Page 15 - 4196

цьому використовуються розбіжність вибірки за мірами
однорідності, факторний аналіз, метод головних компо-
нент, метод сумішей. Обидва підходи - «внутрішній» та
«зовнішній» - можуть застосовуватися сумісно.
Якщо за принцип класифікації прийняти спосіб
отримання та об’єм інформації про об’єкти класифікації,
то системи розпізнавання умовно можна розподілити на
системи без навчання, з навчанням та самонавчанням.
Системи без навчання. В системах цього типу пер-
винної інформації достатньо для того, щоби визначити
p
кількість класів, вибрати вид та розподіл ознак   в

x
кожному класі або об’єм вихідної інформації дозволяє
знайти цей розподіл шляхом обробки вихідних даних.
Системи з навчанням. В цих системах на початко-
вому етапі організується процедура навчання, мета якої –
визначення розділяючи функцій на базі еталонних даних
з відомою класифікацією. На наступному етапі класифі-
каційні функції перевіряються на ефективність («екзаме-
нуються») шляхом проведення класифікації контрольної
групи еталонних даних.
Самонавчальні системи. В системах з самонавчан-
ням відсутня попередня апріорна інформація про кіль-
кість класів і задача полягає в розділенні вихідних даних
на окремі однорідні частини, віднесені до різних класів.
Для цієї мети користуються методами кластер-аналізу
або апроксимацію сумішами. Процес розщеплення міша-
ної вибірки і побудова розподілів для отриманих класів
називається генерацією гіпотез.
В залежності від характеру інформації про ознаки
виділяють системи розпізнавання – детерміновані, ймо-
вірнісні, логічні, структурні (лінгвістичні) та комбінова-
ні.
В детермінованих системах для побудови алгорит-
мів розпізнавання використовують «геометричні» міри
близькості віддалі між об’єктом розпізнавання та етало-
нами класів, заданих координатами.
В ймовірнісних системах використовують алгорит-
ми класифікації, які базуються на теорії статичних рі-
шень. При цьому передбачається наявність відмінностей

15