Проверяемый текст
Цымбал, Владимир Георгиевич; Разработка и исследование методов формирования признаковых пространств в медицинских диагностических системах (Диссертация 1999)
[стр. 59]

59 b Aa8, a ai —aJ т (1.33) где Аматрица декоррелирующего преобразования [1.15].
ч При близких значениях элементов матриц М, и М2 и а, и а,, когда дос-ш, тижение высокой достоверности распознавания 1—а* = 1—Р* возможно только за счет больших объемов выборок, а также при большом количестве используемых признаков р, вместо точных значений а и р для облегчения расчетов целесообразно использовать в (1.32) а 0 и получаемое из него соответствующей заменой параметров выражение для Р0.
В [82] рассматривается часто встречающийся на практике случай пропорциональных матриц
Mj и М2 (М, = hM 2,h >0, h Ф1), и полагается для про1 стоты m ,= m 2 =m ,a =P*,k0 =0.
Записываются минимизируемый функцио* нал и граничные условия исходя из выражения для ошибки классификациищ первого и второго рода [82].

Задача оптимизации решается стандартными
чис-щ ленными методами.
В [82] приведены оптимальные объемы контрольной п* и обучающих т* выборок, обеспечивающие достоверность распознавания 1-а* =0,8; 0,9; 0,95; 0,99 при количестве признаков р=2 и 10, точностях измерения расстояния dg =0,01 ...
1,0 и значениях коэффициента h = 1,01 ...
2,0.
Анализ результатов решения задачи оптимизации показывает, что с ростом h, при h близких к 1,
I преобладает тенденция, обуславливающая рост а и р , что вдет к увеличению т* и п*, требуемых для достижения заданной достоверности 1-а*.
ОднакоI при дальнейшем увеличении h до 2,0 оптимальные значения т* и п умень-» шаются.
Это объясняется тем, что с ростом h усиливается влияние тенденции, ведущей к уменьшению а и Р, и начиная с некоторого значения
h* ее влияние становится доминирующим.
При этом h* тем меньше, чем меньше d* и чемf больше р.

Действительно, увеличение с ростом h дисперсий величин, составляющих обучающие и контрольные выборки из класса s2, должно приводить при
[стр. 48]

48 Рассмотрим оптимизацию временных характеристик систем распознавания многомерных образов, различающихся векторами средних и ковариационными матрицами при фиксированном числе признаков.
Основой для оптимизации многомерных ансамблей, различающихся неизвестными векторами средних а15 ш, и ковариационными матрицами М,, М2 является полученное в [82] выражение вероятности ошибки распознавания первого рода а и получающееся из него заменой к0 на к0, пц на m2, aj на а2, М, на М2 соответствующее выражение для вероятности ошибки распознавания второго рода 0 [82, (3.29), (3.30)].
В данном случае значения а и 0 за висят от величин n,m, ,m2,b8,D,p, где D = 0 0 d Задача оптимизации принимает вид [82, (3.46)]: Р ш, + т 2+п а mj,m2,b6,D,p) амежду компонентами неизвестных а, и а19заключающемсяДа а ,• а.
•2j ll в том, что они не должны быть меньше некоторых минимальных значений а •, в качестве которых из практических соображений естественно взять точности измерения этих разностей Да^ в реальных системах, в силу чего в (1.32) [82] b АаЕ, а а®...а® т (1.33) где Аматрица декоррелирующего преобразования [1.15].
При близких значениях элементов матриц М, и М 2 и
aj и а15когда достижение высокой достоверности распознавания а 1-0* возможно только за счет больших объемов выборок, а также при большом количестве используемых признаков р , вместо точных значений а и 0 для облегчения расчетов целесообразно использовать в (1.32) а 0 [см.
(1.31)] и получаемое из него соответствующей заменой параметров выражение для 0О.
В [82] рассматривается часто встречающийся на практике случай пропорциональных матриц
Мj и М 2 (М, = hM2,h > 0,h Ф1), и полагается для простоты m1 m 2 m,a P\k о 0.
Записываются минимизируемый функционал и граничные условия исходя из выражения для ошибки классификации первого и второго рода [82,
(3.47)].
Задача оптимизации решается стандартными
численными методами.
В [82, табл.
3.2] приведены оптимальные объемы контрольной п и обучающих m выборок, обеспечивающие достоверность распознавания 1a * 0,8: 0,9; 0,95; 0,99 при количестве признаков р =2 и 10, точностях измерения расстояI

[стр.,49]

ния dg=0,01 ...
1,0 и значениях коэффициента h = 1,01 ...
2,0.
Анализ результатов решения задачи оптимизации показывает, что с ростом h, при h близких к 1,
преобладает тенденция, обуславливающая рост а и р , что вдет к увеличению m и п*, требуемых для достижения заданной достоверности 1-а*.
Однако при дальнейшем увеличении h до 2,0 оптимальные значения т и п уменьшаются.
Это объясняется тем, что с ростом h усиливается влияние тенденции, ведущей к уменьшению а и р, и начиная с некоторого значения
п ее влияние становится $ Л доминирующим.
При этом h тем меньше, чем меньше dg и чем больше р .

ь Действительно, увеличение с ростом h дисперсий величин, составляющих обучающие и контрольные выборки из класса s2, должно приводить при постоянных m,n,dgи р к увеличению а и р , причем Р в большей степени.
С другой стороны, чем больше h, тем сильнее отличие распределений Np{a1,M 1} и Np{a2,M2} друг от друга и тем меньше, следовательно, должны быть а и р при неизменных m,n,dg и р.
Как известно из рассмотрения случая равных ковариационных матриц Mj и М2 (см.
выше и [82, 84]), увеличение с ростом р числа оцениваемых парамет-/ л ров akj, к = 1,2, j = 1, р приводит к росту а и р при неизменных m,n,de и h.
Этим объясняется рост ш и п при увеличении числа признаков от 2 до 10 для h, близких к 1 [82, табл.
3.2].
Однако с ростом h достаточно быстро проявляется преобладание другой тенденции, ведущей к уменьшению а и р и состоящей в том, что с ростом р при неизменных m,n,dg и h растет количество параметров, а именно дисперсий признаков, по которым имеет место отличие распределений Np{a1,M1} и Np{a2,M2} друг от друга.
1.7.4.
Оптимизация размерности признакового пространства Возможность повышения достоверности распознавания путем наращивания числа р признаков открывает дополнительный путь формирования признакового пространства без применения линейного преобразования пространства исходных признаков.
В общем виде задачу формирования признакового пространства необходимо ставить, исходя из реальной обстановки, из требований к распознающей системе в целом [80].
В реальных условиях обычно требуется, чтобы принимаемые системой решения имели гарантированную достоверность, которая достигалась бы при минимуме стоимости используемого оборудования, энергетических затрат, времени обучения системы, времени принятия решения и т.д.
В связи с этим характеристики достоверности неизбежно должны быть увязаны с количеством обучающих наблюдений, используемых для задания классов, объемом контрольных выборок, необходимых для принятия решений, а также со свойствами выби49

[Back]