МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ

ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ БИОРЕСУРСОВ И

ЗЕМЛЕИСПОЛЬЗОВАНИЯ УКРАИНЫ

В.Е. Бондаренко

ТЕОРИЯ РАСПОЗНАВАНИЯ ОБРАЗОВ

П Р АК Т И К У М И Л А Б О Р А Т О Р Н О Е П Р О Е К Т И Р О В А Н И Е

Киев 2019
 СОДЕРЖАНИЕ
ВВЕДЕНИЕ 3
1. ЗАДАНИЯ ДЛЯ ЛАБОРАТОРНЫХ РАБОТ......................................................3
Лабораторная работа 6. Структурный (синтаксический) подход в распознавания образов..........5
Лабораторная работа 7. Нейронные сети.............................................................................................5
Лабораторная работа 8. Персептрон как метод распознавания образов..........................................5
2. СТРУКТУРА ОТЧЕТА ЛАБОРАТОРНОЙ РАБОТЫ...................................................................6
3. ЭЛЕМЕНТЫ ОФОРМЛЕНИЯ РАБОТ................................................................7
4. ТЕХНИЧЕСКОЕ ОФОРМЛЕНИЕ РАБОТ.........................................................8
5. МАТЕРИАЛ ДЛЯ ЗАЩИТЫ РАБОТ..................................................................8
6. ПРОГРАММНЫЕ СРЕДСТВА ДЛЯ РЕАЛИЗАЦИИ ЗАДАНИЙ...................9
7. ВОПРОСЫ МОДУЛЬНОГО КОНТРОЛЯ..........................................................9
5. ВАРИАНТЫ БИЛЕТОВ ДВУХ МОДУЛЬНЫХ КОНТРОЛЬНЫХ...............11
6. ВАРИАНТЫ БИЛЕТОВ КМК............................................................................18
ЧАСТЬ 2. МНОГОПРОЦЕССОРНЫЕ СИСТЕМЫ.............................................19
7. ПОДГОТОВКА ДОМАШНИХ РАБОТ.............................................................19
8. СТРУКТУРА ДОМАШНЕЙ РАБОТЫ..............................................................22
9. ЗАДАНИЕ ДОМАШНИХ РАБОТ.....................................................................23
10. ТЕХНИЧЕСКОЕ ЗАДАНИЕ НА КУРСОВОЕ ПРОЕКТИРОВАНИЕ.........28
11. СТРУКТУРА КУРСОВОГО ПРОЕКТА..........................................................40
15. КОМПЛЕКСНЫЙ МОДУЛЬНЫЙ КОНТРОЛЬ............................................41
15.1. Вопросы комплексного модульного контроля.........................................................................41
15.2. Билеты комплексного модульного контроля..........................................................................42
15.3. Задачи комплексного модульного контроля...........................................................................48
ЛИТЕРАТУРА..........................................................................................................57

2
 ВВЕДЕНИЕ
Контрольные и лабораторные работы по дисциплине «Теория
распознавания образов» направлены на приобретение студентом
профессионального уровня подготовки, позволяющей эффективно решать
сложные инженерные вопросы проектирования систем распознавания образов.
Контрольные и лабораторные работы выполняется как студентами дневной
формы обучения, так и студентами заочной формы обучения.

Контрольные работы являются достаточно сложным комплексным заданием,

поэтому прежде чем выполнять эти работы, необходимо приобрести опыт работы с
однопроцессорными системами. Этот опыт приобретается с выполнением
лабораторных работ, которые включены в разделы контрольной работы.

1. ЗАДАНИЯ ДЛЯ ЛАБОРАТОРНЫХ РАБОТ

Студент получает по одному заданию на проектирование из из каждого

подраздела раздела 1, согласно указанию преподавателя.
Задания выдаются преподавателем каждому студенту индивидуально.

Лабораторная работа 1. Распознавание образов на основе метода

сравнения с эталоном

Цель работы
Изучение способов классификации оброазов на основе метода сравнения с
эталоном. Разработка программной системы, реализующей распознавание образов
на основе указанного метода. Исследование разработанной системы. Получение
практических навыков по разработке программных ситем распознавания образов.

Варианты заданий
1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

Лабораторная работа .2. Байесовские процедуры в распознавании

образов
Изучение способов классификации оброазов на основе байесовских
процедур. Разработка программной системы, реализующей распознавание образов
на основе указанного метода. Исследование разработанной системы. Получение
практических навыков по разработке программных ситем распознавания образов.

