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
7.5. ВЫБОР ПРИЗНАКОВ ПРИ ПОМОЩИ МИНИМИЗАЦИИ ЭНТРОПИИЭнтропия представляет собой статистическую меру неопределенности. Хорошей мерой внутреннего разнообразия для заданного семейства векторов образов служит энтропия совокупности, определяемая как
где результату. Таким образом, если считать энтропию мерой неопределенности, то разумным правилом является выбор признаков, обеспечивающих минимизацию энтропии рассматриваемых классов. Поскольку это правило эквивалентно минимизации дисперсии в различных совокупностях образов, то вполне можно ожидать, что соответствующая процедура будет обладать кластеризационными свойствами. Рассмотрим М классов, соответствующие совокупности образов которых характеризуются плотностями распределения
где интегрирование осуществляется по пространству образов. Очевидно, что при Далее будет предполагаться, что каждая из М совокупностей образов характеризуется плотностью нормального распределения Основная идея, лежащая в основе рассматриваемых в данном параграфе методов, с учетом введенных допущений заключается в определении матрицы линейного преобразования А, переводящей заданные векторы образов в новые векторы меньшей размерности — изображения. Это преобразование можно представить как
причем матрица преобразования отыскивается при помощи минимизации энтропий совокупностей образов, входящих в рассматриваемые классы. Здесь собой вектор-строки. Таким образом, матрица А имеет вид
Задача состоит в определении такого способа выбора Многомерное нормальное распределение полностью определяется вектором математического ожидания и ковариационной матрицей. Эта матрица в свою очередь определяется характеристическими числами и собственными векторами. Последние можно рассматривать как векторы, представляющие свойства рассматриваемых образов. Часть из этих векторов свойств содержит меньше информации, ценной для распознавания, чем другие векторы, и поэтому ими можно пренебречь. Это явление приводит к процедуре выбора признаков, предусматривающей использование наиболее важных векторов свойств в качестве векторов-признаков. Такие векторы-признакн можно затем использовать для формирования матрицы преобразования А. Один из подходов к выбору векторов-признаков, использующий принцип минимума энтропии, состоит в следующем. В силу предположения о равенстве всех ковариационных матриц положим
Вектор математического ожидания для изображений у, обозначенный через
Положив
В таком случае ковариационная матрица для изображений равна
так как Плотность распределения для изображений определяется, исходя из (7.5.6) и (7.5.9), как
Энтропия изображений равна
Подстановка выражения для плотности распределения (7.5.10) в выражение для энтропии (7.5.11) и минимизация относительно собственных векторов ковариационной матрицы С позволяют сформулировать следующий результат: Функция энтропии Применяя этот результат, надо иметь в виду, что число векторов, используемых для формирования матрицы А, должно быть достаточно большим, чтобы изображения несли достаточное количество различительной информации. Следует четко представлять себе разницу между выбором и выделением признаков. В данном параграфе процедура выбора признаков сводится к выбору в качестве признаков Пример. Проиллюстрируем описанную процедуру простым примером. Допустим, что требуется понизить размерность образов, представленных на рис. 7.1, а, с помощью преобразования, (кликните для просмотра скана) (кликните для просмотра скана) Характеристические числа ковариационной матрицы С равны
Поскольку ковариационная матрица — симметрическая, то всегда можно определить набор действительных ортогональных собственных векторов независимо от кратности характеристических чисел. Нормированные собственные векторы, соответствующие этим характеристическим числам, имеют вид
где собственные векторы
Выбор собственных векторов Изображения, полученные в результате преобразования
Образы с пониженной размерностью представлены на рис. 7.1,б. Интересно отметить эффект кластеризации, полученный после этого преобразования. Читатель может без труда убедиться в том, что при перестановке собственных векторов Дальнейшего понижения размерности можно добиться, используя для матрицы А только собственный вектор
Применение этого преобразования к исходным образам приводит к новым изображениям:
Образы пониженной размерности представлены на рис. 7.1, в. На этом рисунке снова отчетливо виден эффект кластеризации, возникающий в результате преобразования, минимизирующего энтропию.
|
1 |
Оглавление
|