|
124 Выводы по материалам 3 главы 1. Предложен метод синтеза квазиоптимального решающего правила на основе аппроксимации функций правдоподобия моментами, реализуемыми с помощью предложенного метода стохастического кодирования. 3. Выбран метод формирования классификационных признаков, при классификации процессов с симметричными распределениями и при использовании опорных процессов с симметричными распределениями, обеспечивающий максимальное разнесение признаков в пространстве вторичных признаков. Показана целесообразность использования опорных процессов с заданным коэффициентов взаимной корреляции. 2. Определены статистические характеристики оценок признаков, формируемых методом стохастического кодирования. Установлено, что оценки признаков коррелированны и степень корреляции зависит от перекрытия интервалов распределения исследуемого и опорных процессов. 4. При использовании метода стохастического кодирования возрастает дисперсия оценок измеряемых моментов, однако при этом достигаются следующие положительные результаты: сокращается избыточность описания процессов, подлежащих распознаванию; упрощается реализация алгоритма распознавания в микропроцессорных системах за счет применения одноразрядного квантования, дающего на выходе только знаки отсчетов. 5. Исследованы решающие правила, базирующиеся на различных критериях (3.62), (3.63) и (3.76). Определены области их применения. 6. Выбран критерий эффективности признаков, позволяющий производить отбор признаков. 7. Разработана процедура обучения, позволяющая сократить объем обучающей выборки, требуемый для достижения заданной достоверности классификации. 8. Произведена оценка вычислительной сложности алгоритмов. |
и зультата преобразования, что позволит реализовать в дальнейшем оптимальное решающее правило в пространстве отображений исходных сигналов. В третьем разделе выбран метод формирования классификационных признаков (метод стохастического кодирования сигналов), основанный на использовании функционала нелинейного преобразования первичных признаковых пространств, выбранного во втором разделе. Данный метод строится на принципах измерения корреляционных моментов с помощью функций знаковой корреляции. Установлено, что в случае распознавания случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями, высокой эффективностью обладают признаки, сформированные на основе корреляционных моментов знаковых функций, получаемых при сравнении входных процессов с опорными. При использовании метода стохастического кодирования возрастает дисперсия оценок измеряемых моментов, однако при этом достигаются следующие положительные результаты: сокращается избыточность описания исходных процессов, подлежащих распознаванию; упрощается реализация алгоритма распознавания в микропроцессорных системах за счет применения одноразрядного квантования, дающего на выходе только знаки отсчетов. Показана целесообразность, с точки зрения минимизации показателей сложности алгоритмов распознавания, использования в качестве разделяющих поверхностей огибающих элементарных фигур, охватывающих собственные области классов процессов. Выбран критерий оптимальности при построении решающего правила, минимизирующий собственные области классов при заданной вероятности распознавания. Разработаны два алгоритма непараметрической классификации случайных процессов, использующие в качестве признаков корреляционные моменты знаковых последовательностей, сформированных на основе метода стохастического кодирования. Методами цифрового моделирования найдены зависимости математических ожиданий и среднеквадратических отклонений признаков от вида и количества опорных распределений и от времени обучения и классификации. На основе полученных зависимостей получены оценки достаточных объемов обучающих и контрольных выборок и видов опорных распределения для достижения заданных показателей качества алгоритмов классификации. В четвертом разделе рассмотрены вопросы моделирования алгоритмов непараметрической классификации на ЭВМ. В результате моделирования работы классификаторов при классификации случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями определены значения суммарных вероятностей ошибки клас-г сификации при различных объемах обучающих и контрольных выборок и различных размерах признакового пространства. Полученные при моделировании зависимости позволяют обоснованно с точки зрения аппаратурных и временных затрат подходить к выбору опорных распределений, количества отсчетов сигнала для формирования одного признака Выводы по материалам 3 главы 1. Выбран метод формирования классификационных признаков, основанный на принципах измерения корреляционных моментов с помощью функций знаковой корреляции. Установлено, что в случае распознавания случайных про-' •* ? цессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями, высокие показатели эффективности имеют признаки, сформированные на основе корреляционных моментов знаковых функций, получаемых при сравнении входных процессов с опорными. 2. При использовании метода стохастического кодирования возрастает дисперсия оценок измеряемых моментов, однако при этом достигаются следующие положительные результаты: сокращается избыточность описания процессов, подлежащих распознаванию; упрощается реализация алгоритма распознавания в микропроцессорных системах за счет применения одноразрядного квантования, дающего на выходе только знаки отсчетов. 3. Разработаны алгоритмы непараметрической классификации случайных процессов, использующие в качестве признаков корреляционные моменты знаковых последовательностей, сформированных на основе метода стохастического кодирования. 4. Исследованы зависимости показателей качества разработанных алгоритмов от вида и количества опорных распределений и от времени обучения и классификации. Данные зависимости позволяют обоснованно с точки зрения аппаратурных и временных затрат подходить к выбору опорных распределений, количества отсчетов сигнала для формирования одного признака и объемов обучающих выборок, необходимых для классификации процессов с заданной достоверностью. 112 |