Признаковое пространство

Cтраница 3

Выяснилось, что в каждом из рассмотренных признаковых пространств разделение УВС разного типа несколько лучше, чем в признаковом пространстве Гм, Р, т.е. учет типа РОВ вмещающих отложений оказывает существенное влияние на фазовое состояние углеводородов в залежах. В каждом из признаковых пространств происходит еще большее обособление области распространения газовых скоплений, во всех трех случаях однозначно выделяются области преимущественного развития газоконденсатных и нефтяных залежей и имеются области смешанного типа. Границы раздела залежей разного типа в первом и во втором признаковом пространстве ( Р, RI: I) и ( Р, Rli2) криволинейные, в третьем ( Р, R2ll) прямолинейные. Они описываются уравнениями z R IP; z2R 2 / P, z3Rlii / P. [31]

Исторически сложилось так, что первые теоретические исследования и прикладные работы в области распознавания базировались на том, что признаковое пространство известно, известен также и алфавит классов. В настоящее время часто при построении распознающих устройств имеет место ситуация, когда известны и алфавит классов, и словарь признаков. Однако в общем случае при построении реальных систем распознавания, требующих разработки специальных измерительных средств и целых измерительных комплексов, исходить из того, что алфавит классов и словарь признаков априорно известны, к сожалению, не приходится. [32]

В отличие от обычной регрессионной функции, параметры которой остаются стабильными для всех объектов, здесь параметры различны для различных областей признакового пространства. [33]

Евклидово расстояние точек по оси абсцисс и по оси ординат - на основании теоремы Пифагора (. [34]

Если мы уподобим это пространство обычному пространству, имеющему евклидову метрику, то тем самым мы получим возможность измерять расстояния между точками признакового пространства. Эти расстояния называют евклидовыми. Их вычисляют по тем же правилам, как и в обычной евклидовой геометрии. [35]

Ранжируя объекты, респонденты руководствуются каким-то набором характеристик последних ( одним и тем же для всех респондентов), т.е. мыслят эти объекты в виде точек некоторого признакового пространства. У каждого респондента имеется некоторое представление об идеальном объекте. И один объект кажется ему лучше, чем другой, если первый - ближе к этому идеальному объекту в рассматриваемом пространстве ( см. пп. [36]

Достоинство способа многомерной группировки заключается в том, что он позволяет с той или иной степенью точности формализовать задачу классификации, используя при этом различные алгоритмы таксономии, и выделить реально существующие в признаковом пространстве скопления точек - объектов с одновременной их группировкой по большому числу признаков. [37]

Будем считать новым признаком сложный признак, отобранный на предыдущем этапе. Переход в новое признаковое пространство осуществляется следующим образом. [38]

Алгоритмы KLOP и SUMKL, использующие таксонную структуру, реализуются последовательно вызываемыми программами ТАКСОН и FOP. Программа ТАКСОН строит таксонную структуру в признаковом пространстве. Для этого строится ряд уровней разбиения выборки на таксоны. [39]

Сущность способа многомерной группировки заключается в том, что объекты классифицируют одновременно по всему набору признаков. Этот фиксированный набор признаков образует так называемое признаковое пространство, в котором каждому из них придается смысл координаты. Если в набор входит р признаков, то любой объект рассматривается как точка в р-мерном признаковом пространстве и задача рационального группирования сводится к выделению сгущений точек в этом пространстве. В этом случае группы формируются на основании близости объектов по большому числу признаков. При этом ни один из признаков, входящих в набор, не является необходимым или достаточным условием принаделжности конкретного объекта к группе. [40]

Изображение вось - Определим теперь весовые коэффициенты. [41]

На рис. 22.5 изображено восемь образов в двумерном признаковом пространстве. Определим внутриклассовые расстояния до и после преобразования признакового пространства. [42]

Выбранные признаки ( I), связанные с аыплиаудным и фазовым спектром сигнала усилия, ставят в соотвеазшие предъявленной динамограыце определенную точку в Л / - мерном пространстве признаков. В результате предъявления ЙСТД обучающей выборки образов-динамограии в признаковом пространстве образуется скопление Шочек вокруг некоторых центров. [43]

Изложены общая постановка проблемы распознавания объектов и явлений, процессов и ситуаций. Рассмотрены системотехнический подход к построению систем распознавания, формированию признакового пространства в условиях ограничений ресурсов, нетрадиционные непараметрические методы обработки априорной информации, вероятностные и логические алгоритмы распознавания, модели оптимального управления процессом распознавания, методы и алгоритмы оценки эффективности систем распознавания. [44]

Изложена общая постановка проблемы распознавания объектов и явлений, процессов и ситуаций. Рассмотрены системотехнический подход к построению систем распознавания, формированию признакового пространства в условиях ограничений ресурсов, нетрадиционные непараметрические методы обработки априорной информации, вероятностные и логические алгоритмы распознавания, модели оптимального управления процессом распознавания, методы и алгоритмы оценки эффективности систем распознавания. [45]

Страницы: 1 2 3 4