Cтраница 2
Обращение матрицы несложно, так как порядок полинома г невысок. Данные, на основании которых они получены, описаны в конце этого параграфа. [16]
При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Для того чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [17]
При малых объемах выборки п увеличение порядка полинома может привести к росту остаточной дисперсии. Чтобы уменьшить число определяемых коэффициентов, используют трансцендентную, регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [18]
При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Для того чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [19]
При малых объемах выборки п увеличение порядка полинома может привести к росту остаточной дисперсии. Чтобы уменьшить число определяемых коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [20]
При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [21]
При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Для того чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [22]
С возрастанием числа компонентов в смеси и порядка полинома резко увеличивается общее число опытов и применение рандомизированных в блоках планов и ортогональных планов типа латинских квадратов становится невозможным. Поэтому возникает потребность неполноблочного планирования для исследования свойств смесей. Однако из-за нормированности суммы компонентов смеси планы на симплексе без преобразования переменных не удовлетворяют основным требованиям для планирования в неполных блоках. [23]
С - константа, не зависящая ни от порядка полинома, ни от его коэффициентов. [24]
Порядок полинома в знаменателе должен быть равен или превышать порядок полинома в числителе. [25]
Ошибки классификации ( в процентах) для различных значений порядка полинома г и настраиваемо. [26]
В задачах описания в зависимости от степени имеющейся априорной информации порядок полинома может быть либо известен, либо неизвестен. [27]
В общем случае к такому же эффекту может привести повышение порядка полиномов сплайн-функций. [28]
Так как структурная схема состоит из отдельных типовых звеньев, у которых порядок полиномов, стоящих в числителе и знаменателе передаточных функций, не более двух, то при известных ( заданных) параметрах звеньев можно считать известными также корни числителя и знаменателя каждого звена, а следовательно, и всей передаточной функции разомкнутой системы. Корни числителя ( 7 - 24) являются нулями, а корни знаменателя ( 7 - 24) - полюсами передаточной функции разомкнутой системы. Нули передаточной функции замкнутой системы ( 7 - 25) совпадают с нулями разомкнутой системы, а полюса не совпадают. [29]
Полиномиальная модель очень удобна, так как позволяет улучшать аппроксимацию, повышая порядок полинома, приводит к линейной системе нормальных уравнений при определении коэффициентов уравнения регрессии методом наименьших квадратов. [30]