Algoritmic valik strateegiad,

Kolm neist tubadest on määratud tasuliseks. The retrieval and search phases were each conducted in a single fMRI run. Iga ruumi otsustamispunkti puhul võiksid subjektid valida kuni kolm suunda nurgakambrite valik oli üks või kaks. Tabel 1: Katseandmed. Mängijad usuvad, et kui nad kalduvad oma strateegiast kõrvale, ei mõjuta see teiste mängijate valikut.

Et saada ülevaade sellest, kuidas kogu katse jooksul teostatud teemad on tehtud, arvutati iga navigeerimisindeks keskmiselt kolme teekonnaprojekti faasi vahel. Teisisõnu, teema oli peamiselt kaardipõhine strateegia. Selle põhjuseks on asjaolu, et disaini järgi oleksid vaid keskkonnasõbraliku ruumilise esindatusega isikud jõudnud kõige lühemat teed kasutades Algoritmic valik strateegiad saada.

Seevastu subjektid, kelle skoorid olid peaaegu 0 põhiliselt kasutatud suboptimaalsed pikad teed, mis viitab sellele, et neil puudus kaarti omav keskkonna esindatus. Täiendavad andmed indeksite kohta on toodud meetodites. Objektide üldise ruumilise kognitiivse võime mõõtmiseks teostasid subjektid paberil põhineva vaimse pööramise testi MRT. Need tulemused näitavad, et suurem võime vaimselt esindada ja manipuleerida objekte oli seotud suurema võimekusega lühemate teede planeerimisel. Need tulemused on mõnevõrra oodatud, sest objektipõhine ruumiline võime nt vaimne pööramine, ruumiline visualiseerimine on üks hea eeltingimustest kaardipõhise teefailide loomisel RL mudel sobib navigatsiooniandmetega Sarnaselt navigeerimisega reaalses elus on meie teekonnaprobleem suunatud teatud eesmärkidele ja nõuab otsuseid suundade kohta mööda läbitud teed.

Kõige lühemat teed kasutanud teemad leidsid tasu ruumid kiiremini ja kogusid seega rohkem hüvesid. Õppeainete navigatsioonistrateegia arvutamiseks igas otsustuspunktis modelleerisime teemade valiku käitumist kolme erineva tugevdusõppe RL algoritmi paigaldamisega: mudelivaba, mudelipõhine ja hübriidmudel, mis moodustas mudelivaba kaalutud kombinatsiooni.

Need algoritmid näitlikustavad kahte strateegiat väärtuspõhise otsuste tegemisel: mudelipõhine valik, mis loob kogu keskkonna kognitiivse esindatuse, ja mudelivaba valik, mis lihtsalt suurendab tegevusväärtusi mööda võetud trajektoore, mis varem viisid tasu joon. Hübriidmudel eeldab, et subjektid kasutavad mõlemat algoritmi suhtelisel tasemel, mida esindab paigaldatud parameetri kaal ω 25, Me teostasime iga teema jaoks individuaalse mudeli paigaldamise ja hindasime igasse faasi sobivuse suhtelist headust täpsemalt vt meetodid, täiendavad meetodid ja täiendav tabel S2.

Tugevdamise õppemudelid ja mudel sobivad. Ülemises paneelis kuvatakse tegevusväärtused, mis näitavad, kui väärtuslik on liikuda marsruudil teatud riigis; alumine paneel näitab tõenäosust, et teatavad toimingud nendes oludes võetakse toiminguväärtuste alusel. Mustad numbrid on olekuväärtused, sinised numbrid on valitud tegevuse tõenäosused, rohelised väärtused viitavad teiste mittevalitud tegevuste tõenäosustele. Pange tähele, et mitte kõik eelistatud toimingute tõenäosused on näidatud.

Pärast tasu saavutamist värskendab see algoritm väärtusi ainult mööda läbitud teed. B Dünaamilisest programmeerimisest tulenevad mudelipõhised hindamised.

Mudelipõhine algoritm värskendab väärtusi mitte ainult mööda võetud teed, vaid kogu võrgumaailmas. Need tulemused näitavad, et teeülesande kolmel etapil näitasid isikud, kes sageli võtsid lühimaid teid või suhteliselt väikese arvu samme, ka mudeli-põhise valiku suunas joonis 3A, B. See näitab, et õppinud marsruute korduvad isikud on paremini selgitatud mudelivaba RL-ga joonis 3C.

