Алгоритм с известными весами важ

Подготавливая расчетные формулы алгоритма задач к решению на машине, программист должен разработать такую схему расчета, которая охватывала бы возможно более широкий диапазон исходных данных, максимально упростила бы подготовку исходных данных перед вводом в память машины и обработку результатов расчета. Обычно бывает достаточно выбрать в качестве исходных данные крайних расчетов, встречающихся на практике, путем округления соответствующих чисел. Так, из практики проектирования фундаментов для компрессоров указанных назначений известно, что вес всей установки не превышает 2500 т, линейные размеры не превышают 20 м, конструктивных элементов обычно не бывает более двадцати и т. д. Все эти данные удобно свести в таблицу, указывая неравенствами крайние возможные значения параметров, например [c.33]

Поскольку в методах присутствуют элементы субъективной оценки, процедура кластеризации должна включать диалог исследователя с ЭВМ. Рассмотрим следующий пример. Пусть априорно известно, что свойства объектов идюют различную важность (информативность) для кластеризации. Если априорная информация достоверна, то качество кластеризации будет удовлетворительным, если нет, то в один кластер попадут объекты, которые по общим признакам должны быть отнесены к разным кластерам. В этом случае, изменяя в режиме диалога веса признаков, ЛПР может добиться улучшения кластеризации. Меняя алгоритмы кластеризации, веса признаков, ЛПР либо добивается желаемого результата и при этом одновременно узнает, какие свойства используются и на сколько они важнее других, либо вынужден признать, что имеющаяся информация не позволяет получить искомую кластеризацию. [c.85]

Алгоритм 9. Пусть заданы совокупность п целей в виде п НБОП Ri,. . ., Rj, Rn с известными весами относительной важности Яу,. . ., Я Xj- > 0 V/ = ТТй = 1, [Ir- х, у) — [c.287]

I, Ь Ь — число выбранных в подмножество методов распознавания) формирует индивидуальное решение (г = 1, Ь). Тогда коллективное решение формируется как функция индивидуальных решений Л = Ф ( г, , г = 1, Ь). Следует учитывать, что в Н = Ф ( ) каждое индивидуальное решение может входить с определенным весом. Вес определяется как методом, так и видом распознаваемой ситуации. Сформированное подмножество методов будет содержать как эффективные, так и неэффективные методы. Поэтому необходимо в системе распознавания предусмотреть процедуру оптимизации коллектива — алгоритмы селекции. Для решения этой задачи предлагается применение неформальных приемов — эвристик, в качестве которых могут выступать метод, прием, правило или стратегия [44]. Проведенные сравнительные оценки метода коллективного голосования с известными методами (минимума расстояния до средних, потенциальных функций, Байеса и т. п.) показали его преимущества [45]. Следовательно, одним из путей иовышення эф( ективности применения методов теории распознавания, является реализация системного принципа синтеза решающих правил (принятие решений) на основе метода коллективного распознавания. [c.81]

Параметрич. потоковые графы отображают преобразование параметров (массовых расходов и др.) физ. потоков элементами ХТС вершины графов отвечают мат. моделям аппаратов, а также источникам и стокам указанных потоков, а дуги-самим потокам, причем веса дуг равны числу параметров соответствующего потока. Параметрич. графы служат для разработки алгоритмов анализа технол. режимов многокоитурных ХТС. Такие алгоритмы устанавливают последовательность расчета систем ур-ний мат. моделей отдельных аппаратов к.-л. системы для определения параметров ее выходных потоков при известных значениях переменных входных потоков. [c.613]

Описанные выше статистические методы не предполагали знания эффективности функционального сигнала, а в том случае, когда эффективность была известна, она не могла быть адекватно учтена алгоритмом построения матрицы весов. Оптимальное решение задачи определения матрицы штрафов/премий при наличии достаточного количества данных об эффективности функционального сигнала было продемонстрировано в работе Стормо и др. (Stormo et al., 1986). Предположение, выполнение которого необходимо для построения матрицы при помощи метода множественной регрессии, состоит в том, что измеренная величина эффективности некоторого функционального сигнала является арифметической суммой эффектов, связанных с отдельными признаками. [c.131]

Справочник химика 21

Химия и химическая технология