емента
х.
Этот вектор будем называть образом объекта
х.
Вместо ис
ходного множества объектов будем рассматривать множество их обра
зов. Так получается пространство образов обозначаемое Q. Заданные
подмножества будем обозначать/!/,...,
Ат
с
О,
и называть классами. В
этих терминах задача распознавания образов формулируется просто —
классифицировать заданный образ.
Один из простейших и наиболее эвристических подходов к распоз
наванию образов — использование для классификации функций рас
стояния. Выбор функций расстояния в качестве инструмента класси
фикации является естественным следствием того обстоятельства, что
наиболее очевидный способ введения меры сходства для векторов об
разов — определение их близости. В этой методике класс задается од
ним или несколькими образами называемыми эталонами.
Образы любого из рассматриваемых классов проявляют тенденцию
к тесной группировке вокруг некоторого образа, являющегося типич
ным, или репрезентативным, для соответствующего класса, m классов
представлены с помощью эталонных образов
y t, yj,
... ,
ут .
Евклидово
расстояние между произвольным вектором образа
х
и /-м эталоном
определяется следующим выражением:
Классификатор, построенный по принципу минимума расстояния,
вычисляет расстояние, отделяющее классифицируемый образ
х
от эта
лона каждого класса, и зачисляет этот образ в класс, оказавшийся
ближайшим к нему. Другими словами, jcq4„ если
dt<dj\
Vy=l,m;
j*L
Случаи равенства расстояния разрешаются произвольным образом.
В ряде случаев более удобно ввести меру сходства:
представляющую собой косинус угла образованного векторами
х
и
у
и
достигающую максимума, когда их направления совпадают. Этой ме
рой сходства удобно пользоваться в тех случаях, когда классы обнару
живают тенденцию располагаться вдоль радиальных осей.
Когда рассматриваются двоичные образы, и их элементы принима
ют значения из множества {0, 1}, то функции сходства можно дать не
геометрическую интерпретацию. Если ху= 1, то считается, что двоич
ный образ
х
обладаету-м признаком. В таком случае член
(х,у)
просто
30