Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 20)

1) формализованную постановку МНК с конкретизацией векторных обозначений с учетом индивидуального варианта задания;

2) результаты расчета “усредненного” вектора наблюдений y_ср;

3) конкретизация элементов матрицы F с учетом индивидуального варианта задания;

4) конкретизация элементов матрицы F^Т;

5) конкретизация элементов матрицы C’=F^ТF

6) алгебраические дополнения A_ij, i=1,...,4; j=1,...,4 элементов матрицы C’;

7) результаты вычисления определителя матрицы C’;

8) результаты вычисления дисперсионной матрицы С=(C’)^-1;

9) результаты вычисления матрицы СF^Т;

10) результаты вычисления вектора оценок параметров модели a*= СF^Тy_ср

11) результаты вычисления вектора оценок значений выходной переменной

y*(X)= a*^Тf(X)

12) результаты оценки границ доверительных интервалов для рассчитанных параметров модели. В том числе: значение выборочной дисперсии, критическое значение распределения Стьюдента, границы доверительных интервалов. При расчете доверительных интервалов в качестве критических значений распределения Стьюдента использовать значения соответствующие 95% доверительной вероятности, получаемые из таблиц распределения для числа степеней свободы, определяемого в соответствии с индивидуальным вариантом задания.

13) результаты проверки адекватности использованной модели. В том числе: значение дисперсии ошибок модели, значение дисперсии ошибок измерений, значение статистики Фишера, критическое значение F-распределения. Для оценки адекватности модели в качестве критических значений F-распределения использовать значения соответствующие 95% доверительной вероятности, получаемые из таблиц F-распределения для числа степеней свободы, определяемого в соответствии с индивидуальным вариантом задания.

ВАРИАНТ №19

ТАБЛИЦА ЭКСПЕРИМЕНТАЛЬНЫХ ЗНАЧЕНИЙ:

№ X₁ X₂ X₃ yⁱ¹ yⁱ² yⁱ³ yⁱ⁴ yⁱ⁵

1 0.50 0.60 0.40 3.49 2.59 3.78 3.42 1.76

2 2.00 1.30 0.50 11.51 10.92 9.67 10.47 10.97

3 1.50 1.10 2.10 18.43 19.30 18.60 19.78 18.04

4 1.00 1.20 1.40 8.73 10.51 10.48 9.67 9.60

5 0.50 1.40 1.20 5.10 4.79 4.77 3.79 5.65

6 1.00 1.40 1.60 10.50 10.29 8.68 12.03 10.10

y(X1, X2, X3)=a^Тf(X)= a₀ (X₁+ X₂)+a₁(2X₁-X₃)+a₂ X₁X₃+a₃X₃²,

РЕАЛИЗАЦИЯ МНК

УСРЕДНЕННЫЙ ВЕКТОР НАБЛЮДЕНИЙ:

3.01

10.71

18.83

9.80

4.82

10.32

МАТРИЦА F:

1.10 0.60 0.20 0.16

3.30 3.50 1.00 0.25

2.60 0.90 3.15 4.41

2.20 0.60 1.40 1.96

1.90 -0.20 0.60 1.44

2.40 0.40 1.60 2.56

МАТРИЦА C'=F'F:

33.07 16.45 19.77 25.66

16.45 13.98 7.82 6.85

19.77 7.82 15.84 21.88

25.66 6.85 21.88 32.01

АЛГЕБРАИЧЕСКИЕ ДОПОЛНЕНИЯ ЭЛЕМЕНТОВ С':

41.76 -87.81 204.78 -154.7

-87.81 195.93 -470.4 350.01

204.78 -470.4 1163.4 -858.7

-154.7 350.01 -858.7 636.55

ОПРЕДЕЛИТЕЛЬ С':

16.58

ОБРАТНАЯ МАТРИЦА С':

2.52 -5.29 12.35 -9.33

-5.29 11.81 -28.37 21.10

12.35 -28.37 70.15 -51.78

-9.33 21.10 -51.78 38.38

ПРОИЗВЕДЕНИЕ СF':

