Müasir zamanda informasiya-kommunikasiya texnologiyalarının yaratdığı geniş imkanlar sayəsində şifahi nitqi jest dilinə və əksinə çevirən sistemlərin problemlərini həll etmək mümkündür. Elektromiyoqrafiya (EMG) elektrodları ilə qeydə alınan siqnalları təsnif edən təsadüfi meşə metodu və s. kimi jest tanıma sistemləri mövcuddur. Bu metodlar real zaman anında operativ və dəqiq klassifikasiya nəticələri əldə etmək üçün istifadə olunur.

Bu barədə İnformasiya Texnologiyaları İnstitutunun Tədris-İnnovasiya Mərkəzinin elmi seminarında institutun baş mütəxəssisi Kəmalə Qurbanova məlumat verib. K.Qurbanova “Təsadüfi meşə klassifikatorunun tətbiqi ilə işarə dilinin tanınması alqoritmi” mövzusuna həsr olunmuş məruzəsində təmassız idarəetmə sistemlərinin qurulması prosesinin jestlərin avtomatik tanınması ilə reallaşdığını bildirib. O, hazırda əl ilə göstərilən jestləri xarakterizə etmək üçün ən perspektivli üsullardan biri hesab olunan elektromiyoqrafiya barədə məlumat verib.

Məruzəçinin sözlərinə görə, elektromiyoqrafiya və deşifrə metodlarından istifadə edərək, əlin müxtəlif vəziyyətlərini tanımaq mümkündür. EMG sensoru jesti göstərən əlin əzələ siqnallarını təsnif edə bilər.

K.Qurbanova EMG elektrodlarına əsaslanan jest tanıma sistemlərinin üstünlükləri və çatışmazlıqlarından bəhs edib. Bildirib ki, fon səs-küyünü də qeyd edən bu sistemlərdə səslərin silinməsi və qeyd olunmuş məlumatlaın filtrdən keçirilməsinin tələb olunması əlavə vaxt itkisinə səbəb olur. O, jestlərin tanınması vəzifəsində EMG sensor siqnalından istifadə edərək maşın təlim metodlarının iş sxemini təqdim edib, o cümlədən EMG elektrodları ilə qeydə alınan siqnalları təsnif edən k-ən yaxın qonşular, Naive Bayes, təsadüfi meşə, gizli Markov, neyron şəbəkə, dayaq vektorlar metodları kimi jest tanıma sistemləri barədə danışıb, bu metodların müqayisəli analizini aparıb.

“Təsadüfi meşə metodu real zaman anında əl ilə göstərilən jestlərin klassifikasiyası və tanınmasında müvəffəqiyyətlə istifadə olunur”, - deyə K.Qurbanova bildirib. Təsadüfi meşə metodunu həll ağacları çoxluğu təşkil edir. Metodun işində ən vacib məsələ optimal həll ağaclarının qurulmasıdır. İxtiyari həll ağacı atributların yazıldığı qovşaqlardan və budaqlardan ibarət ağaca bənzər qrafdır. Təlim dəstində olan həll ağacları müntəzəm olaraq (sonuncu istisna olmaqla) iki budağa ayrılır.  Bölgü prosesi əlamətlərin məntiqi müqayisəsinə əsaslanır. Budaqlarda nümunənin əlamətləri qiymətlərindirilir və hansı kateqoriyaya aid olması proqnozlaşdırılır. Təsnifatlaşdırma nəticəsində ayrı-ayrılıqda hər ağac üçün proqnozlar dəsti əldə edir və ən yaxşı həll seçir.

Tədqiqatçının sözlərinə görə, metodun yekun qərarı bir neçə həll ağacının təsnifatının nəticəsidir. Əksər hallarda həll ağacları eyni nəticəni proqnozlaşdırır. Belə olan halda həll ağaclarının müstəqilliyi numunənin yüksək keyfiyyətlə tanınmasına əsas verir. Əgər eyni nümunənin təsnifatlandırılmasında meşədəki əksər ağaclar uğursuz, lakin bir və ya az sayda ağac uğurlu nəticə verərsə, qərar qəbul olunmur, metod bu nümunəni təkrar təlimə göndərir. Bu metodun üstünlüyü sadəliyi ilə yanaşı minimum yaddaş tələb etməsidir. Təlim zamanı həll ağaclarının bəzi təpələri az sayda təlim nümunəsi ala bilir. Təlim nümunəsinin az olması dəqiq nəticə əldə etmək üçün problem yaradır. Bunun həlli üçün oxşar təlim nümunələri əlavə etməklə orijinal nümunəni süni şəkildə artırmaq mümkündür. Lakin, bu zaman yaddaşın həcminin artmaq lazım gəlir və təlim müddəti uzanır.

Təsadüfi meşə metodunun əsas çatışmazlığının yüksək vaxt mürəkkəbliyi olduğunu söyləyən məruzəçi təsadüfi meşə təsnifatının orta dəqiqliyinin səkkiz EMG sensorundan istifadə etməklə 91,47% təşkil etdiyini vurğulayıb.

Məruzə ətrafında fikir mübadiləsi aparılıb, suallar cavablandırılıb.

© Bütün hüquqlar qorunur. Xəbərlərdən istifadə edərkən www.iсt.az saytına istinad zəruridir.