Алгоритм - прогноз
Cтраница 1
Алгоритм прогноза (4.57), использующий модель авторегрессии, прост для реализации на ЭВМ. Его недостатком является низкая точность, обусловленная тем, что оценки параметров модели a ( k) не уточняются по результатам прогноза. Оценки параметров этой модели уточняются по мере поступления каждого нового значения временного ряда. [1]
Такой алгоритм прогноза должен быть некоторой функцией наблюдений до момента ( t - 1) и не содержать как явно, так и неявно наблюдений y ( t) и более поздних наблюдений. Так как численные значения параметра 6, характеризующие процесс у из класса С, неизвестны, то принимается байесов подход и вектор 9 рассматривается как случайная величина с заданным априорным распределением. [2]
Разработан алгоритм прогноза профессиональной успеваемости, основанный на аналогичном подходе. На этапе обучения алгоритм вырабатывает и запоминает координаты центров оценок в пространстве признаков, роль которых играют показатели, получаемые в результате психофизиологического обследования. [3]
 |
Фрагмент представления схемы прогноза токсичности. [4] |
Созданы алгоритмы прогноза токсичности соединений и пакет компьютерных программ, сведенные в единую систему прогноза. Формирование прогнозного комплекса усложняется процессами перебора возможных решений и выбора оптимального. Это обеспечивает быстрое осуществление корректирующих изменений при поиске оптимальной схемы прогноза токсичности. [5]
Блок алгоритмов прогноза состояния ОД служит для оценки периода работы ОД, в пределах которого можно гарантировать его неисправное состояние. Такая оценка осуществляется на основе апостериорной информации о текущем состоянии ОД. Разработанные на основании теоретических представлений о функционировании ОД алгоритмы прогноза состояния должны быть тщательно проверены по экспериментальным данным, которые могут быть получены в результате длительных испытаний. [6]
Поскольку все алгоритмы прогноза построены с использованием одной и той же функции квадратического критерия, различия в их качестве нужно приписать тому факту, что допущения, сделанные при построении алгоритма прогноза l / i0 ( t t - 1), более обоснованны, чем допущения относительно других алгоритмов прогноза. [7]
Коэффициенты для алгоритма прогноза цунами были определены Адамсом [ 29, с. Можно сказать, что данные о заливании при каждом цунами обнаруживают общую закономерность: заливание грубо может быть представлено косинусоидой, центрированной по азимуту землетрясения и обходящей остров против часовой стрелки. Отношение наблюденной высоты заливания к местной ординате принятой косинусоиды названо локальным фактором усиления. Ордината косинусоиды на азимуте данной станции считается прибрежной амплитудой, не искаженной локальным усилением. Таким образом, все множество данных наблюдений для конкретного цунами на конкретном острове сводится к одному числу - эквивалентной величине подъема уровня, характеризуемой амплитудным значением принятой косинусоиды. Найденное значение с помощью расчета, учитывающего геометрическое расхождение волновых лучей и дисперсию, отодвигается еще дальше - на каноническое расстояние, равное 100 6 км, и величина, полученная на этом этапе, называется канонической. После этого для каждого цунами из канонических величин для разных островов определяется средняя, а если удается, вычисляют и стандартное отклонение. [8]
При втором способе построения алгоритма прогноза и коррекции на его устойчивость более существенно влияет устойчивость прогноза, поэтому устойчивость результата оценивается совместным исследованием пары уравнений (4.204) и (4.205), включающих в общем случае k значении функции x ( t), k значение производной этой функции и 2k констант. [9]
Рассмотрим теперь подробнее построение алгоритмов прогноза и приведем другие обоснования для принятия решающего правила. [10]
Чтобы получить явную формулу алгоритма прогноза метода наименьших квадратов y ( t t - 1), поступим следующим образом. [11]
Поэтому в настоящей главе кроме алгоритмов прогноза текущих показателей разработки месторождения приводятся и алгоритмы предварительной обработки динамических рядов показателей, позволяющих оценить тенденцию их развития. [12]
На первом этапе работы с алгоритмом оптимизированного прогноза использования ресурсов природного газа проведены предварительные оценочные расчеты с учетом фактических данных о состоянии запасов и добычи газа в целом по стране и крупным газодобывающим районам. На OCHOBI имеющейся информации о потенциальных ресурсах, зависимости эффективности геолого-разведочных работ от степени разведанности ресурсом и планируемых объемов бурения рассматриваются различные ва-рианп. [13]
На первом этапе работы с алгоритмом оптимизированного прогноза процесса использования ресурсов природного газа были проведены оценочные расчеты с учетом фактических данных о состоянии запасов и добычи газа в целом по стране и крупным газодобывающим районам. [14]
Наиболее часто в методах прогноза и коррекции алгоритм прогноза построен по явной формуле численного интегрирования, а алгоритм коррекции - по неявной. Поскольку любой численный метод интегрирования может иметь явную и неявную схему, то их и используют для построения алгоритма метода прогноза и коррекции. [15]
Страницы: 1 2