W minimalizacji funkcji błędu zastosowano iteracyjną metodę optymalizacji Newtona uproszczoną do postaci:
ypq(t+\)=ypq{t)-^pq{t) (2.16)
w której:
dE
d2E
(2.17)
reprezentuje iloraz odpowiedniej składowej gradientu i diagonalnego składnika hesjanu, określone w t-ej iteracji (wg. Osowskiego [84]). Odpowiednie składowe gradientu i hesjanu przedstawiają zależności:
(2.18)
_dE___2 y
d2E
dyl
[v -v 1
Is pą s jq 1
fc-rfj-
(2.19)
Współczynnik rj jest odpowiednikiem stałej uczenia przyjmowanej z przedziału 0.3< rf<0.4. Odwzorowanie Sammona jest odwzorowaniem nieliniowym punktów z przestrzeni n na odpowiednie ich „rzuty” tj. punkty leżące
w przestrzeni R2.
Metoda ta znalazła zastosowanie m.in. w pracach dotyczących diagnozowania stanów przedawaryjnych systemów elektrotechnicznych [1, 13]. Na podstawie teorii odwzorowania Sammona powstał program, napisany w środowisku MATLAB [13], Program ten wykorzystano na potrzeby obliczeń wykonanych w rozprawie. Posłużył on do transformacji wektorów 29 - wymiarowych (sparametryzowanych sygnałów mowy wzorcowej i zdeformowanej) na płaszczyznę, działając jako implementacja samoorganizującego się procesu uczenia. Do oceny odwzorowania
sparametryzowanych 29 wymiarowych wektorów cech na płaszczyźnie zastosowano kryterium Sebestyena [101], Kryterium to opiera się na miarze rozproszeń wewnątrzklasowych i globalnych rozproszeń międzyklasowych. Jeśli x = (xn,...,xjN)7 oznacza wektor w N - wymiarowej przestrzeni cech natomiast wyrażenie:
H| = (i>*2) (2.20)
oznaczona jego normę, to średni kwadrat odległości D(Xa,Xb) między klasami A i B (rozproszenie zewnętrzne) reprezentowanymi przez zbiory można obliczyć ze na podstawie:
mAmB ““
gdzie niA, /w« oznaczają liczbę elementów zbiorów Xa, Xb.
(2.21)
17