Класифікаційна настроювання електронного мікроскопа: Інформаційне і програмне забезпечення системи автофокусування електронного мікроскопу, страница 9

 Полігон будується для шкірного класу таким чином: по осі абсцис відкладаються ранги ознак розпізнавання, які відповідають номерам ознак у векторі-кортежі  ,  а по осі ординат – відносні частоти       wm,i = ni / n, де  n i – кількість випробувань, при яких значення  і – ої ознаки знаходиться у своєму полі контрольних допусків. За вихідне значення рівня селекції звично приймається  rm= 0,5. Якщо в процесі оптимізації рівня селекції даних на етапі навчання знайдено екстремальне значення   < 0,5, те це свідчить про виявлення, по крайній мірі, однієї інформативної ознаки, латентність якої  полягала саме в її низькій відносній частоті. Якщо знайдено   > 0,5,  те це  свідчить про зменшення впливу на прийняття рішень, по крайній мірі , однієї  неінформативної для класу , тобто  ²заважаючої² ознаки розпізнавння.

  Визначення 2.2.17. Основною задачею етапу екзамену є визначення приналежності вибірки, що розпізнається, (екзаменаційної вибірки)   своєму класу. При цьому за структурою   і способом формування екзаменаційна вибірка аналогічна  навчальній вибірці.

    Оскільки в задачах контролю і управління складними системами знаходити обгрунтування переважливо нечітка гіпотеза компактності реалізацій образу, яка припускає перетин класів розпізнавання і при якій розбиття  простору ознак відповідає наступним умовам.

              

                                       X .                                               (2.2.4)   

Нечітке розбиття обумовлює необхідність завдання на етапі екзамену функції приналежності.

 Визначення 2.2.18. Функцією приналежності реалізації   класу  називається вираз

    ,                                  (2.2.5)

де  - кодова відстань між еталонним вектором хm                                 і  реалізацією  x(j) , що розпізнається;   -  оптимальний в інформаційному сенсі радіус РГП.

        Інші визначення, які є загальними для класифікаційного аналізу даних, навелено, наприклад, у роботах [     ].

2.3 Обчислення інформаційного критерію функціональной еффективності СППР

У рамках теоретико-множинного підходу поняття система деталізується як комплекс способів, що утворять визначену структуру, призначену для досягнення поставленої мети з необхідною ефективністю.

Оскільки формування критерію ефективності спрямовано на зняття невизначеності, то критерій має інформаційну природу. Здійснити на практиці повну формалізацію мети не вдається через неповноту апріорної інформації. Тому критерій задається, як правило, змістовно у виді узагальнених інтегральних характеристик (екологічних, економічних, массогабаритных, функціональних, метрологічних і т.д.). При цьому на область існування системи накладаються обмеження, у результаті яких вона “звужується” до припустимої області.

Задача вибору й обчислення КФЭ є центральною проблемою оцінювання функціональної ефективності складних систем. Можна виділити два основних підходи до оцінювання, один із яких заснований на економічних показниках, а іншої на інформаційних. Проміжним є підхід, що базується на узагальненому КФЭ, що враховує як економічні витрати, так і кількісні інформаційні й інші характеристики системи (наприклад, динамічні,  массогабаритные, надежностные, енергетичні).

КФЭ складної системи з урахуванням специфіки СППР  повинний відповідати наступним основним вимогам:

-бути, по можливості, прямим, а не непрямим;

-бути физичным, обчислюва математично і мати геометричний сенс;

-бути кількісним і виражатися одним числом, що характеризує ступінь відповідності системи своєму призначенню;

-носити конструктивний  характер, тобто дозволяти розробляти методи аналізу і синтезу СППР;

-бути універсальним, тобто придатним для використання в СППР широкого призначення;

-бути чуттєвим до зміни параметрів н характеристик СППР;

-дозволяти оптимизировать процес навчання в змісті його оперативності і вірогідності розпізнавання на іспиті;