ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2012
96
сятся логические решающие правила, основанные на детерминиро-
ванных моделях.
Скалярные методы основаны на гипотезе о сопоставимости абсо-
лютных значений объединяемых величин и часто представляют со-
бой приближение явных методов, а также их частные случаи при
наложении ограничений на вид вероятностных распределений, зави-
симость объединяемых данных и др.
Неявные методы основаны на подходе к объединяемым величи-
нам как к вектору признаков некоторого пространства и на формаль-
ном построении классификатора в этом пространстве признаков.
С помощью методов интеграции информации уровня признаков
строятся классификаторы в пространстве, получаемом при объедине-
нии разнородных признаков, являющихся, например, результатами
применения разных операторов к одним и тем же данным или раз-
личных методов сбора данных о распознаваемом объекте.
В методах интеграции информации уровня степеней схожести
используются не сами признаки, а значения степеней схожести клас-
сифицируемого объекта с объектами обучающей выборки. При этом
класс в обучающей выборке может задаваться одним или нескольки-
ми объектами-эталонами. Алгоритмы, относящиеся к данному уров-
ню, называют метрическими.
Методы интеграции информации уровня решений представляют
собой объединение откликов базовых классификаторов в виде
наименований классов и (или) степеней уверенности в них. Соответ-
ствующие методы называют методами мультиклассификации. В ка-
честве базовых классификаторов могут применяться любые алгорит-
мы классификации. Разработка и исследование методов и алгоритмов
мультиклассификации относятся к ключевым проблемам современ-
ной теории распознавания образов [12].
Явные методы и алгоритмы мультиклассификации.
В зави-
симости от модели неопределенности явные методы мультикласси-
фикации подразделяют на вероятностные методы (байесовские мето-
ды и методы теории Демпстера – Шефера) и нечеткие методы (мето-
ды теории нечетких множеств и нечеткой логики).
Откликом базовых классификаторов в байесовских методах мо-
гут быть номера классов и (или) их апостериорные вероятности.
В методах теории Демпстера – Шефера откликом базового классифи-
катора является так называемое свидетельство в пользу некоторого
решения (класса) или группы решений (классов) и степень доверия к
этому свидетельству. В методах теории нечетких множеств отклика-
ми базовых классификаторов являются степени принадлежности рас-
познаваемого объекта к рассматриваемым классам.
Статистически оптимальное правило объединения решений ба-
зовых классификаторов по критерию минимизации среднего риска