Разное

Признаки пространства – Пространство признаков — Энциклопедия по экономике

Пространство признаков - Энциклопедия по экономике

Кластерный анализ - один из методов многомерного анализа, предназначенный для группировки (кластеризации) совокупности, элементы которой характеризуются многими признаками. Значения каждого из признаков служат координатами каждой единицы изучаемой совокупности в многомерном пространстве признаков. Каждое наблюдение, характеризующееся значениями нескольких показателей, можно представить как точку в пространстве этих показателей, значения которых рассматриваются как координаты в многомерном пространстве. Расстояние между точками р и q с k координатами определяется как  [c.105]
Анализ многомерных совокупностей. Набор методов для наглядного представления относительного положения конкурирующих товаров или марок. Объекты представляются точками в многомерном пространстве признаков, в котором расстояние между точками определяется степенью различия изображаемых ими объектов.  [c.187]

В этой главе мы познакомились со вторым из двух главных типов обучения - обучением без учителя. Этот режим обучения чрезвычайно полезен для предобработки больших массивов информации, когда получить экспертные оценки для обучения с учителем не представляется возможным. Самообучающиеся сети способны выделять оптимальные признаки, формируя относительно малоразмерное пространство признаков, без чего иногда невозможно качественное распознавание образов. Таким образом, оба типа обучения удачно дополняют друг друга. Кроме того, как мы убедились на примере сетей с узким горлом, между этими типами обучения существует тесная взаимосвязь если посмотреть на ситуацию под определенным углом зрения соответствующие правила обучения подчас просто совпадают.  [c.87]

Формирование оптимального пространства признаков  [c.143]

Один из наиболее очевидных способов формирования пространства признаков с учетом реальной значимости входов - постепенный подбор наиболее значимых входов в качестве очередных признаков. В качестве первого признака выбирается вход с наибольшей индивидуальной значимостью  [c.143]

Подсчитав индивидуальную значимость входов находим направление в исходном входном пространстве, отвечающее наибольшей (нелинейной) чувствительности выходов к изменению входов. Это градиентное направление определит первый вектор весов дающий первую компоненту пространства признаков  [c.144]

Как иллюстрирует Рисунок 5, увеличение ширины окна погружения ряда приводит в конце концов к понижению предсказуемости - когда повышение размерности входов уже не компенсируется увеличением их информативности. В этом случае, когда размерность лагового пространства d слишком велика для данного количества примеров, приходится применять специальные методики формирования пространства признаков с меньшей размерностью. Способы выбора признаков и/или увеличения числа доступных примеров, специфичные для финансовых временных рядов будут описаны ниже.  [c.152]

Формирование пространства признаков  [c.153]

Обратите внимание, что использование ортогонального пространства признаков привело к некоторому повышению предсказуемости по сравнению с обычным способом погружения с 0.12 бит (Рисунок 5) до 0.17 бит (Рисунок 8). Чуть позже, когда пойдет речь о влиянии предсказуемости на прибыль, мы покажем, что за счет этого норма прибыли может увеличиться почти в полтора раза.  [c.156]

Анализ многомерных совокупностей. Набор методов для наглядного представления относительного положения конкурирующих товаров или марок. Объекты представляются точками в многомерном пространстве признаков, в котором расстояние между точками определяется степенью различия изображаемых ими объектов. Пример. Производитель компьютеров может проанализировать место, занимаемое его маркой на рынке, по отношению к маркам-конкурентам.  [c.141]

Целью кластерного анализа является выделение в исходных многомерных данных таких однородных подмножеств, чтобы объекты в середине групп были подобны одно другому, а объекты разных групп - неподобны. Под сходством в данном случае понимается близость объектов в многомерном пространстве признаков, и задача сводится к выделению в этом пространстве натуральных сосредоточений объектов (кластеров), которые и считаются однородными группами.  [c.262]

Осуществляется аппроксимация полученного нечеткого отношения в пространстве признаков и критериев.  [c.65]

Упорядочение большого числа сложных терминов, включающих слово надежность, и разъяснения наиболее важных из них. Признание необходимости классификации свойства надежности в многомерном пространстве признаков, таких как вид объекта, стадия его жизненного цикла , режим объекта, заблаговременность оценки (расчета) показателей, вид энергоресурса и др. Разработка рекомендуемых для применения терминов в этом пространстве.  [c.356]

На этом принципе построено довольно много методов обобщения понятий, которые можно было бы назвать методами разделения в пространстве признаков. В простейшем случае ситуация, показанная на рис. 4.1, обобщается на пространство произвольной размерности и строятся методы выделения наиболее крупных скоплений объектов, для которых расстояния между признаками значительно меньше расстояний между отдельными скоплениями. На этой идее основано большинство методов, развиваемых в рамках кластерного анализа.  [c.168]

