Задача о классе качества вод: прогноз отклика по многомерным эмпирическим данным

Модель множественной регрессии

Формулировка задачи Пусть задано пространство признаков  X'  размерностью  p > 1,  точками которого являются конкретные измерения  x = {x1, …, xj, …, xp},  где  xj – значение  j-го гидробиологического показателя в пробе или некоторого параметра среды, сопутствующего наблюдению. (читать далее...)
стр. 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Регрессия с качественной зависимой переменной

Формулировка задачи Пусть в рамках задачи множественной регрессии зависимая переменная  Y  принимает фиксированные значения из некоторого заранее предопределенного набора, т.е. моделируемому объекту приписывается выбор между двумя и более возможными альтернативами. (читать далее...)
стр. 26 27 28 29 30 31 32 33 34 35

Дискриминантные функции для классификации многомерных объектов

Формулировка задачи Пусть задано пространство признаков  X  размерностью  m > 1, точками которого являются конкретные гидробиологические измерения  x = {x1,…, xi,…,xm},  где  xi – значения численности или биомассы  i-й таксономической группы гидробионтов в пробе, либо некоторые обобщенные индексы.  (читать далее...)
стр. 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57

Задача о «классобности» видов: алгоритм распознавания, основанный на вычислении биоиндикационых индексов

Формулировка задачи Пусть задано пространство признаков  X  размерностью  m > 1, соответствующее некоторому списку видов гидробионтов. Точками этого пространства являются конкретные гидробиологические измерения  x = {x1,…, xi,…,xm},  где  xi – значение обилия  i-го вида в пробе. (читать далее...)
стр. 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85

Задача о двух классах и разделяющей гиперплоскости: метод «обобщенного портрета»

Формулировка задачи Пусть зависимая переменная Y,  отражающая качество вод, принимает одно из двух значений. Класс 1 может, например, трактоваться как "Чисто, "Норма" или "О (читать далее...)
стр. 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105

Задача об ассоциативности видов: алгоритм формирования логических высказываний

Формулировка задачи Пусть пространство признаков  Х  размерностью  m > 1,  соответствующее некоторому списку видов гидробионтов, предварительно преобразовано к бинарному виду, т.е.  xi  = 1, если значение обилия  i-го вида в пробе превышает некоторый заданный порог,  и  xi = 0 в противном случае,  i = 1,2,…,m.  (читать далее...)
стр. 106 107 108 109 110 111

На пути к интеллектуальным биоиндикационным системам

Классификация наблюдений с использованием иерархических деревьев решений

Формулировка задачи Пусть в таблице произвольных гидробиологических наблюдений  X  размерностью  m >1  один из признаков, измеренный в порядковой шкале, определяет класс объекта и может принимать значения из некоторого фиксированного набора  {у1, у2, …, yk, …, yp}.  (читать далее...)
стр. 112 113 114 115 116 117 118 119 120 121 122 123

Генетический алгоритм селекции информативных переменных

Формулировка задачи Пусть для решения произвольной задачи регрессии или классификации имеется множество измерений в пространстве варьируемых переменных размерностью  m > 1.  Необходимо заданный набор признаков разбить на две категории: информативные  переменные, существенные для решения поставленной задачи, и  незначимые переменные, несущие мало дополнительной информации для нахождения искомой зависимости. (читать далее...)
стр. 124 125 126 127 128 129 130 131 132 133

Многорядный алгоритм МГУА для оценки качества вод

Формулировка задачи Предположим, что имеется набор исходных данных в виде матрицы  X  из  n  наблюдений в пространстве варьируемых переменных размерностью  m > 1,  характерный для стандартной задачи множественной регрессии. (читать далее...)
стр. 134 135 136 137 138 139 140 141 142 143

Нейросетевое моделирование: многослойный персептрон

Формулировка задачи Пусть в таблице произвольных гидробиологических наблюдений X размерностью m >1 один из признаков, измеренный в порядковой шкале, определяет класс объекта и может принимать значения из некоторого фиксированного набора {у1, у2, …, yk, …, yp}. (читать далее...)
стр. 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167

Решение задачи регрессии с помощью нейросетей различной архитектуры

Формулировка задачи Пусть в таблице произвольных гидробиологических наблюдений  X  размерностью  m >1  откликом  Y  является один из любых признаков, измеренных в количественной шкале. (читать далее...)
стр. 168 169 170 171 172 173 174 175 176 177 178

Обучение без учителя: нейросети Кохонена

Формулировка задачи Пусть имеется таблица произвольных гидробиологических наблюдений  X  размерностью     m > 1. Рассмотренный в предыдущих разделах алгоритм обучения нейронной сети с помощью процедуры обратного распространения подразумевал наличие некоего внешнего классификатора (как правило, человека), предоставляющего сети как входные, так и целевые выходные образы. (читать далее...)
стр. 179 180 181 182 183 184 185 186 автозапуск электростанции