Cтраница 1
Метод группового учета аргументов, предложенный А. Г. Ивахненко, существенно уменьшает вычислительные трудности, возникающие при применении метода наименьших квадратов в задачах большой размерности. МГУА дает возможность решение исходной многофакторной задачи свести к решению большого числа сравнительно простых задач аппроксимации экспериментальных данных функциями двух переменных-полиномами обычно невысокого порядка. Метод Ивахненко состоит в выборе иерархии частных моделей вместо одной общей модели. На каждой из стадий этого процесса производится отбор наилучших, в некотором смысле, полиномов, которые используются на следующей стадии в качестве фиктивных аргументов новых полиномов. [1]
Метод группового учета аргумента ( МГУА) для оценки и диагностирования эффективности виброобработок скважин заключается в следующем. Для построения статистических моделей требуется большое количество экспериментальных данных, поэтому применение самоорганизующегося метода группового учета аргумента [41] для диагноста-рования эффективности виброобработок скважин представляет практический интерес. Достоинством данного метода является возможность получения уравнения регрессии оптимальной сложности по малому числу экспериментальных точек. [2]
Метод группового учета аргументов ( МГУА) отличается от рассмотренных тем, что, используя идею эвристической самоорганизации малой выборки экспериментальных данных, позволяет выбрать вид аппроксимирующей функции и входящих в нее аргументов. [3]
Применение метода группового учета аргументов ( МГУА) показало, что индексами защитной способности ( ИЗС) этих пяти соединений являются энергия ВЗМО, количество атомов и электронов в молекулах, дипольный момент молекул. [4]
Сущность метода группового учета аргументов заключается в следующем. [5]
Использование метода группового учета аргументов при гидравлическом расчете двухфазных потоков в трубах / / Проектирование, строительство и эксплуатация магистральных нефтепроводов и нефтебаз: Межвузовский НТС. [6]
Применение метода группового учета аргументов ( МГУА) 5 показало, что ИЗС данных соединений являются: величина заряда на атоме кислорода; число атомов в молекуле; количество электронов внешних оболочек; дипольный момент молекулы. [7]
В основе метода группового учета аргументов ( МГУА) лежит схема, по которой осуществляется шаговая селекция математических моделей процесса, приводящая, как правило, к выбору оптимальной, наилучшим способом описывающей рассматриваемый процесс. [8]
В дальнейшем методом группового учета аргументов определены математические модели для прогнозирования давления насыщения для каждого класса в отдельности. [9]
Задача решена методом группового учета аргументов. Проведена также оценка точности экспериментального и статистического способов определения рн. [10]
Проведенный с помощью метода группового учета аргументов ( МГУА) поиск коэффициентов в эмпирической зависимости подтвердил установленные связи и позволил выявить характер их зависимостей. [11]
Один из них - метод группового учета аргументов ( МГУА), который вполне отвечает перечисленным требованиям и может конкурировать с методом наименьших квадратов. В сущности, в основе МГУА лежит тот же метод наименьших квадратов, но усовершенствованный привлечением идей эвристической самоорганизации математических моделей. Множество экспериментальных данных разделяется на две части. Одна часть называется обучающей последовательностью, по ней вычисляются коэффициенты модели, другая называется проверочной последовательностью, по ней рассчитывается тот или ивой критерий качества данной модели. Обучающая и проверочная последовательности могут в ходе алгоритма меняться ролями, или в некоторых разновидностях метода исполнять обе функции одновременно. На каждом этапе расчетов, называемом рядом селекции, модель перебирает несколько способов самоусложнения, заложенных в алгоритме, и выбирает тот из них, который улучшает критерий качества модели. Это означает, что модель достигла оптимальной сложности. [12]
В докладе рассмотрено применение метода группового учета аргументов для подбора математической модели в условиях недостатка информации, типичного для технологии УКМ. Приведена обобщенная схема алгоритмов селекции моделей при заданном классе уравнений, а также выбор класса уравнений модели. [13]
Для этой цели целесообразно использовать метод группового учета аргументов ( МГУА), который требует относительно малого объема статистических данных, достаточно гибок и объективен. [14]
Многие вопросы применения и обоснования метода группового учета аргументов еще нуждаются в детальной разработке. Важным достоинством этого метода является возможность на каждой стадии аппроксимации иметь дело с информационной матрицей порядка, не превышающего 6X6, что в общем случае способствует улучшению ее обусловленности. [15]