Классификатор линейный

Язык /Ш5 — фреймовый ЯПЗ также поддерживающий МПЗ, в виде ПП. KMS состоит из набора подсистем, каждая из которых использует собственные МПЗ и процедуры вывода. Основные свойства дедукция, основанная на ПП статистический классификатор образов, использующий теорему Байеса линейный дискриминант и другие оценивающие функции, а также получение вывода, основанного на ФР [7]. [c.239]

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]

Дальнейшее развитие методов распознавания связано с использованием линейного классификатора и его различных модификаций. Идея метода заключается в построении вектора W (линейного классификатора), скалярное произведение которого на векторы х (масс-спектры) одного класса положительно, э на векторы другого класса — отрицательно. [c.47]

Для определения предсказательной способности классификатора используются элементы из распознаваемых классов, не входящие в обучающую выборку (экзаменационная выборка . На примере различных классов органических соединений исследовалась предсказательная способность линейного классификатора. Правильность распознавания неизвестных соединений возрастала с увеличением объема обучающей выборки и снижалась с уменьшением числа вводимых параметров. [c.47]

Для исследований был принят четырехступенчатый каскадный противоточный классификатор с пересыпными полками, имеющий постоянное соотнощение сторон в сечении 6/а—0,7 и постоянный шаг между полками Л/ э=1,21. Опыты проводились на пяти аппаратах, все линейные размеры которых были строго геометрически подобны (табл. 11). [c.168]

Сохранить информацию в векторе образа в таком виде, который обеспечивает эффективное действие линейного классификатора, если это возможно. [c.13]

Из непараметрических бинарных классификаторов широко исследован пороговый логический элемент. Кроме векторов образов обучающей выборки подстраиваемыми параметрами логических элементов являются только их линейные коэффициенты, определяемые в процессе обучения. Адаптивный пороговый логический элемент снабжается устройством для регистрации показаний по отношению к точно известному воздействию (объекту), т. е. способностью изменения своих параметров для того, чтобы реакция была верной. Обычно пороговые логические элементы можно подстраивать только на стадии конструирования. Подробно характеристики пороговых логических элементов рассматриваются в гл. 2. Пороговые логические элементы, соединенные во взаимосвязанные цепи, используют- [c.16]

СЯ в усовершенствованных классификаторах, известных как кусочно линейные и послойные. [c.17]

Хотя наибольшее распространение получили линейные пороговые логические элементы, в качестве бинарных классификаторов образов могут применяться пороговые логические элементы с любой другой функциональной зависимостью ответа. Необходимо только, чтобы они надежно отличали образы одного интересующего нас класса от образов другого. [c.23]

Настоящая глава посвящена рассмотрению ряда примеров линейной препроцессорной обработки химических данных, при которых сохраняется размерность пространства изображений. Поскольку данн ю стадию нельзя рассматривать отдельно от всей системы классификации образов, при сопоставлении различных подходов к препроцессорной обработке приходится обращаться к общим рабочим характеристикам бинарного классификатора. Поэтому в настоящей главе приведены некоторые рабочие характеристики распознающих систем в целом. Однако объем сведений, обстоятельно излагаемых в последующих главах, сведен к минимуму. В начальных разделах данной главы рассмотрена препроцессорная обработка данных, заимствованных из одного источника, т. е. характеризующихся тесной взаимосвязью замеров. В последующих же разделах главное внимание уделено препроцессорной обработке разрозненных данных, т. е. заимствованных из разных источников и полученных в ходе самостоятельных, не связанных между собой измерений. [c.30]

Среди разнообразных разделяющих функций самой простой в применении и потому наиболее распространенной в химии является линейная разделяющая функция. Как отмечалось выше, линейная разделяющая функция эквивалентна некоторой весовой функции, при умножении которой на вектор образа получается скалярный результат. Несмотря на то что принципиально возможна множественная классификация, самым простым классификатором служит бинарное устройство, дающее один из двух альтернативных ответов. При использовании для бинарной классификации линейной разделяющей функции удобно определять принадлежность образа к одному из двух классов по знаку скаляра. [c.45]

