img052

52

4. Metody minimalnoodległościowe

zaś zapis i^jN oznacza wskaźnik przynależności jn-tego elementu uporządkowanego ciągu uczącego (26). W literaturze można znaleźć dowody identyczności własności algorytmu jjfNN i procedury aNN dla

gdzie ent(/ł) oznacza część całkowitą liczby rzeczywistej fi. W praktyce obserwuje się wyraźnie gorsze działanie algorytmu jj^NN od działania algorytmu aNN i dlatego jego prezentacja w niniejszej książce ma charakter jedynie porządkowy(²).

Przykład. W pracy doktorskiej L.Kota [59] badano - między innymi - jakość rozpoznawania spółgłosek szumowych(³). Wykazano, że poprawność rozpoznawania głoski Z uzyskiwana za pomocą algorytmu NN wyraża się odsetkiem 71,4% poprawnych identyfikacji. Algorytm aNN dla a = 5 pozwolił uzyskać aż 91,0% poprawnych odpowiedzi, natomiast wartość uzyskana za pomocą algorytmu ji*NN wynosiła 61,9% poprawnych rozpoznań.

Na zakończenie jak zwykle podamy algorytm metody jpjNN. Wymaga on tylko wprowadzenia jednej dodatkowej zmiennej w stosunku do algorytmu opisanego w poprzednim podrozdziale:

point - wybrana wartość ju

procedurę jN.NNrec (obj, var rec);

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);

rec := tab[point] [2];

end

(²)    Łatwo zauważyć, że metody aNN i jfjNN sprowadząją się do podstawowej reguły NN dla o = 1 (j„ = 1).

(³)    Przy przygotowywaniu przykładu wybrano tę klasę głosek, ponieważ dawała podstawy do porównań.