отбирается набор тестовыхпоследовательностей — подмножество
T
,
а остальные используются как набор классифицирующихпоследова-
тельностей — подмножество
L
. Затем для каждой
{
S
i
}
из
T
вычисля-
ется мера похожести этой последовательности на последовательности
подмножества
L
и выбирается та, значение меры которой оказалось
наибольшим. Если классы тестовой последовательности и найденной
последовательности совпали, то этот опыт считается удачным, если
классы оказались различны, то счетчик ошибок
N
err
увеличивается на
единицу. Затем вычисляется доля ошибочныхраспознаваний согласно
следующей формуле:
ρ
=
N
err
M
,
(3)
где
N
err
— число ошибочныхраспознаваний;
M
— число проведенных
экспериментов (мощность множества
T
)
. Чем меньше значение
ρ
, тем
более выразительной считается предложенная функция.
При проведении сравнительныхоценок были рассмотрены три на-
бора последовательностей:
1) пять различныхслов (классов), записанныхнесколькими (5. . . 7)
дикторами;
2) десять различныхслов (классов), записанныхдругими (5. . . 7)
дикторами;
3) взяты десять различныхслов, для каждого из которыхгенери-
руется 4 искаженныхпоследовательности посредством внесения про-
странственных(шумов) и временных(растяжение/сжатие) аберраций.
Расчеты доли ошибочныхраспознаваний
ρ
(3)
для указанныхнабо-
ров данныхсодержатся в табл. 1.
Таблица 1
Значения доли ошибочных распознаваний
ρ
для различных методов расчета
меры близости и для различных тестовых последовательностей
Методы расчета
Тестовые последовательности
ASL (5 классов) ASL (10 классов) Данные ASL + шум
Евклидова мера
0,01
0,05
0,38
LCSS (
d
= 20
,
e
= 0
,
1
)
0,01
0,08
0,32
MBRMeasure
λ
= 5
,
δ
= 0
,
05
)
0,04
0,10
0,25
При работе с набором последовательностей из 5. . . 10 классов вид-
но, что евклидова мера более выразительна, однако при внесении
возмущений, связанныхс изменением частоты дискретизации (растя-
жений/сжатий), ее избирательность хуже избирательности функции
110 ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2007. № 2
