Дискретные данные могут также напрямую быть представлены с помощью дискретных сигналов (например, в бинарной форме уровней напряжения), что и используется сегодня в дискретных компьютерах. Однако дискретные данные могут быть представлены и аналоговыми сигналами с помощью такого устройства, как модем (модулятор/демодулятор). Это устройство на входе линии связи преобразует серию бинарных (два уровня) импульсов напряжения в аналоговый сигнал путем определенной модуляции его несущей частоты. Формируемый таким образом аналоговый сигнал передается по приемлемой для модулируемой частоты среде (обычно используется полоса частот телефонных линий, предназначенных для передачи речи). На другом конце линии связи аналогичный модем с помощью процедуры демодуляции извлекает оригинал дискретных данных в виде последовательности импульсов напряжения. [c.375]
Цели проектирования и признаки объекта вступают в бинарные отношения. Описание, включающее цели и признаки, ранее было названо, концептуальным. Оно сводится к построению подмножества признаков, элементы которого вступают в бинарные отношения с элементами выбранного подмножества целей (Л0). На языке математической логики это выражается следующим образом [c.107]
Заде развил теорию множеств путем обобщения понятия Множества. В четких множествах объект находится или внутри множества, или вне его. В бинарном представлении такой объект равен нулю или единице. Заде ввел частичную принадлежность множеству, описываемую функцией принадлежности, функция принадлежности определяет, насколько подо-°ен объект данному множеству. В четких множествах функ-Ция принадлежности равна или нулю, или единице. Это или полное подобие множеству, или полное отличие от него. В нечетком множестве функция принадлежности может находиться в диапазоне между нулем и единицей и включать все [c.231]
Отношение агрегации классов объектов ("целое" - "часть") отражает составные части объектов, которое можно представить в бинарном виде на именах двух классов объектов [c.51]
В настоящей работе предлагается вариационный подход к общей теории классификационного анализа данных. Используется размытая постановка задачи классификационного анализа, обобщающая многие частные постановки этой задачи. Для оценки качества размытой классификации используется широкий класс выпуклых функционалов. Этот класс включает значительную часть известных критериев качества классификации точек евклидова пространства и функционалы в неметрических шкалах. В том числе в него входят как частные случаи функционал средневзвешенной дисперсии функционалы экстремальной группировки параметров функционал диагонализации матрицы связи функционалы классификации в бинарных, номинальных и ранговых шкалах. [c.62]
В этот класс критериев входят как частные случаи функционал средневзвешенной дисперсии, описанный выше функционалы экстремальной группировки [2] (в этом случае модели - факторы групп (обобщенные параметры)) функционал диагонализации матрицы связи [3] (в этом случае множества X и Л совпадают с множеством строк матрицы, и элементы матрицы играют роль меры близости) функционалы классификации в бинарных, номинальных и ранговых шкалах [c.64]
Насыщенный метанол, представляющий собой жидкую смесь метанола и воды, подается на тарелку питания колонны /С-1 при температуре кипения. В колонне происходит разделение поступающей бинарной смеси на регенерированный метанол с определенной концентрацией легколетучего компонента (метанола) и воду. Регенерированный метанол выводится из колонны в виде дистиллята, а вода—в виде кубового продукта. [c.34]
Функции принадлежности нечетких бинарных отношений ,к X х У -> [0,1] и v / Y x Z —> [0,1] представляются в виде матриц R и S следующим образом [c.79]
Если включаемый в рассмотрение качественный признак имеет не два, а несколько значений, то используют несколько бинарных переменных. [c.93]
Четвертая бинарная переменная, относящаяся к осени, не вводится, так как тогда для любого месяца будет выполняться тождество dt + d2 + d + линейную зависимость регрессоров и как следствие невозможность получения оценок параметров модели методом наибольших общих квадратов, используемым в большинстве статистических пакетов. [c.93]
В качестве фиктивных переменных обычно используются дихотомические (бинарные, булевы) переменные, которые принимают всего два значения О или 1 (например, значение такой переменной Z по фактору пол Z = О для работников-женщин и Z]=l — для мужчин). [c.116]
Если рассматриваемый качественный признак имеет несколько (k) уровней (градаций), то в принципе можно было ввести в регрессионную модель дискретную переменную, принимающую такое же количество значений (например, при исследовании зависимости заработной платы Y от уровня образования Z можно рассматривать Л=3 значения z,-i=l при наличии начального образования, гд=2 — среднего и г,з=3 при наличии высшего образования). Однако обычно так не поступают из-за трудности содержательной интерпретации соответствующих коэффициентов регрессии, а вводят (k—l) бинарных переменных. [c.117]
В рассматриваемом примере для учета фактора образования можно было в регрессионную модель (5.2) ввести k— 1=3—1=2 бинарные переменные 2 и Z [c.117]
Более того, вводить третью бинарную переменную Z23 (со значениями гщ = 1, если /-и работник имеет начальное образование гдз=0 — в остальных случаях) нельзя, так как при [c.117]
