Классификатор параллельное соединение

Параллельное соединение бинарных классификаторов образов [c.90]

На рис. 4.5 иллюстрируется параллельное соединение бинарных классификаторов образов для определения числа атомов углерода на том же массиве данных, что и в предыдущем случае. При таком расположении каждый бинарный классификатор относит векторы к одной из двух категорий, в зависимости от уровня порога. Положительная категория состоит из векторов образов с числом атомов углерода, превосходящим порог, а отрицательная — из векторов с числом атомов углерода не больше порога. Классификаторе порогом 7, например, обучали таким образом, чтобы он давал положительное скалярное произведение для векторов с числами атомов углерода, равными 8, 9 и 10, и отрицательное — для векторов с числом атолюв углерода не меньше 7. [c.91]

Чтобы отнести вектор образа к одной из т категорий, как при параллельном соединении классификаторов, так и при соединении по схеме дерева, требуется т—1 бинарный классификатор. Другой метод состоит в том, чтобы использовать п классификаторов, где так что при представлении результата каждой классификации нулем или единицей полученное двоичное число означало бы десятичный номер соответствующей категории. До восьми категорий можно описать при помощи трехразрядного двоичного числа d 2di. Например, ООС категория 1 (Сд), 001= категория [c.93]

В схеме параллельного соединения подавляющее большинство неправильных классификаций было следствием единственной ошибки в одном из 6—7 бинарных классификаторов. Действительно, для углеводородов все неправильные классификации были как раз такого рода. Здесь число неверных классификаций равнялось числу ошибочных решений, принимавшихся бинарными классификаторами. Десять ошибок пришлось на границу между нулем и единицей в двоичном слове, в двух случаях нуль попал между единицами (никакое решение не принималось). Для полного массива исходных данных 10 из 96 неверных классификаций были следствием более чем одной ошибки бинарных классификаторов. Нуль между единицами встретился три раза. Эти результаты согласуются с общим принципом, согласно которому число ошибок, допускаемых любым набором бинарных классификаторов, не может быть больше суммы двоичных ошибок и меньше числа ошибок лучшего бинарного классификатора. [c.97]

Использование весовых векторов, обученных принимать параллельные решения при ветвящейся классификации, улучшает результаты прогнозирования на обоих массивах данных. Те два спектра из массива углеводородов, для которых нуль оказался между единицами при параллельном соединении классификаторов, были правильно классифицированы этой схемой. Это можно объяснить удачным выбором точек ветвления. При ином выборе (если бы, например, точка ветвления 1 отделяла векторы с числами атомов углерода 10, 9, 8 и 7 от векторов с числами атомов углерода 6, 5 и 4) ветвящаяся схема дала бы такие же результаты, что и параллельное соединение. В случае полного массива спектров один из трех векторов с нулями между единицами был классифицирован правильно. Таким образом, поскольку ветвящаяся схема использует при каждой классификации не все бинарные классификаторы, достигаемая ею прогнозирующая способность не хуже, чем при параллельном соединении классификаторов для одинаковых весовых векторов и одной и той же контрольной выборки. [c.97]

Двоичный код с исправлением ошибок, параллельное соединение и ветвящаяся схема требуют наличия шести бинарных классификаторов, если массив данных необходимо разбить на восемь категорий. При расширении масштабов классификации, например за счет новых категорий по числу атомов водорода и углерода в соединениях менее ограниченного массива данных, двоичные коды предпочтительнее, поскольку эта схема проще и способна обеспечить высшую прогнозирующую способность, так как можно использовать мини- [c.99]

Ряд бинарных классификаторов можно соединять параллельно с возрастанием порогов. Например, при классификации углеводородов, содержащих от 4 до 10 атомов углерода, по схеме, приведенной на рис. 4.4. Сначала соединения, содержащие от 4 до 7 атомов углерода, относили к одной категории, а соединения, с числом атомов от 8 до 10 — к другой. Затем эти категории подразделяли, согласно схеме дерева, изображенной на рис. 4.4. Другой способ состоит в том, чтобы расположить 6 классификаторов так, как это показано [c.90]

При обучении бинарных классификаторов объекты обучающей выборки выгодно распределять равномерно между положительной и отрицательной категориями, чтобы исключить систематические отклонения при классификации. В этом отношении параллельный метод имеет большой недостаток. Как видно из табл. 4.18, кроме средних порогов, распределение объектов по категориям является в принципе неравномерным, особенно для первого и последнего порогов. Для ветвящейся схемы положительная и отрицательная категории комплектуются равномернее (табл. 4.19), поскольку некоторые объекты отбрасываются в процессе отбора. Что же касается бинарного метода, то здесь обучение каждого классификатора проводится на всей обучающей выборке с балансированным распределением объектов между положительной и отрицательной категориями (табл. 4.20). Более того, по мере того как число категорий возрастает, например по числу возможных атомов углерода в молекуле, распределение приближается к оптимальному (50%-ному) уровню даже в тех случаях, когда спектры исходного массива распределяются по соединениям с разным числом атомов углерода довольно неравномерно. [c.99]

Среди фавитационных противоточных классификаторов наибольшее распространение получили аппараты Zigzag фирмы Альпине (Мультиплекс Zigzag MZM и MZF). Аппарат представляет собой набор параллельно соединенных колонок, одна из которых показана на рис. 2.3.12, а. Производительность такого аппарата по исходному материалу достигает 200 т/ч. Его отличают малый износ корпуса, защита от перегрузок, низкая чувствительность характеристик процесса к гранулометрическому составу исходного материала, возможность плавного регулирования граничного размера дроссельными заслонками, высокие надеж- [c.168]

Нейронную сеть можно рассматривать как набор простых процессоров, соединенных многочисленными взаимными связями. Процессоры обладают внутренней памятью на простые операции, приобретенной в результате первоначального обучения (training). Обычно в структуре нейронных сетей выделяют отдельные слои, а параллельный характер сетей делает их пригодными для решения многопараметрических задач, в том числе, в качестве классификаторов образов. [c.172]

Справочник химика 21

Химия и химическая технология