Täissuuruses Algoritmic valik strateegiad Kuigi optimaalsem kaardipõhine või mudelipõhine strateegia võimaldab lühemaid radasid, peaks nende teede planeerimisel tehtud jõupingutused olema kõrgemad kui marsruudil põhinev navigatsioon.

Kuidas õigesti rakendada strateegia kujundamise mustrit

Seetõttu oletasime, et isikud, kes kasutasid kõrgemat kaardipõhist ja marsruutidel põhinevat strateegiat, näitaksid iga valiku puhul keskmiselt pikemaid reaktsiooniaegu. Mudelivaba ja mudelipõhiste valikute närvisignaalid Seejärel uurisime iga ruumi valiku hindamisega seotud närvivastuseid. RL-algoritmide peamine sisemuutuja on valitud tegevuse väärtus. See väärtus võrdub oodatava tasuga pärast valiku tegemist 37 ja see on signaal, mida on BOLDi kõikumistes suurel hulgal uuringutel 37, 38, 39, 40, 41, 42, 43 usaldusväärselt tuvastatud.

Iga otsustuspunkti jaoks võtsime valitud tegevuse väärtused st liikuda vasakule, paremale või otse edasimis arvutati eraldi mudelivaba ja mudelipõhise RL-i põhjal, mööda läbitud teed parameetriliste modulaatoritena meie fMRI jaoks andmeid. Aktiveeritud alade kohta vt joonist 4 ja Algoritmic valik strateegiad tabelit S3 ja täiendavat tabelit S4 kõigi aktiveeritud alade kohta.

Mudeli prognoositud väärtuste korrelatsioonid BOLD signaalidega. B Parahippokampuse ja mediaalse ajutise lõhe piirkonna mudelipõhise hindamise ja vasaku retrospleniaalse ajukoore korrelatsioonid. Täissuuruses pilt Kui meie käitumismudelid selgitavad subjektide tee valikuid ja subjektide aju aktiivsust, on selles protsessis otsustavad muutujad, siis me eeldame, et aju aktiivsus peaks olema eriti hästi selgitatud nendes õppeainetes, kus meie mudel pakub ka head valikut.

Täpsemalt peaksid mudelivabad väärtused selgitama BOLD-i aktiivsust vmPFC-s eriti hästi nendel subjektidel, kellele meie hübriidmudel näitas suurt marsruudipõhist panust. Teemadel väljendub see strateegia vahelise valiku mida esindab ω parameeter ja aktiivsuse tugevuse vahel, mis on seotud vastava mudeli parameetriliste väärtussignaalidega β-parameetri hinnangud üldises lineaarses mudelis fMRI analüüsis.

Pange tähele, et väiksem ω näitab suuremat Algoritmic valik strateegiad põhinevat mõju. See kinnitab, et meie RL-mudelid selgitavad suuremat osa neuronaalsete andmete kõikumisest nendel subjektidel, kelle valikuid on vastava mudeli abil hästi selgitatud.

See tähendab, et mida rohkem subjekte on üks navigatsioonistrateegia, seda selgem on vastavate otsustusmehhanismide arvutuslike väärtuste signaalid kas vmPFC-s või parahippokampuse piirkonnas. Näitasime, et üksikisikute ja teatud ajupiirkonna vahel on seos strateegia valiku vahel käitumuslikul tasandil ja vastava väärtussignaali esindatus ajus. Tegelikult näitavad need tulemused, et BOLD-i aktiivsus vmPFC ja parahippokampuse piirkonnas peegeldas mudeli- või mudelipõhiseid hindamisi proportsionaalselt nendega, mis määravad kindlaks objektide marsruudil põhineva või kaardipõhise navigatsiooni kasutamise.

Modellivaba parameetrilise regressori subjektide suhtelise mudeli-põhise käitumise ω ja β-parameetri hinnangute vaheline korrelatsioon. A VmPFC-s leidsime olulise negatiivse korrelatsiooni käitumusliku hübriidmudeli ω-parameetri ja GLM-i β-hinnangute vahel mudelivaba väärtuste parameetrilisest regressorist. See tähendab, Oendus strateegia levitamiseks üksikisikute vahel on suurem subjekti mudelivaba valikuvõimaluse suhteline aste, seda tugevam oli tema näidisvaba väärtuste esitamine BOLD-signaalis vmPFC-s.

