Главная > Последовательные методы в распознавании образов и обучении машин
<< Предыдущий параграф Следующий параграф >>
Пред.
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

4.9. Заключение

В этой главе была доказана пригодность метода динамического программирования для построения конечной последовательной классификации, оптимальная структура которой рассматривается как многошаговый решающий процесс. Показано, что фактическая решающая структура последовательного классификатора, выбирающего между продолжением и остановкой последовательности измерений, получается с помощью рекуррентной оптимизации функций риска, проводимой в обратном направлении. Обратная процедура гарантирует завершение процесса классификации при заранее заданном числе измерений признаков (конечность) и в то же время сохраняет оптимальность минимизации среднего риска. Предложены методы уменьшения вычислительных трудностей и облегчения требований к памяти с тем, чтобы сделать многошаговый решающий процесс пригодным для численных решений. Хотя предположения (1) о независимости замеров и (2) о марковской зависимости замеров фактически являются только приближением к истинному положению вещей, тем не

менее они обеспечивают удобное решение для многих задач распознавания.

Когда система распознавания должна выполнять отбор замеров для поочередного наблюдения «в реальном времени», применение динамического программирования дает возможность построения системы распознавания для одновременного отбора признаков и классификации образов. Эксперименты с помощью моделирования на ЭЦМ по распознаванию букв и сравнение последовательных и непоследовательных классификаторов иллюстрирует обоснованность и осуществимость метода динамического программирования.

Имеется мало данных для количественного сравнения качества прямого и обратного последовательных процессов классификации, кроме степени оптимальности и вычислительных трудностей. Этот недостаток данных для сравнения затрудняет точное определение того, какая из процедур больше подходит для данной частной задачи. Хотя квазиоптимальная обратная процедура (процедура с усечением на один шаг вперед) предложена в качестве компромисса, в общем случае нельзя заранее оценить снижение качества.

Литература

(см. скан)

(см. скан)

Categories

1
Оглавление
email@scask.ru