На головну

контрольні вправи

  1. А) Класичні контрольні ринки
  2. Б) Контрольні міні-ринки
  3. У яких електроустановках можна використовувати контрольні лампи в якості покажчиків напруги?
  4. в) модельованих контрольні ринки
  5. Ваші дії по наданню першої допомоги при травмах під час занять фізіческіміупражненіямі. Накладіть пов'язку на голову або гомілковостопний суглоб
  6. Зважування вагонів при прийомі і видачі вантажів. контрольні переважування
  7. Діагностика і самодіагностика організму при заняттях фізичними вправами і спортом.

Вправа 3.1.Дослідження методом статистичного моделювання властивостей непараметричних моделей стохастичних залежностей.

Вихідні навчальні вибірки  формуються відповідно до співвідношення

,

де

 (3.44)

- Значення відновлюваної залежності;

Мал. 3.15. Вид залежності (3.44) при  = 1.

 - Випадкова величина з рівномірним законом розподілу в інтервалі ; - Рівень перешкод;  - Розмірність вектора аргументів  відновлюваної залежності.

Оптимізація непараметрических моделей  здійснюється з умови мінімуму статистичної оцінки середньоквадратичного критерію

.

Завдання 3.1.1. Розробити програмне забезпечення для дослідження залежності властивостей непараметричної регресії (3.5) від обсягу навчальної вибірки, розмірності аргументів функції  і рівня перешкод .

Завдання 3.1.2. Дослідити залежність точності відновлення  невідомої стохастичною функції  непараметричної регресією від обсягу  навчальної вибірки при різних ядерних функціях ( «парабола», «сходинка», «трикутник»). прийняти значення  = (20, 50, 100, 200),  = 1,  = 30%.

Завдання 3.1.3. Дослідити вплив рівня перешкод  = (10, 30, 50, 80) на точність  відновлення стохастичною залежності за допомогою непараметричної регресії при різних ядерних функціях ( «парабола», «сходинка», «трикутник»). Обсяг навчальної вибірки  = 200, розмірність вектора аргументів  = 1.

Завдання 3.1.4. Виконати вимоги завдання 3.1.2 для = 2, 3, 4, 5 і  = (50, 100, 200, 300, 500).

Завдання 3.1.5. Виконати вимоги завдання 3.1.3  = 2, 3, 4, 5 і  = (50, 100, 200, 300, 500).

Вправа 3.2.В умовах вправи 3.1 досліджувати методом статистичного моделювання властивості непараметрических моделей колективного типу (3.25). Порівняти отримані результати з властивостями непараметричної регресії.

Завдання 3.2.1. Розробити програмне забезпечення для дослідження залежності властивостей непараметричних моделей колективного типу від обсягу навчальної вибірки, розмірності аргументів функції  , Рівня перешкод  , Кількості опорних точок  і виду спрощених аппроксимаций (лінійні і нелінійні).

Завдання 3.2.2. Дослідити залежність оцінки точності відновлення  невідомої стохастичною функції  непараметричної моделлю колективного типу від обсягу  навчальної вибірки при різних ядерних функціях ( «парабола», «сходинка», «трикутник») при лінійних спрощених апроксимації. прийняти значення  = (20, 50, 100, 200),  = 1,  = 30%, кількість опорних точок .

Завдання 3.2.3. Дослідити вплив рівня перешкод  = (10, 30, 50, 80) на точність  відновлення стохастичною залежності за допомогою непараметричної моделі колективного типу при різних ядерних функціях ( «парабола», «сходинка», «трикутник»). Спрощені апроксимації прийняти нелінійними. Обсяг навчальної вибірки  = 200, розмірність вектора аргументів  = 1, кількість опорних точок .

Завдання 3.2.4. Виконати вимоги завдання 3.2.2 при лінійних спрощених апроксимації. Умови експерименту: = 2, 3, 4, 5 і  = (50, 100, 200, 300, 500), кількість опорних точок .

Завдання 3.2.5. Виконати вимоги завдання 3.2.3 при нелінійних спрощених апроксимації. Умови експерименту:  = 2, 3, 4, 5 і  = (50, 100, 200, 300, 500), кількість опорних точок .

Вправа 3.3.В умовах вправи 3.1 досліджувати методом статистичного моделювання властивості непараметрических моделей колективного типу з урахуванням показників ефективності спрощених аппроксимаций (п. 3.4.1).

В якості умов експерименту скористатися пунктами 3.2.1 - 3.2.5.

Вправа 3.4.В умовах вправи 3.1 досліджувати методом статистичного моделювання властивості нелінійних непараметричних колективів вирішальних правил (3.34), (3.36). Порівняти отримані результати з властивостями непараметричної регресії.

Завдання 3.4.1. Розробити програмне забезпечення для дослідження залежності властивостей нелінійних непараметричних колективів вирішальних правил від обсягу навчальної вибірки, розмірності аргументів функції  , Рівня перешкод  , Кількості приватних вирішальних правил  і процедури формування рішень (паралельні і послідовні).

