Исследование символьных и цифровых рядов методами теории информации и АСК-анализа (на примере числа Пи с одним миллионом знаков после запятой)

Применение теории информации и автоматизированного системно-когнитивного анализа для исследования символьных и цифровых рядов на примере числа Пи с одним миллионом знаков после запятой при использовании когнитивной аналитической системы "Эйдос-Х++".

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 15.05.2017
Размер файла 3,7 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Кубанский государственный аграрный университет

Статья

на тему: Исследование символьных и цифровых рядов методами теории информации и АСК-анализа (на примере числа Пи с одним миллионом знаков после запятой)

Выполнил:

Луценко Евгений Вениаминович

В статье описывается программный интерфейс с универсальной когнитивной аналитической системой «Эйдос-Х++», обеспечивающий преобразование символьных, в частности числовых рядов в такую форму, которая непосредственно воспринимается данной системой. В результате в системе могут быть созданные 3 статистических и 7 интеллектуальных моделей этих рядов, в которых отражены взаимосвязи между символами или цифрами в этих рядах.

Для отражения взаимосвязей между символами используются те же самые частные и интегральные критерии автоматизированного системно-когнитивного анализа (АСК-анализ), что и при отражении причинно-следственных взаимосвязей между событиями в реальной области, что ранее не применялось в теории чисел.

Приводится подробный численный пример подобного исследования на примере выявления взаимосвязей между цифрами, представляющими собой десятичные знаки числа р, при этом в приведенном примере используется миллион знаков числа р после запятой

Ключевые слова: автоматизированный системно-когнитивный анализ, интеллектуальная система «эйдос», теория чисел, вычислительный эксперимент

The article describes a software interface with the universal cognitive analytical system "Eidos-X++" ensuring the transformation of character, in particular - the numerical series in a form that is directly perceived by this system. As a result, the system can contain 3 statistical and 7 intellectual models of the series, which highlights the relationship between the characters or numbers in these lines.

To reflect the relationships between the characters we used the same private and integral data of the automated system of cognitive analysis (ASC-analysis), and in the reflection of reasons-and-effect relationships between events in the real area that has not previously been used in the theory of numbers. The article provides a detailed numerical examples of such studies on the example of the identification of relationships between numbers that represent the decimal digits of the PI number, in the example we use one million digits of the PI number after the decimal point

Keywords: automated system-cognitive analysis, eidos intellectual system, number theory, computational experiment

Все уже привыкли к тому, что при изучении объектов и явлений реальной области конкретными науками широко применится математика и компьютерные технологии, т.е. математика обогащает конкретные науки, способствует их развитию и повышению научного уровня исследований.

При этом необходимо понимать, что в математике нет мер для количественного отражения силы и направления причинно-следственных зависимостей, т.к. нет и самого понятия причинно-следственных зависимостей, которое относится не к абстрактной, а к реальной области. Это связано с тем, что причинно-следственные зависимости возможны только между реальными, а не абстрактными объектами. Меры взаимосвязи, выработанные математикой, такие как корреляция, сами по себе не являются мерами причинно-следственных связей, т.к. не отражают поведение объекта исследования, как в случае действия, так и в случае отсутствия действия на него исследуемого фактора [1, 2]. Поэтому конкретными науками выработан ряд собственных количественных мер силы и направления причинно-следственных зависимостей [3]. Среди этих мер в первую очередь необходимо упомянуть про классическую статистику Хи-квадрат и модель Георга Раша [3]. автоматизированный системно-когнитивный анализ

Автором предложено использовать для этой цели как эти, так и еще ряд способов повышения степени формализации разнородных номинальных шкал путем преобразования их в числовые с началом отсчета и общей единицей измерения, в качестве которой используется, например, количество информации [4]. Ранее эти способы разрозненно использовались в различных направлениях науки, но осознанно не объединялись вместе как модели знаний и меры силы и направления причинно-следственных связей.