Для ее учета введем в регрессионную модель фиктивную (бинарную) переменную Z , [c.120]
Тогда бинарное нечеткое отношение соответствия между элементами множества X, характеризующими качество исходного сырья, и элементами множества Y, характеризующими качество вырабатываемых нефтепродуктов, можно, в частности, записать в виде [c.198]
Почему в качестве бинарной операции выбрана функция среднего геометрического, а, не, например, среднего арифметического [c.52]
Оценки для 1960 г. дают лишь возможные масштабы изменений технико-экономических показателей. В частности, в таблице не отражено существенное влияние, которое может оказать на выработку электроэнергии использование в промышленных целях атомной энергетики, внедрение в тепловые станции газовых турбин, установок с бинарными циклами и т. д. [c.37]
До сих пор неизвестно, каким кодом пользуется нервная система для передачи взаимодействия. Может быть, он является бинарным, и значение имеют указанные состояния нейронов. Возможно, важна частота электрической активности нейронов, кодирующая интенсивность сигнала. Например, у нейронов коры эта частота может быть пропорциональна вероятности некоторого события. Наконец, информация может содержаться не в импульсных процессах, а в более медленных изменениях потенциала мембраны, которые не всегда активируют клетку (т.е. не превышают порога активации). Однако при любом предположении модель сети взаимодействующих нейронов оказывается исключительно богатой и обладающей свойствами, которые можно сопоставить с реальными возможностями мозга. [c.5]
Например, полезной была бы сеть, аттракторы которой, соответствовали бы векторам, кодирующим бинарные изображения подписей различных людей на чеке. Поскольку практически невозможно одинаково расписаться дважды, подобная сеть была бы незаменима при распознавании подписи, несмотря на ее естественные вариации. Если число различных типов подписей, которые должна распознавать сеть, равно Р и образцы в некотором смысле типичных, наиболее вероятных или усредненных подписей различных людей кодируются векторами а", п = , ...,Р, то желательно, чтобы именно эти векторы кодировали и аттракторы сети, которую мы собираемся использовать для классификации. [c.95]
Рассмотрим сеть, состоящую из N х N бинарных нейронов, состояния которых мы обозначим via е 0, 1J (г = l,...,N a = l,...,N), где индекс / кодирует город, а индекс а - номер города в маршруте (см. Рисунок 1). Если обозначить через dtj расстояние между / -м и у -м городами, решение задачи коммивояжера сводится к минимизации целевой функции [c.111]
| Рисунок 1. Слева - один из возможных маршрутов коммивояжера в случае задачи с 5 городами. Справа - кодировка этого маршрута состояниями 25 бинарных нейронов. |  |
Даже если параметры, описывающие признаки классифицируемых объектов, представляют собой непрерывные величины, для их представления можно использовать бинарные нейроны и принцип кодирования типа термометра. При таком способе кодирования область изменения параметра делится на конечное число М интервалов и для представления всех значений, лежащих в т-м интервале используется следующее состояние М бинарных нейронов [c.171]
| Рисунок 1. Пример кодировки непрерывной величины с помощью бинарных нейронов и принципа термометра. Интервал (0, 50) разбит на 5 равных частей. Значение 34.0 попадает в 4-й интервал. При этом состояния первых 4 из 5 кодирующих бинарных нейронов равно единице, а 5-го - нулю. |  |
Стохастический нейрон, как и в оригинальной модели Хопфилда, является бинарным - его состояние S, принимает значения 1. Однако то, в какое состояние перейдет нейрон, связано [c.217]
В первый попадали те, кто пытался сразу войти в лифт, а во второй - те, кто оставались позади. Это давало нам хороший бинарный вход для программирования, используя одно из двух состояний. [c.59]
Архитектура сети такова 17-мерный входной вектор, один скрытый слой из 9 элементов, и все эти узлы имеют непосредственные соединения с двумя бинарными элементами выходного слоя. В табл. 6.9 приведены репрезентативные результаты классификации и влияния отдельных переменных. [c.153]
Бинарное отношение предпочтения альтернатив и в (1), и в (2) задается [c.69]
Порог чувствительности — в режиме сканирования сканер преобразует данные с заранее заданным пороговым значением, так называемым уровнем черного. Яркость каждой сканированной точки может определяться значением от 0 до 255 (0 — белый, 255 — черный). Чтобы преобразовать полутоновое изображение в бинарное, сканеру задается уровень (число), выше которбй точка считается белой, а ниже — черной. Этот уровень и называется порогом чувствительности. [c.403]
Коэффициенты массоотдачи рассчитываются как определенные функции физико-химических свойств фаз и параметров режима в соответствии с критериальными уравнениями, полученными для ректификации бинарных смесей в тарельчатых аппаратах [5]. В общем виде зависимости имеют вид [c.146]
Такая ситуация, когда сумма значений нескольких переменных, включенных в регрессию, равна постоянному числу (единице), получила название dummy trap или ловушки . Чтобы избежать такие ловушки, число вводимых бинарных переменных должно быть на единицу меньше числа уровней (градаций) качественного признака. [c.118]
