Page 42 - 169

1 T e  2 
H x ( i x , i  j )   log 2  G xx  j 8  g xx  j , (3.36)

T  j 1  2 
G  j
де: g xx  j  xx – нормована модульна функція автокореляції,
 
x
що може бути ефективно використано на практиці в задачах ідентифікації
станів джерел інформації.
Даний клас моделей, по відношенню до кореляційних, здійснюють
інтегральну оцінку імовірності переходів між станами і завдяки представленню
в логарифмічному просторі забезпечують менші об’єми даних.

Кластерні моделі

Складні багатоканальні давачі інформації з великою кількістю станів та
переходами між ними відповідно мають такі ж складні моделі, які
відображають їх переходи в різні стани. Переважно ці моделі будуються у
вигляді графів, вершини якого позначають стани давачів інформації, а дуги –
переходи з стану в стан.
Для спрощення подання та відображення поведінки давачів інформації
використовуються кластерні моделі. Кластеризація може бути проведена по
переходах давачів інформації між станами (дугам графу) і по самих станах
(вершинах графу).
Кластеризація по переходах базується на матриці ймовірностей переходу
з стану ( S ) в стан (S ):
j
i
 p 11 p 21  p i1  p n1 
 
  
 p p  p  p  , (3.37)
 j 1 j 2 ij nj 
  
 p p  p  p 
 1 m 2 m im nm 
де:
N
P  ij , N – кількість переходів S  S ,
ij
ij
i
j
N
N – загальна кількість переходів за час спостереження (T ).
Далі задається критичний коефіцієнт значимості ( ), при чому 0   1 і всі
переходи S  S , в яких p ij   , вважаються несуттєвими.
i
j
Нехай, для прикладу, матриця (3.37) має розмірність 4  :
4
 p 11 p 12 p 13 p 14 
 
 p 21 p 22 p 23 p 24  p 21  ,  p 14  , 
 p p p p  і p  ,  p  . 
 31 32 33 34  42 34
 
 p 41 p 42 p 43 p 44 