Основы теории систем и системного анализа. Матвеев Ю.Н. - 17 стр.

UptoLike

ВУЗ: 

ТвГТУ | Тверь

Составители: 

Рубрика: 

17
априорные вероятности появления объектов различных классов
)(
i
KP ,
условные плотности распределений
),...,,(
21 ni
xxxf , mi ,1= , эталоны и т.д.
Изначально все множество объектов подразделено на классы
m
KKK ,...,,
21
и определен вектор },...,,{
21 n
xxxX = , компоненты которого и
составляют априорный словарь признаков.
Требуется на основании предъявления системе распознавания
объектов обучающей выборки с указанием классов, которым они
принадлежат, построить в многомерном признаковом пространстве гипер-
поверхность, разделяющую это пространство на области
i
D , соответ-
ствующие классам
miK
i
,1, = . При этом разделение должно осуществлять-
ся в соответствии с заранее выбранным критерием оптимизации.
Если обучающая выборка достаточно представительна, то, по
мнению авторов [5], в пределе подобная процедура приводит к достаточно
точному описанию классов и, следовательно, возможности определения
таких границ классов, придерживаясь которых можно достичь
потенциально достижимой точности работы системы распознавания.
1.5. Этапы разработки классификатора
Процесс классификации можно разделить на два этапа:
1.
Разработка классификатора.
2.
Определение состояния объекта с помощью данного
классификатора, т.е. этап функционирования.
Этап разработки классификатора схематично представлен в виде
двух блоков на рис. 1.5.
Рис. 1.5. Этап разработки классификатора
На вход блока обработки исходной информации поступает
множество признаков объекта
},...,,{
21 m
pppP =
, mP = , которыми могут
быть, например, показания датчиков, тренды, результаты анализов и т.д.
На выходе имеем вектор-признак
},...,{
21 n
xxxX =
,
nX =
, причем PX ⊆ , mn
≤
.
Кроме того, число признаков объекта может быть довольно велико,
следовательно, их обработка будет требовать больших затрат машинного
времени, что непременно скажется на эффективности классификатора.
Поэтому программное средство, реализующее функции данного блока,
должно также корректно понижать размерность пространства измерений
от нескольких тысяч до сотен или даже десятков признаков.
},...,,{
21 m
pppP =
},...,,{
21 n
xxxX =
mn
≤
Блок
обработки
исходной
ин
ф
о
р
мации
Блок построения
классификатора
Вектор-
п
р
изнак
Исходная
информация
Классы
1
2
к

Страницы