|
В соответствии со структурной схемой устройства НК, представленным на рисунке 3.1, моделирование его работы проводится в два этапа: 1) моделирование в режиме обучения; 2) моделирование в режиме классификации. Структурные схемы алгоритмов программ моделирования, соответствующих этим этапам, представлены на рисунке 4.1 и рисунке 4.2. Листинг программы представлен в приложении А и Б, на основе которых были получены результаты моделирования. Моделирование проводилось для четырех классов случайных процессов, имеющих одинаковые одномерные плотности распределения вероятностей и корреляционные функции экспоненциального вида с различными интервалами корреляции. Примеры реализаций исследуемых случайных процессов представлены на рисунке 4.3. На основе полученных результатов были построены графики на рисунке 4.4. На рисунке 4.5 представлены графики зависимости суммарных вероятностей ошибок от количества объектов обучения для случая двухальтернативного распознавания при некоррелированных опорных процессах. На входе системы те же сигналы, но выбранные парами соответствующие увеличению расстояния между классами в признаковом пространстве. Анализ полученных результатов приводит к следующему выводу. 1) Минимум вероятности ошибки классификации достигается при росте объема обучающей выборки; 2) Коэффициент сжатия информации о-процессе для графика на рисунке 4.4, равен k = 1ООО, количеству точек, по которым строится оценка признака. 135 |
• i : 1 ровании вектора признаков. Моделирование работы алгоритмов непараметрической обработки с целью получения зависимостей показателей качества от этих параметров представляет сложную задачу как в отношении вычислительной сложности алгоритмов моделирования, так и в отношении интерпретации результатов моделирования и оценки погрешностей полученных результатов. Поэтому в данной работе представлены результаты анализа поведения оценок Рошi в зависимости от объемов обучающих выборок (количество объектов обучения), размерности вектора признаков, при постоянных значениях длительности интервалаI наблюдения, продолжительности процедуры классификации и для определенных опорных распределений. Данные зависимости вычислены с использованием двух алгоритмов НКСП с некоррелированными и коррелированными отсчетами опорных случайных процессов. Случай с различными опорными распределениями и интервалами наблюдения рассматривался в п. 3.4-3.5, где определялись зависимости МО и СКО признаков от этих параметров. Таким образом, в результате моделирования определяются значения пара-I метров системы распознавания, при которых использование разработанных алгоритмов практически целесообразно. ' 1 В соответствии со структурной схемой устройства НКСП (см. рис. 3.3) моделирование его работы проводится в два этапа: 1) моделирование в режиме обучения; 2) моделирование в режиме классификации. Структурные схемы алгоритмов программ моделирования, соответствующих этим этапам, представлены на рис 4.1 и рис. 4.2. Листинг программы представлен в приложении 3, который содержит также результаты моделирования. Моделирование проводилось для четырех классов случайных процессов, имеющих одинаковые одномерные плотности распределения вероятностей и корреляционные функции экспоненциального вида с различными интервалами корреляции. Примеры реализаций исследуемых случайных процессов представлены на рис. 4.3. На основе полученных результатов были построены графики на рис. 4.4,4.5. На рис. 4.6, 4.7 представлены графики зависимости суммарных вероятностей ошибок от количества объектов обучения для случая двухальтернативного распознавания при некоррелированных и коррелированных опорных процессах соответственно. На входе системы те же сигналы, но выбранные парами соответствующими увеличению расстояния между классами в признаковом пространстве. 117 i. |