На наш взгляд представляет интерес возможность использования всех этих количественных мер силы и направления причинно-следственных связей, выработанных конкретными науками, для исследования взаимосвязей между абстрактными математическими объектами, например такими, как элементы символьных, в частности цифровых рядов. Возможно, так конкретные науки могут внести некоторый, пусть небольшой вклад в обогащение математики, т.е. в какой-то степени вернуть ей свой долг. Разработке этому направления мысли посвящены работы [5, 6, 7] и другие.

В данной статье рассмотрим применение теории информации и АСК-анализа для исследования символьных и цифровых рядов на примере числа р одним миллионом знаков после запятой.

Данная задача относится к теории чисел, результаты в которой формулируются в форме гипотез и теорем. Но что представляет собой математическая гипотеза или теорема с точки зрения теории информации? Это некое высказывание, содержащее определенное количество информации об абстрактных математических объектах, их свойствах и отношениях. Предметом изучения теории чисел является такой абстрактный объект как число, а также свойства чисел и их отношений.

Любой символ можно рассматривать как цифру в системе счисления, включающей в качестве цифр весь алфавит, в который входит данный символ. Поэтому символьные и цифровые ряды могу рассматриваться как символьные или как цифровые в определенных системах счисления, т.е. между ним нет принципиальной разницы

Возникает закономерный вопрос: а возможно ли автоматизировать исследование свойств чисел и их отношений таким образом, чтобы результаты этого исследования можно было формулировать в виде высказываний с указанием конкретного количества информации, содержащегося в них?

Данная статья является попыткой обоснования утвердительного ответа на этот вопрос. Для этого предлагается применять для исследования свойств чисел в теории чисел тот же метод, который широко апробирован и хорошо зарекомендовал себя при исследования реальных объектов и их отношений в различных предметных областях, а именно автоматизированный системно-когнитивный анализ (АСК-анализ), основанный на теории информации [8] и его программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос» [9. 10].

Рассмотрим на простейшем примере: цифрового ряда и миллиона десятичных знаков числа р, как может выглядеть подобное исследование. Целью исследования является выявление причинно-следственных зависимостей между цифрой ряда и 5-ю предыдущими цифрами способом, который ранее не использовался для этой цели, а именно с помощью АСК-анализа и системы «Эйдос».

Будем придерживаться последовательности обработки данных, информации и знаний, принятых в АСК-анализе и его программном инструментарии - интеллектуальной системе «Эйдос» (рисунок 1):

Рисунок 1. Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и интеллектуальной системе «Эйдос»

Очень кратко о АСК-анализе.

АСК-анализ представляет собой системный анализ, структурированным по базовым когнитивным (познавательным) операциям, что позволило его автоматизировать и включает:

- формализуемую когнитивную концепцию, из которой выводится минимальный полный набор когнитивных операций (когнитивный конфигуратор);

- математическая модель, основанную на системном обобщении семантической меры информации А.Харкевича;

- методику численных расчетов, т.е. структуры данных и алгоритмы;

- программный инструментарий - интеллектуальную систему "Эйдос".

Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и интеллектуальной системе «Эйдос», представленная на рисунке 1, соответствует этапам АСК-анализа:

Этапы разработки приложения в АСК-анализе:

1. Когнитивная структуризация предметной области.

2. Формализация предметной области.

3. Подготовка и ввод обучающей выборки.

4. Синтез семантической информационной модели (СИМ).

5. Повышение качества СИМ.

6. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).

7. Решение задач идентификации, прогнозирование и принятия решений;

8. Исследование моделируемой предметной области путем исследования ее модели (анализ СИМ).

Теоретические аспекты АСК-анализа и опыт его практического применения для решения задач в различных предметных областях подробно описан в ряде работ автора [6, 11-28] Полный открытей бесплатный доступ к этим и другим работам предоставлен на сайте автора: и в данной статье на этом останавливаться нецелесообразно. Отметим лишь, что этот метод обеспечивает:

- выявление причинно-следственных связей в эмпирических данных и преобразование их сначала в информацию, а затем в знания;

- сопоставимую обработку данных, полученных в различных видах измерительных шкал и представленных в различных единицах измерения;

- использование знаний для решения задач идентификации, прогнозирование и принятия решений.

