|
160 В данном направлении широкое распространение получили методы сведения задачи классификации к задаче разделения смеси плотностей вероятности в предположении вида распределения ее компонентов и заданном количестве классов. Свободным от указанных недостатков является метод самообучения распознавания образов, основанный на оценивании смеси плотности вероятности при неизвестном количестве классов и последующем ее анализе с помощью оптимизационных алгоритмов. Выделение абстрактных образов рассматривается как поиск локальных экстремумов-максимумов непараметрической оценки функции плотности вероятности смеси. Однако реализация этого метода требует большого количества оптимизационных задач, равного числу классифицируемых объектов. Большая часть алгоритмов автоматической классификации предназначена для случая количественных характеристик, рассмотренных выше. Имеется ряд результатов, полученных для номинальных и булевых наборов факторов. Однако методы классификации в пространстве разнотипных характеристик разработаны недостаточно полно, что особенно характерно для второй и третьей групп алгоритмов самообучения. С позицией неявного определения классов в ряде работ (167; 174; 218) предлагаются алгоритмы группировки объектов с независимыми характеристиками, основанные на направленной процедуре формирования логических высказываний, оценке их вероятности и последующего сравнения с пороговым значением с целью принятия решений. Более разнообразны методы распознавания образов при разнотипных характеристиках, что объясняется наличием критерия, определяющего конечную цель решения задачи. Общим для методов является установление меры сходства между объектами, замеренными в различных шкалах, и отличие в стратегии формирования решающего правила распознавания образов, приводящего в конечном итоге к решению многоэкстремалыюй задачи оптимального выбора параметров меры близости и алгоритмов классификации. |
твующие рекуррентные алгоритмы классификации для решения задач кусочно-линейной аппроксимации приведены в работах [65, 78], что, кроме того, обеспечило возможность исследовать вопросы сходимости методов кусочной аппроксимации. Методы совместного использования алгоритмов классификации и факторного анализа рассматривались также при построении процедур экстремальной группировки, применялись для получения априорной информации о факторной структуре. Среди методов, основанных на явном определении класса, следует отметить алгоритмы, ориентированные на обнаружение множества объектов, соответствующих одномодальным фрагментам совместной плотности вероятности в заданном пространстве характеристик. Такое определение класса связано с понятием закономерности в вероятностном смысле и имеет прикладную направленность в задачах синтеза структуры сложных систем, аппроксимации неоднозначных стохастических зависимостей. В данном направлении широкое распространение получили методы сведения задачи классификации к задаче разделения смеси плотностей вероятности в предположении вида распределения ее компонентов и заданном количестве классов. Свободным от указанных недостатков является метод самообучения распознавания образов, основанный на оценивании смеси плотности вероятности при неизвестном количестве классов и последующем ее анализе с помощью оптимизационных алгоритмов. Выделение абстрактных образов рассматривается как поиск локальных экстремумов-максимумов непараметрической оценки функции плотности вероятности смеси. Однако реализация этого метода требует большого количества оптимизационных задач, равного числу классифицируемых объектов. Большая часть алгоритмов автоматической классификации пред назначена для случая количественных характеристик, рассмотренных выше. Имеется ряд результатов, полученных для номинальных и булевых наборов факторов. Однако методы классификации в пространстве разнотипных характеристик разработаны недостаточно полно, что особенно характерно для второй и третьей групп алгоритмов самообучения. С позицией неявного определения классов в ряде работ [38, 243] предлагаются алгоритмы группировки объектов с независимыми характеристиками, основанные на направленной процедуре формирования логических высказываний, оценке их вероятности и последующего сравнения с пороговым значением с целью принятия решений. Более разнообразны методы распознавания образов при разнотипных характеристиках, что объясняется наличием критерия, определяющего конечную цель решения задачи. Общим для методов является установление меры сходства между объектами, замеренными в различных шкалах, и отличие в стратегии формирования решающего правила распознавания образов, приводящего в конечном итоге к решению многоэкстремальной задачи оптимального выбора параметров меры близости и алгоритмов классификации. Логические распознающие правила реализуют последовательную процедуру принятия решений, что позволяет одновременно формировать наборы информативных характеристик для каждого образа. Важным средством повышения эффективности методов распознавания образов является использование принципов коллективного принятия решений в условиях начальной неопределенности о структуре алгоритма. В рамки методологии формирования коллективного решения укладываются алгоритмы статистических решений, корреляционные, ряд локальных методов, алгебраические алгоритмы. Обобщение и развитие коллективных алгоритмов распознания на основе |