Погрешность - прогнозирование
Cтраница 1
Погрешность прогнозирования ( при трех-четырех исходных точках) весьма незначительна. [1]
Погрешность прогнозирования результатов поисково-разведочных работ существенно возрастает с ростом горизонта планирования. [2]
Согласно этой таблице погрешность прогнозирования результатов с помощью обобщенных графиков по сравнению с точными машинными данными составляет 0 98 % для коэффициента теплоотдачи при наружном обтекании ребристой поверхности, 0 14 - для коэффициента теплопередачи, 0 48 - для теплового потока, 2 8 - для потерь давления, 0 2 - для эксплуатационных расходов, 1 7 -для капитальных вложений, 1 15 % - для приведенных затрат. Такое хорошее соответствие данных характерно для большинства обследованных аппаратов. [3]
Вычисление постоянных коэффициентов методом наименьших квадратов значительно снижает погрешность прогнозирования изменения переходного сопротивления. [4]
Помимо указанной физико-химической причины по данным микроанализа устанавливаются и методические источники погрешности прогнозирования. [5]
Следует отметить, что для целевых функций, имеющих несколько локальных минимумов, например для пластинчато-трубчатых аппаратов [43], соответствие нарушается и погрешности прогнозирования результатов могут достигать 20 - 30 % и более. Таким образом, вопрос об использовании предлагаемого способа обработки данных применительно ко всей области, определения целевой функции или в отдельных подобластях для каждого вновь рассматриваемого типа теплообменника должен решаться путем автономного расчетного исследования. [6]
Установлено, что при подобном способе прогноза на каждом шаге итеративного процесса корректировки веса ( коэффициенты bi) дрейфуют, тем самым постепенно минимизируется погрешность прогнозирования. [7]
 |
Гистограмма изменения частот отрицательных погрешностей прогнозов отборов жидкости в зависимости от обводненности. [8] |
Заметим, что по мере роста обводненности продукции всех изученных площадей коэффициент корреляции характеристики обводнения, как правило, возрастает, и, как следствие этого, погрешность прогнозирования в среднем снижается. [9]
Справедливо, что предположение, лежащее в основе теории двух потоков Кубелки - Мунка, никогда полностью не выполняется для реальных покрытий, окрасок, бумаг или пластмасс в условиях, как их видит потребитель. Однако, несмотря на споры вокруг этого вопроса, погрешности прогнозирования цветового соответствия, выполненного на базе теории Кубелки - Мунка, часто весьма незначительны. Нужно ли в этом случае создавать более точные модели. Нужно ли использовать простую модель в качестве первого шага и заканчивать методом проб и ошибок. Абсолютная истина, как правило, слишком сложна, что снижает ее практическую значимость. Если истина труднодоступна, весьма вероятна неудача в ее достижении. Каждое предприятие должно найти компромисс между простотой и точностью. В частности, следует отвергнуть систему, которая при высокой стоимости всегда находит рецептуру для желаемого цвета, хотя и со столь малыми погрешностями, что их невозможно измерить. [10]
При изменении пластового, а следовательно, забойного давления свойства газа начинают ограничивать например, дебит скважины. Так, оценочные расчеты, приведенные в работе [7], показывают, что при неучете отклонения реальных газов от закона Бойля-Мариотта и изменения их вязкости вследствие изменения давления погрешности прогнозирования дебитов колеблются в пределах от 10 до 16 % для метана и от 23 до 28 % - для природного газа рассмотренного состава. [11]
При изменении пластового, а следовательно, забойного давления свойства газа начинают сказываться, например, на величине прогнозируемого дебита скважины. Так, оценочные расчеты, приведенные в работе [19], показывают, что при неучете отклонения реальных газов от закона Бойля - Мариотта и изменения их вязкости вследствие изменения давления погрешности прогнозирования дебитов колеблются в пределах от 10 до 16 % для метана и от 23 до 28 % для природного газа рассмотренного состава. [12]
Данные модели отражают факт наличия информационной избыточности, которая позволяет выявить неисправности на основе проверки инвариантности некоторых характеристик к изменению параметров объекта диагностирования. Например, значения ПК, вычисляемых по моделям вида (17.1) - (17.2), не должны отличаться на некоторую величину, которая может быть рассчитана на основе метрологических характеристик информационно-измерительных каналов и погрешности прогнозирования самих моделей. При этом значения ПК могут изменяться в широких пределах. Невыполнение инвариантности свидетельствует или о возникновении неисправности элементов информационно-измерительных каналов, или о неадекватности моделей диагностирования, или об изменении характеристик технологического оборудования. [13]
Исследуемые параметры сначала были записаны на диаграммную бумагу, а затем с помощью преобразователя графической информации Ф001 непрерывные реализации указанных процессов квантовались по времени. В соответствии с предлагаемым алгоритмом была составлена программа и после ввода цифровых данных в память машины осуществлялась адаптивная дискретизация функций. Параллельно измерялась погрешность прогнозирования 6 последующего отсчета. [14]
Следует отметить, что метод наименьших квадратов, с помощью которого находят коэффициенты сглаживающей кривой, не единственно возможный для этой цели. Метод наименьших квадратов наиболее разработан в теоретическом отношении и является самым действенным в том смысле, что он приводит обычно к несмещенным, состоятельным и эффективным оценкам. Однако метод наименьших квадратов требует сравнительно громоздких вычислений. Поэтому иногда для сглаживания используют более простой в вычислительном отношении, но менее эффективный в смысле погрешности прогнозирования метод - метод средних. [15]
Страницы: 1 2