Фонд оценочных средств по учебной дисциплине «Теория и алгоритмы распознавания образов»
МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего «Московский государственный университет геодезии и картографии» УТВЕРЖДЕН на заседании кафедры «____________________ »___________ 20__ г., протокол № _ Заведующий кафедрой ________________________ (подпись) ФОНД ОЦЕНОЧНЫХ СРЕДСТВ ПО УЧЕБНОЙ ДИСЦИПЛИНЕ «Теория и алгоритмы распознавания образов» Направление подготовки Информационные системы и технологии Профиль подготовки Геоинформационные системы __________________ бакалавр__________________ Квалификация (степень) выпускника |
Москва 2014 |
Паспорт фонда оценочных средств по дисциплине «Теория и алгоритмы распознавания образов» |
№ п/п | Контролируемые разделы (темы) дисциплины* | Код контролируемой компетенции | Наименование оценочного средства |
1 | Основные понятия теории распознавания образов | ПК-11, ПК-23, ПК-25, ПК-26, ПК-30 | Собеседование |
2 | Методы распознавания, основанные на принципе кластеризации | ПК-12, ПК-23, ПК-25, ПК-26, ПК-28, ПК-30 | Расчетное задание Контрольное задание |
3 | Распознавание без обучения (кластерный анализ) | ПК-11,ПК-23, ПК-25, ПК-26, ПК-30 | Собеседование Контрольное задание |
4 | Выбор признаков на основе корреляционного анализа данных | ПК-11,ПК-23, ПК-26, ПК-30 | Собеседование Расчетное задание |
5. | Статистические методы распознавания образов | ПК-11, ПК-12, ПК-23, ПК-25, ПК-26, ПК-28, ПК-30 | Расчетное задание Контрольное задание |
6 | Логические методы распознавания образов | ПК-12, ПК-25, ПК-26, ПК-28 | Расчетное задание |
7. | Распознавание образов, представленных структурами | ПК-11, ПК-12, ПК-23, ПК-25, ПК-26, ПК-28, ПК-30 | Собеседование |
8 | Синтаксические методы распознавания образов | ПК-11, ПК-12, ПК-23, ПК-25, ПК-26, ПК-28 | Расчетное задание |
МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Московский государственный университет геодезии и картографии» |
Дисциплина «Теория и алгоритмы распознавания образов» Направление подготовки/Специальность Информационные системы и технологии/Геоинформационные системы |
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 1
1. Основные компоненты алгоритма распознавания как формальной системы. Принципы и методические подходы к распознаванию образов.
2. Основные этапы обучения статистических классификаторов, методы проверки качества обучения.
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 2
1 Этапы проектирования систем распознавания.
2. Влияние нарушения гипотезы о нормальном законе распределения признаков в классе на результат классификации по расстоянию Махаланобиса.
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 3
1 Критерии оценки эффективности систем распознавания.
2. Методы описания текстур, гистограммные признаки первого и второго порядка
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 4
1 Понятие разделяющей и решающей функции при распознавании образов, представленных наборами (векторами) параметров
2. Обоснование применения логических методов распознавания, описание образов и классов в логических методах.
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 6
1 Параметрические и непараметрические методы классификации, обоснование их применения.
2. Общая схема алгоритма вычисления оценок.
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 7
1. Обоснование применения алгоритмов кластерного анализа (неконтролируемой классификации) при тематической классификации изображений.
2. Постановка задачи факторного анализа, интерпретация решения задачи методом главных компонент
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 8
1. Основные типы задач кластерного анализа. Методы «выращивания» кластеров.
2. Обучение нейросетей методом обратного распространения ошибок.
.
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 9
1 Кластеризация при заданном количестве групп. Обшая схема алгоритма ISODATA.
2. Описание многомерных структур на основе языка PDL..
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 10
1 Влияние начальных условий и размерности данных на результат работы алгоритмов класса ISODATA.
2. Понятие образа и класса в синтаксическом распознавании.
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 11
1 Теоретическое обоснование байесовского классификатора (на примере двух классов и одного признака).
2. Расчет матрицы корреляции признаков по заданному набору образов.
ЭКЗАМЕНАЦИОННЫй БИЛЕТ № 12
1 . Классификация по максимуму правдоподобия. Формула Байеса. Матрица ошибок.
2. Распознавание объектов на изображении с использованием функции взаимной корреляции.
