Cтраница 3
Электрическое хозяйство предприятий является устойчивой технической системой. Ее устойчивость означает стабильное изменение электрических показателей во времени, которое определяется постоянством структуры установленного электрооборудования. Рост численных значений электрических показателей ( А, Рм, Д, Ру и др.) во времени и наличие закономерностей в их изменениях позволяют прогнозировать развитие электрического хозяйства предприятий на перспективу. [31]
Теория радикалов позволяет довольно точно предсказать состав продуктов распада простейших парафиновых углеводородов при низком давлении. При теоретическом расчете состава продуктов крекинга более высокомолекулярных углеводородов ( по данным М. Д. Тиличеева, начиная с С12Н26 и выше) не получают точных результатов, что заставляет предполагать наличие закономерностей, не предусмотренных теорией Раиса. [32]
Для каждого такого прогиба необходимо установить закономерности распространения рассеянных органических веществ в илистых-пелитовых породах, образующих мощные толщи. В настоящее время советские геологи изучают закономерности распространения рассеянных органических веществ в мощных толщах пелитовых пород, которые могут рассматриваться в качестве нефтематеринских формаций. Первые же обобщения имеющихся материалов показывают наличие закономерностей, подтверждающих региональность и направленность процессов битумообразования. В § 24 и 30 было показано, что переход от рассеянного состояния подвижных битуминозных веществ в пелитовых породах к массе нефтяных углеводородов в коллекторских пластах совершается в процессе региональной миграции рассеянных веществ. Там же были разобраны и условия формирования залежей в процессе внутрирезервуарной миграции и дифференциации углеводородов, всплывающих над водой и накапливающихся в ловушках. [33]
Вторая группа методов пришла из техники - там при анализе сигналов давно и с успехом используется спектральный анализ. С помощью специальных методов ( разложения в тригонометрические ряды и интегралы Фурье) производится выделение наиболее значимых гармоник, которые и дают регулярную часть колебаний вокруг тренда. Поэтому настало время учиться анализировать те данные, которые предоставляет спектральный анализ и строить на основании этих данных прогнозы. Эти методы довольно чувствительны к погрешностям в задании ис - ХОДНЬ Х данных и потому иногда приводят к заключениям о наличии закономерностей в изучаемом процессе, которых на самом деле нет. [34]
Для уяснения этой мысли мы должны остановиться на одной чрезвычайно существенной особенности в строении значения слов, котор то мы уже упоминали при анализе результатов наших экспериментов. Так мы различали в семантической структуре слова его предметную отнесенность и его значение и стремились показать, что то и другое не совпадает. С функциональной стороны это привело нас к различению индикативной и номинативной функции слова, с одной стороны, и его сигнификативной функции - с другой. Если мы сравним эти структурные и функциональные отношения в начале, в середине и в конце развития, мы сумеем убедиться в наличии следующей генетической закономерности. В начале развития в структуре слова существует исключительно его предметная отнесенность, а из функций - только индикативная и номинативная функции. Значение, независимое от предметной отнесенности, и сигнификация, независимая от указания и наименования предмета, возникают позже и развиваются по тем путям, которые мы пытались проследить и обрисовать выше. [35]
Присущая обучающимся машинам принципиальная способность работать с неполной информацией делает их чрезвычайно мощным инструментом прогнозирования будущего, основанного, естественно, на накопленном опыте. Подобная возможность выявлена, например, в экспериментах с распознаванием лиц по фотографиям, проведенных на машине UCLM-II, когда было установлено, что она правильно опознает человека, даже в тех случаях, когда большая половина изображения закрыта. Если при рассмотрении последовательности событий, такой, например, как произносимые голосом слова, когда первая половина фразы поступает раньше второй, машине встретится первая половина фразы, то она сможет предложить наиболее вероятный вариант продолжения. Машина, естественно, может ошибиться, однако если такая временная последовательность слов или метеорологических данных будет должным образом обработана, то можно надеяться, что машина будет повышать качество прогнозирования по мере обучения и увеличения объема хранимой информации. Успех прогнозирования зависит от наличия естественных закономерностей или ограничений в системе, задающих определенный тип последовательностей событий. Такие ограничения, очевидно, существуют в лингвистике, в артикуляции звуков речи, в изменениях давления и температуры воздуха и в инерционности процессов экономических и производственных систем. [36]