Класифікаційна настроювання електронного мікроскопа: Інформаційне і програмне забезпечення системи автофокусування електронного мікроскопу, страница 14

У якості критерію оптимізації в МФСВ виступає інформаційний критерій, який, наприклад, за мірою Шеннона для двохальтернативної системи оцінок приймаємих рішень і для рівноймовірних гіпотез може мати вигляд [3]:

 ,         (3)

де  a,b, D1, D2  - помилки першого та іншого роду, перша та друга достовірності відповідно. У роботі [3] розглянуто обчислювальний аспект оцінювання функціональної ефективності СППР за критерієм (3) та досліджено залежність границь робочої області його значень від точнісних характеристик.

За МФСВ алгоритм КН полягає в обчисленні на шкірному кроці настроювання  інформаційної міри , яка є диференційною мірою різноманітності початкового  і потокового класу  , , де  -екстремальний крок настроювання, порівнянні значення  з попереднім і в зміні в залежності від результату порівняння значення управляючого параметру  за ітераційним алгоритмом:

                           (4)

де  – крок зміни j-го параметра. Оцінка функціональної ефективності КН за МФСВ здійснюється в процесі навчання за алгоритмом, який визначає оптимальні в інформаційному сенсі параметри навчання, що безпосередньо впливають на ефективність настроювання [2]. Такими параметрами є радіуси розділяючих гіперсфер, які в кодовій відстані Хеммінга визначаються як  , де  - еталонний вектор класу   - деяка вершина вектора-реалізації образу на гіперсфері;  - кількість ОР;  - операція складання за модулем 2 і система контрольних допусків  на ознаки розпізнавання, яка безпосередньо формує навчальну вибірку (НВ) і впливає на значення критерію .

          Розглянемо обчислення інформаційного КФЕ, наприклад, за формулою (3) у рамках алгоритму навчання за МФСВ. Оскільки кожна автоматизована система управління грунтується на допусковій концепції оцінки параметрів контролю, значення яких, у загальному випадку, можуть належати одному із трьох класів:    – “НОРМА”,    __ “МЕНШЕ НОРМИ”,   - “БІЛЬШЕ НОРМИ”, те запуск алгоритму КН системи здійснюється з моменту встановлення її виходу із класу  .

          На підготовчому етапі (S=0) формується для класу X0  матриця “об’єкт-властивість”  де ,  __ змінні кількості реалізацій образу і ОР відповідно;  - мінімальний обсяг репрезентативної НВ [4]. З метою рандомізації даних задається початкова (базова) система контрольних допусків, яка складається з двох масивів : {ND[I]}, {VD[I]} масиви нижніх і верхніх допусків. Шляхом порівняння значень ОР зі своїми допусками формується бітовий масив НВ  , який складається з  реалізацій образу  , де

 =

На шкірному кроці S згідно вибраним напрямку і стратегії настроювання здійснюється зміна значення параметрів {g } і формуються аналогічні матриці  і   для потокового класу . Шляхом статистичного усереднення НВ визначаються еталонні вектори  і , які розглядаються як геометричні центри своїх класів. Для пошуку максимуму критерію E(S) за МФСВ здійснюється процедура оптимізації радіуса  розділяючої гіперсфери класу  за алгоритмом:

 (k) = (k-1)+ 

де  k - число прирощень радіуса; h - крок прирощення;  де    множина радіусів розділяючих гіперсфер класу .

          Після визначення екстремального значення  здійснюється оптимізація контрольних допусків за алгоритмом  , якщо   де  система нормованих полів допусків на ОР, які визначають область значень відповідних контрольних допусків. Обчислення критерію (3) на k-му кроці навчання здійснюється шляхом оцінки точнісних характеристик:  , де коефіціенти  обчислюються за алгоритмом:

   

          Приналежність реалізації класу  визначається за алгоритмом: обчислюється кодова відстань  і приймається рішення: < .

КН закінчується, коли знайдено екстремальні значення , які забезпечують максимальну функціональну ефективність системи  .

        3.2 Опис алгоритму автофркусування ЇМ