|
4.6. Определение вероятностей ошибок по классам. В ходе экспериментальной проверки эффективности предлагаемых алгоритмов исследуются зависимости суммарной вероятности ошибки по классам от изменения времени обучения Тоб, при фиксированных расстояниях между классами и размерности признакового пространства, для двух типов случайных сигналов: сигналов с выхода генератора случайных процессов и биомедицинских сигналов. Указанные зависимости находятся для двух случаев применения опорных процессов с некоррелированными и коррелированными, выборками. Для первого типа сигналов проводилось обучение по выборкам признаков, объем которых изменялся от 2 до 20. В результате дальнейшей классификации были определены оценки вероятностей суммарных ошибок по классам, которые представлены на рис. 4.11. Рисунок. 4.11 Вероятности ошибок по классам. Расчет графиков на рис. 4.17, проводился по программе, представленной в приложении 4, в которой содержатся некоторые дополнительные результаты (оценки векторов средних, оценки дисперсий признаков, оценки радиусов собственных областей классов и др.). В приложении 4 содержатся также результаты классификации электроэнцефалограмм, принадлежащих к 5-ти классам, описанным выше, по 10 объектам обучения, состоящих из реализаций длительностью 4 с. Рассчитаны матрицы вероятностей перепутывания и оценки вероятностей ошибок классификации для двух случаев применения опорных процессов с 132 |
5.4. Определение показателей качества алгоритмов НКСП В ходе экспериментальной проверки эффективности предлагаемых алгоритмов исследуются зависимости суммарной вероятности ошибки по классам от изменения времени обучения Тоб, при фиксированных расстояниях между классами и размерности признакового пространства, для двух типов случайных сигналов: сигналов с выхода генератора случайных процессов и биомедицинских сигналов. Указанные зависимости находятся для двух случаев применения опорных процессов с некоррелированными и коррелированными выборками. Для первого типа сигналов проводилось обучение по выборкам признаков, объем которых изменялся от 2 до 20. В результате дальнейшей классификации были определены оценки вероятностей суммарных ошибок по классам, которые представлены на рис. 5.6, 5.7. Вероятности ошибок по классам при некоррелированных опорных процессах 141 Вероятности ошибок по классам при коррелированных опорных процессахI Г Анализ графиков на рис. 5.6, 5.7 подтверждает справедливость вывода о том, что при использовании опорных процессов с коррелированными выборками метод дает несколько меньшие дисперсии оценок, вследствие чего вероятности ошибок при небольших объемах обучающих выборок на рис. 5.7 меньше, чем на рис. 5.6. Однако, из графиков видно, что при увеличении времени обучения вероятности ошибок классификации для двух рассматриваемых случаев практически выравниваются. Расчет графиков на рис. 5.6, 5.7 проводился по программе, представленной в прил.4, в которой содержатся некоторые дополнительные результаты (оценки векторов средних, оценки дисперсий признаков, оценки радиусов собственных областей классов и др.). В прил. 4 содержатся также результаты классификации электроэнцефалограмм, принадлежащих к 5-ти классам, описанным выше, по 10 объектам обучения, состоящих из реализаций длительностью 4 с. Рассчитаны матрицы вероятностей перепутывания и оценки вероятностей ошибок классификации для двух случаев применения опорных процессов с некоррелированными и коррелированными выборками. В табл. 5.1 содержатся значения оценок вероятностей ошибок классификации. 142 i Таблица 5.1. • Условный класс сигналов л рош "Норма " "Умеренные" "Грубые" "Дети" "Эпилепсия" Некорр. ОП 0,1 0,025 0,15 0 0 Корр. ОП 0,075 0,025 0,015 0 0 Результаты, представленные в прил. 4, позволяют сделать следующие выводы: 1) представленные алгоритмы являются эффективными при классификации процессов с различающимися корреляционными функциями, то есть алгоритмы чувствительны к различиям в энергетической структуре сигналов; 2) использование алгоритма с коррелированными опорными процессами оправдано лишь при критически низких объемах контрольных выборок. С увеличением времени обучения более эффективным является использование алгоритма с некоррелированными опорными процессами, так в этом случае как вероятности ошибок классификации практически одинаковые, а сложность формирования отсчетов некоррелированных процессов ниже; 3) увеличение размерности вектора признаков приводит к уменьшению вероятности ошибки, однако более эффективным способом снижения вероятности ошибки оказывается повышение количества векторов признаков ш, по которым принимается решение. Недостатком является увеличение необходимого объема контрольной выборки. |