Cтраница 1
Алгоритм классификации осуществляет анализ наиболее существенных переменных процесса. Управляющие алгоритмы ликвидации нарушений технологического режима и максимизации нагрузки узкого места позволяют определить допустимые воздействия и анализируют их эффективность. В результате формируются управляющие воздействия, которые выдаются в виде рекомендаций по ведению процесса диспетчеру производства. [1]
Алгоритм классификации осуществляет анализ наиболее существенных переменных процесса. Более детальный анализ производится другими, названными выше алгоритмами. Они, в частности, определяют возможные управляющие воздействия, анализируют их эффективность. В результате формируются управляющие воздействия, которые выдаются либо на исполнительные органы, либо ( в виде рекомендаций) - технологическому персоналу. [2]
Алгоритм классификации осуществляет анализ по наиболее существенным переменным процессам. Дальнейший анализ ситуации производится перечисленными управляющими алгоритмами, которые обеспечивают определение возможных управляющих воздействий, анализируют их эффективность. В результате указанных операций формируются управляющие воздействия, которые выдаются на исполнительные органы пли диспетчеру производства в виде рекомендаций по ведению процесса. [3]
Рассмотрим подробно алгоритм последовательной классификации объектов при неполной исходной информации. [4]
Рассмотрим применение алгоритма классификации на конкретном примере. Имеются данные о фактических затратах на конструирование деталей. [5]
Эффективность этого алгоритма классификации окончательно проверяют на новых представителях классов, не входящих в состав обучающей выборки. С этой целью было отобрано по пять представителей каждого класса, имеющих соответствующие значения затрат труда и факторов. Для каждого из них была определена функция правдоподобия. [6]
Рассмотрим другой класс алгоритмов классификации, осноган-ных на декомпозиции нечетких графов [3], соответствующих нечетким отношениям между объектами исследуемой ХТС. [7]
Рассмотрим пример работы алгоритма последовательной классификации. [8]
Очевидно, выбор алгоритма классификации S должен быть подчинен определенным требованиям. Вид этого функционала, так же как конкретизация постановки задачи классификации и определение класса А допустимых правил классификации, зависит от характера априорных сведений об искомых классах и от наличия ( отсутствия) предварительной выборочной информации ( так называемых обучающих выборок) об этих классах. [9]
Важным вопросом практического применения алгоритма классификации является вопрос выбора наиболее информативных ( существенных) факторов, что связано в первую очередь со стремлением к уменьшению объема работ по сбору исходных данных. Для решения этой задачи из полного набора потенциально полезных факторов исключают по одному фактору и проверяют эффективность алгоритма классификации для каждого сокращенного набора факторов на обучающей выборке. Например, был исключен первый фактор ( количество листов приведенного формата) и проверена эффективность алгоритма классификации с оставшимся набором. [10]
Таким образом, точность алгоритма классификации может считаться вполне приемлемой. [11]
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. [12]
Рассматриваемая часть математического обеспечения содержит алгоритмы классификации, ликвидации нарушений технологического режима, максимизации нагрузки узкого места производства и другие. Число алгоритмов этой группы зависит от того, на сколько классов разбивается множество возможных состояний производства, и при необходимости может пополняться. [13]
В подобных системах для построения алгоритма классификации целесообразно воспользоваться критерием Неймана - Пирсона, суть которого состоит в следующем. Исходя из того, какие решения принимаются на основании результатов распознавания неизвестных объектов, определяется допустимое ( заданное) значение условной вероятности ошибки первого рода, затем определяется такая граница между классами, придерживаясь которой удается добиться минимума условной вероятности ошибки второго рода. [14]
В системе предполагается наличие двух алгоритмов классификации для детерминированных ( истинных на модели данных) и вероятностных закономерностей. Детерминированный случай является предельным для вероятностного. [15]