116 зрения сложности восприятия, однако довольно удобно для сравнительного * анализа эффективности сформированных признаков. Более наглядное представление о последовательности получения данных результатов можно получить из листинга программы моделирования. 4 4 0 J 01 График» изменения МО признакоя tо/ kt■ у ч t * го Н о м ф t V H f W ч ч ч Г * * I r i b p i i i i ^ ^ t i b i r a n v -4 00» Графики тиснения ГКО пртнадов /V0.0* ом '/ \ Г / I t V •JO, ■ У ’ * ч > . ■ * ■ 4 Л « г ■. ■ 0 Н ом е р д еоры ^ 1 Изменениеотносительного СКО пртн&км Н о м е р осю ры а б в Рисунок 3.12 Графики изменения значений МО, СКО и относительного СКО признаков Графики изменения МО признают О М •м 9 . 0 4 002 Графит тиснения СКО признаки У Х . _ I'■ 1 ► ^ Г " 4 *> ’ ^ Ч ‘ ^1-4 " Ч Н о м е р м т р м Н о м е р д о о р м Изменениеогноемгклыюго СКО признано* Н ом ер м о р ы а б в Рисунок 3.13 Графики изменения значений МО, СКО и относительного СКО признаков Анализируя полученные результаты, можно отметить следующее. 1. Для каждого из видов сигналов существует опорное распределение, которое обеспечивает наибольшее различие признаков классифицируемых процессов. |
На рис. 3.15-3.17 представлены графики зависимости значений МО, СКО и относительного среднеквадратического значения дисперсии сформированных признаков от номера опорного распределения к (к=0,...,5). Приведено по три графика упомянутых зависимостей, соответствующих трем видам входных процессов (см. рис. 3.7 3.12). На указанных рисунках цифрами от 0 до 3 обозначается принадлежность линии к одному из четырех классов входных процессов данного вида. Аналогично На рис. 3.20 3.22 представлены графики зависимости значений МО, СКО и относительного среднеквадратического значения дисперсии сформированных признаков от номера опорного распределения к (к =0,...,5) для второго набора признаков. В табл. 3.1 представлены значения радиусов собственных областей четырех классов для ля данного вида входных процессов. Аналогично в табл. 3.2 представлены значения радиусов собственных областей четырех классов для второго набора признаков. Такое компактное расположение графического материала, иллюстрирующего результаты моделирования, возможно несколько неудачно с точки зрения сложности восприятия, однако довольно удобно для сравнительного анализа эффективности сформированных признаков. Более наглядное представление о последовательности получения данных результатов можно получить из листинга программы моделирования, представленного в прил. 1. Анализируя полученные результаты, можно отметить следующее. / 1. Для каждого из видов сигналов существует опорное распределение, которое обеспечивает наибольшее различие признаков классифицируемых процес-• ■ ' сов. 2. В случае распознавания процессов в виде аддитивной смеси дискретного сигнала и нормального шума (рис. 3.7, 3.8) наилучшие результаты разделимости классов дают опорные процессы с некоррелированными отсчетами. Это видно из сравнения рис. 3.15.а и рис. 3.20.а, где в первом случае опорные процессы некоррелированные; во втором случае наименьшей дисперсией обладают признаки, полученные при использовании опорного процесса с минимальным интервалом корреляции (рис. 3.20.6). Кроме того, из сравнения данных табл. 3.1 и табл. 3.2 для I вида входного сигнала можно видеть, что при использовании некоррелированных опорных процессов радиусы собственных областей классов получаются примерно в 2 раза меньшими, чем в случае с опорными процессами, имеющими заданные функции корреляции. При этом пересечение собственных областей классов в признаковом пространстве будет меньше, что увеличивает достоверность распознавания. 3. Из графиков на рис. 3.16, 3.17 видно, что в случае классификации процессов с одинаковыми одномерными плотностями распределений и различными КФ (рис. 3.9, 3.11) наибольшей разделяющей способностью обладают те опорные сигналы, плотность вероятности которых больше остальных перекрывается с плотностью вероятности входного сигнала, подлежащего классификации. Так, максимальное различие между МО признаков (рис. 3.1б.а, 3.17.а) обеспечиваетсяI 101 |