Метод - групповой учет - аргумент
Cтраница 2
Например, нейросеть на основе методики МГУА ( метод группового учета аргументов) позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома. Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных ( например, финансовых), которые не обнаруживаются стандартными статистическими методами. [16]
Исследования показали, что наиболее приемлемым в данной ситуации является метод группового учета аргументов ( МГУА), который позволяет строить прогнозы достаточно высокой надежности при малом числе наблюдений, требует минимальной априорной информации и является объективным методом моделирования. [17]
Примером их явгяются геолого-статист ческие модели, разработанные с помощью метода группового учета аргументов при различных способах вскрытия песчаников бурением. Модели рекомендуются для прогнозирования аффекта ТГХВ в скважинах северо-западной группы месторождег и ( Jar taposc - кого, Арланского), Предложенные модели обеспечивают приемлемую точность прогноза величины аффекта ТГХВ. [18]
 |
Выбор вида модели. [19] |
Построение оптимальной модели производится на основании оценки значения критерия селекции методом группового учета аргумента. Адекватность модели проверяется сравнением существующих и прогнозируемых значений. [20]
Для решения указанной задачи применяется метод, обладающий определенными преимуществами по сравнению с методом группового учета аргументов ( МГУА), основанный на идее эвристической самоорганизации математической модели. [21]
На основании обобщения данных по исследованию устьевых проб месторождений, характеризующихся небольшими глубинами, методом группового учета аргументов разработана математическая модель для определения давления насыщения. [22]
Для выявления работоспособности НКТ в зависимости от механических и физико-химических факторов был выбран обобщенный алгоритм метода группового учета аргументов ( МГУА) с мультипликативными моделями [23], который в сравнении с другими методами математической статистики обладает большей помехоустойчивостью при небольшом числе исходных данных. [23]
В известных методах построения аналитической зависимости между входной и выходными величинами эксперимент используется лишь для оценки коэффициентов, а решение остальных задач возлагается на самого исследователя. Метод группового учета аргументов позволяет на основании малой выборки экспериментальных данных объективно выбрать вид аппроксимирующей функции. При этом исходная экспериментальная выборка делится на обучающую и проверочную последовательности. [24]
 |
Величина КО может изменяться. [25] |
Определение КО производятся методом группового учета аргументов ( ШУА) по программа, приведенной в 7, Изменение КО в результате аоздействия на занежь MOSHO рассматривать как реакцию пчеста на внзсешюв возмущение. [26]
Были реализованы модифицированные алгоритмы моделирования, в том числе: полиномиальный алгоритм метода группового учета аргументов, гармонический алгоритм метода группового учета аргументов, алгоритм Бокса-Дженкинса, алгоритм адаптивной фильтрации, авторегрессиопный алгоритм. [27]
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. [28]
Были реализованы модифицированные алгоритмы моделирования, в том числе: полиномиальный алгоритм метода группового учета аргументов, гармонический алгоритм метода группового учета аргументов, алгоритм Бокса-Дженкинса, алгоритм адаптивной фильтрации, авторегрессиопный алгоритм. [29]
Для построения каждого последующего ряда селекции из предыдущего ряда по критериям регулярности или несмещенности с учетом критерия минимума аргументов выбирается R уравнений. Процесс селекции продолжается до тех пор, пока критерий селекции больше не уменьшается или уменьшается незначительно. Метод группового учета аргументов позволяет построить машинные программы для автоматического расчета регрессионных моделей оптимальной сложности. В отличие от регрессионного анализа МГУА может обеспечивать построение регрессионных моделей с числом членов больше, чем число испытаний N. МГУА используется для построения прогностических моделей в системах распознавания и диагностики, при этом более подходящим критерием селекции является критерий регулярности. [30]
Страницы: 1 2 3