Изучение особенностей применения метода группового учета аргументов

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 - 609

Студент:               Новиков А.В.

Преподаватель:  Швайкова И. Н.

Новосибирск 2010

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.  На графике зависимости TEMP_C от VISIB мы видим кластеры данных, т.е. прогноз TEMP_C на основе VISIB не будет точным.

3.  На графике, показывающем влияние STP на TEMP_C нет никакой зависимости, следовательно прогноз на основе данных об этом параметре лучше проводить с использованием нейронных сетей.

4.  На графиках зависимости DEWP и TEMP_C(вх) прослеживается линейная зависимость между этими параметрами и TEMP_C. Это значит, что прогнозирование значения выходного параметра на основе данных о DEWP и TEMP_C(вх) лучше подходит МГУА.

Выводы на основе полученных графиков по воде:

1.  На графике, показывающум влияние параметра TEMP_C на Troubl_r прослеживаются линейные зависимости следовательно прогноз на основе данных об этих параметрах лучше проводить с использованием МГУА.

2.  График зависимости между параметрами DEWP, pH_r и Troubl_r на выходное значение показывает кластеризацию данных, т.е. прогноз на основе этих данных будет иметь довольно высокую точность.

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.

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.

        4.4.1. Модели, полученные на основании данных о погоде.