Алгоритм классификация

Перечислим основные алгоритмы, которые входят в общую систему автоматизированного построения математической модели ФХС алгоритм распределения операционных причинно-следственных отношений между переменными системы алгоритм классификации переменных в пространстве состояний алгоритм формального построения системы дифференциальных уравнений, описывающих ФХС процедура построения моделирующего ал- [c.9]

В системе предполагается наличие двух алгоритмов классификации для детерминированных (истинных на моде.пи данных ) и вероятностных закономерностей. Детерминированный случай является предельным для вероятностного. [c.276]

Все многочисленные альтернативные методы, которые были предложены [2, 12, 231 как средства для классификации состояния процесса по сходству и различию соответствующих индикаторов, имеют две главные общие особенности. Во-первых, каждый метод требует количественного определения, или меры, относительного сходства между состояниями процесса. Во-вторых, при заданных количественных показателях сходства, требуется алгоритм для вычисления коэффициентов сходства, с тем чтобы обнаружить однородные группы, или классы. Для любого метода определения сходства при наличии многих переменных существует ряд различных алгоритмов классификации. И наоборот, частный алгоритм классификации обычно может быть применен к нескольким из ряда различным показателям сходства профилей. Здесь мы касаемся только тех методов, которые используют количественные измерения. Такие методы, как анализ скрытых классов , которые приспособлены специально для использования качественных показателей, обсуждаться не будут. Однако необходимо помнить, что имеются специальные методы для решения задач классификации, включающих категорийные или качественные переменные. [c.250]

В продолжение любого периода наблюдения алгоритм классификации обучается тому, что является нормальным поведением процесса, путем формирования статистического описания нормальной работы процесса, исходя из анализа процессного шума. К концу периода обучения алгоритм следит за процессом подобно сторожу, обнаруживая появление аномальной картины. [c.277]

Основные изложенные выше идеи эксплуатируются и в самообучающемся варианте программ распознавания. Отличие их заключается в том, что исходная выборка не разбивается заранее на образы, а представляется как единое целое. Используемые алгоритмы классификации разбивают на группы (образы) множество этих наблюдений, заданных многомерными векторами, так, чтобы внутри них была достигнута максимальная однородность, а между ними минимальная. Примером может служить классификация, проведенная в работе [58]. Исходное описание 145 образцов минералов группы пирохлора-микролита задавалось данными химического анализа по содержанию в них ниобия, титана, суммы кальция и натрия, тантала, суммы урана и тория, суммы редкоземельных элементов, т. е. классификация проводилась в шестимерном пространстве. Основными критериями объединения нескольких образов в один класс явилось расстояние в этом шестимерном пространстве. Основные результаты машинной классификации совпали с результатами, полученными геохимиками. Однако [c.74]

Если теперь рассмотреть множество М=, т технологических процессоБ, то, решая многократно задачу (3.26) — (3.29), можно объединить в один класс наиболее близкие между собой процессы. Такой процесс называется иерархической процедурой классификации, а дисциплина, изучающая принципы и алгоритмы классификации объектов по совокупности признаков (поли-тетической классификации) — кластерным анализом. [c.176]

Наиболее распространенные стратегии классификации — это алгомератнвные иерархические алгоритмы. Эти алгоритмы классификации работают следующи.м образом. Два наиболее близких обтзекта (технологических процесса) объединяются в один кластер. Тогда число объектов становится п—1, причем один кластер содержит два объекта, а остальные содержат по одному. Процесс повторяется до тех пор, пока все объекты не сгруппируются в один кластер. При кластеризации естествеппо используется интуитивное нредставление о расстоянии между объектом и кластером и между двумя кластерами. [c.246]

Рассмотрим построение алгоритмов классификации, предназначенных для решения задач группировки при ОФХТС на основе применения теорий нечетких множеств. [c.261]

Рассмотрим другой класс алгоритмов классификации, осноган-ных на декомпозиции нечетких графов [3], соответствующих нечетким отношениям между объектами исследуемой ХТС. [c.262]

Рассмотрим детермшированный случай. Будем предполагать, что И1 - алгебраическая система. Предположим, что детерминированные закономерности не содержат отрицаний и следовательно, могут рассматриваться как правила ПРОЛОГ-программы Рг. Множество фактов ПРОЛОГ-программы определим как множество всех атомов, истинных в И1. Алгоритм классификации должен быть в этом случае алгоритмом структуризации ПРОЛОГ-программы Рг(Ф). [c.276]

Один иэ возможных путей на начальном этапе выбирается ка-кое-ллибо разбиение (либо произвольное, либо определяемое из некоторых общих соображений, либо представленное предварительным алгоритмом классификации, который не обеспечивает достижения наилучшего разбиения на всем множестве возможных разбиений), затем на каждом последующем этапе один из элементов Х5 перемещается во все ктассы, и в каждом случае рассчитывается функционал. Место XJ определяется по максимальному из возможных значений функционала. [c.19]

Возможности получения обучащей выборки ограничены, т.е. затруднено использование алгоритмов классификации "с учителем", методов РО. [c.31]

Справочник химика 21

Химия и химическая технология