Скачаем, установим и запустим систему «Эйдос»

1. Самую новую на текущий момент версию системы «Эйдос-Х++» всегда можно скачать на странице:

2. Разархивируем этот архив в любую папку с правами на запись с коротким латинским именем самой папки и всех папок на пути к ней.

3. Запустить систему. Файл запуска: _AIDOS-X.exe.

4. Задать имя: 1 и пароль: 1.

5. Выполнить режим 1.1 (только 1-й раз при установке системы в эту папку).

6. Скачиваем архив и записываем его содержимое в папку: c:\Aidos-X\AID_DATA\Inp_data\.

7. Запускаем программу Char_series.exe Данная программа приведена в архиве с исходным текстом и в экранной форме, представленной на рисунке 2, задаем имя файла с рядом: «Pi.txt», длину учитываемых в моделях предыстории: 5.

Рисунок 2. Экранная форма программного интерфейса, преобразующего символьный или цифровой ряд в форму, непосредственно воспринимаю системой «Эйдос»

Через 17 секунд выдается сообщение, приведенное на рисунке 3:

Рисунок 3. Экранная форма программного интерфейса с информацией об окончании процесса преобразования

Затем запускаем режим 2.3.2.2 системы «Эйдос» с опциями, заданными на экранной форме, приведенной на рисунке 4:

Рисунок 4. Экранная форма универсального программного интерфейса системы «Эйдос» для ввода данных из внешних баз данных

После нажатия «ОК» появляется окно внутреннего калькулятора данного интерфейса, на котором в данном случае ничего невозможно посчитать, т.к. в приложении нет числовых шкал, а просто отображается сколько найдено классификационных и описательных шкал и какое у них суммарное количество уникальных градаций (рисунок 5):

Рисунок 5. Экранная форма внутреннего калькулятора программного интерфейса с отображением параметров размерности модели

После выхода на создание модели начинается процесс автоматической формализации предметной области, включающий:

1. Генерацию классификационных и описательных шкал и градаций, позволяющих закодировать все символы ряда.

2. Генерацию базы событий и обучающей выборки, в которой символы уже заменены их кодами.

В результате выполнения данного режима получаем следующие классификационные и описательные шкалы и градации и обучающую выборку (таблицы 1-3):

Таблица 1 - Классификационные шкалы и градации

Код

Наим.

1

CLASSES-0

2

CLASSES-1

3

CLASSES-2

4

CLASSES-3

5

CLASSES-4

6

CLASSES-5

7

CLASSES-6

8

CLASSES-7

9

CLASSES-8

10

CLASSES-9

Таблица 2 - Описательные шкалы и градации

Код

Наим.

Код

Наим.

Код

Наим.

Код

Наим.

Код

Наим.

1

ATR1-0

11

ATR2-0

21

ATR3-0

31

ATR4-0

41

ATR5-0

2

ATR1-1

12

ATR2-1

22

ATR3-1

32

ATR4-1

42

ATR5-1

3

ATR1-2

13

ATR2-2

23

ATR3-2

33

ATR4-2

43

ATR5-2

4

ATR1-3

14

ATR2-3

24

ATR3-3

34

ATR4-3

44

ATR5-3

5

ATR1-4

15

ATR2-4

25

ATR3-4

35

ATR4-4

45

ATR5-4

6

ATR1-5

16

ATR2-5

26

ATR3-5

36

ATR4-5

46

ATR5-5

7

ATR1-6

17

ATR2-6

27

ATR3-6

37

ATR4-6

47

ATR5-6

8

ATR1-7

18

ATR2-7

28

ATR3-7

38

ATR4-7

48

ATR5-7

9

ATR1-8

19

ATR2-8

29

ATR3-8

39

ATR4-8

49

ATR5-8

10

ATR1-9

20

ATR2-9

30

ATR3-9

40

ATR4-9

50

ATR5-9

Таблица 3 - Обучающая выборка (фрагмент)