0.57 -0.21 -0.45 1.37 -0.18 -0.19

-1.03 0.79 0.59 -2.91 0.95 0.66

2.31 -1.33 -0.80 6.87 -3.34 -2.02

-1.81 0.91 0.92 -5.11 2.26 1.48

A=СF'Y:

1.66

-0.63

8.07

-2.38

Y*,Ycp:

2.68143268 3.00713513

10.74766114 10.70918952

18.68829118 18.82892737

9.91346698 9.80018086

4.69926763 4.81813510

10.55940921 10.32041373

ДОВЕРИТЕЛЬНЫЕ ИНТЕРВАЛЫ ДЛЯ ПАРАМЕТРОВ МОДЕЛИ:

N-k-1=2

Критический уровень распределения Стьюдента:

T(0.95)=4.3

ВЫБОРОЧНАЯ ДИСПЕРСИЯ-

0.11

ГРАНИЦЫ ДОВЕРИТЕЛЬНЫХ ИНТЕРВАЛОВ:

-0.56 1.66 3.88

-5.44 -0.63 4.17

-3.64 8.07 19.78

-11.04 -2.38 6.28

ОЦЕНКА АДЕКВАТНОСТИ МОДЕЛИ:

Число степеней свободы: N-k-1=2,N(m-1)=24

Параметр F-распределения: F095=6.1

Дисперсия ошибок модели:

0.53

Дисперсия ошибок измерений:

0.68

СТАТИСТИКА ФИШЕРА:

0.88 3.40

Вопросы к зачету.doc

Экзаменационные вопросы по курсу

«Автоматизация обработки экспериментальных данных»

1. Методы экспериментальных исследований как объект автоматизации Типы данных экспериментальных исследований и их характеристики.

2. Типовые функции и структуры систем автоматизации экспериментальных исследований.

3. Основы технологии проектирования систем автоматизации экспериментальных исследований на основе принципов структурного системного анализа.

4. Классификация типов числовых данных, регистрируемых в процессе экспериментальных исследований. Способы наглядного графического представления числовых данных экспериментальных исследований.

5. Актуальность статистической обработки данных экспериментальных исследований. Влияние условий проведения эксперимента на достоверность результатов статистического анализа данных.

6. Статистическое описание данных экспериментальных исследований.

7. Теоретические законы распределения вероятностей, наиболее используемые для целей статистической обработки экспериментальных данных

8. Структура статистического анализа данных экспериментальных исследованием с применением специализированных программных пакетов.

9. Статистические критерии, наиболее часто используемые в процессе статистической обработки экспериментальных данных.

10. Обоснование статистической модели данных экспериментальных исследований. Критерии согласия.

11. Оценка групповых различий с использованием критерия Стьюдента.

12. Непараметрические критерии оценки групповых различий. Критерий Манна-Уитни.

13. Анализ групповых различий по качественным показателям.

14. Оценка множественных групповых различий методом дисперсионного анализа.

15. Оценка множественных групповых различий ранговыми методами. Критерий Краскела-Уоллиса.

16. Оценка множественных групповых различий на основе качественных признаков..

17. Оценка эффекта воздействия определенного вида, произведенного на объекты одной группы, на основе количественного признака (критерий Стьюдента для повторных наблюдений)

18. Оценка эффекта воздействия определенного вида, произведенного на объекты одной группы, на основе порядкового признака (критерий Уилкоксона)

19. Оценка эффекта воздействия определенного вида, произведенного на объекты одной группы, на основе качественного признака (критерий Мак-Нимара)

20. Оценка эффектов нескольких видов воздействий на объекты исследуемой группы на основе количественного показателя (метод дисперсионного анализа для повторных наблюдений)

21. Оценка эффектов нескольких видов воздействий на объекты исследуемой группы на основе порядкового признака (критерий Фридмана)

22. Оценка эффектов нескольких видов воздействий на объекты исследуемой группы на основе качественного признака (критерий Кокрена)

23. Оценка статистической связи качественных признаков в процессе анализа многомерных экспериментальных данных

24. Оценка статистической связи порядковых признаков в процессе анализа многомерных экспериментальных данных

25. Оценка статистической связи количественных признаков в процессе анализа многомерных экспериментальных данных

26. Кластерный анализ многомерных экспериментальных данных.

