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 ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Capitolo 3 Sviluppo ed ottimizzazione del sistema basato sulla Sonda Fluxset<br />
τ<br />
c<br />
( w,<br />
x)<br />
con :<br />
ξ ≥ 0<br />
i<br />
i<br />
1<br />
m<br />
2<br />
= w + C∑<br />
2<br />
i=<br />
1<br />
( ( w • xi<br />
) + b)<br />
≥ 1−<br />
i<br />
ξ<br />
ξ<br />
i<br />
e può essere risolto con un Lagrangiano che incorpori le con<strong>di</strong>zioni, ottenendo:<br />
0 C i = 1,...<br />
m<br />
≤ α i ≤<br />
∑ α ici<br />
= 0<br />
in cui C è detto “up<strong>per</strong> bound” ed è un parametro che pone un limite al numero <strong>di</strong> “errori” <strong>di</strong><br />
classificazione.<br />
Nel caso in cui <strong>non</strong> ci sia soluzione (insiemi <strong>non</strong> linearmente separabili), si introduce un<br />
o<strong>per</strong>atore Φ ( x)<br />
in grado <strong>di</strong> effettuare il mapping del pattern <strong>di</strong> ingresso in uno spazio,<br />
denominato feature space, <strong>di</strong> <strong>di</strong>mensioni molto più elevate dello spazio <strong>di</strong> origine, in cui gli<br />
insiemi siano linearmente separabili. Ai fini dell’addestramento e della classificazione è<br />
necessario conoscere la forma funzionale del prodotto scalare K( x x ) = Φ(<br />
x ) • Φ(<br />
x )<br />
i<br />
, e<br />
quin<strong>di</strong>, tramite una opportuna scelta della funzione kernel, i dati possono <strong>di</strong>ventare separabili<br />
da un i<strong>per</strong>piano nello spazio delle features pur <strong>non</strong> essendolo nello spazio d’origine. È<br />
possibile utilizzare varie funzioni <strong>di</strong> kernel:<br />
- lineare: K( xi,<br />
x j ) = xi<br />
• x j ;<br />
- polinomiale: ( ) d<br />
K ( x , x ) = s(<br />
x • x ) + c in cui d > 0 è una costante che definisce l’or<strong>di</strong>ne<br />
del kernel;<br />
i<br />
j<br />
i<br />
2<br />
- RBF (Ra<strong>di</strong>al Basis Function): K( xi,<br />
x j ) = exp(<br />
− γ xi<br />
− x j ) ;<br />
- sigmoidale: ( x , x ) = tanh s(<br />
x • x ) + c<br />
j<br />
( )<br />
K i j<br />
i j<br />
In conclusione, <strong>per</strong> utilizzare una SVM è necessario stabilire il tipo <strong>di</strong> kernel da utilizzare, i<br />
parametri del particolare kernel, il valore <strong>di</strong> ε (limite su<strong>per</strong>iore sull’errore quadratico nella<br />
j<br />
i<br />
j<br />
146