Сложные стратегии на пк. Лучшие стратегии на пк всех времен. Отдельная номинация: Серия Dune

В целом проблема распознавания образов состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и различными - на все объекты различных образов. Очень важно, что процесс обучения должен завершиться только путем показов конечного числа объектов без каких-либо других подсказок. В качестве объектов обучения могут быть либо картинки, либо другие визуальные изображения (буквы), либо различные явления внешнего мира, например звуки, состояния организма при медицинском диагнозе, состояние технического объекта в системах управления и др. Важно, что в процессе обучения указываются только сами объекты и их принадлежность образу. За обучением следует процесс распознавания новых объектов, который характеризует действия уже обученной системы. Автоматизация этих процедур и составляет проблему обучения распознаванию образов. В том случае, когда человек сам разгадывает или придумывает, а затем навязывает машине правило классификации, проблема распознавания решается частично, так как основную и главную часть проблемы (обучение) человек берет на себя.
Проблема обучения распознаванию образов интересна как с прикладной, так и с принципиальной точки зрения. С прикладной точки зрения решение этой проблемы важно прежде всего потому, что оно открывает возможность автоматизировать многие процессы, которые до сих пор связывали лишь с деятельностью живого мозга. Принципиальное значение проблемы тесно связано с вопросом, который все чаще возникает в связи с развитием идей кибернетики: что может и что принципиально не может делать машина? В какой мере возможности машины могут быть приближены к возможностям живого мозга? В частности, может ли машина развить в себе способность перенять у человека умение производить определенные действия в зависимости от ситуаций, возникающих в окружающей среде? Пока стало ясно только то, что если человек может сначала сам осознать свое умение, а потом его описать, т. е. указать, почему он производит действия в ответ на каждое состояние внешней среды или как (по какому правилу) он объединяет отдельные объекты в образы, то такое умение без принципиальных трудностей может быть передано машине. Если же человек обладает умением, но не может объяснить его, то остается только один путь передачи умения машине - обучение примерами.
Круг задач, которые могут решаться с помощью распознающих систем, чрезвычайно широк. Сюда относятся не только задачи распознавания зрительных и слуховых образов, но и задачи распознавания сложных процессов и явлений, возникающих, например, при выборе целесообразных действий руководителем предприятия или выборе оптимального управления технологическими, экономическими, транспортными или военными операциями. В каждой из таких задач анализируются некоторые явления, процессы, состояния внешнего мира, всюду далее называемые объектами наблюдения. Прежде чем начать анализ какого-либо объекта, нужно получить о нем определенную, каким-либо способом упорядоченную информацию. Такая информация представляет собой характеристику объектов, их отображение на множестве воспринимающих органов распознающей системы.
Но каждый объект наблюдения может воздействовать по-разному, в зависимости от условий восприятия. Например, какая-либо буква, даже одинаково написанная, может в принципе как угодно смещаться относительно воспринимающих органов. Кроме того, объекты одного и того же образа могут достаточно сильно отличаться друг от друга и, естественно, по-разному воздействовать на воспринимающие органы.
Каждое отображение какого-либо объекта на воспринимающие органы распознающей системы, независимо от его положения относительно этих органов, принято называть изображением объекта, а множества таких изображений, объединенные какими-либо общими свойствами, представляют собой образы.
При решении задач управления методами распознавания образов вместо термина "изображение" применяют термин "состояние". Состояние - это определенной формы отображение измеряемых текущих (или мгновенных) характеристик наблюдаемого объекта. Совокупность состояний определяет ситуацию. Понятие "ситуация" является аналогом понятия "образ". Но эта аналогия не полная, так как не всякий образ можно назвать ситуацией, хотя всякую ситуацию можно назвать образом.
Ситуацией принято называть некоторую совокупность состояний сложного объекта, каждая из которых характеризуется одними и теми же или схожими характеристиками объекта. Например, если в качестве объекта наблюдения рассматривается некоторый объект управления, то ситуация объединяет такие состояния этого объекта, в которых следует применять одни и те же управляющие воздействия. Если объектом наблюдения является военная игра, то ситуация объединяет все состояния игры, которые требуют, например, мощного танкового удара при поддержке авиации.
Выбор исходного описания объектов является одной из центральных задач проблемы ОРО. При удачном выборе исходного описания (пространства признаков) задача распознавания может оказаться тривиальной и, наоборот, неудачно выбранное исходное описание может привести либо к очень сложной дальнейшей переработке информации, либо вообще к отсутствию решения. Например, если решается задача распознавания объектов, отличающихся по цвету, а в качестве исходного описания выбраны сигналы, получаемые от датчиков веса, то задача распознавания в принципе не может быть решена.

Работа большинства специалистов по речевым технологиям состоит не в том, чтобы придумывать концептуально новые алгоритмы. Компании в основном фокусируются на существующих подходах. Машинный интеллект уже умеет распознавать и синтезировать голос, но не всегда в реальном времени, не всегда локально и не всегда «избирательно» - когда нужно реагировать только на ключевые фразы, робот может ошибаться. Подобными проблемами как раз и заняты разработчики. Муаммар Аль-Шедиват рассказывает об этих и других вопросах, которые пока не удаётся решить даже большим компаниям.

Сегодня я поговорю в основном о распознавании речи, хотя есть множество других интересных задач. Рассказ мой будет состоять из трех частей. Для начала напомню в целом, как работает распознавание речи. Дальше расскажу, как люди стараются его улучшить и о том, какие в Яндексе стоят задачи, с которыми обычно не сталкиваются в научных статьях.

Общая схема распознавания речи. Изначально на вход нам поступает звуковая волна.

Ее мы дробим на маленькие кусочки, фреймы. Длина фрейма - обычно 25 мс, шаг - 10 мс. Они идут с некоторым захлестом.


После этого из фреймов мы извлекаем наиболее важные признаки. Допустим, нам не важен тембр голоса или пол человека. Мы хотим распознавать речь вне зависимости от этих факторов, так что мы извлекаем самые важные признаки.


Затем нейронная сеть натравливается на все это и выдает на каждом фрейме предсказание, распределение вероятностей по фонемам. Нейронка старается угадать, какая именно фонема была сказана на том или ином фрейме.


Под конец все это запихивается в граф-декодирование, которое получает распределение вероятностей и учитывает языковую модель. Допустим, «Мама мыла раму» - более популярная фраза в русском языке, чем «Мама мыла Рому». Также учитывается произношение слов и выдаются итоговые гипотезы.

В целом, именно так и происходит распознавание речи.


Естественно, о метрике нужно пару слов сказать. Все используют метрику WER в распознавании речи. Она переводится как World Error Rate. Это просто расстояние по Левенштейну от того, что мы распознали, до того, что реально было сказано в фразе, поделить на количество слов, реально сказанных во фразе.

Можно заметить, что если у нас было много вставок, то ошибка WER может получиться больше единицы. Но никто на это не обращает внимания, и все работают с такой метрикой.

Как мы будем это улучшать? Я выделил четыре основных подхода, которые пересекаются друг с другом, но на это не стоит обращать внимания. Основные подходы следующие: улучшим архитектуру нейронных сетей, попробуем изменить Loss-функцию, почему бы не использовать подходы End to end, модные в последнее время. И в заключение расскажу про другие задачи, для которых, допустим, не нужно декодирование.


Когда люди придумали использовать нейронные сети, естественным решением было использовать самое простое: нейронные сетки feed forward. Берем фрейм, контекст, сколько-то фреймов слева, сколько-то справа, и предсказываем, какая фонема была сказана на данном фрейме. После чего можно посмотреть на все это как на картинку и применить всю артиллерию, уже использованную для обработки изображений, всевозможные сверточные нейронные сети.


Вообще многие статьи state of the art получены именно с помощью сверточных нейронных сетей, но сегодня я расскажу больше о рекуррентных нейронных сетях.


Рекуррентные нейронные сети. Все знают, как они работают. Но возникает большая проблема: обычно фреймов намного больше, чем фонем. На одну фонему приходится 10, а то и 20 фреймов. С этим нужно как-то бороться. Обычно это зашивается в граф-декодирование, где мы остаемся в одном состоянии много шагов. В принципе, с этим можно как-то бороться, есть парадигма encoder-decoder. Давайте сделаем две рекуррентных нейронных сетки: одна будет кодировать всю информацию и выдавать скрытое состояние, а декодер будет брать это состояние и выдавать последовательность фонем, букв или, может быть, слов - это как вы натренируете нейронную сеть.

Обычно в распознавании речи мы работаем с очень большими последовательностями. Там спокойно бывает 1000 фреймов, которые нужно закодировать одним скрытым состоянием. Это нереально, ни одна нейронная сеть с этим не справится. Давайте использовать другие методы.


Димой Богдановым, выпускником ШАД, был придуман метод Attention. Давайте encoder будет выдавать скрытые состояния, и мы их не будем выкидывать, а оставим только последнее. Возьмем взвешенную сумму на каждом шаге. Декодер будет брать взвешенную сумму скрытых состояний. Таким образом, мы будем сохранять контекст, то, на что мы в конкретном случае смотрим.

Подход прекрасный, работает хорошо, на некоторых датасетах дает результаты state of the art, но есть один большой минус. Мы хотим распознавать речь в онлайне: человек сказал 10-секундную фразу, и мы сразу ему выдали результат. Но Attention требует знать фразу целиком, в этом его большая проблема. Человек скажет 10-секундную фразу, 10 секунд мы ее будем распознавать. За это время он удалит приложение и никогда больше не установит. Нужно с этим бороться. Совсем недавно с этим поборолись в одной из статей. Я назвал это online attention.


Давайте поделим входную последовательность на блоки какой-то небольшой фиксированной длины, внутри каждого блока устроим Attention, затем будет декодер, который выдает на каждом блоке соответствующие символы, после чего в какой-то момент выдает символ end of block, перемещается к следующему блоку, поскольку мы тут исчерпали всю информацию.

Тут можно серию лекций прочитать, я постараюсь просто сформулировать идею.


Когда начали тренировать нейронные сети для распознавания речи, старались угадывать фонему. Для этого использовали обычную кросс-энтропийную функцию потерь. Проблема в том, что даже если мы соптимизируем кросс-энтропию, это еще не будет значить, что мы хорошо соптимизировали WER, потому что у этих метрик корреляция не 100%.


Чтобы с этим побороться, были придуманы функции Sequence Based Loss: давайте саккумулируем всю информацию на всех фреймах, посчитаем один общий Loss и пропустим градиент обратно. Не буду вдаваться в детали, можете прочитать про CTC или SNBR Loss, это очень специфичная тема для распознавания речи.

В подходах End to end два пути. Первый - делать более «сырые» фичи. У нас был момент, когда мы извлекали из фреймов фичи, и обычно они извлекаются, стараясь эмулировать ухо человека. А зачем эмулировать ухо человека? Пусть нейронка сама научится и поймет, какие фичи ей полезны, а какие бесполезны. Давайте в нейронку подавать все более сырые фичи.

Второй подход. Мы пользователям выдаем слова, буквенное представление. Так зачем нам предсказывать фонемы? Хотя их предсказывать очень естественно, человек говорит в фонемах, а не буквах, - но итоговый результат мы должны выдать именно в буквах. Поэтому давайте предсказывать буквы, слоги или пары символов.


Какие еще есть задачи? Допустим, задача фреймспоттинга. Есть какой-нибудь кусок звука, откуда надо извлечь информацию о том, была ли сказана фраза «Слушай, Яндекс» или не была. Для этого можно фразу распознать и грепнуть «Слушай, Яндекс», но это очень брутфорсный подход, причем распознавание обычно работает на серверах, модели очень большие. Обычно звук отсылается на сервер, распознается, и распознанная форма высылается обратно. Грузить 100 тыс. юзеров каждую секунду, слать звук на сервер - ни одни сервера не выдержат.

Надо придумать решение, которое будет маленьким, сможет работать на телефоне и не будет жрать батарейку. И будет обладать хорошим качеством.

