6、顺序识别反向程序：理论、实验与优化策略

顺序识别反向程序：理论、实验与优化策略

在设计具有最优停止规则的真正顺序识别系统时，降低存储需求的方法至关重要。本文将深入探讨顺序识别反向程序中的关键技术，包括降维方法、模式分类实验以及特征排序与模式分类的实验等内容，并通过具体实验分析不同方法的性能。

1. 降维方法

在顺序识别系统中，降维是减少存储需求的关键。下面将介绍两种常见的降维方法。

1.1 使用充分统计量

假设每个特征测量值取$r$个离散值$E_1, E_2, \cdots, E_r$之一（特征空间的量化），且每个模式类的特征由多项分布表征。对于每个模式类$m_i$（$i = 1, \cdots, m$），存在一个概率函数：
[
P(k_1, k_2, \cdots, k_r; n) = \frac{n!}{k_1!k_2! \cdots k_r!} \prod_{j = 1}^{r} p_{ij}^{k_j}
]
其中，$p_{ij}$是类$m_i$中$E_j$出现的概率，$\sum_{j = 1}^{r} p_{ij} = 1$，$k_j$是$E_j$出现的次数，$\sum_{j = 1}^{r} k_j = n$。

由于统计量$(k_1, k_2, \cdots, k_r; n)$足以表征多项分布，因此在决策时，只需考虑$E_j$的出现次数$k_j$（$j = 1, 2, \cdots, r$），而无需考虑其顺序。这样，功能方程(4.1)变为：
[
P_n(k_1, k_2, \cdots, k_r) = \min
\begin{cases}
\text{Continue}: C(k_1,