Все подходы, которые используются при реализации второго метода дают завышенные оценки погрешности. Наиболее приемлемые результаты имеют место для третьего подхода, в котором абсолютные погрешности аргументов соответствуют действительным разностям между мгновенными значениями реального сигнала и модели. Однако реализация такого подхода для сигналов сложного спектра вызывает затруднения, связанные с моделированием реального сигнала. Наиболее просто реализовать второй подход, при котором погрешность можно определить по коэффициенту нелинейности реального сигнала.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Мелентьев ВС. Аппроксимационные методы измерения
интегральных характеристик сигналов Математическое моделирование и краевые
задачи“: Тр. lII Всерос_ науч. конф. Ч.4, Самара: 2006- СК 7-69.
2. Батищев В.И.. Мелентьев ВС. Измерительна-моделирующий полхол к определению интегральных характеристик периодических сигналов 1” Известия вузов. Электромеханика. 2003. №6. С. 36-39.
З. Батищев В. И.. Мелентьев ВК1 Цифровые методы измерения интегральных характеристик периодических сигналов. Самара: Самар. (РС. техн_ ун-т. 2002 96 с.
Статья поступила з реДакчию 15 сентября 2006 а
удк з
Т.И. Михеева
ПривоДится обзор метоДоз Data Mining, используемых в геоинформачионных системах, при решении задач массификации, прогнозирования и восстановления Данных. Проектируемая интеллектуальная транспортная система гороДа имеет з своем составе геоинфор_мачионную систе.и№' и автоматизированную систему иДентификачии зависимостей в географических Данных на оснозе использования нейросетевых техно-1ОГИЙ.
Введение
Объемы массивов данных, накопленных за время использования информационных систем, настолько внушительны, что человеку часто не по силам проанализировать их. Необходимость проведения такого анализа вполне очевидна, т.к. в «сырых данных» заключены знания, которые являются уникальным ф\јндаментом для проведения исследований и могут быть использованы в дальнейшем для принятия решений. Глубокий анализ имеющихся данных позволит понять природу происходящих процессов, найти и изучить неочевидные зависимости между явлениями. Для проведения автоматического анализа данных используется технология Data Mining, позволяющая в «сырых данных» обнаружить ранее неизвестные, нетривиальные, практически полезные и доступные для интерпретации знания. Data Mining использует сложный статистический анализ и моделирование для нахождения моделей и ОТНОШениЙ, скрытых в базе данных, Под выявлением скрытых закономерностей в данных понимается поиск повторяющихся шаблонов, кластеров данных, т.е. моделей, лежащих в основе структуры данных. Существует два вида моделей: описательная и предсказательная. Описательная модель используется для описания зависимостей, на основе которых принимаются решения. Предсказательная модель дает возможность построить зависимость на одном наборе данных и на ее основе создать новый набор данных [1, 2].
Алгоритмы, используемые в Data Mining, требуют большого количества вычислений. Раньше это являлось сдерживающим фактором широкого практического применения Data Mining, однако сегодняшний рост производительности современных процессоров снял остроту этой проблемы. В последние годы наблюдается тенденция применения средств искусственного интеллекта в методах Data Mining. Методы искусственного интеллекта, основанные на нейронных сетях, являются менее требовательными к входному набору данных. Самое главное их преимущество перед факторным и регрессионным анализами данных - это одинаково небольшое время обработки как сравнительно маленьких наборов данных, так и больших многомерных массивов данных. 96
Геоинформаиионные системы (ГИС) объединяют в себе возможность работы с базами данных с визуализацией данных в виде географической карты. ГИС являются удобными средствами для хранения и обработки географических данных, обладают огромным потенциалом в области поддержки принятия решений. Интеграция систем поддержки принятия решений, базирующихся на ГИС, с методами исследования данных повышает ценность географической информации ГИС являются хорошей средой для внедрения методов искусственного интеллекта и экспертных систем. Эго связано с разнообразием и сложностью данных в ГИС и наличием
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.