Cтраница 3
НЕБАЙЕСОВСКИЕ ЗАДАЧИ РАСПОЗНАВАНИЯ - задачи распознавания образов, в которых решение о распознаваемом объекте должно быть принято в условиях, когда исходной информации о статистических характеристиках распознаваемых объектов недостаточно для решения байесовской задачи распознавания. [31]
НЕБАЙЕСОВСКИЕ ЗАДАЧИ РАСПОЗНАВАНИЯ - задачи распознавания образов, в которых решение о распознаваемом объекте должно быть принято в условиях, когда исходной информации о статистических характеристиках распознаваемых объектов недостаточно для решения байесовской задачи распознавания. Наиболее распространены из них следующие. [32]
В § 5 рассмотрены задачи распознавания образов. [33]
Заметим, что для задачи распознавания образов селекция обучающей последовательности не имеет смысла: решения, получаемые минимизацией эмпирического риска по всей обучающей выборке и по обучающей подвыборке, полученной исключением минимального числа элементов с тем, чтобы подвыборка могла быть разделена безошибочно, достигаются на одном и том же решающем правиле. Это обстоятельство является следствием того, что функция потерь ( о - F ( к, а)) 2 в задаче распознавания образов принимает только два значения - нуль и единица. [34]
Напомним, что для задачи распознавания образов функционал На) имеет смысл вероятности Pia) ошибочной классификации с помощью индикаторной функции Fix, а), а функционал I3ia) - частоты v ( a) ошибочной классификации на обучающей последовательности. [35]
Как и при решении задач распознавания образов, алгоритмы восстановления регрессии реализуются в общем случае рядом программ, работающих в три этапа. [36]
Основу статистического подхода к задаче распознавания образов составляет Байесовская теория принятия решений. Этот подход основан на предположении, что задача выбора решения сформулирована в терминах теории вероятностей и известны все представляющие интерес вероятностные величины. Кроме того, предполагается, что каждый объект с некоторой заранее неизвестной вероятностью может принадлежать к любому из имеющихся классов. Решение при этом обычно выдается в виде вероятности принадлежности распознаваемого объекта к различным классам. [37]
При вероятностном подходе к задаче распознавания образов, как правило, предполагается объективное существование условных функций распределений вероятностей, заданных па пространстве признаков. Задача обучения при этом сводится к оценке таких функций, которые в большинстве случаев являются неизвестными. В режиме обучения распознавателя используется конечная обучающая последовательность, содержащая реализации всех образов, подлежащих классификации, и учитель - человек или некоторое устройство, способные установить принадлежность членов этой последовательности к соответствующим классам. В общем случае может возникнуть ситуация, когда учитель сам ошибается в классификации обучающей последовательности. Вследствие конечности длины обучающей последовательности и ошибок учителя оценки искомых функций будут отличаться от истинных, что ухудшает эффективность работы алгоритма в режиме распознавания. [38]
Такие задачи часто называют задачами распознавания образов. Пусть изучаемый объект характеризуется элементом г ( функцией, вектором) из множества F метрич. F и z, недоступен для прямого измерения, а измеряется его проявление Azaut. Очевидно, zcA - 1ua, где А - 1 - оператор, обратный оператору А. Так как элемент о получают путем измерений, то он известен приближенно. [39]
Выбор геолого-технических мероприятий решается как задача распознавания образов с применением теории планирования эксперимента и статистических методов. [40]
В зависимости от исходных характеристик задачи распознавания образов при прогнозировании ВЭР используются алгоритмы, принадлежащие как к первой, так и ко второй группе. [41]
Итак, мы убедились, что задачи распознавания образов по своему математическому характеру являются задачами приближения функций, и притом очень тяжелыми задачами. [42]
При этом указанные задачи решаются как задачи распознавания образов. Для выбора метода отключения обводненных интервалов пласта используются функции классификации, для выбора методов ОПЗ - метод потенциальных функций и последовательный анализ Вальда. [43]
Итак, выбор пространства описания для задачи распознавания образов распадается на три зтапа. [44]
Например, нейронные сети хороши для задач распознавания образов, но весьма неудобны для объяснения, как они такое распознавание осуществляют. При этом какую-либо априорную информацию ( знания эксперта) для ускорения процесса ее обучения в нейронную сеть ввести невозможно. [45]