Варианты заданий
3
 1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

Лабораторная работа 3. Методы разделяющих функций в

распознавании образов
Цель работы
Изучение способов классификации оброазов на основе метода разделяющих
функций. Разработка программной системы, реализующей распознавание образов
на основе указанного метода. Исследование разработанной системы. Получение
практических навыков по разработке программных ситем распознавания образов.

Варианты заданий
1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

Лабораторная работа 4. Кластерный анализ в распознаваниии

образов
Цель работы
Изучение способов классификации оброазов на основе методов кластерного
анализа. Разработка программной системы, реализующей распознавание образов
на основе указанного метода. Исследование разработанной системы. Получение
практических навыков по разработке программных ситем распознавания образов.

Варианты заданий
1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

Лабораторная работа 5. Метод потенциальных функций

Цель работы
Изучение способов классификации оброазов на основе метода
потенциальных функций. Разработка программной системы, реализующей
распознавание образов на основе указанного метода. Исследование разработанной
системы. Получение практических навыков по разработке программных ситем
распознавания образов.

Варианты заданий
1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

4
 Лабораторная работа 6. Структурный (синтаксический) подход в
распознавания образов
Цель работы
Изучение способов классификации оброазов на основе
Структурного (синтаксического) подхода. Разработка программной системы,
реализующей распознавание образов на основе указанного метода. Исследование
разработанной системы. Получение практических навыков по разработке
программных ситем распознавания образов.

Варианты заданий
1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

Лабораторная работа 7. Нейронные сети

Цель работы
Изучение способов классификации оброазов на основе методов Нейронных
сетей. Разработка программной системы, реализующей распознавание образов на
основе указанного метода. Исследование разработанной системы. Получение
практических навыков по разработке программных ситем распознавания образов.

Варианты заданий
1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

Лабораторная работа 8. Персептрон как метод распознавания

образов
Цель работы
Изучение способов классификации оброазов на основе персептрона .
Разработка программной системы, реализующей распознавание образов на основе
указанного метода. Исследование разработанной системы. Получение
практических навыков по разработке программных ситем распознавания образов.

Варианты заданий
1. Классифицировать произвольные реальные образы (объекты) – банки,
фирмы, инвестиционные фонды, кредитные союзы и т.п. по нескольким
показателям, к примеру, собственный капитал, прибыль и т.п.

5
 2. СТРУКТУРА ОТЧЕТА ЛАБОРАТОРНОЙ РАБОТЫ
1. Отчет должен быть оформлен с помощью редактора WORD одним файлом
в виде связного текста на одном из трех языков (украинский, русский,
английский). Файл должен включать в себя все необходимые рисунки, таблицы,
формулы, выполненные в Microsoft Equation 3.0 .
2. Отчет должен содержать такие разделы:
Титульный лист
Необходимо указать название учебного заведения, тему работы, фамилию
исполнителя, фамилию руководителя, город, год.

Содержание
Необходимо указать названия всех разделов и подразделов отчета с
номерами страниц их начала.

Введение
Введение должно содержать постановку задачи работы и исходные данные
для анализа.

Раздел 1. Методы распознавания образов

Раздел 1 должен содержать теоретическую часть, содержащую обзор методов

распознавания образов, используемых в лабораторной работе.

Раздел 2. Программная реализация системы распознавания образов

Программы реализующие задачи распознавания, написанные на любых
современных алгоритмических языках (С++, С#, Java, Python). Программы
должны позволять выполнять классификацию n образов по m показателям.
Количество образов n, количество показателей m , а также исходные данные по
образам для распознавания должны вводиться с клавиатуры. В разделе приводится
листинг программы с подробными комментариями.

Раздел 3. Исследование системы распознавания образов

Необходимо представить контрольные задачи и результаты их расчетов.
Привести скриншоты работы с программой.

Выводы
Должны содержать сведения о том, как согласовываются теоретические
сведения с экспериментальными результатами.

Литература
Раздел должен содержать ссылки на использованные литературные
источники. Литературные источники должны быть представлены в таком виде:
автор, инициалы, название издания, город, издательство, год издания, количество
страниц.

6
 Пример:
9. Цыкин Г. С. Электронные усилители, 3-е издание, дополненое. – М.:
Связь.1965. –512 с.
10. Цыкина А. В. Усилители. – М.: Связь. 1972. –360 с.
11. Беляев С.В., Кабызев Г.Н. Усилительные устройства. –М.: МВГУ, 1977, - 98 с.

3. ЭЛЕМЕНТЫ ОФОРМЛЕНИЯ РАБОТ

1. Все рисунки должны быть пронумерованы в тексте и иметь названия.
На рисунок должна быть сделана ссылка в тексте.
Пример:
Схема усилителя низкой частоты выполненного на микросхеме К174УН4А
приведена на рис.1.

