Обучающий объект

Cтраница 1

Обучающий объект - это любой объект, цифровой или нецифровой, который может использоваться единожды, многократно или на который может быть сделана ссылка во время процесса обучения. [1]

Обобщенная карта Карнау для решающего правила. Клетки, заштрихованные в одном направлении, соответствуют объектам, отнесенным лишь к одному классу. Незаштрихованные клетки отвечают объектам, не отнесенным ни к какому классу. Клетки, заштрихованные в двух направлениях, соответствуют объектам, отнесенным к обоим классам. [2]

Конечно, обучающие объекты однозначно отнесены к одному классу, как это и требовалось. [3]

ОО - обучающие объекты; ТС - технические средства; БАО - блок алгоритмов обучения; АИ - априорная информация; БАР - блок алгоритмов распознавания. [4]

В процесс классификации каждого нового объекта X включаются все обучающие объекты, что может быть неэффективным относительно техники вычислений. [5]

Поскольку размещения выбираются для представления наших объектов и мы уже показали, что структурное распознавание может рассматриваться как процесс обобщения посредством гомоморфных образов наблюденных обучающих объектов, мы должны определить операцию композиции и гомоморфизм. С этой целью мы будем использовать ту же идею, изложенную в общей форме в разд. Композиция размещения при помощи бинарного отношения дает размещение, содержащее все размеченные А / - КИ данного размещения, покомпонентно преобразованного посредством этого бинарного отношения. Единственное отличие этой композиции от композиции, введенной в разд. [6]

В одном из методов процесс обучения осуществляется по следующему алгоритму. До предъявления системе первого обучающего объекта весовые коэффициенты всех R разделяющих функций могут быть выбраны произвольно. Объекты обучающей выборки, предъявляются опознающей системе последовательно по одному. Для данного объекта выход системы опознавания, построенной по схеме рис. 3.4, указывает номер класса, к которому она его относит. Этот номер сравнивается с номером класса, к которому объект относится учителем. Если объект опознается правильно, то весовые коэффициенты разделяющих функций не изменяются и на ее вход поступает следующий объект. Если при предъявлении объекта Ха из ( - го класса / - я разделяющая функция принимает большее значение, чем 1-я, и объект ошибочно относится к - му классу, то осуществляется замена весовых коэффициентов W0 на Wo по формулам W0 i W0i - ( - cXo, W0 W0 - сХ0, где с - коэффициент коррекции, который часто принимается равным единице. [7]

Системы распознавания, обучающиеся на стадии формирования, работают с учителем. Эта работа заключается в том, что учитель многократно предъявляет системе обучающие объекты всех выделенных классов и указывает, к каким классам они принадлежат. Затем учитель начинает экзаменовать систему распознавания, корректируя ее ответы до тех пор, пока количество ошибок в среднем не достигнет желаемого уровня. На рис. 1.5 ( где ОО - обучающие объекты; ТС - технические средства; БАО - блок алгоритмов обучения; АИ - априорная информация; БАР - блок алгоритмов распознавания; штриховые линии - режим обучения, сплошные линии - экзамен) приведена схема обучающейся системы. [8]

Шапира [53, 55, 79] также является разновидностью взвешенного голосования, но базовые алгоритмы строятся последовательно, и процесс увеличения различий между ними управляется детерминированным образом. А именно, для каждого базового алгоритма, начиная со второго, веса обучающих объектов пересчитываются так, чтобы он точнее настраивался на тех объектах, на которых чаще ошибались все предыдущие алгоритмы. Веса алгоритмов также вычисляются исходя из числа допущенных ими ошибок. [9]

Равенство здесь может пониматься как точное или приближенное в зависимости от конкретной задачи. Требования такого вида называют локальными ограничениями [13], подчеркивая, что они связаны с конечным числом обучающих объектов и допускают эффективную проверку за конечное число шагов. [10]

Результаты, первоначально полученные для линейных комбинаций, оказались применимыми и к более широкому классу алгоритмов. Получены оценки обобщающей способности и для более сложных алгоритмических композиций, представимых в виде пороговых выпуклых комбинаций над пороговыми выпуклыми комбинациями. Для всех этих случаев оценки обобщающей способности выражаются через долю обучающих объектов с малым отступом. [11]

Страницы: 1