Cтраница 2
Следует отметить, что реализация различных решающих правил с учетом целей классификации приведет к различному разделению классов горных пород по буримости. Кроме того, разные задачи технологии бурения отличаются и функциями потерь, что, по-видимому, также повлияет на разделение классов и результаты распознавания. Это подтверждает принципиальную невозможность разработки универсальной классификации горных пород по буримости или другим показателям технологического процесса, хотя не исключает объединения классов при условии их близости по значениям признаков. [16]
Рао ( 1952; 257), применяя расстояние Махаланобиса, построил статистику, которая является мерой общего разделения классов. Это обобщенная мера расстояния, известная как 1 / - статистика Рао, допустима при любом количестве классов. Она измеряет разделение центроидов классов и не касается когезивности внутри клас сов. Таким образом, переменная, отобранная с помощью У-статис-тики, может уменьшить внутригрупповую когезию и в то же время увеличить разделение всех классов. У-статистика измеряет расстояния от каждого центроида класса до главного центроида с весами, равными размеру соответствующего класса. Следовательно, / - статистика не обеспечивает максимального разделения между всеми парами классов. Это верно и для Л - статистики Уилкса. [17]
Рассматривая влияние оставшихся семи признаков на явление нарушения устойчивости стенок скважины, можно сделать вывод, что основной вклад, в разделение классов вносят признаки, характеризующие перепад давления в системе скважина - пласт и физические свойства горных пород. Это значит, что рассматриваемое явление представляет собой обвалообразование, происходящее вследствие недостаточной репрессии на пласт, а также геологических условий. [18]
Параметр RK ( 5) регулирует соотношение ошибок 1-го и 2-го рода при удалении из материала обучения точек, наиболее препятствующих разделению классов. RK ( 5) 0.5. Выбор значения этого параметра определяется тем, какого рода ошибки более существенны для пользователя. [19]
Оптимум здесь возникает из-за того, что при расширении окрестности, с одной стороны, увеличивается длина выборки, попадающей в окрестность, а с другой стороны, все более сказываются нелинейные эффекты, затрудняющие разделение классов с помощью линейной поверхности. Наконец, исследуемая точка рабочей выборки классифицируется с помощью построенной гиперплоскости. [20]
Установлено, что Кф для объемных дефектов не зависит от их поперечных размеров и угла озвучивания, в то же время на значение Кф для плоскостных дефектов эти параметры заметно влияют. Разделение классов дефектов резко улучшается с увеличением размеров плоскостных дефектов. [21]
Последнее выражается в длительности и тесноте контакта этих фаз, а также характере миграции продуктов их взаимодействия. Ориентировочным рубежом для разделения классов может служить скорость фильтрации 0 05 - 0 06 м / сут. [22]
Затем для каждой из частей строит свое линейное решающее правило. Результирующее правило реализует теперь достаточно сложное нелинейное разделение классов в пространстве признаков. Сложность этого правила может быть оценена нак произведение размерности пространства описания на число таксонов. Именно таково будет число настраиваемых коэффициентов во всех линейных правилах. Следовательно, с увеличением числа таксонов сложность быстро становится соизмеримой с длиной выборки или превысит ее. [23]
В настоящее время существуют пакеты прикладных программ, в которых реализован метод комитетов. Этот метод является в некотором смысле обобщением идеи разделения классов в пространстве признаков наиболее простой поверхностью. [24]
Методы дисплея, как иногда называют двухмерные проекции многомерных данных, являются хорошими иллюстрациями результатов уже при разработанной классификации. В работе [27] использован так называемый d - дис-плей, который сохраняет некоторую геометрическую структуру данных и усиливает разделение классов, так как координатами точек при двухмерном представлении являются расстояния от центров классов. [25]
Следует отметить, что реализация различных решающих правил с учетом целей классификации приведет к различному разделению классов горных пород по буримости. Кроме того, разные задачи технологии бурения отличаются и функциями потерь, что, по-видимому, также повлияет на разделение классов и результаты распознавания. Это подтверждает принципиальную невозможность разработки универсальной классификации горных пород по буримости или другим показателям технологического процесса, хотя не исключает объединения классов при условии их близости по значениям признаков. [26]
По виду разделяющей функции метод распознавания относится к методу группового принятия решений, т.е. используется мажоритарный принцип. Разделяющей функцией является синтезируемая мажоритарная функция - это логическая ( переключательная) функция, которая принимает значение большинства входящих в нее аргументов. Мажоритарная функция позволяет производить разделение классов с максимальной достоверностью при наличии ряда бинарных признаков со случайным характером изменения величин. В случае задачи оценки состояния долота, аргументами разделяющей мажоритарной функции являются амплитудные оценки частот продольной и поперечной вибрации ведущей бурильной трубы, пульсации промывочной жидкости. [27]
Хотя обычно исследователи обращаются к классификации как к средству предсказания принадлежности к классу неизвестных объектов, мы можем использовать ее также для проверки точности процедур классификации. Для этого возьмем известные объекты ( которыми мы пользовались при выводе классифицирующих функций) и применим к ним правила классификации. Доля правильно классифицированных объектов говорит о точности процедуры и косвенно подтверждает степень разделения классов. [28]
Полиномиальные классы состоят из относительно легко разрешимых задач. Экспоненциальные классы содержат трудно разрешимые задачи, решение которых требует почти полного перебора вариантов. Поскольку вычислительные машины полиномиально эквивалентны ( отношение трудоемкости решения задач каждого класса на разных машинах не превышает полином некоторой степени от размерности задач класса), то разделение классов задач по сложности на полиномиальные и экспоненциальные представляет собой машиннонезависимую классификацию. Для отдельных классов дискретных задач полиномиальной сложности удается установить более детальную классификацию и указать степень полинома от размерности, оценивающего вычислительную сложность задач класса. [29]
Оптически активные соединения играют исключительно важную роль во многих биохимических процессах, их исследование имеет принципиальное значение для теоретической органической химии и фармации, а контроль оптической чистоты производимых лекарственных средств в настоящее время законодательно введен во всех промышленно развитых странах. В свете этого не удивителен все возрастающий интерес исследователей к совершенствованию старых и разработке новых методов разделения рацематов и контроля оптической чистоты получаемых продуктов. Однако вплоть до последнего времени методы разделения оптических изомеров мало отличались от предложенных Пастером еще в конце прошлого века, и лишь развитие хроматографии, особенно высокоэффективной жидкостной хроматографии, открыло новую страницу в этой области химической науки. Разработка хроматографических методов разделения энантиомеров позволила не только получать хиральные соединения со стопроцентной степенью оптической чистоты, яо и, что особенно важно, перейти от эмпирического поиска разделяющих систем к созданию систем, позволяющих осуществлять разделение целых классов соединений на вполне рациональной основе с предсказуемым успехом. [30]