Априорные знания

Cтраница 1

Информационное пространство задачи.| Средства контекстно-зависимой формализации, структуризации, обработки данных и нахождения решения. [1]

Априорные знания представляются в виде набора цепочек операторов генерирования признаков и в виде системы ограничений на класс функций, в котором ищется зависимость прогноза от признаков. Экспертные гипотезы могут быть представлены в виде качественных причинно-следственных моделей, в виде картографических схем, в виде выборок прецедентов с оценками прогноза и в виде логических конструкций. [2]

Однако имеющиеся априорные знания позволяют выделить заведомо малозначимые эффекты взаимодействия. В этом случае оптимальным будет правильно спланированный дробный факторный эксперимент. [3]

В случае, когда априорные знания о физике объекта или результаты тестирования на нелинейность позволяют сделать заключение о целесообразности применения нелинейных нейросетевых моделей, возникает ряд специфических вопросов, связанных с планированием эксперимента и получением информативного множества данных, пригодных для построения работоспособных моделей. [4]

Необходимые для использования полученных соотношений априорные знания представляются реализуемым и гипотетическим уравнениями измерений и математическими моделями составляющих измерительную цепь модулей. При определении относительных методических и инструментальных погрешностей соотношения имеют аналогичный вид, однако в выражениях для методических относительных погрешностей вместо реализуемых преобразований используются идеальные, а в выражениях для инструментальных относительных погрешностей идеальные преобразования заменяют гипотетические. [5]

При использовании для проверки соответствия характеристик погрешностей установленным нормам соотношений (2.2.8) - (2.2.10) необходимы априорные знания свойств А. [6]

Типичные спектры флуоресценции немецкой нефти ( 1, фуль-вокислоты ( 2 и их смеси ( 3 в дистиллированной воде. Аехс 337 нм. [7]

Важным свойством метода искусственных нейронных сетей является то, что в нем практически не используются какие-либо априорные знания об объекте исследования, а работа алгоритмов основана исключительно на информации, содержащейся во входных данных. Эта информация усваивается и обобщается нейронной сетью, которая делает свои оценки не только на основе предъявленного ей в данный момент примера, но и на основе всех тех примеров, которые содержались в обучающей выборке. [8]

Следует отметить, что активное использование экспертной системой самостоятельно добываемых ею апостериорных знаний о статистических свойствах рассматриваемой характеристики позволяет ей целенаправлево применять заложенные в нее точные априорные знания. Существенно, что с помощью априорных знаний экспертная система получает эмпирические оценки полезности рассматриваемой характеристики с точки зрения различных частных аспектов математической статистики, распознавания образов и кластер-анализа. [9]

Принципиальная схема теплового стенда с факельно-слоевой топкой, вихревым золоуловителем ir установкой для полной очистки газов. [10]

Метод случайного баланса не имеет строгого математического обоснования и является в основе своей интуитивным, однако он помогает сократить количество варьируемых факторов, что особенно важно, когда их число превышает 8 - 10, а априорные знания о процессе недостаточны для обоснования выбора значимых факторов. [11]

При идентификации динамических систем помимо вышеперечисленных базовых моделей могут быть использованы их комбинации и модификации. На выбор конкретной модельной структуры могут влиять априорные знания о физических принципах функционирования системы. [12]

Чем больше известно о нашем объекте, тем ближе будем мы к ответу до начала эксперимента. Конечно, надо всегда быть готовым к тому, что наши априорные знания недостаточно надежны и могут ввести нас в заблуждение. Это понятно, так как они опираются на далеко не совершенную теорию да на не всегда законные аналогии с подобными ( но не тождественными) объектами. Поэтому все, что мы знаем, обычно позволяет лишь выбрать исходную точку, ту самую печку, от которой удобно танцевать. [13]

Производство полиэтилена, являясь одним из процессов химической технологии, обладает рядом особенностей. Поэтому как при анализе, так - и при управлении производством полиэтилена довольно широко используют априорные знания о протекании процесса в конкретном производстве. Эти знания имеют качественный характер и дополняют количественную информацию, получаемую непосредственно с объекта. [14]

Предположение о том, что при отладке используются тесты, которые достаточно полно отражают все значимые внешние условия эксплуатации. Кроме того, предполагается, что тесты достаточно равномерно покрывают область входных параметров и отсутствуют априорные знания при подготовке тестов, которые могут способствовать искусственному повышению интенсивности выявления ошибок в некоторых тестах. Таким образом, обеспечивается случайность состава тестов и последовательности их проведения. Последний вид предположений, как правило, не выполняется, так как тесты специально строятся так, чтобы обеспечить максимальную возможность выявления ошибок. Случайность состава тестов и последовательности их проведения реализуется только для некоторого подмножества тестов программы испытаний. [15]

Страницы: 1 2 3