classify_class_gmmT_classify_class_gmmClassifyClassGmmClassifyClassGmm (Operator)
Name
classify_class_gmmT_classify_class_gmmClassifyClassGmmClassifyClassGmm
— Berechnen der Klasse eines Merkmalsvektors durch ein Gaussian
Mixture Model.
Signatur
void ClassifyClassGmm(const HTuple& GMMHandle, const HTuple& Features, const HTuple& Num, HTuple* ClassID, HTuple* ClassProb, HTuple* Density, HTuple* KSigmaProb)
HTuple HClassGmm::ClassifyClassGmm(const HTuple& Features, Hlong Num, HTuple* ClassProb, HTuple* Density, HTuple* KSigmaProb) const
static void HOperatorSet.ClassifyClassGmm(HTuple GMMHandle, HTuple features, HTuple num, out HTuple classID, out HTuple classProb, out HTuple density, out HTuple KSigmaProb)
HTuple HClassGmm.ClassifyClassGmm(HTuple features, int num, out HTuple classProb, out HTuple density, out HTuple KSigmaProb)
Beschreibung
classify_class_gmmclassify_class_gmmClassifyClassGmmClassifyClassGmmClassifyClassGmm
berechnet mit dem durch
GMMHandleGMMHandleGMMHandleGMMHandleGMMHandle
gegebenen Gaussian Mixture Model (GMM) die
NumNumNumNumnum
besten Klassen des Merkmalsvektors FeaturesFeaturesFeaturesFeaturesfeatures
und gibt die Klassen in ClassIDClassIDClassIDClassIDclassID
und die zugehörigen
Wahrscheinlichkeiten der Klassen in ClassProbClassProbClassProbClassProbclassProb
zurück. Das
GMM muss vor der Verwendung von classify_class_gmmclassify_class_gmmClassifyClassGmmClassifyClassGmmClassifyClassGmm
mit
train_class_gmmtrain_class_gmmTrainClassGmmTrainClassGmmTrainClassGmm
trainiert werden.
classify_class_gmmclassify_class_gmmClassifyClassGmmClassifyClassGmmClassifyClassGmm
entspricht dem Aufruf von
evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmmEvaluateClassGmm
und der zusätzlichen Bestimmung der
besten NumNumNumNumnum
Klassen. Wie bei evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmmEvaluateClassGmm
beschrieben, können die Ausgabewerte ClassProbClassProbClassProbClassProbclassProb
des GMM als
Wahrscheinlichkeiten des Auftretens der jeweiligen Klasse
interpretiert werden.
Im Normalfall, sollte es ausreichend
sein, NumNumNumNumnum
= 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 (NumNumNumNumnum
=
2), insbesondere, wenn zu erwarten ist, dass sich die
Klassen signifikant überlappen.
Die Parameter DensityDensityDensityDensitydensity
und KSigmaProbKSigmaProbKSigmaProbKSigmaProbKSigmaProb
sind bei
evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmmEvaluateClassGmm
beschrieben.
Ausführungsinformationen
- Multithreading-Typ: reentrant (läuft parallel zu nicht-exklusiven Operatoren).
- Multithreading-Bereich: global (kann von jedem Thread aufgerufen werden).
- Wird ohne Parallelisierung verarbeitet.
Parameter
GMMHandleGMMHandleGMMHandleGMMHandleGMMHandle
(input_control) class_gmm →
HClassGmm, HTupleHTupleHtuple (handle) (IntPtr) (HHandle) (handle)
Handle des GMM.
FeaturesFeaturesFeaturesFeaturesfeatures
(input_control) real-array →
HTupleHTupleHtuple (real) (double) (double) (double)
Merkmalsvektor.
NumNumNumNumnum
(input_control) integer →
HTupleHTupleHtuple (integer) (int / long) (Hlong) (Hlong)
Anzahl der zu bestimmenden besten Klassen.
Defaultwert: 1
Wertevorschläge: 1, 2, 3, 4, 5
ClassIDClassIDClassIDClassIDclassID
(output_control) integer(-array) →
HTupleHTupleHtuple (integer) (int / long) (Hlong) (Hlong)
Ergebnis der Klassifikation des Merkmalsvektors
durch das GMM.
ClassProbClassProbClassProbClassProbclassProb
(output_control) real-array →
HTupleHTupleHtuple (real) (double) (double) (double)
Die a-posteriori-Klassenwahrscheinlichkeit.
DensityDensityDensityDensitydensity
(output_control) real-array →
HTupleHTupleHtuple (real) (double) (double) (double)
Wahrscheinlichkeitsdichte des Merkmalsvektors.
KSigmaProbKSigmaProbKSigmaProbKSigmaProbKSigmaProb
(output_control) real-array →
HTupleHTupleHtuple (real) (double) (double) (double)
Normalisierte k-Sigma-Wahrscheinlichkeit für
den Merkmalsvektor.
Ergebnis
Sind die Parameterwerte korrekt, dann liefert
classify_class_gmmclassify_class_gmmClassifyClassGmmClassifyClassGmmClassifyClassGmm
den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine
Fehlerbehandlung durchgeführt.
Vorgänger
train_class_gmmtrain_class_gmmTrainClassGmmTrainClassGmmTrainClassGmm
,
read_class_gmmread_class_gmmReadClassGmmReadClassGmmReadClassGmm
Alternativen
evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmmEvaluateClassGmm
Siehe auch
create_class_gmmcreate_class_gmmCreateClassGmmCreateClassGmmCreateClassGmm
Literatur
Christopher M. Bishop: „Neural Networks for Pattern Recognition“;
Oxford University Press, Oxford; 1995.
Mario A.T. Figueiredo: „Unsupervised Learning of Finite Mixture
Models“; IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. 24, No. 3; March 2002.
Modul
Foundation