Анализ аппроксимированных и интерполированных гистограммных оценок одномерных и двумерных плотностей распределения
Диплом, Разное
Содержание
Введение 4
1. Ядерные оценки плотности распределения 8
1.1 Оценка методом Парзена 9
1.2 Оценка методом k ближайших соседей 18
2. Гистограммное оценивание плотности распределения 26
2.1 Гистограмма 26
2.2 Аппроксимация гистограммной оценки 29
2.3 Интерполяция гистограммы методом наименьших квадратов 40
2.3.1 Полиноминальная аппроксимация 40
2.3.2 Нормальная матрица плана 43
3. Оценивание двумерных плотностей 51
3.1 Двумерная гистограмма 51
3.2 Нормальная двумерная гистограммная аппроксимация 60
4. Безопасность и санитарно гигиенические условия труда на рабочем месте пользователя ПЭВМ 67
4.1 Микроклимат производственного помещения 67
4.2Вентиляция 68
4.3 Наличие вредных веществ и пыли в воздухе 70
4.4 Уровень шума 71
4.5 Уровень вибрации 72
4.6 Расчет освещенности 73
4.7 Электробезопасность 77
4.8 Пожарная безопасность 78
4.9 Организация рабочего места 80
4.10 Режим труда и отдыха при работе с ПЭВМ 82
5. Оценка затрат на разработку и расчет экономической эффективности ПИ 85
5.1 Понятие программного изделия. Основные требования, предъявляемые к программному изделию как к продукции производственно – технического назначения 85
5.2 Этапы создания и эксплуатации ПИ 86
5.3 Понятие качественного программного изделия и его характеристики 87
5.4 Производственный план 90
5.5 Организационный план 93
5.6 Экономическая эффективность ПИ 94
5.7 Анализ рисков и неопределенностей 109
6. Разработка файл – функции нормальной аппроксимации гистограммы 101
6.1 Структура файл – функции 102
Заключение 108
Список литературы 109
Введение
В распознавании образов можно выделить этапы получения исходных наблюдений Z, выделения признаков объектов X, обучения и классификации признаков [1,3]. Обучение имеет целью формирование эталонных описаний классов в многомерном признаковом пространстве. Признаки формируются преобразованиями случайных наблюдений, поэтому также случайны. Математическая модель случайного вектора – закон совместного распределения его компонент в формах функции или плотности распределения. Из многомерных распределений хорошо изучено нормальное, описывающееся двумя параметрами – вектором математических ожиданий M и корреляционной матрицей B. Как подчеркивается в [3], точному многомерному анализу поддаются лишь задачи, в которых рассматривается нормальное распределение. Формирование эталонов нормальных признаков при распознавании k классов объектов сводится к получению оценок и , . В этом случае обучение называется параметрическим.
В общем случае закон распределения признаков неизвестен, так что в...
Объем: 109
Год сдачи: 2010
Стоимость: 1900 руб.
