Проверяемый текст
Цымбал, Владимир Георгиевич; Разработка и исследование методов формирования признаковых пространств в медицинских диагностических системах (Диссертация 1999)
[стр. 20]

20 случайных величин, функция б(хи,х 12,...,х ^ ,...,х рп становится случайной функцией, в результате номер к класса также оказывается случайной величиной.
Отсюда видно, что разработка алгоритмов классификации МБС неизбежно связана с использованием статистических методов.
Анализируя работы, опубликованные за последние несколько десятков лет
[22, 46, 47, 55, 63, 76, 94, 113, 142, 150, 152], можно сказать, что достигнуты значительные теоретические результаты в области как параметрического, так и непараметрического распознавания.
Однако многие из методов распознавания образов, несмотря на хорошее теоретическое обоснование, дают неприемлемые результаты при решении практических задач.
Причиной этого являются те ограничения и допущения, которые выдвигаются исследователями при разработке методов классификации.
Так, зачастую, априорно принимается гипотеза о принадлежности функции плотности вероятности какому-либо параметрическому семейству
[152].
Многие из оптимальных теоретических методов предполагают кроме того еще и статистическую независимость выбранной системы признаков
[94].
Не смотря на то, что вопросы параметрического распознавания разработаны очень хорошо (разработаны процедуры обучения, принятия решения и понижения размерности признакового пространства), оценки вероятностей ошибок, получающихся при параметрическом распознавании, являются асимптотическими, т.е.
справедливыми лишь в редко встречающихся случаях неограниченного возрастания обучающих выборок
[55, 76].
Непараметрические методы, например k-ближайших соседей, гистограммный, полигональный, Парзеновского ядра и др.
также являются асимптотическими, т.е.
обеспечивают достаточную точность оценивания только лишь при неограниченном увеличении объема обучающих выборок
[55,113].
Из-за отсутствия оценок вероятностей ошибок или их асимптотического характера в существующей литературе оказалась не исследованной важная проблема построения систем статистического распознавания оптимизация временных и пространственных параметров, базирующаяся на количественной увязке достоверности распознавания с требуемыми для ее достижения временем обучения и принятия решения и размерностью признакового пространства.
Последнее обстоятельство явилось, по всей вероятности, основной причиной малого
обращения внимания авторами вопросам практических приложений статистического распознавания.
Только в некоторых работах эти вопросы были рассмотрены в постановочном плане
[46,47, 76] и более подробно [147,150].
В задачах применения теории распознавания образов в медицинской диагностики оптимизация временных и пространственных параметров диагностических систем имеет особенно важное значение, в следствие того, что эти параметры (вместе с заданной достоверностью распознавания) оказывают непосредственное и наибольшее влияние на качество и своевременность установления диагноза.
Настоящая работа ставит своей основной целью дополнение существующих исследований в направлении решения проблем непараметрического обучения и распознавания при малых объемах обучающих выборок, характерных для медицинских диагностических исследований, и оптимизации временных и пространственных параметров для медицинских диагностических систем.
[стр. 29]

29 алгоритмов классификации МБС неизбежно связана с использованием статистических методов.
Анализируя работы, опубликованные за последние несколько десятков лет
[14, 28, 29, 35, 41, 50, 54, 65, 80, 85, 87], можно сказать, что достигнуты значительные теоретические результаты в области как параметрического, так и непараметрического распознавания.
Однако многие из методов распознавания образов, несмотря на хорошее теоретическое обоснование, дают неприемлемые результаты при решении практических задач.
Причиной этого являются те ограничения и допущения, которые выдвигаются исследователями при разработке методов классификации.
Так, зачастую, априорно принимается гипотеза о принадлежности функции плотности вероятности какому-либо параметрическому семейству
[87].
Многие из оптимальных теоретических методов предполагают кроме того еще и статистическую независимость выбранной системы признаков
[54].
Не смотря на то, что вопросы параметрического распознавания разработаны очень хорошо (разработаны процедуры обучения, принятия решения и понижения размерности признакового пространства), оценки вероятностей ошибок, получающихся при параметрическом распознавании, являются асимптотическими, т.е.
справедливыми лишь в редко встречающихся случаях неограниченного возрастания обучающих выборок
[35,54,50].
Непараметрические методы, например k-ближайших соседей, гистограммный, полигональный, Парзеновского ядра и др.
также являются асимптотическими, т.е.
обеспечивают достаточную точность оценивания только лишь при неограниченном увеличении объема обучающих выборок
[35,65,96].
Из-за отсутствия оценок вероятностей ошибок или их асимптотического+ характера в существующей литературе оказалась не исследованной важная проблема построения систем статистического распознавания оптимизация временных и пространственных параметров, базирующаяся на количественной увязке достоверности распознавания с требуемыми для ее достижения временем обучения и принятия решения и размерностью признакового пространства.
Последнее обстоятельство явилось, по всей вероятности, основной причиной малого
уделения внимания авторами вопросам практических приложений статистического распознавания.
Только в некоторых работах эти вопросы были рассмотрены в постановочном плане
[28,29, 50] и более подробно [85, 82].
В задачах применения теории распознавания образов в медицинской диагностики оптимизация временных и пространственных параметров диагностических систем имеет особенно важное значение, в следствие того, что эти параметры (вместе с заданной достоверностью распознавания) оказывают непосредственное и наибольшее влияние на качество и своевременность установления диагноза.
Настоящая работа ставит своей основной целью дополнение существующих исследований в направлении решения проблем непараметрического обучения и распознавания при малых объемах обучающих выборок, характерных для медицинских диагностических исследований, и оптимизации временных и пространственных параметров для медицинских диагностических систем.

[Back]