get_prep_info_class_gmm
— Berechnen des Informationsgehaltes der vorverarbeiteten
Merkmalsvektoren eines GMM.
get_prep_info_class_gmm( : : GMMHandle, Preprocessing : InformationCont, CumInformationCont)
get_prep_info_class_gmm
berechnet den Informationsgehalt der
mit der durch Preprocessing
gegebenen Vorverarbeitung
transformierten Komponenten der Trainingsvektoren.
Preprocessing
kann auf 'principal_components' oder
'canonical_variates' gesetzt werden. Die zugrundeliegenden
Vorverarbeitungen sind bei create_class_gmm
beschrieben.
Der Informationsgehalt wird aus die Variation der transformierten
Komponenten der Trainingsvektoren berechnet, d.h. er wird rein
aufgrund der Trainingsdaten unabhängig von einer Fehlerrate bei
einer Klassifikation der Trainingsdaten berechnet. Der
Informationsgehalt wird für alle relevanten Komponenten der
transformierten Merkmalsvektoren (NumComponents
für
'principal_components' und 'canonical_variates' ,
siehe create_class_gmm
) in InformationCont
zurückgegeben. Der Informationsgehalt wird als eine Zahl zwischen 0
und 1 dargestellt. Ein prozentualer Informationsgehalt kann leicht
durch Multiplikation mit 100 berechnet werden. Der kumulierte
Informationsgehalt der ersten n Komponenten wird in der n-ten
Komponente von CumInformationCont
zurückgegeben, d.h.
CumInformationCont
enthält die Summen der ersten n
Elemente von InformationCont
. Um
get_prep_info_class_gmm
verwenden zu können, müssen mit
add_sample_class_gmm
oder read_samples_class_gmm
genügend viele Trainingsmuster zu dem durch GMMHandle
gegebenen GMM hinzugefügt werden.
InformationCont
und CumInformationCont
können dazu
verwendet werden, um zu entscheiden, wie viele Komponenten der
transformierten Merkmalsvektoren relevante Information enthalten.
Ein oft verwendetes Kriterium ist z.B. zu verlangen, dass die
transformierten Daten x% (z.B. 90%) der Daten enthalten sollten.
Dies kann leicht anhand des ersten Wertes von
CumInformationCont
, der über x% liegt, bestimmt werden.
Der so erhaltene Wert kann bei einem neuerlichen Aufruf von
create_class_gmm
als NumComponents
verwendet
werden. Da zum Aufruf von get_prep_info_class_gmm
schon ein
GMM mit create_class_gmm
erzeugt werden muss, also auch ein
initialer Wert von NumComponents
bei
create_class_gmm
angegeben werden muss, aber bei Verwendung
von get_prep_info_class_gmm
typischerweise noch nicht
bekannt ist, wie viele Komponenten relevant sind, empfiehlt sich
folgendes zweistufiges Vorgehen, um NumComponents
zu
bestimmen: In einem ersten Schritt wird ein GMM mit der maximalen
Anzahl von NumComponents
(NumComponents
für
'principal_components' und 'canonical_variates' )
erzeugt. Dann werden die Trainingsmuster zu dem GMM hinzugefügt und
mit write_samples_class_gmm
in Datei gespeichert.
Anschließend wird mit get_prep_info_class_gmm
der
Informationsgehalt der Komponenten und somit NumComponents
bestimmt. Danach wird ein neues GMM mit der gewünschten Anzahl
Komponenten erzeugt, und die abgespeicherten Trainingsdaten mit
read_samples_class_gmm
wieder eingelesen. Hierauf wird das
GMM mit train_class_gmm
trainiert.
GMMHandle
(input_control) class_gmm →
(handle)
Handle des GMM.
Preprocessing
(input_control) string →
(string)
Art der Vorverarbeitung (Transformation) der Merkmalsvektoren.
Defaultwert: 'principal_components'
Werteliste: 'canonical_variates' , 'principal_components'
InformationCont
(output_control) real-array →
(real)
Relativer Informationsgehalt der transformierten Merkmalsvektoren.
CumInformationCont
(output_control) real-array →
(real)
Kumulierter Informationsgehalt der transformierten Merkmalsvektoren.
* Create the initial GMM create_class_gmm (NumDim, NumClasses, NumCenters, 'full',\ 'principal_components', NumComponents, 42, GMMHandle) * Generate and add the training data for J := 0 to NumData-1 by 1 * Generate training features and classes * Data = [...] * ClassID = [...] add_sample_class_gmm (GMMHandle, Data, ClassID, Randomize) endfor write_samples_class_gmm (GMMHandle, 'samples.gtf') * Compute the information content of the transformed features get_prep_info_class_gmm (GMMHandle, 'principal_components',\ InformationCont, CumInformationCont) * Determine Comp by inspecting InformationCont and CumInformationCont * NumComponents = [...] * Create the actual GMM create_class_gmm (NumDim, NumClasses, NumCenters, 'full',\ 'principal_components', NumComponents, 42, GMMHandle) * Train the GMM read_samples_class_gmm (GMMHandle, 'samples.gtf') train_class_gmm (GMMHandle, 200, 0.0001, 0.0001, Regularize, Centers, Iter) write_class_gmm (GMMHandle, 'classifier.gmm')
Sind die Parameterwerte korrekt, dann liefert
get_prep_info_class_gmm
den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird
eine Fehlerbehandlung durchgeführt.
Falls get_prep_info_class_gmm
den Fehler 9211 (Matrix ist
nicht positiv definit) bei Preprocessing
=
'canonical_variates' zurückliefert, bedeutet dies
typischerweise, dass für die verschiedenen Klassen zu wenige
Trainingsmuster gespeichert worden sind.
add_sample_class_gmm
,
read_samples_class_gmm
clear_class_gmm
,
create_class_gmm
Christopher M. Bishop: „Neural Networks for Pattern Recognition“;
Oxford University Press, Oxford; 1995.
Andrew Webb: „Statistical Pattern Recognition“; Arnold, London;
1999.
Foundation