KOD_OBJ

NAME_OBJ

CLS1

ATR1

ATR2

ATR3

ATR4

ATR5

1

9

10

6

12

25

32

44

2

2

3

10

16

22

35

42

3

6

7

3

20

26

32

45

4

5

6

7

13

30

36

42

5

3

4

6

17

23

40

46

6

5

6

4

16

27

33

50

7

8

9

6

14

26

37

43

8

9

10

9

16

24

36

47

9

7

8

10

19

26

34

46

10

9

10

8

20

29

36

44

11

3

4

10

18

30

39

46

12

2

3

4

20

28

40

49

13

3

4

3

14

30

38

50

14

8

9

4

13

24

40

48

15

4

5

9

14

23

34

50

16

6

7

5

19

24

33

44

17

2

3

7

15

29

34

43

18

6

7

3

17

25

39

44

19

4

5

7

13

27

35

49

20

3

4

5

17

23

37

45

21

3

4

4

15

27

33

47

22

8

9

4

14

25

37

43

23

3

4

9

14

24

35

47

24

2

3

4

19

24

34

45

25

7

8

3

14

29

34

44

26

9

10

8

13

24

39

44

27

5

6

10

18

23

34

49

28

0

1

6

20

28

33

44

29

2

3

1

16

30

38

43

30

8

9

3

11

26

40

48

31

8

9

9

13

21

36

50

32

4

5

9

19

23

31

46

33

1

2

5

19

29

33

41

34

9

10

2

15

29

39

43

35

7

8

10

12

25

39

49

В базах данных событий, представленных в форме таблицы 3, насчитывается около миллиона записей.

На следующем этапе АСК-анализа осуществляется синтез и верификация (оценка достоверности) 3 статистических моделей и 7 моделей знаний. В системе «Эйдос» эти этапы выполняются в режиме 3.5, экранная форма управления которым приведена на рисунке 6:

Рисунок 6. Экранная форма режима синтеза и верификации моделей

Для проверки адекватности моделей используется каждая 100-я цифра. При 1000000 объектов обучающей выборки получается, что каждая модель проверяется на 10000 контрольных примерах. При этом каждый из этих примеров дает настолько ничтожный вклад в модель, что удалять их из обучающей выборки, чтобы они не повлияли на результат идентификации, как это принято в бутстрепном методе, нет никакой необходимости.

В результате выполнения режима 3.5 сформированы статистические модели и модели знаний, некоторые из которых представлены ниже в таблицах 4, 5 и 6:

- в таблице 4 приведена матрица абсолютных частот наблюдений признаков у объектов обучающей выборки, относящихся к различным категориям (классам);

- в таблице 5 мы видим количество информации в миллионных долях бита (микробитах), которое содержится в факте наблюдения определенного признака у объекта о том, что этот объект принадлежит определенному классу;

- в таблице 6 приведены значения хи-квадрат.

Таблица 4 - Матрица абсолютных частот (модель: ABS)