Рис. 1. Усилитель низкой частоты выполненный на микросхеме К174УН4А.

1. Все переменные в формулах должны быть описаны, а сами формулы

прокомментированы.
Пример 1:
Выберем сопротивление коллектора RK, для чего сначала определим
коэффициент KR , задающий соотношения сопротивления нагрузки R H и
сопротивления коллектора RK.
KR = 1,2 ÷ 1,5 при RH ≤ 1 кОм;
KR = 1,5 ÷ 5,0 при RH > 1 кОм.

RK = (1+KR )·RH =(1+1,5)200= 500 Ом .

Пример 2:
Практически приближенно можно считать, что коэффициент передачи тока h21Э
равен

где Iк - ток коллектора, Iб - ток базы.

7
 3 . Все расчетные формулы должны иметь такой вид:
Определяемая величина =формула=формула с числовыми значениями=
результат вычислений с размерностью полученной величины. Формулы
располагать по центру строки.

Пример 1:
RK = (1+KR )·RH =(1+1,5)200= 500 Ом .
Пример 2:
I
I КП =
КМ 20
= 0 , 95 ≈21 мА
k 3

4. Используемые в тексте таблицы должны быть пронумерованы и иметь

названия. На них в тексте обязательно должны быть ссылки.
Пример 1:
При каждом значении емкости вычислить активное, индуктивное и емкостное
сопротивление. Данные вычислений занести в табл. 1.

Таблица 1. Результаты первого эксперимента.

№п Измерять
.п
С U I U U P 
K C
1.
2.
3.

4. ТЕХНИЧЕСКОЕ ОФОРМЛЕНИЕ РАБОТ

Оформление отчета выполняется по таким правилам:

1. Поля: сверху 20, снизу – 20, слева – 25, справа – 15 мм.
2. Шрифт – Times New Roman размер –12.
3. Междустрочный интервал – 1.
4. Абзацный отступ 1,2 см.
5. Нумерацию страниц выполнять снизу по центру строки. На первом листе
номер не проставлять.
6. Заглавия разделов выполнять полужирным стилем заглавными буквами.
7. Заглавия подразделов выполнять полужирным стилем с курсивом строчными
буквами.

5. МАТЕРИАЛ ДЛЯ ЗАЩИТЫ РАБОТ

1. Отчет, представленный в распечатанном виде на стандартных листах формата
А4.
2. На дискете (флеш памяти) должны быть представлен файл отчета,
выполненный в системе Word в формате .docx .

8
 3. Работающие программы на любых современных алгоритмических
языках (С++, С#, Java, Python).
4. Типичные серьезные ошибки при сдаче материала
1. Оформление выполнено не в соответствии с требованиями.
2. Решенные в отчете задачи не соответствуют варианту задания студента.
3. Фрагмент работы (начиная от десяти идущих подряд слов) или вся работа
одного студента является копией фрагмента работы или всей работы другого
студента.
4. Непонимание принципов работы разработанных систем.
При наличии указанных ошибок, работа не рассматривается и
оценивается в 0 баллов.

6. ПРОГРАММНЫЕ СРЕДСТВА ДЛЯ РЕАЛИЗАЦИИ ЗАДАНИЙ

Для реализации заданий домашних работ необходимы такие программные
средства:
Язык С++ , С# на основе DevC++, Visual Studio. Язык Python на основе
Python 3.6. Язык Java на основе NetBeans для реализации программной системы.
ППП Microsift office для подготовки отчета.

7. ВОПРОСЫ МОДУЛЬНОГО КОНТРОЛЯ

Рассмотренные вопросы являются вопросами первого модульного контроля
для студентов дневной формы обучения и экзаменационными вопросами для
студентов заочной формы обучения.

КОНТРОЛЬНЫЕ ВОПРОСЫ ПО КУРСУ «РАСПОЗНАВАНИЕ ОБРАЗОВ»

I. Основные понятия
1. Дисциплина “Распознавание образов”
2. Образ (класс).
3. Примеры систем, использующие методы распознавания образов;
4. Признаки. Понятие классификатора;
5. Основные элементы построения системы распознавания образов;
6. Процедура распознавания (основные этапы);
7. Разработка системы распознавания;
8. Методы распознавания образов;
9. Классификация с обучением (с учителем) и без обучения (учителя)
10. Формальная постановка задачи классификации;
11. Классификация на основе байесовской теории
12. Байесовский подход