Sellist seost ei leitud mudelipõhise väärtuse regressoriga. B Parahipokampuse gyrus leidsime olulise positiivse korrelatsiooni ω ja β-hinnangute vahel mudelivaba väärtuste parameetrilisest regressorist.

Mida suurem on mudelipõhise valikukäitumise suhteline aste subjektis, seda Algoritmic valik strateegiad oli tema esindatus mudelipõhistel väärtustel BOLD signaali parahipokampuse gyrus.

Algajatele tootavad varuvoimalused

Sellist korrelatsiooni mudeli vaba väärtuse regressoriga ei leitud. Täissuuruses Algoritmic valik strateegiad Testisime ka mitmeid alternatiivseid hüpoteese oletatavate signaalide kohta, et aju võib Algoritmic valik strateegiad ajal jälgida. Üks selline hüpotees on see, et aju ühendab väärtused mudelivabalt ja mudelipõhiselt, kasutades suhtelist kaalu parameetrit ω. Seda katsetasime, otsides neuronaalseid signaale, mis on seotud hübriidse RL mudeli väärtustega, mis on mudelivaba ja mudelipõhiste väärtuste kaalutud kombinatsioon.

Need signaalid ei säilinud mitmekordse võrdlemise jaoks klastri tasandi parandust. Lisaks uurisime ideed, et aju kodeerib navigeerimise ajal kaugust eesmärkidest.

Leidsime, et kuigi eelprotsessis aktiivsus korreleerus positiivselt kaugusega eesmärgist, kasvas fusiformi ja caudate aktiivsus objektide lähenemisel eesmärgile. Kooskõlas varasemate uuringutega võib precuneuse aktiivsus näidata ruumilise ajakohastamise protsessi navigatsiooni ajal 44, Kuna võib olla funktsionaalne seos eesmärgi ja valiku väärtuste vahel, kontrollisime ka seda, kas meie varasemad tulemused mudelipõhiste ja mudelivaba valiku väärtuste suhtes on tõepoolest väärtussignaalide korrelatsioonis või võivad olla ainult selle suhte vale tulemus.

Selle testimiseks hindasime eraldi GLM-e, mis sisaldasid nii väärtussignaale kui ka parameetrilisi regressoreid ilma ortogonaalsuseta, võimaldades neil vahetult konkureerida dispersiooni eest. Selle analüüsi mis tahes ülejäänud aktiveerimist saab omistada ühele või teisele regressorile. Oluline on see, et selles disainis leidsime endiselt olulise korrelatsiooniga BOLD-i aktiivsust mudelipõhiste ja mudelivaba väärtussignaalidega vt lisa joonis S6.

Arutelu Näitame, et inimobjektid oskavad paindlikult kasutada marsruutidel põhinevaid ja kaardipõhiseid strateegiaid, kui nad navigeerivad teeotsingul.

Nende valikud igas toas korreleerusid hästi hübriidmudeli parameetriga ω, mis on mudelivaba ja mudelipõhise RL-algoritmi segu.

  1. Nashi tasakaal – Vikipeedia
  2. Hübriidfunktsiooni valiku algoritm, mis põhineb maksakoe patoloogilise kujutise klassifitseerimise maksimaalse minimaalse tagasiulatuva valiku strateegial Abstraktne Pakume välja uudse funktsiooni valimise algoritmi maksakoe patoloogilise kujutise klassifitseerimiseks.
  3. Kuidas õigesti rakendada strateegia kujundamise mustrit |
  4. Mõlemale pakutakse võimalust saada kaaskurjategija reetmise korral lühem vanglakaristus.
  5. Filmide varude valikud

Ka mudelivaba ja mudelipõhise RL arvutusprotsessid olid esindatud ka närvitasandil. Mudelipõhine hindamine kaardipõhise navigeerimise Algoritmic valik strateegiad moduleeris tugevalt aktiivsust parahippokampuse ja mediaalse ajalise lobe MTL piirkondades, samas kui BOLD vastused striatumis ja vmPFC-s olid seotud mudelivaba hindamisega. Veelgi enam, leidsime otsese seose selle kohta, mil määral aineid kasutas üks navigatsioonistrateegia, ja vastavate otsustusmehhanismidega seotud väärtussignaalide närviesituse.