Большая часть настоящей главы посвящена результатам применения линейных бинарных классификаторов для решения задач расшифровки химических данных. В остальных разделах главы рассмотрены вопросы нелинейной и множественной классификации. [c.45]

Таким образом, какую бы классификационную схему мы ни выбрали, она сама должна в той или иной форме оценивать распределение неизвестных масс-спектров на основе совокупности известных спектров. Линейный бинарный классификатор делает это при помощи решающей поверхности, эффективно делящей многомерное пространство изображений масс-спектров на два интересующих нас класса. Затем такой классификатор используется для классификации неизвестных спектров. Эту математическую процедуру химики обычно на практике не применяют, но по существу она сводится к предсказанию новых ответов на базе прошлой практики. Поэтому [c.47]

Другой метод использования нескольких пороговых элементов для принятия бинарного решения изложен в работе [10]. В этом исследовании набор одновременно действующих линейных пороговых элементов образовывал кусочно линейный классификатор. [c.80]

Интересная возможность проверить кусочно линейный классификатор и его способность усложняться по мере необходимости представилась в задаче обнаружения двойной связи С=С, которая является важной структурной особенностью. В молекуле того или иного соединения двойная связь может реализоваться несколькими интересными способами. Простой бинарный классификатор не дает хорошей сходимости при обучении в этой задаче даже после нескольких тысяч коррекций через обратную связь, а прогнозирующаяся способность результирующего весового вектора составляет 75%. Результаты обучения кусочно линейного классификатора приведены в табл. 4.16, где указаны значения т и а, число классификаций в процессе обучения, число коррекций, число понадобившихся весовых векторов и, наконец, прогнозирующая способность обученного классификатора. Приведенные в этой таблице данные [c.85]

Характеристики самогенерирующего кусочно линейного классификатора в задаче о двойной связи углерод — углерод [c.86]

Кусочно линейные классификаторы можно использовать при классификации на несколько категорий. Эксперименты подобного рода описаны в работе [10]. Опыты проводились на том же массиве масс-спектров низкого разрешения, о котором речь шла в предыдущем разделе при описании кусочно линейных классификаторов. [c.100]

В табл. 4.21 приведены результаты обучения кусочно линейного классификатора по величине отношения числа атомов углерода к числу атомов водорода (категории 2л+2, 2п, 2п—2, 2л—4, 2п- 6). Результаты сравнивались с характеристиками бинарного классификатора. Прогнозирующая способность кусочно линейного классификатора для многих категорий, усредненная по пяти опытам, составляла 97,2%. При разбиении на индивидуальные категории прогнозирующая способность изменялась от 98,3% для категории 2л+2 до 92,4% для категории 2л—4. Как показал сравнительный анализ, результаты для пяти бинарных классификаторов, построенных независимо для каждого конкретного значения С Н, были хуже, особенно для малочисленных категорий. Так, например, хотя бинарный классификатор, отделяющий соединения категории 2л—4 [c.100]

В табл. 6.2 обобщены результаты такой процедуры классификации на присутствие кислорода. Классификатор образов здесь должен обучаться выявлению присутствия кислорода в любой функциональной группе в составе соединения, масс-спектр которого является объектом классификации. В первой колонке перечислены обозначения трех обучающих выборок, использованных в опытах. Во второй и третьей колонках таблицы приведены данные о числе линейных положений mie и числе перекрестных членов, вводимых в классификатор. В четвертой колонке — данные о числе коррекций через обратную связь, необходимых для достижения полного (100%-ного) распознавания каждое из двух чисел относится к одному из двух дублирующих опытов, которые были проведены с разными исходными весовыми векторами (первый для компонент, равных + 1, а второй для компонент, равных—1). В пятой колонке приведены данные о показателе скорости сходимости, достигаемом при введении перекрестных членов. Этот показатель выражается отношением общего числа коррекций через обратную связь при обучении с перекрестными членами к их общему числу при обучении только на линейных членах. Таким образом, если данный показатель равен единице, то скорость сходимости не изменяется. Когда же он равен 0,5, сходимость при обучении с перекрестными членами [c.144]

