Оптимальная сложность

Cтраница 1

Оптимальная сложность пленочных и гибридных микроэлектронных узлов. [1]

Программа выбора оптимальной сложности сохранит в этом выражении только существенные слагаемые. [2]

Вопрос об оптимальной сложности модели, при которой влияние обеих тенденций на изменение результатов моделирования выравнивается, требует самостоятельного исследования. [3]

Для определения оптимальной сложности модели алгоритмов был предложен метод структурной минимизации риска. Тогда в ней можно выбрать оптимальное подсемейство, для которого достигается минимальное значение правой части ( 3), и гарантировать заданное качество обучения. [4]

Для построения математической модели оптимальной сложности с помощью МГУА исходная экспериментальная выборка делится на две последовательности ( в каждой т2 наблюдений) - обучающуюся и проверочную. Обучающуюся последовательность используют в обычном регрессионном анализе для оптимизации оценок коэффициентов уравнения с помощью критерия минимума средней квадра-тической погрешности. Проверочная последовательность служит для выбора числа членов и конструкции уравнения регрессии минимизацией критерия селекции. [5]

Для построения математической модели оптимальной сложности при помощи МГУА исходная экспериментальная выборка делится на две последовательности ( в каждой т / 2 наблюдений) - обучающуюся и проверочную. Обучающаяся последовательность используется в обычном регрессионном анализе для оптимизации оценок коэффициентов уравнения при помощи критерия минимума средней квадратической погрешности. Проверочная последовательность служит для выбора числа членов и конструкции уравнения регрессии минимизацией критерия селекции. Выбор критерия осуществляется исследователем с учетом требований, предъявляемых к исходной модели. При этом имеется в виду, что критерий регулярности отбирает более точную модель, а критерий несмещенности - более устойчивую относительно исходных экспериментальных данных. [6]

Уделено особое внимание вопросам выбора оптимальной сложности модели. Эта проблема не может быть до конца формализована, поэтому для ее решения предлагается использовать методы нечеткой логики. [7]

Этот этап проектирования позволяет найти оптимальную сложность системы для каждого способа ее реализации. Указанный этап может быть осуществлен уже на стадии разработки материальной части АСУ, когда можно оценить конкретно капитальные вложения и затраты на обслуживание системы. [8]

Обучающее ( темные точки и валидационные ( светлые точки множества примеров. [9]

Итак, мы выяснили, что существует оптимальная сложность сети, зависящая от количества примеров, и даже получили оценку размеров скрытого слоя для двухслойных сетей. Однако в общем случае следует опираться не на грубые оценки; а на более надежные механизмы адаптации сложности нейросетевых моделей к данным для каждой конкретной задачи. [10]

При конструировании имитационных устройств возникает задача определения оптимальной сложности системы имитации. Практика разработки различных имитационных установок показывает, что стремление к полной имитации моделируемых процессов сопровождается большими материальными затратами и не всегда приводит к желаемому результату. [11]

Границы относительного прироста оптимальной сложности модельного кода. [12]

На рис. 4.3 приведены зависимости относительного прироста AS оптимальной сложности, когда сложность S 1 отображенного кода для целевого процессора условно принимается равной единице. [13]

Уравнение репрессии, отвечающее глобальному минимуму ошибки, называется уравнением оптимальной сложности. [14]

Легко видеть, что более естественным способом формализации задачи выбора оптимальной сложности модели является привлечение аппарата теории нечетких множеств. [15]

Страницы: 1 2 3 4