Cтраница 1
Решение задачи классификации, выбора модели исследуемого случайного процесса при измерении его вероятностных характеристик более трудно, чем при измерении параметров детерминированных сигналов. [1]
Решение задачи классификации осуществляется следующим образом. [2]
Решение задачи классификации, выбора модели исследуемого случайного процесса при измерении его вероятностных характеристик связано с большими трудностями, чем при измерении параметров детерминированных сигналов. [3]
Для решения задач векторной классификации Карпентером и Гроссбергом предложен класс нейронных сетей, реализующих модели адаптивной резонансной теории ( APT) ( ART-1, ART-2 и ARTMAP), сохраняющих пластичность для запоминания новых образов и, в то же время, предотвращающих изменение ранее запомненных образов. [4]
Для решения задачи алгоритмической классификации зацеплений достаточно построить два алгоритма: первый алгоритм генерирует список диаграмм зацеплений так, чтобы для любого изотопического класса зацеплений в списке встретилась хотя бы одна представляющая его диаграмма; второй алгоритм должен по двум диаграммам за конечное время определять, эквивалентны ли задаваемые ими зацепления. Поскольку первый алгоритм строится достаточно просто ( например, можно перебрать все комбинаторные типы диаграмм зацеплений), алгоритмическая классификация сводится по сути к проблеме сравнения зацеплений, заданных диаграммами. [5]
Алгоритм решения задачи классификации основан на методе вектора спада. Изложенный выше подход к проблеме классификации представляет собой задачу комбинаторной оптимизации. [6]
При решении задач классификации основной акцент делается на отыскании приемлемого, но, возможно, приближенного соответствия между данными и решениями на некотором уровне абстракции. [7]
При решении задач классификации ( распознавания объектов) применяются методы адаптации, позволяющие прогнозировать продолжительность эффекта после проведения каждого вычисленного мероприятия по всем скважинам месторождения. [8]
В решении задач классификации и распознавания главную роль играют выбор и выделение отличительных признаков. Выбор признаков определяется прежде всего сущностью задач управления, при решении которых используются классификации или происходит распознавание объектов и процессов. Однако при наличии большого числа признаков, характеризующих классификационные объекты, возникает задача выбора более информативных. [9]
При решении задач классификации объектов и параметров как в геологии, так и в разработке нефтяных и газовых месторождений находит применение один из методов факторного анализа - метод главных компонент. Главные компоненты представляют собой линейные комбинации исходных геолого-физических параметров и обладают важным свойством взаимонезависимости, т.е. коэффициент корреляции между ними равен нулю. Количество полученных главных компонент равно числу исходных геолого-физичес: - ких признаков, характеризующих объект разработки. Общее количество информации, содержащейся в главных компонентах равно количеству информации, содержащейся в геолого-физических параметрах, но несколько первых главных компонент содержат почти всю эту информацию. [10]
Рассмотрен пример решения задачи классификации с помощью изложенных интерполяционных методов в двухмерном пространстве. На рисунке показаны также разделяющие кривые, найденные при линейной ( 2) и квадратичной ( 3) аппроксимации классифицирующей функции. [11]
Рассматриваются методы решения задачи классификации, основанные на восстановлении классифицирующей функции с помощью алгоритмов метода наименьших квадратов, стохастической аппроксимации и кусочно-линейной аппроксимации. [12]
Установленное соответствие дает решение задачи классификации ( - инвариантных связностей или ( 5-симметричных калибровочных полей. Чтобы полностью характеризовать эту редуцированную теорию, необходимо получить ее действие из действия исходной многомерной теории. [13]
Основными ППП для решения задачи многомерной классификации являются Класс-мастер, SPSS, SAS. Многие алгоритмы многомерной классификации основаны на геометрическом представлении кластера как локального скопления точек в заданном признаковом пространстве. [14]
Система ИЛИС ориентирована на решение задач эвристической классификации в проблемных средах типа 1 на основе индуктивного вывода по примерам обучающей выборки. [15]