При обучении классификации на присутствие кислорода в составе соединения программа выделения линейных признаков сокращала число положений mie от 132 до 95. При наличии 95 положений классификатор образов быстро сходился к полному распознаванию, при этом прогнозирующая способность составила 97,7, 98,1 и 98,7%. С введением 27 перекрестных членов (тех же, что и в табл. 6.1) характеристики классификаторов образов изменялись. В опытах с обучением классификации на присутствие кислорода показатель скорости сходимости находился в интервале 0,54—0,77. Такой значительный выигрыш в сходимости свидетельствует о том, что отобранные перекрестные члены сильно коррелировали с присутствием или отсутствием кислорода в составе соединения. В случае обучающих выборок Б н В прогнозирующая способность очень мало изменялась при введении перекрестных членов, а для выборки А она немного снижалась. Анализ данных, приведенных в восьмой колонке, показывает, что классификаторы образов при введении перекрестных членов дают меньше отказов, чем при распознавании только по линейным признакам. Данные, представленные в последней колонке, указывают на то, что программа отбора признаков исключает во всех случаях введения перекрестных членов больше линейных дескрипторов, чем при обучении только на линейных членах. Как показала программа отбора признаков, почти все перекрестные члены были полезными при классификации. [c.146]

Применительно к классификации образов преобразованные данные содержат ту же информацию, но в форме, упрощающей задачу создания классификатора или способствующей ее решению линейными методами. Теперь мы должны показать, как использовать быстрое преобразование Фурье (БПФ) при классификации образов по действительным данным (масс-спектрам низкого разрешения) и как применять усредняющее свойство этого преобразования для сокращения размерности. [c.148]

Бинарный классификатор образов создают в несколько последовательных этапов. Сначала из массива данных выбирают ту или иную молекулу (соединение). Затем, исходя из ее пространственной структуры, химик набрасывает от руки плоскую (двумерную) структуру данной молекулы. Третий этап предполагает контрольное сопоставление такой двумерной схемы с перечнем заранее выбранных дескрипторов. Завершив кодирование всех соединений в виде векторов образов, приступают к построению бинарного классификатора образов по принципу обучающейся машины. Если образы обучающей выборки удовлетворяют требованию линейной разделимости, то при помощи обыкновенной программы отбора [c.174]

Усредненные атомные параметры были использованы в качестве признаков для прогнозирования катализаторов разложения перекиси водорода с помощью линейного бинарного классификатора с ненулевым порогом. Обучающая последовательность состояла из 93 сплавов серебра или золота с металлами VHI группы. Правильно было классифицировано 85 % катализаторов, что, повидимому, является максимально достижимым значением при работе с этим алгоритмом. Прогноз проводился для 33 катализаторов. Прогнозирующая способность оказалась несколько ниже классифицирующей и составила 80 %. [c.155]

Дальнейшее развитие получили за последние годы упоминавшиеся уже попытки заменить название линейным шифром. Все предложенные в этой области до настоящего времени системы 184, 209, 348—350] стремятся записать структурную формулу в виде условного шифра, пользуясь обычными знаками элементов и цифрами в комбинации со специальными условными знаками. Достоинства и недостатки отдельных систем шифрования неоднократно обсуждались в литературе [351—361]. Однако практического применения эти системы пока еще не получили, хотя они несомненно могут иметь значение для механического сортирования при помощи машин-классификаторов. В то же время очевидно, что это — особая область, имеющая лишь косвенное отношение к номенклатуре шифр — не название, он никогда не войдет в печатный текст или в устную речь вместо названий. [c.116]