Для этого давайте всё запихнем в нейронную сеть. Она просто будет предсказывать, к примеру, не фонемы и не буквы, а целые слова. И сделаем просто три класса. Сеть будет предсказывать слова «слушай» и «Яндекс», а все остальные слова замапим в филлер.

Таким образом, если в какой-то момент сначала шли большие вероятности для «слушай», потом большие вероятности для «Яндекс», то с большой вероятностью тут была ключевая фраза «Слушай, Яндекс».


Задача, которая не сильно исследуется в статьях. Обычно, когда пишутся статьи, берется какой-то датасет, на нем получаются хорошие результаты, бьется state of the art - ура, печатаем статью. Проблема этого подхода в том, что многие датасеты не меняются в течение 10, а то и 20 лет. И они не сталкиваются с проблемами, с которыми сталкиваемся мы.

Иногда возникают тренды, хочется распознавать, и если этого слова нет в нашем графе декодирования в стандартном подходе, то мы никогда его не распознаем. Нужно с этим бороться. Мы можем взять и переварить граф декодирования, но это трудозатратный процесс. Может, утром одни трендовые слова, а вечером другие. Держать утренний и вечерний граф? Это очень странно.


Был придуман простой подход: давайте к большому графу декодирования добавим маленький граф декодирования, который будет пересоздаваться каждые пять минут из тысячи самых лучших и трендовых фраз. Мы просто будем параллельно декодировать по этим двум графам и выбирать наилучшую гипотезу.

Какие задачи остались? Там state of the art побили, тут задачи решили… Приведу график WER за последние несколько лет.


Как видите, Яндекс улучшился за последние несколько лет, и тут приводится график для лучшей тематики - геопоиска. Вы можете понять, что мы стараемся и улучшаемся, но есть тот маленький разрыв, который нужно побить. И даже если мы сделаем распознавание речи - а мы его сделаем, - которое сравнится со способностями человека, то возникнет другая задача: это сделалось на сервере, но давайте перенесем это на устройство. Речь идет об отдельной, сложной и интересной задаче.

У нас есть и множество других задач, о которых меня можно спросить. Спасибо за внимание.

Обзор существующих методов распознавания образов

Л.П. Попова , И.О. Датьев

Способность "распознавать" считается основным свойством человеческих существ, как, впрочем, и других живых организмов. Распознавание образов - раздел кибернетики, разрабатывающий принципы и методы классификации, а также идентификации предметов, явлений, процессов, сигналов, ситуаций - всех тех объектов, которые могут быть описаны конечным набором некоторых признаков или свойств, характеризующих объект.

Образ представляет собой описание объекта. Образы обладают характерным свойством, проявляющимся в том, что ознакомление с конечным числом явлений из одного и того же множества дает возможность узнавать сколь угодно большое число его представителей.

В теории распознавания образов можно выделить два основных направления:

изучение способностей к распознаванию, которыми обладают человеческие существа и другие живые организмы;

развитие теории и методов построения устройств, предназначенных для решения отдельных задач распознавания образов в определенных прикладных областях.

Далее в статье описываются проблемы, принципы и методы реализации систем распознавания образов, связанные с развитием второго направления. Во второй части статьи рассматриваются нейросетевые методы распознавания образов, которые могут быть отнесены к первому направлению теории распознавания образов.

Проблемы построения систем распознавания образов

Задачи, возникающие при построении автоматических систем распознавания образов, можно обычно отнести к нескольким основным областям. Первая из них связана с представлением" исходных данных, полученных как результаты измерений для подлежащего распознаванию объекта. Это проблема чувствительности . Каждая измеренная величина является некоторой "характеристикой образа или объекта. Допустим, например, что образами являются буквенно-цифровые символы. B таком случае, в датчике может быть успешно использована измерительная сетчатка, подобно приведенной на рис. 1(а). Если сетчатка состоит из n-элементов, то результаты измерений можно представить в виде вектора измерений или вектора образа ,

где каждый элемент xi, принимает, например, значение 1, если через i-ю ячейку сетчатки проходит изображение символа, и значение 0 в противном случае.

Рассмотрим рис. 2(б). B этом случае образами служат непрерывные функции (типа звуковых сигналов) переменной t. Если измерение значений функций производится в дискретных точках t1,t2, ..., tn, то вектор образа можно сформировать, приняв x1= f(t1),x2=f(t2),... , xn = f(tn).

Рисунок 1. Измерительная сетчатка

Вторая проблема распознавания образов связана с выделением характерных признаков или свойств из полученных исходных данных и снижением размерности векторов образов. Эту проблему часто определяют как проблему предварительной обработки и выбора признаков .

Признаки класса образов представляют собой характерные свойства, общие для всех образов данного класса. Признаки, характеризующие различия между отдельными классами, можно интерпретировать как межклассовые признаки. Внутриклассовые признаки, общие для всех рассматриваемых классов, не несут полезной информации с точки зрения распознавания и могут не приниматься во внимание. Выбор признаков считается одной из важных задач, связанных с построением распознающих систем. Если результаты измерений позволяют получить полный набор различительных признаков для всех классов, собственно распознавание и классификация образов не вызовут особых затруднений. Автоматическое распознавание тогда сведется к процессу простого сопоставления или процедурам типа просмотра таблиц. B большинстве практических задач распознавания, однако, определение полного набора различительных признаков оказывается делом исключительно трудным, если вообще не невозможным. Из исходных данных обычно удается извлечь некоторые из различительных признаков и использовать их для упрощения процесса автоматического распознавания образов. B частности, размерность векторов измерений можно снизить с помощью преобразований, обеспечивающих минимизацию потери информации.

Третья проблема, связанная с построением систем распознавания образов, состоит в отыскании оптимальных решающих процедур, необходимых при идентификации и классификации. После того как данные, собранные о подлежащих распознаванию образах, представлены точками или векторами измерений в пространстве образов, предоставим машине выяснить, какому классу образов эти данные соответствуют. Пусть машина предназначена для различения M классов, обозначенных w1, w2, ... ..., wm. B таком случае, пространство образов можно считать состоящим из M областей, каждая из которых содержит точки, соответствующие образам из одного класса. При этом задача распознавания может рассматриваться как построение границ областей решений, разделяющих M классов, исходя из зарегистрированных векторов измерений. Пусть эти границы определены, например, решающими функциями d1(х),d2(x),..., dm(х). Эти функции, называемые также дискриминантными функциями, представляют собой скалярные и однозначные функции образа х. Если di (х) > dj (х), то образ х принадлежит классу w1. Другими словами, если i-я решающая функция di(x) имеет наибольшее значение, то содержательной иллюстрацией подобной схемы автоматической классификации, основанной на реализации процесса принятия решения, служит приведенная на рис. 2 (на схеме «ГР» - генератор решающих функций).

Рисунок 2. Схема автоматической классификации.

Решающие функции можно получать целым рядом способов. B тех случаях, когда о распознаваемых образах имеются полные априорные сведения, решающие функции могут быть определены точно на основе этой информации. Если относительно образов имеются лишь качественные сведения, могут быть выдвинуты разумные допущения о виде решающих функций. B последнем случае, границы областей решений могут существенно отклоняться от истинных, и поэтому необходимо создавать систему, способную приходить к удовлетворительному результату посредством ряда последовательных корректировок.

Объекты (образы), подлежащие распознаванию и классификации с помощью автоматической системы распознавания образов, должны обладать набором измеримых характеристик. Когда для целой группы образов результаты соответствующих измерений оказываются аналогичными, считается, что эти объекты принадлежат одному классу. Цель работы системы распознавания образов заключается в том, чтобы на основе собранной информации определить класс объектов с характеристиками, аналогичными измеренным у распознаваемых объектов. Правильность распознавания зависит от объема различающей информации, содержащейся в измеряемых характеристиках, и эффективности использования этой информации.

Основные методы реализации систем распознавания образов

Распознаванием образов называются задачи построения и применения формальных операций над числовыми или символьными отображениями объектов реального или идеального мира, результаты, решения которых отражают отношения эквивалентности между этими объектами. Отношения эквивалентности выражают принадлежность оцениваемых объектов к каким-либо классам, рассматриваемым как самостоятельные семантические единицы.

При построении алгоритмов распознавания классы эквивалентности могут задаваться исследователем, который пользуется собственными содержательными представлениями или использует внешнюю дополнительную информацию о сходстве и различии объектов в контексте решаемой задачи. Тогда говорят о “распознавании с учителем”. В противном случае, т.е. когда автоматизированная система решает задачу классификации без привлечения внешней обучающей информации, говорят об автоматической классификации или “распознавании без учителя”. Большинство алгоритмов распознавания образов требует привлечения весьма значительных вычислительных мощностей, которые могут быть обеспечены только высокопроизводительной компьютерной техникой.

Различные авторы (Ю.Л. Барабаш , В.И. Васильев , А.Л. Горелик, В.А. Скрипкин , Р. Дуда, П. Харт , Л.Т.Кузин , Ф.И. Перегудов, Ф.П. Тарасенко , Темников Ф.Е., Афонин В.А., Дмитриев В.И. , Дж. Ту, Р. Гонсалес , П. Уинстон , К. Фу , Я.З. Цыпкин и др.) дают различную типологию методов распознавания образов. Одни авторы различают параметрические, непараметрические и эвристические методы, другие – выделяют группы методов, исходя из исторически сложившихся школ и направлений в данной области.

В то же время, известные типологии не учитывают одну очень существенную характеристику, которая отражает специфику способа представления знаний о предметной области с помощью какого-либо формального алгоритма распознавания образов. Д.А.Поспелов выделяет два основных способа представления знаний :

Интенсиональное представление - в виде схемы связей между атрибутами (признаками).

Экстенсиональное представление - с помощью конкретных фактов (объекты, примеры).

Необходимо отметить, что существование именно этих двух групп методов распознавания: оперирующих с признаками, и оперирующих с объектами, глубоко закономерно. С этой точки зрения ни один из этих методов, взятый отдельно от другого, не позволяет сформировать адекватное отражение предметной области. Между этими методами существует отношение дополнительности в смысле Н.Бора , поэтому перспективные системы распознавания должны обеспечивать реализацию обоих этих методов, а не только какого–либо одного из них.

Таким образом, в основу классификации методов распознавания, предложенной Д.А.Поспеловым , положены фундаментальные закономерности, лежащие в основе человеческого способа познания вообще, что ставит ее в совершенно особое (привилегированное) положение по сравнению с другими классификациями, которые на этом фоне выглядят более легковесными и искусственными.

Интенсиональные методы

Отличительной особенностью интенсиональных методов является то, что в качестве элементов операций при построении и применении алгоритмов распознавания образов они используют различные характеристики признаков и их связей. Такими элементами могут быть отдельные значения или интервалы значений признаков, средние величины и дисперсии, матрицы связей признаков и т. п., над которыми производятся действия, выражаемые в аналитической или конструктивной форме. При этом объекты в данных методах не рассматриваются как целостные информационные единицы, а выступают в роли индикаторов для оценки взаимодействия и поведения своих атрибутов.

Группа интенсиональных методов распознавания образов обширна, и ее деление на подклассы носит в определенной мере условный характер:

– методы, основанные на оценках плотностей распределения значений признаков

– методы, основанные на предположениях о классе решающих функций

– логические методы

– лингвистические (структурные) методы.

Методы, основанные на оценках плотностей распределения значений признаков. Эти методы распознавания образов заимствованы из классической теории статистических решений, в которой объекты исследования рассматриваются как реализации многомерной случайной величины, распределенной в пространстве признаков по какому-либо закону. Они базируются на байесовской схеме принятия решений, апеллирующей к априорным вероятностям принадлежности объектов к тому или иному распознаваемому классу и условным плотностям распределения значений вектора признаков. Данные методы сводятся к определению отношения правдоподобия в различных областях многомерного пространства признаков.

