Page 42 - 39

Якщо в образi, який розпiзнають, початкова ознака не
вказана i не спiвпадає з початковою ознакою еталону,
то задачу слiд розв’язувати стiльки раз, скiльки
елементiв у векторi ознак, вибираючи за початкову
ознаку всi елементи почергово i не порушуючи їх
послiдовностi.
В даний час не iснує загальної теорiї, яка б
дозволила визначити, якi методи розпiзнавання слiд
використати до тих чи iнших образiв. Тому в приведених
нижче експериментальних дослiдженнях використовувався
найпростiший класифiкатор, що базується на використаннi
алгоритму мiнiмальної евклiдової вiдстанi. Наша задача
включає M класiв, що представленi еталонними образами
z 1, z 2, ...z m, M=6. Евклiдова вiдстань мiж довiльним
вектором x i вектором еталонного образу z визначають як
вiдстань

,
D  x  z  ( x  z) ( x  z ) , (4.13)
i i i

де x - вектор ознак образу, що класифiкується; z i-
вектор ознак еталона; штрих означає транспонування.
Класифiкатор, що побудований на мiнiмумi вiдстанi
D, яка означає вiдстань, що вiддiляє образ x вiд
кожного з еталонiв. Отже образ зараховується в той
клас, до еталону якого вiн найближче. Функцiю розв’язку
для даного класифiкатора знаходять з пiдкореневого
виразу в (4.13)

2 ’ ’ ’ ’ ’ ’
D i =x x-2x z i+z i z i=x x-2(x z i-1/2z i z i). (4.14)

Отже, функцiя розв’язку має вигляд.

’
’
d i(x)=x z i-1/2(z iz i), (4.15)
i=1,2,..., M.

Можна сказати, що образ вiдноситься до того еталону,
для якого функцiя (4.15) досягає максимального
значення.
Вважають, що система розпiзнавання R 1 краща нiж R 2,
якщо iмовiрнiсть помилитись для системи R 1 менша нiж для
системи R 2. Якщо задано M класiв образiв  1,  2, ... m .
n - датчикiв видають iнформацiю про кожен об’єкт у
,
виглядi векторiв x=(x 1,x 2,...,x n) . При цьому кожен
датчик видає певну характеристику. Якщо припуcтити, що
iмовiрнiсть появи образу того чи iншого класу