|
Таблица 4.3. N п Р min[P] max[P] 100 2 0,30 0,20 0,40 100 4 0,24 0,15 0,35 100 6 0,15 0,08 0,23 100 8 0,06 0,03 0,13 100 10 0,04 0,01 0,10 Выводы по материалам 4 главы 1. В результате моделирования работы классификаторов при классификации случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями определены значения суммарных вероятностей ошибки классификации при различных объемах обучающих и контрольных выборок и различных размерах признакового пространства. 2. Определены оценки вычислительной сложности использованных алгоритмов моделирования работы непараметрических классификаторов. Установлено, что при классификации показатели сложности реализации этих алгоритмов на микропроцессорных системах имеют меньшее значение, по сравнению с непараметрическими алгоритмами распознавания на основе оценивания плотностей вероятности по методу к ближайших соседей. 3. Определены понятие и численные значения статистической погрешности моделирования работы НКСП при решении задачи классификации объектов наблюдения. 4. Разработана и описана структурная схема экспериментальной установки для изучения характеристик непараметрических методов обработки медико-биологических сигналов. 5. Алгоритм классификации с формированием собственных областей распознаваемых классов эффективно работает при объемах обучающей выборки признаков, начиная от 10...20, при однократной процедуре предъявления контрольной выборки. Алгоритм целесообразно применять 134 |
и объемов обучающих выборок, необходимых для классификации процессов с заданной достоверностью. Установлено, что применение алгоритма классификации с коррелированными опорными процессами целесообразно только в случае критически малых объемов обучающих и контрольных выборок. При увеличении времени обучения и распознавания предпочтительно использование алгоритма классификации с некоррелированными опорными процессами, требующего меньших временных затрат на формирования отсчетов признаков при той же вероятности ошибки классификации. Определено понятие статистической погрешности цифрового моделирования работы непараметрических классификаторов при решении задачи классификации случайных процессов. Рассчитаны числовые значения статистических погрешностей моделирования работы классификаторов. Определены оценки вычислительной сложности использованных алгоритмов моделирования работы непараметрических классификаторов. Установлено, что при классификации показатели сложности реализации этих алгоритмов на микропроцессорных системах имеют меньшее значение, по сравнению с непараметрическими алгоритмами распознавания на основе оценивания плотностей вероятности по методу к ближайших соседей. В пятом разделе представлены результаты экспериментального определения характеристик работы непараметрических классификаторов. Определены возможности компьютерной обработки сигналов с использованием современных пакетов программ обработки и математического моделирования. Разработана структурная схема экспериментальной установки, включающая физический генератор случайных процессов с заданными статистическими характеристиками, АЦП, персональный компьютер типа IBM/PC. Экспериментально определены зависимости суммарной вероятности ошибки при классификации четырех классов случайных процессов от времени обучения. Определены также вероятности ошибки при классификации энцефалограмм, принадлежащих пяти различным диагностическим группам пациентов. Установлено, что алгоритм классификации с формированием собственных областей распознаваемых классов эффективно работает при объемах обучающей выборки признаков, начиная от 10...20, при однократной процедуре предъявления контрольной выборки. Алгоритм целесообразно применять только при больших количествах распознаваемых классов, то есть в случае, когда построение разделяющих поверхностей на основе функций правдоподобия приводит к значительным вычислительным затратам. Экспериментально подтверждено, что при значительных ограничениях на объемы обучающих выборок, НКСП с коррелированными опорными процессами более эффективен, по сравнению с НКСП на основе некоррелированных опорных сигналов. 'Результаты экспериментов показывают, что разработанные алгоритмы могут иметь область применения, выходящую за рамки исследования медико12 Выводы по материалам 4 главы 1. В результате моделирования работы классификаторов при классификации случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями определены значения суммарных вероятностей ошибки классификации при различных объемах обучающих и контрольных выборок и различных размерах признакового пространства. 2. Установлено, что применение алгоритма классификации с коррелированными опорными процессами целесообразно только в случае критически малых объемов обучающих и контрольных выборок. При увеличении времени обучения и распознавания предпочтительно использование алгоритма классификации с некоррелированными опорными процессами, требующего меньших временных за-I трат на формирование отсчетов признаков при той же вероятности ошибки клас-I сификации. 3. Определены оценки вычислительной сложности использованных алгоритмов моделирования работы непараметрических классификаторов. Установлено, что при классификации показатели сложности реализации этих алгоритмов на микропроцессорных системах имеют меньшее значение, по сравнению с непараметрическими алгоритмами распознавания на основе оценивания плотностей вероятности по методу к ближайших соседей. 4. Определены понятие и численные значения статистической погрешности моделирования работы НКСП при решении задачи классификации объектов наблюдения. 131 t Выводы по материалам 5 главы 1. Разработана и описана структурная схема экспериментальной установки для изучения характеристик непараметрических методов обработки медикобиологических сигналов. 2. Алгоритм классификации с формированием собственных областей распознаваемых классов эффективно работает при объемах обучающей выборки признаков, начиная от 10...20, при однократной процедуре предъявления контрольной выборки. Алгоритм целесообразно применять только при больших количествах распознаваемых классов, то есть в случае, когда построение разделяющих поверхностей на основе функций правдоподобия приводит к значительным вычислительным затратам. 3. При значительных ограничениях на объемы обучающих выборок, НКСП с коррелированными опорными процессами более эффективен, по сравнению с НКСП на основе некоррелированных опорных сигналов. 4. Результаты экспериментов показывают, что разработанные алгоритмы могут иметь область применения, выходящую за рамки исследования медикобиологических сигналов. Они также могут быть использованы в любых системах диагностики, где объектом исследований являются шумоподобные сигналы. 144 I |