В статье обосновывается необходимость осуществления управления процессом классификации информационных сигналов на основе простой и двухсвязной марковских моделей. Показана возможность объединения полученных ранее моделей и алгоритма классификации в систему принятия решений в целях классификации информационных сигналов (случайных процессов) по критерию максимизации апостериорной вероятности. Предлагается структурная схема системы принятия решений, приводится описание разработанных программных компонентов, последовательно реализующих как вспомогательные, так и базовые процедуры, позволяющие реализовать синтезированные ранее марковские модели и методы оценки их параметров, а также алгоритм классификации. Приводится описание возможности обучения алгоритма классификации как «с учителем», так и в режиме «самообучения», определены объемы выборок предоставляемых отсчетов исследуемых сигналов для формирования баз данных марковских моделей сигналов, марковских моделей классов сигналов. Представлены результаты статистического имитационного моделирования зависимости вероятности ошибки от объема обучающей выборки. Предложены структурные схемы некоторых программных компонентов системы принятия решений. Рассмотрены результаты реализации разработанных ранее моделей, методов и алгоритмов, в виде программных средств, показаны функциональные возможности применения данных средств в составе системы принятия решений. Приведены результаты расчетов, показывающие адекватность получаемых решений и функциональность разработанных программных средств. Делаются выводы о возможности применения системы принятия решений в различных предметных областях, в том числе при классификации состояний сердечно-сосудистой системы пациента по наблюдаемым ритмограммам.
The necessity of controlling the process of classifying information signals based on simple and two-connected Markov models is substantiated. The possibility of combining previously obtained models and a classification algorithm into a decision-making system in order to classify information signals (random processes) is shown according to the criterion of maximizing a posteriori probability. The article proposes a block diagram of the decision-making system, describes the developed software components that consistently implement both auxiliary and basic procedures that allow implementing previously synthesized Markov models and methods for evaluating their parameters, as well as a classification algorithm. The description of the possibility of learning the classification algorithm, both "with a teacher" and in the "self-learning" mode, is given, the volumes of samples of the observations provided by the studied signals for the formation of databases of Markov signal models, Markov models of signal classes are determined. The results of statistical simulation modeling of the dependence of the error probability on the size of the training sample are presented. Block diagrams of some software components of the decision support system are proposed. The results of the implementation of previously developed models, methods and algorithms in the form of software tools are considered, and the functionality of using these tools as part of a decision support system is shown. The results of calculations are presented, showing the adequacy of the solutions obtained and the functionality of the developed software tools. Conclusions are drawn about the possibility of using a decision support system in various subject areas, including when classifying the conditions of the patient's cardiovascular system according to the observed rhythmograms.
The authors declare that there are no conflicts of interest present.