| Operatoren |
classify_class_mlp — Berechnen der Klasse eines Merkmalsvektors durch ein mehrschichtiges Perzeptron.
classify_class_mlp( : : MLPHandle, Features, Num : Class, Confidence)
classify_class_mlp berechnet mit dem durch MLPHandle gegebenen mehrschichtigen Perzeptron (MLP) die Num besten Klassen des Merkmalsvektors Features und gibt die Klassen in Class und die zugehörigen Konfidenzen (Wahrscheinlichkeiten) der Klassen in Confidence zurück. Das MLP muss vor der Verwendung von classify_class_mlp mit train_class_mlp trainiert werden.
classify_class_mlp kann nur aufgerufen werden, falls das MLP als Klassifikator mit OutputFunction = 'softmax' verwendet wird (siehe create_class_mlp). Ansonsten wird eine Fehlermeldung zurückgeliefert. classify_class_mlp entspricht dem Aufruf von evaluate_class_mlp und der zusätzlichen Bestimmung der besten Num Klassen. Wie bei evaluate_class_mlp beschrieben, können die Ausgabewerte des MLP als Wahrscheinlichkeiten des Auftretens der jeweiligen Klasse interpretiert werden. Hier wird aber die a-posteriori-Wahrscheinlichkeit ClassProb weiter als ClassProb = p(i|x)/p(x) normalisiert, wobei p(i|x) und p(x) wie bei evaluate_class_gmm definiert sind. Im Normalfall, sollte es ausreichend sein, Num = 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 (Num = 2), insbesondere, wenn zu erwarten ist, dass sich die Klassen signifikant überlappen.
Handle des MLP.
Merkmalsvektor.
Anzahl der zu bestimmenden besten Klassen.
Defaultwert: 1
Wertevorschläge: 1, 2, 3, 4, 5
Ergebnis der Klassifikation des Merkmalsvektors durch das MLP.
Konfidenz(en) der Klasse(n) des Merkmalsvektors.
Sind die Parameterwerte korrekt, dann liefert classify_class_mlp den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.
train_class_mlp, read_class_mlp
apply_dl_classifier, evaluate_class_mlp
Christopher M. Bishop: „Neural Networks for Pattern Recognition“;
Oxford University Press, Oxford; 1995.
Andrew Webb: „Statistical Pattern Recognition“; Arnold, London;
1999.
Foundation
| Operatoren |