Замечание. Если бы в регрессионной модели мы хотели учесть другие факторы с бблыпим, чем две, числом , градаций, то, как отмечено выше, следовало бы ввести в модель (А ,— 1) бинарных переменных. Например, если было бы необходимо изучить влияние на результаты курсового экзамена фактора Zi— тип учебного заведения , оконченного студентом (школа, техникум, ПТУ), то в регрессионную модель (5.6) следовало ввести [c.122]
Значение и - число атрибутов в отношении - называется степенью отношения. Отношение степени один называется унарным, степени два - бинарным, степени три - тернарным, степени п - л-арным. В приведенной на рис. 4.6 базе данных степень отношений Rt и R2 равна четырем, а отношения Л3 -пяти. Число кортежей в отношении называется кардинальным [c.149]
Подождите, — скажете вы, — разве нельзя взять один из этих квадрантов и дихотомизировать его для получения более детальных вероятностей, не ограничиваясь достигнутым Другими словами, в этом примере вы хотите знать не только, какова вероятность, скажем, положительного числа в обоих потоках, но и какова вероятность -2 в потоке X и -1 в потоке Y. То, чему мы пока что научились, даст вам точное совместное распределение, если у вас есть два бинарных безусловных распределения — то есть, когда у вас есть два безусловных распределения, каждое из которых имеет только два возможных исхода, два возможных сценария (как в большинстве азартных игр, где вы выигрываете М с вероятностью Хк проигрываете N вероятностью Y). Однако хотелось бы получать совместные распределения для любых безусловных распределений, а не только для бинарных. [c.155]
Расстояние между состояниями сети можно измерять в т.н. метрике Хэммингэ- Если два вектора Ь1 и Ь3 бинарные, то Хэммингово расстояние между ними определяется как [c.92]
В качестве иллюстрации приведем результаты кластеризации данных по голосованиям в ООН в 1969-1970гг. В данном примере анализировались голосования по 14 резолюциям для 19 стран. Сеть, производившая кластеризацию стран по степени схожести их голосований, состоит из N = 14 нейронов, состояния которых представляют картину голосования одного из участников по отобранным 14 резолюциям (да и нет соотносились с бинарными состояниями нейронов). Этой сети предъявлялись результаты голосований 19 стран - членов ООН, которые сформировали матрицу связей сети по правилу Хебба. Результаты категоризации входных векторов (а тем самым - и соответствующих стран), этой нейронной приведены в таблице [c.106]
Логистическая регрессия является методом бинарной классификации, широко применяемом при принятии решений в финансовой сфере. Она позволяет оценивать вероятность реализации (или нереализации) некоторого события в зависимости от значений некоторых независимых переменных - предикторов xb...,xN. В модели логистической регресии такая вероятность имеет аналитическую форму Pr(x) =(l+exp(-z ))", где z = ao+ aiXi+...+ aNxN. Нейросетевым аналогом ее очевидно является однослойный персептрон с нелинейным выходным нейроном. В финансовых приложениях логистическую регрессию по ряду причин предпочитают многопараметрической линейной регрессии и дискриминантному анализу. В частности, она автоматически обеспечивает принадлежность вероятности интервалу [0,1], накладывает меньше ограничений на распределение значений предикторов. Последнее очень существенно, поскольку распределение значений финансовых показателей, имеющих форму отношений, обычно не [c.202]
Первые две главы не содержат финансовых приложений и целиком посвящены основам нейронных сетей. В гл. 1 рассматриваются основные структуры и назначение нейронно-сетевых моделей. Описаны принципы разработки, обучения и оценки эффективности. Показано, каким образом множество задач, сильно различающихся параметрами сложности и устойчивости, может быть охвачено единой концепцией сети. В гл. 2 выясняется, насколько хорошо нейронные сети приспособлены для решения задач классификации и анализа временных рядов. Задача классификации понимается как задача отнесения предъявленного объекта к одному из нескольких попарно непересекающихся множеств. При этом наиболее важным случаем здесь является бинарная классификация — примерами ее могут служить распознавание доходных и недоходных инвестиций или различение компаний, имеющих хорошие шансы выжить, от тех, которые должны обанкротиться. В свою очередь, анализ временных рядов имеет целью определить будущие значения некоторой величины при [c.16]
Теперь мы рассмотрим другой метод решения задачи, который основан на решающем критерии классификации. Этот критерий заложен в разработанный Хехт-Нильсеном программный пакет KnowledgeNet для MBPN-сетей, предназначенный для принятия одного или нескольких бинарных решений. [c.149]
Бинарный выходной узел сети выдает один из двух сигналов — TRUE или FALSE (ИСТИНА или ЛОЖЬ). Такая схема, скорее, может быть использована в сети, предназначенной для классификации периодических доходов, а не для прогнозирования. Каждому классу доходов соответствует один выходной узел. Мы выделили 4 класса доходов по индексу 0— очень низкий (т.е. сильно отрицательный), 1 — умеренно низкий, 2 — умеренно высокий, 3 — сильно положительный. Границы классов были установлены так, чтобы во все классы попадало примерно поровну случаев. Для описания четырех клас- [c.149]