Главная » Просмотр файлов » _учебник_ Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения (2005)

_учебник_ Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения (2005) (1185318), страница 22

Файл №1185318 _учебник_ Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения (2005) (_учебник_ Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения (2005).doc) 22 страница_учебник_ Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения (2005) (1185318) страница 222020-08-25СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 22)

Численные расчеты проводились по данным месторождений п/о Юганскнефтегаз и п/о Нижневартовскнефтегаз с использова­нием различных систем признаков. Точность распознавания находилась в пределах 85—95 % пра­вильных ответов. Для решения задачи обычно было достаточно около половины исходных признаков. В состав информативных подмножеств признаков входили как признаки, связь которых с явлением солеобразования является хорошо известной (прирост давления, содержание ионов Са+2, HCO ), так и признаки, целе­сообразность учета которых при диагностике состояний скважин в отношении солеобразования была ранее неизвестна /38-40/.

4.3.2. Контроль состояния технических устройств.

Рассматривалась задача диагностики, связанная с контролем управления космическим кораблем «Шаттл». Расположенная на корабле система радиаторов может находиться в одном из семи состояний (классов), в зависимости от показаний трех сенсорных датчиков, которые формируют значения 9-ти признаков. Особенность данной задачи состояла в том, что из 43500 измерений, которые использовались в качестве обучающей выборки, 99.6% относятся лишь к трем состояниям системы радиаторов, на остальные же 4 состояния приходилось 0.43% измерений. Точность распознавания на контрольных 14500 измерениях составила 99.7-99.8%.

Примечание. Автор постановки задачи и данных -

Jason Catlett, Basser Department of Computer Science, University of Sydney, N.S.W., Australia
for providing the shuttle dataset.

4.4. Приложения в области сельского и лесного хозяйства

4.4.1. Прогноз урожайности сельскохозяйственных культур

Рассматривалась задача прогноза урожайности (ц/га) озимой пше­ницы по описанию ее состояния на различных стадиях роста и основных климатических условий.

Исходную информацию составили две числовые таблицы: T и T . Строки таблиц являются описаниями состояния пшеницы на стадии колошения (для T ) и стадии молочной спелости (для T ), а также соответствующих климатических условий по четырем районам Ставропольского края в различные годы. Таким образом решалась задача прогноза с временем уп­реждения соответственно в один месяц и две недели. Разбиение исходной информации на классы проводилось по величине уро­жайности, которая колебалась от 7 до 36 ц/га. Класс определял­ся как множество описаний состояния пшеницы с урожайностью в пределах полуинтервала ( ] (i = 1, 2, . . ., 7), где (i = 1, 2, . . ., 8) принимали значения: 36; 29; 23; 18,5; 15; 12; 9; 7.

Задачи прогноза для каждой из фаз решались независимо. В признаковое пространство как для фазы колошения, так и для фазы молочной спелости вошли признаки: число колосоносных стеблей, высота растений, влагообеспеченность растений, средние температуры воздуха за определенные промежутки времени, сред­ние дефициты влажности воздуха за те же отрезки времени. Кроме того, на стадии колошения использовались дополнитель­но признаки: продолжительность периода «выход в трубку — колошение», продолжительность периода «возобновление вегета­ции—колошение». На стадии молочной спелости дополнительно использованы признаки: число колосков в колосе, продолжитель­ность периода «колошение—молочная спелость».

Средняя ошибка прогноза составила 5 % от урожайности для фазы колошения и 4,2 % — для фазы молочной спелости. Макси­мальные ошибки прогноза были равны соответственно 8,9 и 8,2 % /53/.

В работах /4, 12/ описана модель оперативной обработки данных дистанционного зондирования в целях прогнозирования урожая в сельском хозяйстве.

4.4.2. Обработка материалов многозональной съемки с целью определения преобладающих пород

Исследуемую информацию составили «спектральные портреты» лесных массивов Рязанской области, представленных насаждения­ми сосны, березы, осины и ели. Площадь каждого массива была не менее 4 га. Многозональная аэросъемка выполнялась блоком из четырех камер в различных спектральных зонах. По негативам измерялись плотности в каждой зоне, на основе которых формировались опи­сания лесных массивов в виде строк из семи признаков-плотностей по отдельным зонам, некоторых их отношений. Эталонная выборка состояла из 94 описаний. Основная задача состояла в построении алгоритма автоматиче­ского распознавания пород по спектральным данным обследуемо­го лесного массива.

Построенный в классе алгоритмов вычисления оценок оптималь­ный по функционалу качества алгоритм распознавания показал высокую точность — свыше 95 % правильных ответов. Оценка информативности признаков выявила неинформативность зоны 580—605 нм, что согласуется с результатами других подходов /5/.

