Cтраница 2
Краткосрочное прогнозирование предусматривает определение показателя ожидаемого выпуска товарной продукции с учетом производственных условий, сложившихся на каждом предприятии и в подотрасли. Для сглаживания ошибок и повышения точности прогноза используется рекуррентное соотношение, учитывающее ошибку прогноза. [16]
Это следует из известного принципа моделирования, согласно которому сложность применяемой модели должна соответствовать точности имеющейся исходной информации. Использование слишком сложных моделей при отсутствии необходимых исходных данных приводит к неоправданному увеличению трудности решения и объема вычислений без повышения точности прогноза. [17]
Прогнозирование геофизических явлений, которые могут вызвать стихийные бедствия, уже дает положительные результаты. Это было достигнуто более высокой степенью готовности населения, спасательных служб к таким явлениям, внедрением надежных систем связи, повышением точности прогнозов. Однако при этом сохраняется непрерывный рост материального ущерба. [18]
Флуктуации интенсивности в импульсе вызывают появление случайной ошибки, к-рая ограничивает точность всей системы. Это достигается повышением точности прогноза условий распространения излучения, применением методов статистич. Дальнейшее уменьшение погрешности измерения дальности до объекта возможно с помощью фазового метода ( см. Обращение волнового фронта, Адаптивная оптика), к-рый в основном применяется в геодезич. В ряде случаев используются уголковые отражатели, позволяющие существенно повысить уровень принимаемого сигнала за счет высокой направленности отраженного излучения и тем самым увеличить дальность локации. [19]
Для моделирования линейного элемента пласта, лабораторных экспериментов и построения приближенных методик применяют одномерные модели. Простейшие приближенные методики обычна используют для оценочных прогнозов при недостаточной информации о строении пласта и отсутствии большой части необходимых экспериментальных данных. Это следует из известного принципа моделирования, согласно которому сложность применяемой модели должна соответствовать точности имеющейся исходной информации. Привлечение слишком сложных моделей при отсутствии необходимых исходных данных приводит к неоправданному усложнению решения и увеличению объема вычислений без повышения точности прогноза. Простейшие одномерные задачи допускают аналитические решения методом характеристик, которые могут служить эталоном для сравнения и выбора эффективных численных алгоритмов. [20]