Оптимизация без распознавания

ПРИМЕНЕНИЕ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ И ЛОГИКО-СТРУКТУРНОГО ПОДХОДА К ИССЛЕДОВАНИЮ И ОПТИМИЗАЦИИ ХТС [c.241]

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]

Метод коллективного распознавания — следующий шаг на пути совершенствования иерархических систем распознавания (и не только распознавания, но и задач моделирования, оптимизации и т. п.). Предложен синтез и обучение иерархическому использованию алгоритмов с учетом специфики решаемой задачи. Решающее правило должно быть адекватно решаемой задаче распознавания. [c.263]

Вполне понятно, что основной информацией, необходимой для надежного распознавания всех пиков в процессе оптимизации разделения, являются спектры чистых компонентов и индивидуальные пики компонентов (профили элюирования). Метод, применяемый для получения как спектральных, так и хроматографических данных, включает применение математического метода, называемого анализ основного компонента (АОК) [92]. Этот метод основан на законе Бэра и положении об аддитивности спектров поглощения. Поглощение (Л) в момент времени 1 при длине волны Я описывается уравнением [c.302]

Рассмотрим примеры использования конкретных алгоритмов распознавания образов для решения задач моделирования ХТС и отдельных ее элементов, диагностики неполадок ХТС, эксплуатируемой в нормальных условиях оптимизации ХТС и управления качеством промышленных изделий. [c.265]

Использование математического аппарата распознавания образов для оптимизации процессов переработки пластмасс основано на возможности прогнозирования реакций многопараметрических систем на множество входных воздействий. [c.281]

Мы рассмотрели некоторые методы распознавания образов и их приложение к решению задач оптимизации ХТС и отдельных ее элементов в режиме нормальной эксплуатации по многим показателям, характеризующим качество получаемого [c.292]

Использование принципа коллективного распознавания и иерархических структур алгоритмов может обеспечить дальнейшее развитие искусственного интеллекта в области исследования и оптимизации ХТС. [c.293]

Важный класс алгоритмов координирования представляют собой алгоритмы распознавания ситуаций. Последние применяют при автоматических оптимизации и защите производства. Основная идея таких алгоритмов координирования заключается в следующем [c.374]

Разработана процедура предварительного автоматического диагностирования несовместностей [122], основанная на методах распознавания образов, которая применяется при решении задачи оптимизации производственной программы НПП. [c.206]

Статистические и численные методы обработки данных лежат в основе широкого класса других методов обработки, в частности распознавания образов (см. далее) и оптимизации. Принципы последнего метода должны быть знакомы большинству экспериментаторов, занимающихся разработкой как традиционных, так и инструментальных аналитических методик. Так, чтобы установить, какой из параметров имеет смысл выбрать в качестве переменного, или определить, какой из факторов в данном случае является наиболее важным, часто приходится проводить несколько предварительных экспериментов. После выявления наиболее важных факторов проводится оптимизация варьируя поочередно каждый из этих факторов и в то же [c.381]

Чтобы достичь этой цели, разработчикам необходимо исходить из противного, т. е. они должны быть обеспечены гибким, совершенным оборудованием, включая разнообразные детекторы, инжекторы, устройства для программируемого изменения температуры и состава растворителей и т. д. Очень полезны многоканальные детекторы. Они могут оказать помощь в распознавании различных компонентов образца, когда отвечающие им пики в процессе оптимизации селективности меняют свое положение на хроматограмме (разд. 5.6). [c.28]

Проблема распознавания на хроматограмме индивид аль-ных компонентов по ходу процесса оптимизации осложняется тем, что возможно значительное перекрывание пиков на хроматограммах. Если бы такое перекрывание не наблюдалось, то в процедурах оптимизации не было бы нужды. Иными словами, оптимизационные процедуры наиболее полезны для наиболее сложных задач распознавания индивидуальных пиков. В данном разделе будут обсуждаться различные пути получения необходимых данных. [c.292]

Из табл. 5.7г следует, что параллельные интерпретативные методы являются весьма многообещающими применительно к оптимизации селективности, однако они могут быть серьезно усовершенствованы, если направить усилия на 1) формулирование моделей, базирующихся на основательной хроматографической теории 2) улучшение компьютерных методов локализации глобального оптимума в многомерном параметрическом пространстве 3) автоматизацию процедур распознавания индивидуальных компонентов на каждой хроматограмме. [c.307]

Использование параллельных методов (без распознавания ко.мпонентов образца) для оптимизации хроматографической селективности требует большого числа экспериментов. [c.308]

Систематическая оптимизация программных параметров. Оптимизация без распознавания хроматографируемых компонентов. Разработанная Снайдером концепция линейного градиента силы элюента (см. также разд. 5.4.2 и 6.2.2) включает оптимизацию как формы, так и наклона градиентов. Форма такого градиента определяется [c.342]

Оптимизация с ограниченным распознаванием компонентов. При оптимизации градиента в рамках подхода Снайдера характеристики индивидуальных компонентов в основном не учитываются. Оптимальная форма градиента определяется фазовой системой, а оптимальный наклон обычно оценивается при помощи простых правил из характеристик удерживания разделяемых веществ (например, допуская 5 = 7 для малых молекул, как это было сделано ранее). К особенностям образца адаптируются только начальные и конечные условия. [c.344]

