[ссылки] [литература] [проекты] [программы] [методические указания] [монографии и статьи] [вопросы и ответы] [школы] [учебники] [новости]
ENG  |   Карта сайта
Информация
Проект преследует цель популяризации идей применения природных механизмов функционирования для решения задач прогнозирования, оптимизации и поддержки принятия решений

Cписок рассылки
Открыть в новом окне

  1. Введение
  2. Генетические алгоритмы (1)
  3. Генетические алгоритмы (2)
  4. Генетические алгоритмы (3)
  5. Тренды
  6. Полиномиальные тренды
  7. Тригонометрические тренды
  8. Нейронные сети
  9. Метод наименьших квадратов
  10. Метод обратного распространения ошибки
  11. Множественная линейная модель
  12. Нестандартный выпуск. Анкета
  13. МЛМ. Пример расчета
  14. RBF-сеть
  15. Сеть встречного распространения
  16. Первая интерполяционная формула Ньютона
  17. МГУА (1)
  18. Вторая интерполяционная формула Ньютона
  19. Метод Брандона
  20. МГУА (2)
  21. Интерполяционные формулы Гаусса
  22. Интерполяционные формулы Стирлинга и Лагранжа
  23. МГУА (3)
  24. МГУА (4)
  25. Предварительная обработка данных (1)
  26. Предварительная обработка данных (2)
  27. Предварительная обработка данных (3)
  28. Box-counting
  29. Гетероскедастичность
  30. Введение в нечеткую логику
  31. Обобщённый метод наименьших квадратов
  32. Прогнозирование с помощью функций с гибкой структурой
  33. Автокорреляция
  34. Дистрибутивно-лаговые модели (1)
  35. Дистрибутивно-лаговые модели (2)
  36. Дистрибутивно-лаговые модели (3)
  37. Моделирование данных при помощи кривых для восстановления пробелов в таблицах (1)
  38. Нестандартный выпуск. Анонс книги Цейтлина Н.А."Опыт аналитического статистика"
  39. Алгоритм ZET
  40. Алгоритм ZetBraid
  41. Метод эволюционной кластеризации
  42. Эволюционный метод восстановления пропусков в данных
  43. Алгоритмы кластеризации класса FOREL

 

      В предыдущем выпуске мы выяснили, что нормирование  и приведение к единой шкале увеличивают информативность данных. Однако этого оказыва­ется недостаточно. Известно, что если факторы статистически зависимы, то их совместная энтропия меньше суммы энтропий отдельных факторов, т.е.:

.

Тривиальным примером этого есть процесс покупки, например, телевизора и видеомагнитофона. Очевидно, что неопределенность при покупке TV и VCR одной марки меньше, чем если бы они приобретались в разное время или раз­ных марок. В качестве определяющих факторов здесь выступают потребитель­ские свойства.

      При достижении статистической независимости входов тем самым будет достигнута максимальная информационная насыщенность каждого из входных факторов в отдельности. Статистическая независимость - условие, достигнуть которого достаточно сложно, поэтому в качестве первого шага осуществим де­корреляцию входов по следующему алгоритму (“выбеливание входов”):

Шаг 1. Для каждого входного фактора найдем его среднее значение

.

Напомню, что входные данные для расчетов представлены в таблице 1.

Таблица 1

Шаг 2. Вычислим ковариационную матрицу , элементы которой рассчитаем по формуле

.

Шаг 3. Ищем линейное преобразование, которое диагонализирует ковариаци­онную матрицу. Это позволит сделать матрица, составленная из столбцов, ко­торые являются собственными векторами матрицы  :

,

где  - собственные числа матрицы .

Шаг 4. Осуществляем преобразование

,

 где матрица  получается из  вычитанием из элементов каждого столбца его среднего значения.

      В результате такого преобразования все входы становятся некоррелированными и имеют единичную дисперсию. Очевидно, что вследствие такого преобразования совместная энтропия увеличивается, поскольку распределение элементов в выборке выравнивается и становится ближе к равномерному. Легко осуществить и обратное преобразование.

Ниже приведен текст модуля для прямого и обратного преобразования. Для того. чтобы не загружать читателя подробностями расчета обратной матрицы и собственных векторов и чисел, программа написана на внутреннем языке Matlabа. 

      Дана матрица Х: три входа пять наблюдений.

Процедура “выбеливания” входов.

x=[1 2 3;

     2 4 7;

     3 6 10;

     4 8 15;

     6 10 20];

% вычисление ковариационной матрицы

y=cov(x)

% v – матрица, состоящая из собственных векторов, d – матрица, на диагонали которой собственные числа

[v,d]=eig(y)

% с – вектор средних значений входов

c=mean(x)

% вычисляем матрицу

for i=1:5

    for j=1:3

        z(i,j)=x(i,j)-c(j);

    end

end

% вычисляем матрицу

l=z*v

for i=1:5

    for j=1:3

        m(i,j)=l(i,j)/sqrt(d(j,j));

    end

end

% печатаем результат и его характеристики

m

mean(m)

corrcoef(m)

var(m)

% А теперь преобразование в обратном направлении – для проверки

for i=1:5

    for j=1:3

        l(i,j)=m(i,j)*sqrt(d(j,j));

    end

end

z=l*inv(v);

for i=1:5

    for j=1:3

        x(i,j)=z(i,j)+c(j);

    end

end

x

 

   

эпиляция срочно, деипиляция сахаром

доставка пиццы бабушкинская

Встраиваемые духовые шкафы
Сайт создан в системе uCoz