Порядок выполнения работы. 1. Ознакомление с теоретической частью лабораторной работы. .

 

1. Ознакомление с теоретической частью лабораторной работы.

2. Реализация алгоритма Максимина.

3. Оформление отчета по выполненному заданию.

 

В обучении без «учителя» автоматическое устройство самостоятельно устанавливает классы, на которые делится исходное множество, и одновременно определяет присущие им признаки. Для разделения данных необходимо определить критерии. При таком разделении не известны ни классы, ни их количество, ни признаки. Поэтому процесс организуется так, чтобы среди всех
возможных вариантов группировок найти такой, когда группы обладают
наибольшей компактностью.

Системы, обучающиеся без «учителя», называют самообучающимися. Для
них характерна недостаточность информации, по которой выполняется описание классов, определен только словарь признаков распознавания. Чтобы организовать процесс обучения, задается некоторый набор правил, в соответствии с которым система сама вырабатывает классификацию. У самообучающихся систем существует период самообучения, когда ей предъявляются объекты обучающей последовательности, только не указывается принадлежность их к каким-либо классам. Необходимым минимумом информации для построения самообучающихся систем являются данные для назначения словаря признаков, без этого не создается ни одна система. На рис. 2 приведена функциональная схема самообучающейся системы распознавания, где ОС – объекты самообучения, ПК – правила классификации, АФК – алгоритм формирования классов, а остальные элементы совпадают с блоками в системе с «учителем».

 

решение по классификации тестовых объектов

Рис. 2. Самообучающаяся система распознавания

В качестве примера метода распознавания объектов в самообучающихся системах рассмотрим алгоритм Максимина. Цель алгоритма заключается в поиске представительных элементов каждого класса исходя из произвольного выбора. Все объекты представляются векторами X(i), составляющие которых { X_k(i) }.

Алгоритм Максимина

1-й шаг. Произвольно выбирается первый элемент N₁=X(1) из множества векторов X={X(1), X(2), X(3)…X(V)}. Затем определяются другие ядра N₂, N₃…N_m, число m которых заранее не известно.

2-й шаг. Вычисляются расстояния Ядро N₂ выбирается следующим образом:

3-й шаг. Вычисляются расстояния между остальными точками и имеющимися ядрами: среди которых находятся наименьшие (пока имеется два минимума).

4-й шаг. Ищется максимальное расстояние среди всех минимальных расстояний – значение Если то создается дополнительное ядро , такое, что (Новое ядро вводится по следующим соображениям. N₁ и N₂ отнесены к разным классам, а минимальное расстояние от одного из векторов X до одного из ядер больше половины расстояния между ними, следовательно, этот Х не относится ни к одному из существующих ядер и становится еще одним ядром).

5-й шаг. Выполняется распределение объектов по классам с учетом нового ядра. Сравнение производится с половиной средней величины расстояний между ядрами. Процедура заканчивается, если все максимальные значения минимальных расстояний ниже этого порога. К этому моменту выявляется число классов l и их ядра N₁, N₂ … N_l. Алгоритм заканчивается, когда количество классов перестает изменяться.