img051

51

4.3. Metoda aNN

Zasadę tej metody przedstawimy - jak poprzednio - w postaci pseu-dopascalowskiego algorytmu. Założenia dla tego algorytmu są takie same, jak przytoczone w podrozdziale 4.2 z następującymi uzupełnieniami:

alpha - zmienna określająca parametr o,

tab[l.. num][l.. 2] - tablica odległości,

sort(tab) - funkcja dokonująca sortowania tablicy tab,

fun[l.. numclass] - tabela wartości funkcji przynależności,

pointmax(fun) - funkcja wskazująca numer klasy, dla której wartość funkcji przynależności jest maksymalana.

procedurę AlphaNNrec (obj, var rcc); begin

fun := 0;    {wyzerowanie całej tablicy}

for k := 1 to num do begin

tab[k][l] := dist(sampl[k], obj); tab[k][2] := sampl[k][dim+l]; end

sort(tab);

for k := 1 to alpha do

fun[tab[k][2]] := fun[tab[k][2]] + 1; rec := pointmax(fun);

end

4.4. Metoda JnNN

Pokrewne własności do metody aNN ma algorytm jsNN, którego istota polega na określaniu przynależności nieznanego obiektu X_ do tej klasy i, do której należy j^-ty w kolejności element zbioru U uporządkowanego według reguł określonych wzorami (26) i (27). Formalnie można zapisać, że funkcje przynależności są określone wzorem:

Cⁱ(x) = 6_ij„„    (31)

gdzie funkcja zgodności 6 (delta Kroneckera) jest określana wzorem:

( 0 dla    p ^ u,

\ 1 dla    n = u,

(32)