Cтраница 1
Восстановление значений Мх и Му в момент / 2т иногда поясняют с помощью следующей аналогии. [1]
Амплитудная модуляция. [2] |
Для восстановления значений модулирующего сигнала используют операцию, обратную операции модуляции, которую называют демодуляцией или детектированием сигналов. Каждому виду модуляции соответствует определенный способ детектирования. [3]
Для восстановления значений неизвестных элементов можно применить метод многомерной линейной экстраполяции [185, 186], который при отсутствии информации о характере связей между элементами таблицы использует естественную гипотезу о кусочной линейности этих связей. В дальнейшем будем широко использовать указанную гипотезу. [4]
Процесс восстановления значений проблемных переменных по протоколу связываний в выводе называется извлечением ответа. В реализации языка логического программирования извлечение ответа производится компьютером автоматически. [5]
Методы восстановления значений произвольной функции в заданных точках рассмотрены здесь впервые. Также впервые здесь исследуется селекция полной выборки. [6]
При восстановлении значений функции в классе кусочно-линейных индикаторных функций используется та же идея построения таксонной структуры, что и при восстановлении решающего правила в классе кусочно-линейных индикаторных функций. [7]
Интерполяция - восстановление значений функции ( в данном случае - функции регрессии) по значениям аргумента, расположенным внутри статистически обследованной области предиктор ных переменных. Экстраполяция - восстановление значений функции регрессии по значениям аргумента, расположенным вне статистически обследованного диапазона предикторной переменной. [8]
Для задач восстановления значений в заданных точках используется более точная оценка среднеквадратичного отклонения этих значений от истинных в точках рабочей выборки. [9]
Для задач восстановления значений в заданных точках имеется еще дополнительный алгоритм, строящий кусочно-линейное приближение регрессии, линейное в локальных окрестностях точек рабочей выборки. Алгоритм позволяет использовать специфику этого класса задач для яостроепия в целом нелинейного приближения регрессии. Используемый здесь метод состоит в том, что вокруг каждой точки рабочей выборки в пространстве описания строится сферическая окрестность и далее в этой окрестности ищется линейное приближение регрессии по той части обучающей выборки, которая в нее попадает. С увеличением радиуса возрастает число элементов обучения, попадающих в окрестность - это облегчает задачу восстановления. С другой стороны, нелинейные эффекты, если они есть, с увеличением радиуса сказываются все сильнее - это приводит к увеличению остаточной невязки. [10]
Решение задачи восстановления значений функции в заданных точках проводится методом упорядоченной минимизации риска. [11]
Рассмотрим алгоритмы восстановления значений функ-в классе линейных решающих правил. [12]
Впервые задача восстановления значений функции в заданных точках была рассмотрена в монографии В. Н. Вапника и А. [13]
Ниже при восстановлении значений функции в заданных точках мы рассмотрим три разные идеи определения и упорядочения классов эквивалентности и каждую из них реализуем как для восстановления значений индикаторной функции, так и для восстановления значений функции произвольной природы. Однако прежде получим оценки которые составят основу метода структурной минимизации суммарного риска. [14]
Ниже при восстановлении значений функции в заданных точках мы рассмотрим три разные идеи определения и упорядочения классов эквивалентности и каждую из них реализуем как для восстановления значений характеристической функции, так и для восстановления значения функции произвольной природы. [15]