Таблица 3.2 Радиусы собственных областей классов для трех видов входных процессов класс 0 класс 1 класс 2 класс 3 Iвх. сигнал II вх. сигнал III вх. сигнал 0.086 0.163 0.213 0.095 0.109 0.116 0.098 0.080 0.107 0.088 0.082 0.099 На рис. 3.11 3.13 представлены графики зависимости значений МО, СКО и относительного среднеквадратического значения дисперсии сформированных признаков от номера опорного распределения к (к=0,...,5). Приведено по три графика упомянутых зависимостей, соответствующих трем видам входных процессов (см. рис. 3.3 3.6). На указанных рисунках цифрами от 0 до 3 обозначается принадлежность линии к одному из четырех классов входных процессов данного вида. В табл. 3.2 представлены значения радиусов собственных областей четырех классов для ля данного вида входных процессов. Более наглядное представление о последовательности получения данных результатов можно получить из листинга программы моделирования, представленного в прил. 1. Анализируя полученные результаты, можно отметить следующее. 1. Для каждого из видов сигналов существует опорное распределение, которое обеспечивает наибольшее различие признаков классифицируемых процессов. 2. В случае распознавания процессов в виде аддитивной смеси дискретного сигнала и нормального шума (рис. 3.3, 3.4) наилучшие результаты разделимости классов дают опорные процессы с нормальным и равномерным распределениями это видно из сравнения рисунков 3.11. Кроме того, из данных табл. 3.2 для I вида входного сигнала можно видеть, 101 |
На рис. 3.15-3.17 представлены графики зависимости значений МО, СКО и относительного среднеквадратического значения дисперсии сформированных признаков от номера опорного распределения к (к=0,...,5). Приведено по три графика упомянутых зависимостей, соответствующих трем видам входных процессов (см. рис. 3.7 3.12). На указанных рисунках цифрами от 0 до 3 обозначается принадлежность линии к одному из четырех классов входных процессов данного вида. Аналогично На рис. 3.20 3.22 представлены графики зависимости значений МО, СКО и относительного среднеквадратического значения дисперсии сформированных признаков от номера опорного распределения к (к =0,...,5) для второго набора признаков. В табл. 3.1 представлены значения радиусов собственных областей четырех классов для ля данного вида входных процессов. Аналогично в табл. 3.2 представлены значения радиусов собственных областей четырех классов для второго набора признаков. Такое компактное расположение графического материала, иллюстрирующего результаты моделирования, возможно несколько неудачно с точки зрения сложности восприятия, однако довольно удобно для сравнительного анализа эффективности сформированных признаков. Более наглядное представление о последовательности получения данных результатов можно получить из листинга программы моделирования, представленного в прил. 1. Анализируя полученные результаты, можно отметить следующее. / 1. Для каждого из видов сигналов существует опорное распределение, которое обеспечивает наибольшее различие признаков классифицируемых процес-• ■ ' сов. 2. В случае распознавания процессов в виде аддитивной смеси дискретного сигнала и нормального шума (рис. 3.7, 3.8) наилучшие результаты разделимости классов дают опорные процессы с некоррелированными отсчетами. Это видно из сравнения рис. 3.15.а и рис. 3.20.а, где в первом случае опорные процессы некоррелированные; во втором случае наименьшей дисперсией обладают признаки, полученные при использовании опорного процесса с минимальным интервалом корреляции (рис. 3.20.6). Кроме того, из сравнения данных табл. 3.1 и табл. 3.2 для I вида входного сигнала можно видеть, что при использовании некоррелированных опорных процессов радиусы собственных областей классов получаются примерно в 2 раза меньшими, чем в случае с опорными процессами, имеющими заданные функции корреляции. При этом пересечение собственных областей классов в признаковом пространстве будет меньше, что увеличивает достоверность распознавания. 3. Из графиков на рис. 3.16, 3.17 видно, что в случае классификации процессов с одинаковыми одномерными плотностями распределений и различными КФ (рис. 3.9, 3.11) наибольшей разделяющей способностью обладают те опорные сигналы, плотность вероятности которых больше остальных перекрывается с плотностью вероятности входного сигнала, подлежащего классификации. Так, максимальное различие между МО признаков (рис. 3.1б.а, 3.17.а) обеспечиваетсяI 101 |