Решающее правило

Различные постановки ЗПР и математические методы их решения отличаются в построении оценок неопределенности связей альтернатива—исход, а также в выборе решающего правила для получения некоторого подмножества целесообразных стратегий. С этой точки зрения характерные особенности применения методологии нечетких множеств для ЗПР обсуждены в [20]. [c.36]

К настоящему времени разработано и реализовано на ЭВМ множество алгоритмов, соответствующая библиография насчитывает сотни работ. Основная задача теории распознавания образов состоит в выработке решающего правила, позволяющего относить объекты к соответствующему классу. [c.242]

Метод коллективного распознавания предполагает объединение различных методов в единый коллектив (систему), обладающий способностью формировать общее решение на основе частных решений. Пусть имеется подмножество методов С1 где V — множество реализованных в системе методов. Каждый метод на основе своего решающего правила [c.81]

Первый уровень образуют три эталона переключений исходной траектории параметра. Второй уровень составляют прототипы переключений для траекторий первичных признаков — три прототипа на каждый полюс эталона первого уровня. Третий уровень составляют эталоны переключений для траекторий вторичных признаков и т. до уровня, в котором эталоны формируют свои полюса по траекториям признаков, содержащим 1, 2, 3,. . ., пг кодов, где т — заданное число, начиная с которого (в сторону уменьшения) знак полюса выбирается согласно следуюш ей таблице решающих правил (табл. 2.7). [c.126]

Решающее правило выбора знака полюса [c.126]

Как и в других отраслях знания, в химии и химической технологии не все образы имеют четкие границы, и в силу этого используемые программы распознавания не всегда могут гарантировать безошибочную классификацию. Основная задача теории распознавания образов состоит в выработке решающих правил, позволяющих относить опознаваемые объекты к тому или другому образу (классу). Исходной информацией для построения решающего правила является обучающая последовательность или обучающая выборка, которая содержит представительный набор объектов разных классов. [c.89]

Качество результатов распознавания обеспечивается качеством решающего правила, найденного в ходе обучения. Качество распознавания оценивается посредством подсчета частоты ошибок, допущенных при распознавании принадлежности к классу объектов, не использованных при обучении (так называемая экзаменационная выборка). Обычно в распоряжении исследователя в виде исходной имеется только одна выборка. Она случайным образом делится несколько раз на обучающую и экзаменационную последовательности. Полученные из нескольких выборок результаты усредняются. [c.89]

Исходной информацией для построения решающего правила является обучающая последовательность, содержащая представительный набор объектов разных классов (обучающая выборка). Если для каждого объекта задается информация о его принадлежности к конкретному классу, то возникает задача обучения распознаванию образов. При отсутствии указаний о принадлежности объектов к тем или иным классам возникает проблема самообучения. [c.242]

Таким образом, обучение машины распознаванию образов складывается из нескольких стадий описания объектов выбора типа решающего правила обучения распознаванию (определение изменяемых параметров решающего правила) оценки качества полученного правила. [c.243]

В процессе обучения система должна научиться отображать входные данные в правильные классы. Кроме того производится обучение системы (путем корректировки решающего правила) отображать в правильные классы все возможные входные сигналы, не принадлежащие к обучающей выборке. [c.244]

Метод коллективного распознавания — следующий шаг на пути совершенствования иерархических систем распознавания (и не только распознавания, но и задач моделирования, оптимизации и т. п.). Предложен синтез и обучение иерархическому использованию алгоритмов с учетом специфики решаемой задачи. Решающее правило должно быть адекватно решаемой задаче распознавания. [c.263]

Из приведенного здесь обзора методов ясно, что выбор такого решающего правила чрезвычайно затруднен ввиду большого многообразия алгоритмов и правил распознавания, разработанных к настоящему времени. Проверка условий применимости не всегда возможна и обычно связана с большими вычислительными затратами. Поэтому объединение различных решающих правил в коллектив позволяет наилучшим образом использовать особенности этих алгоритмов и решающих правил. [c.263]

