особенности представлена на рис. 5.

Изображение на рис. 5а) соответствует бинарному изображению области с инвентарным номером вагона, на рис.5б) (выходной сигнал) — результатам классификации комитетом каждого шага окна, где ось ординат — наибольшая величина суммы значений выходов комитета, ось абсцисс — координаты позиции окна.

Как видно по рис. 5б), существует необходимость подавления высокочастотной составляющей выходного сигнала для возможности корректной интерпретации полученных результатов. Для этого в разработанном методе используется КИХ-фильтр — линейный цифровой фильтр, характерной особенностью которого является ограниченность по времени его импульсной характеристики [11].

В задачах цифровой обработки сигналов и изображений КИХ-фильтр является эффективной унифицированной процедурой, осуществляющей базовую операцию — вычисление свертки входного изображения и линейного фильтра, которая может быть представлена в виде (1).

(1).

где — выходной ряд;

— конечная область ненулевых отсчетов импульсной характеристики;

— отсчеты входного изображения;

— отсчеты коэффициентов фильтра.

Результат применения свертки выходного сигнала КИХ-фильтром изображен на рис. 6.

Рис. 6. — Результат блочного распознавания инвентарного номера

На полученном выходном ряде локальные минимумы соответствуют вертикальным уровням разделения цифр, локальные максимумы — центральным позициям цифр распознаваемого номера, а также номеру класса, к которому они относятся. Обнаружение точек локальных экстремумов производится на этапе итеративной свертки КИХ-фильтром с помощью вычисления определителя матрицы Гессе для точки в апертуре:

.

.

где — диагональные миноры симметрической матрицы Гессе.

Таким образом, сформируем основные этапы предлагаемого нами метода блочного распознавания инвентарных номеров железнодорожных подвижных единиц, основанного на комитетнойнейроиммунной модели классификации:

• 1. Формирование и обучение НИМК.
• 2. Классификация каждого шага входного изображения методом скользящего окна.
• 3. Сглаживание полученного ряда результатов классификации КИХ-фильтром.
• 4. Обнаружение локальных экстремумов за счет вычисления оператора матрицы Гессе для каждой точки ряда, полученного на предыдущем этапе.
• 5. Формирование результата распознавания по полученным на предыдущем этапе локальным максимумам.