9
13. Понятия априорной и апостериорной вероятностей их связь;
14. Ошибка классификации. Теорема оптимальности по ошибки классификации.
15. Минимизация среднего риска. Понятие риска классификации объекта, общего
среднего риска.
16. Дискриминантные функции и поверхности решения
17. Байсовский классификатор для нормального распределения
18. Квадратичная поверхность решения
19. Линейная поверхность решения.
20. Линейная поверхность решения с диагональной матрицей ковариации
21. Линейная поверхность решения с недиагональной матрицей ковариации
22. Классификаторы по минимуму расстояния
23. Классификатор по минимуму расстояния с диагональной матрицей ковариации
24. Классификатор по минимуму расстояния с недиагональной матрицей
ковариации
25. Линейный классификатор. Алгоритм персептрона.
26. Линейная дискриминантная функция
27. Понятие выпуклого множества и оболочки.
28.Однородная дискриминантная функция, симметричное множество.
29. Математическая модель нейрона;
30. Алгоритм персептрона.
31. Сходимость алгоритма персептрона. Теорема Новикова.
32. Оптимизационная интерпретация
33. Схема Кеслера
34. Оптимальная разделяющая гиперплоскость
35. Существование и единственность
36. Построение оптимальной разделяющей гиперплоскости
37. Алгоритм Гаусса-Зейделя
38. Нелинейный классификатор. Многослойный персептрон
39.  Задача исключающего “или”
40. Классификационные способности двухслойного персептрона
41. Трехслойный персептрон
42. Построение нейронной сети. Алгоритм, основанный на точной классификации
множества прецедентов.
43. Алгоритм ближайших соседей
44. Алгоритм, основанный на подборе весов для сети с заданной архитектурой.
45. Алгоритм обратной волны
46. Метод потенциальных функций
47. Метод потенциальных функций постановка метода
48. Общая рекуррентная процедура
49. Выбор системы функций
50. Классификация на основе сравнения с эталоном
51. Мера близости, основанная на поиске оптимального пути в графе;
52. Задача сравнения речевых команд;
53. Задача сравнения контуров;

10
54. Решение задачи классификации методами динамического программмирования

ЛИТЕРАТУРА
1. Ту Дж., Гонсалес Р. Принципы распознавания образов, М. 1978
2. Горелик А. Л., Скрипкин В. А. Методы распознавания. — 4-е изд. — М.: Высшая
школа, 1984, 2004. — 262 с.
3. Л. Шапиро, Дж. Стокман. Компьютерное зрение = Computer
Vision. — М.: Бином. Лаборатория знаний, 2006. — 752 с. 
4. Фомин Я. А. Распознавание образов: теория и применения. — 2-е изд. — М.:
ФАЗИС, 2012. — 429 с. 
5. Форсайт Дэвид А., Понс Джин. Компьютерное зрение. Современный подход =
Computer Vision: A Modern Approach. — М.: Вильямс, 2004. — 928 с. 
6. M. Castrillón, . O. Déniz, . D. Hernández и J. Lorenzo, «A comparison of face and
facial feature detectors based on the Viola–Jones general object detection
framework,» International Journal of Computer Vision, № 22, pp. 481-494, 2011. 
7. Y.-Q. Wang, «An Analysis of Viola-Jones Face Detection Algorithm,» IPOL Journal,
2013. 
8. Л. Шапиро и Д. Стокман, Компьютерное зрение, Бином. Лаборатория знаний,
2006. 
9. Форсайт Д., Понс. Д. Компьютерное зрение. Современный подход. М.:
«Вильямс», 2004. 928 с.
10.Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.
1072 с.
11.Лепский А.Е., Броневич А.Г. Математические методы распознавания образов:
Курс лекций. Таганрог:  изд-во ТТИ ЮФУ, 2009. 155с.
12.Грегори Р. Разумный глаз. М.: Едиториал УРСС, 2003. 240 с.
13.Солсо Р. Когнитивная психология. СПб.: Питер, 2006. 589 с.
14.Arbib M. The handbook of brain theory and neural networks. London: MIT Press,
2003. 1309 p.
15.Хоккинс Д. Об интеллекте. М.: Издательский дом «Вильямс«, 2007, 240 с.
16.Н. Новикова, Структурное распознавание образов, Воронеж: Издательско-
полиграфический центр Воронежского государственного университета, 2006. 
17.C. S. A. T. D. Erhan, «Neural Information Processing Systems,» в Deep Neural
Networks for Object Detection, 2013. 
18.Д. Форсайт и Ж. Понс, Компьютерное зрение. Современный подход,
Издательство: Вильямс, 2004. 

11