Cтраница 2
Для получения одного из разложений на множители обратной матрицы А -, которое рассматривается в гл. Орчард-Хейс ( 1968) рекомендует пользоваться набором Y / для выбора подмножества столбцов матрицы А и выполнить для этих столбцов прямое гауссово исключение. После того как исключение произведено для текущего подмножества столбцов, следующее подмножество выбирается исходя из набора / р), где р - общее число столбцов матрицы А, для которого осуществлено прямое гауссово исключение. [16]
Учитывая, что запись Леви х у означает, что существует взаимнооднозначное отображение х в у [ 1, с. Все же, пожалуй, такое толкование не совсем соответствует содержанию исследований этой формы аксиомы выбора 7; по их смыслу в них речь идет, скорее, о многократном выборе элементов из множеств семейства, а не о выборе подмножеств. Нам далее редко придется сталкиваться со случаями применения подобных утверждений, обычно называемых аксиомами кратного выбора, поэтому ограничимся сказанным. [17]
Предположим, что вершина и ненасыщенная. В семействе / ( х) имеется путь 3, идущий из х в и. Это противоречит выбору подмножества йх. Значит, и является насыщенной вершиной. [18]
Физиологические потребности размещаются на ее нижних уровнях, а потребность в самоутверждении - на верхнем. Трудно ожидать, что мы сможем удовлетворить все свои потребности. Следовательно, осуществляется выбор подмножества потребностей. Такое подмножество мы определяем как желание. Далее необходимо установить степень стремления, которая во многом предопределяет уровень достигнутого, или наши ожидания в удовлетворении потребностей. Развитое в последние годы теоретическое исследование вопросов, связанных со степенью стремления, выходит за рамки книги. [19]
В задачах этого рода задан набор объектов и требуется найти некое подмножество, которое удовлетворяет определенному условию. Важная черта задач о выборе подмножества заключается в том, что не нужно создавать никаких новых объектов; решение полностью состоит из элементов, которые заданы на входе. [20]
Рассматриваемая задача принадлежит кругу задач о покрытии конечного множества своими случайно выбранными подмножествами - одному из направлений современной вероятностной комбинаторики. В нашем случае речь идет о покрытиях, оставляющих непокрытыми заданное число точек множества. В отличие от традиционных подходов мы рассматриваем выбор случайных подмножеств в соответствии с некоторыми произвольными распределениями на множестве всех подмножеств конечного множества, а не только равновероятные распределения на тех или иных классах подмножеств. Цель исследования при таком подходе - найти условия на распределения элементов покрытия, при которых число непокрытых точек имеет в пределе некоторое заданное ( в нашем случае - пуассоновское) распределение. Эта постановка удаляет нас от комбинаторных истоков рассматриваемой задачи, но взамен упрощает использование чисто теоретико-вероятностных методов исследования. [21]
В каждом цикле обучения сеть сначала обучается на модельном подмножестве, а затем проверяется корректность ее работы на тестовых данных. Обучение сети проводится до тех пор, пока точность результатов, полученных на модельном и на тестовом подмножествах, растет. При работе с небольшими объемами данных, когда выбор тестового подмножества существенно влияет на результаты обучения, пользователь может проводить обучение последовательными циклами, выбирая для каждого цикла новое разбиение на тестовые и модельные данные. [22]
Критерием выбора стратегии функционирования может быть минимум издержек, максимум прибыли. Иногда задача выбора стратегии оказывается сложной, и оптимизация сводится к выбору подмножества стратегий. [23]
При моделировании в этом общем случае необходимо изменять давление и состав атмосферы, коэффициенты переноса ( включая турбулентность), физико-химические свойства топлива, ускорение силы тяжести. Именно в выборе совокупности критериев, определяющих данный вид пожара, и состоит искусство частичного моделирования. Выбор подмножества групп из полного набора 29 групп диктует свои законы ( правила) моделирования. [24]
