classify_class_mlpT_classify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp (Operator)

Name

classify_class_mlpT_classify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp — Berechnen der Klasse eines Merkmalsvektors durch ein mehrschichtiges Perzeptron.

Signatur

Beschreibung

classify_class_mlpclassify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp berechnet mit dem durch MLPHandleMLPHandleMLPHandleMLPHandleMLPHandleMLPHandle gegebenen mehrschichtigen Perzeptron (MLP) die NumNumNumNumNumnum besten Klassen des Merkmalsvektors FeaturesFeaturesFeaturesFeaturesFeaturesfeatures und gibt die Klassen in ClassClassClassClassClassclassVal und die zugehörigen Konfidenzen (Wahrscheinlichkeiten) der Klassen in ConfidenceConfidenceConfidenceConfidenceConfidenceconfidence zurück. Das MLP muss vor der Verwendung von classify_class_mlpclassify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp mit train_class_mlptrain_class_mlpTrainClassMlptrain_class_mlpTrainClassMlpTrainClassMlp trainiert werden.

classify_class_mlpclassify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp kann nur aufgerufen werden, falls das MLP als Klassifikator mit OutputFunction = 'softmax'"softmax""softmax""softmax""softmax""softmax" verwendet wird (siehe create_class_mlpcreate_class_mlpCreateClassMlpcreate_class_mlpCreateClassMlpCreateClassMlp). Ansonsten wird eine Fehlermeldung zurückgeliefert. classify_class_mlpclassify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp entspricht dem Aufruf von evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlp und der zusätzlichen Bestimmung der besten NumNumNumNumNumnum Klassen. Wie bei evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlp beschrieben, können die Ausgabewerte des MLP als Wahrscheinlichkeiten des Auftretens der jeweiligen Klasse interpretiert werden. Hier wird aber die a-posteriori-Wahrscheinlichkeit ClassProbClassProbClassProbClassProbClassProbclassProb weiter als ClassProbClassProbClassProbClassProbClassProbclassProb = p(i|x)/p(x) normalisiert, wobei p(i|x) und p(x) wie bei evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmm definiert sind. Im Normalfall, sollte es ausreichend sein, NumNumNumNumNumnum = 1 zu verwenden, um zu entscheiden, ob die Wahrscheinlichkeit der besten Klasse des Merkmalsvektors hoch genug ist. In manchen Anwendungen kann es aber auch interessant sein, die zweitbeste Klasse zu betrachten (NumNumNumNumNumnum = 2), insbesondere, wenn zu erwarten ist, dass sich die Klassen signifikant überlappen.

Parallelisierung

• Multithreading-Typ: reentrant (läuft parallel zu nicht-exklusiven Operatoren).
• Multithreading-Bereich: global (kann von jedem Thread aufgerufen werden).
• Wird ohne Parallelisierung verarbeitet.

Parameter

Ergebnis

Sind die Parameterwerte korrekt, dann liefert classify_class_mlpclassify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.

Vorgänger

train_class_mlptrain_class_mlpTrainClassMlptrain_class_mlpTrainClassMlpTrainClassMlp, read_class_mlpread_class_mlpReadClassMlpread_class_mlpReadClassMlpReadClassMlp

Alternativen

evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlp

Siehe auch

create_class_mlpcreate_class_mlpCreateClassMlpcreate_class_mlpCreateClassMlpCreateClassMlp

Literatur

Christopher M. Bishop: „Neural Networks for Pattern Recognition“; Oxford University Press, Oxford; 1995.
Andrew Webb: „Statistical Pattern Recognition“; Arnold, London; 1999.

Modul

Foundation