Группа методов, основанных на оценке плотностей распределения значений признаков, имеет прямое отношение к методам дискриминантного анализа. Байесовский подход к принятию решений и относится к наиболее разработанным в современной статистике так называемым параметрическим методам, для которых считается известным аналитическое выражение закона распределения (в данном случае нормальный закон) и требуется оценить лишь небольшое количество параметров (векторы средних значений и ковариационные матрицы).

К этой группе относится и метод вычисления отношения правдоподобия для независимых признаков. Этот метод, за исключением предположения о независимости признаков (которое в действительности практически никогда не выполняется), не предполагает знания функционального вида закона распределения. Его можно отнести к непараметрическим методам .

Другие непараметрические методы, применяемые тогда, когда вид кривой плотности распределения неизвестен и нельзя сделать вообще никаких предположений о ее характере, занимают особое положение. К ним относятся известные метод многомерных гистограмм, метод “k-ближайших соседей, метод евклидова расстояния, метод потенциальных функций и др., обобщением которых является метод, получивший название “оценки Парзена”. Эти методы формально оперируют объектами как целостными структурами, но в зависимости от типа задачи распознавания могут выступать и в интенсиональной и в экстенсиональной ипостасях.

Непараметрические методы анализируют относительные количества объектов, попадающих в заданные многомерные объемы, и используют различные функции расстояния между объектами обучающей выборки и распознаваемыми объектами. Для количественных признаков, когда их число много меньше объема выборки, операции с объектами играют промежуточную роль в оценке локальных плотностей распределения условных вероятностей и объекты не несут смысловой нагрузки самостоятельных информационных единиц. В то же время, когда количество признаков соизмеримо или больше числа исследуемых объектов, а признаки носят качественный или дихотомический характер, то ни о каких локальных оценках плотностей распределения вероятностей не может идти речи. В этом случае объекты в указанных непараметрических методах рассматриваются как самостоятельные информационные единицы (целостные эмпирические факты) и данные методы приобретают смысл оценок сходства и различия изучаемых объектов.

Таким образом, одни и те же технологические операции непараметрических методов в зависимости от условий задачи имеют смысл либо локальных оценок плотностей распределения вероятностей значений признаков, либо оценок сходства и различия объектов.

В контексте интенсионального представления знаний здесь рассматривается первая сторона непараметрических методов, как оценок плотностей распределения вероятностей. Многие авторы отмечают, что на практике непараметрические методы типа оценок Парзена работают хорошо. Основными трудностями применения указанных методов считаются необходимость запоминания всей обучающей выборки для вычисления оценок локальных плотностей распределения вероятностей и высокая чувствительность к непредставительности обучающей выборки.

Методы, основанные на предположениях о классе решающих функций. В данной группе методов считается известным общий вид решающей функции и задан функционал ее качества. На основании этого функционала по обучающей последовательности ищется наилучшее приближение решающей функции. Самыми распространенными являются представления решающих функций в виде линейных и обобщенных нелинейных полиномов. Функционал качества решающего правила обычно связывают с ошибкой классификации.

Основным достоинством методов, основанных на предположениях о классе решающих функций, является ясность математической постановки задачи распознавания, как задачи поиска экстремума. Решение этой задачи нередко достигается с помощью каких-либо градиентных алгоритмов. Многообразие методов этой группы объясняется широким спектром используемых функционалов качества решающего правила и алгоритмов поиска экстремума. Обобщением рассматриваемых алгоритмов, к которым относятся, в частности, алгоритм Ньютона, алгоритмы перцептронного типа и др., является метод стохастической аппроксимации. В отличие от параметрических методов распознавания успешность применения данной группы методов не так сильно зависит от рассогласования теоретических представлений о законах распределения объектов в пространстве признаков с эмпирической реальностью. Все операции подчинены одной главной цели - нахождению экстремума функционала качества решающего правила. В то же время результаты параметрических и рассматриваемых методов могут быть похожими. Как показано выше, параметрические методы для случая нормальных распределений объектов в различных классах с равными ковариационными матрицами приводят к линейным решающим функциям. Отметим также, что алгоритмы отбора информативных признаков в линейных диагностических моделях, можно интерпретировать как частные варианты градиентных алгоритмов поиска экстремума.

Возможности градиентных алгоритмов поиска экстремума, особенно в группе линейных решающих правил, достаточно хорошо изучены. Сходимость этих алгоритмов доказана только для случая, когда распознаваемые классы объектов отображаются в пространстве признаков компактными геометрическими структурами. Однако стремление добиться достаточного качества решающего правила нередко может быть удовлетворено с помощью алгоритмов, не имеющих строгого математического доказательства сходимости решения к глобальному экстремуму .

К таким алгоритмам относится большая группа процедур эвристического программирования, представляющих направление эволюционного моделирования. Эволюционное моделирование является бионическим методом, заимствованным у природы. Оно основано на использовании известных механизмов эволюции с целью замены процесса содержательного моделирования сложного объекта феноменологическим моделированием его эволюции.

Известным представителем эволюционного моделирования в распознавании образов является метод группового учета аргументов (МГУА). В основу МГУА положен принцип самоорганизации, и алгоритмы МГУА воспроизводят схему массовой селекции. В алгоритмах МГУА особым образом синтезируются и отбираются члены обобщенного полинома, который часто называют полиномом Колмогорова-Габора. Этот синтез и отбор производится с нарастающим усложнением, и заранее нельзя предугадать, какой окончательный вид будет иметь обобщенный полином. Сначала обычно рассматривают простые попарные комбинации исходных признаков, из которых составляются уравнения решающих функций, как правило, не выше второго порядка. Каждое уравнение анализируется как самостоятельная решающая функция, и по обучающей выборке тем или иным способом находятся значения параметров составленных уравнений. Затем из полученного набора решающих функций отбирается часть в некотором смысле лучших. Проверка качества отдельных решающих функций осуществляется на контрольной (проверочной) выборке, что иногда называют принципом внешнего дополнения. Отобранные частные решающие функции рассматриваются далее как промежуточные переменные, служащие исходными аргументами для аналогичного синтеза новых решающих функций и т. д. Процесс такого иерархического синтеза продолжается до тех пор, пока не будет достигнут экстремум критерия качества решающей функции, что на практике проявляется в ухудшении этого качества при попытках дальнейшего увеличения порядка членов полинома относительно исходных признаков.

Принцип самоорганизации, положенный в основу МГУА, называют эвристической самоорганизацией, так как весь процесс основывается на введении внешних дополнений, выбираемых эвристически. Результат решения может существенно зависеть от этих эвристик. От того, как разделены объекты на обучающую и проверочную выборки, как определяется критерий качества распознавания, какое количество переменных пропускается в следующий ряд селекции и т. д., зависит результирующая диагностическая модель.

Указанные особенности алгоритмов МГУА свойственны и другим подходам к эволюционному моделированию. Но отметим здесь еще одну сторону рассматриваемых методов. Это - их содержательная сущность. С помощью методов, основанных на предположениях о классе решающих функций (эволюционных и градиентных), можно строить диагностические модели высокой сложности и получать практически приемлемые результаты. В то же время достижению практических целей в данном случае не сопутствует извлечение новых знаний о природе распознаваемых объектов. Возможность извлечения этих знаний, в частности знаний о механизмах взаимодействия атрибутов (признаков), здесь принципиально ограничена заданной структурой такого взаимодействия, зафиксированной в выбранной форме решающих функций. Поэтому максимально, что можно сказать после построения той или иной диагностической модели - это перечислить комбинации признаков и сами признаки, вошедшие в результирующую модель. Но смысл комбинаций, отражающих природу и структуру распределений исследуемых объектов, в рамках данного подхода часто остается нераскрытым.

Логические методы . Логические методы распознавания образов базируются на аппарате алгебры логики и позволяют оперировать информацией, заключенной не только в отдельных признаках, но и в сочетаниях значений признаков. В этих методах значения какого-либо признака рассматриваются как элементарные события.

В самом общем виде логические методы можно охарактеризовать как разновидность поиска по обучающей выборке логических закономерностей и формирование некоторой системы логических решающих правил (например, в виде конъюнкций элементарных событий), каждое из которых имеет собственный вес. Группа логических методов разнообразна и включает методы различной сложности и глубины анализа. Для дихотомических (булевых) признаков популярными являются так называемые древообразные классификаторы, метод тупиковых тестов, алгоритм “Кора” и другие. Более сложные методы основываются на формализации индуктивных методов Д.С.Милля. Формализация осуществляется путем построения квазиаксиоматической теории и базируется на многосортной многозначной логике с кванторами по кортежам переменной длины .

Алгоритм “Кора”, как и другие логические методы распознавания образов, является достаточно трудоемким, поскольку при отборе конъюнкций необходим полный перебор. Поэтому при применении логических методов предъявляются высокие требования к эффективной организации вычислительного процесса, и эти методы хорошо работают при сравнительно небольших размерностях пространства признаков и только на мощных компьютерах.

Лингвистические (синтаксические или структурные) методы. Лингвистические методы распознавания образов основаны на использовании специальных грамматик порождающих языки, с помощью которых может описываться совокупность свойств распознаваемых объектов . Грамматикой называют правила построения объектов из этих непроизводных элементов.

Если описание образов производится с помощью непроизводных элементов (подобразов) и их отношений, то для построения автоматических систем распознавания применяется лингвистический или синтаксический подход с использованием принципа общности свойств. Образ можно описать с помощью иерархической структуры подобразов, аналогичной синтаксической структуре языка. Это обстоятельство позволяет применять при решении задач распознавания образов теорию формальных языков. Предполагается, что грамматика образов содержит конечные множества элементов, называемых переменными, непроизводными элементами и правилами подстановки. Характер правил подстановки определяет тип грамматики. Среди наиболее изученных грамматик можно отметить регулярные, бесконтекстные и грамматики непосредственно составляющих. Ключевыми моментами данного подхода являются выбор непроизводных элементов образа, объединение этих элементов и связывающих их отношений в грамматики образов и, наконец, реализация в соответствующем языке процессов анализа и распознавания. Такой подход особенно полезен при работе с образами, которые либо не могут быть описаны числовыми измерениями, либо столь сложны, что их локальные признаки идентифицировать не удается и приходится обращаться к глобальным свойствам объектов.

Например, Е.А. Бутаков, В.И. Островский, И.Л. Фадеев предлагают следующую структуру системы для обработки изображений (рис. 3), использующую лингвистический подход, где каждый из функциональных блоков является программным (микропрограммным) комплексом (модулем), реализующим соответствующие функции.

Рисунок 3. Структурная схема распознающего устройства

Попытки применить методы математической лингвистики к задаче анализа изображений приводят к необходимости решить ряд проблем, связанных с отображением двумерной структуры изображения на одномерные цепочки формального языка.

Экстенсиональные методы

В методах данной группы, в отличие от интенсионального направления, каждому изучаемому объекту в большей или меньшей мере придается самостоятельное диагностическое значение. По своей сути эти методы близки к клиническому подходу, который рассматривает людей не как проранжированную по тому или иному показателю цепочку объектов, а как целостные системы, каждая из которых индивидуальна и имеет особенную диагностическую ценность . Такое бережное отношение к объектам исследования не позволяет исключать или утрачивать информацию о каждом отдельном объекте, что происходит при применении методов интенсионального направления, использующих объекты только для обнаружения и фиксации закономерностей поведения их атрибутов.

Основными операциями в распознавании образов с помощью обсуждаемых методов являются операции определения сходства и различия объектов. Объекты в указанной группе методов играют роль диагностических прецедентов. При этом в зависимости от условий конкретной задачи роль отдельного прецедента может меняться в самых широких пределах: от главной и определяющей и до весьма косвенного участия в процессе распознавания. В свою очередь условия задачи могут требовать для успешного решения участия различного количества диагностических прецедентов: от одного в каждом распознаваемом классе до полного объема выборки, а также разных способов вычисления мер сходства и различия объектов. Этими требованиями объясняется дальнейшее разделение экстенсиональных методов на подклассы:

метод сравнения с прототипом;

метод k–ближайших соседей;

коллективы решающих правил.