Напомним:, что этот метод состоит в последовательном разбиении множества допустимых решений ( множества возможных комбинаций в случае задач комбинаторного типа) на отдельные подмножества с последующей их оценкой. Проводя оценку, можно выбрать подмножества, наиболее перспективные с точки зрения содержания оптимального решения. Выбор перспективных подмножеств позволяет сузить область поиска оптимального решения и тем самым избежать полного перебора. Несмотря на то что общая вычислительная схема метода ветвей и границ остается неизменной при решении любых задач комбинаторного характера, все же особенности решаемых задач заставляют вырабатывать для каждого типа задач свои правила разбиения множества допустимых решений на подмножества и свои правила оценки полученных подмножеств решений. [25]
Изложенный в предыдущем разделе способ нахождения наиболее информативных наборов признаков, основанный на полном переборе подмножеств признаков, вряд ли можно считать практичным, так как даже при относительно небольшой размерности вектора признаков х требуется перебор весьма большого числа вариантов. Согласно этому алгоритму выбор информативного подмножества признаков производится поэтапно. [26]
Флаг Сортировки - указывает на наличие сортировки Локальной Таблицы Цветов. Если флаг установлен, Локальная Цветная Таблица Цветов сортируется по порядку уменьшения значимости. Обычно порядок будет представлять уменьшение частоты ( появлении цвета), при этом наиболее распространенный цвет оказывается на первом месте. Это помогает дешифратору, имеющему меньше доступных цветов, в выборе наилучшего подмножества цветов; для визуализации фрагмента графики дешифратор может использовать начальный сегмент таблицы. [27]
Важной областью применения ортогональных преобразований является сжатие данных. Если дискретный сигнал содержит N отсчетов, то его можно рассматривать как точку Af-мерного пространства. Тогда каждый отсчет является координатой Af-мерного вектора данных X, который представляет собой сигнал в этом пространстве. Для более эффективного представления можно осуществить ортогональное преобразование X, что приводит к YTX, где Y и Т - вектор коэффициентов преобразования и матрица преобразования соответственно. Целью сжатия данных является выбор подмножества М координат вектора Y, где М существенно меньше N. Остальные ( N - М) координат можно отбросить, не вызывая существенной ошибки при восстановлении сигнала по М координатам вектора Y. Следовательно, сравнивать ортогональные преобразования следует в соответствии с некоторым критерием ошибки. Одним из часто используемых критериев является критерий среднеквадратичной ошибки. [28]
В большинстве нейронных моделей тип нейрона связан с его расположением в сети. Если нейрон имеет только выходные связи, то это входной нейрон, если наоборот - выходной нейрон. Однако возможен случай, когда выход топологически внутреннего нейрона рассматривается как часть выхода сети. В процессе функционирования сети осуществляется преобразование входного вектора в выходной, некоторая переработка информации. Конкретный вид выполняемого сетью преобразования данных обусловливается не только характеристиками нейроподобных элементов, но и особенностями ее архитектуры, а именно тополЪгией межнейронных связей, выбором определенных подмножеств нейроподобных элементов для ввода и вывода информации, способами обучения сети, наличием или отсутствием конкуренции между нейронами, направлением и способами управления и синхронизации передачи информации между нейронами. [29]
В большинстве нейронных моделей тип нейрона связан с его расположением в сети. Если нейрон имеет только выходные связи, то это входной нейрон, если наоборот - выходной нейрон. Однако может встретиться случай, когда выход топологически внутреннего нейрона рассматривается как часть выхода сети. В процессе функционирования ( эволюции состояния) сети осуществляется преобразование входного вектора в выходной, т.е. некоторая переработка информации. Конкретный вид выполняемого сетью преобразования информации обусловливается не только характеристиками нейроподобных элементов ( функциями активации и т.п.), но и особенностями ее архитектуры, а именно, той или иной топологией межнейронных связей, выбором определенных подмножеств нейроподобных элементов для ввода и вывода информации, способами обучения сети, наличием или отсутствием конкуренции между нейронами, направлением и способами управления и синхронизации передачи информации между нейронами. [30]