Значение - аппроксимирующая функция
Cтраница 1
Значения аппроксимирующей функции / А 1 ( у / ы - i) в базовых точках совпадают с соответствующими значениями функции / i ( V i) в тех же точках. [1]
Значения аппроксимирующей функции, ее первая и вторая производные вычисляются в подпрограммах с именем SP со входными параметрами N, X, F, С, Х1 и выходными - Р, Р1, Р2, совпадающими по смыслу с соответствующими переменными программы на Бейсике. [2]
Числа ( 1) и ( - 1) в табл. 7.3, задающие значения аппроксимирующей функции на данном значении факторов, подобраны таким образом, чтобы удовлетворялось условие ортогональности. [3]
Наконец, близка к задачам транспортного типа задача наилучшей аппроксимации одномерной функции при ограничениях на значения аппроксимирующей функции и ее первой производной. [4]
Фишера, показывающая вероятностный характер получения результатов испытаний; 8 - уровень значимости, характеризующий достоверность принятой гипотетической дисперсии, то это упрощает нахождение чисел, описывающих значения аппроксимирующих функций на заданном числе факторов. [5]
При этом возникает задача выбора конкретного вида функций рг ( х), при которых невязка A. V ( К) между значением аппроксимирующей функции и значением наблюдаемой функции, искаженной помехой, минимальна. Необходимо учесть, что восстановление коэффициентов С, и подсчет невязки AJV ( К) надо проводить на различных выборках, так как если невязку A7V ( К) подсчитывать на той же выборке, по которой восстанавливаются коэффициенты С, то с увеличением К в ( 1), несмотря на уменьшение достоверности коэффициентов GI из-за ограниченности статистики, невязка A. [6]
Функции F могут зависеть от параметров, непрерывно меняющихся в некоторой области - это параметрич. Наконец, область определения и область значений аппроксимирующих функций могут быть не только подмножествами евклидова пространства, а существенно иных то-пологич. [7]
 |
Результаты регрессии исходных данных ( функциями, приведенными на.| Регрессия исходных данных ( с выводом аналитической зависимости. [8] |
Во всех примерах, представленных на рис. 2.23 - 2.26, использованы одни и те же массивы данных, характер распределения которых, естественно, не соответствует выбранным видам регрессии. Для оценки связи между массивом данных и значениями аппроксимирующей функции подсчитан коэффициент корреляции согг. [9]
Линейно-кусочная аппроксимация также является достаточно простым и эффективным способом. В случае квадратичной аппроксимации частотный диапазон делится на несколько меньших интервалов и подбирается параболическая зависимость в каждом из них. В точках соприкосновения обеспечивается равенство как значений аппроксимирующих функций, так и их производных. [10]
Следует отметить, что весьма важным требованием при выборе аппроксимирующих характеристик является необходимость соблюдать равенство площадей петель гистерезиса аппроксимируемых и аппроксимирующих функций. В качестве аппроксимирующих функций могут быть выбраны не обязательно релейные характеристики. При доказательстве теорем 1 и 2 использовались лишь условия равенства площадей петель гистерезиса в характеристиках, а не условие того, что значение аппроксимирующей функции должно быть больше ( меньше) значения аппроксимируемой в соответствующих областях фазовой поверхности. [11]
Некоторые функции, встречающиеся в практике моделирования, являются относительно сложными кривыми. Требуемая точность аппроксимации их может быть получена путем применения некоторых искусственных приемов. Один из них состоит в использовании нескольких блоков нелинейности, включенных параллельно. Аппроксимируемая кривая делится на несколько участков, каждый из которых может быть аппроксимирован обычным способом. При этом для всех участков, кроме первого, начальные значения функции полагаются равными нулю. Сумма выходных напряжений дает значения аппроксимирующей функции для любого значения входного напряжения. [12]
Страницы: 1