Главная > Разное > Последовательные методы в распознавании образов и обучении машин
<< Предыдущий параграф
Следующий параграф >>
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

1.7. Заключение

В этой главе описана задача распознавания образов. В общем случае она распадается на две задачи, а именно измерение признаков и классификацию. Кратко изложено несколько способов классификации образов, в том числе детерминистский метод разделяющей функции, метод фиксированного объема выборок и способ последовательных статистических решений.

Когда должна учитываться стоимость осуществления измерений признаков, а это необходимо в большинстве практических задач, метод последовательных решений оказывается особенно заманчивым. При отсутствии полных априорных данных, необходимых для построения оптимальной системы распознавания, важную роль приобретает обучение при распознавании образов. Определено несколько схем обучения с поощрением и без поощрения.

Из-за ограниченного объема монографии не рассмотрено несколько других методов распознавания образов [24—31]. В последнее время было предложено несколько новых процедур обучения для линейных и кусочно-линейных

классификаторов. Кофорд и Гронер [32] предложили для линейных классификаторов процедуру обучения, основанную на критерии наименьшей среднеквадратичной ошибки. Дуда и Фоссум [33] выдвинули идею процедуры обучения с коррекцией ошибки для кусочно-линейных классификаторов, однако не доказали ее сходимость. Были предложены процедуры обучения [34—36], в которых вместо последовательного поступления обучающих образов образы подаются в группах. В общем случае процедуры обучения группами образов сходятся к оптимальному весовому вектору за меньшее число итераций, чем процедуры обучения с последовательной подачей одиночных образов. Однако это достигается за счет увеличения объема вычислений и объема памяти.

Литература

(см. скан)

(см. скан)

(см. скан)

<< Предыдущий параграф Следующий параграф >>
Оглавление