- •1. Объекты моделирования в процессе геофизических исследований
- •2. Уровни описания физико-геологической модели объекта исследования.
- •3. Аспекты (виды) неоднозначности решения геологических задач геофизическими методами и их природа.
- •4. Параметры, характеризующие физико-геологическую модель.
- •7. Основные типы шкал измерений
- •11. Способы оценки погрешности косвенных измерений
- •12. Основные отличия обработки от интерпретации данных.
- •13. Взаимосвязь понятий интерпретация и решение обратной задачи
- •14. Общая характеристика основных видов интерпретации геофизических данных (физическая геологическая качественная количественная смешанная)
- •15. Типовые задачи комплексной интерпретации и шкалы измерений целевых свойств и используемых данных
- •16. Существо методов подбора при решении задач комплексной интерпретации.
- •17. Основные типы задач распознавания образов.
- •18. Основные этапы постановки и решения задач распознавания образов
- •19. Основные отличия методов Байеса и максимального правдоподобия
- •20. Существо метода максимального правдоподобия
- •21. Существо метода Байеса.
- •21. Примеры детерминированных алгоритмов распознавания образов. На n-образов
- •22. Примеры алгоритмов классификации «метод связности»
- •23. Примеры практических задач, решаемых с использованием методов корреляционно-регрессионного анализа
- •24. Коэффициент корреляции и его свойства
- •25. Способы оценки коэффициентов уравнения регрессии
22. Примеры алгоритмов классификации «метод связности»
Вычисляется мера сходства между всеми объектами:
Ищется максимальная мера сходства:
Объекты, между которыми эта мера сходства объединяются в один класс.
На каждом шаге снова ищется максимальная мера сходства, но уже из оставшихся и объединяются объекты, которые связаны этой мерой сходства.
Простейшим классификатором является метод ближнего соседа. Объект присваивается тому классу, который является наиболее распространенным среди соседей данного элемента. Соседи берутся исходя из множества объектов, классы которых уже известны.
23. Примеры практических задач, решаемых с использованием методов корреляционно-регрессионного анализа
Задачи корреляционного анализа:
оценка по выборочным данным величины коэффициента парной корреляции, множественной корреляции, канонической корреляции
проверка значимости выборочных коэффициентов корреляции
оценка степени близости выявленной связи к линейной.
Суть регрессионного метода состоит в построении регрессионной зависимости между искомым параметра - Y и некоторыми другими параметрами X={xi} Задачи регрессионного анализа:
установление формы зависимость у от х
определение вида уравнения регрессии
прогнозирование значений результирующей переменной Y, носящей название отклика по неизвестным значениям
24. Коэффициент корреляции и его свойства
Коэффициент корреляции r оценивается по экспериментальным данным, представляющим собой выборку, полученную при совместном измерении двух признаков Хи Y.
Основные свойства:
Коэффициенты корреляции способны характеризовать только линейные связи, т.е. такие, которые выражаются уравнением линейной функции.
Значения коэффициентов корреляции лежащее в пределах от -1 до +1, т.е. -1 < r < 1.
Когда связь между признаками отсутствует, r= 0.
При положительной, или прямой, связи, коэффициент корреляции находится в пределах от 0 до +1, т.е. 0 < r < 1.
При отрицательной, или обратной, связи, коэффициент корреляции находится в пределах от 0 до -1, т.е. -1 < r <0.
Чем сильнее связь между признаками, тем ближе величина коэффициента корреляции к |1|.
25. Способы оценки коэффициентов уравнения регрессии
Графический метод
Метод наименьших квадратов
Суть метода наименьших квадратов заключается в следующем: для каждой из n точек выборки записываются уравнение вида у=ах+b. Затем находятся ошибка еi между расчетным и фактическим значениями. Решение оптимизационной задачи по нахождению таких значений а и b, которые обеспечивают минимальную сумму квадратов ошибок для всех n точек, т.е. решение задачи поиска дает несмещенные и эффективные оценки коэффициентов а и b.