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 ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
4.6.3. Оценка вектора средних значений и ковариационной матрицы с помощью байесовской обучающей процедурыЕсли бы мы были в состоянии при неизвестных векторах средних значений и ковариационных матрицах соответствующим образом задавать плотности распределений, то можно основанную на использовании обучающей выборки образов. Ниже будем полагать, что плотность распределения
Наличие неопределенности относительно значения вектора средних приводит к увеличению ковариационной матрицы, характеризующей образы
Использование формулы Байеса
позволяет вычислить для параметра После предъявления первого из входящих в обучающую выборку образов
это выражение определяет плотность нормального распределения, так как произведение плотностей распределений
где
и
Плотность распределения для образов
так как сумма двух статистически независимых нормально распределенных векторов также подчиняется нормальному распределению, причем среднее суммы равно сумме средних, а ковариационная матрица суммы равна сумме ковариационных матриц слагаемых. После предъявления второго образа
После подстановки в (4.6.23) выражений (4.6.19) и (4.6.22) данная плотность распределения принимает вид
где
и
представляют соответственно новые значения вектора средних и ковариационной матрицы для неизвестного параметра
После предъявления
где
и
Величина
Из (4.6.29) следует, что оценка вектора средних значений, полученная в результате использования байесовской процедуры, равна сумме априорного значения вектора средних и вектора выборочных средних, взятых с соответствующими весами. Плотность распределения образов
Принцип восстановления распределения упрощает получение оценки вектора средних значений с помощью реализации обучающей процедуры на заданной выборке образов. Легко показать, что в случае, когда размерность образа
и
Проведенное обсуждение позволяет сделать ряд замечаний. Если начальное значение ковариации для неизвестного среднего значения велико, то в байесовскую оценку математического ожидания Если ковариационная матрица неизвестна, то мы бы хотели, чтобы система распознавания образов определила ее посредством реализации процесса обучения. Плотность распределения вектора образов
где Ниже нам будет удобнее иметь дело с обратной матрицей ковариаций
Применяя формулу Байеса
в качестве восстанавливаемой априорной плотности распределения для нормального распределения
где
Симметрическая матрица Р, имеет Приняв, что априорная плотность распределения Р, представляет собой распределение Уишарта, мы обеспечили феномен восстановления. Матрица о Рассматриваемая модель плотности распределения Пусть определена плотность распределения
после чего предъявлен еще один образ
имеющей такое же параметрическое описание, как и выше. Структура классификатора при восстановлении априорной плотности распределения
Поскольку
и результаты измерений характеристик образов
где
а также использован тот факт, что
Здесь
из (4.6.38) и (4.6.42) следует, что
где Роль знаменателя в (4.6.42) сводится исключительно к нормированию плотности распределения, являющейся функцией
где
и
В выражение для апостериорной вероятности входит параметр
|
1 |
Оглавление
|