Cтраница 3
Ана-лиг аналогов функции влияния показывает, что воздействие дополнительного наблюдения в ник учитывается при добавлении к исходной выборке произвольных значений х из диапазона наблюдений или при поочередном лропуске значений из этой выборки. TCIKHM образом, аналоги функции влияния можно изобразить графически, методом машинного моделирования в том случае, когда аналитическое выражение для 1C получить затруднительно. Рассмотрим на примерах использование кривой чувствительности. [31]
Однако интерпретация полученных данных должна проводиться с осторожностью, поскольку они сильно зависят от объема и представительности исходной выборки масс-спектров. [32]
В отсутствие априорных сведений и о величине потерь, и о вероятностях наличия или отсутствия сигнала в исходной выборке иногда применяют критерий максимального правдоподобия, который в случае задач обнаружения или различения сигналов эквивалентен критерию минимума среднего риска, задаваемого формулами (1.5) или (1.8), в которых потери, связанные с принятием правильных решений, приняты равными нулю, а потери, связанные с принятием ошибочных решений, и априорные вероятности всех гипотез приняты одинаковыми. Однако по-прежнему необходимо точное знание условных функций распределения WQ ( X. [33]
Применение ранговых критериев основано на свойствах ранговых последовательностей, которые заменяют действительные значения наблюдений, сохранять информацию об исходной выборке. [34]
Формулу ( 2) можно получить, если подсчитать число перестановок с повторениями из m k - 1 элементов, где т-число элементов исходной выборки, а / ( - 1-число границ, отделяющих группы одинаковых элементов. [35]
Подбор шага разбиения при построении гистограммы распределения, выделение интересующего сегмента из исходных данных и проверка гипотезы о нормальности построенного распределения осуществлялись индивидуально для каждой исходной выборки. [36]
Мы увидим, что относительно ( л и о вообще нельзя получить никаких дополнительных сведений, и фактически, коль скоро известны 2 Xi и 2жь то исходная выборка хг может быть уничтожена. [37]
При сравнении рис. 3.23, а и 3.23, б на предмет межсимвольной интерференции видно, что дискретизация сигнала Найквиста на рис. 3.23, а ( выход передатчика) не дает точных исходных выборок; в то же время дискретизация сигнала Найквиста на рис. 3.23, б ( выход согласованного фильтра) дает точные исходные выборки. Это еще раз подтверждает, что фильтр Найквиста дает нулевую межсимвольную интерференцию в моменты взятия выборок, тогда как другие фильтры не имеют такой особенности. [38]
Применительно к построению регрессионных моделей это означает, что, пользуясь данными, по которым построена модель, нельзя найти лучшую, единственную модель. Поэтому исходная выборка разбивается на две части: обучающую и проверочную. По обучающей последовательности строится модель, а по точкам проверочной последовательности определяется внешний критерий регуляризации. [39]
Процедура контроля стабильности выходных параметров состоит в сравнении реализаций выходного параметра при приемосдаточных испытаниях в контролируемой выборке и исходной. За исходную выборку принимается группа изделий, по результатам определительных испытаний которых подтверждены заданные в техническом задании требования к количественным показателям надежности. Контролируемая выборка - очередная партия изделий, изготовленная для поставки заказчику. [40]
В качестве первого вектора х берется произвольный вектор исходного множества. Этот вектор из исходной выборки удаляется. [41]
Оценивание среднего по медиане обеспечивает оптимальную точность по закону Лапласа и широко используется там, где велика доля сбоев и аномальных измерений. Для нахождения медианы исходную выборку предварительно упорядочивают, образуя вариационный ряд, а затем выделяют средний элемент, который и является медианой. [42]
Процедура скользящего контроля заключается в следующем. Фиксируется некоторое множество разбиений исходной выборки на две части: обучающую и контрольную. Для каждого разбиения выполняется настройка алгоритма по обучающей подвыборке и вычисляется частота его ошибок на контрольной подвыборке. Оценка скользящего контроля определяется как средняя по всем разбиениям частота ошибок на контроле. Фактически, скользящий контроль непосредственно измеряет обобщающую способность метода обучения на заданной конечной выборке. [43]
Первые попытки преодоления априорной неопределенности в исходных данных были сделаны в рамках классического байесовского подхода. Исследователи трактовали неизвестные параметры распределения исходной выборки как случайные величины, для которых а priori задано распределение вероятностей. Тогда оптимальные алгоритмы обнаружения и различения сигналов будут аналогичны алгоритмам, задаваемым выражениями (1.7) и (1.9), с той лишь разницей, что в них вместо статистик отношения правдоподобия следует использовать усредненные по распределению VK (, ц) отношения правдоподобия. [44]
Основные изложенные выше идеи эксплуатируются и в самообучающемся варианте программ распознавания. Отличие их заключается в том, что исходная выборка не разбивается заранее на образы, а представляется как единое целое. Используемые алгоритмы классификации разбивают на группы ( образы) множество этих наблюдений, заданных многомерными векторами, так, чтобы внутри них была достигнута максимальная однородность, а между ними минимальная. [45]