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]

Дальнейшее развитие средств ААИ идет по пути совершенствования эксиериментальных методов визуализации объектов исследования — применения адсорбционных индикаторов для выделения определенных элементов структуры, применения различных люминесцентных индикаторов для визуализации потоков, применения рентгеновских ионных анализаторов в качестве приставок к электронным микроскопам, позволяющих проводить высокоспецифичный анализ распределения химических элементов в структуре [17] и многих других. Одновременно быстро развиваются методы [18] и средства для оптимизации и машинной обработки изображения. Увеличение объема памяти и быстродействия вычислительных машин, примененпе систем искусственного интел.лекта способствует развитию систем распознавания динамических образов и соответственно расширению возможностей анализа быстроиротекающих процессов и построению динамических моделей объектов со сложной пространственной структурой. [c.126]

Процедуру оптимизации коллектива, которая состоит в таком подборе правил и их замене, назвали селекцией. Для решения задачи селекции предлагается использование эвристического алгоритма, предусматривающего последовательное применение неформальных приемов — эвристик, в качестве которых могут выступать метод, прием, правило или стратегия Ц561. В работе [149] сравниваются эффективности различных известных методов распознавания с методом коллективного распознавания и показаны его преимущества по отношению к отдельно взятым методам минимума расстояния до средних потенциальных функций Байеса, ближайшей точки и квадратичной регрессии. [c.265]

Полимеризация происходит в каскаде реакторов непрерывного действия. Для выбора условий синтеза темплена и управляющих воздействий с целью стабилизации заданного значения ПТР была проведена оптимизация режимов работы реактора непрерывного действия с помощью метода распознавания образов. В качестве обучающей выборки использовался набор экспериментальных данных, полученных в режиме нормальной эксплуатации. [c.279]

Кроне того, нормальность распределений значений рассматриваеной характеристики на заданных классах биополимеров "I" и "II" является необходинын в достаточным условием применимости аналитических методов оптимизации "свободных параметров большинства методов распознавания образов и кластер-анализа (4, 5), традиционно используемых для автоматической классификации объектов. [c.206]

Для количеств, анализа очень важны метрологич. характеристики методов и приборов. В связи с этим А. х. изучает проблемы градуировки, изготовления и использования образцов сравнения (в т.ч. стандартных образцов) и др. ср-в обеспечения правильности анализа. Существ, место занимает обработка результатов анализа, в т. ч. с использованием ЭВМ. Для оптимизации условий анализа используют теорию информации, мат. теорию полезности, теорию распознавания образов и др. разделы математики. ЭВМ применяются не только для обработки результатов, но и для управления приборами, учета помех, градуировки, планирования эксперимента существуют аналит. задачи, решаемые только с помощью ЭВМ, напр, идентификации молекул орг. соединений с использованием теории искусств, интеллекта (см. Автоматизированный анализ). [c.159]

Заключение. Характеристики различных методов оптимизации градиента суммированы в табл. 6.5. В табл. 6.5, а сравниваются различные методы оптимизации программных параметров. Учитывая сделанное в разд. 6.3.2.4 заключение о нежелательности больших усилий по оптимизации программируемого анализа, мы можем заключить, что симплекс-метод непригоден именно по этой причине, а полная математическая оптимизация малопривлекательна из-за необходимости выполнения большого объема вычислительных работ. Метод, предложенный Яндерой и Чурасеком, требует несколько больших усилий, чем метод Снайдера. Он предусматривает выполнение ряда расчетов, распознавание на каждой из хроматограмм трех выбранных компонентов и знание зависимости удерживания от состава подвижной фазы для этих компонентов. Такого рода зависимости могут быть получены либо в ходе оптимизации, либо из независимых (изократических) эксперимеитов. [c.359]

Если резюмировать все сказанное, то получается, что у робота появились, быть может, пока и несколько примитивные, но органы чувств. Но ведь это еще не все, роботам нужны и зачатки интеллекта. Конечно, поскольку у человека распознавание зрительных образов, оптимизация движения руки и узнавание голоса тоже совершаются под управлением мозга, то это тоже элементы интеллекта. Следовательно, можно считать, что роботы второго поколения уже обладают зачатками сознания. Но сейчас создаю1ся такие программы, которые позволяют роботу ада1 тироваться к окружающей [c.92]

Выявленное в последние годы влияние температуры на хроматографическое поведение анализируемых веществ в ВЭЖХ [257] обусловлено созданием новых хроматографических фаз, реализующих различные механизмы взаимодействий с сорбентами (хиральное распознавание, комплексообразование с участием макроциклов, ион-парных агентов и т.д.). При этом температура часто оказывается решающим параметром оптимизации разделения той или иной конкретной смеси. В общем виде эта зависимость может быть выражена следующим соотношением [c.278]

Оптимизация разделения. Наглядным и привлекательным методом оптимизации разделения объектов воспользовался Иида для распознавания 5 сигналов сплайсинга (Ис1а, 1987). Метод не требует полного разделения множеств X и У, допуская небольшое перекрытие распределений и у . Чтобы найти разделяющий вектор f, запишем несложные статистические соотношения. [c.136]

Справочник химика 21

Химия и химическая технология