Якщо значення критерію EI,n в області ІІ визначаються при n£ 50 інформаційною складовою, яка обчислюєься
за формулою (3.9.2), то при n>50 вони залежать від
економічної складової En. і, зокрема, від коефіцієнта
а. На рис.3.11 крива 1 відповідає значенню критерію при а=0,05, крива 2 - при а=0,1 і крива 3
- при а=1,0. При цьому для
кривої 1 існує екстремум в області ІІІ (
), для кривої 2 - в області ІІ (
) і для кривої 3
.
|
|
|
Рис. 3.11. Залежність узагальненого критерію ефективності від обсягу
випробувань при навчанні СК
У загальному випадку при виборі можна
керуватися такими рекомендаціями:
·
при
оцінці ефективності навчання СК за узагальненим критерієм ЕI,n екстремальне випробування доцільно використовувати замість nmin,
тому що воно забезпечує статистичну похибку
Q(n*) £ e доп;
·
при
значних економічних витратах на проведення випробувань при навчанні СК доцільно
обмежуватися випробуванням = nmin,
яке забезпечує репрезентативність навчальної вибірки з гарантованою похибкою;
·
при
відносно малій ціні випробувань (а £ 0,1) за слід приймати
екстремальне випробування, яке знаходиться ближче до області ІІ, тобто
, оскільки різниця між значеннями
максимумів критерію EI,n , які визначаються, наприклад, на рис 3.11 за кривими 1 і 2
не є суттєвою через логарифмічну залежність складової ЕІ .
3.10. Висновки до третього розділу
У третьому розділі розроблено і досліджено алгоритми оцінки функціональної ефективності процесу навчання СК і визначено умови проведення навчання шляхом забезпечення репрезентативних навчальних вибірок і надійності прийняття рішень. Отримано такі наукові результати:
1. Запропоновано робочі модифікації інформаційних критеріїв за Шенноном і Кульбаком, які задовольняють усім вимогам до КФЕ слабо формалізованих систем, і розроблено процедури їх обчислення в процесі навчання СК.
2. Досліджено зв’язок інформаційних КФЕ з точнісними характеристиками при двохалтернативній і триальтернативній системах оцінок рішення. Показано, що інформаційний КФЕ є нелінійним і взаємно-неоднозначним функціоналом точнісних характеристик, що обумовлює необхідність виділення в процесі навчання робочої області його визначення.
3. Оскільки при функціонуванні СК в робочому режимі існують жорсткі обмеження на обсяг функціонально-статистичних випробувань, то запропоновано мінімальний обсяг репрезентативної навчальної вибірки визначати в рамках методу динамічних довірчих інтервалів за умови забезпечення прийнятних з практичних міркувань статистичної похибки та оперативності реалізації алгоритму навчання.
4. Встановлено зв’язок інформаційного КФЕ з інтегральним показником надійності СК, що навчається, - коефіцієнтом збереження функціональної ефективності, розроблено процедуру обчислення коефіцієнту в рамках МФСВ і досліджено його залежність від помилки другого роду
5. Досліджено вплив потужності алфавіту класів розпізнавання на асимптотичну достовірність розпізнавання, отримано коефіцієнти парного та множинного перетину класів як у геометричній, так і в імовірнісній формах і встановлено іх аналітичний зв’язок з точнісними характеристиками процесу навчання.
6. Для загального випадку оцінки функціональної ефективності СК розроблено і досліджено модифікацію узагальненого функціонально- статистичного критерію І.В.Кузьміна за умови, що вартісна складова ефективності враховується у вигляді зведених витрат. Оскільки навчання СК здійснюється на одному і тому самому КТЗ, за одним і тим же алгоритмом, то зведені витрати, в першому наближенні, запропоновано подавати через експлуатаційні витрати на навчання системи, які пропорційні машинному часу реалізації робочого алгоритму.
Розглянуті в третьому розділі положення та результати дисертаційної роботи відбито в працях автора [1,2,4,13,16,23,29,46].
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.