Проектирование электроснабжения коттеджных поселков, квартир, коттеджей
разработка проектов ТП, КТП, РТП 6 (10, 35 кВ) / 0.4 кВ
По запросу на info@k-volt.ru предоставляем технико-коммерческое предложение на проектирование электроснабжения объекта в течении 3-х рабочих дней.

Методы автоматического определения работоспособности объектов в процессе их эксплуатации - 2

Одним из широко распространенных методов, применяемых в теории распознавания образов, является метод сравнения с эталоном. При этом под эталоном j-го класса понимается некоторый «средний» представитель этого класса, описание которого усреднено относительно всех векторов данного класса. Тогда сравнение классифицируемого состояния с эталоном эквивалентно оценке степени сходства между вектором эталона j-го класса и классифицируемым вектором. Так как при этом распознаются векторы одной и той же физической природы с качественно подобными признаками, все сведения о принадлежности конкретной реализации {Xi} к одному из распознаваемых классов Sj могут быть получены на основе знаний условных вероятностей Р(xi/Sj) совпадения предъявленной реализации с описанием соответствующего эталона каждого из классов.

Практическое использование указанного подхода затрудняется требованием априорного знания условных вероятностей Р(xi/Sj), поэтому при отсутствии априорной информации о распределении классифицируемых признаков возникает необходимость ее восполнения, что связано с обработкой значительного количества реализаций для получения статистически достоверных результатов. Требуемый объем выборки оценивается с точки зрения ее представительности при заданной допустимой ошибке и мере риска . Если, например, вероятность совпадения частоты конкретного значения признака, найденной по выборке, с частотой в генеральной совокупности должна быть равна 0,95 при погрешности <= 0,01, то объем выборки составляет 9603 реализации.

Для выбора метода распознавания решающее значение имеет вид априорной неопределенности, для преодоления которой используется обучение системы распознавания Если на основе априорной информации хотя бы приближенно можно установить вид закона распределения совокупности выборочных значений, то априорная неопределенность будет относиться лишь к параметрам этого распределения. Тогда целью обучения становится получение оценок этих параметров, и применяемые методы распознавания относят к параметрическим методам.

Наиболее общий случай характеризуется отсутствием информации даже о самом законе распределения наблюдаемой совокупности выборочных значений (непараметрическая неопределенность), поэтому применяемые в этом случае методы называют непараметрическими. В настоящее время при непараметрическом оценивании в основном используют гистограммный метод, метод Парзена, метод разложения по базисным функциям, метод полигонов Смирнова, метод локального оценивания по K — ближайшим соседям, а также ряд специальных методов нелинейного оценивания.

Практическое применение непараметрических алгоритмов адаптивного распознавания ограничивается из-за существенных вычислительных затрат и технических трудностей их реализации на ЭВМ. В связи с этим возрос интерес к разработке приближенных непараметрических алгоритмов обучения и распознавания, несколько уступающих по своему качеству общим параметрическим методам, но существенно более простых и удобных для практической реализации. В этих методах используются свойства вероятностных характеристик выбросов (количество пересечений определенного уровня, длительность выбросов, время достижения заданных границ, время пребывания в области значений и др.) случайных процессов и тот факт, что распределения указанных характеристик известным образом выражаются через многомерные плотности вероятности случайного процесса и его производных.