Metodi e strumenti di misura per l'esecuzione di test non distruttivi ...
Metodi e strumenti di misura per l'esecuzione di test non distruttivi ...
Metodi e strumenti di misura per l'esecuzione di test non distruttivi ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Capitolo 3 Sviluppo ed ottimizzazione del sistema basato sulla Sonda Fluxset<br />
i dati più informativi, essenziali <strong>per</strong> la comprensione e la descrizione del problema.<br />
La formalizzazione del problema dell’appren<strong>di</strong>mento è basata sul principio della<br />
minimizzazione del rischio strutturale (Structural Risk Minimization, SRM), che si è<br />
<strong>di</strong>mostrato essere su<strong>per</strong>iore al tra<strong>di</strong>zionale principio <strong>di</strong> minimizzazione del rischio empirico<br />
(Empirical Risk Minimization, ERM). Quest’ultimo infatti consiste nel minimizzare una<br />
funzione oggettiva <strong>di</strong>pendente dai campioni <strong>di</strong> training, mentre l’SRM minimizza un insieme<br />
ricavato dagli errori effettuati durante il <strong>test</strong> della macchina.<br />
{ i i } i= 1,... l<br />
Consideriamo un training set S ( x , y )<br />
= , cioè un insieme <strong>di</strong> campioni estratti da X × Y ,<br />
dove X e Y sono due insiemi <strong>di</strong> variabili aleatorie, con p ( xy , ) p( yx) px ( )<br />
incognita, dove x i è un vettore appartenente a<br />
d<br />
R e i<br />
= fissata ma<br />
y rappresenta la sua etichetta. Lo scopo<br />
principale è quello <strong>di</strong> riuscire a costruire, sulla base del training set, una funzione che<br />
applicata ad un valore x <strong>non</strong> visto precedentemente sia in grado <strong>di</strong> pre<strong>di</strong>re il valore <strong>di</strong> y<br />
corrispondente. Appare chiara l’importanza della scelta del training set, in quanto essa<br />
influisce in maniera determinante sulle prestazioni della macchina.<br />
Un in<strong>di</strong>catore della bontà della funzione trovata è il rischio atteso, la cui espressione è la<br />
seguente:<br />
1<br />
R f ∫ yi f xi dp x y<br />
2<br />
( ) = − ( ) ( , )<br />
in cui la quantità y f ( x )<br />
rischio empirico:<br />
− è detta loss (<strong>per</strong><strong>di</strong>ta). Siccome <strong>non</strong> è nota la p(x,y), si calcola il<br />
i i<br />
1<br />
Remp f ∑ yif xi<br />
2<br />
( ) = − ( )<br />
.<br />
L’algoritmo <strong>di</strong> appren<strong>di</strong>mento implementerà una serie <strong>di</strong> funzioni appartenenti ad un insieme<br />
Λ e sceglierà la funzione che minimizza il rischio empirico, con un errore <strong>di</strong> stima in quanto<br />
potrebbe <strong>non</strong> essere quella ottimale; inoltre si commette un errore <strong>di</strong> approssimazione<br />
144