|
4.4. Разработка структурной схемы экспериментальной установки. Объект исследования. Объект исследования Основной задачей, решаемой в данной главе, является определение вида зависимостей вероятности классификации от размерности признакового пространства и времени обучения классификатора. Для проведения эксперимента в качестве исходных данных были использованы два вида сигналов. 1. Множество реализаций случайных процессов 4-х классов с достаточно близкими вероятностными характеристиками. Сигналы сгенерированы физическим генератором случайных процессов (ГСП) и введены в ПЭВМ с помощью блока АЦП. Технические характеристики ГСП представлены в прил. 5. 2. Биомедицинские данные. В качестве объекта изучения были использованы пациенты клиники неврозов Ростовского государственного медицинского университета. Сигналы ЭЭГ, снятые у пациентов, разделены клиницистами на 5 групп с условными названиями: "Дети", "Норма", "Умеренные нарушения", "Грубые нарушения", "Эпилепсия". В каждой группе участвовало по 10 представителей своего класса. Существующие методы аппаратурного анализа характеристик случайных процессов [58, 59, 7] с появлением мощных вычислительных средств получили воплощение в новой форме программных пакетов анализа и синтеза сигналов, таких как Hypersignal®, LabVIEW®, MathLab®, и т.п. Сочетая удобства -в использовании интерфейса с высокой скоростью и точностью расчетов, такого рода пакеты находят все более широкое применение при решении задач обработки выходных сигналов различных физических систем. Это связано с более широким использованием информационно-измерительных систем. Неотъемлемым компонентом систем анализа сигналов с использованием программных пакетов, является оборудование, обеспечивающее предварительную обработку (оцифровку) исследуемых сигналов и ввод их в ЭВМ. На этапе предварительной обработки помимо оцифровки (дискретизации и квантования) сигналов в некоторых 119 |
132 5. ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА ЭФФЕКТИВНОСТИ РАБОТЫ НЕПАРАМЕТРИЧЕСКОГО КЛАССИФИКАТОРА 5.1. Объект исследования I Основной задачей, решаемой в данной главе, является определение вида зависимостей вероятности классификации от размерности признакового пространства и времени обучения классификатора. Для проведения эксперимента в качестве исходных данных были использованы два вида сигналов. 1. Множество реализаций случайных процессов 4-х классов с достаточно близкими вероятностными характеристиками. Сигналы сгенерированы физическим генератором случайных процессов (ГСП) и введены в ПЭВМ с помощью блока АЦП. Технические характеристики ГСП представлены в прил. 5. 2. Биомедицинские данные. В качестве объекта изучения были использованы пациенты клиники неврозов Ростовского государственного медицинского университета. Сигналы ЭЭГ, снятые у пациентов, разделены клиницистами на 5 групп с условными названиями: "Дети", "Норма", "Умеренные нарушения", "Грубые нарушения", "Эпилепсия". В каждой группе участвовало по 10 представителей своего класса. 5.2. Метод экспериментального исследования характеристик случайных сигналов, основанный на использовании современных пакетов программ для компьютерной обработки сигналов Существующие методы аппаратурного анализа характеристик случайных процессов [58, 59, 7] с появлением мощных вычислительных средств получили воплощение в новой форме программных пакетов анализа и синтеза сигналов, таких как Hypersignal , LabVIEW , MathLab , и т.п. Сочетая удобства в использовании интерфейса с высокой скоростью и точностью расчетов, такого рода пакеты находят все более широкое применение при решении задач обработки выходных сигналов различных физических систем. Это связано с более широким использованием информационно-измерительных систем. Неотъемлемым компонентом систем анализа сигналов с использованием программных пакетов, является оборудование, обеспечивающее предварительную обработку (оцифровку) исследуемых сигналов и ввод их в ЭВМ. На этапе предварительной обработки помимо оцифровки (дискретизации и квантования) сигналов в некоторых устройствах ввода осуществляются алгоритмы основных видов цифровой обработки сигналов, например, быстрое преобразование Фурье (БПФ). В таких устройствах помимо отсчетных значений сигналов в память компьютера вводятся отсчетные значения их спектральных компонент. Создаваемые для этих целей специализированные DSP-процессоры позволяют производить преобразование и предварительную обработку сигналов с частотами до сотен мегагерц. |