*
*


CAPTCHA Image   Reload Image
X

Анализ аппроксимированных и интерполированных гистограммных оценок одномерных и двумерных плотностей распределения

дипломные работы, Разное

Объем работы: 109 стр.

Год сдачи: 2010

Стоимость: 1900 руб.

Просмотров: 557

 

Не подходит работа?
Узнай цену на написание.

Оглавление
Введение
Заключение
Заказать работу
Введение 4
1. Ядерные оценки плотности распределения 8
1.1 Оценка методом Парзена 9
1.2 Оценка методом k ближайших соседей 18
2. Гистограммное оценивание плотности распределения 26
2.1 Гистограмма 26
2.2 Аппроксимация гистограммной оценки 29
2.3 Интерполяция гистограммы методом наименьших квадратов 40
2.3.1 Полиноминальная аппроксимация 40
2.3.2 Нормальная матрица плана 43
3. Оценивание двумерных плотностей 51
3.1 Двумерная гистограмма 51
3.2 Нормальная двумерная гистограммная аппроксимация 60
4. Безопасность и санитарно гигиенические условия труда на рабочем месте пользователя ПЭВМ 67
4.1 Микроклимат производственного помещения 67
4.2Вентиляция 68
4.3 Наличие вредных веществ и пыли в воздухе 70
4.4 Уровень шума 71
4.5 Уровень вибрации 72
4.6 Расчет освещенности 73
4.7 Электробезопасность 77
4.8 Пожарная безопасность 78
4.9 Организация рабочего места 80
4.10 Режим труда и отдыха при работе с ПЭВМ 82
5. Оценка затрат на разработку и расчет экономической эффективности ПИ 85
5.1 Понятие программного изделия. Основные требования, предъявляемые к программному изделию как к продукции производственно – технического назначения 85
5.2 Этапы создания и эксплуатации ПИ 86
5.3 Понятие качественного программного изделия и его характеристики 87
5.4 Производственный план 90
5.5 Организационный план 93
5.6 Экономическая эффективность ПИ 94
5.7 Анализ рисков и неопределенностей 109
6. Разработка файл – функции нормальной аппроксимации гистограммы 101
6.1 Структура файл – функции 102
Заключение 108
Список литературы 109
В распознавании образов можно выделить этапы получения исходных наблюдений Z, выделения признаков объектов X, обучения и классификации признаков [1,3]. Обучение имеет целью формирование эталонных описаний классов в многомерном признаковом пространстве. Признаки формируются преобразованиями случайных наблюдений, поэтому также случайны. Математическая модель случайного вектора – закон совместного распределения его компонент в формах функции или плотности распределения. Из многомерных распределений хорошо изучено нормальное, описывающееся двумя параметрами – вектором математических ожиданий M и корреляционной матрицей B. Как подчеркивается в [3], точному многомерному анализу поддаются лишь задачи, в которых рассматривается нормальное распределение. Формирование эталонов нормальных признаков при распознавании k классов объектов сводится к получению оценок и , . В этом случае обучение называется параметрическим.
В общем случае закон распределения признаков неизвестен, так что в процессе обучения необходимо получать оценки неизвестных плотностей распределения или функций распределения [2,3]. Оценки получаются по классифицированным обучающим выборкам и становятся эталонами классов. Такое обучение называется непараметрическим (с учителем). Контрольные выборки классифицируются по правилам проверки многоальтернативных гипотез, которые основаны на отношении правдоподобия – отношении плотностей распределения [4,5]. Поэтому непараметрическое обучение можно ограничить задачей оценивания плотностей распределения.
Гистограммная оценка плотности распределения [2,3] определяется как многомерная гистограмма
(1)
где N- размер выборки (количество m- мерных векторов), - число векторов, попавших в - й элемент m- мерного пространства объемом . В одномерном случае оценка (1) есть гистограмма [4,5] – последовательность чисел.
(2)
- ширина интервала гистограммы, k- количество интервалов. Гистограмма группирует выборочные значения , , приводя непрерывную случайную...
Непараметрические ядерные оценки плотности распределения методами Парзена и k ближайших соседей сходятся по вероятности, применимы при ограниченных размерах выборки, но требуют дополнительной аппроксимации. Гистограммные оценки, аппроксимирующие или интерполирующие гистограмму выборки, также применимы при ограниченных размерах выборки, но дополнительной аппроксимации не требуют. MATLAB – моделирование показывает, что гистограммные оценки сходятся в смысле критериев согласия Колмогорова и Пирсона. Многомерное обобщение одномерных гистограммных оценок требует решения проблемы быстрого перебора элементов многомерного пространства.

После офорления заказа Вам будут доступны содержание, введение, список литературы*
*- если автор дал согласие и выложил это описание.

Работу высылаем в течении суток после поступления денег на счет
ФИО*


E-mail для получения работы *


Телефон


ICQ


Дополнительная информация, вопросы, комментарии:



CAPTCHA Image
Сусловиямиприбретения работы согласен.

 
Добавить страницу в закладки
Отправить ссылку другу