
- •Раздел I. Линейные системы. Цифровые фильтры
- •Системы хранения медиаданных
- •Скорости и интерфейсы
- •Расчет аналогового нормированного фильтра нижних частот Баттерворта
- •Df 1. Введение в адаптивные фильтры
- •1.1. Адаптивная обработка данных
- •1.1.1 Адаптивные фильтры
- •1.1.2 Принцип действия адаптивного фильтра
- •1.4 Адаптивные фильтры
- •1.4.1 Адаптивные фильтры с бесконечной импульсной характеристикой
- •1.4.2 Адаптивные фильтры с конечной импульсной характеристикой
- •1.4.3 Адаптивные фильтры, основанные на методах преобразования сигнала
- •3 Адаптивные алгоритмы для фильтров с конечной импульсной характеристикой
- •3.1. Введение
- •4. Адаптивные алгоритмы для фильтров с бесконечной импульсной характеристикой
- •4.1. Введение
- •4.1.1 Общий обзор
- •2.3 Оптимальное рекурсивное калмановское оценивание
- •2.3.1 Скалярный фильтр Калмана
- •2.3.2. Вывод коэффициента фильтра Калмана
- •2.4. Векторный фильтр Калмана
- •2.4.1. Векторный фильтр Калмана в качестве устройства коррекции канала
- •Требования к вейвлетам
- •Свойства вейвлет преобразования
- •Непрерывное вейвлет-преобразование
- •Дискретное вейвлет-преобразование
- •Графическое представление
- •Применение
- •Примечания
- •Чирплет
- •Аналогия с другими преобразованиями
- •Чирплеты и чирплет-преобразование
- •Приложения
- •Систематика чирплет-преобразования
- •Df Глава 1. Постановка задачи и обзор моделей прогнозирования временных рядов
- •1.1. Содержательная постановка задачи
- •1.2. Формальная постановка задачи
- •1.3. Обзор моделей прогнозирования
- •1.3.1. Регрессионные модели
- •1.3.2. Авторегрессионные модели
- •1.3.3. Модели экспоненциального сглаживания
- •1.3.4. Нейросетевые модели
- •1.3.5. Модели на базе цепей Маркова
- •1.3.6. Модели на базе классификационно-регрессионных деревьев
- •1.1.1. Другие модели и методы прогнозирования
- •1.4. Сравнение моделей прогнозирования
- •1.4.1. Достоинства и недостатки моделей
- •1.4.2. Комбинированные модели
- •1.5. Выводы
- •Тема 15. Регрессия
- •Введение
- •15.1. Постановка задачи регрессии
- •15.2. Линейная регрессия [25]
- •15.3. Полиномиальная регрессия [25]
- •15.4. Нелинейная регрессия [25]
- •15.5. Сглаживание данных [25]
- •15.6. Предсказание зависимостей [25]
- •Df Линейная регрессия
- •8. Регрессия
- •8.1. Детерминированные и статистические зависимости
- •8.2. Корреляция и коэффициент корреляции
- •8.3. Уравнения регрессии
- •8.3.1. Линейная регрессия
- •8.3.2. Полиномиальная регрессия
- •8.3.3. Нелинейная регрессия
- •8.4. Сглаживание данных
- •8.5. Предсказание зависимостей
- •Параболическая и экспоненциальная регрессия.
- •Аппроксимация. Параболическая регрессия
- •Интерполяция
- •[Править]Определения
- •[Править]Пример
- •[Править]Способы интерполяции [править]Интерполяция методом ближайшего соседа
- •[Править]Интерполяция многочленами
- •[Править]Определение и история
- •[Править]Классификация сплайнов
- •Интерполяционный сплайн
- •1.4. Линейные операторы
- •Фильтр Гаусса
- •Фильтр Лапласа
- •Компьтерное зрение. Оператор Собеля Среда, Февраль 10th, 2010 | Программирование (10 голосов, средний: 4.60 из 5)
- •Быстрое размытие по Гауссу
8. Регрессия
8.1. Детерминированные и статистические зависимости 8.2. Корреляция и коэффициент корреляции 8.3. Уравнения регрессии 8.3.1. Линейная регрессия 8.3.2. Полиномиальная регрессия 8.3.3. Нелинейная регрессия 8.4. Сглаживание данных 8.5. Предсказание зависимостей
8.1. Детерминированные и статистические зависимости
В любой отрасли науки о Природе, многие явления являются зависимыми между собой. На основании опыта (наблюдений) можно построить строгую математическую модель наблюдаемого явления и все ее закономерности могут быть описаны. Например, движение планеты вокруг Солнца подчиняется законам Кеплера, которые, в свою очередь, вытекают из закона Всемирного тяготения. Наблюдения подтверждают правильность этого закона. Однако, по мере увеличения точности наблюдений выявляются «неравенства», т.е. отклонение от предвычисленного закона, что свидетельствует о том, что принятая модель слишком упрощена и требует уточнения.
