НКСП в целом, то есть, включая модули формирования признаковых пространств, обучения и принятия решений. Для того чтобы избежать необходимости анализа эффективности признаков, используемых "эталонным" классификатором, остановимся на наиболее часто используемом врачами-электроэнцефалографистами преобразовании исходных сигналов спектральном [42, 43]. Большинство диагностических аппаратно-программных комплексов использует спектральное преобразование исходных сигналов для получения набора классификационных признаков. Методы вычисления таких признаков давно известны, хорошо разработаны и апробированы в практически используемых устройствах [77]. Поэтому представляется целесообразным воспользоваться готовыми алгоритмами формирования признаковых пространств, например, на основе вычисления спектральной плотности мощности сигнала в полосах частот, приведенными в [77, VI.2]. С целью получения количественных соотношений, устанавливающих зависимость эффективности непараметрического классификатора, работающего по методу к ближайших соседей, от временных параметров системы было поведено цифровое моделирование. Методом статистических испытаний были получены зависимости вероятности ошибки классификации от количества объектов обучения при фиксированном общем объеме обучающей выборки и с использованием тех же обучающих и контрольных статистик, которые были задействованы в статистическом эксперименте с разработанной моделью НКСП. Структурная схема алгоритма классификации представлена в приложении 4 (Рис.П 4.3 и Рис.П 4.4), графики зависимости Рош(п) на рис. 4.4 [21]. Произведем оценку вычислительной сложности программы моделирования работы классификатора по методу к ближайших соседей в соответствии с методикой, использованной в п. 4.3. Определим порядок сложности алгоритма. Для структурной схемы в приложении.4 (Рис.П. 4.3) расчет порядка сложности начинаем с внутренних циклов. Порядок сложности внутреннего цикла по i составляет: O(l-HM2), (4.14) где НМ = М / 2 половина длины интервала наблюдения. 116 |
125 сравнение показателей эффективности и сложности этих алгоритмов и разработанных алгоритмов нельзя, так как в структуру алгоритмов, представленных на рис. 4.1 и 4.2 заложены процедуры формирования классификационных признаков, разработанные в главе 3. Поэтому необходимо сравнивать алгоритмы работы НКСП в целом, то есть, включая модули формирования признаковых про-s. странств, обучения и принятия решений. Для того чтобы избежать необходимости анализа эффективности признаков, используемых "эталонным" классификатором, остановимся на наиболее часто используемом врачами-элеКтроэнцефалографистами преобразовании исходных сигналов спектральном [42, 43]. Большинство диагностических аппаратнопрограммных комплексов использует спектральное преобразование исходных сигналов для получения набора классификационных признаков. Методы вычисления таких признаков давно известны, хорошо разработаны и апробированы вI ■ практически используемых устройствах [77]. Поэтому представляется целесообразным воспользоваться готовыми алгоритмами формирования признаковых пространств, например, на основе вычисления спектральной плотности мощности сигнала в полосах частот, приведенными в [77, VI.2]. С целью получения количественных соотношений, устанавливающих зависимость эффективности непараметрического классификатора, работающего по методу к ближайших соседей, от временных параметров системы было поведено цифровое моделирование. Методом статистических испытаний были получены зависимости вероятности ошибки классификации от количества объектов обучения при фиксированном общем объеме обучающей выборки и с использованием тех же обучающих и контрольных статистик, которые были задействованы в статистическом эксперименте с разработанной моделью НКСП. Структурная схема алгоритма классификации представлена на рис. 4.8, 4.9, графики зависимости Рош(п) нарис. 4.10 [21]. Произведем оценку вычислительной сложности программы моделирования работы классификатора по методу к ближайших соседей в соответствии с методикой, использованной в п. 4.3. Определим порядок сложности алгоритма. Для структурной схемы на рис.4.8 расчет порядка сложности начинаем с внутренних циклов. Порядок сложности внутреннего цикла по i составляет: (4.14) где НМ = М / 2 половина длины интервала наблюдения. Порядок сложности второго цикла (по 1): 0(lH M 2 L+ N log2N), (4.15) где N общая длина обучающей выборки. I |