Априорные сведения
Cтраница 1
Априорные сведения приобретаются в процессе накопления и обработки статистических массивов. В процесое обучения исследуются и запоминаются статистические характеристики классифицируемых состояний. [1]
Априорные сведения дают некоторые прадставления о характере действия факторов, Если, например, ожидается, что с ростом Х, должно происходьть у-вшшчение параметра оптимизации, а коэффициент регрессии имеет вник минус, то вов-никает противоречие, Вовмсчкны две причины воаиикн оьения такой ситуации; либо а эксперименте допущена ои шна и он должен быть подвергнут проьэрке, либо неверны априорное представления. Нужно иметь ь ьиду, что акоперимшт проьо-дится в локальной области факторного простраьс Ба и ковф - фмицент отражает елияние фактора только а этой области, Теоретические же предотнвлшия имеют обычно более общий характер. Кроме того4 априорная информация часто основывается на однофакторных гавиоиыоотях. [2]
Если априорные сведения о процессе таковы, что можно считать взаимодействия высоких порядков незначительными, то можно объединять соответствующие им оценки из полного факторного эксперимента или его реплик для оценки дисперсии ошибки. Однако во многих случаях взаимодействия даже третьего порядка не могут быть признаны незначительными, и поэтому оценка дисперсии ошибки, полученная таким образом, может быть в значительной степени смещена. [3]
Если существуют априорные сведения, что все тройные взаимодействия незначимы ( статистически равны нулю), то, пользуясь полурепликой типа 24 -, можно найти раздельные оценки для линейных эффектов и три совместные оценки для парных произведений. План, позволяющий получить раздельные оценки линейных эффектов, является целесообразным, так как он обладает высокой разрешающей спосоикостью. [4]
Как видно, априорные сведения об объекте могут значительно убыстрить сходимость процедуры стохастической аппроксимации. [5]
 |
Матрица планирования полного факторного эксперимента типа 25. [6] |
В некоторых случаях априорные сведения об оптимальной области параметров оптимизируемого технологического процесса отсутствуют. Тогда за начальный нулевой уровень принимается произвольная точка или проводится небольшое число прикидочных экспериментов. [7]
Таким образом обеспечиваются априорные сведения о величине сигнала перед его статистической обработкой вместе с помехами. [8]
Поэтому если уместно представлять априорные сведения об М с помощью равномерной плотности на всей вещественной прямой, то столь же уместно считать, что и априорным сведениям об М отвечает равномерное распределение на всей прямой. Поэтому равномерная плотность удовлетворяет желаемому условию инвариантности. [9]
В том случае, когда априорные сведения о характере поведения спектральной плотности отсутствуют, а также в тех случаях, когда известно, что в спектре имеются на различных частотах острые пики, подобные вычисления либо невозможны, либо вызывают значительные трудности. Поэтому на практике при проектировании специализированного вычислительного устройства для спектрального анализа целесообразно предусмотреть возможность ступенчатого изменения параметра At; в этих условиях оператор может выбрать подходящее значение At в зависимости от интересующего его частотного диапазона анализа и требуемой точности. [10]
Обработка данных невозможна, если отсутствуют априорные сведения о характере исследуемых объектов и источников информации или о характере задач, которые должны решаться с использованием этих данных. Эти априорные сведения должны быть заранее введены и храниться в памяти системы сбора и обработки. [11]
При исследовании реальных систем обычно известны некоторые априорные сведения относительно множества R. Однако и они позволяют создавать специализированные алгоритмы нахождения множества R, учитывающие специфику имеющейся информации. Рассматриваемые ниже алгоритмы относятся к этому типу. Всюду будет предполагаться, что граница искомого множества достаточно гладкая и сведения об этой гладкости позволяют выбрать конкретное число точек и максимальное расстояние между ними, с достаточной степенью точности задающее искомое множество, поэтому на указанных вопросах останавливаться не будем. [12]
В случае, если: а) какие-либо априорные сведения о распределении вероятностей Р ( р) отсутствуют и б) нет оснований для предпочтительного выбора той или иной штрафной функции ЩЕ), для оценки qopt остается использовать лишь метод максимального правдоподобия. [13]
Очередность выборки чисел из ЯЗУ, куда введены априорные сведения о процессе в виде элементов его канонического разложения, а также из УВЗ и ОЗУ, задается УУ. Промежуточные результаты запоминаются в ОЗУ и используются в очередных циклах вычислений. Конечный результат вычислений, получаемый на выходе сумматора после окончания работы УУ, запоминается и передается на центральную станцию как один из параметров периферийной станции. [14]
В [56] описана логически простая стратегия поиска, использующая априорные сведения и в то же время отвергающая устаревшую информацию о характере целевой функции. Этот алгоритм включает два основных этапа: пробные шаги вокруг базисной точки и рабочие шаги в направлении, выбранном для минимизации. [15]
Страницы: 1 2 3 4