KOD_PR

NAME

CLS1

CLS2

CLS3

CLS4

CLS5

CLS6

CLS7

CLS8

CLS9

CLS10

SUMMA

SREDN

DISP

1

ATR1-0

9939

9892

10050

10038

9948

10042

9896

9952

10174

10035

99966

9996,6000000

87,1157595

2

ATR1-1

10007

10064

9721

10013

9874

9992

9934

9944

10061

10148

99758

9975,8000000

118,0186426

3

ATR1-2

9907

10110

10062

9951

10060

9989

9858

10226

9956

9912

100031

10003,1000000

111,3248001

4

ATR1-3

10052

9939

10056

10026

9960

10188

9925

10098

9951

10037

100232

10023,2000000

82,1905645

5

ATR1-4

10017

10009

9980

10009

9958

10036

10194

10043

9914

10071

100231

10023,1000000

74,9050510

6

ATR1-5

10066

9791

10056

10051

10194

10232

10011

10045

9919

9998

100363

10036,3000000

125,0635838

7

ATR1-6

10147

9896

10086

9974

10014

9982

9819

9867

9880

9885

99550

9955,0000000

104,7971586

8

ATR1-7

9888

10095

9962

10069

10022

9964

10112

9802

9991

9900

99805

9980,5000000

98,6466759

9

ATR1-8

10029

9954

10073

10048

9962

9922

9950

9924

10088

10038

99988

9998,8000000

62,8645811

10

ATR1-9

9914

10008

9986

10053

10239

10015

9851

9904

10054

10084

100108

10010,8000000

109,5615504

11

ATR2-0

10011

10040

10067

9968

10059

9931

9939

9882

9968

10100

99965

9996,5000000

69,9384650

12

ATR2-1

9922

10143

9911

9982

9962

9994

9954

9982

9867

10042

99759

9975,9000000

76,2619025

13

ATR2-2

9981

10064

9941

9871

10212

9986

9905

10003

10091

9977

100031

10003,1000000

98,5826782

14

ATR2-3

9913

10041

10024

10118

10004

10030

9852

10142

9985

10123

100232

10023,2000000

92,3192528

15

ATR2-4

10052

9885

10107

10226

9934

10099

9939

9956

10140

9893

100231

10023,1000000

117,3697387

16

ATR2-5

10129

10051

10077

10058

9853

9997

10075

10019

10053

10051

100363

10036,3000000

73,3121939

17

ATR2-6

9930

9929

9991

9900

9917

10003

9868

9940

9991

10081

99550

9955,0000000

61,7665857

18

ATR2-7

9966

9851

9988

10049

9906

10182

9975

10025

9892

9971

99805

9980,5000000

92,9841683

19

ATR2-8

9984

9954

9945

9955

10122

10158

9994

9905

10007

9964

99988

9998,8000000

80,0427663

20

ATR2-9

10078

9800

9981

10105

10262

9982

10049

9951

9994

9906

100108

10010,8000000

124,2513581

21

ATR3-0

9904

10044

9960

10101

10024

9998

9914

10016

9976

10028

99965

9996,5000000

60,0208297

22

ATR3-1

9950

9926

9960

10118

10109

10087

9845

9729

9967

10068

99759

9975,9000000

124,8647713

23

ATR3-2

9991

9872

9904

9929

10011

10183

10008

10110

9930

10093

100031

10003,1000000

99,9716071

24

ATR3-3

9838

10170

10164

10159

9954

10093

9870

9904

10026

10054

100232

10023,2000000

125,7915383

25

ATR3-4

10004

10027

9957

9981

9940

10055

10140

10039

10067

10022

100232

10023,2000000

58,0149406

26

ATR3-5

10149

9927

9930

10105

10125

10042

9887

10026

10190

9982

100363

10036,3000000

104,1025669

27

ATR3-6

9963

9822

10187

9904

10051

9928

9934

10082

9905

9774

99550

9955,0000000

122,9064685

28

ATR3-7

9972

9948

9954

9938

10103

10071

9991

10028

9930

9869

99804

9980,4000000

70,0653663

29

ATR3-8

10144

10125

10015

9887

9857

10011

10027

9900

10035

9987

99988

9998,8000000

95,4716945

30

ATR3-9

10051

9897

10001

10110

10057

9894

9934

9971

9962

10231

100108

10010,8000000

104,6855609

31

ATR4-0

10161

9883

10106

9991

9896

10066

10084

9785

9997

9995

99964

9996,4000000

115,1252458

32

ATR4-1

9838

10109

9961

9939

9865

10000

9924

10065

9954

10105

99760

9976,0000000

93,6743769

33

ATR4-2

10210

9790

10121

10130

9973

9938

9844

9969

10096