Коллективом решающих правил можно назвать некоторое конечное подмножество множества всех возможных решающих правил и, и а и, Я = (I = 1, 2,. .., Ц, образованное для выработки коллективного решения — это /-е решающее правило. Вид коллективного решения конкретизируется типом задачи, решаемой данным коллективом. Коллективное решение и индивидуальные решения, принимаемые членами этого коллектива, связаны с распознаванием и состоят в отнесении некоторой ситуации или объекта X к одному из классов или множеств Лу / = 1,2..... J. [c.263]

Ситуация X характеризуется вектором параметров или признаков X = .....Хп - Величину Ь назовем порядком коллектива решающих правил. [c.263]

Формально задача принятия коллективного решения состоит в следующем если З — индивидуальные решения, принимаемые членами коллектива с помощью решающих правил / [, то коллектив-н ое решение принимается как некоторая функция индивидуальных р ешений [c.263]

Однако основной недостаток алгоритмов голосования (VI.31) состоит в независимости весов р г от ситуации X, а также в том, что при усреднении может возникнуть ошибка за счет ошибки большинства членов коллектива. Поэтому вводится зависимость веса Цг от распознаваемой ситуации X Хг = Ц (X). Это основное положение коллектива решающих правил, при этом рассматривается зависимость [c.264]

Подставляя выражение (VI.33) в алгоритм голосования (VI.31), получаем, что решение коллектива решающих правил 5 определяется решением того правила Ri, к области компетентности которого Bi принадлежит распознаваемая ситуация X S = Si. [c.264]

Основное в процедуре — обучение распознаванию областей компетентности Б, решающих правил коллектива Это требует привлечения классических алгоритмов обучения. Но собранный случайным образом коллектив решающих правил будет содержать и мало- и некомпетентные члены или решающие правила. Нужно такие правила заменить на компетентные, поэтому должна существовать возможность выбора новых членов коллектива из некоторого множества решающих правил. [c.265]

Таким образом, должен существовать генератор решающих правил и, кроме того, необходимо иметь алгоритм замены старых правил новыми. Другими словами, необходима постановка задачи оптимизации коллектива решающих правил. [c.265]

В одноэтапных задачах решение представляет собой детерминированный вектор, определенный до наблюдения случайных параметров условий на основе априорной оценки ситуации, или решающее правило, позволяющее вычислить численное значение решения в зависимости от реализованных значений случайных исходных данных. В зависимости от содержания решение стохастической задачи определяется в чистых или смешанных стратегиях. В чистых стратегиях механизм решения является детерминированным и определяет решение в виде вектора или вектор-функции, зависящей от случайных исходных данных. Смешанная стратегия использует случайный механизм решения и определяет решающие распределения. [c.54]

Решающие распределения определяют решение задачи (3.1)-(3.4) в виде вероятностных распределений компонент оптимального плана X, а решающее правило - в виде вектор-функций д , зависимых или независимых от реализации случайных параметров условий задачи. [c.56]

В зависимости от последовательности чередования процедур решение или наблюдение решающие правила и решающие распределения определяются априорной или априорной и апостериорной информацией. [c.56]

Априорные решающие правила многоэтапной задачи (3.14)-(3.16) соответствуют последовательности решение — наблюдение — решение — наблюдение-...-решение и имеют вид =лг,(о) - ) (1=2, 3,..., Т). В задачах этого класса решение X] выбирается на основе априорной оценки начального состояния среды соо. а решение гo этапа принимается после реализации случайных параметров условий на предьщущем (1- 1)-м этапе. [c.59]

Решающее правило строится в зависимости от значений элементов объединенного вектора Ь, ограничений на плановые задания, на сырье и на мощности. Для этого построен классификатор, являющийся линейной функцией элементов б], и в зависимости от ее знака определяется допустимость или недопустимость предлагаемого варианта задания (ограничений). [c.206]

Оценки нечеткости параметров, которые иногда называют степенями их размытости или функциями принадлежности к некоторым нечетким множествам, служат гипотетической основой для разработки решающих правил при оценке нечетко определенных ситуаций. [c.65]