4.5. Приложения в области физики, химии, биологии

4.5.1. Распознавание радиосигналов

Рассматривалась прикладная задача из области радиофизики /83/. Имеется система из 16-ти высокочастотных антенн, исследующая свойства ионосферы. Требуется отличать друг от друга 2 типа сигналов – «положительные», отраженные находящимися в ионосфере свободными электронами и несущие полезную информацию о структуре ионосферы и «отрицательные», прошедшие сквозь ионосферу без отражения. Электромагнитные сигналы характеризуются набором из 17-ти пульсаций, каждая из которых в свою очередь имеет 2 аттрибута. Таким образом, для описания сигналов использовалось 34 признака. Для численных расчетов использовались таблицы обучения и контроля примерно равного объема, при этом каждый класс включал 150-200 объектов. Точность распознавания на контрольной выборке была в пределах 82.5 -98.7%%. Интересно, что наилучшими по точности оказались такие разнотипные алгоритмы, как «многослойный перцептрон» и «к-ближайших соседей». Точность распознавания на контроле методами построения коллективных решений составила 95.7-99.6%% , причем наилучший результат показал «выпуклый стабилизатор».

4.5.2. Прогноз свойств твердых сплавов стали

Синтез твердых сплавов стали с требуемыми свойствами требует проведения большого числа трудоемких экспериментов. При этом актуальной является задача прогнозирования результатов экспериментов до их реального проведения на основе имеющегося опыта подобных экспериментов, а также известных сплавов стали. Пусть дана выборка описаний экспериментов по синтезу твердых сплавов стали, содержащая как положительные результаты экспериментов, когда были получены сплавы с требуемыми свойствами, так и отрицательные результаты. Под описанием эксперимента понимается совокупность всех характеристик, от которых, как предполагается, зависит результат: физико-химические, структурные характеристики компонентов сплава, параметры технологии и т.д. Тогда данную выборку описаний экспериментов с их результатами можно использовать в качестве обучающей и прогнозировать результаты планируемых экспериментов.

Подобные задачи прогноза рассматривались на примере прогноза сплавов, удовлетворяющих ограничениям по пределу прочности на изгиб и твердость. В данном случае в качестве признаков использовались значения весового содержимого каждого компонента в сплаве. Точность прогноза сплавов с данными свойствами на контрольных данных составила свыше 93 процентов правильных ответов.

На базе физико-химических и патентных соображений была составлена выборка гипотетических сплавов, для которых осуществлялся прогноз. Для реального синтеза был выбран тот компонентный состав, прогноз для которого был наиболее перспективен. В итоге был создан новый сплав с высокими физико-механическими и эксплуатационными свойствами, который может быть использован взамен вольфрамосодержащих твердых сплавов типа T5KIO /13/.

4.5.3. Распознавание мест локализации протеина

Задача распознавания состояла в распознавании мест локализации протеина по 7 косвенным признакам /67/. Общее число мест локализации протеина (классов) составляло 8. Обучающая и контрольная выборки включали, соответственно, 158 и 179 элеменов. Особенностью задачи является неравномерность распределения объектов по классам. Так, распределение объектов в обучающей информации по классам было следующим: 76, 33, 24, 11, 6, 4, 2 и 2, соответственно. Точность распознавания контрольных объектов различными алгоритмами составила 75-83% правильных ответов.

Наилучшие логические закономерности первых (наиболее представительных) классов представлены в таблице 3. В столбцах таблицы приведены левые и правые границы интервалов значений признака по каждой из закономерности и процент эталонных объектов, на которых данные закономерности выполнены.

Номер класса

Признак x1

Признак x2

Признак x5

Признак x6

Признак x7

%

1

0.06≤x1≤0.65

x2≤0.56

x5≤0.72

x6≤0.52

x7≤0.60

98.7

2

x1≤0.61

0.33≤x2≤0.68

0.30≤x5≤0.74

0.57≤x6

0.16≤x7

90.9

3

0.58≤x1≤0.78

0.48≤x2≤0.87

0.16≤x5≤0.63

0.38≤x6≤0.57

0.18≤x7≤0.55

87.5

4

0.63x10.84

0.25x20.53

0.49x50.69

0.58x60.87

0.60x70.88

90.9

Таблица 3. Наилучшие логические закономерности первых четырех классов

Интерпретация первых четырех классов была следующая:

- «cytoplasm»;

- «inner membrane without signal sequence»;

- «perisplasm»;

Характеристики

Список файлов книги

Свежие статьи
Популярно сейчас
А знаете ли Вы, что из года в год задания практически не меняются? Математика, преподаваемая в учебных заведениях, никак не менялась минимум 30 лет. Найдите нужный учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6505
Авторов
на СтудИзбе
302
Средний доход
с одного платного файла
Обучение Подробнее