Завдання 3.4.2. Дослідити залежність оцінки точності відновлення  невідомої стохастичною функції  нелінійним колективом від обсягу  навчальної вибірки при різних ядерних функціях ( «парабола», «сходинка», «трикутник»). Використовується паралельна процедура формування рішень. прийняти значення  = (20, 50, 100, 200),  = 10,  = 30%, кількість приватних вирішальних правил .

Завдання 3.4.3. Дослідити вплив рівня перешкод  = (10, 30, 50, 80) на точність  відновлення стохастичною залежності за допомогою нелінійного колективу при різних ядерних функціях ( «парабола», «сходинка», «трикутник»). Використовується послідовна процедура формування рішень. Обсяг навчальної вибірки  = 200, розмірність вектора аргументів  = 10, кількість приватних вирішальних правил .

Завдання 3.4.4. Виконати вимоги завдання 3.4.2 при лінійних спрощених апроксимації. Умови експерименту: = 4, 6, 8, 10 і  = (50, 100, 200, 300, 500), кількість приватних вирішальних правил .

Завдання 3.4.5. Виконати вимоги завдання 3.4.3 при нелінійних спрощених апроксимації. Умови експерименту:  = 4, 6, 8, 10 і  = (50, 100, 200, 300, 500), кількість приватних вирішальних правил .

Вправа 3.5.В умовах вправи 3.1 досліджувати методом статистичного моделювання властивості гібридних моделей відновлення стохастичних залежностей (3.38), (3.40), (3.41). Порівняти отримані результати з властивостями непараметричної регресії.

Як варіанти часткових відомостей щодо виду відновлюваної залежності використовувати вирази

 , (3.45)

 . (3.46)

Мал. 3.16. Графік 1 відповідає залежності (3.44),
 графік 2 - (3.45), графік 3 - (3.46) при  = 1.

Завдання 3.5.1. Розробити програмне забезпечення для дослідження залежності властивостей гібридних моделей від обсягу навчальної вибірки, розмірності аргументів функції  , Рівня перешкод  , Виду функції нев'язності (3.37) і інформації про вид відновлюваної залежності (3.45), (3.46).

Завдання 3.5.2. Дослідити залежність оцінки точності відновлення  невідомої стохастичною функції  гібридною моделлю від обсягу  навчальної вибірки при різних ядерних функціях ( «парабола», «сходинка», «трикутник»). прийняти значення  = (20, 50, 100, 200),  = 1,  = 30%.

Завдання 3.5.3. Виконати вимоги завдання 3.5.2 для умов = 1, 2, 3, 4 і  = (50, 100, 200, 300, 500).

Завдання 3.5.5. Дослідити вплив рівня перешкод  = (0, 10, 30, 50, 80) на оцінку точності  відновлення стохастичною залежності за допомогою гібридної моделі при різних ядерних функціях ( «парабола», «сходинка», «трикутник»). Обсяг навчальної вибірки прийняти  = (200, 300, 400, 500), розмірність вектора аргументів  = 1.

 Глава 4.  статистичні методи РОЗПІЗНАВАННЯ ОБРАЗІВ

Основна увага в цьому розділі приділяється проблемам синтезу і аналізу алгоритмів розпізнавання образів в умовах неповної інформації про імовірнісних характеристиках класів. Для подолання апріорної невизначеності використовуються непараметричні оцінки умовних щільностей ймовірності розподілі ознак сигналів про стан об'єктів, що класифікуються. Сигналом називають вектор вхідних змінних  . Отримані при цьому алгоритми розпізнавання образів є непараметричних. З урахуванням специфіки непараметрических алгоритмів розпізнавання образів розглядаються питання їх оптимізації, оцінки ефективності та мінімізації опису як шляхом формування наборів інформативних ознак сигналу, так і з позицій алгоритмічного підходу.

 



Колективи вирішальних правил, що базуються на обліку їх умов компетентності | Формування обчислювальних умінь в учнів початкової школи

Асимптотичні властивості непараметричної моделі колективного типу | Оптимізація непараметрических моделей колективного типу | Оптимізація непараметрических моделей колективного типу за коефіцієнтом розмитості | Нелінійні непараметричні колективи вирішальних правил в задачі відновлення стохастичних залежностей | Модифікація нелінійного непараметрического колективу вирішальних правил, заснованого на обліку оцінок показників ефективності приватних вирішальних правил. | Метод групового урахування аргументів, заснований на колективі непараметрических регрессий. | Гібридні моделі в задачі відновлення стохастичних залежностей | Синтез і аналіз гібридних моделей стохастичних залежностей в умовах наявності їх приватного опису | Непараметричні гібриди вирішальних правил в задачі відновлення стохастичних залежностей | Послідовні процедури формування рішень, засновані на обліку функцій невязок |

© um.co.ua - учбові матеріали та реферати