ів (або найменувань) класів. На безлічі пар В«об'єкт, класВ» визначена імовірнісна міра . Мається кінцева навчальна вибірка незалежних спостережень , отриманих згідно ймовірнісної мірою .
Задача класифікації полягає в тому, щоб побудувати алгоритм , здатний класифікувати довільний об'єкт .
Побудова класифікатора при відомих щільностях класів виглядає наступним чином. Нехай для кожного класу відома апріорна ймовірність того, що з'явиться об'єкт класу , і щільності розподілу кожного з класів, звані також функціями правдоподібності класів. Потрібно побудувати алгоритм класифікації , який доставляє мінімальне значення функціоналу середнього ризику.
Середній ризик визначається як математичне сподівання помилки:
В
де - ціна помилки або штраф за віднесення об'єкта класу до якого-небудь іншого класу.
Рішенням цього завдання є алгоритм
В
Значення інтерпретується як апостериорная ймовірність того, що об'єкт належить класу .
Якщо класи рівнозначимість, , то об'єкт просто належить до класу з найбільшим значенням щільності розподілу в точці .
До недоліків даного методу варто віднести:
необхідність врахування великих обсягів апріорної та апостеріорної інформації про потужності і спектральної щільності впливів, погрішності вимірів на всіх режимах роботи ГТД;
класифікація здійснюється тільки на сталих режимах роботи ГТД;
низька якість класифікації за погрішностей оцінок масштабу розподілу, зумовлених як недостовірної апріорної інформацією про імовірнісних характеристиках класів, так і похибками обчислень і близькістю центрів розпізнаваних класів.
Постановка завдання розпізнавання режимів роботи ГТД в нейромережевому базисі
Алгоритми повинні забезпечити розпізнавання тих динамічних режимів, початок яких характеризується тільки змінами значень аналогових параметрів. При цьому на першому рівні, наприклад, безпосередньо в початковий період динамічного режиму, алгоритмом здійснюється попереднє розпізнавання до рівня підмножини mr безлічі Mr динамічних режимів. Остаточне розпізнавання до виду обробки, форми генеруєтьс...