27. Структура методов классификации многомерных экспериментальных данных. Метод статистической классификации.

28. Методы дискриминантного анализа и потенциальных функций

29. Методы распознавания на основе нейронных сетей

30. Обучение нейронной сети

31. Метод сравнения с прототипом. Метод k-ближайших соседей.

32. Метод классификации, основанный на вычислении оценок (метод голосования).

33. Построение математической модели экспериментальных данных Метод наименьших квадратов.

34. Анализ ошибок оценивания параметров экспериментальной модели

35. Оценка адекватности экспериментальной модели

36. Основные понятия планирования эксперимента. Критерии оптимального планирования эксперимента.

37. Полный и дробный факторные планы эксперимента.

38. Последовательное планирование эксперимента.

39. Детерминированные сигналы и их характеристики. Амплитудный и частотный анализ детерминированных сигналов

40. Основные характеристики случайных процессов.

41. Корреляционный анализ случайных процессов

42. Стационарный случайный процесс. Эргодическое свойство стационарного случайного процесса

43. Спектральное описание случайных процессов

44. Случайные поля и их статистические характеристики

45. Стохастическая фильтрация случайных сигналов и оптимальное оценивание состояние динамического объекта экспериментального исследования

46. Поэлементная обработка изображений, линейное контрастирование.

47. Пороговая обработка изображений

48. Выделение контуров изображений

49. Обработка изображений скользящим окном.

50. Модели помех при регистрации изображений. Линейная и медианная фильтрация изображений

Вопросы к экзамену.docx

Вопросы к экзамену

1.Нечеткие множества и лингвистические переменные. Свойства нечетких множеств. Операции с нечеткими множествами.

2. Нечеткие алгоритмы. Нечеткие логические выводы

3. Алгоритм прямого нечеткого вывода Мамдани.

4. Алгоритм прямого нечеткого вывода Сугено.

5. Алгоритм прямого нечеткого вывода Цукамото.

6. Алгоритм прямого нечеткого вывода Ларсен.

7. Упрощенный алгоритм прямого нечеткого вывода.

8. Методы дефаззификации.

9. Нечеткие регуляторы.

10. Нечеткое многоальтернативное принятие решений по схеме Беллмана-Заде.

11. Принятие решений в нечетких ситуациях.

12. Модель нейрона. Свойства классической модели нейрона.

13. Персептрон Розенблата. Алгоритмы обучения персептрон Розенблата.

14. Правило Хебба. Дельта - правило.

16. Многослойные нейронные сети прямого распространения. Алгоритм обучения «Back Propogation».

15. Сеть Кохонена. Обучение сети Кохонена.

16. Сеть встречного распространения. Обучения сети встречного распространения.

17. Сеть адаптивного резонанса. Обучение сети адаптивного резонанса.

18. Сеть Хорфилда. Работа сети Хопфилда в режиме ассоциативной памяти.

19. Сеть Хорфилда. Решение оптимизационных задач с помощью сети Хопфилда.

20. Нейро-нечеткие системы. Нечеткие нейронные сети.

21. Алгоритмы обучения нечетких нейронных сетей.

22. Генетические алгоритмы.

23. Использование генетических алгоритмов для обучения искусственных нейронных сетей и гибридных систем.

24. Гибридная нейро-нечеткая искусственная нейронная сеть ANFIS.

25. Гибридная искусственная нейро-нечеткая сеть TSK.

26. Обучение нейронных сетей методом имитации отжига.

27. Алгоритм прямого нечеткого вывода Цукамото.

28. Алгоритм прямого нечеткого вывода Сугэно.

29. Алгоритм прямого нечеткого вывода Ларсен.

Характеристики

Список файлов учебной работы