Метод сравнения с прототипом. Это наиболее простой экстенсиональный метод распознавания. Он применяется, например, тогда, когда распознаваемые классы отображаются в пространстве признаков компактными геометрическими группировками. В таком случае обычно в качестве точки – прототипа выбирается центр геометрической группировки класса (или ближайший к центру объект).

Для классификации неизвестного объекта находится ближайший к нему прототип, и объект относится к тому же классу, что и этот прототип. Очевидно, никаких обобщенных образов классов в данном методе не формируется.

В качестве меры близости могут применяться различные типы расстояний. Часто для дихотомических признаков используется расстояние Хэмминга, которое в данном случае равно квадрату евклидова расстояния. При этом решающее правило классификации объектов эквивалентно линейной решающей функции.

Указанный факт следует особо отметить. Он наглядно демонстрирует связь прототипной и признаковой репрезентации информации о структуре данных. Пользуясь приведенным представлением, можно, например, любую традиционную измерительную шкалу, являющуюся линейной функцией от значений дихотомических признаков, рассматривать как гипотетический диагностический прототип. В свою очередь, если анализ пространственной структуры распознаваемых классов позволяет сделать вывод об их геометрической компактности, то каждый из этих классов достаточно заменить одним прототипом который, фактически эквивалентен линейной диагностической модели.

На практике, конечно, ситуация часто бывает отличной от описанного идеализированного примера. Перед исследователем, намеревающимся применить метод распознавания, основанный на сравнении с прототипами диагностических классов, встают непростые проблемы. Это, в первую очередь, выбор меры близости (метрики), от которого может существенно измениться пространственная конфигурация распределения объектов. И, во-вторых, самостоятельной проблемой является анализ многомерных структур экспериментальных данных. Обе эти проблемы особенно остро встают перед исследователем в условиях высокой размерности пространства признаков, характерной для реальных задач.

Метод k-ближайших соседей. Метод k-ближайших соседей для решения задач дискриминантного анализа был впервые предложен еще в 1952 году. Он заключается в следующем.

При классификации неизвестного объекта находится заданное число (k) геометрически ближайших к нему в пространстве признаков других объектов (ближайших соседей) с уже известной принадлежностью к распознаваемым классам. Решение об отнесении неизвестного объекта к тому или иному диагностическому классу принимается путем анализа информации об этой известной принадлежности его ближайших соседей, например, с помощью простого подсчета голосов.

Первоначально метод k-ближайших соседей рассматривался как непараметрический метод оценивания отношения правдоподобия. Для этого метода получены теоретические оценки его эффективности в сравнении с оптимальным байесовским классификатором. Доказано, что асимптотические вероятности ошибки для метода k-ближайших соседей превышают ошибки правила Байеса не более чем в два раза.

Как отмечалось выше, в реальных задачах часто приходится оперировать объектами, которые описываются большим количеством качественных (дихотомических) признаков. При этом размерность пространства признаков соизмерима или превышает объем исследуемой выборки. В таких условиях удобно интерпретировать каждый объект обучающей выборки, как отдельный линейный классификатор. Тогда тот или иной диагностический класс представляется не одним прототипом, а набором линейных классификаторов. Совокупное взаимодействие линейных классификаторов дает в итоге кусочно-линейную поверхность, разделяющую в пространстве признаков распознаваемые классы. Вид разделяющей поверхности, состоящей из кусков гиперплоскостей, может быть разнообразным и зависит от взаимного расположения классифицируемых совокупностей.

Также можно использовать другую интерпретацию механизмов классификации по правилу k-ближайших соседей. В ее основе лежит представление о существовании некоторых латентных переменных, абстрактных или связанных каким-либо преобразованием с исходным пространством признаков. Если в пространстве латентных переменных попарные расстояния между объектами такие же, как и в пространстве исходных признаков, и количество этих переменных значительно меньше числа объектов, то интерпретация метода k-ближайших соседей может рассматриваться под углом зрения сравнения непараметрических оценок плотностей распределения условных вероятностей. Приведенное здесь представление о латентных переменных близко по своей сути к представлению об истинной размерности и другим представлениям, используемым в различных методах снижения размерности.

При использовании метода k-ближайших соседей для распознавания образов исследователю приходится решать сложную проблему выбора метрики для определения близости диагностируемых объектов. Эта проблема в условиях высокой размерности пространства признаков чрезвычайно обостряется вследствие достаточной трудоемкости данного метода, которая становится значимой даже для высокопроизводительных компьютеров. Поэтому здесь так же, как и в методе сравнения с прототипом, необходимо решать творческую задачу анализа многомерной структуры экспериментальных данных для минимизации числа объектов, представляющих диагностические классы.

Алгоритмы вычисления оценок (голосования). Принцип действия алгоритмов вычисления оценок (АВО) состоит в вычислении приоритете (оценок сходства), характеризующих “близость” распознаваемого и эталонных объектов по системе ансамблей признаков, представляющей собой систему подмножеств заданного множества признаков.

В отличие от всех ранее рассмотренных методов алгоритмы вычисления оценок принципиально по-новому оперируют описаниями объектов. Для этих алгоритмов объекты существуют одновременно в самых разных подпространствах пространства признаков. Класс АВО доводит идею использования признаков до логического конца: поскольку не всегда известно, какие сочетания признаков наиболее информативны, то в АВО степень сходства объектов вычисляется при сопоставлении всех возможных или определенных сочетаний признаков, входящих в описания объектов .

Коллективы решающих правил. В решающем правиле применяется двухуровневая схема распознавания. На первом уровне работают частные алгоритмы распознавания, результаты которых объединяются на втором уровне в блоке синтеза. Наиболее распространенные способы такого объединения основаны на выделении областей компетентности того или иного частного алгоритма. Простейший способ нахождения областей компетентности заключается в априорном разбиении пространства признаков исходя из профессиональных соображений конкретной науки (например, расслоение выборки по некоторому признаку). Тогда для каждой из выделенных областей строится собственный распознающий алгоритм. Другой способ базируется на применении формального анализа для определения локальных областей пространства признаков как окрестностей распознаваемых объектов, для которых доказана успешность работы какого-либо частного алгоритма распознавания.

Самый общий подход к построению блока синтеза рассматривает результирующие показатели частных алгоритмов как исходные признаки для построения нового обобщенного решающего правила. В этом случае могут использоваться все перечисленные выше методы интенсионального и экстенсионального направлений в распознавании образов. Эффективными для решения задачи создания коллектива решающих правил являются логические алгоритмы типа “Кора” и алгоритмы вычисления оценок (АВО), положенные в основу так называемого алгебраического подхода, обеспечивающего исследование и конструктивное описание алгоритмов распознавания, в рамки которого укладываются все существующие типы алгоритмов .

Нейросетевые методы

Нейросетевые методы - это методы, базирующиеся на применении различных типов нейронных сетей (НС). Основные направления применения различных НС для распознавания образов и изображений :

применение для извлечение ключевых характеристик или признаков заданных образов,

классификация самих образов или уже извлечённых из них характеристик (в первом случае извлечение ключевых характеристик происходит неявно внутри сети),

решение оптимизационных задач.

Многослойные нейронные сети. Архитектура многослойной нейронной сети (МНС) состоит из последовательно соединённых слоёв, где нейрон каждого слоя своими входами связан со всеми нейронами предыдущего слоя, а выходами - следующего.

Простейшее применение однослойной НС (называемой автоассоциативной памятью) заключается в обучении сети восстанавливать подаваемые изображения. Подавая на вход тестовое изображение и вычисляя качество реконструированного изображения, можно оценить насколько сеть распознала входное изображение. Положительные свойства этого метода заключаются в том, что сеть может восстанавливать искажённые и зашумленные изображения, но для более серьёзных целей он не подходит.

МНС так же используется для непосредственной классификации изображений – на вход подаётся или само изображение в каком-либо виде, или набор ранее извлечённых ключевых характеристик изображения, на выходе нейрон с максимальной активностью указывает принадлежность к распознанному классу (рис. 4). Если эта активность ниже некоторого порога, то считается, что поданный образ не относится ни к одному из известных классов. Процесс обучения устанавливает соответствие подаваемых на вход образов с принадлежностью к определённому классу. Это называется обучением с учителем . Такой подход хорош для задач контроля доступа небольшой группы лиц. Такой подход обеспечивает непосредственное сравнение сетью самих образов, но с увеличением числа классов время обучения и работы сети возрастает экспоненциально. Поэтому для таких задач, как поиск похожего человека в большой базе данных, требует извлечения компактного набора ключевых характеристик, на основе которых можно производить поиск.

Подход к классификации с использованием частотных характеристик всего изображения, описан в . Применялась однослойная НС, основанная на многозначных нейронах.

В показано применение НС для классификации изображений, когда на вход сети поступают результаты декомпозиции изображения по методу главных компонент.

В классической МНС межслойные нейронные соединения полносвязны, и изображение представлено в виде одномерного вектора, хотя оно двумерно. Архитектура свёрточной НС направлена на преодоление этих недостатков. В ней использовались локальные рецепторные поля (обеспечивают локальную двумерную связность нейронов), общие веса (обеспечивают детектирование некоторых черт в любом месте изображения) и иерархическая организация с пространственными подвыборками (spatial subsampling). Свёрточная НС (СНС) обеспечивает частичную устойчивость к изменениям масштаба, смещениям, поворотам, искажениям.

МНС применяются и для обнаружения объектов определённого типа. Кроме того, что любая обученная МНС в некоторой мере может определять принадлежность образов к “своим” классам, её можно специально обучить надёжному детектированию определённых классов. В этом случае выходными классами будут классы принадлежащие и не принадлежащие к заданному типу образов. В применялся нейросетевой детектор для обнаружения изображения лица во входном изображении. Изображение сканировалось окном 20х20 пикселей, которое подавалось на вход сети, решающей принадлежит ли данный участок к классу лиц. Обучение производилось как с использованием положительных примеров (различных изображений лиц), так и отрицательных (изображений, не являющихся лицами). Для повышения надёжности детектирования использовался коллектив НС, обученных с различными начальными весами, вследствие чего НС ошибались по разному, а окончательное решение принималось голосованием всего коллектива.

Рисунок 5. Главные компоненты (собственные лица) и разложение изображения на главные компоненты

НС применяется так же для извлечения ключевых характеристик изображения, которые затем используются для последующей классификации. В , показан способ нейросетевой реализации метода анализа главных компонент. Суть метода анализа главных компонент заключается в получении максимально декореллированных коэффициентов, характеризующих входные образы. Эти коэффициенты называются главными компонентами и используются для статистического сжатия изображений, в котором небольшое число коэффициентов используется для представления всего образа. НС с одним скрытым слоем содержащим N нейронов (которое много меньше чем размерность изображения), обученная по методу обратного распространения ошибки восстанавливать на выходе изображение, поданное на вход, формирует на выходе скрытых нейронов коэффициенты первых N главных компонент, которые и используются для сравнения. Обычно используется от 10 до 200 главных компонент. С увеличением номера компоненты её репрезентативность сильно понижается, и использовать компоненты с большими номерами не имеет смысла. При использовании нелинейных активационных функций нейронных элементов возможна нелинейная декомпозиция на главные компоненты. Нелинейность позволяет более точно отразить вариации входных данных. Применяя анализ главных компонент к декомпозиции изображений лиц, получим главные компоненты, называемые собственными лицами , которым так же присуще полезное свойство – существуют компоненты, которые в основном отражают такие существенные характеристики лица как пол, раса, эмоции. При восстановлении компоненты имеют вид, похожий на лицо, причём первые отражают наиболее общую форму лица, последние – различные мелкие отличия между лицами (рис. 5). Такой метод хорошо применим для поиска похожих изображений лиц в больших базах данных. Показана так же возможность дальнейшего уменьшения размерности главных компонент при помощи НС . Оценивая качество реконструкции входного изображения можно очень точно определять его принадлежность к классу лиц.