При остановке классификатора спираль с помощью механизма 5 приподнимается, а при пуске — опускается. С этой целью соединение спирали 7 с приводом 8 выполнено шарнирно через ось 9. Угол наклона корыта, высота сливного порога и число оборотов спирали являются основными факторами, влияющими на эффективность классификации и производительность аппарата. С увеличением угла наклона корыта производительность по крупному продукту несколько падает, а крупность частиц в сливе возрастает. С повышением числа оборотов спирали производительность классификатора по крупному продукту возрастает, причем эта зависимость линейная. [c.97]

Каждый элемент вектора представляет одну физически измеряемую величину. В фазе предварительной обработки измерения преобразуются различными способами при помощи математических методов, предназначенных для минимизации несущественной информации в первоначальных данных при сохранении достаточного объема информации, позволяющего провести распределение по классам образов. Часто преобразования позволяют усилить (выделить) те характеристики, которые могут быть наиболее полезны при классификации неизвестных величин. Иногда преобразования приводят к появлению новых характеристик, например, путем умножения каждого элемента вектора образа на весовой множитель или построения линейной комбинации первоначальных измерений. В других методах векторы образов могут быть объектом анализа главной компоненты разложения Карунена — Лоэва [129] для сжатия данных либо объектом преобразования Фурье или Адамара. Следующая, третья, стадия включает выбор наиболее полезных для классификации характеристик. Используя минимальное число характеристик, можно снизить стоимость классификации. Следовательно, на этой стадии необходимо исключить как можно больше характеристик, но без отрицательных последствий для качества классификации. Преобразованные образы классифицируются на конечной стадии процесса распознавания. На этом этапе используется классификатор для отнесения данных к классам, основанным на применении некоторого решающего правила. Классификации обычно всегда проводятся при рассмотрении положения образов в гиперпространстве, образованном с использованием каждой из характеристик в виде оси координат [130]. Наиболее [c.396]

Все типы применяемых в настоящее время классификаторов по принципу действия можно разделить на три группы центробежные гравитационные линейно-инерционные. Классификаторы последнего типа весьма интересны и нахв-дятся пока еще в стадии разработок. [c.19]

При разработке рассматриваемого кусочно линейного классификатора преследовалась цель создания простого средства для внутреннего генерирования новых весовых векторов по мере необходимости непосредстЕенно в процессе обучения. Авторы исследования надеялись тем самым создать довольно простое классифицирующее устройство, уровень сложности которого обеспечивал бы только получение нужного решения. Любой классификатор заданной сложности, обучение которого производится по методу исправления ошибок через обратную связь, обнаруживает колеблющееся поведение, когда перед ним ставят неразрешимую задачу. Например, классификатор, использующий единстЕенную линейную разделяющую функцию, никогда не сможет решить задачу, представленную на рис. 4.1. В этом случае положение единственной решающей поверхности долго испытывало бы значительные колебания. Естественно поэтому искать пути обнаружения подобных колебаний, свидетельствующих о необходимости усложнения решающей поверхности. [c.83]

Как отмечалось в гл. 1, цель любой процедуры распознавания образов — преобразование пространства образов в классифицирующее пространство, т. е. осуществление таких преобразований данных, которые переводят их в нужные категории. Эту задачу можно трактовать как отображение пространства (й + 1)-й размерности в пространство гораздо меньшей размерности, чаще всего в одномерное. Линейные классификаторы образов, оперирующие с каждым измерением независимо, были довольно подробно рассмотрены в предыдущих главах настоящей книги. Однако во многих случаях точки образов не обладают свойством линейной разделимости. Успешное решение задачи классификации образов в подобных ситуациях требует либо использования решающей поверхности более высокого порядка, либо такого преобразования исходных данных, которое превращает их в линейно разделимое множество. (Это утверждение предполагает, что неразделимость отражает истинную природу исходных данных, а не является просто следствием неадекватности дескрипторов и т. п.). [c.136]

