Cтраница 1
Алгоритмы восстановления кусочно - линейных функций, рассматриваемые в этом параграфе, построены по той же схеме, по которой реализованы алгоритмы построения кусочно-линейных решающих правил ( см. § 8 гл. [1]
Алгоритм восстановления логических полей предельно прост. Логический признак ( неколлекторы, коллекторы разной продуктивности) восстанавливается в узлы густой квадратной сетки. Каждому углу присваивается значение признака, совпадающее с наблюдаемым в ближайшей скважине. В итоге получается поле, в котором границы разных значений признаков пересекают середины линий, соединяющих смежные скважины. [2]
Алгоритмы восстановления многомерной регрессии в классе линейных функций ЛИР и ЛИР-3, восстановления регрессии с селекцией выборки ЛИРС и ЛИРС-3 и пошаговой оценки регрессии ПОР и ПОР-3 реализуются программой ВОЛНА. Программа ВОЛНА считывает управляющую информацию с перфокарт, а матрицу наблюдений X - из файла данные и реализует один из алгоритмов восстановления многомерной регрессии без перехода к главным компонентам. [3]
Алгоритмы восстановления многомерной регрессии, использующие разложение векторов выбо рки по главным компонентам, реализуются последовательностью программ СОВА - ВОЛНА. Программа СОВА считывает управляющую информацию с перфокарт, а матрицу наблюдений X - из файла данные. Далее программа СОВА выполняет разложение векторов матрицы X по собственным векторам матрицы ХГХ. Полученная матрица коэффициентов X записывается в файл 10, уничтожая тем самым исходную матрицу наблюдений X. Затем вызывается программа ВОЛНА, которая считывает нз файла 10 матрицу X и реализует заданный с помощью управляющей информации алгоритм восстановления регрессии с использованием главных компонент. [4]
Приведен алгоритм восстановления температуры и теплового потока на поверхности теплообмена по замерам температур во внутренних точках многослойной пластины при линейной зависимости коэффициентов теплопроводности от температуры. Регуляризация решения осуществляется сплайн-сглаживанием. [5]
Рассмотрим алгоритмы восстановления значений функ-в классе линейных решающих правил. [6]
Второй алгоритм восстановления истинного решения системы (3.6.3), предложенный в [59], можно назвать методом проверки координат. [7]
Предложен алгоритм ретроспективного восстановления состава пластовой смеси с учетом связанной воды. [8]
Выполнение алгоритма восстановления регрессии иллюстрируется следующим примером. [9]
Выполнение алгоритмов восстановления многомерной регрессии, описанных в § 4, без использования главных компонент иллюстрируется следующим примером. [10]
Рассмотрим некоторые алгоритмы восстановления экспертных оценок по изложенному выше подходу. [11]
При создании алгоритмов восстановления зависимостей одним из важных моментов является построение оптимальной разделяющей гиперплоскости. [12]
Вторую группу образуют алгоритмы восстановления регрессии или нахождения ее значений в заданных точках, использующие кусочно-линейную аппроксимацию. При этом определяется оптимальное для заданной обучающей выборки число, а также размеры и положение участков, в пределах которых функция аппроксимируется линейно, и для каждого участка находятся параметры соответствующей линейной зависимости. [13]
Первую группу образуют алгоритмы восстановления линейной регрессии с выбором оптимального набора аргументов из числа исходных. Эти алгоритмы реализуются программой ВОЛНА. Алгоритмы различаются по трем показателям. [14]
Программа S1POLI реализует алгоритм РПС восстановления решения интегрального уравнения в виде алгебраического полинома оптимальной степени, которая определяется в процессе вычислений, е одновременной селекцией наблюдений. Алгоритм РПС описан в § 2 гл. [15]