ейромережевих підходах и порівнялі їх кількісно та якісно. Їх Висновки зводяться до того, что нейромережеві методи дають найкращі показатели, проти вімагають Довгого годині навчання та інтуїції експерта-дослідника для цілеспрямованого! Застосування.
Найпростішім методом є метод найближче сусіда (Nearest Neighbor) [92], что базується на обчісленні Евклідової відстані. Метод не потребує фази навчання, розпізнавання нового патерна відбувається на Основі мінімальної Евклідової відстані между новим Патерно та шкірні існуючім паттерном. РОЗВИТКУ цього методу є методи локального К - найближче сусіда (Local KNN) [124] та діскрімінантного адаптивного найближче сусіда (Discriminant adaptive nearest neighbor) [125].
Метод статистичного розпізнавання [93] - лінійній діскрімінантній аналіз Махаланобіса (Mahalanobis Linear Discriminant Analysis), подібно до попередня методу, базується на обчісленні відстані Махаланобіса между вектором патерна та усередненім вектором патерна такого ж класу. Розпізнавання нового Патерно відповідає знаходженню мінімальної відстані Махаланобіса до найближче усередненого патерна.
Метод лінійного діскрімінантного АНАЛІЗУ Баєса (Bayes Linear Discriminant Analysis) базується на Баєс-стратегії мінімізації ризику [92, 93]. Навчання здійснюється путем использование усередненого вектора для шкірного класу задач и Загальної коваріаційної матриці для позіціювання діскрімінанту (зваження вектора) i удовольствие Баєсовського крітерію. Класифікація нового патерна до Певного класу базується на размере діскрімінанту - скалярна добуток вектора нового Патерно з шкірними зваження вектором. Класифікація здійснюється до класу, діскрімінант которого має максимальне значення.
Метод АНАЛІЗУ Головня компонентів (Principal component analysis, PCA) [119] вібірає матрицю А, яка зменшує середньоквадратічну відстань между початково (вхіднімі) Даними и тимі, что відтворюються (реконструюються) Із скороченню даних. В [120] показано, что така матриця А візначається з урахуванням ВЛАСНА векторів коваріантної матриці відповідно до m Першого домінантного власного значення, де m - результуюча розмірність. Із діскрімінантного АНАЛІЗУ (Discriminant analysis, DA) [114] известно, что проекційнімі Напрямки є ті, Які підтрімують максимально відокремленість (розділеність) класів у результуюча пространстве. Тут, для ОЦІНКИ класу відокремленості (розділеності), БУВ використаних крітерій Фішера [121], а навпростець проекції обрані як результат, что ОТРИМАНО при рішенні проблеми знаходження ВЛАСНА значення - ВЛАСНА векторів (eigenvalue-eigenvector) [120].
Діскрімінантній компонентний аналіз (Discriminant component analysis, DCA) є відносно новим методом [122], Який перетворює вихідний простір в ортонормованих простір таким чином, что для шкірного напряму власне значення відображає степінь діскрімінанті проекції у Цьом напрямку, что досягається використанн ітераційного методу.
Метод нейронних мереж (Neural network) [94, 115] є частково параметрично класіфікаційнім методом. У работе [111] Розглянуто нейрону ятір прямого Поширення, яка базується на стандартному персептроні [94, 117], Із двома ПРИХОВАНЕ кулями, КОЖЕН з якіх містіть 10 нейронів. У якості актіваційної Функції Використано логістичну функцію, вихідний куля містіть один нейрон. Навчання кожної Із мереж зупінялось ще до перенавчання (Використано набор перехресної перевіркі), або коли булу досягнутості необхідна точність (досягнутості мінімальне значення помилки Тренування). Для навчання нейронних мереж Було Використано метод оптімізації, Який має Назва - реактивний поиск Табу (reactive Tabu search, RTS) [118]. Даній метод, На Відміну Від стандартних еволюційніх методів, таких, як алгоритм зворотнього Розповсюдження (back-propagation) [94], дозволяє Швидко Війтєв Із локального оптимуму, попереджує ціклічні повтори та є очень надійнім у формуванні початкової конфігурації, что виробляти до більш ефективного навчання. Ще більш ефективного є метод Левенберга-Маркуарт, Який реалізовано в пакеті MathCad.
проведеного аналіз продуктівності у [111] показавши, что розглянуті методи мают почти Однаково рівень розпізнавання, но что стосується обчислювальних ресурсов, ЦІ методи є очень різнімі. Проведень у [111] аналіз показавши, что розглянуті методи оброки сігналів багатопараметричних сенсорів незначна підвіщують точність, смороду складні у реализации, вімагають много обладнання, мают скроню трудомісткість, малу Надійність та скроню Ціну. Доцільно розробляті Нові методи, Які бі Покращена перелічені Критерії. Перспективним технологією є использование нейронних мереж.
1.5 Аналіз технічного завдання та шляхи вдосконалення систем вимірювання ультрафіолетового випромінювання
проведенням вищє аналіз стану вимірювань ультрафіолетового...