Nii loomade kui ka inimeste uuringute ühildamine on näidanud, et navigatsioon sõltub valdavalt kahest strateegia vastuvõtmisest, mida üldjuhul nimetatakse marsruudil põhinevaks või kaardipõhiseks navigatsiooniks 46, Enamikus varasemates uuringutes ruumiobjektide kohta olid piirangud seotud ühe navigatsioonistrateegiaga, näiteks passiivselt teatud marsruuti järgides kodeerimisfaasis 5, 9, Meie kodeerimisfaas on erinev, sest võimaldame uurida teemasid.

Igapaevase kaubanduse tehnilise analuusi strateegiad

See funktsioon aitab selgitada marsruudi ja kaardipõhise navigatsiooni arvutusmehhanisme. Kuna teemasid ei piirata teise strateegiaga, võime jälgida mõlema strateegia kasutamist samas keskkonnas.

Kuigi meie kodeerimisfaas rõhutas marsruudi moodustamist ühe lähtepositsiooni ja kolme tasulise asukoha vahel, võimaldas see samaaegselt aja jooksul kujundada kaarditaolist kujutist, sest subjektid võisid vabalt liikuda keskkonnas.

Betfair Automaatne kauplemise bot

Seejärel võimaldas otsinguetapp täiendavat mälu moodustamist selle kohta, kuidas saab iga sihtpunkti lähtepositsioonist jõuda. Meie teadmiste kohaselt on üks varasemate neuropiltide uuring väärtuspõhise otsuste tegemise kohta püüdnud iseloomustada tugevdamise õppimise närvi- ja arvutusaluseid substraate, kasutades teekonnapõhist paradigmat Kuigi nende uurimuses loodud ülesanne võttis kasutusele inimeste navigatsioonis kasutatava võrgukonfiguratsiooni, olid nende uurimisküsimused rohkem seotud väärtuspõhise otsuste tegemisega.

Näiteks sisaldas nende ülesanne visuaalseid näpunäiteid, mis pidevalt informeerisid teemasid sihtmärgi asukohast. Peale selle toimus kogu katse vältel võrgu ümberkonfigureerimine ja subjekti juhuslik teleportatsioon. Need omadused on kasulikud tugevdusõppe neuronaalsete mehhanismide uurimiseks tõenäosuslikku keskkonda, kuid väldivad teekonna avastamise uurimist optimaalsete või korduvate marsruutide abil.

Seega, võrreldes selle uuringuga, jäljendab meie ülesanne rohkem igapäevast kogemust. See võimaldab meil uurida inimese ruumilist navigatsiooni, kus inimesed saavad kombineerida ja vahetada erinevaid strateegiaid sõltuvalt sellest, kumb on igas olukorras optimaalne.

Parimad Interneti-malestussaidid

Käesolevas uuringus ei väida, kuidas aju võrdleb igas ruumis olemasolevate valikuvõimaluste väärtusi. Seetõttu testiti ainult valitud toimingu väärtuse närvilist esindatust, sest see valikuvõimaluse järgne komponent on paljudes uuringutes järjekindlalt näidatud, et see on ajus olev usaldusväärne signaal.

On võimalik, et valiku ajal esindab aju ka igas toas alternatiivsete toimingute väärtuskomponente kas summana või erinevustena väärtuste 49 vahel või et esindus võib muutuda otsuse funktsioonina ajaperioodil üksteisele.

Kuna subjektid peavad võrdlema mitut alternatiivset tegevust ja kaaluma mitut navigeerimisstrateegiat, oleks valitud uuringu väärtuste esitamise testimine käesolevas uuringus raskem.

Algoritmilise kauplemise strateegia

Pange tähele, et valitud väärtuse signaalikomponent on samuti osa Algoritmic valik strateegiad signaalist, nagu ennustusviga, summa või toimeväärtuste vahe 31 ja on seetõttu väga jõuline signaal BOLD andmetes. Marsruudi ja kaardipõhiste strateegiate omadusi ja neuraalseid korrelatsioone on intensiivselt uuritud nii inimestel 46, 51 kui ka Algoritmic valik strateegiad Kuigi terminoloogia on arenenud, on marsruudikaardi dikotoomia endiselt kehtiv.