Составитель _____________________________________ (подпись) Заведующий кафедрой_____________________________________ (подпись) |
Критерии оценки:
оценка «отлично» выставляется студенту, если он демонстрирует знание теоретических основ излагаемых методов и алгоритмов, особенностей их практической реализации в существующих системах обработки геопространственных данных, способен оценить их достоинства и недостатки...............................................................................
оценка «хорошо» выставляется студенту, если он если он демонстрирует знание теоретических основ излагаемых методов и алгоритмов, но не способен оценить их достоинства и недостатки, не может привести примеры из области их применения
оценка «удовлетворительно» выставляется студенту, если он демонстрирует знание основных определений, понятий, связанных с излагаемым методом или алгоритмом, но допускает неточности в изложении самого подхода, не способен привести примеры его практической реализации
Вопросы к собеседованию по разделу 1.
1. Что понимается под образом и классом в алгоритмах распознавания?
2. Что подразумевается под информационной и методической компонентами алгоритма (системы) распознавания?
3. Три принципа распознавания, определяемые информационной компонентой алгоритма.
4. Перечислите основные методические подходы к распознаванию образов.
5. Охарактеризовать эвристический подход к распознаванию образов. В чем его основной недостаток?
6. Какие методы распознавания относятся к математическим?
7. Охарактеризовать лингвистические методы распознавания.
8. Что такое простые и сложные системы распознавания?
9. Что такое классификация без обучения и классификация с обучением.
10. Перечислите основные этапы построения системы распознавания.
11. По каким критериям можно оценить эффективность системы распознавания?
12. Перечислите главные особенности систем распознавания в тематической обработке данных дистанционного зондирования.
Вопросы к приему расчетного задания по разделу 2.
1. Что называется разделяющей функцией?
2. Что называется решающей функцией?
3. Какие методы называют непараметрическими и какие – параметрическими?
4. При каких условиях эффективно применение метода гиперпараллелепипедов?
5. В каких случаях могут образовываться классы отказов от распознавания?
6. В чем состоит преимущество параметрических методов?
Вопросы к собеседованию по разделу 3.
1. К какому из методических подходов к распознаванию относится кластерный анализ и почему?
2. Что называется кластером?
3. По какому критерию осуществляется «выращивание» кластеров?
4. Что такое «односвязывающие», «среднесвязывающие» и «полносвязывающие» методы?
5. Опишите работу алгоритма максминного расстояния.
6. Опишите работу алгоритма k внутригрупповых средних.
7. Чем отличается алгоритм ISODATA от алгоритма k внутригрупповых средних?
8. Перечислите входные параметры полного алгоритма ISODATA и их назначение.
9. Опишите основные этапы работы алгоритма ISODATA.
10. Почему при работе с дискретными данными используется модификация Форджи? Что такое порог согласованности?
11. Что представляют собой границы между классами в алгоритмах кластерного анализа? Какие требования это предъявляет к свойствам выделяемых классов.
12. Для каких целей алгоритмы кластерного анализа могут применяться при обработке данных дистанционного зондирования?
Вопросы к собеседованию по разделу 4.
1. Дайте определение ковариационной матрицы.
2. Дайте определение коэффициента корреляции. Какие значения он принимает?
3. Геометрическая интерпретация коэффициента корреляции в линейном (векторном) пространстве признаков.
4. Перечислите основные свойства корреляционной матрицы.
5. Что такое нормализованная матрица данных? Какими свойствами она обладает?
6. Что называется главными компонентами? Дайте геометрическую интерпретацию преобразования к главным компонентам в пространстве измеряемых параметров.
7. К решению какого уравнения сводится преобразование к главным компонентам?
8. Опишите итерационный алгоритм нахождения первой главной компоненты (первого собственного вектора корреляционной матрицы).
Вопросы к собеседованию по разделу 4.
1. Какие особенности информационной компоненты системы распознавания требуют применения статистических методов?
2. Опишите ситуации, которые могут возникнуть при классификации образов на два класса, если гистограммы, построенные по сигнатурам этих классов, перекрываются.
3. Что называется ошибками первого и второго рода? Как эти ошибки проявляются при классификации изображений?
4. Что подразумевается под средним байесовским риском? Для чего вводится такое понятие?
5. Что такое «априорная вероятность появления класса»?