9960

100031

10003,1000000

133,4711371

34

ATR4-3

10004

10092

9925

10142

10006

10213

9912

10011

9874

10053

100232

10023,2000000

105,8518881

35

ATR4-4

10010

10080

10036

10077

10101

9939

9946

10058

10062

9923

100232

10023,2000000

65,2496062

36

ATR4-5

9941

10093

10162

9893

10163

10053

10034

9997

10019

10008

100363

10036,3000000

86,6757047

37

ATR4-6

9957

9786

9824

10038

10002

9896

9923

10021

10105

9998

99550

9955,0000000

98,9017470

38

ATR4-7

9773

9919

10032

10026

10156

10065

10062

10013

9917

9841

99804

9980,4000000

115,8027058

39

ATR4-8

10122

10002

9911

10082

9957

9951

9829

9981

9895

10258

99988

9998,8000000

125,1486228

40

ATR4-9

9950

10004

9954

9914

10112

10241

9992

9905

10069

9967

100108

10010,8000000

103,5082391

41

ATR5-0

10175

9874

10000

9977

9881

9844

10044

10030

10132

10007

99964

9996,4000000

108,3750689

42

ATR5-1

10033

9955

9863

9997

10087

10188

9837

9965

9980

9855

99760

9976,0000000

109,6783175

43

ATR5-2

9919

9931

10145

10064

10087

9831

10062

10065

9939

9988

100031

10003,1000000

96,8451800

44

ATR5-3

9977

9978

10027

10103

10251

10075

9993

9920

9991

9918

100233

10023,3000000

99,3322707

45

ATR5-4

10018

10000

10003

9917

9881

9969

10022

10161

10187

10074

100232

10023,2000000

96,5007772

46

ATR5-5

10168

9942

10015

10103

10142

10071

9930

9966

9943

10083

100363

10036,3000000

88,5965261

47

ATR5-6

9804

9835

10074

9800

9977

10177

9957

9979

9935

10012

99550

9955,0000000

119,8999583

48

ATR5-7

10001

10178

9898

10069

9815

10128

9862

9899

9923

10030

99803

9980,3000000

120,0241179

49

ATR5-8

9845

10060

10002

10128

10163

9985

9943

9898

9979

9985

99988

9998,8000000

97,2463081

50

ATR5-9

10026

10005

10005

10074

9947

10094

9900

9922

9979

10156

100108

10010,8000000

79,9594342

0

Всего признаков

499830

498790

500160

501160

501155

501810

497750

499025

499940

500540

5000160

0,0000000

0,0000000

0

Среднее

9997

9976

10003

10023

10023

10036

9955

9981

9999

10011

0

10000,3200000

0,0000000

0

Ср.кв.откл.

100

104

89

88

114

99

86

93

83

95

0

0,0000000

97,6014430

0

Всего объектов

99966

99758

100032

100232

100231

100362

99550

99805

99988

100108

1000032

0,0000000

0,0000000

Для преобразования абсолютных частот встреч признаков у объектов обучающей выборки в разрезе по классам (таблица 4) в знания используются следующие частные критерии (таблица 5):

Таблица 5 - Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»

Наименование модели знаний и частный критерий

Выражение для частного критерия

через относительные частоты

через абсолютные частоты

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами

---

INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу Применение предложено Л.О. Макаревич

INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу

INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу

INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу

Обозначения:

i - значение прошлого параметра; j - значение будущего параметра;

Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M - суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

Ni - количество встреч i-м значения прошлого параметра по всей выборке;

Nj - количество встреч j-го значения будущего параметра по всей выборке;

N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

Iij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

Ш - нормировочный коэффициент (Е.В.Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

Pij - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.

