Рефераты, курсовые
Рефераты, курсовые, контрольные по радиоэлектронике, схемотехнике и связи
В нашем банке рефератов, контрольных и курсовых работ представлены работы по тематикам: радиоэлектроника, схемотехника, связь, комуникации, кибернетика, сети, компьютеры, информационные технологии. Вы можете сразу скачать необходимую вам курсовую, реферат или контрольную работу, либо просмотреть предварительно содержимое выбранного реферата без изображений, в виде простого текста, чтобы иметь представление о реферате или курсовой работе.
- Рефераты - ПК, ИВТ, радиоэлектроника, компьютеры и периферийные устройствам
- Рефераты - информатика, программирование и кибернетика
- Рефераты - коммуникации и связь
- Рефераты - компьютерные сети, безопасность сетей
- Рефераты - радиоэлектроника и компьютеры
- Рефераты - электроника и схемотехника
В режиме просмотра Вы видите содержимое реферате, контрольной или курсовой работы в виде простого текста, без изображений. Такой режим поможет Вам оценить содержимое реферата и принять решение о необходимости скачать ту или иную курсовую работу. Скачав реферат, вы получите полную электронную версию работы.
автоматизированные системы обработки информации
скачать реферат
Меры сходства не исчерпываются расстояниями. В качестве примера можно привести не метрическую функцию сходства
z x/
s(x,z) = -----------,
|| x || || z ||
представляющую собой косинус угла, образованного векторами X и Z. Этой мерой целесообразно пользоваться, когда кластеры располагаются вдоль главных осей или растянуты вдоль лучей, направленных от начала координат.
Однако использование данной меры связано с определенными ограничениями: достаточное отстояние кластеров друг от друга и от начала координат.
Для двоичных признаков (признаки принимают значения либо `` 0`` либо ``1``) может использоваться мера Танимото
z x/
s(x,z) = ------------------- .
x/ x + z/ z - x/ z
Перечисленные меры близости не учитывают корреляционные связи между признаками. Устранить этот недостаток позволяет критерий известный по названием расстояние Махаланобиса, определяемое для образов x и m как
d = ( x - m ) / с -1 ( x - m ),
где c - ковариационная матрица совокупности образов, m - вектор средних значений, а х - представляет образ с переменными характеристиками(классифицируемый образ).
Объекты классов и реализация представляются в виде булевых функций:
?i = fi (x1, . . . , xn) , i = 1, . . . ,k
и G = (x1 , . . . , xn).
Заданы правила использования булевых функций при распознавании:
W = (w1 , . . . , wn).
Процедура распознавания состоит в определении неизвестной функции
F(?1 , . . . ,?k),удовлетворяющей уравнению
_
G (x1,. . . , xn ) + F(?1 , . . . , ?k)= I, (1)
Где F - совокупность булевых функций априорного описания.
Пример:
F(?1) = x1x2+x3 или 110 + 001
?i = f1i + f2i
F(?2) = x1x3+x2 или 101 + 010
Правило классификации:
_ _
G Є??i, если G + f1 = I или G + f2 = I .
_
Пусть G = x1 x2 или 110 ( G = 001).
Найти F такую, чтобы выполнялось равенство 1.
_
G + f1 = 001 + 110 = 111 = I
?1 : _
G + f2 = 001 + 001 = 001 ( I
_
G + f1 = 001 + 101 = 101 ( I
?:2: _
G + f2 = 001 + 010 = 011 ( I
Вывод: G принадлежит ?1.
При структурном подходе к распознаванию признаками служат образы, называемые непроизводными элементами, а также отношения между ними, характеризующие структуру образа.
Для описания образов через непроизводные элементы и их отношения специальный язык образов.
Правила такого языка, позволяющие составлять образы из непроизводных элементов, называется порождающей грамматикой.
Пример:
Заданы непроизводные элементы:
в d
а с
и правило объединения: головная часть присоединяется к хвостовой по прямым углом и записывается, например, ав, т.е.
в
а
Фигура будет иметь следующую грамматическую структуру: авсd.
В основе процедур(алгоритмов) распознавания лежат правила грамматического разбора.
Статистический подход основывается на математических правилах классификации, которые формулируются и выводятся в терминах математической статистики.
Пример. Пусть совокупность объектов подразделена на два класса -?1 и ?2, а для характеристики объектов используется один признак х. Известны описания классов - условные плотности распределения вероятностей значений признака объектов 1-го и 2-го классов, т.е. функции f1(x) и f2(x), а также априорные вероятности появления объектов 1-го и 2-го классов: р(?1) и р(?2).
В результате эксперимента определено значение признака распознаваемого объекта, равное х0.
Определить, к какому классу относится объект ?
Обозначим через х0 некоторое пока не определенное значение признака х и условимся о следующем правиле принятия решений:
если измеренное значение признака распознаваемого объекта х0>х0, то объект будем относить ко второму классу;
если х0< х0 - к первому.
Если объект относится к первому классу, а его считают объектом второго класса, то совершена ошибка, которая называется ошибкой 1-го рода.
Условная вероятность ошибки 1-го рода равна
?
Q1 = ? f1(х) d(x)
x0
Если объект относится ко второму классу, а его считают объектом 1-го класса, то совершена ошибка, которую называют ошибкой второго рада.
Условная вероятность ошибки 2-го рада равна
x0
Q2 = ? f2(x)
-?
Для определения значения х0 введем понятие платежной матрицы
= || с || = с11 с12 ,
с21 с22
где с11 и с22 - потери, связанные с правильными решениями, а с12 и с21 - потери, связанные с совершением ошибок первого и второго рода соответственно.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
