информация, язык, интеллект № 3 (77) 2011
информация, язык, интеллект № 3 (77) 2011
информация, язык, интеллект № 3 (77) 2011
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
К.В. Барило<br />
110<br />
l<br />
m<br />
*<br />
dm<br />
=<br />
d x ⊕ x<br />
→ min , (3)<br />
( )<br />
m c<br />
* o<br />
де dm – оптимальний радіус контейнера класу X m ;<br />
d( xm ⊕ xc)<br />
міжцентрова відстань між еталонним<br />
o<br />
вектором xm ∈ Xm<br />
і еталонним вектором xc най-<br />
o<br />
ближчого сусіднього класу X c .<br />
Після проведення навчання системи та знаходження<br />
оптимальних параметрів контейнерів<br />
класів розпізнавання міжцентрові кодові відстані<br />
для заданого алфавіту класів розпізнавання відповідно<br />
дорівнювали: d( x1⊕ x2)<br />
=17, d( x1⊕ x3)<br />
=32,<br />
d( x1⊕ x4)<br />
=35, d( x2 ⊕ x3)<br />
=17, d( x2 ⊕ x4)<br />
=18,<br />
d( x3 ⊕ x4)<br />
=23. При цьому середнє значення міжцентрової<br />
кодової відстані дорівнює 24 кодових<br />
одиниць. А усереднене значення коефіцієнта нечіткої<br />
компактності (3) дорівнює<br />
M<br />
1<br />
l = lm = 0,75.<br />
M<br />
∑<br />
m=<br />
1<br />
Згідено з максимально-дистанційним принципом<br />
теорії розпізнавання образів одним із шляхів<br />
підвищення функціональної ефективності навчання<br />
системи є збільшення міжцентрових кодових<br />
відстаней. З цією метою в рамках ІЕІ-технології<br />
було проведено на етапі навчання за процедурою<br />
(1) оптимізацію рівня селекції координат еталонних<br />
векторів-реалізацій класів розпізнавання. Графік<br />
залежності усередненого значення КФЕ для<br />
заданого алфавіту класів розпізнавання від значення<br />
рівня селекції ρ показано на рис. 4.<br />
Рис. 4. Графік залежності усередненого КФЕ<br />
від значення рівня селекції<br />
Аналіз рис.4 показує, що оптимальне значення<br />
рівня селекції визначається при глобальному максимумі<br />
КФЕ і дорівнює ρ *<br />
= 087 , . Таким чином,<br />
порівняльний аналіз графіків, показаних на рис. 2 і<br />
рис. 4 дозволяє зробити висновок, що оптимізація<br />
рівня селекції дозволило збільшити значення усередненого<br />
КФЕ з 4,93 (при ρ=050 , ) до 5,68.<br />
На рис. 5 показано графіки залежності КФЕ від<br />
радіусів контейнерів відповідних класів розпізнавання<br />
для оптимального рівня селекції координат<br />
еталонних векторів.<br />
Аналіз рис. 5 показує, що відновлені в процесі<br />
навчання гіперсферичні контейнери класів роз-<br />
*<br />
пізнавання мають такі оптимальні радіуси: d1 = 22 ,<br />
*<br />
= . При цьому міжцентрові<br />
* *<br />
d2 = 3, d3 = 25 і d4 22<br />
кодові відстані для заданого алфавіту класів розпізнавання<br />
відповідно дорівнюють: d( x1⊕ x2)<br />
=25,<br />
d( x1⊕ x3)<br />
=48, d( x1⊕ x4)<br />
=44, d( x2 ⊕ x3)<br />
=27,<br />
d( x2 ⊕ x4)<br />
=28, d( x3 ⊕ x4)<br />
=36, а значення середньої<br />
міжцентрової кодової відстані дорівнює 35,<br />
що суттєво перевищує аналогічне значення, одержане<br />
при неоптимальному значенні рівня селекції<br />
( ρ=050 , ), яке застосовується за замовченням.<br />
а<br />
б<br />
в<br />
г<br />
Рис. 5. Графік залежності КФЕ навчання від радіусів<br />
контейнерів класів розпізнавання: а – клас X o<br />
1 ;<br />
б – клас X o<br />
2<br />
o<br />
o<br />
; в – клас X 3 ; г – клас X 4<br />
Таким чином, усереднений коефіцієнт нечіткої<br />
компактності дорівнює l =0,68 (до оптимізації рівня<br />
селекції l =0,75), що свідчить про зменшення<br />
при оптимальному рівні селекції ступеня перетину<br />
класів розпізнавання.