Решение - задача - классификация
Cтраница 3
Одна из трудностей, встретившихся при решении задачи классификации по наличию азота, была связана с распределением спектров по выборкам. [31]
Рассмотрим пример, иллюстрирующий разницу в решении задачи классификации векторов рабочей выборки с помощью решающего правила, минимизирующего средний риск по обучающей последовательности, и с помощью правила, доставляющего минимум суммарному риску. [32]
Анализ различных методов теории распознавания образов для решения задачи классификации углеводородных залежей показывает, что при большой погрешности исходной информации, обусловленной значительными изменениями информативных признаков в пределах одной и той же залежи, наиболее эффективно применение таких методов, как ранговая классификация, последовательная процедура Вальде, и других, обладающих малой чувствительностью по отношению к этим изменениям. С этой целью пределы интервала каждого признака выбирают такими, чтобы признак для данной залежи изменялся в пределах одного или двух соседних интервалов. [33]
Представление переменных в бинарной форме используется при решении задач классификации в пакете ОТЭКС. В пакетах BMDP 75, BMDP 79, ППСА переход к двоичному представлению легко осуществляется с помощью средств функционального преобразования признаков, хотя специальные программы для такого преобразования отсутствуют. [34]
В работе рассмотрено применение нескольких вариантов архитектур для решения задачи классификации кривых восстановления давления. [35]
Здесь же рассмотрим пример, иллюстрирующий разницу в решении задачи классификации векторов рабочей выборки методом минимизации суммарного риска и с помощью решающего правила минимизирующего эмпирический риск на обучающей последовательности. На рис. 20 векторы первого класса обучающей последовательности обозначены крестиками, векторы второго класса - кружочками. Черными точками показаны векторы экзаменационной выборки. [36]
В этом пункте мы приводим краткий обзор основных методов решения задач классификации линейных отображений, сохраняющих матричные инварианты. Наша цель - показать, что различные идеи и методы из разных направлений математики важны для изучения задач об отображениях, сохраняющих матричные инварианты. Для того чтобы это проиллюстрировать, приводится описание различных методов работы с LP-проблемами, включая некоторые недавние подходы. [37]
В работе предлагается способ оценки информативности признаков объекта при решении задач классификации, использующий методы многофакторного планировании экспериментов. [38]
Рассмотрим несколько конкретных примеров применения аппарата искусственных нейронных сетей для решения популярных задач классификации, прогнозирования, аппроксимации, сжатия информации, построения экспертных систем и некоторых других. [39]
Комплект ЛИТМО-ПЕРФО предназначен прежде всего для использования в технологических бюро для решения задач классификации и группирования. Можно предположить, что комплект найдет применение и в других областях, где требуются массовый выбор и простые вычисления. В частности, можно механизировать расчеты по сетевому планированию, так как при этом требуется выбор данных для определения критического пути и расчеты календарных сроков выполнения работ. [40]
Сущность задачи классификации предприятий заключается в выделении производственных систем данного предприятия и нахождении набора ТПС для данного предприятия через решение задачи классификации выделенных ПС. Поскольку предприятие может быть разделено, как правило, на несколько вариантов наборов ПС, то и задача классификации предприятия имеет несколько возможных решений. [41]
 |
Генетический алгоритм и нейронная сеть независимо применяются для решения одной и той же задачи. [42] |
Например, описаны независимые применения нейронных сетей, генетических алгоритмов и алгоритма KNN ближайший сосед ( К - means nearest neighbour) для решения задач классификации. В работе [40] проведено сравнение трехслойной однонаправленной нейронной сети с обучением по методу обратного распространения ошибки ( обучение с учителем), сети Кохонена с самоорганизацией ( обучение без учителя), системы классификации, основанной на генетическом алгоритме, а также алгоритма KNN ближайший сосед. Авторы работы [39] считают независимое применение этих методов для решения задачи автоматической классификации результатов ЭМГ ( электромиография - регистрация электрической активности мышц) вспомогательным объединением. [43]
Регрессионные методы широко применяются при построении эмпирических моделей технологического оборудования, при этом модель F ( z) аппроксимирует существующую зависимость на множестве заданных функций г. В случаях решения задач классификации или распознавания образов модель F позволяет построить оптимальную дискриминантную поверхность, отделяющую один класс от всех остальных классов или явлений. Кроме того, указанные методы позволяют решать специфические задачи при построении поля параметров пласта, например, задачу отыскания коэффициентов связи между скважинами как действующего, так и проектируемого фонда. [44]
 |
Определение расстояния между классами и внутри класса. [45] |
Страницы: 1 2 3 4