Проверяемый текст
Цымбал, Владимир Георгиевич; Разработка и исследование методов формирования признаковых пространств в медицинских диагностических системах (Диссертация 1999)
[стр. 105]

опорных распределений, количества отсчетов сигнала для формирования одного признака и объемов обучающих выборок, необходимых для классификации процессов с заданной достоверностью.
ГЛАВА 4: ИССЛЕДОВАНИЕ АЛГОРИТМОВ НЕПАРАМЕТРИЧЕСКОЙ КЛАССИФИКАЦИИ 4.1.
Методы моделирования устройств обработки сигналов.

Построение цифровой модели устройств различных физических объектов сопровождается решением следующих задач [89, 56]: 1) выбор структурной схемы модели из физических соображений; 2) математическое описание элементов выбранной структурной модели; 3) построение цифровой модели и подгонка ее параметров к имеющимся данным (оценивание); 4) проверка и-подтверждение модели (диагностическая проверка); 5) использование модели по назначению.
Выбор структурной схемы и математическое описание структурных звеньев устройств непараметрической классификации было проведено в п.3.3.
Здесь основное внимание уделяется решению третьей задачи с учетом возможностей, представляемых современными пакетами для математического моделирования.
Структура цифровой модели определяется видом математического описания структурных компонент классификатора.
Возможные методы построения цифровой модели (и цифрового моделирования) удобно классифицировать в следующем виде[89, § 3.2; 56, гл.2]: 1) метод конечных разностных уравнений; 2) метод несущей; 3) метод комплексной огибающей; 4) формульный метод; 5) метод статистических испытаний; 6) метод статистических эквивалентов; 7) метод структурных схем;
105
[стр. 112]

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

[стр.,113]

113 4.
МОДЕЛИРОВАНИЕ РАБОТЫ АЛГОРИТМОВ НЕПАРАМЕТРИЧЕСКОЙ КЛАССИФИКАЦИИНА ЭВМ Для нахождения значений глобальных показателей качества непараметрических алгоритмов классификации сигналов необходимо использовать цифровое моделирование.
Таким образом, целью моделирования, результаты которого представлены в данной главе, является определение вероятностей суммарных ошибок при классификации заданного количества случайных процессов с различными статистическими характеристиками для НКСП.
На основе полученных значений проводится сравнение эффективности разработанных методов и известных.
Непосредственной задачей, решаемой в данной главе является также оценка погрешности моделирования.
I " 4.1.
Методы моделирования устройств обработки сигналов,
основанные н использовании современных пакетов программ для математического моделирования Построение цифровой модели устройств различных физических объектов сопровождается решением следующих задач [89, 56]: 1) выбор структурной схемы модели из физических соображений; 2) математическое описание элементов выбранной структурной модели; 3) построение цифровой модели и подгонка ее параметров к имеющимся данным (оценивание);I , 4) проверка и подтверждение модели (диагностическая проверка); 5) использование модели по назначению.
Выбор структурной схемы и математическое описание структурных звеньев устройств непараметрической классификации было проведено в п.3.3.
Здесь основное внимание уделяется решению третьей задачи с учетом возможностей, представляемых современными пакетами для математического моделирования.
Структура цифровой модели определяется видом математического описания структурных компонент классификатора.
Возможные методы построения цифровой модели (и цифрового моделирования) удобно классифицировать в следующем виде[89, § 3.2; 56, гл.2]: 1) метод конечных разностных уравнений; 2) метод несущей; 3) метод комплексной огибающей; 4) формульный метод; 5) метод статистических испытаний; 6) метод статистических эквивалентов; 7) метод структурных схем;
8) метод информационного параметра.
Представленная классификация носит приближенный характер и полностью не отражает многообразия существующих методов, однако позволяет подобрать подходящие для решаемых задач методы моделирования.
•i

[Back]