Вероятность распознавания объекта

Рис. 3.9. Графики оценки вероятности распознавания объекта (Ро) по импульсному сигналу

Вероятность распознавания объекта [c.126]

Надежность. Надежность метода оценивается как вероятность получения правильных результатов при использовании метода для решения задач заданного класса. Обычно условия применимости метода связаны с такими характеристиками ММ анализируемых объектов, которые пользователь не может оценить заранее имеющимися в его распоряжении средствами, поэтому возможны ситуации, когда вычислительный процесс оказывается неустойчивым или отсутствует сходимость, что может выражаться в зацикливании или останове ЭВМ из-за переполнения разрядной сетки. В САПР стараются применять надежные методы. Однако высоконадежные методы часто характеризуются недостаточной экономичностью. В этом случае целесообразно комбинирование методов с переходом к трудоемким, но надежным методам только в результате автоматического распознавания ситуаций несходимости или неустойчивости вычислений. [c.224]

Связь границ принятия решения с вероятностями ошибок первого и второго рода. При распознавании могут быть ошибки двоякого рода. Ошибка, относяш,аяся к диагнозу Dj (принимается решение о наличии диагноза D , когда в действительности объект принадлежит диагнозу Di), называется ошибкой первого рода. Ошибка, относящаяся к диагнозу D2 (принимается решение в пользу диагноза D , когда справедлив диагноз D ), называется ошибкой второго рода. [c.20]

Сформулированное в гл. 1 статистическое описание лазерного локационного сигнала позволяет не только проанализировать его информационные возможности, но и синтезировать оптимальные методы его обработки. Наличие функционалов плотностей вероятностей, приведенных в разд. 1.3... 1.5, позволяет для решения единой задачи привлечь известные результаты теории статистических решений. Некоторые из этих результатов уже использовались при рассмотрении отдельных частных вопросов. В настоящей главе продолжим соответствующие исследования с целью синтеза оптимальных методов обработки световых полей и выявления путей использования результатов этой обработки в алгоритмах распознавания наблюдаемых объектов. [c.103]

После контроля должна увеличиться вероятность того класса состояний, в котором действительно находится двигатель. Если используется идеальная по достоверности система распознавания, то после контроля вероятность действительного класса состояния двигателя, будет равна единице. Однако из-за ошибок системы распознавания некоторая неопределенность состояния двигателя останется. Она может быть выражена через апостериорные вероятности классов состояний Pap(Kl), Рар(К2),.... .., Pap(Kiv), характеризующие нахождение состояний объекта в соответствующем классе, если получены определенные результаты измерений. Эти вероятности можно определить, используя формулу Байеса [82]. Пусть в результате контроля получена реализация параметров i/2,..., Ут)- Апостериорные веро- [c.280]

Другой подход, применяемый при решении задач классификации состояний, основан на распознавании по условным вероятностям [49, 247]. Он состоит в том, что в период обучения составляется матрица условных вероятностей р (Ajvi), где — это некоторое значение А-го признака, Vi — i-e состояние исследуемого объекта. Далее с помощ ью элементов этой матрицы определяется наиболее вероятное состояние объекта, соответствуюш ев заданным значениям признаков. Этот подход сопряжен с большим числом обучающих экспериментов, необходимых для нахождения элементов матрицы условных вероятностей. [c.18]

Дальнейшая фаза дешифрирования - распознавание класса объекта после определения его формы. Надежные данные по вероятности распознавания компактных объектов на высокодетальных РЛИ отсутствуют, но имеется достаточный опыт дешифрирования аэрофотоснимков, к которым но мере совершенствования РСА приближаются РЛИ (радиовидение). Полученное по экспериментальным данным выражение для вероятности [c.126]

ОБУЧЕНИЕ РАСПОЗНАВАНИЮ ОБРАЗОВ - процесс изменения параметров распознающей системы или решающей функции на основании экспериментальных данных с целью улучшения качества распознавания. Применяют в тех случаях, когда имеющиеся априорные сведения о распознаваемых объектах или, точнее, о множествах сигналов, принадлежащих к одному классу, недостаточно полны, чтобы по ним найти определенную решающую функцию. Экспериментальные данные обычно имеют вид обучающей выборки, представляющей собой конечное множество наблюдавшихся значений сигналов, причем для каждой реализации указан класс, к которому она должна быть отнесена. На основании этих данных необходимо выбрать решающую функцию, классифицирующую сигналы из выборки в соответствии с указанными для них классами. Подобный выбор решающей функции с помощью выборки имеет практический смысл лишь тогда, когда можно на основании тех или иных отображений рассчитать, что выбранная функция будет осуществлять правильную классификацию также и для значений сигнала, не представленных в обучающей выборке, но наблюдаемых при тех же условиях, при которых была получена выборка. Наиболее важным при этом является вопрос о том, что считать правильной классификацией. Дпя того, чтобы это понятие имело смысл, необходимо предположить, что объективно существует некоторая закономерность, в соответствии с которой появляется сигнал, соответствующий кажцому из классов. Обычно предполагают, что сигнал является многомерной случайной величиной и каждый класс характеризуется вполне определенным распределением вероятностей. Существуют два различных подхода к обучению, различающиеся прежде всего по характеру сведений об указанных распределениях вероятностей. Параметрический подход применяют в тех случаях, когда эти распределения известны с точностью до значений некоторых параметров. Например, известно, что распределение сигнала для каждого класса является нормальным распределением с независимыми компонентами и с неизвестным средним, которое является неизвестным параметром. Тогда задача обучения, называемая парамет- [c.47]

Распознающее правило, представленное в форме бинарнодревовидной д. н. ф., будем называть последовательным распознающим правилом, а реализующий его граф типа дерево классов — распознающим графом. Процесс распознавания на таком дереве классов представляет собой последовательное раскрытие узлов графа, т. е. определение значений соответствующих предикатов на распознаваемом объекте. Любая ветвь на распознающем графе, соответствующая последовательности раскрытых узлов, приводит (с определенной вероятностью) к тому или иному классу. [c.244]

Построение системы независимых признаков и выбор главных диагностических признаков. Известно, что при распознавании образов наиболее полезными признаками являются те, которые инвариантны (нечувствительны) к изменению изображения внутри образа, но резко изменяются при переходе от одного образа к другому. Целесообразно истолковывать признаки как систему случайных чисел с вероятностной точки зрения. Каждый из признаков, характеризующих состояние объекта диагностики, при измерении может принимать случайные значения как в результате погрешностей измерения, так и в результате разброса параметров самих объектов и их состояний, принадлежащих одному классу. Поэтому при распознавании необходимо принимать во внимание не только значение того или иного признака, но и вероятность его получения. Это необходимо для выбора из множества возможных признаков состояния минимального числа наиболее важных признаков, которые мало изменяются от изображения к изображению данного образа, т. е. имеют наименьшую дисперсию в пределах образа. Однако jf TanoBHTb, какие признаки обладают минимальной дисперсией, можно только, если они независимы и, следовательно, их корреляционная матрица К йиагональна. [c.410]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...