Нейронные сети высокого порядка. Нейронные сети высокого порядка (НСВП) отличаются от МНС тем, что у них только один слой, но на входы нейронов поступают так же термы высокого порядка, являющиеся произведением двух или более компонент входного вектора . Такие сети так же могут формировать сложные разделяющие поверхности.

Нейронные сети Хопфилда. НС Хопфилда (НСХ) является однослойной и полносвязной (связи нейронов на самих себя отсутствуют), её выходы связаны со входами. В отличие от МНС, НСХ является релаксационной – т.е. будучи установленной в начальное состояние, функционирует до тех пор, пока не достигнет стабильного состояния, которое и будет являться её выходным значением. Для поиска глобального минимума применительно к оптимизационным задачам используют стохастические модификации НСХ .

Применение НСХ в качестве ассоциативной памяти позволяет точно восстанавливать образы, которым сеть обучена, при подаче на вход искажённого образа. При этом сеть “вспомнит” наиболее близкий (в смысле локального минимума энергии) образ, и таким образом распознает его. Такое функционирование так же можно представить как последовательное применение автоассоциативной памяти, описанной выше. В отличие от автоассоциативной памяти НСХ идеально точно восстановит образ. Для избежания интерференционных минимумов и повышения ёмкости сети используют различные методы .

Самоорганизующиеся нейронные сети Кохонена. Самоорганизующиеся нейронные сети Кохонена (СНСК) обеспечивают топологическое упорядочивание входного пространства образов. Они позволяют топологически непрерывно отображать входное n-мерное пространство в выходное m-мерное, m<

Когнитрон. Когнитрон своей архитектурой похож на строение зрительной коры, имеет иерархическую многослойную организацию, в которой нейроны между слоями связаны только локально. Обучается конкурентным обучением (без учителя). Каждый слой мозга реализует различные уровни обобщения; входной слой чувствителен к простым образам, таким, как линии, и их ориентации в определенных областях визуальной области, в то время как реакция других слоев является более сложной, абстрактной и независимой от позиции образа. Аналогичные функции реализованы в когнитроне путем моделирования организации зрительной коры.

Неокогнитрон является дальнейшим развитием идеи когнитрона и более точно отражает строение зрительной системы, позволяет распознавать образы независимо от их преобразований, вращений, искажений и изменений масштаба.

Когнитрон является мощным средством распознавания изображений, однако требует высоких вычислительных затрат, которые на сегодняшний день недостижимы .

Рассмотренные нейросетевые методы обеспечивают быстрое и надёжное распознавание изображений, но при использовании этих методов возникают проблемы распознавания трёхмерных объектов. Тем не менее, данный подход имеет массу достоинств.

Заключение

В настоящее время существует достаточно большое количество систем автоматического распознавания образов для различных прикладных задач.

Распознавание образов формальными методами как фундаментальное научное направление является неисчерпаемым.

Математические методы обработки изображений имеют самые разнообразные применения: наука, техника, медицина, социальная сфера. В дальнейшем роль распознавания образов в жизни человека будет возрастать еще больше.

Нейросетевые методы обеспечивают быстрое и надёжное распознавание изображений. Данный подход имеет массу достоинств и является одним из наиболее перспективных.

Литература

Д.В. Брилюк, В.В. Старовойтов. Нейросетевые методы распознавания изображений // /

Кузин Л.Т. Основы кибернетики: Основы кибернетических моделей. Т.2. - М.: Энергия, 1979. - 584с.

Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие. – М.: Высшая школа, 1997. - 389с.

Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. - М.: Энергия, 1979. - 511с.

Ту Дж., Гонсалес Р. Принципы распознавания образов. /Пер. с англ. - М.: Мир, 1978. - 410с.

Уинстон П. Искусственный интеллект. /Пер. с англ. - М.: Мир, 1980. - 520с.

Фу К. Структурные методы в распознавании образов: Пер.с англ. - М.: Мир, 1977. - 320с.

Цыпкин Я.З. Основы информационной теории идентификации. - М.: Наука, 1984. - 520с.

Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. - М.: Наука, 1988. - 280с.

Ю. Лифшиц, Статистические методы распознавания образов ///modern/07modernnote.pdf

Бор Н. Атомная физика и человеческое познание. /Пер.с англ. - М.: Мир, 1961. - 151с.

Бутаков Е.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ.1987.-236с.

Дуда Р., Харт П. Распознавание образов и анализ сцен. /Пер.с англ. - М.: Мир, 1978. - 510с.

Дюк В.А. Компьютерная психодиагностика. - СПб: Братство, 1994. - 365с.

Aizenberg I. N., Aizenberg N. N. and Krivosheev G.A. Multi-valued and Universal Binary Neurons: Learning Algorithms, Applications to Image Processing and Recognition. Lecture Notes in Artificial Intelligence – Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 21-35.

Ranganath S. and Arun K. Face recognition using transform features and neural networks. Pattern Recognition 1997, Vol. 30, pp. 1615-1622.

Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями – Брест:БПИ, 1999, - 260с.

Vetter T. and Poggio T. Linear Object Classes and Image Synthesis From a Single Example Image. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 733-742.

Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей – Брест:БПИ, 1999, - 228с.

Lawrence S., Giles C. L., Tsoi A. C. and Back A. D. Face Recognition: A Convolutional Neural Network Approach. IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, pp. 1-24.

Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика, 1992 – 184с.

Rowley H. A., Baluja S. and Kanade T. Neural Network-Based Face Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1998, Vol. 20, pp. 23-37.

Valentin D., Abdi H., O"Toole A. J. and Cottrell G. W. Connectionist models of face processing: a survey. IN: Pattern Recognition 1994, Vol. 27, pp. 1209-1230.

Документ

Им составляют алгоритмы распознавания образов . Методы распознавания образов Как отмечалось выше... реальности не существует "экосистемы вообще", а существуют только отдельные... выводы из этого детального обзора методов распознавания мы представили в...

1. Обзор методов идентификации людей на основе изображений лиц с учетом особенностей визуального распознавания

   Обзор

   ... распознавания человеком слабоконтрастных объектов, в т.ч. лиц. Приведен обзор распространенных методов ... Существует целый ряд методов ... образом , в результате проведенного исследования подготовлена платформа для разработки метода распознавания ...

2. Имени Глазкова Валентина Владимировна ИССЛЕДОВАНИЕ И РАЗРАБОТКА МЕТОДОВ ПОСТРОЕНИЯ ПРОГРАММНЫХ СРЕДСТВ КЛАССИФИКАЦИИ МНОГОТЕМНЫХ ГИПЕРТЕКСТОВЫХ ДОКУМЕНТОВ Специальность 05

   Автореферат диссертации

   Гипертекстовых документов. В главе приведён обзор существующих методов решения рассматриваемой задачи, описание... отсечением наименее релевантных классов // Математические методы распознавания образов : 13-я Всероссийская конференция. Ленинградская обл...

3. Слайд 0 Обзор задач биоинформатики связанных с анализом и обработкой генетических текстов

   Лекция

   Последовательностей ДНК и белков. Обзор задач биоинформатики как задач... сигналов требует применения современных методов распознавания образов , статистических подходов и... с низкой плотностью генов. Существующие программы предсказания генов не...

Существует огромное разнообразие жанров и видов компьютерных игр, но стратегии для ПК занимают ведущие позиции, ведь только благодаря им можно управлять вселенными, строить или разрушать цивилизации. Так что если вы хотите почувствовать себя богом, то смело запускайте одну из подобных забав. Что уж говорить, что игр этого жанра создано очень много, но мы подобрали для вас рейтинг самых лучших.

Civilization V

В этой стратегии для ПК вы погрузитесь в историю нашего мира и проведете человечество по всем ветвям - от каменного века до современной реальности и намного дальше. Игроку предстоит принять множество разных решений: социальных, политических, экономических, военных.

Свобода выбора - то, что характеризует эту стратегию. Можно быть завоевателем или построить государство, ориентированное на туризм или промышленность. В игре сможет разобраться даже новичок, открывающий для себя мир стратегий. Ведь в Civilization V отличная система подсказок и огромная база учебных пособий. Переосмысленная сетка боя погружает в игру с головой, также радует приятная графика.

Total War: Shogun 2

Продолжает список «Лучшие стратегии для ПК» игра, которая перенесет нас в феодальную Японию XVI века. Вам предстоит управлять целой империей - от экономики до защиты государства от захватчиков. В игре есть два режима, и нужно продемонстрировать все свои стратегические способности, чтобы успешно маневрировать между ними.

Управляйте империей в режиме не забывая о том, что вас ждут тактические бои в реальном времени. Баталии в Total War: Shogun 2 - отдельный разговор. Игроку предстоит продумывать тактику боя, и даже противник с численным превосходством может быть разбит благодаря умело проведенному бою или засаде.

StarCraft 2

Если вам нравятся научно-фантастические игры-стратегии на ПК в режиме реального времени, то стоит обратить внимание на StarCraft 2. Здесь все по классике: собирайте ресурсы, стройте войска и защищайте галактику от злобных космических эльфов и ксеноморфных инопланетян.

Игра потребует быстрых решений и действий. Особенно радует мультиплеер, ведь возможность сразиться с другим игроком куда как сильнее щекочет нервы. Хотя и одиночная кампания имеет свои плюсы. Огромное количество квестов и дополнительных заданий не дадут заскучать, а их вариативность и оригинальность приведут в восторг любого игрока.

XCOM: Enemy Unknown

Космические стратегии, на компьютер установленные, могут действительно удивлять. В XCOM: Enemy Unknown игроку предстоит отразить вторжение в режиме пошаговой стратегии. Вам нужно собрать команду из шести бойцов и смело направить их против роботов, инопланетян и других противников.

В игре большое количество карт местности, где героям предстоит вступать в жесткие перестрелки, а после битвы их ждет база, где нужно изучать технологии, увеличивать свои способности и решать проблемы с финансированием. Стратегия затянет не на шутку. Если вам не хочется идти по пути однопользовательской компании, и есть огромное желание вступить в бой с реальным противником, то режим мультиплеера даст вам такую возможность.

Tropico 5

Продолжает рейтинг «Лучшие стратегии для ПК» отличный градостроитель, где вам предстоит почувствовать себя диктатором Карибского бассейна. Маленькая республика может стать великой страной, но только под умелым руководством. Игроку предстоит самому решать, по какому пути пойдет его маленькое царство, ведь в этом и прелесть тоталитарного режима.

Но не стоит сильно перегибать палку, ведь ваш народ может поднять восстание и свергнуть режим. А если не быть достаточно осторожным во внешней политике, то страну ждет военное вторжение. Игра Tropico 5 - отличный и забавный градостроитель, который подарит массу удовольствия.

Age of Wonders 3

Классические фэнтезийные игры-стратегии на ПК не утратят актуальности никогда. Несмотря на то что в этой игре достаточно слабо продумана дипломатия и управление городами, Age of Wonders 3 не зря попала в список лучших.

Огромное количество разнообразных юнитов, и поля битвы, усеянные препятствиями, погружают в баталии с головой. При правильной тактике и умелой стратегии можно построить действительно огромную армию, сметающую все на своем пути. Так что если вам близки по духу эльфы, гномы, великаны, и вы не прочь поупражняться в магии, то смело приобретайте эту игру.

World in Conflict: Soviet Assault

В этой стратегии, на компьютер установленной, вам предстоит защищаться от «злобных советских солдат», которые решили завоевать весь мир. Тема достаточно заезжена и уже утратила актуальность, но то, как она подается в World in Conflict: Soviet Assault, стоит отдельного внимания.

