Построение рекуррентного алгоритма

Для построения рекуррентной процедуры поиска коэффициентов можно воспользоваться общим алгоритмом обучения в форме (2.17), незначительно его модифицируя [c.90]

Подобная ситуация типична для детерминированных процессов, природа которых недостаточно изучена, случайных процессов с неизвестными статистическими характеристиками или когда вообще не ясно, является ли процесс детерминированным или стохастическим, и т. д. Единственно возможным подходом в этих условиях является наблюдение текущих реализаций и их обработка. При этом регулярные итеративные методы становятся непригодными и возникает необходимость в использовании принципов адаптации, основанных на вероятностных итеративны х процедурах. Идея построения вероятностных итеративных процедур состоит в переносе схем регулярных алгоритмов типа (2.4) — (2.6) на случай, когда градиент функционала V/ (а) неизвестен. Для этого в процедурах (2.4)—(2.6) специальным образом подбирается матрица Г и вместо неизвестного градиента V/ (а) используются наблюдаемые реализации (х, а). Таким образом, вероятностный алгоритм оптимизации алгоритм адаптации) можно записать в одной из трех форм рекуррентная форма [c.85]

Выражение (11,142) можно было бы непосредственно применить для построения матрицы Н . При этом, давая различный вид матрице Л, можно получать разные алгоритмы построения матрицы Н . Однако использование формулы (11,142) для построения матрицы Я,- неудобно тем, что на каждом шаге пришлось бы определять матрицы (/ = 1, 2) с помощью решения системы уравнений (11,141). В связи с этим мы построим рекуррентные соотношения для нахождения матриц У (/ = 1, 2). Пусть [c.67]

Теперь оценим время работы алгоритма в худшем случае. Обозначим его через Т(п), где п — число переменных (число переменных заведомо не превосходит длины входа). По построению имеем следующее рекуррентное соотношение [c.157]

Построение функций Л ь а также констаит и проводится независимо на каждой из полуплоскостей согласно алгоритму из предыдущего параграфа. После того как найдены Аг+, кг , функции И определяются по следующей рекуррентной процедуре. Пусть найдены все и Л/ при и <А . Определим ( г) ДЛя всех г таких, что 1г = [c.322]

Соотношения предыдущего раздела позволяют по известному содержанию f -ад вычислить вероятности подграфов меньшего размера. Однако чаще исследователей интересует обратная задача описать конфигурационную статистику полимера, исходя из экспериментально измеренной концентрации малых фрагментов молекул. Для ее решения нужен конструктивный алгоритм вычисления вероятностей к- ] произвольного размера. В принципе, для этой цели можно воспользоваться подходом, предложеппым в работах [29, 30]. Однако рекуррентное применение (см. разд. 1.4) процедуры построения случайных графов весьма громоздко. Гораздо эффективней пспользовать для этой цели методы ветвящихся процессов, множество реализаций которых можно рассматривать как случайный [c.200]

Алгоритм построения оптимального решения основан на справедливости рекуррентных соотношений (4.91) и (4.92). Рассуждения, как и выше, будем вести относительно (4.91). В соответствии с (4.91) необходимо разбить заданное множество т индексов на такие два подмножества A sup= (г supa>a,J, = (г supaбыла равна sup а. Эту процедуру можно осуществить несколькими способами. Приведем описание того способа, который технологически легко интерпретируем. [c.139]

Алгоритм, основанный на явной численной схеме решения уравнения теплопроводности, использует предложенную рекуррентную формулу, которая включает определенные на предыдущих временных шагах значения толщины и температуропроводности слоев. На каждом четном шаге определяют толщину очередного слоя, а на каждом нечетном шаге рассчитывают температуропроводность данного слоя. Таким образом, продвигаясь вглубь изделия, возможно построение пиксельных распределений температуропроводности в пределах отдельных слоев. Для разбиения изделия на N слоев требуется иметь последовательность из 27V-1 термограмм. [c.138]

Справочник химика 21

Химия и химическая технология