Varasemad uuringud on uurinud ka marsruudi ja kaardi teadmiste tekkimist ning soovitasid, et paralleelselt 53 oleks võimalik omandada maamärkide teadmisi mis on vajalikud marsruudi navigeerimiseks ja uuringuandmeid ning et marsruudi ja kaardipõhise navigatsiooni eelistamine võib olla mõõde, millega üksikisikud varieeruvad 19, Närvisalvestuse kirjanduses toetavad mõned tulemused tugevalt marsruudikaardi dikotoomiat 1, 3, 8, 9, 20, 55, teised andmed näitavad kattuvat või ühist aktivatsiooni, mis viitab sellele, et mõnel juhul ei pruugi dikotoomia olla nii selge lõik 2, 5, 11, Meie andmed ei toeta mitte ainult funktsionaalset eraldamist teekonnapõhises vahepealse teraapia vahel, mis põhineb marsruutidel põhinevatel ja meditatiivsetel ajalistel aladel kaardipõhistele strateegiatele, vaid ka tavapärastele aktivatsioonidele, nagu retrospleniaalses koorikus.

Parahippokampuse ja MTL-i piirkonnas täheldati aktiveerimist, mis on seotud valikuväärtustega, mis on tõenäoliselt seotud mudelipõhiste valikuliste arvutustega. On näidatud, et hipokampusel on suhteline ruumiline ja kontekstuaalne teave, samuti ruumilise keskkonna kognitiivsete kaartide ja ruumi kognitiivsete kaartide kodeerimisel nii loomadel 14, 57, 58 kui ka inimestel 59, 60, Need protsessid on olulised meie teekonnapõhise ülesande kujundamisel, mis moodustab kaardi-sarnase keskkonnaesituse.

Selleks peavad subjektid mitte ainult jälgima oma praegust asukohta tasu asukohaga võrreldes, vaid ka integreerima ja muutma ruumiandmeid uuringu teadmisteks või eraldusliku võrdlussüsteemi. Veelgi enam, parahippokampuse gyrus reageerib selektiivselt visuaalsetele stseenidele, mis kujutavad kohti 62 ja on samuti konkreetselt seotud ruumilise konteksti otsimisega võrreldes mitte-ruumilise kontekstiga 63, 64, 65, maamärkide 66, 67 identifitseerimine ja otsimine, samuti ruumiline suhe ja navigeerimise ajal täheldatud vaatamisväärsuste asjakohasus 8, 68, 69, Kooskõlastatud kaardipõhine kompleksne keskkond, nagu käesolevas uuringus kasutatud, nõuab võimet tuvastada ja hankida erinevaid maamärke ning luua sidemeid maamärkide identiteedi ja kohalike piirkondade paigutuse vahel.

Järelikult võiksid parahippokampuse ja MTL-i piirkonna mudelipõhised arvutused meie teekonna koostamise ajal näidata, et virtuaalses keskkonnas otsitakse ja planeeritakse vaimset esindust, et leida kõige lühem tee eesmärgi saavutamiseks.

Nashi tasakaal

Mudelivaba valiku neuronaalsete korrelatsioonide puhul täheldati vmPFC ja caudate tuuma aktivatsioone, mis on kooskõlas eelnevate loomade ja inimeste uuringutega 26, 59, Meie mudelivaba algoritm määrab objektide valikud mööda võetud rada. Selline lähenemine rõhutab marsruutidel põhineva navigatsiooni iseloomu, sealhulgas ajalisi suhteid maamärkide ja pöörete järjestuste vahel 2, 8, 9, Lisaks on erinevad uuringud teinud ettepaneku, et vmPFC kodeerib stimuleeriva tasu ühendusi 25, 73, 74, 75, 76, Seega, näidates mudelivaba hindamist, võivad aju meenutada eelnevalt Algoritmic valik strateegiad salvestatud maamärk-tegevuse ühendusi.