Наряду с эффективностью следует отметить некоторые ограничения относительную сложность получения и систематизации первичной качественной информации, проверки ее достоверности трудность выбора решающих правил, представляемых в виде условных предложений, для синтеза нечетких регуляторов сложность вычислительных процедур при решении многомерных задач. Ряд ограничений возникает из-за недостаточного развития теоретических методов, в частности оценки достоверности на начальных этапах исследования первичной качественной информации, изучения устойчивости синтезируемых нечетких регуляторов, выявления эффективности декомпозиции многомерных нечетких отношений на бинарные в случае моделирования систем, представляемых сложными диаграммами взаимных влияний параметров, и других. [c.236]

При конкретизации задачи и устранении нечеткости формулируют обобщенный КЭ Fа (х) и решающее правило. Для случая, когда локальные КЭ i/, х) измеряются в одной шкале, [c.242]

Случай 2. Пусть Du задано таким образом, что локальные критерии упорядочены по предпочтению L (х), U (х),. . ., (а )-В этом случае решающее правило можно представить [c.242]

Решающее правило должно обеспечить выбор стратегии с максимально ожидаемой полезностью [c.243]

При известных оценках в) имеем ЗПР в условиях риска, т. е. задачу подкласса <ЗПР>2. В данном случае решающее правило имеет вид [c.244]

Критерий Вальда, иначе называемый критерием осторожного наблюдателя , оптимизирует ожидаемую полезность от принятия решения в предположении, что внешние возмущения принимают самые невыгодные для ЛПР значения. Для этого случая решающее правило имеет вид [c.244]

Функция к (ri/y) называется условным риском. Очевидно, что при наблюдении конкретного значения у решение г можно выбрать так, чтобы свести к минимуму условные риски. Это возможно достичь при использовании байесовской решающей процедуры, согласно которой на основе априорных вероятностей Р (Oj) устанавливается байесовское решающее вравило, минимизирующее общий риск. Решающее правило есть функция г (у), которая устанавливает, какое следует принять решение при любом из возможных результатов наблюдений, т. е. для любого / решающая функция г (г/) принимает одно из дискретного множества значений г , г ,. . ., г . [c.74]

I, Ь Ь — число выбранных в подмножество методов распознавания) формирует индивидуальное решение (г = 1, Ь). Тогда коллективное решение формируется как функция индивидуальных решений Л = Ф ( г, , г = 1, Ь). Следует учитывать, что в Н = Ф ( ) каждое индивидуальное решение может входить с определенным весом. Вес определяется как методом, так и видом распознаваемой ситуации. Сформированное подмножество методов будет содержать как эффективные, так и неэффективные методы. Поэтому необходимо в системе распознавания предусмотреть процедуру оптимизации коллектива — алгоритмы селекции. Для решения этой задачи предлагается применение неформальных приемов — эвристик, в качестве которых могут выступать метод, прием, правило или стратегия [44]. Проведенные сравнительные оценки метода коллективного голосования с известными методами (минимума расстояния до средних, потенциальных функций, Байеса и т. п.) показали его преимущества [45]. Следовательно, одним из путей иовышення эф( ективности применения методов теории распознавания, является реализация системного принципа синтеза решающих правил (принятие решений) на основе метода коллективного распознавания. [c.81]

R(x)=0, если l Pi f(Xi, Хг x e Ai) > P f(Xi, Хг) i x e Aj) где R(x)- решающее правило, относящее веетор Х= х-, Х к диагнозу [c.34]

Задача стохастического программирования (3.1) —(3.3) в зависимости от вида целевого функционала (3.1) преобразуется в одноэтапную -модель с вероятностными ограничениями, одноэтапную Р-модель с вероятностными ограничениями, одноэтапную Лмодель со смешанными условиями (для решения этих моделей используются априорные или апостериорные решающие правила) либо в одноэтапную задачу с построчными вероятностными ограничениями и решающими правилами нулевого порядка. [c.57]

Таким образом, в постановке (3.14)-(3.16) вычисление конкретных значений Х требует информации о реализациях состояния среды, имевшихся до этого на / - 1 интервалах времени. С точки зрения обеспечения конечных результатов производства на текущих и календарных отрезках времени и ориентации персонала на соблюдение программной траектории функционирования производственной системы, решающее правило Xt=X (oJ ) носит несколько пассивный характер, так как на промежуточных отрезках времени задающие воздействия носят случайный недирективный характер. [c.59]

Справочник химика 21

Химия и химическая технология