Пространство - признак
Cтраница 3
При прямой пошаговой процедуре фиксированное пространство признаков наращивается добавлением на каждом шаге одного признака, в наибольшей степени улучшающего критерий. [31]
Кусочно-линейные алгоритмы выделяют в пространстве признаков систему локальных областей и для каждой такой области строят линейную разделяющую поверхность. Классификация объекта проводится в два этапа: сначала выясняется, в какую область попадает точка его описания, а затем проверяется, как она расположена относительно разделяющей плоскости, построенной в этой области. [32]
 |
Разделение в пространстве признаков ( а и дополненном пространстве признаков ( б. [33] |
Линейная разделяющая функция в дополненном пространстве признаков имеет простой геометрический смысл f ( х) кх п, где h - проекции вектора х на направление весового вектора К, что вытекает из смысла скалярного произведения. [34]
 |
Общая методика решения задач в нейросетевом. [35] |
НС по отношению к размерности пространства признаков и их размерам; высокая параллельность нейро-сетевых алгоритмов ( НСА) в сочетании с ограниченностью операций НСЛБ (, x sign), что предполагает дешевую аппаратурную реализацию такой системы и дает НК наиболее высокие характеристики в соотношении производительность-стоимость; самопрограммирование ( обучаемость) нейросетевой структуры; отказоустойчивость в смысле монотонного, а не катастрофического изменения качества решения задачи в зависимости от числа вышедших из строя элементов; соответствие современным перспективным технологиям. Вычисления в искусственных НС ( ИНС) существенно отличаются от традиционных. [36]
Существуют три причины для исследования пространства признаков: ( 1) Когда возникает новая задача, обычно можно определить ( или угадать) только некоторые из ее признаков и вряд ли возможно точно определить ее место по отношению к другим задачам пространства. Предполагается, что программы сходным образом решают задачи со сходными признаками. Если это не так, то такие признаки являются неадекватными и не рассматриваются. Мы должны сузить рамки исследований и множество задач для того, чтобы вообще сдвинуться с места. [37]
Задача 5 заключается в разбиении априорного пространства признаков на области, соответствующие классам априорного алфавита классов. [38]
Релизация предложенного выше метода построения пространства признаков системы распознавания обеспечивает в пределах выделенных ресурсов на создание технических средств, с помощью которых должно осуществляться определение признаков, максимальное значение критерия качества функционирования системы распознавания. Одно из предположений, на котором базируется данный метод, заключается в том, что создание каждого технического средства наблюдения системы распознавания автоматически обеспечивает определение соответствующего признака объекта или явления. Метод, таким образом, не предусматривает учета того факта, что любое техническое средство лишь с определенной вероятностью ( отличной от единицы) обеспечивает измерение соответствующих признаков распознаваемых объектов или явлений. [39]
 |
Обучающее ( темные точки и валидационные ( светлые точки множества примеров. [40] |
Методы предобработки сигналов и формирования относительно малоразмерного пространства признаков являются важнейшей составляющей нейроанализа и будут подробно рассмотрены далее в отдельной главе. [41]
R Rri, определяем в пространстве признаков выпуклый многогранник - область допустимых решений системы линейных неравенств. Так как х есть вес признака ttk, нетрудно далее установить наиболее информативные признаки в исходном пространстве свойств. [42]
К выявлению функциональных закономерностей в булевом пространстве признаков / / Докл. [43]
Вызывается подпрограмма FORMAS, которая формирует пространство признаков и распределяет векторы по группам, вычисляя характеризующие эти группы параметры. [44]
Как только определены пространство задач и пространство признаков, мы должны перейти к выбору критериев для оценки рабочих характеристик. [45]
Страницы: 1 2 3 4 5