107 Можно воспользоваться более простым методом нахождения R*, естест-i f венно вытекающим из структуры решающего правила (3.39). В результате усреднения оценок R (величина Rj является случайной и распределена нормально), получаем № ■ £ £ £ f c -wk=l_i=l (3.41) где К размерность признакового пространства (количество опорных распределений); N количество оценок г*, полученных при обучении. Приближенно (с ошибкой а « 2,5%) можно определить \ 4 Rj “ ri +2 | |
I рой (2.14) и (2.15) зависят как от статистических характеристик распознаваемого процесса x(t), так и от статистических характеристик опорного процесса rj^t), имеющего функцию распределения Fni (х). На структурной схеме формирователя вектора признаков использованы обозначения для случая, когда исследуемый процесс x(t) представлен в виде непрерывного аналогового сигнала. Для дискретного случая обозначения на рис. 3.2 заменяются следующим образом: t нал, т на пТ0, а интеграл заменяется знаком 92 суммы При обучении величины ПЦ: определяются как среднестатистические значения векторов г*, получаемых при подаче на вход обучающих реализаций. Величины R, получаются на этапе обучения после получения значений оценок m*j. В [77] предлагается рекуррентная процедура определения радиуса гиперсферы, основанная на алгоритмах обучения, изложенных в [95] Rfnl ? eG; l] + y, r gG, (3.63) где у коэффициент, определяющий скорость сходимости процедуры. Несмотря на простоту вычисления радиуса с помощью процедуры (3.63), использовать ее в любых случаях затруднительно, так как возникает задача нахождения значения коэффициента у , подходящего с точки зрения скорости завершения работы алгоритма и точности оценок R*. Можно воспользоваться более простым методом нахождения R ., естест-щ / I венно вытекающим из структуры решающего правила (3.62). В результате усреднения оценок R* (величина R= является случайной и распределена нормально), получаем в ) К / \2 ri " mij_i=l (3.64) где К размерность признакового пространства (количество опорных распределений); N количество оценок г; , полученных при обучении. Приближенно (с ошибкой а « 2,5%) можно определить R « L + 2отJ J L j ’ (3.65) где а. , среднеквадратическое значение оценки L*.J Таким образом, структурная схема непараметрического классификатора случайных процессов (НКСП) имеет вид, представленный на рис. 3.3. Схема алгоритма НКСП представлена на рис. 3.4 (режим "Обучение") и рис. 3.5 (режим "Классификация"). Г 94 Схема алгоритмаработы НКСП врежиме "Классификация" Начало 1 Ввод параметров m*j, R*дляj-ro класса Ввод обучающей выборки x(n), n=l ...N 3• t Генерирование вспомогательных сигналов E>(n), n=l...N 4 Вычисление разности ^(n):==xk(n)-4k(n) SgnZ^Cn):-! SgnZ.(n):=0 8 Формирование вектора оценок признаков N r*k:= 1/N SgnZ. (n)SgnZ. (n-1) 9 Решение D-Xfr'-my-R* i=l ----11 "1 — — ■— 12п х(п] 3 ли х(п)*Ю; • • с КонецD Рис. 3.5. 3.4. Исследование влияния вида и количества опорных распределений эффективность классификатора Известно [85], что с повышением размерности признакового пространства (при условии использования эффективных признаков, с точки зрения заданного критерия) качество работы классификатора улучшается. Однако значительное |