В этой стратегии уже не нужно строить базы или управлять ресурсами, победа или поражение зависит от командных очков, которые дают за прохождение миссий. Впечатляющая графика и действительно интересная однопользовательская кампания поглотят и будут держать в напряжении в течение всей игры.

Стратегии онлайн

«Правила войны» открывают подобного жанра. В этой вам предстоит стать бесстрашным командором, пережившим ядерную войну и пытающимся наладить отношения с не совсем дружелюбными соседями.

Игра завоевала огромное число поклонников среди пользователей социальных сетей по всему миру, и на это есть причины. Отличная графика и озвучка, затягивающий игровой процесс, возможность общения с другими игроками и создание союзов - вот далеко не полный список достоинств, благодаря которым проект «Правила войны» попал в рейтинг «Лучшие игры-стратегии». Бесплатно играть можно сразу в браузере, что делает игру еще привлекательнее.

"Меч и Магия"

Идея о том, чтобы перевести легендарную серию в онлайн-режим, существовала уже давно. И наступил этот миг, когда можно поиграть в любимых «Героев» бесплатно, открыв окошко в браузере. Экономическому развитию и строительству замков здесь уделено мало внимания, но это компенсируется огромным количеством квестов, благодаря которым вы вдоволь попутешествуете по миру. Поиски артефактов, прокачка персонажа и стычки с врагами не дадут вам заскучать.

В игре «Меч и Магия» достаточно продумана а на прохождение сюжетной линии может уйти почти 100 часов - это достаточно впечатляющее время для игры-стратегии онлайн. Но, как и в любом браузерном проекте, герою предстоит взаимодействовать с реальными игроками. Некоторые из них станут друзьями, а кто-то окажется и заклятым врагом. Можно с уверенностью сказать, что Ubisoft удалось воплотить мечту множества фанатов серии.

Anno Online

Игры-стратегии на русском языке чаще всего предполагают очередность градостроительства и кровавых баталий. Но если вы не хотите участвовать в битвах, и жаждете отдаться созидательному процессу, то вам просто необходимо поиграть в Anno Online. Здесь вам также предстоит взаимодействовать с другими игроками, но только путем торговли и сотрудничества.

Основной задачей станет развитие своего города. Также вам необходимо думать об увеличении населения и проблемах с его обустройством. Вы будете налаживать торговые и производственные связи, заниматься постройкой домов и промышленных зданий и многое другое. продумана, и вы не найдете город, похожий на ваш, ведь каждый игрок развивается по своему пути.

В Paradox Interactive продолжают создавать комплексные миры в сфере гранд стратегий и глобальных стратегий. Europa Universalis и Crusader Kings, созданные этими разработчиками, поразили аудиторию и обзавелись большим количеством поклонников по всему миру. Применив весь свой опыт, разработчики отправились к звездам, вместе со своим следующим проектом - Stellaris, приглашая с собой игроков в более грандиозный игровой театр, чем раньше.

Stellaris, это сильно кастомизируемый гибрид стратегии в реальном времени и глобальной стратегии. С самого начала игры, вы можете настраивать свой межзвездный народ, начиная от их внешнего вида и флага, до философии и манеры поведения. В некотором виде кастомизация присутствует во многих аспектах игры. Манера, с которой вы исследуете близлежащие планеты и звездные системы, изучаете науки, расширяете владения своей расы, а также взаимодействуете с другими расами. Постепенно Stellaris ускоряется от несколько медленного старта к многочисленной и всеобъемлющей гонке за контроль над вселенной.

Игра не забывает свои корни. Stellaris заимствует социально-политические и экономические системы от других игр Paradox, заставляет игроков балансировать между внутренней борьбой и внешним влиянием и давлением. В Stellaris можно прекрасно играть одному, но мультипрлеер, это именно то место где игра начинает сиять еще ярче. Игра в онлайне, против друзей и врагов, отличное времяпрепровождение, которое растягивается во множество часов удовольствия от игры.

Battlefleet Gothic: Armada - одно из современных предложений во вселенной Warhammer 40K, тактическая RTS с космическими кораблями. Отказавшись от наземных сражений предыдущих игр во вселенной Warhammer 40K, Battlefleet Gothic обращает свое внимание к звездам, чтобы сражаться в отчаянной войне против галактических врагов.

Действуя по стандартам лора вселенной Warhammer 40K, в путешествии по сюжету игрок берет под свой контроль флот имперских военных кораблей, сюжет столкнет вас лоб в лоб с привычными противниками: Хаос Неделимый, Орки и Эльдары. Выживание в бою зависит от своевременного использования тактики, с опорой на механику замедления, известную как Tactical Cogitator (русский язык, на момент написания этого текста, игрой не поддерживается). Между тем, ваша задача заключается в грамотном расходовании всех ресурсов, на вооружение и кастомизацию своих кораблей, чтобы получить максимальную производительность в выбранной вами тактике.

В дополнение к одиночной игре, многопользовательский режим позволит использовать множество кораблей разных фракций и участвовать в многопользовательских схватках. Каждой победой и поражением в одиночной и многопользовательское игре, вы зарабатываете «Известность», которую можете тратить на апгреды и усовершенствования, а поражения в кампании, воздействуют на ваше продвижение по сюжетной кампании. Battlefleet Gothic: Armada немного сложна в обучении, но от этой игры вы сможете получить самый интересный и всесторонний Warhammer 40K экспириенс, не говоря уже о том, что игра в целом, это выдающаяся тактической RTS о космических кораблях.

Лучшая стратегия, где Монтесума (император Ацтеков) может сразиться с Ганди (философ Индии)

Civilization – пошаговая стратегия о человеческой истории: вы направляете расу людей от каменного века до современности и за её пределы. Это глобальная стратегия (захватить, исследовать, использовать и уничтожить) и самое прекрасное - вы начинаете с нуля, и дорастаете до глобальной державы. Или гибните в попытке совершить это.

Решения, с которыми Вам предстоит столкнуться в игре: политические, экономические, военные и даже социальные. Вы можете стать дружелюбным соседом или захватчиком. Центром торговли и туризма, или государством ориентированным на промышленность. Свобода выбора, это лучший актив игры - куда вы будете двигаться? Что вы будете делать? Какой путь для победы вы изберете? Сейчас в игре более 20 фракций, и каждой присущ определенный игровой стиль, но у вас всегда останется свобода действий.

Civilzation представляет собой хорошо отлаженную серию игр. В игре есть сильный набор учебных пособий и всплывающих подсказок, помогающих вам в принятии решений. Бои хороши как никогда прежде, благодаря переосмыслению в Civilzation V системы сетки. Наличие поддержки Steam Workshop означает, что у вас будет нескончаемый поток модов и карт.

Это серия игр, которая придумала термин "еще один ход, и спать" – эта стратегия вызывает привыкание, это захватывающая и увлекательная игра.

Лучшая Total War стратегия

Total War игра об управлении целой империей, в промежутках между вооруженными столкновениями на пути к господству. Сейчас вы возитесь с налогами и строительством бань, а уже в следующее мгновение стреляете из пушек и сломя голову несетесь на противника.

Игра проходит в двух различных режимах: управление империей в режиме пошаговой стратегии, и тактические бои в режиме стратегии в реальном времени. Ключом к победе является взаимодействие между двумя режимами, например: устроить кавалерийскую атаку против вражеской армии, зная, что ею командует царь оппонента и его убийство вызовет крах империи.

Всякий раз, когда две армии встречаются, игра переходит в режим тактического боя. Вы играете, как генерал, герой - вы управляете своими юнитами, составляете боевые порядки и стратегию, и сражаетесь с вашим врагом до последнего человека. Не всегда лучшим вариантом является выбор - правильной местности и правильной тактике, небольшое превосходство в силе может выдержать практически любые трудности, и самая могущественная армия может быть разбита с помощь хорошей засады.

Total War: Shogun 2 до сих пор, лучшая игра в серии. Если охватываемый её период (16-й век феодальная Япония), Вам не по вкусу, попробуйте Napoleon: Total War - игра, сосредоточенная на кампании знаменитого генерала. Total War глубокая, тактическая и продуманная игра: прохождение кампании в Total War может занять у Вас неделю или около того.

Гид покупателя: Sega часто делает скидки на Total War, и вы можете приобрести Shogun 2 и ее дополнения в Steam дешевле.

Почти полтора десятилетия после выпуска игры, оригинальная Stronghold все еще лучшая игра в серии замкостоителя от Firefly. Сочетание RTS с творческим, стратегическим строительством, миссиями и сражениями, иногда отвлекали от козыря игры - простого, но эффективного средневекового набора строительства.

Кампания не особенно запоминающаяся, а бои медленные, и могут сбивать с толку, но игра в режиме свободного строительства это очень захватывающее удовольствие, как игра в Lego или лепка из песка в песочницах детства. Конечно, прилив всегда уничтожает плоды тяжелой работы, но наблюдать за тем как все разваливается, это часть удовольствия.

Гид покупателя: Stronghold HD доступна в Steam

Лучшая стратегия позволяющая убить своего супруга

Crusader Kings 2, это кровожадный бастард Глобальных стратегий. Вы играете за средневекового лорда, пытающегося получить больше власти, влияние и территорий в исторически достоверной средневековой Европе. Игра предлагает комплексную игровую механику вместо красивой картинки. Вы управляете экономикой, армией и людьми.

Личностный элемент, делает Crusader Kings 2 очень убедительной игрой. Вы являетесь частью семейной династии, а не абстрактной нации. Вы можете жениться и иметь детей, когда вы умрете, ваш наследник возьмет бразды правления и все начнется снова. В перерывах между всем этим, вы можете использовать интригу или грубую силу, чтобы увеличить ваши владения, но ключевым является то, что вы развиваете реальную личную связь с вашими персонажами, вашим аватаром. Вы будете оплакивать его смерть, вы будете аплодировать каждому его триумфу.

Как граф или герцог, вы можете устроить переворот и восстать против вашего Господина для увеличения своей мощи. Будучи королем, вполне легко потерять Царство из-за вторжения или восстания. Но пока член вашей династии еще жив, вы всегда будете иметь шанс отыграть все обратно. Не пугайтесь кажущейся сложности, чем больше вы будете играть, тем больше вы узнаете.

Гид покупателя: Выбирайте для покупки связку с большинством пакетов дополнений, в том числе последних (Old Gods).

Лучшая стратегия для любителей электронного спорта

Starcraft II научно-фантастическая стратегия о бронированных ковбоях сражающихся против ксеноморфных инопланетян и космических эльфов. Это классическая стратегия в реальном времени, где вы собираете ресурсы, строите армию и убиваете врагов, прежде чем они убьет Вас, Вам понадобиться принимать быстрые решения и быстро щелкать мышкой.

Мультиплеер - огромная часть Starcraft II. Вашими врагами станут люди; они смогут щелкать по клавиатуре быстрее тебя и отдавать приказы быстрее тебя. Вы, вероятно, потеряете много нервных клеток, но получите лучшее игровое развлечение, и есть вы будете достаточно хороши сможете соревноваться с игроками на уровень киберспорта.

Одиночная кампания также весьма интересна - Blizzard объединила безумный экшен с элементами RPG, и историю подвигов наемника Джима Рейнора. Вы будете сражаться в серии миссий, многие из них будут иметь уникальные цели – например, попытаться собрать ресурсы на карте периодически заполняемой лавой, защищаться от волн зергов в течение отведенного периода времени. В перерывах между миссиями вы исследуете подобие RPG-​​хаба, где вы можете поговорить с людьми, исследовать новые технологии, и решить какую миссию посетить следующей. Очень трудно реализовать интересную сюжетную историю в жанре стратегия в реальном времени, и многие ограничиваются роликами и диалогами в миссиях, но SCII, заставляя вас взаимодействовать с миром в не поля боя, фактически делает игровой сюжет интерактивным.

