|
161 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 дифференциации вклада членов коллектива в решение осуществлено в работе (218) и выделение областей компетентности, составляющих структуру распознающего правила, рассмотрено в работах (70; 73; 77; 85; 97). Оптимизация алгоритмов распознавания образов и решение проблемы выбора набора информативных характеристик требуют оценивания вероятности ошибки распознания образов, которая зависит от показателей исходной обучающей выборки, параметров законов распределения ее характеристик и принятого алгоритма классификации. Для нормальных законов распределения имеются результаты, позволяющие осуществлять оценивание математического ожидания вероятности ошибки распознавания (90; 232) либо его отношение к асимптотической вероятности ошибки. С позиций произвольных распределений (101; 232; 243) решена задача доверительного оценивания вероятности ошибки распознавания, получено выражение для оценивания объема обучающей выборки по заданным значениям уровня доверия, доверительных границ и показателя сложности решающего привила, дающее завышенные оценки. В связи с этим проблема оценивания вероятности ошибки до настоящего времени не снята, что порождает дополнительные трудности при формировании наборов информативных характеристик. Пока нет |
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 дифференциации вклада членов коллектива в решение осуществлено в работах [20, 125] и выделение областей компетентности, составляющих структуру распознающего правила, рассмотрено в [119, 236]. Оптимизация алгоритмов распознавания образов и решение проблем выбора набора информативных характеристик требуют оценивания вероятности ошибки распознания образов, которая зависит от показателей исходной обучающей выборки, параметров законов распределения ее характеристик и принятого алгоритма классификации. Для нормальных законов распределения имеются результаты, позволяющие осуществлять оценивание математического ожидания вероятности ошибки распознавания [38] либо его отношение к асимптотической вероятности ошибки. С позиций произвольных распределений в [212] решена задача доверительного оценивания вероятности ошибки распознавания, получено выражение для оценивания объема обучающей выборки по заданным значениям уровня доверия, доверительных границ и показателя сложности решающего привила, дающее завышенные оценки. В связи с этим проблема оценивания вероятности ошибки до настоящего времени не снята, что порождает дополнительные трудности при формировании наборов информативных характеристик. Пока нет общепризнанных и универсальных методов минимизации описания. Широкое распределение имеют эвристические алгоритмы последовательного отбора, отсеивания характеристик и алгоритм СПА, использующих идею случайного поиска информативного набора характеристик с поощрением и наказанием отдельных характеристик по результатам испытаний. Несмотря на простоту вычислений, менее распространены в практике методы дисперсионного и корреляционного анализов отбора информативных характеристик в предположении их независимости. |