Метод группового учета аргументов

Страницы работы

Содержание работы

Министерство образования и науки РФ

Федеральное агентство по образованию

Новосибирский государственный технический университет


Кафедра вычислительной техники

Лабораторная работа №2

По дисциплине «Системы искусственного интеллекта»

Метод группового учета аргументов

Факультет:          АВТ

Группа:                АМ - 610

Студент:               Голодюк Е.И

Преподаватель:  Швайкова И. Н.

Новосибирск 2010


Содержание

1.    Цели работы.. 3

2.    Задание. 3

3.    Исходные данные. 3

4.    Ход выполнения работы.. 3

5.    Вывод. 10


Цели работы

Изучение особенностей применения метода группового учета аргументов

1.  Задание

  1. Закрепить на практике теоретические знания об алгоритме и особенностях применения метода группового учета аргументов.

  2. Изучить функционал модуля, позволяющего генерировать совокупности моделей на основании подготовленных данных, представленных в виде файлов данных формата .xls.

  3. В соответствии с вариантом сгенерировать множества моделей, проана-лизировать их характеристики, выбрать наилучшие.

2.  Исходные данные

Исходные данные  находятся на первом листе файла Отчета по ЛР2-3 СИИ.xls (Шаг 1)

3.  Ход выполнения работы

1.  Получение необходимых сегментов данных и объединение их в один массив данных (Шаг 2, Шаг 3)

2. Реорганизация полученного массива данных и построение графиков зависимости выходных параметров от входных. Графики построены на страницах (граф_1 _Погода, граф_2 _вода)

Выводы на основе полученных графиков по погоде:

1.  Между параметрами WDSP и TEMP_C нету функциональной зависимости. Раположение точек на данном графике очень велико друг от друга следовательно для прогнозирования значения выходного параметра на основе данных о WDSP лучше подходят нейронные сети.

2.  График зависимости TEMP_C от VISIB показывает кластеризация данных т.е прогноз TEMP_C на основе VISIB будет иметь высокую точность.

3.  На графиках, показывающих влияние STP, DEWP на TEMP_C можно заметить линейные зависимости следовательно прогноз на основе данных об этих параметрах лучше проводить с использованием МГУА.

4.  И последний график зависимости TEMP_C(вх) на TEMP_C он немного по лучше чем график зависимости WDSP, но на нем не наблюдается кластеризация данных по этому как и в первом графики лучше использовать нейронные сети.

Выводы на основе полученных графиков по воде:

1.  На графиках, показывающих влияние параметров DEWP, TEMP_C на Troubl_r прослеживаются линейные зависимости следовательно прогноз на основе данных об этих параметрах лучше проводить с использованием МГУА.

2.  Между параметрами pH_r и Troubl_r нет функциональной зависимости. Раположение точек на данном графике очень велико друг от друга следовательно для прогнозирования значения выходного параметра на основе данных о pH_r лучше подходят нейронные сети.

3.  График зависимости параметра Alcal_r на Troubl_r возможно прослеживание линейной зависимости, но и с другой стороны можно сказать о кластеризации данных в разных областях.

4.  На графиках зависимости Troubl_r от Troubl_r(вх) прослеживается кластеризация данных поэтому прогноз значений Troubl_r на основе данных об этих параметрах будет иметь высокую точность.

3. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей в каждом эксперименте.

4.4. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей в каждом эксперименте.

        4.4.1. Модели, полученные на основании данных о вода.

№ экспери- мента

№ модели

Max степень

Суммар- ная степень

Кол-во перемен- ных

Delta

Степень свободы

Размер об. мн-ва

1

3

4

35

8

4,94357782210931

15

60

1

2

4

34

8

4,94353392701101

15

60

1

1

4

33

8

4,94351753819136

15

60

2

3

5

38

8

5,3013763186503

20

65

2

2

5

39

8

5,30133066735207

20

65

2

1

4

38

8

5,30104912935546

20

65

3

4

6

36

7

5,22616072211147

25

70

3

2

6

38

7

5,22423607129071

25

70

3

1

6

37

7

5,2230314251754

25

70

4

3

2

15

7

6,96040823866555

15

65

4

2

2

16

7

6,96017212646176

15

65

4

1

3

16

7

6,95978634400031

15

65

5

3

4

39

8

4,82045819021104

25

60

5

2

4

38

8

4,82040219656841

25

60

5

1

4

37

8

4,82036180273467

25

60


Похожие материалы

Информация о работе