Справочник химика 21

Химия и химическая технология

Статьи Рисунки Таблицы О сайте English

Многомерные методы распознавание образов

    Основу второго подхода составляет совокупность методов, объединяемых в кибернетике общим термином черный ящик . В их состав входят вероятностно-статистические методы анализа сложных явлений и систем, теория статистических решений и оптимального планирования эксперимента, методы теории распознавания образов, адаптации и обучения и т. п. Статистические методы поиска катализаторов позволяют по ограниченной экспериментальной информации просматривать значительные совокупности факторов, предполагаемых априори ответственными за каталитическую активность. Причем планы эксперимента предусматривают возможность варьирования испытываемых факторов на двух и более уровнях в зависимости от сложности поверхности отклика. Выявление доминирующих факторов проводится по различным вариантам ветвящейся стратегии, а их численная оценка — с использованием стандартных приемов регрессионного анализа. При усложнении задач статистического анализа методы корреляционного и регрессионного анализа уступают место математической теории распознавания с богатым арсеналом приемов раскрытия многомерных корреляций. [c.58]


    Еще один способ предварительного преобразования данных — переход к новой системе координат. Это осуществляется методами главных компонент или факторного анализа. В результате векторы исходных данных представляют в виде комбинации некоторых новых ортогональных векторов. Эта процедура тесно связана с проблемой сокращения размерности — проекции многомерного массива исходных данных в подпространство с меньшим числом измерений. Она будет рассмотрена в следующем разделе, посвященном неконтролируемым методам распознавания образов. [c.521]

    Для моделирования химико-технологических процессов, диагностики неполадок в производстве и оптимизации процессов по качеству конечных продуктов в последние годы все шире применяют методы распознавания образов и логико-структурный подход к анализу многомерных данных [97, 98]. Теория распознавания образов и логическое моделирование основаны на сочетании идей факторного анализа с некоторыми методами алгебры логики, в частности, методами минимизации булевых функций, предназначенными для извлечения информации из больших массивов данных. [c.241]

    Появление быстродействующих ЭВМ с большими объемами памяти стимулировало развитие и применение методов многомерного статистического анализа в различных областях. ФА не был исключением, и в 50—60-е гг. начинают появляться работы, посвященные его приложениям к различным областям естественных наук [7—10]. Особенно активно и успешно в эти годы ФА применяется в геологии [11—13] и в распознавании образов [10, 14, 15]. [c.70]

    Для описания и классификации многомерных объектов используют два типа методов факторный анализ [7—И] и распознавание образов [12]. Последний из них включает классификацию объектов по группам с оценкой критериев близости или подобия. Состав групп (кластеров) позволяет изучить соотношения между переменными (объектами). [c.183]

    Наряду с поисковыми и интерпретирующими системами, основанными на использовании библиотечных масс спектров существуют системы для идентификации соединений, базирующи еся на методах обработки многомерной информации В отличие от индивидуальной идентификации они позволяют выявить общие групповые характеристики классов и групп соединений К ним относятся методы распознавания образов, кластерного и факторного анализа В этом случае масс спектры обычно представляются в виде точек в многомерном пространстве с числом измерений, равным числу масс спектральных характе ристик в полном или сокращенном масс спектре Значения этих характеристик являются координатами точки в многомерном пространстве, так что чем больше сходство между масс спект рами тем ближе расположены друг к другу соответствующие им точки в пространстве Если заранее задается свойство или структурная характеристика, по которой судят о близости ана лизируемых объектов, то путем обучения системы на масси ве масс спектров известных соединений определяются границы областей в пространстве (кластеров), в которые попадают со единения с данным признаком К таким методам называемым обучением с учителем относятся расчет расстоянии от средне го масс спектра каждого класса соединений метод обучающихся машин и метод ближаиших соседей Если же это классифици рующее свойство точно не известно ити примеров для обучения не имеется, то используются методы распознавапия образов без обучения или кластерный анализ [71] [c.122]


    Для решения этой задачи применяют группу методов распознавания образов. В кластерном анализе набор веществ, представленный точками в многомерном пространстве аналитических щ>изнаков (признаком может быть, натфимер, поглощение при определенной длине волны или ионный ток при некотором отношении т/2 ), разбивают путем специального итерационного процесса на кластфы. Имеется в виду, что кластер объединяет вацесгва, сходные по аналитическим проявлениям, т. е. принадлежащие с высокой вероятностью к некоторому общему структурному классу. [c.441]

    Объекты реализации, по которым определяются гиперповерхности, отграничивающие классы, называются обучающей последовательностью. При отсутствии строгого качественного различия в поведении объектов границы ь лассов выбираются произвольно. При делении объектов на классы мы теряем )н>которую информацию о количественных значениях их каталитической активности, но зато сводим практически нерешаемую з 1дачу многомерной корреляции для большого множества нри5каг ов к задаче распознавания образов. Целями настоящего исследования были следующие принципиальное установление эффективности применения статистических методов распознавания к прогнозированию каталитического действия разработка методики решения задач распознавания применительно к реальным проблемам прогнозирования каталитического действия. Одновременно был проведен теоретический анализ ре.зультатов, полученных на данном этапе исследований. [c.211]

    В настоящее время сформированы новые подходы к моделированию слабоформализованных задач (к которым относится проблема подбора катализаторов), развиты методы автоматизации процессов классификации и принятия решений, где с определенным успехом преодолевается основная трудность обработки такого рода данных их частая неопределенность и значительная размерность массива исходных данных. Автоматизация обработки многомерных наблюдений в системах, не имеющих жестких ограничений на описание объектов и связи между ними, ставящая целью ответы на вопросы что общего и различного в сравниваемых группах объектов, позволяет ди эта информация с достаточной надежностью различать объекты, какое правило использовать для определения принадлежности нового объекта к тому или иному классу, двляется задачей теории распознавания образов. Ответы на эти вопросы предполагают построение систем распо авания, иоделирущих такие функции процесса узнавания, как "обобщение" и "рассуждение по аналогии". [c.115]


Смотреть страницы где упоминается термин Многомерные методы распознавание образов: [c.91]    [c.165]    [c.98]    [c.165]   
Аналитическая химия Том 2 (2004) -- [ c.2 , c.518 ]




ПОИСК





Смотрите так же термины и статьи:

Многомерные методы

Распознавание

Распознавание образов



© 2025 chem21.info Реклама на сайте