2.1.1. Постановка задачи
На вход системе поступают изображения с выделенными границами грибов. По полученным изображениям необходимо сформировать правила, по которым система будет определять принадлежность пикселя изображения к границе гриба. Правила строятся на основе информационных признаков. Определение множества информационных признаков включает в себя подготовку обучающей и контролирующей выборки для последующего корреляционного анализа. На выходе получим значение, которое будет указывать на принадлежность точки на изображении гриба к границе. Обозначения приведены в таблице 1.
Таблица 1. Обозначения
Обозначение | Название | Диапазон значений переменной |
j | Номер признака | 1, n |
j признак | ||
Обучающая выборка | ||
a | Параметры функции u | |
i | Номер опыта | i = 1,m |
ri | Значение коэффициента корреляции | |
xij | Значение j-го признака в i-ом элементе выборки | |
О | Множество объектов выборки | |
С0 ,С1 | Классы объектов | |
е | Целевая функция | |
Xj | вариация j-го признака |
Пусть имеются экспериментально найденные значения случайных величин координат граничных точек и точек, лежащих вне границы X = (x1, x2,…xn)и Y=( y1,y2,…yn).
По следующей формуле находим значения парного коэффициента корреляции.
Таким образом, выявляем зависимость между случайными величинами для выявления наиболее информационных признаков для классификации.
Если коэффициент корреляции принимает значения близкие к 1, то значит, между значениями имеется зависимость (-1 обратная зависимость). Если коэффициент корреляции равен 0, то значит, что значения являются независимыми, но это не является признаком отсутствия или присутствия зависимости.
Классификация представляет собой отнесение объекта к одному из заранее известных классов.
Пусть дано множество объектов О = { o } и n мерное пространство признаков X : X = X 1 ´ X 2 ´ … Xn , где Xj – множество значений j–ого признака, j =1, n.
Каждый объект oÎО задан точкой x в n мерном пространстве признаков X : m : О « X , x = m ( o ), o = m -1 ( X ), где x = ( x 1 , x 2 ,… xn ) – вектор значений признаков объекта o , xij Î Xj , j = 1, n .
Рассмотрим два класса объектов С0 и С1: O = С0 È С1, С0 Ç С1 = Æ.
Необходимо каждый объект отнести к одному из двух классов С0 или С1, т. е. должна быть задана функция
Если известна функция y = u ( x ):
то k (0) = u ( m ( o )), o Î О.
Необходимо оценить функцию u ( x ) определить ее вид и параметры (а).
Задача определения функции u ( x ) состоит в поиске параметров a функции u *: y * = u *( x , a ), y* Î [0,1], при которой минимизируется значение погрешности для каждого элемента заданной обучающей выборки V = {( xi , yi )} , где
yi = u ( xi ) – значение функции, полученное в результате проведения i-го опыта( i =1, s ; j =1, n ),
xi = ( xi 1 , xi 2 ,… xin ) – элемент выборки, xij – значение j-го признака в i-ом элементе выборки (результата i-го опыта), причем
xij Î Xj , где Xj – вариация j-го признака ( i = 1, m , j = 1, n ):
В качестве оценочной функции используется полином второго порядка y *= u *( x , a ):
, где a = (a00, a01, a02, …, a0n, a11, a12, …, a1n, a22, a23, …, ann)
Значение полинома на i-ом элементе обучающей выборки (i=1,m):
Таким образом, мы получаем функцию для оценки значений обучающей выборки.
Окончательная формулировка задачи: необходимо определить множество информационных признаков объекта и значения полинома, найти параметры a функции u *, при которой минимизируется значение погрешности для каждого элемента заданной обучающей выборки V .
2.2. Использование системы для определения границ изображения.
2.2.1. Постановка задачи
На основе полинома второго порядка, определенного ранее, необходимо построить характеристическую функцию g1(xi, a), определяющую принятие решение об отнесении пикселя изображения к фону или грибу. Таблица 2 содержит список обозначений.
Таблица 2. Обозначения
Обозначение | Название | Диапазон значений переменной |
Характеристическая функция | [0;1] | |
Полином | ||
i признак | ||
i | Номер признака | 1, n |
Параметр | ||
Порог принятия решений | 0-1 | |
Функция | [0;1] |
На основе полученного полинома
формируем принятие решения об отнесении объекта к классу.
Для этого строим характеристическую функцию g 0 ( xi , a ), определяющую принятие решения об отнесении объекта oi ( oi = m -1 ( xi )) к классу C 0:
Аналогично строится характеристическая функция g 1 ( xi , a ), определяющая принятие решения об отнесении объекта oi ( oi = m -1 ( xi )) к классу C 1:
h может быть равен 0,5, но на практике его значения подбираются для того, чтобы количество ошибочных решений было минимальным.
Ошибки первого и второго рода:
1. ;
2. .
Окончательная формулировка задачи: необходимо подобрать такой h, при котором минимизируются ошибки I и II рода.
Дата: 2018-12-28, просмотров: 429.