6. Как определяется минимум среднего байесовского риска?
7. Что такое функция правдоподобия и коэффициент правдоподобия?
8. Исходя из формулы Байеса для полной системы статистических гипотез, объясните понятие «максимум правдоподобия».
9. Чем обусловлено использование гипотезы о нормальном распределении признаков в классах в алгоритмах классификации многомерных данных?
10. Что такое расстояние Махаланобиса?
11. В чем состоит преимущество классификации по максимуму правдоподобия от классификации по расстоянию Махаланобиса?
12. При каком условии результат классификации по максимуму правдоподобия идентичен классификации по минимуму евклидова расстояния?
13. Как по матрице ошибок определить ошибки первого и второго рода для каждого из выделяемых классов?
14. Что такое меры статистической разделимости? Приведите примеры наиболее часто используемых мер.
15. Каким требованиям должны удовлетворять обучающие данные для получения наиболее качественного результата классификации?
Вопросы к сдаче расчетного задания по разделу 6.
1. В каких случаях целесообразно применения логических методов классификации.
2. Чем описываются признаки и классы в логических методах.
3. Что такое опорные множества в алгоритме вычисления оценок? В чем смысл использования опорных множеств?
4. Какие требования к обучающим данным в алгоритме вычисления оценок обеспечивают наиболее надежную работу алгоритма?
5. Опишите общую схему алгоритма вычисления оценок.
Вопросы к собеседованию по разделу 7.
1. Дайте определение образа как конфигурации. Что такое свободная конфигурация?
2. Перечислите основные характеристики связей между атомарными элементами образа. Что такое веб-структуры и плекс-структуры?
3. Что такое сегментация изображения? Как осуществляется переход от результата классификации изображения к тематической карте?
4. Опишите процесс выделения линейных структур (линеаментов) на изображениях.
5. Что такое гистограммные признаки первого и второго порядка? Приведите примеры признаков того и другого типа.
6. Что называется энергией изображения?
7. Что такое функция взаимной корреляции изображения и эталона?
8. Опишите процедуру распознавания объектов по заданному эталону в системе координат изображения.
Вопросы к собеседованию по разделу 8.
1. Дайте определение формальной грамматики и формального языка.
2. Что представляют собой классы в синтаксическом распознавании?
3. Что такое однозначная бесконтекстная грамматика?
4. Что такое регулярная (автоматная) грамматика?
5. Что такое левостороннее дерево вывода?
6. Опишите работу конечного автомата.
7. Опишите работу магазинного автомата.
8. Почему для автоматического разбора языков, порождаемых бесконтекстными грамматиками, требуется их нормализация?
9. Что такое грамматика деревьев?
10. К какому типы структур относятся структуры, описываемые с использованием языка PDL?
11. Дайте определение стохастической грамматики.
12. Какая стохастическая грамматика является совместной?
Вопросы к собеседованию по разделу 9.
1. Перечислите основные компоненты нейросети.
2. Как формируется сигнал на входе сенсора?
3. Что такое функция активности?
4. Как чаще всего описывается нелинейная функция активности?
5. В чем состоит основной принцип обучения нейросетей?
6. Опишите принцип работы алгоритма обратного распространения ошибок.
7. Как рассчитывается входной сигнал в сетях с радиальными базисными функциями?
8. Опишите работу алгоритма кластеризации в самоорганизующихся картах Кохонена.
Темы контрольных заданий по обработке мультиспектральных изображений.
1. Определение положения тематических классов в пространстве спектральных яркостей мультиспектрального изображения средствами пакета ERDAS Imagine.
2. Выполнение неконтролируемой классификации, группировка и тематическая интерпретация классов с использованием их спектральных профилей и пространственной локализации.
3. Выполнение контролируемой классификации и анализ качества результатов.
Контрольные задания выполняются на тестовом изображении с аппаратуры Landsat.
Темы расчетных заданий.
Построение линейных разделяющих функций для классов, заданных множествами точек на плоскости. Построение границ классов с нормально распределенным значением признака на основе критерия Байеса. Расчет корреляционной матрицы каналов многозонального изображения и первой главной компоненты для заданного набора эталонных объектов. Построение логического алгоритма вычисления оценок для генерализации картографических данных. Построение однозначных многомерных грамматик для распознавания структур, текстов и картографических символов.Составитель: доцент кафедры ВТиАОИ
