Рефераты, курсовые
Рефераты, курсовые, контрольные по радиоэлектронике, схемотехнике и связи
В нашем банке рефератов, контрольных и курсовых работ представлены работы по тематикам: радиоэлектроника, схемотехника, связь, комуникации, кибернетика, сети, компьютеры, информационные технологии. Вы можете сразу скачать необходимую вам курсовую, реферат или контрольную работу, либо просмотреть предварительно содержимое выбранного реферата без изображений, в виде простого текста, чтобы иметь представление о реферате или курсовой работе.
- Рефераты - ПК, ИВТ, радиоэлектроника, компьютеры и периферийные устройствам
- Рефераты - информатика, программирование и кибернетика
- Рефераты - коммуникации и связь
- Рефераты - компьютерные сети, безопасность сетей
- Рефераты - радиоэлектроника и компьютеры
- Рефераты - электроника и схемотехника
В режиме просмотра Вы видите содержимое реферате, контрольной или курсовой работы в виде простого текста, без изображений. Такой режим поможет Вам оценить содержимое реферата и принять решение о необходимости скачать ту или иную курсовую работу. Скачав реферат, вы получите полную электронную версию работы.
автоматизированные системы обработки информации
скачать реферат
Значение х0 определяется в зависимости от значения коэффициента правдоподобия
( (x) = f2(x)/f1(x).
Значению х0 соответствует критическое (пороговое) значение ( (x) = (0
р(?1)(c12-c11)
(0 =
p(?2)(c21-c22)
Значение х0 позволяет оптимальным образом (в смысле минимума среднего риска) разделить признаковое пространство на две области: R1 и R2.
Область R1 состоит из значений х ? х0, для которых ((x) ? (0 а R2 - из значений х > х0, для которых ((x) > (0
Поэтому решение об отнесении объекта к первому классу следует принимать, если значение коэффициента правдоподобия меньше его критического значения, и ко второму классу, если больше.
На практике при построении систем распознавания возможны ситуации, когда известны:
а) f1(x), f2(x), р(?1), р(?2) и ||с|
б) f1(x), f2(x) и платежная матрица, но не известны р(?1), р(?2).
в) f1(x), f2(x), но не известны ни р(?1), р(?2) ни платежная матрица.
В каждой из этих ситуаций применяются свои критерии распознавания, а именно - критерий Байеса, минимаксный критерий, критерий Неймана-Пирсона.
Признаковая информация представляется в виде таблиц распознавания вида
Классы
Градации признака хi
хi1
xi2
...
xim
А1
0.6
0.5
...
0.1
А2
0.7
0.4
...
0.2
...
...
...
...
An
0.1
0.2
...
0.1
Наиболее часто используется критерий Байеса, который выражается формулой
p(Aj) p(bk/Aj)
p(Aj/bk) =
M
( p(Ai) p(bk/Ai)
i=1
где
p(Aj/bk) - вероятность гипотезы о принадлежности реализации bк к j-му классу.
Bk = { x1l, . . . , xnk, . . . , xNp},
хi - признаки классов, l,k,p - градации признаков,
p(Aj) - априорная вероятность проявления j-го класса(Aj);
p(bk/Aj) - условная вероятность проявления признаков реализации bk у класса Aj.
M - количество классов.
P(Aj) = mj / F ( mj - количество объектов j-го класса, F - суммарное количество объектов всех классов).
N
P(bk/Aj) = П p(xil/Aj), где p(xil/Aj) - вероятность проявления l-ой градации i-го
i=1
признака у класса Aj.
N - количество признаков в рабочем словаре.
В результате вычислений по формуле Байеса получим значения p(Aj/bk) для каждого класса.
Решение о принадлежности реализации к конкретному классу принимается по максимуму вычисленной вероятности.
При изучении интеллектуальных систем традиционно возникает вопрос, – что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ.
Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.
Данные – это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства. Данные интерпретируются специальными программами. Они пассивны. Нет содержательной информации.
При обработке на ЭАМ данные трансформируются, условно проходя следующие этапы:
данные как результат измерений и наблюдений;
данные на материальных носителях информации (таблицы, протоколы, справочники);
модели (структуры) данных в виде диаграмм, графиков, функций;
данные в компьютере на языке описания данных;
базы данных на машинных носителях.
Знания связаны с данными, основываются на них, но представляют собой результат мыслительной деятельности человека, обобщают его опыт, приобретенный в ходе выполнения какой-либо практической деятельности. Они получаются эмпирическим путем.
Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. Они могут быть активны, т.е. определенные действия при выполнении соответствующих условий.
В отличие от данных знания обладают следующими свойствами:
внутренней интерпретируемостью – вместе с информацией в БЗ представлены информационные структуры, позволяющие не только хранить знания, но и использовать их;
структурированностью – выполняется декомпозиция сложных объектов на более простые и установление связей между ними;
связанностью – отражаются закономерности относительно фактов, процессов, явлений и причинно-следственные отношения между ними;
активностью –знания предполагают целенаправленное использование информации, способность управлять информационными процессами по решению определенных задач.
Все эти свойства знаний в конечном итоге должны обеспечить возможность СИИ моделировать рассуждения человека при решении прикладных задач – со знаниями тесно связано понятие процедуры получения решений задач (стратегии обработки знаний). В системах обработки знаний такую процедуру называют механизмом вывода, логическим выводом или машиной вывода. Принципы построения механизма вывода в СИИ определяются способом представления знаний и видом моделируемых рассуждений.
При обработке на ЭВМ знания трансформируются аналогично данным:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
