НОУ ИНТУИТ | Математические методы распознавания образов. Лекция 4: Оптимальная разделяющая гиперплоскость

Учитесь и получайте официальные документы БЕСПЛАТНО. Вы можете поддержать наш проект.

Твой путь к знаниям!

Московский государственный университет имени М.В.Ломоносова

Опубликован: 30.04.2008 | Доступ: свободный | Студентов: 1617 / 252 | Оценка: 4.24 / 3.92 | Длительность: 14:56:00

Специальности: Математик

Теги: beta, IWR, recognition, алгоритмы, базисными векторами, выпуклая оболочка, выходной нейрон, направляющий вектор, обучение, поиск, полиэдр, пространство признаков, процедуры, разработка, сложность, собственный вектор, теория, эмпирический риск

|

Вам нравится? Нравится 22 студентам

| Поделиться |

Поддержать курс

| Скачать электронную книгу

4.2. Построение оптимальной разделяющей гиперплоскости

Теорема. Если два множества и $\overline{X}$ разделимы гиперплоскостью, $\Conv(X)$ и $\Conv(\overline{X})$ – выпуклые оболочки этих множеств, а $x^*\in Conv(X)$ и $\overline{x}^*\in Conv(\overline{X})$ – пара ближайших точек в выпуклых оболочках, то

$\max_{|\varphi|=1}\Pi(\varphi)=|x^*-\overline{x}^*|,$

где $|x^*-\overline{x}^*|$ – обозначает евклидово расстояние между точками x^*

и $\overline{x}^*$ .

Доказательство. Положим $\varphi^*=\frac{(x^*-\overline{x}^*)}{|x^*-\overline{x}^*|}$ . Из условий $c_1(\varphi)=\min_{x\in X}(x,\varphi), \; c_2(\varphi)=\min_{\overline{x}\in \overline{X}}(\overline{x},\varphi)$ , следует, что $c_1(\varphi^*)\leq;(x^*,\varphi^*),\; c_2(\varphi^*)=(\overline{x}^*,\varphi^*)$ и, следовательно,

$\Pi(\varphi)=c_1(\varphi)-c_2(\varphi)\leq(x^*,\varphi^*)-(\overline{x}^*,\varphi^*)= (x^*-\overline{x}^*,\varphi^*)=|x^*-\overline{x}^*|$

( 4.2)

Следовательно $\max_{\varphi=1}\Pi(\varphi)\leq|x^*-\overline{x}^*|$ и для доказательства теоремы нужно показать, что справедливо неравенство

$\Pi(\varphi^*)\geq|x^*-\overline{x}^*|$

( 4.3)

Пусть точки $y\in X$ и $\overline{y}\in\overline{X}$ такие, что $c_1(\varphi^*)=(y,\varphi^*)$ и $c_2(\varphi^*)=(\overline{y},\varphi^*)$ . Тогда

$\begin{gathered} \Pi(\varphi^*)=c_1(\varphi^*)-c_2(\varphi^*)=(y-\overline{y},\varphi^*)= \\ =(x^*+(y-x^*)-\overline{x}^*-(\overline{y}-\overline{x}^*),\varphi^*)= \\ =(x^*-\overline{x}^*,\varphi^*)+(y-\overline{x},\varphi^*)-(\overline{y}-\overline{x}^*,\varphi^*)=\\ =|x^*-\overline{x}^*|+(y-x^*,\varphi^*)-(\overline{y}-\overline{x}^*,\varphi^*). \end{gathered}$

Теперь покажем, что $(y-x^*,\varphi^*)\geq 0$ , а $(\overline{y}-\overline{x}^*,\varphi^*)\leq 0$ , или, что то же самое:

$(y-x^*,x^*-\overline{x}^*)\geq 0,\;(\overline{y}-\overline{x}^*,x^*-\overline{x}^*)\leq 0$

( 4.4)

Пусть $z=\lambda y+(1-\lambda)x^*,\;0<\lambda<1$ – точка в R^l

. Очевидно, что она лежит в выпуклой оболочке

, т.е. $z\in Conv(X)$ . Тогда имеем

$\begin{gathered} |z-\overline{x}^*|^2=|\lambda(y-\overline{x}^*)+(1-\lambda)(x^*-\overline{x}^*)|^2=\\ =|\lambda(y-x^*)+(x^*-\overline{x}^*)|^2=\\ =|x^*-\overline{x}^*|^2+2\lambda(x^*-\overline{x}^*,y-\overline{x}^*)+\lambda^2|y-x^*|^2 \end{gathered}$

( 4.5)

Поскольку точки x^*

и $\overline{x}^*$ – ближайшие в выпуклых оболочках Conv(X)

и $Conv(\overline{X})$ , получаем, что $|z-\overline{x}^*|^2\geq|x^*-\overline{x}^*|^2$ . Тогда из (4.5) следует, что

$2\lambda(x^*-\overline{x}^*,y-x^*)+\lambda^2|y-x^*|^2\geq 0,$

или $2(x^*-\overline{x}^*,y-x^*)+\lambda|y-x^*|^2\geq 0\;\forall\lambda>0$ , что возможно лишь при $(x^*-\overline{x}^*,y-x^*)\geq 0$ . Таким образом, первое из неравенств (4.4) доказано. Второе неравенство (4.4) доказывается аналогично.