Таблица 6 - Матрица информативности (модель знаний: INF1) в микробитах

KOD_PR

NAME

CLS1

CLS2

CLS3

CLS4

CLS5

CLS6

CLS7

CLS8

CLS9

CLS10

SUMMA

SREDN

DISP

1

ATR1-0

-1164

-1737

1085

398

-1540

205

-1200

-536

3821

600

-67

-7

1660

2

ATR1-1

753

2424

-5634

309

-2699

-422

74

-260

1864

3460

-131

-13

2609

3

ATR1-2

-1999

2818

1202

-1617

732

-1075

-2169

5174

-984

-2196

-114

-11

2471

4

ATR1-3

698

-1288

642

-432

-1852

2741

-1142

2028

-1524

71

-59

-6

1543

5

ATR1-4

-51

226

-990

-795

-1893

-494

4619

854

-2324

801

-48

-5

1932

6

ATR1-5

717

-4800

360

-177

2868

3388

435

614

-2499

-1049

-145

-15

2388

7

ATR1-6

4194

-752

2754

-82

783

-188

-1984

-1485

-1596

-1745

-101

-10

2058

8

ATR1-7

-1925

2985

-462

1409

404

-1128

3797

-3459

259

-1970

-89

-9

2275

9

ATR1-8

730

-438

1530

565

-1284

-2432

-76

-1190

1946

617

-32

-3

1356

10

ATR1-9

-2012

469

-596

414

4364

-681

-2487

-1883

960

1343

-110

-11

2021

11

ATR2-0

392

1464

1452

-1107

852

-2187

-264

-2054

-582

1993

-42

-4

1481

12

ATR2-1

-1087

4106

-1468

-361

-790

-381

505

559

-2331

1197

-51

-5

1780

13

ATR2-2

-396

1836

-1403

-3355

3961

-1140

-1144

425

1917

-788

-88

-9

2096

14

ATR2-3

-2301

911

-45

1535

-903

-625

-2732

2965

-790

1908

-77

-8

1832

15

ATR2-4

700

-2459

1733

3824

-2413

853

-836

-1019

2530

-3039

-127

-13

2312

16

ATR2-5

2060

844

810

-27

-4460

-1616

1807

56

391

90

-46

-5

1872

17

ATR2-6

-461

-35

715

-1685

-1314

265

-912

103

810

2483

-31

-3

1203

18

ATR2-7

-233

-2284

100

981

-2104

3533

860

1385

-1885

-431

-78

-8

1812

19

ATR2-8

-239

-438

-1224

-1438

2147

2631

875

-1603

209

-976

-56

-6

1479

20

ATR2-9

1521

-4055

-704

1525

4847

-1392

1798

-863

-329

-2492

-143

-14

2523

21

ATR3-0

-1922

1550

-850

1748

102

-739

-807

847

-409

...

Подобные документы

  • Исследование вертикальных проекций яркости и размаха яркости. Программная реализация алгоритма автоматического анализа цифровых изображений номерных знаков с целью сегментации цифробуквенных символов. Разработка графического пользовательского интерфейса.

    дипломная работа [1,5 M], добавлен 12.04.2013

  • Основные понятия стеганографии. Атаки на стегосистемы, стегосистемы водяных знаков. Применение дискретных вейвлет преобразований в кодировании цифровых зображений. Алгоритмы стеганографического встраивания информации в изображения формата JPEG2000.

    дипломная работа [3,5 M], добавлен 09.06.2013

  • Оформление таблицы на листе Excel. Применение округления чисел до двух знаков после запятой. Выделение диапазона данных, необходимых для построения графика. Добавление диаграммы на листе. Подписи горизонтальной оси. Добавление линий разделения на график.

    контрольная работа [1,6 M], добавлен 13.11.2011

  • Предмет и задачи теории информации, ее функции при создании АСУ. Определение пропускной способности дискретных (цифровых) каналов при отсутствии шумов. Расчет скорости передачи информации. Вычисление значения энтропии - среднего количества информации.

    контрольная работа [112,0 K], добавлен 18.01.2015

  • Система передачи информации. Использование энтропии в теории информации. Способы преобразования сообщения в сигнал. Динамический диапазон канала. Определение коэффициента модуляции. Преобразование цифровых сигналов в аналоговые. Использование USB–модемов.

    курсовая работа [986,3 K], добавлен 18.07.2012

  • Способы передачи и хранения информации наиболее надежными и экономными методами. Связь между вероятностью и информацией. Понятие меры количества информации. Энтропия и ее свойства. Формула для вычисления энтропии. Среднее количество информации.

    реферат [99,7 K], добавлен 19.08.2015

  • Характеристика информации. Перевод числа из двоичной системы в десятичную, шестнадцатеричную и восьмеричную. Способы оценки количества информации. Технические средства обработки информации. Принцип работы, история изобретения струйного принтера.

