img053

53

4.5. Podsumowanie

4.5. Podsumowanie

Algorytmy minimalnoodległościowe są chętnie stosowane w praktyce ze względu na prostotę i intuicyjność, a także dlatego, że dają stosunkowo dobre wyniki (mały wskaźnik błędnych rozpoznań). Są one jednak kosztowne w realizacji, gdyż wymagają archiwizowania całego ciągu uczącego U w pamięci systemu rozpoznającego oraz czasochłonnego obliczenia odległości p rozpoznawanego obiektu x od wszystkich elementów ciągu uczącego x^k, co w ogólnym przypadku zmusza do stosowania dużych mocy obliczeniowych lub godzenia się z długim czasem rozpoznawania.

Przykład. Długość ciągu uczącego N ma wpływ nie tylko na zajętość pamięci i na czas obliczeń, ale również wpływa na dokładność rozpoznawania. Konkretne wyniki, uzyskane przy rozpoznawaniu samogłosek z wykorzystaniem metody NN przedstawiono w tabeli 4.3.

Tabela 4.3. Wpływ długości ciągu uczącego na dokładność rozpoznawania

Długość ciągu uczącego	Procent poprawnie rozpoznanych głosek
13	0,923
30	0,933
46	0,935
61	0,918
101	0,980
203	0,961