Cтраница 1
Восстановление зависимости впр от S / I; и оценка по ней погрешности йпр требует бурения большого числа разведочных скважин, что неприемлемо для этапа предварительной разведки. Возможность получения удовлетворительных оценок ( опр при малом числе скважин N для сеноманских залежей севера Тюменской области была проверена следующим образом. Были сделаны экспериментальные оценки сопр с использованием информации о шпр по 12 скважинам сеноманской залежи месторождения Уренгой, равномерно расположенным по площади ( скв. Яас, которые были разбурены в первую очередь при разведке Уренгойской залежи. [1]
Задача восстановления зависимостей по эмпирическим данным была и, вероятно, всегда будет центральной в прикладном анализе. Эта задача является математической интерпретацией одной из основных проблем естествознания: как найти существующую закономерность по разрозненным фактам. [2]
Процедуры восстановления зависимостей ( в данном случае - обучения распознаванию образов) строят по этому материалу функцию, реализующую правило распознавания. Такая функция называется также решающим правилом. Попутно может выясниться, что ряд параметров несуществен для распознавания. Тогда будет выделено подмножество значимых признаков. Только они и берутся в качестве аргументов решающего правила. [3]
Простейшие методы восстановления зависимостей в детерминированном случае исходят из заданного временного ряда, т.е. функции, определенной в конечном числе точек на оси времени. Задачам анализа и прогноза временных рядов посвящено много литературы. [4]
Классические методы восстановления зависимостей, основанные на знании структуры плотности вероятности и связывающие методы восстановления зависимостей с оценкой этой плотности, оказываются эффективными лишь при использовании выборок достаточно большого объема. [5]
Предлагается решать задачу восстановления зависимостей методом минимизации функционала I ( а), а в тех случаях, когда близость функционала к минимуму не гаран - tnupyem близости функции к искомой, найти дополнительные условия, при которых возможна такая гарантия. [6]
При создании алгоритмов восстановления зависимостей одним из важных моментов является построение оптимальной разделяющей гиперплоскости. [7]
Монография посвящена проблеме восстановления зависимостей по эмпирическим данным. В ней исследуется метод минимизации риска на выборках ограниченного объема, согласно которому при восстановлении функциональной зависимости следует выбирать такую функцию, которая удовлетворяет определенному компромиссу между величиной, характеризующей ее сложность, и величиной, характеризующей степень ее приближения к совокупности эмпирических данных. [8]
Рассмотрены три задачи восстановления зависимости. [9]
Для одномерных задач восстановления зависимостей применение метода структурной минимизации риска позволяет достичь малой величины среднего риска и обеспечить близость восстановленной функции к искомой. Это дает возможность находить приближенное решение некорректно поставленных задач интерпретации результатов косвенных экспериментов и строить приближение функций регрессии. [10]
Успех применения методов восстановления зависимостей в существенной мере определяется правильной постановкой задачи. Главным здесь оказывается правильный выбор класса приближающих функций и наиболее естественное упорядочение их сложности. Этот выбор определяется природой решаемой задачи и теми априорными сведениями, которыми располагает исследователь. В свою очередь этот выбор определяет то, какой алгоритм следует применить для восстановления искомой зависимости. [11]
Выходит, задача восстановления зависимости по косвенным данным вообще не разрешима. С точки зрения исследователя - да, если про искомую зависимость заранее известно слишком мало, скажем, только то, что она непрерывна и к раз дифференцируема. Тогда задача вообще неразрешима. Только в том случае, когда заранее известно, что искомая функция принадлежит достаточно узкому классу ( или может быть хорошо приближена функцией такого класса), задача становится разрешимой. [12]
Были рассмотрены классические методы восстановления зависимостей ( гл. Они эффективны в условиях, когда искомая зависимость принадлежит заданному классу, и гарантируют отыскание удовлетворительного решения при достаточно большом объеме обучающей выборки. [13]
Однако эти особенности задач восстановления зависимостей являются частными, и поэтому основное направление исследований в каждой из них связано с изучением общей схемы минимизации среднего риска по эмпирическим данным. [14]
В основе многих алгоритмов восстановления зависимостей лежит метод минимизации эмпирического риска. Этот метод приводит к успеху, если класс функций, в котором ведется восстановление, является достаточно узким. Возможны разные определения меры широты класса функций, и для каждого из них ограниченность меры гарантирует успех применения метода минимизации эмпирического риска. [15]