Aktiivsust vmPFC-s on täheldatud nii ruumilise töömälu ülesannetes kui ka korra ja konteksti informatsiooni otsimisel 78, 79, 80, Hiljutised uuringud on leidnud inimrakkudes kodeeriva võrguraku 61, Pange tähele, et võrgurakkude tulemused mediaalse prefrontaalses ajukoores ei ole vastuolus meie tulemustega siin, kui uurime erinevaid aju mehhanisme: kuigi võrgurakke kasutatakse tõenäoliselt keskkonna kognitiivse esinduse salvestamiseks, uurisime võimalikke arvutusi, kuidas aju marsruute leida sellises esinduses, mis Algoritmic valik strateegiad tasu väärtustel.

Eespool toodud "Sõitmismängu" näites esinevad nii stabiilne kui ka ebastabiilne tasakaal. Kui emb-kumb mängija muudab seda tõenäosust veidi, on mõlemad seejärel kehvemas olukorras ning vastasel ei ole selle peale põhjust enda strateegiat muuta. Stabiilsus on Nashi tasakaalu rakendamisel oluline, sest mängijate segastrateegiad ei ole üldjuhul detailselt teada, vaid neid tuleb tuletada mängus tehtud valikute statistilisest jaotusfunktsioonist.

Sel juhul on väga ebatõenäoline, et praktikas esineb ebastabiilne tasakaal, sest iga vähimgi muutus kellegi strateegias viib tasakaalu kaotamiseni. Kui mängus on olemas unikaalne Nashi tasakaal ning mäng vastab teatud tingimustele, siis jõutakse Nashi tasakaaluks vajalike strateegiate hulgani. Nashi tasakaalu tekkeks peavad olema täidetud järgmised tingimused. Mängijad annavad endast parima, et maksimeerida enda oodatavat tasu. Mängijad on oma tegevuste täideviimises veatud.

Mängijatel on piisavad teadmised mängu lahenduse tuletamiseks. Mängijad teavad kõigi teiste mängijate planeeritud tasakaalustrateegiat. Mängijad usuvad, et kui nad kalduvad oma strateegiast kõrvale, ei mõjuta see teiste mängijate valikut.

Ruumiline mälu Abstraktne Inimeste navigeerimine arvatakse üldiselt tuginevat kahte tüüpi strateegia vastuvõtmisele, marsruudil põhinevatele ja kaardipõhistele strateegiatele. Mõlemad navigatsiooniliigid nõuavad ruumiliste otsuste tegemist mööda läbitud teed, kuigi navigatsioonistrateegiate ja väärtuspõhise otsuste tegemise mehhanismide vahel on formaalsed arvutuslikud ja neuraalsed seosed inimestes seni alaesindatud. Siin kasutati funktsionaalset magnetresonantstomograafiat fMRIsamas kui objektid asusid virtuaalses keskkonnas erinevaid objekte. Seejärel modelleerisime nende teed tugevdamise õppimise RL algoritmide abil, mis selgitasid edukalt otsustuskäitumist ja selle neuronaalseid korrelatsioone. Meie tulemused näitavad, et teemad kasutasid marsruudi ja kaardipõhise navigatsiooni segu ning nende teed saab hästi selgitada mudelivaba ja mudelipõhiste RL-algoritmidega.

Valitseb üldine teadlikkus selle kohta, et kõik mängijad vastavad eeltoodud tingimustele: peale selle, et iga mängija peab teadma, et teised vastavad konkreetsele tingimusele, peab ta ka teadma, et kõik teised seda teavad jne. Tingimused ei ole täidetud[ muuda muuda lähteteksti ] Näiteid mänguteooria probleemide kohta, kus eeltoodud tingimused ei ole kas osaliselt või täielikult täidetud Esimene tingimus ei ole täidetud, kui mängust ei ilmne piisavalt selgelt, mis suurust soovib mängija maksimeerida.

Sel juhul Algoritmic valik strateegiad ole mängijal otsest põhjust valida tasakaaluni viivat strateegiat. Näiteks vangi dilemma ei ole dilemma, kui vähemalt üks mängijatest on rahul määramata ajaks vangi minemisega. Paljudel juhtudel ei ole kolmas tingimus täidetud, sest kuigi tasakaalupunkt peab mängus eksisteerima, ei ole see mängu keerukuse tõttu teada, nt Hiina male korral. Üldise teadlikkuse kriteerium ei pruugi olla täidetud isegi siis, kui kõik mängijad vastavad kõigile ülejäänud tingimustele.

