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.
MLPHandle (input_control) class_mlp → (handle)
Handle des MLP.
Features (input_control) real-array → (real)
Merkmalsvektor.
Num (input_control) integer-array → (integer)
Anzahl der zu bestimmenden besten Klassen.
Defaultwert: 1
Wertevorschläge: 1, 2, 3, 4, 5
Class (output_control) integer(-array) → (integer)
Ergebnis der Klassifikation des Merkmalsvektors durch das MLP.
Confidence (output_control) real(-array) → (real)
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