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 |
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. 112 113 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 |