Mängijad, kes seavad kahtluse alla teineteise ratsionaalsuse, võivad teiste irratsionaalse käitumise tarbeks võtta kasutusele hoopis vastustrateegiad. LBP proovib naabripiksleid 3 × 3 malli järgi ja võrdleb iga naabripiksli halli väärtust keskpiksliga. Kui naaberpiksli halli väärtus on suurem, märgistage naaberpiksli väärtuseks 1; vastasel juhul märgistage naabripiksel väärtuseks 0.

Esitage naabripiksel kahendjadana ja muutke see kümnendarvuks keskse Margin kauplemise voimaluste keskus halli väärtusena. Lõpuks arvutage pildi histogrammi tunnus LBP tunnusjoontena. LBP arvutusvalem on näidatud järgmiselt: kus keskpunkti piksli hall väärtus on positsioonil, on kaheksast naaberpikslist ühe halli väärtus, p on naaberpikslite arv ja s on lävifunktsioon, mida näidatakse sisse LBP arvutamise näide on toodud joonisel 3.

Joonis 3: LBP arvutamine. Kohalik suundumus Traditsiooniline LBP võtab arvesse ainult pikslite suhet ning servapikslite ja keskse piksli suundomadusi eiratakse, mis ei soodusta mürapiltide käsitlemist. Korrutage algse piksli 3 × 3 maatriks ja LDP vastav suuna mall, tulemuseks on uue naabri maatriksi vastava piksli väärtus.

Joonise 4 b maatriks on uue naabri maatriks. LDP tähendab suurima maksimaalse n- arvu valimist ja nende väärtuse 1 ja teiste määramist nulliks. Saame binaarse jada ja ülejäänud arvutusprotsess on sama, mis LBP. Joonis 4 näitab LDP näidet. Meie katses on valitud LDP funktsioon. Joonis 4: LDP näide. See võib kajastada erinevat suunda, külgnevat kaugust ja variatsioonivahemikku hõlmava pildi halli terviklikku teavet.

Meie katses ekstraheerime funktsioonid 4 maatriksist, mis on iga pildi jaoks 4 suunast ja Algoritmic valik strateegiad GLCM-iga. Igast maatriksist valime 4 tunnust: energia, kontrast, korrelatsioon ja homogeensus.

Energia on GLCM-i iga elemendi ruutude summa, mis kajastab pildi halli jaotuse ühtlust. Kontrastsus peegeldab pildi selgust ja vibratsiooni tekstuuri sügavuse ulatust. Korrelatsioon tähistab GLCM-i ridade või veergude halli taseme sarnasuse ulatust, mis kajastab pildi tekstuuri järjepidevust.

Homogeensus peegeldab pildi ühtlust. Multifraktaalne funktsioon Lihtne fraktaal kirjeldab globaalset omadust ainult ühe mõõtme järgi, mis ei suuda esitada looduse keerukust, ja mõnel pildil võib olla Algoritmic valik strateegiad fraktaali omadus. Nii et maksakoe patoloogia piltide kirjeldamiseks valime multifraktaalsed omadused. Mitu fraktaali on erineva ulatusega fraktaalide alamhulkade kogum.

Kirjandus [11] määratleb multifraktaali: kui on olemas, mis vastab 5siis mõõdetakse kompaktselt toetatava multifraktalina: kus väike on kera, mille raadius ja keskpunkt on x. Spektri määratlus on esitatud järgmiselt: Nagu määratlusest selgub, annab mõõtmise spekter kohaliku globaalse kirjelduse, mis sisaldab rohkem kujutise teavet kui lihtsas fraktaalis.

See esindab mõõtme eristatavust, kujutab endast kuuluvate komplektide erinevusi, mis kajastab alamhulgale ilmnenud aega. Hübriidfunktsiooni valik põhineb MMBS-i otsingustrateegial Funktsioonide alamhulga hindamismeetodi järgi saab funktsioonide valiku algoritmi jagada filtrimeetodiks ja Wrapperi meetodiks.

Filtreerimismeetodi funktsioonide alamhulga hindamine on sõltumatu järgmisest õppimisest ja Wrapperi meetodi funktsioonide alamhulga hindamine on seotud järgmise uuringuga.