Тем самым доказано неравенство (4.3), а из него (4.2) и утверждение теоремы.

Оптимальная разделяющая гиперплоскость ортогональна отрезку, соединяющему ближайшие точки выпуклых оболочек множеств и $\overline{X}$ , и проходит через середину этого отрезка. Задача поиска пары ближайших точек сводится к задаче квадратичного программирования следующим образом.

Каждая точка , лежащая в выпуклой оболочке Conv(X) , представима в виде $y=\sum_{x\in X}\alpha_x x,\; \sum_{x\in X}\alpha_x=1,\; \alpha_x\geq 0$ . Аналогично, точка $\overline{y}\in Conv(\overline{X})$ представима в виде $\overline{y}\sum_{\overline{x}\in\overline{X}}\beta_{\overline{x}}\overline{x},\; \sum_{\overline{x}\in\overline{X}}\beta_{\overline{x}}=1,\;\beta_{\overline{x}}\geq 0$ . Нужно найти пару точек и $\overline{y}$ , обеспечивающих минимум выражения:

$|y-\overline{y}|^2= \left( \sum_{x\in X}\alpha_x x-\sum_{\overline{x}\in\overline{X}}\beta_{\overline{x}}\overline{x}, \sum_{x\in X}\alpha_x x-\sum_{\overline{x}\in\overline{X}}\beta_{\overline{x}}\overline{x} \right)$

( 4.6)

при условиях:

$\sum_{x\in X}\alpha_x=1,\;\alpha_x\geq 0,$

( 4.7)

$\sum_{\overline{x}\in\overline{X}}\beta_{\overline{x}}=1,\;\beta_{\overline{x}}\geq 0.$

( 4.8)

Задача математического программирования (4.6-4.8) имеет два ограничения и квадратичную целевую функцию.

4.3. Алгоритм Гаусса-Зейделя

Задача состоит в нахождении наименьшего расстояния между множествами и $\overline{X}$ .

1. В качестве начальных значений берем произвольную пару x_0 и $\overline{x}_0$ . Другими словами в начальный момент $t=0\;z_t=x_0\in X$ и $\overline{z}_t=\overline{x}_0\in\overline{X}$ .

2. Необходимо найти точку $x_{t+1}$ ближайшую к $\overline{z}_t$ на отрезке [z_t,x_t] . Обозначаем $z_{t+1}=\overline{z}_t$ . Напишем условие ортогональности векторов $(z_{t+1}-\overline{z}_t)$ и (z_t-y_k) :

$(z_{t+1}-\overline{z}_t,z_t-x_k)=0.$

Т.к. $z_{t+1}=\lambda z_t+(1-\lambda)x_k=x_k+\lambda(z_t-x_k)$ , то

$\begin{gathered} (z_{t+1}-\overline{z}_t,z_t-x_k)=(x_k+\lambda(z_t-x_k)-\overline{z}_t,z_t-x_k)=\\ =\lambda(z_t-x_k,z_t-x_k)+(x_k-\overline{z}_t,z_t-x_k)=0 \end{gathered}$

Следовательно, $\lambda=\frac{(\overline{z}_t-x_k,z_t-x_k)}{|z_t-x_k|^2}$ . Если $\lambda\leq 0$ , то $z_{t+1}=x_k$ . Если $\lambda\geq 1$ , то $z_{t+1}=z_t$ . Если $0\lt;\lambda<1$ , то $z_{t+1}=\lambda z_t+(1-\lambda)x_k$ .

3. Далее необходимо найти точку $\overline{z}_{t+1}$ ближайшую к z_t на отрезке $[\overline{z}_t,x_r]$ . Обозначаем $z_{t+1}=\overline{z}_t$ .

Данную процедуру необходимо повторять, пока не найдутся две ближайшие точки множеств и $\overline{X}$ .

Дальше >>

Авторизоваться

Математические методы распознавания образов

Оптимальная разделяющая гиперплоскость

4.2. Построение оптимальной разделяющей гиперплоскости

4.3. Алгоритм Гаусса-Зейделя

Вопросы и ответы