2. При реалізації алгоритму оптимізації СКД за зведеним полем допусків виникає проблема градуювання зведеної шкали, яка обумовлена дискретністю значень ознак і необхідністю подання чисел у пам’яті ЕОМ у вигляді кінцевого десятичного дробу. Для вирішення цієї проблеми доведено ряд теорем з теорії чисел, які встановлюють необхідні та достатні умови прямого та оберненого перетворення таких шкал.
3. При оптимізації СКД важливого значення набуває вибір нормованих допусків, яка визначають область зміни відповідних контрольних допусків за умови їх випадковості. Запропоновано здійснювати вибір системи нормованих допусків шляхом максимізації середньої відстані між реалізаціями базового класу. Показано, що обмеження зверху на нормовані допуски обумовлено можливістю збігання еталонних векторів класів розпізнавання в процесі оптимізації СКД, а обмеження знизу - можливістю переходу координат еталонних векторів-реалізацій образу у нульові.
4. Вибір оптимального в інформаційному розумінні рівня селекції бінарних координат еталонних векторів-реалізацій образу дозволяє наблизити геометричні центри контейнерів класів розпізнавання з центрами розсіювання реалізацій відповідних класів і одночасно максимізувати середню міжкласову відстань, що призводить до підвищення асимптотичної повної достовірності класифікатора і дозволяє будувати ефективний класифікатор за репрезентативними в розумінні Парето навчальними вибірками малого обсягу.
5. У процесі реалізації алгоритму навчання за МФСВ існує принципова можливість оптимізації в інформаційному розумінні кроку квантування в часі реалізацій образу на вході нечіткого регулятора СК, що навчається. Експериментально доведено вплив величини кроку квантування реалізацій образу як на функціональну ефективність, так і на точнісні характеристики процесу навчання. При цьому крок дискретизації реалізацій образу, який визначається за теоремою Шеннона-Котельнікова, не є оптимальним в інформаційному розумінні, а може розглядатися як верхнє його значення.
6. Показано, що значення максимуму інформаційного критерію оптимізації контейнерів класів розпізнавання у радіальному базисі за МФСВ залежить від способу врахування реалізацій образу. Запропонована модифікація обчислення інформаційного критерію за процедурами (4.91) і (4.9.2) дозволяє наблизити емпіричний центр розсіювання реалізацій відповідного класу з геометричним центром його контейнера, що призводить до підвищення достовірності класифікації.
7. Як один із перспективних методів підвищення оперативності навчання розроблено гібрідний алгоритм із застосуванням запропонованого специфічного елітарного генітичного алгоритму, в якому функції найбільш тривалого в часі оператра кросінговера виконує безпосередньо алгоритм випадкової зміни контрольних допусків в робочій області пошуку глобального максимуму КФЕ навчання. При цьому тривалість навчання за послідовним алгоритмом оптимізації СКД усереднено за часом зменшується вдвічі у порівнянні із методом прямого пошуку. Як перспективний шлях підвищення оперативності послідовного алгоритму оптимізації СКД на ознаки розпізнавання розглянуто визначення в процесі навчання меж робочої області за алгоритмами із нерівномірною зміною кроку навчання в дискретному просторі ознак.
Основні положення та результати четвертого розділу дисертаційної роботи відбито в публікаціях автора [1,3,6,8,18,22,27,31-33,35,49,50]
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.