Cтраница 3
Решение задачи классификации, выбора модели исследуемого случайного процесса при измерении его вероятностных характеристик связано с большими трудностями, чем при измерении параметров детерминированных сигналов. [31]
Помимо задач классификации, нейронные сети широко используются для поиска зависимостей в данных и кластеризации. Кластеризация - это разбиение набора примеров на несколько компактных областей ( кластеров), причем число кластеров заранее неизвестно. Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, нейронная сеть на основе методики использования МГУА ( метода группового учета аргументов) позволяет по обучающей выборке 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, быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия. [32]
Трудность задачи классификации функций от п переменных при п 6 состоит в том, что, как число самих функций Fn 22 264 1019, так и порядки используемых групп преобразований слишком велики, чтобы можно было говорить о каком-либо переборе. [33]
Сущность задачи классификации предприятий заключается в выделении производственных систем данного предприятия и нахождении набора ТПС для данного предприятия через решение задачи классификации выделенных ПС. Поскольку предприятие может быть разделено, как правило, на несколько вариантов наборов ПС, то и задача классификации предприятия имеет несколько возможных решений. [34]
Для задач классификации биологических объектов и дактилоскопических снимков, опознавания радиосигналов и других создаются специальные системы разпознавания образов. [35]
Целью задачи классификации ошибок ПО является создание метода упорядочения информации о программных ошибках с тем, чтобы на основе анализа этой информации получить представление о причинах, породивших ненадежность, и о путях их предупреждения. Эта информация используется для обнаружения ошибок в программах и их последующего исправления. [36]
Решите задачу классификации из хорошо знакомой вам предметной области, используя методику дерева решений. [37]
В задаче классификации пластов общее правило должно было бы отражать связь между данными каротажа, с одной стороны, и насыщением пласта водой или нефтью, с другой. [38]
К задачам классификации первого типа относятся те, в которых одные измерения требуется разделить на устойчивые группы. Их ывают задачами классификации без учителя, кластеризации, таксо - 1ии, типизации. Этот тип классификации основан преимущественно шытных данных. [39]
Назовем задачами классификации с явно заданными признаками такие задачи, в которых искусство эксперта проявляется в основном в умении увидеть через заданную совокупность значений отдельных признаков целостный образ объекта. Задачи классификации с явными признаками широко распространены в человеческой практике. [40]
В задачах классификации наиболее распространено правило интерпретации победитель забирает все: число выходных нейронов равно числу распознаваемых классов, номер нейрона с максимальным сигналом интерпретируется как номер класса. Однако, если классов много, для реализации метода требуется много выходных нейронов. [41]
В задачах классификации ситуаций точность решения зависит в большой степени от точности отображения объектов исследования совокупностью признаков, от информативности каждого из признаков описания объектов. Известные методы оценки информативной эффективности признаков, как и методы классификации, можно разбить на две группы: вероятностно-статистические и адаптивные. [42]
Важной является задача классификации сигналов, под которой понимается определение принадлежности параметров сигнала к одному из возможных распределений. [43]
В ГИС задачи классификации первго типа возникают и решаются при разработке классификаторов, т.е. при организации информационной основы, задачи второго типа - при сборе первичных данных и при использовании ГИС для экспертных решений или оценок. Задачи классификации третьего типа возникают в приложениях ГИС для решения проблем в области экологии, землепользования, статистики и т.п. Задачи четвертого типа классификации требуют решения при организации и выборе основных технологических процессов ГИС, пятого типа - при организации информационной системы, представлении ( формализации) и оптимизации ее технологических процессов. Строго говоря, классификационные задачи пятого типа должны предшествовать классификационным задачам четвертого и других типов. [44]
При решении задач классификации ( распознавания объектов) применяются методы адаптации, позволяющие прогнозировать продолжительность эффекта после проведения каждого вычисленного мероприятия по всем скважинам месторождения. [45]