Filtreerimismeetod hindab funktsioonide alamhulka treeningkomplekti abil otse, nii et arvutamine on kiire, kuid järgneva õppimise täpsus ei pruugi olla kõrge. Valitud optimeerimisfunktsioonide alamhulk on tavaliselt tohutu, seetõttu kasutatakse hindamiskriteeriume sageli funktsiooni ja klasside, näiteks DFS-i vahelise seose parandamiseks.

Wrapperi meetodil hinnatakse funktsiooni alamhulka järgmise koolituse täpsuse või veamäära järgi. Optimeerimise funktsiooni alamhulk on väike ja see võib saada suurema klassifitseerimise täpsuse. Sellel meetodil on aga tohutu arvutus, mis ei sobi suurakomplekti jaoks. Funktsiooni optimeerimise alamhulga valimisel on alarühmale funktsiooni lisamise hindamiskriteeriumiks WDFS ja lõpu hindamiskriteeriumiks on klassifitseerimise täpsus, seega on pakutud funktsiooni valiku algoritm hübriidfunktsiooni valiku algoritm, mis ühendab filtri algoritmi Wrapperi algoritmiga, mis arvutab kiiresti algoritmi Filter ja Wrapperi algoritmi kõrge klassifikatsioonitäpsuse.

Pakutav funktsiooni valimise algoritm on jagatud kaheks etapiks: töötlemata valik ja täpne valik. See toiming Algoritmic valik strateegiad täpse valiku jaoks palju aega, sest isegi kui lisame ühe funktsiooni, suureneb funktsioonide alamhulkade kombinatsioonide arv suuresti.

Täpne valik tähendab optimaalse funktsiooni alamhulga valimist ülejäänud funktsioonide hulgast funktsioonide valiku algoritmi abil. Protsess sisaldab alamhulga genereerimist, alamhulga hindamist, lõppkriteeriumi kujundamist ja alamhulga kontrollimist.

Täpse valiku protsessi selgitatakse järgmiselt.

WDFS-i funktsiooni alamhulga hindamiskriteerium Funktsiooni valiku eesmärk on saada optimaalne funktsiooni alamhulk ning funktsiooni alamhulga genereerimiseks on vaja kriteeriumi funktsiooni lisamise või funktsiooni eemaldamise määramiseks.

Varastes uuringutes määratletakse kriteerium tunnuse panusena klassifikatsiooni. Hiljem, võttes arvesse tunnustevahelise korrelatsiooni mõju omaduste alamhulga valimisele, ei võta kriteeriumi määratlus arvesse mitte ainult üksiku tunnuse panust klassifikatsiooni, vaid ka funktsiooni alamhulga panust klassifikatsiooni. Hall [12] pakkus Funktsiooni alamhulga garanteerimisel on klassifitseerimisel suur panus ja vahepeal tagatakse, et need pole võimalikult üksteisega seotud.

Tuginedes CFS, J. Xie ja W. Xie [13] pakkus välja funktsiooni alamhulkade DFS hindamiskriteeriumi. DFSi hindamiskriteerium võtab arvesse mitmete tunnuste panust klassifikatsiooni. Kahe klassifitseerimise probleemi puhul on arvutusvalem esitatud järgmiselt: DFS S tähistab funktsiooni alamhulga S DFS ja esindab vastavalt positiivsete ja negatiivsete proovide arvu. Punktis 7 tähistab nimetaja tunnuse alamhulga intraklassi dispersiooni summat, molekul tähistab tunnuse alamhulga klassidevahelise klasside dispersiooni summat.

Mida väiksem on nimetaja, seda väiksem on klassisisese korrelatsioon, seda suurem on molekul, seda suurem on klassidevaheline erinevus. Algoritmic valik strateegiad tähendab, et mida suurem on DFS S väärtus, seda parem on meie saadud funktsioonide alamhulk. Kui on ainult ühe klassi tunnused, saab Algoritmic valik strateegiad kriteeriumi abil hinnata ühe klassi tunnuse panust klassifikatsiooni.

DFS-i kriteerium ei arvesta mitte ainult tunnuste korrelatsiooni, vaid ka funktsioonide alamhulga korrelatsiooni ja hindab seejärel funktsiooni alamhulga panust klassifikatsiooni. Kuid tasakaalustamata proovide korral muudab DFS väikeste proovide klassi kehtetuks. Väärtuse 7 määrab suure proovi arvu klass.