004.931

В статье рассматриваются возможные подходы к определению разделяющих границ. Реализован метод, основанный на использовании потенциальных функций. Рассматриваются возможности построения классификаторов, основанных на решающих функциях, анализируются условия выбора подходящего метода для реализации этих функций. Для успешного функционирования классификаторов, входящих в систему распознавания, была разработана программа на языке С#, предназначенная для построения разделяющих границ между двумя классами, позволяющая редактировать ее путем добавления новых записей, удаления выборочных информативных признаков, внесения изменений значений в совокупности векторов образов, образующих классы. Разработанная система распознавания образов позволяет осуществлять классификацию и создавать разделяющие границы для таких классов выборочных образов, которые линейно неразделимы и предназначены для интеллектуальных систем анализа.

The paper considers possible approaches to the detection of separating boundaries. A method based on the use of potential functions has been implemented. We analyzed the possibilities of classifiers construction based on decision functions, and the conditions of choosing the appropriate method for the realization of these functions. For the successful functioning the classifiers included in the recognition system, a C# program has been designed building boundaries between two classes. This program can be edited by adding new records, deleting selective informative features, changing values in the set of image vectors forming classes. The developed system of pattern recognition gives possibility to classify and create boundaries for such classes of selective patterns, which are linearly non-separable and designed for intelligent systems of analysis.

доктор технических наук, профессор кафедры программной инженерии Юго-Западного государственного университета

кандидат технических наук, доцент кафедры информатики Российского экономического университета имени Г.В.Плеханова

cтудент Юго-Западного государственного университета

Белобров А.П., Борисовский С.А., Томакова Р.А. Нейросетевые модели морфологических операторов для сегментации изображений медицинских сигналов // Известия ЮФУ. Технические науки. 2010. № 8 (109). С. 28-32.

Борисовский С.А., Брежнева А.Н., Томакова Р.А. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений // Биомедицинская радиоэлектроника. 2010. № 2. С. 49-53.

Томакова Р.А., Филист С.А., Жилин В.В., Горбатенко С.А. Структурно-функциональные решения нечетких нейронных сетей для интеллектуальных систем анализа разнотипных признаков // Фундаментальные и прикладные проблемы техники и технологии. 2011. № 1. С. 85-91.

Томакова Р.А., Филист С.А., Яа Зар До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4-2 (43). С. 44-50.

Томакова Р.А., Насер А.А., Шаталова О.В. Математическое обеспечение распознавания и классификации сложноструктурируемых биологических объектов // Международный журнал прикладных и фундаментальных исследований. 2012. № 4. C. 48-29.

Томакова Р.А., Филист С.А., Руденко В.В. Нечеткая модель интеллектуального морфологического оператора для формирования границ сегментов // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2011. Т. 17. № 1-1 (96). С. 188-195.

Canny J. A computational approach to edge detection. IEEE Trans, Pattern Analysis and Machine Intelligence. 1986. vol. 8. Pр. 679-714.

Kang W.X., Yang Q.Q., Liang R.R. The comparative research on image segmentation algorithms. IEEE Conference on ETCS. 2009. Pp. 703-707.

Lindeberg Т. Edge detection and ridge detection with automatic scale selection. International Journal of Computer Vision. 1998. 30. 2. Pp. 117-154.

Zhang W., Bergholm F. Multi-scale blur estimation and edge type classification for scene analysis. International Journal of Computer Vision. 1997. Vol. 24. Issue 3. Pр. 219-250.