Класифікаційна настроювання електронного мікроскопа: Інформаційне і програмне забезпечення системи автофокусування електронного мікроскопу, страница 8

   Визначення 2.2.8.  Навчальною вибіркою називається сукупність  реалізацій  { },  j = , m = ,     яку задіяно на етапі навчання СППР  і  яка  складається з випадкових впорядкованих бітових векторів  (2.2.2).

    Визначення 2.2.9. Основною задачею етапу навчання за МФСВ  є розбиття простору ознак розпізнавання за поданою навчальною вибіркою на області класів розпізнавання оптимальним в інформаційному сенсі спосібом, який забезпечує на етапі екзамену прийняття рішень з достовірністю, близькою до максимальної асимптотичної достовірності СППР.

        Визначення 2.2.10. Максимальною асимптотичною (повною) достовірністю СППР називається ймовірність 

                                                                                                  (2.2.2)

де   р(m_m,i) – безумовна ймовірність розпізнавання класу (прийняття основної гіпотези);

 -  екстремальне значення і -тої достовірності прийняття рішень, яка визначає максимум інформаційного КФЕ процеса навчання  СППР   .

   Ефективність функціонування СППР, а отже і її точнісні характеристики, залежати від параметрів  функціонування, які регулюются.

  Визначення 2.2.11.  Параметром функціонування СППР називається характеристика інформаційного забезпечення СППР, яка безпосередньо впливає на достовірність рішень.

  Такими параметрами в МФСВ є параметри навчання, які безпосередньо впливають на асимптотичну достовірність СППР.

   Визначення 2.2.12. У якості критерію оптимізації процесу навчання системи прийняттю рішень у рамках МФСВ застосовується інформаційний КФЕ, який є природною мірою різноманітності (або схожості) класів розпізнавання й одночасно, як показаний в іншому розділі дисертаційної роботи,  функціоналом асимптотичних точнісних характеристик СППР.

   При цьому важливо, щоб параметри навчання були оптимальними в інформаційному сенсі, тобто забезпечували максимальну функціональну ефективність  СППР, яка визначає максимальну достовірність прийняття рішень на екзамені.

    Перш за всі, достовірність рішень, що приймаються СППР, залежить від геометричних параметрів розділяючих гіперповерхней (РГП).

   Визначення 2.2.13. У МФСВ, який грунтується на допущенні гіпотези  компактності (чіткої або нечіткої) реалізацій образу, у якості наближення ²точної² РГП  для класу     розглядається гіперсфера, центром якої є  еталонний вектор  х_m Î , а радіусом - кодова відстань  d_m,  яка в  просторі Хеммінга визначається як

                                                                   ,                                  (2.2.3)

де  - і -та координата вектора  ;

             - i-тa координата деякого вектора - реалізації l_m, вершина якого знаходиться на РГП;

                 - операція складання за модулем два.

       Для спрощення будемо далі вживати означення .

       Визначення 2.2.14. Оптимальною кодовою відстанню (радіусом) між вектором  і РГП класу  називається екстремальне значення , яку визначає максимум  інформаційного КФЕ  E_m ,  де  {d} – послідовність прирощень радіуса розділяючої гіперсфери.

Визначення 2.2.15. Оптимальною називається СКД на ознаки розпізнавання , яка забезпечує максимальне значення  КФЕ    при навчанні СППР розпізнавати реалізації основного  (за гіпотезою) класу  .

 Важливим параметром функціонування СППР є рівень селекції вхідних даних, який безпосередньо впливає на  формування еталонних векторів, які визначають центри розсіювання реалізацій образу.

Визначення 2.2.16. Рівнем селекції вхідних даних називається рівень квантування дискрет полігону для рангів ознак розпізнавання.