Гид покупателя: Blizzard является одной из немногих компаний, которые на самом деле не "делает" DLC. Starcraft II имеет одно дополнение на момент написания статьи - Heart of the Swarm, второе дополнение (Legacy of the Void) должно выйти в какой-то момент в будущем. Дополнение в целом привносит несколько новых юнитов и хитростей для мультиплеера, но главным образом продвигает историю для одного игрока. В оригинальной игре, вы играли за терранов. В Hearts of the Swarm вы играете, за зергов. В Legacy of the Void вы будете играть за протосов.

Лучшая стратегия для игры в переодевание со своими куклами

XCOM стала неожиданным хитом. пошаговая стратегия, в ней от вас потребуется отразить инопланетное вторжение в динамической однопользовательской кампании. Это римейк классической X-Com , и как римейк, она ода из лучших.

Вы отправляете группы до шести солдат в бой против маленьких серых инопланетян, роботов, насекомых и тд.. Тактически насыщенные перестрелки на городских картах, сельской местности, на борту кораблей пришельцев, и все это держится на легкой стратегии. База игрока представлена как муравьиная ферма, где вы будете исследовать новые технологии, проводить вскрытия, и просить финансирование у теневого правительственного агентства.

Одним словом, это фантастика.

Кастомизация персонажей действительно цепляет. Вы можете дать своим войнам имена и лица, пока вы играете в кампанию они растут в вашем сознании, они получают предысторию и поддельные акценты. От Вас зависит жить этим солдатам или умереть, и вы ощущаете каждый их шаг, чувствуете каждый плазменный болт, что попадает в них, вы чувствуете их боль как свою. Когда они падают замертво, скорбите, а новый парень посылаемый в качестве замены... что же, он (или она) не получит имя, пока не проявит себя.

Тактические бои это суть игры, и если вы никогда не проверяли свои навыки командира против реальных людей, то XCOM предлагает опробовать их в мультиплеере.

Это стратегия в реальном времени о второй Мировой Войне бросает вас прямо в разгар боя, происходящего во время вторжения союзников в Северной Франции. Начиная с Дня-Д, вы проложите свой путь через несколько карт разделенных на тактические зоны. Вы должны создать базу для операций, защитить ресурсы, и сражаться за справедливое дело.

Это сложно - вы должны убедиться, что все углы прикрыты, и что ваша линия фронта находится в безопасности, потому что, если есть пробелы, ничто не помешает врагу сеять хаос у вас в тылу. Пехота может построить оборону и / или гарнизонные здания, а инженеры могут установить ловушки или уложить препятствия. Танки и другие транспортные средства обеспечат Вас грубой силой, но они весьма дорогие, для того чтобы строить их в массовом порядке. У вас как у командира есть способности поддержки, дающие вам дополнительное преимущество.

Эта игра является самой высоко-рейтинговой стратегией всех времен - однопользовательская кампания, напоминающая фильм Братья по оружию делает сюжетную кампанию больше, чем просто обучением для онлайна, а само Интернет-сообщество хорошо развито. Две фракции (или четыре, если у вас есть дополнения) хорошо сбалансированы так, что Вам понадобится больше чем обычное маневрирование или простой дальний бой с противником. За девять лет, начиная с первого выпуска, процветает моддинг сообщество, а это значит, что вы сможете получить еще больше интересного геймплея.

Гид покупателя: Company of Heroes имеет два дополнения - Opposing Fronts и Tales of Valour. Opposing Fronts является единственным дополнением действительно стоящим покупки. На данный момент уже вышел сиквел, охватывающий Русский и Восточный фронт.

Лучшая стратегия, где в бою могут столкнуться слоны и спортивные автомобили

Age of Empires это классическая серия стратегий в реальном времени, легкая в обучении, обаятельная и может бросить вызов игроку, если этого пожелать. Вы выбираете свою цивилизацию, создаете свой город и свою армию, и сражаетесь с другими цивилизациями на карте. Вы продвигаетесь через различные "века" или технические уровни, что бы улучшить войска и зданий.

Эта игра наполовину управление ресурсами, наполовину тактические бои, как Warcraft или Starcraft. Вы всегда начинаете игру с вашего центра города и небольшим количества гражданских лиц, но к концу матча вы можете разрастись до мегаполиса, со стенами, пожарными башнями, и большим войском. Age of Empires вышла в свет до начала эпохи многопользовательских игр в Интернете, поэтому основная составляющая этих игр это однопользовательские кампании и сражение с искусственным интеллектом. Представляющие собой серию специально созданных карт (с настраиваемыми целями), с известной личностью или группой людей из истории. Эти миссии не должны быть исторически точными, но они вовлекают вас в историю, и каждое сражение предоставляет уникальный сценарий противостояния.

Age of Empires 2 охватывает абстрактный период времени, начинающийся в средневековье, и проходит путь до ранней эпохи Возрождения. Как Вам: Кельтские рейдеры герцога с его персидскими слонами и средневековыми пикинерами вблизи японских крепостей? А тот, кто знает читы, всегда сможет поиграться со спортивными автомобилями с установленными пулеметами.

Гид покупателя: В январе 2013 года, Microsoft выпустила "HD" версию Age of Empires 2, включающую в себя основную игру и дополнение.

Лучший гибрид Варгейма (Wargame) и RTS

Игра в жанре варгейм. Она избавит вас от лишних забот связанных с постройкой баз и позволит сосредоточиться исключительно на сражениях. Вы командуете своей собственной настраиваемой армией, состоящей из танков, пехоты, артиллерии, и даже боевых вертолетов и самолетов. Битвы происходят в весьма детализированных частях европейской сельской местности, которые могут достигать до 150Km2.

Внимание к деталям - это то, что движет WarGames, и это то, что делает WarGame: AirLand Battle блестящей игрой. Ваши танки могут идти маршем по шоссе или топтать на полях различные сельскохозяйственные культуры, ваша пехота может ползать по лесам или удерживать важный перекресток... но танкам нужно топливо, а оружию нужны пули. Если вы не поддерживаете свои войска припасами, с помощью логистической системы, ваша боевая группа буквально застрянет.

Для игры о высокоуровневой стратегии, удивительно много атмосферы. Если вы приблизите камеру до «уровня земли», камеру будет встряхивать от артиллерийских снарядов врезающихся в землю. Леса будут гореть вокруг вас, и если дела у Вас идут совсем плохо, отступая, позади остаются догорать остовы павших танков и БМП.

Wargame предлагает – блестящую динамическую однопользовательскую кампанию. Вы сможете поиграть за НАТО или страны Варшавского договора, и вам придется бороться за контроль над Скандинавией, используя существующие в реальности боевые подразделения, поддержку вне карты... даже рандомизированные политические события. Если вы предпочитаете игру с реальными людьми, существует отличное Интернет-сообщество. Так же у Wargame в налисии множество мультиплеерных карт, и есть поддержка сражений в матчах 10 на 10.

Гид покупателя: На момент написания стати серия Wargame состоит из трех игр, последняя Wargame: Red dragon, с альтернативной историей повествующей о конфликте в Азии

Лучшая стратегия для амбициозного диктатора Карибского бассейна

Tropico по сути градостроитель, но то, что делает её классной, это очарование. Вы играете за диктатора с Карибской тематикой банановой республики, и ваша задача направлять свой остров от скромного начала к величию.

Как вы это сделаете, зависит от вас. Вы можете эксплуатировать природные ресурсы вашего острова и превратить его в промышленный центр, или вы можете использовать красоту природы острова и попытаться стать местом отдыха для невежественных белых туристов. Или то и другое. В Tropico существует множество вариантов, где поместить жилой комплекс или завод, следует ли назначать пенсии или призывать на военную службу. Вы привлекаете иммигрантов на остров, и они все нуждаются в жилье и рабочих местах, и вы должны будете создать свою экономику и услуги. На протяжении игры, о ваших действиях чудесно рассказывают на ток-шоу радиостанции Tropico, ведущий старается придать даже самым фиговым Вашим действиям положительный окрас.

По мере роста вашего острова, вы получите возможность начать вести дела с - Америкой, Россией, или даже с Китаем и Европой, все захотят оказать на Вас влияние. Они предложат вам деньги и богатство, если только вы позволите им, построить на острове военную базу, или позволите им экспортировать свои отходы к вам. Если вы не будете осторожны, вам придется иметь дело с восстанием или вторжением. В любом случае, ваш режим будет свергнут.

Tropico просто забавная игра: это градостроитель со здоровой дозой экономики, торговли и политики.

Лучшая космическая RTS

Sins of a Solar Empire - эта глобальная стратегия в реальном времени сосредотачивается на постройке большой космической империя. У вас есть планеты, которые можно колонизировать, и развивать на них промышленность и торговлю, но когда дела становятся плохи, всегда есть группы кораблей метающих пули, лазеры и ракеты друг в друга в бесконечной борьбе за господство.

В игре присутствует очень много вещей типичных для серии Sins: ваши разведчики будут носиться с планеты на планету в поисках новых миров, для покорения. Ваши торговые флоты будут перемещать товары с места на место, двигая колеса экономики, и ваши могучие боевые флоты будут бросаться из одного кризиса в другой, потому что, если не пираты стучатся в вашу дверь, так это еще какая-то фракция пришла заявить права на ваше имущество.

В игре нет одиночной кампании: вы просто играете бесконечное количество стычек против ИИ, используя широкий спектр карт из набора, каждая со своими собственными причудами и стратегиями. Вы также можете создать свою собственную карту, используя редактор и конечно, вы можете начать игру онлайн и играть против реальных людей.

Гид покупателя: Sins of a Solar Empire имеет три дополнения. Последнее, Rebellion - автономное расширение, включающее все предыдущие обновления и функций. Также есть DLC для игры, называется "Forbidden Worlds", оно добавляет новые типы планет, новую технику и несколько героев.

Лучшая стратегическая игра с атомным вооружением

DEFCON это игра о войне, в которой победить невозможно – о ядерной войне. Вы представлены на простой векторной карте мира (в стиле фильма WarGames(военные игры) и других классических фильмов), вам дают кучу военного имущества, и мир начинает медленно отсчитывать время до Армагеддона. Вы должны наилучшим образом использовать все, что у вас имеется, чтобы выйти на первое место в вскоре образующемся пустынном мире.

Простота и абстрактность Defcon является её самым большим достоинством. Вы не сможете остановить все ракеты, и вы не сможете выиграть в каждом конфликте. Регионы будут уничтожены, целые флоты будут потеряны, но... все что вы видите, это статистика на экране. Вы получаете очки за убийство большего количества людей за раз, вы теряете очки за каждый процент от вашего первоначального населения. Игрок с наибольшим количеством очков в конце, получат "победу". Поздравляю.

Defcon интересная игра, но что делает её настолько захватывающей?! Это то, что игра на самом деле битва умов, сродни шахматам. Матч всегда будет начинаться с DEFCON 5, и будет отсчитывать уровень опасности в отведенное время. Чем ближе к DEFCON 1, тем больше вам позволено сделать, но в основном все сводится к удачному размещению ваших активов - вашего флота и подводных лодок, бомбардировщиков и истребителей, ракетных шахт, радаров. Вы и ваши враги (до 6 игроков или ИИ могут играть в одном матче) будут делать одни и те же действия, так что от вас потребуется предчувствие и способность угадывать следующий ход противника.

Игра по умолчанию длится не более 45 минут, хотя вы можете настроить этот параметр. Игра отличное развлечение для чистых стратегов, она быстро и легко загружается. Настоятельно рекомендуем поиграть против других игроков.

Гид покупателя: Нет дополнений или DLC, а сама игра очень дешевая.

Эта космическая глобальная стратегия вывалит на Вас: космических жуков, рейды работорговец, астероиды, даже инопланетные зонды... и вот, Вы случайно встречаетесь с другой космической империей. Это опасная Вселенная и Sword of the Stars это чудесно отражает, а также дарит игроку захватывающую и сложную игру.