    контрольная работа [1016,6 K], добавлен 22.10.2012

  • Понятие и способы дискретизации аналоговых сигналов. Ознакомление с примерами аналого-цифрового преобразование звука. Изучение способов кодирования цифровых изображений, видеоданных и текста. Рассмотрение теоремы Котельникова и теории информации.

    презентация [1,2 M], добавлен 15.04.2014

  • Изучение сущности информации - сведений, знаний, которые получаются, передаются, преобразуются, регистрируются с помощью некоторых знаков. Способы передачи информации электрическими, магнитными и световыми импульсами. Программное обеспечение компьютеров.

    контрольная работа [18,6 K], добавлен 27.02.2011

  • Система счисления и перевод числа из одной системы в другую. Машинное предоставление информации. Числа с фиксированной точкой: прямой, обратный (инверсный) или дополнительный код. Программная реализация алгоритма и описание использованных процедур.

    курсовая работа [96,7 K], добавлен 20.11.2010

  • Теория информации как наука, предмет и методы ее изучения, применение в компьютерной технике. Системы передачи информации, разновидности сообщений и их источники. Разновидности помехи и способы их устранения. Аппаратура, используемая при передаче данных.

    реферат [23,7 K], добавлен 14.07.2009

  • Характеристика влияния компьютера на здоровье человека. Определение корней уравнения в Microsoft Excel с точностью до шестого знака после запятой. Решение системы линейных уравнений методом вычисления определителей и матричным способом в Microsoft Excel.

    контрольная работа [734,0 K], добавлен 19.03.2012

  • Понятие и юридическая природа цифровых произведений. Рассмотрение способов защиты авторских прав для мультимедийной информации (шифрование, защита носителей, электронные ключи, цифровые водяные знаки). Характеристика видов цифровых произведений.

    курсовая работа [48,3 K], добавлен 29.01.2010

  • Алгебра матриц: задание численных и символьных элементов вектора и матрицы с и без применения шаблонов, использование векторных и матричных операторов и функций. Операции умножения и деления вектора и матрицы друг на друга и на скалярные числа.

    практическая работа [107,0 K], добавлен 05.12.2009

  • Основы теории передачи информации. Экспериментальное изучение количественных аспектов информации. Количество информации по Хартли и К. Шеннону. Частотные характеристики текстовых сообщений. Количество информации как мера снятой неопределенности.

    лабораторная работа [42,3 K], добавлен 15.02.2011

  • Применение цифровых микросхем для вычисления, управления и обработки информации. Назначение микропроцессора и устройств микропроцессорной системы, их структурная и принципиальная схемы. Системная шина процессора и распределение адресного пространства.

    курсовая работа [1,5 M], добавлен 29.02.2012

  • Применение нейрокомпьютеров на российском финансовом рынке. Прогнозирование временных рядов на основе нейросетевых методов обработки. Определение курсов облигаций и акций предприятий. Применение нейронных сетей к задачам анализа биржевой деятельности.

    курсовая работа [527,2 K], добавлен 28.05.2009

  • Проектирование цифрового автомата для выполнения арифметической операции деления двоичных чисел, алгоритм работы. Числа с плавающей запятой. Типы элементов памяти управляющего автомата JK-триггер, не имеющего запрещенных состояний на основных входах.

    курсовая работа [747,4 K], добавлен 25.03.2012

  • Символьные переменные и функции являются как объекты класса sym object, производимые над ними операции. Методика упрощения и преобразования выражений. Функции для выполнения математического анализа. Графические возможности символьных переменных.

    лабораторная работа [236,3 K], добавлен 06.07.2009

  • Изучение символьных и строковых типов данных, алгоритма задачи на языке программирования Паскаль. Описания получения и установки отдельного символа строки, изменения регистра символов. Анализ создания и просмотра файла, поиска и сортировки информации.

    курсовая работа [440,7 K], добавлен 13.06.2011

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.