Проверяемый текст
(Диссертация 2004)
[стр. 162]

162 общепризнанных и универсальных методов минимизации описания.
Широкое распределение имеют эвристические алгоритмы последовательного отбора, отсеивания характеристик и алгоритм СПА, использующих идею случайного поиска информативного набора характеристик с поощрением и наказанием отдельных характеристик по результатам испытаний.
Несмотря на простоту вычислений, менее распространены в практике методы дисперсионного и корреляционного анализов отбора информативных характеристик в предположении их независимости.

Кроме того, решение задачи на информативном уровне приводит к неоднозначности суждения о полезности характеристик, что присуще и методам, основанным на использовании информативных мер.
Значение и последовательность применения алгоритмов автоматической классификации и распознавания образов в задаче синтеза модели процесса функционирования системы определяются общей схемой декомпозиции этого процесса: обнаружение состояний системы, установление возможных взаимосвязей между ними, формирование на этой основе обучающих выборок и восстановление функций перехода состояний
(106; 243).
Основными этапами здесь являются — первый и последний, в которых непосредственно осуществляется процесс принятия решений соответственно с помощью алгоритмов автоматической классификации и распознавания образов.
Причем на заключительном этапе используются закономерности, вскрытые на предыдущих этапах.
Проведенный в работе анализ позволяет использовать адаптивные байесовские решающие правила для построения алгоритмов в задачах синтеза модели процесса функционирования системы
информационно-аналитического обеспечения профессиональной подготовки студентов ССУЗов.
Основным этапом анализа структуры процесса функционирования системы является восстановление зависимости характера ее функционирования от внешних условий.
[стр. 111]

дифференциации вклада членов коллектива в решение осуществлено в работах [20, 125] и выделение областей компетентности, составляющих структуру распознающего правила, рассмотрено в [119, 236].
Оптимизация алгоритмов распознавания образов и решение проблем выбора набора информативных характеристик требуют оценивания вероятности ошибки распознания образов, которая зависит от показателей исходной обучающей выборки, параметров законов распределения ее характеристик и принятого алгоритма классификации.
Для нормальных законов распределения имеются результаты, позволяющие осуществлять оценивание математического ожидания вероятности ошибки распознавания [38] либо его отношение к асимптотической вероятности ошибки.
С позиций произвольных распределений в [212] решена задача доверительного оценивания вероятности ошибки распознавания, получено выражение для оценивания объема обучающей выборки по заданным значениям уровня доверия, доверительных границ и показателя сложности решающего привила, дающее завышенные оценки.
В связи с этим проблема оценивания вероятности ошибки до настоящего времени не снята, что порождает дополнительные трудности при формировании наборов информативных характеристик.
Пока нет общепризнанных и универсальных методов минимизации описания.
Широкое распределение имеют эвристические алгоритмы последовательного отбора, отсеивания характеристик и алгоритм СПА, использующих идею случайного поиска информативного набора характеристик с поощрением и наказанием отдельных характеристик по результатам испытаний.
Несмотря на простоту вычислений, менее распространены в практике методы дисперсионного и корреляционного анализов отбора информативных характеристик в предположении их независимости.


[стр.,112]

Кроме того, решение задачи на информативном уровне приводит к неоднозначности суждения о полезности характеристик, что присуще и методам, основанным на использовании информативных мер.
Значение и последовательность применения алгоритмов автоматической классификации и распознавания образов в задаче синтеза модели процесса функционирования системы определяются общей схемой декомпозиции этого процесса: обнаружение состояний системы, установление возможных взаимосвязей между ними, формирование на этой основе обучающих выборок и восстановление функций перехода состояний
[9.38].
Основными этапами здесь являются первый и последний, в которых непосредственно осуществляется процесс принятия решений соответственно с помощью алгоритмов автоматической классификации и распознавания образов.
Причем на заключительном этапе используются закономерности, вскрытые на предыдущих этапах.
Проведенный в работе анализ позволяет использовать адаптивные байесовские решающие правила для построения алгоритмов в задачах синтеза модели процесса функционирования системы
научного обеспечения профессиональной подготовки слушателей вузов МВД.
Основным этапом анализа структуры процесса функционирования системы является восстановление зависимости характера ее функционирования от внешних условий.

При восстановлении зависимостей в задачах идентификации статистических объектов различают два типа исходной информации: структурные данные, которые отражают априорные представления о виде зависимости, и статистические, содержащие сведения о наблюдениях.
Известные стохастические аппроксимации параметрического и непараметрического вида ориентированны в основном на определенный тип исходных данных, что при отличающихся априорных уело

[Back]