Это живая Вселенная действительно творит чудеса на ранней стадии игры, где в глобальных стратегиях традиционно почти ничего не происходит, до того как Вы столкнетесь с другими фракциями. Кроме того, Sword of the Stars делает то, что не часто встретишь в стратегиях этого жанра, не создает все игровые фракции равными. Конечно, все начинается с тех же ресурсов и планет, но каждая раса ведет себя уникальным образом - у них есть свой собственный уникальные методы путешествия сквозь космос. Также привязывает к фракциям систему технологий: дерево технологий игры рандомизировано для каждого нового матча, и каждая раса имеет предпочтения по отношению к определенным технологиям.

Настройки Кораблей занимаю большую часть игры, и вы потратите некоторую часть времени просто на настройку различных конструкций кораблей. Как и в серии Total War, эта игра переходит в режим стратегии в реальном времени, когда начинается стрельба. Вы можете отдавать приказы вашему флоту, задать боевые порядки, и наблюдать, как две группы кораблей стирают друг друга в космическую пыль. Славно.

Советский союз вторгается в Америку, и ваша задача, отбросить их обратно. Прошли те времена, когда требовалось строить базу и управлять ресурсами, у Вас есть командные очки и цели. Если Ваши подразделения уничтожены, Вы можете использовать очки командования и вызвать подкрепления, и Вы должны использовать сильные стороны ваших подразделения мудро, наряду с впечатляющим набором способностей вне карты.

Однопользовательская кампания очень кинематографична, и действительно захватывает вас повествованием. Я почти захотел вступить в Красную Армию, увидев результат того, как Советы штурмовали Западный Берлин, и есть одна сцена в середине игры… ну, я оставлю Вам возможность выяснить все самому. Вы в основном играете, за офицера армии США помогающего отразить вторжение, но дополнение Soviet Assault добавляет миссии с российской точки зрения, и это имеет критическое значение для предыстории.

Игра представляет прекрасный пример тактического боя, использования рельефа местности в своих интересах, микро-управления войсками, и все становится еще лучше, когда вы отправляетесь играть в Интернет. Игроки могут сражаться в матчах с участием до 16 игроков, и в отличие от одиночной компании, вы должны выбрать для себя одну из четырех ролей, это скажется на доступных вам подразделениях и вспомогательных способностях. Некоторые роли, наверняка будут слабее против определенной тактики, так что вы должны убедиться в том, что работаете вместе со своими товарищами по команде.

Тем не менее, нет еще такой проблемы, которая не решалась бы ковровой бомбардировкой.

Гид покупателя: У игры World in Conflict было только одно дополнение - Soviet Assault. Дополнение добавляет новые миссии в сюжетную компанию за СССР.

Лучшая масштабная RTS

Supreme Commander была игрой, «сломавшей» ПК, настолько были высоки требования к процессорам. Эта игра, о войне будущего робо-стратегия в реальном времени, она упрощает управление ресурсами и больше фокусируется на создание прекрасной военной машины. Вы начинаете с одного незаменимого устройства - командной машины, из неё вы строите заводы производящие юниты, они необходимы для того, чтобы вести войну с вашими врагами.

Армия Игрока, может потенциально достигать 1000 единиц, на земле, на море и в воздухе. Вы должны заботливо организовать балет производства, движения и нападения, перемалывая своего противника, при этом Ваша командная единица, а так же ваши фабрики и энергосистемы должна быть в безопасности, так чтобы они могли создать больше машин смерти. Это блестящая и ошеломляющая игра, и она не для казуальных геймеров.

Как ни странно, это была одна из немногих игр, официально поддерживающая работу с двумя мониторами, а значит, вы могли иметь масштабируемую карту на втором экране. Это находка, позволяет вам держать глаза на «общей картине» боя, и рекомендуется, если вы собираетесь играть серьезно. Мало игр позволяющих поиграть в том же масштабе, что и Supreme Commander, и когда вы отправляетесь на войну в Интернет, вот тогда для Вас начинаются реальные трудности. Такие игры как Starcraft требуют быстрого мышления и скорости реакции, но они позволяют управляться только с парой десятков единиц не более. В Supreme Commander требуется иметь дело с тысячей юнитов. Подумайте об этом.

Гид покупателя: DLC для этой игры нет, только автономный пакет дополнения Forged Alliance. Лучше приобрести Forged Alliance, он исправляет множество проблем основной игры, а также вводит дополнительную фракцию.

Лучшая стратегия по лицензии

Если вы поклонник Star Wars, то эта игра для Вас. Empire at War позволяет взять на себя ответственность за Галактическую Империю или Альянс повстанцев и сражаться за галактическое господство. Вы берете на себя командование могучим флотом и армией; даже отправляете в бой заметных героев, таких как Люк Скайуокер или Дарт Вейдер. Вы также можете построить Звезду Смерти.

Безусловно, лучший элемент игры это тактические космические сражения. На одной карте могут сражаться до четырех игроков (карта может иметь такие опасности, как астероиды или газовые облака), каждый игрок со своей собственной космической станцией, и цель игры состоит в том, чтобы просто выбить своего противника, уничтожив его базы. Большие корабли, в отличие от маленьких, имеют возможность целеуказания, и могут сбивать наше оружие или щиты и многие корабли (и герои) имеют особые умения, способные помочь переломить ситуацию.

Кроме космических сражений вы можете участвовать в боях на суше, вести эскадрилию парящих танков или AT-AT шагоходов. Эта игра по механике похожа на Total War в том смысле, что есть отдельный интерфейс кампания, где вы управляете империей и своими силами, а затем загружаетесь отдельно на экран сражений. Разница лишь в том, что все происходит в реальном времени, и нет очередей.

Это довольно большая игра, которая станет для Вас еще лучше, если вы поклонник вселенной Звездных войн.

Гид покупателя: Нет DLC, и только одно дополнение, называется Forged Alliance - добавляет третью фракцию, совершенно отличающуюся от двух уже имеющихся, а также добавляет новые подразделения, способности и т.д.

Очень давно, когда Westwood Studios мастерски создавала стратегии в реальном времени, они задались вопросом, "что если не было бы никакой нацистской Германии?" Сценарий они оформили в оригинальную игру Red Alert , в которой Советский Союз становится всемогущим и беспрепятственно завоевывает всю Европу. Оригинальная игра задает высокую планку, представляя две удивительно разнообразные стороны конфликта, опасный арсенал вооружения, и тяжелый техно / металл саундтрек и историю, рассказанную с помощью видео с живыми съемками между миссиями. Вторая игра в этой серии достигла еще более высокой планки качества, возможно взобравшись выше, чем почти любая другая игра от Westwood Studios.

Red Alert 2 следовала идее, что Союзники разгромили Сталина и его войска, после чего, установив в СССР свое марионеточное правительство. К несчастью Союзников, Советы не очень хорошо восприняли свое унижение. Они восстановили свои силы и атаковали американцев по всем фронтам. Сюжет игры немного надуманный, но он рисует фон для невероятной серии игровых кампаний для Советов и Союзников, в комплекте с множеством впечатляющих технологий для обеих сторон.

Если этого недостаточно, вы можете выйти в интернет, позвав с собой в бой до 7 своих приятелей. Игра позволяет каждому игроку выбрать нацию, со своими собственными специальным юнитами, вносящими дополнительные грани стратегии в каждую стычку. Command & Conquer: Red Alert 2 не стала «лебединой песней» Westwood Studios, но возможно игра была, их главной работой. После Red Alert 2 у них будут и другие хорошие игры, но ничего также не передавало дух Westwood, как их вторая часть RTS о Советах/Союзниках.

Лучшая Гранд стратегия (grand strategy)

Могучий флагман от Paradox Development Studio. Серия Europa Universalis всегда была сильной, производящей впечатление, запутанной и с подходом песочницы стратегией. Но с этой запутанностью пришло много проблем. Ошибки, тупые интерфейсы и плохо объясненная механика может оттолкнуть игроков, прежде чем они аннексируют свою первую нацию.

Europa Universalis IV изменило все это. Игра по-прежнему крепкий орешек и потребует много усилий от игроков, но на сегодняшний день она является наиболее удобной игрой в серии. И в то время как его бесчисленные системы до сих пор приводят в растерянность, вполне возможно, просто прыгнуть и вырезать нишу в истории.

Это игра из серии «что если?». Что если, если Италия прокатились по Османской империи с огромной наемной армией? Что делать, если Англия и Франция стали лучшими друзьями и поделили Европу, а не воевали друг с другом? Что делать, если Шотландия правила бы миром? Что делать, если.

Гид покупателя: Europa Universalis 4 имеет много DLC, и, к сожалению, они еще не все собраны в один пакет. Вы можете купить их по частям на Steam, однако. Пакеты и другие вспомогательные элементы могут быть проигнорированы, если пожелаете, но все же стоит прихватить Wealth of Nations и Conquest of Paradise.

Лучшее 4X (глобальная) стратегия

Лучшая игра для любителей 4X с гоблинами фанатиками и полуросликами волшебниками

Является желанием воскресит и дать классической серии новую жизнь. Это фэнтезийная глобальная стратегия.

Есть несколько, скриптовых кампаний для прохождения, но все мясо в случайно сгенерированных картах и настраиваемых фракциях. Фундаменталисты гоблины могут сражаться - с помощью святых военных двигателей – промышленников эльфов, в то время как армии ужасных пингвинов маршируют по замороженным пустошам. Это все восхитительно глупо.

Игра делает чертовски большие бои. Несколько единиц можно связать вместе, создавая гигантские армии. Напоминающие осады в Total War с точки зрения масштаба, но с продуманной пошаговой боевой системой и магией.

В то время как дипломатия и управление городами слабая сторона игры, Age of Wonders сияет во время сражений. Обилие магии и специальных способностей, разнообразный список юнитов и поля сражений усеянные препятствиями делают каждое сражение отличной головоломкой.

Гид покупателя: Вы можете купить Age of Wonders 3 на Steam, GOG и т.п., есть DLC расширяющее строительную механику и вводит расу Хобитов.

Лучшая стратегия по Warhammer 40k

Dawn Of War завораживает. Во многих отношениях, она ощущается, как очень традиционная стратегия в реальном времени, с большим количеством здания, стратегией и управлением ресурсами. Но взглянув на предшественников, игра похожа на Company Of Heroes. Мы видим, Relic начинают экспериментировать с боевым духом, укрытиями, отрядами и радикально отличающимися фракциями.

Напряженность, лежит в основе всей игры. Вся игра о продвижении, захвате и удержании территории. И все время, ресурсы кончаются все быстрее а генераторы приходят в упадок. Но военную машину постоянно нужно кормить.

Дополнения расширяют игру, вводя больше фракций со своей уникальной механикой. Есть подлый Эльдары, кровожадные Орки, многочисленные имперские гвардейцы - каждая фракция предлагает различные способы, поиграть в одну и туже игру. В общей сложности было добавлено девять фракций.

Dawn Of War 2 получила много изменений, бои стали меньше и с упором на тактику над стратегией. Это по-прежнему отличная игра но, отойдя от традиций жанра, Dawn Of War потеряла часть своего волшебства.

Гид покупателя: Базовая игра и все дополнения были собраны в Warhammer 40K: Dawn Of War Master Collection.

Лучший научно-фантастическая экономическая стратегия

Anno 2070 попрощалась с историческим сеттингом и сладострастная серия экономических стратегий от Ubisoft, отправляется в пост-экологическое бедствие будущего. Игра по-прежнему о зарабатывании денег и расширении своего влияния на островах, но вместо средневековой или колониальной державы, игра барахтается с эко-фракцией и загрязняющими промышленниками.

Неприятное ощущение отчаяния пронизывает на протяжении всей игры. Мир сражается, чтобы выжить и в надежде получить прибыль, принимаемые решения могут поставить мир в еще худшее положении. А социальные и экологические проблемы добавляют новое измерение сложности.

Технология, имеет огромное влияние. Фракции не ограничиваются их островными домами, и могут строить и под водой, создавая фермы водорослей или грязные нефтяные вышки.