Синоптики, располагая современными вычислительными средствами, хорошо развитым математическим аппаратом, сведениями о распределении температур, давления, влажности, направления и скорости ветра в некоторый начальный момент, могут после интегрирования соответствующих уравнений построить синоптическую картину для последующего времени. Однако мы знаем, что синоптический прогноз не всегда сбывается, так как число возмущающих факторов столь велико, что учесть их все практически невозможно.
Более того, современные представления о динамическом хаосе теоретически обосновывают принципиальную невозможность точных прогнозов погоды.
Отсюда – невозможность описания процессов во всех деталях и предсказание их точных значений в будущие моменты времени.
Зависимости, строго описываемые явными формулами или алгоритмами, дающие возможность предсказания, называют детерминированными.
Наличие большого числа наблюдательных данных позволяет построить зависимость одного параметра от другого не строго, без учета других факторов. Зависимости, полученные таким образом, называются статистическими.
Аппроксимация эмпирических закономерностей методом наименьших квадратов строго обоснована лишь в случае, когда только наблюдательные данные содержат погрешности. В статистических закономерностях «шумят» не только функции, но и аргументы. Поэтому для анализа таких закономерностей требуется особый подход.
8.2. Корреляция и коэффициент корреляции
В начало пункта |
Оглавление |
Ситуация, когда одно явление похоже на другое (или, наоборот, наблюдения обратно зависимы) или одно явление оказывает заметное влияние на другое называют корреляцией. Таким образом, если две кривые коррелируют между собой, то на глаз можно отметить совпадение по времени отдельных локальных максимумов или минимумов. Мы, таким образом, получим качественное представление о корреляции. Количественную характеристику дает коэффициент корреляции, который может принимать любые значения от -1 до +1. Если между величинами Х и Y существует точная детерминированная, линейная зависимость, то коэффициент корреляции равен 1 или -1, а при отсутствии корреляции (Х и Y независимы) - нулю.
По
промежуточному значению коэффициента
корреляции можно судить о степени связи
величин между собой. Пусть
|
Возьмем
эту точку в качестве начала координат
новой системы
,
.
Мы получим точки на плоскости, рассеянные
около начала координат
.
Если при x>0
наблюдается, как правило, y>0
, а при x<0
- y<0
, то говорят, что корреляция положительная.
В противном случае - отрицательная.
Возьмем
сумму произведений
.
При положительной корреляции почти все
члены этой суммы положительны, практически
никакой компенсации не происходит.
Однако, величина этой суммы зависит как
от числа членов, так и от масштабов, в
которых измеряются величины x и y,
а не только от корреляции. Чтобы исключить
влияние числа членов суммы и масштабов,
в качестве эмпирического коэффициента
корреляции берут
|
где
Если n -
невелико, то
может
быть отличным от нуля даже и в том случае,
когда Xk и Yk не
коррелируют. Просто случайным образом
точки расположили на плоскости так,
что
оказалось
отличным от нуля. Поэтому помимо
вычисления эмпирического коэффициента
корреляции необходимо определить и его
среднеквадратическую погрешность
Рассмотрим
частный случай. Пусть Х и Y связаны
между собой строгой линейной зависимостью
.
Тогда
все наблюдения (Xk, Yk)
подчиняются этой зависимости
,
,
т.е. yk=axk
Очевидно,
что
.
Следовательно,
.
В
реальных ситуациях
лежит
между этими двумя пределами
.
В начало пункта |
Оглавление |