Cтраница 2
Для принятия обоснованного решения о выборе технических средств необходима некоторая достаточная вероятность того, что с помощью данного средства будет достигнут определенный учебный эффект. В результате в процессе обучения влияние остальных взаимосвязанных компонентов повышает вероятность правильного решения учебной задачи. [16]
Оперативная характеристика имеет важнейшее значение в теории выбора между гипотезами, так как с ее помощью можно вычислять вероятности правильных решений при произвольном значении параметра а [, стр. [17]
Отсюда видно, что вероятность правильного решения будет максимальной, если за область А принять всю область, в которой подынтегральная функция положительна. Действительно, если область А представляет собой только часть области, в которой подынтегральная функция положительна, то интеграл в (10.46), а следовательно, и вероятность правильного решения р, будет меньше. Если же включить в область AI часть области, в которой подынтегральная функция отрицательна, то интеграл в (10.46), а следовательно, и вероятность р, тоже будет меньше. [18]
Обычно задача состоит в классификации этих объектов на основе их формы, независимо от таких свойств, как размер или ориентация. Поэтому классы входных сиг-налов, которые приводят к одинаковым решениям, имеют мало общего между собой. Это приводит к чрезвычайно сложным правилам решения и заставляет классифици-ровать на основе только нескольких явных признаков, что, естественно, уменьшает вероятность правильного решения. Эта трудность, конечно, более условная, нежели принципиальная. Тот факт, что человек может при-яимать такие решения с очень малой вероятностью ошибки, показывает, что информации для этого достаточно. Продолжение этой аналогии дальше доказывает, что решающая система, обладающая возможностью сравнения, должна обязательно выполнять функции само-обучения, которые непрерывно подправляют правила решения. Однако задача определения условий оптимальности обучающихся систем по существу еще не затрагивалась и представляет широкое поле для будущих исследований. [19]
Особый интерес представляют статистические связи фазы Z. В то же время отрицательное значение ггг, - - 0 59 свидетельствует, что большая длительность Z является существенной предпосылкой правильного решения задачи. Отсюда следует, что в процессе решения может быть более длительной либо фаза Z, либо фаза Р, но в первом случае вероятность правильного решения задачи будет значительно выше. [20]
Для математического моделирования системы распознавания необходимо построить специальную статистическую модель, на основе которой реализуется многократное повторение процесса распознавания объектов для каждого из рассматриваемых классов. Полученное в результате испытаний множество случайных исходов решения задачи распознавания дает возможность, опираясь на методы математической статистики, определить искомые оценки для вероятностей ошибочных и правильных решений, а также установить характер зависимости этих вероятностей от условий функционирования системы. [21]
Результаты, полученные с помощью вышеописанной процедуры, мы приведем только в случае рек Кришна и Годавари, для которых имелось до 59 наблюдений. Соответствующие гистограммы и кумулятивные распределения частот для статистики х приведены на рис. ДОе. Годавари и Кришна соответственно. По этим кривым в соответствии с вероятностями правильного решения 0 95 были получены значения порога с. Эти значения приведены в табл. Юе. [22]
Однако в физически реализуемых системах распознавания число используемых признаков ограничено. Более того, при распознавании конкретных объектов иногда нецелесообразно использовать весь набор признаков рабочего словаря. Связано это с тем, что определение каждого признака требует проведения соответствующего эксперимента и, следовательно, сопряжено с затратами материальных и временных ресурсов. В то же время объекты некоторых классов могут распознаваться с заданным уровнем вероятности правильного решения и при использовании лишь части признаков рабочего словаря. В подобной ситуации предельно возможное накопление измерительной информации неоправданно, а рационально процесс определения признаков распознаваемого объекта завершать в каждом конкретном случае на определенном шаге. Именно в связи с этим возникают рассматриваемые ниже задачи оптимизации процесса распознавания. Их постановка и методы решения базируются на последовательных алгоритмах оптимизации, разработанных акад. [23]