Cтраница 1
Меры сходства не исчерпываются расстояниями. [1]
В качестве мер сходства чаще всего используются коэффициенты корреляции ( см. гл. [2]
Сравнение эталонов и вычисление мер сходства сопряжены с рядом трудностей. Например, в процессе обработки речевых сигналов возникает задача их нормализации по длительности, так как при речевом вводе одного и того же сообщения могут иметь место значительные отличия формы и величины исходного сигнала с микрофона из-за нелинейного изменения темпа произнесения или силы голоса. [3]
Для построения функции ценности применяются меры сходства, описанные в разд. [4]
Итак, программа предлагает несколько мер сходства. Естественно, возникает вопрос: Какую из них выбрать. Однозначного ответа не существует. [5]
Важную роль в кластерном анализе играют меры сходства. Наиболее часто в качестве такой меры употребляется коэффициент корреляции Пирсона, первоначально использовавшийся для определения зависимости переменных. Кластеры обладают рядом свойств, среди которых наиболее важными являются плотность, дисперсия, форма, отдельность. Плотность - это близость отдельных точек скопления, позволяющая отличать его от других областей многомерного пространства, содержащих либо мало точек, либо не содержащих их совсем. Дисперсия характеризует степень рассеяния точек в пространстве относительно центра кластера. [6]
Заметим, что использование в качестве функций ценности мер сходства позволяет оценивать проектируемый объект по множеству критериев качества без усреднения значений показателей. Такие функции на основе выбранного принципа компромисса вычисляют обобщенную меру близости полученного варианта к заданным внешним требованиям. Главной проблемой в этом случае является формирование правил вычисления свойств целостной системы в процессе ее синтеза из элементов. [7]
Агломеративная кластерная процедура связана с вычислением функций расстояний и мер сходства между всеми парами объектов и объединением на каждом шагу той пары, для которой достигается минимум ( максимум) функций расстояний и мер сходства. [8]
Алгоритмы распознавания основываются на сравнении той или другой меры близости или меры сходства распознаваемого объекта с каждым классом. [9]
Для оценки сходства сравниваемых объектов используются различно выбираемые ( или конструируемые) меры сходства. В зависимости от сочетания сложности морфологии полей учитываемых характеристик и детальности дискретной сети их опробования неизбежна смена подхода к оценке сходства сравниваемых объектов. [10]
Наиболее непосредственное определение таких признаков получается при использовании функций, описывающих изменение некоторой меры сходства изображения с изображением, получающимся из данного сдвигами, в зависимости от шага и направления сдвига. [11]
Мы получили матрицу с элементами Дс -, где величина каждого элемента выражает разность мер сходства перекрестных членов, образованных 1 - й и / - и компонентами двух подмножеств данных. [12]
Обсуждение Скиннером ( 1978) формы, поднятия и рассеяния очень важно для многих применений мер сходства в социальных исследованиях. Последние три работы важны потому, что понятие сходства играет главную роль в формировании кластеров. Обычно кластеры определяются как группы сходных объектов. Хотя во многих приложениях кластерного анализа особое значение придается процедуре формирования кластеров, все же выбор меры сходства является решающим моментом в исследованиях, использующих кластерный анализ. [13]
В методе средней связи мера сходства между кандидатом и членами кластера усредняется, например, берется просто среднее арифметическое мер сходства. [14]
Агломеративная кластерная процедура связана с вычислением функций расстояний и мер сходства между всеми парами объектов и объединением на каждом шагу той пары, для которой достигается минимум ( максимум) функций расстояний и мер сходства. [15]