Пред.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
2.3. Иллюстрирующие примерыМетоды статистического распознавания образов, рассмотренные в главах 1 и 2, были применены к распознаванию рукописных букв. Выборки образов, использованные в экспериментах, были получены путем обращения к ряду лиц с просьбой написать в окружности диаметром в 2 дюйма строчные буквы и в двухдюймовом квадрате заглавные буквы. Были выбраны 8 признаков
Рис. 2.1. Типичные образцы и замеры их признаков для строчных и заглавных букв Пример 1. Для классификации букв применялись последовательный критерий отношения вероятностей и обобщенный последовательный критерий отношения вероятностей. Средние векторы и ковариационные матрицы для признаков оценивались по пятидесяти выборкам для каждой буквы. (1) Распознавание заглавных букв
Процесс классификации прерывался на Таблица 2.1 (см. скан) Следует заметить, что при одном и том же множестве останавливающих границ процесс классификации заканчивался раньше в случае упорядоченных признаков, чем при неупорядоченных признаках (т. е. в естественном порядке). Расхождение в зависимости от числа измерений признаков при упорядоченных и неупорядоченных последовательных измерениях показано на рис. 2.2. Хотя расхождение для всех восьми признаков не зависит от упорядочения, первые несколько измерений могут быть очень эффективными для правильной классификации, когда измерения проводятся в предлагаемом порядке. (2) Распознавание строчных букв Рис. 2.2. (см. скан) Зависимость расхождения от числа замеров при упорядочении и без упорядочения замеров. Случай а. Останавливающие границы
Случай б. Останавливающие границы шаге на ±0,05.
Среднее число измерений, необходимое в этом случае, равно 5,516. Моделирование на ЭЦМ показало, что для достижения той же точности распознавания процесс распознавания, использующий байесову решающую процедуру с фиксированным объемом выборки (3) Распознавание букв Следует заметить, что при небольшом снижении точности распознавания может быть уменьшено число измерений, необходимых для достижения окончательного решения, если должным образом упорядочены последовательные измерения. Таблица 2.2 (см. скан) Пример 2. Критерий отбора признаков, описанных в (2.17) — (2.20), был применен для отбора лучшего подмножества в шесть признаков из восьми признаков Таблица 2.3 (см. скан) Пример 3. Процедура отбора признаков и их упорядочения, описанная в § 2.2, была применена для распознавания букв упорядоченные собственные значения и оптимальные координатные векторы, вычисленные по 240 выборкам букв, представлены в табл. 2.4. Заметим, что наибольшее собственное значение равно 42,508, в то время как наименьшее значение равно 0,063. В этом случае наименьшее собственное значение правильно указывает на Таблица 2.4 (см. скан) Упорядоченные собственные значения и собственные векторы, вычисленные по выборкам букв (кликните для просмотра скана) несущественное влияние соответствующих координат на характеристику выборок. Так как процедура упорядочения содержит только линейное преобразование, классификатор осуществляет ту же решающую функцию, что и в случае отсутствия упорядочения признаков, за исключением того, что классификация основана на преобразованном векторе Упрощенная блок-схема алгоритма модели системы распознавания на ЭЦМ с упорядоченными и неупорядоченными признаками приведена на рис. 2.3. Вначале проводилось распознавание из 240 выборок путем определения принадлежности к данному классу, основанное на двух первых замерах признаков, и вычислялся процент правильных распознаваний.
Рис. 2.4. Результаты распознавания. Затем эта процедура повторялась при одновременном добавлении двух следующих замеров до тех пор, пока не исчерпывались все восемнадцать признаков. Результаты распознавания приведены на рис. 2.4, где представлена зависимость процента правильных распознаваний от числа замеров. Заметим, что упорядочение замеров признаков проявляется распознавания во время нескольких первых измерений. Это обстоятельство особенно важно в тех случаях, когда число измерений признаков ограничено устройством обработки данных системы распознавания.
|
1 |
Оглавление
|