Применение методов распознавания образов в масс-спектрометрии на первых порах почти всегда проводилось с использованием пороговых логических элементов. Такие распознающие системы принадлежат к категории линейных систем, поскольку масс-спектрометрические пики считаются в данном случае не зависящими друг от друга. Между тем теория масс-спектрометрии, равно как и фундаментальные основы классификации образов, позволяют предположить, что при подобной классификации можно было бы успешно использовать взаимодействия второго порядка (перекрестные члены, учитывающие зависимости между пиками). В статье [2] сообщается об использовании меры подобия к данным масс-спектро-метрии низкого разрешения для вывода перекрестных членов двух типов внутригрупповых (для объектов одной выборки) и межгруп-повых (для объектов нескольких выборок). Показано, что для полученных таким образом межгрупповых перекрестных членов существует большая вероятность корреляции с теми молекулярными признаками, которые можно положить в основу разбиения на категории. Это предположение было реализовано в виде классификаторов образов на пороговых логических элементах, проверявшихся на нескольких выборках масс-спектрометрических данных. Как оказалось, перекрестные члены расширяют возможности систем классификации образов либо ускоряя сходимость, либо повышая прогнозирующую способность этих систем, либо же обеспечивая и то и другое одновременно. [c.138]

Простейшим распознающим алгоритмом, основанным на геометрическом подходе к рещению задачи, является бинарный линейный классификатор. Его действие сводится к поиску гиперплоскости, определяющей разделение объектов на два класса. К сожалению, линейная разде.тимость объектов на классы реализуется лишь в редких случаях. Чаще границы классов имеют более сложное строение. В таких ситуациях простой линейный классификатор оказывается неприменим. Частично этот недостаток алгоритма удается преодолеть, перейдя от разделяющей плоскости к пластине конечной толщины и, считая, что объекты, попавшие внутрь нее, не поддаются классификации. Толщина такой пластины называется порогом, а сам алгоритм — линейным классификатором с ненулевым порогом. Еще более гибким является кусочно-линейный классификатор, представляющий такое обобщение линейного классификатора, в котором разделяющая поверхность образуется набором плоскостей. [c.148]

Линейные классификаторы нашли широкое применение и оказались весьма эффективными для решения ряда задач распознавания, в том числе и в химии. К алгоритмам этого типа сводится большое число более сложных бинарных классификаторов, в которых решающие поверхнэсти не являются линейными, а задаются другими функциями. В случае использования любого из перечисленных алгоритмов, разбиение объектов на три и более классов достигается после- [c.148]

Такими характеристиками являются квантовые числа, орбитальные ионизационные пэтенциалы, средние радиусы орбит и т. д. В качестве признаков можно применять также усредненные значения целых степеней некоторых из перечисленных характеристик. Этот прием, с одной стороны, придает большую гибкость процедуре обучения, так как использование подобных характеристик эквивалентно переходу от линейного классификатора к классификатору более высокого порядка. С другой стороны, использование усредненных степеней признаков, иными словами — моментов признаков, позволяет в определенной мере отклониться от чисто аддитивной схемы расчета оценки параметров многокомпонентного катализатора. [c.155]

Представляет большой интерес найти метод, дающий количественный показатель разделительной способности аппарата. Этим методом может служить сравнение классификаторов по кривым разделения, как это показано на рис. 16. Аффинные преобразования кривых разделения в полулогарифмических координатах в зависимости от критерия Фруда приводят к линейной зависимости, инвариантной граничной крупности и составу исходного питания. Положение этих прямых относительно анаморфизо-ванных осей координат содержит полную информацию о процессе разделения и разделительной способности агрегата. Ее положение полностью описывается двумя параметрами к и Ргд. [c.88]

Справочник химика 21

Химия и химическая технология