Введение
Уодроу Уилсон "Вуди" Бледсоу (12 ноября 1921 года – 4 октября 1995 года) – американский математик, учёный в области информатики и выдающийся педагог. Он один из основоположников искусственного интеллекта (ИИ), сделавший ранние вклады в распознавание образов, распознавание лиц и автоматическое доказательство теорем. Он продолжал вносить значительный вклад в развитие ИИ на протяжении всей своей карьеры. На него оказал влияние Фрэнк Розенблатт. С 1966 года он работал в отделе математики и информатики Техасского университета в Остине, а с 1987 года занимал должность профессора компьютерных наук имени Питера О’Доннелла-младшего. Бледсоу присоединился к Церкви Иисуса Христа Святых последних дней во взрослом возрасте и служил в церкви епископом, советником президентства кола и патриархом кола. Он также был руководителем в организации «Бойскауты Америки». Бледсоу умер 4 октября 1995 года от бокового амиотрофического склероза, более известного как БАС или болезнь Лу Герига.
Woodrow Wilson "Woody" Bledsoe (November 12, 1921 – October 4, 1995) was an American mathematician, computer scientist, and prominent educator. He is one of the founders of artificial intelligence (AI), making early contributions in pattern recognition, facial recognition, and automated theorem proving. He continued to make significant contributions to AI throughout his long career. One of his influences was Frank Rosenblatt. Beginning in 1966, he worked at the department of mathematics and computer science of the University of Texas at Austin, holding the Peter O'Donnell Jr. Centennial Chair in Computing Science starting in 1987. Bledsoe joined the Church of Jesus Christ of Latter day Saints as an adult, and served in the church as a bishop, counselor to the stake presidency, and stake patriarch. He also served as a leader in the Boy Scouts of America. Bledsoe died on October 4, 1995, of amyotrophic lateral sclerosis, more commonly known as ALS or Lou Gehrig's disease.
Работы
Метод n-кортежей (1959) был одним из первых методов обучения программы распознавания образов. Основной метод иллюстрируется задачей распознавания 36 буквенно-цифровых символов (0–9, a–z). Пусть входные данные – бинарное изображение размером 10x15. Это эквивалентно строке из 150 двоичных элементов. Теперь случайным образом разделим 150 двоичных пикселей на 75 пар. Каждая пара имеет 4 возможных состояния: 00, 01, 10, 11. Теперь определим двоичную матрицу размером 300x36 следующим образом: обозначим состояние 00 первой пары как , и аналогично для остальных пар. У нас есть 300 таких состояний, каждое из которых представлено строкой. Каждый из 36 столбцов соответствует одному буквенно-цифровому символу. Вся бинарная матрица организована следующим образом: распознаватель образов определяется этой бинарной матрицей. Обучение происходит путем первоначальной установки всех элементов матрицы в нуль, а затем предъявления распознавателю нескольких бинарных изображений каждого буквенно-цифрового символа. Для каждого изображения соответствующие элементы матрицы устанавливаются в единицу, а остальные остаются без изменений. Это пример машинного обучения. После обучения распознаватель можно использовать для распознавания новых изображений. Сначала вычисляется вектор-столбец, соответствующий новому изображению, затем вычисляется скалярное произведение с каждым столбцом бинарной матрицы. Столбец с наибольшим скалярным произведением выдается как наиболее вероятный символ.
Let represent the 00 state of the first pair, and similarly for the others. We have 300 such states, each represented in a row. The 36 columns each correspond to one alphanumerical character. The entire binary matrix is arranged as follows:The pattern recognizer is defined by the binary matrix. It is trained by firstsetting all entries to zero, then it is presented with several binary images of each alphanumerical character. For each image, the corresponding entries in the matrix are set to one, and the other entries are unchanged. This is an example of machine learning. After the training the recognizer, it can be used to recognize new images. First compute the new image's corresponding column vector, then take the dot product with each column of the binary matrix. The column with the highest dot product is outputted as the most likely character.