Оптимальная сложность

Cтраница 3

Все остальные алгоритмы комплекса так или иначе используют концепцию структурной минимизации риска. Алгоритмы ищут решение оптимальной сложности, используя различные критерии, приведенные в табл. 7.1. Большинство критериев в качестве параметра, оценивающего сложность решения, используют так называемую эффективную размерность признакового пространства. [31]

Фактически эти ограничения задаются выбором того или иного алгоритма синтеза модели. Решение задачи выбора оптимальной сложности модели возлагается на машину и человека. [32]

Фактически эти ограничения задаются выбором того или иного алгоритма из комплекса и его параметров, а также исходным набором аргументов искомой зависимости. Машина в рамках этих ограничений ищет оптимальную сложность модели и, в конце концов, выбирает конкретное приближение зависимости. При этом, если человеку заранее ясно, что можно воспользоваться более простой схемой поиска, то такую схему и нужно задать машине. [33]

Сравнение результатов работы алгоритмов, основанных на поиске линейных и кусочно-линейных решающих правил, с универсальными алгоритмами поиска решений в других классах функций показывает, что принципиальной разницы в качестве выбираемых решающих правил нет. Основная трудность во всех случаях состоит в выборе оптимальной сложности правила. А поскольку работа с линейными решающими правилами в вычислительном отношении проще - этот класс и принят за основу в данном комплексе алгоритмов. [34]

Как известно, МГУА основан на принципе самоорганизации, когда осуществляется поиск глобального минимума установленных критериев, обладающих свойствами внешнего дополнения согласно теореме Геделя. В результате путем постепенного усложнения модели отыскивается единственная модель оптимальной сложности. [35]

Процесс усложнения выражений для я-критериев путем включения в них новых параметров продолжается до тех пор, пока дисперсия 5Ь, v l nn, критериев падает. Заметим, что при построении критериев подобия для поиска оптимальной сложности выражений критериальных комплексов по минимуму дисперсии необходимо как ограничение учитывать, что вторая теорема подобия устанавливает минимальное число критериев. Таким образом, условие получения я-критериев по точности их оценки следует записать как mjf 5Я при п п, где X - вектор параметров, характеризующих явление, описываемое совокупностью критериальных комплексов; п - п - k - минимальное число я-комплек-сов, установленное согласно я-теореме. [36]

Как показывает опыт, излишнее усложнение модели может привести к неустойчивости алгоритмов идентификации и лишить идентификационную модель предсказательной силы. В связи с этим авторы уделяют повышенное внимание вопросам выбора оптимальной сложности идентифицируемой модели. Эта проблема не может быть до конца формализована, поэтому для ее решения в монографии предлагается использовать методы нечеткой логики. Вообще, некорректные задачи в последовательной постановке с неизбежностью приводят к необходимости использования нечеткой терминологии. Однако в существующей литературе на это обстоятельство обращается мало внимания. Авторы в какой-то мере восполняют этот пробел, рассматривая нечеткие алгоритмы решения некорректно поставленных задач. Рассмотренные в монографии методы решения обратных задач иллюстрируются рядом примеров. [37]

В работе [6] показано, что при постепенном повышении сложности модели указанный критерий проходит через минимальное значение. ЭВМ находит глобальный минимум критерия и тем самым указывает единственную модель оптимальной сложности при весьма малом объеме априорной информации. Выбор критерия селекции осуществляется человеком в зависимости от целей и условий конкретной задачи. [38]

Выше были приведены соотношения для погрешности в оценке сложности кода, а также значение оптимальной сложности кода целевого процессора. В ходе статического анализа необходимо учитывать не только особенности процессора, но и вид архитектуры целевой вычислительной системы. [39]

Как уже отмечалось в разделе 2.3, при обработке экспериментальных данных качество решения задач идентификации существенно зависит от сложности моделей. Излишнее усложнение модели приводит, как правило, к повышенной неустойчивости решения обратной задачи, поэтому ниже основное внимание уделяется проблеме выбора оптимальной сложности модели упругого пласта. [40]

Как уже отмечалось в разделе 3.3, при обработке экспериментальных данных качество решения задач идентификации существенно зависит от сложности моделей. Излишнее усложнение модели приводит, как правило, к повышенной неустойчивости решения обратной задачи, поэтому ниже основное внимание уделяется проблеме выбора оптимальной сложности модели упругого пласта. [41]

Каскад-корреляционные сети. добавление промежуточных нейронов с фиксированными весами ( тонкие линии. [42]

Поскольку веса промежуточных нейронов после добавления не меняются, их выходы для каждого значения входов можно вычислить лишь однажды. Таким образом, каждый добавляемый нейрон можно трактовать как дополнительный признак входной информации максимально полезный для уменьшения ошибки обучения на данном этапе роста сети. Оптимальная сложность сети может определяться, например, с помощью валидационного множества. [43]

Хотелось бы еще раз подчеркнуть комплексный характер материала книги и то, что серьезное внимание в ней уделяется темам, традиционно слабо освещаемым в современной учебной и методической литературе. Представленный материал, несмотря на всю его сложность, хорошо воспринимается благодаря многочисленным практическим примерам, схемам и иллюстрациям, а также стилю изложения. Авторами выбрана наиболее оптимальная сложность изложения, что позволяет значительно расширить читательскую аудиторию за счет специалистов различных профессий. [44]

Метод группового учета аргумента ( МГУА) для оценки и диагностирования эффективности виброобработок скважин заключается в следующем. Для построения статистических моделей требуется большое количество экспериментальных данных, поэтому применение самоорганизующегося метода группового учета аргумента [41] для диагноста-рования эффективности виброобработок скважин представляет практический интерес. Достоинством данного метода является возможность получения уравнения регрессии оптимальной сложности по малому числу экспериментальных точек. [45]

Страницы: 1 2 3 4