Обобщением такого подхода к образованию понятий служит идея использования специальной функции для выделения ядер из заданного множества объектов. Эта функция может быть построена различными способами. Например, она может принимать на объектах, входящих в ядро, значения, значительно превосходящие значения той же функции в некоторой окрестности пространства признаков, окружающей ядро. Эти функции как бы задают распределение потенциалов в пространстве признаков, почему и сам метод работы с такими функциями получил название метода потенциальных функций.  [c.168]

Однако подобные методы, основанные на использовании лишь сведений о пространстве признаков и некоторых его свойствах, многократно исследованные в теории распознавания образов, почти ничего не дают для решения задачи формирования понятий, возникающей в теории ситуационного управления и родственных ей подходов к решению проблемы целесообразного управления объектом, И связано это с тем, что в таких условиях мы всегда имеем некоторую априорную информацию о конкретных представителях, входящих в формируемое понятие. Иными словами, мы заранее знаем, что некоторые объекты аг должны входить в формируемое понятие (положительные примеры), а другие аг не должно входить в него (отрицательные примеры). Это приводит к постановке задачи обобщения по признакам на основе обучающей выборки, состоящей из положительных и отрицательных примеров. Именно такие задачи мы и будем изучать ниже в данной главе.  [c.168]

Поясним его на примере двух признаков, приписываемых объектам аг. Это позволит нам проиллюстрировать идею метода геометрически, что обеспечивает необходимую наглядность. При реализации метода гиперплоскостей для произвольного числа признаков нужно произвести прямой перенос всех процедур с двумерного случая на n-мерный. Итак, пусть мы имеем некоторое множество объектов A= at , элементы которого обладают двумя признаками яг и я2, принимающими значения из некоторых множеств П1 и ПА Для простоты будем считать, что П1 и П2 — определенные отрезки на оси действительных чисел. Тогда все объекты а,-в пространстве признаков находятся внутри некоторого прямоугольника. Одну из его вершин мы примем, за начало координат. Рассмотрим ситуацию, показанную на рис. 4.2. На нем  [c.169]

Имеется еще группа методов, в которых вместо простого разделения в пространстве признаков используются метрические функции этого пространства. Например, группировка объектов в новое понятие происходит таким образом, что расстояния между парами объектов, попавших в одно понятие, существенно превосходят расстояние от них до объектов, лежащих вне его (разделение по потенциальной функции).  [c.170]

Указанный недостаток, несмотря на простоту процедур формирования понятий по методу разделения в пространстве признаков, делает эти методы мало пригодными для задач ситуационного управления. Именно поэтому в системах ситуационного управления, как правило, используются другие принципы формирования понятий и организации классификации.  [c.171]

Сущность этих новых принципов, лежащих в основе многомерной классификации, состоит в следующем. Классификация объектов производится не последовательно по отдельным признакам, а одновременно по большому числу признаков. Этот фиксированный набор признаков образует так называемое пространство признаков, а каждому признаку придается смысл координаты. Если задано m существенных признаков совокупности, то любой объект рассматривается как точка в m-мерном пространстве признаков и задача классификации сводится к выделению сгущений объектов в этом пространстве. Для этого используются разные алгоритмы, но всегда группы (типы, классы) формируются на основании близости объектов по комплексу признаков.  [c.36]

Подходы к формированию групп, применяемые в многомерной группировке, лучше, чем комбинационные, согласуются со сложившимся представлением о существовании естественных типов объектов, близких по совокупности признаков. В самом деле, при комбинационной группировке объект, отклоняющийся по одному-единственному признаку от нормы, характерной для группы, будет автоматически из нее исключен. Более того, если этот признак используется на первом шаге группировки, то объект может легко попасть в группу, очень далекую от той, с которой он в действительности имеет наибольшее сходство. Если вспомнить понятие пространства признаков, то группы, получаемые при комбинационной группировке, представляют собой секторы такого пространства. При этом границы между ними обычно параллельны осям данного пространства и жестко заданные интервалы признаков часто разрушают реально существующие классы. Этот основной недостаток делает комбинационные группировки не всегда эффективными для выделения типов объектов по комплексу признаков, так как с добавлением каждого нового признака опасность разрушения объективно существующих однородных групп возрастает.  [c.36]

Основные принципы измерения в социологии. Представление о признаке в социологии, пространство признаков.  [c.150]

Кластерный анализ применяется в том случае, когда исследователь не располагает обучающими выборками и имеет лишь т подлежащих классификации наблюдений Х(, Х2,..., Хт в -мерном пространстве признаков. Сточки зрения априорной информации об окончательном числе классов, на которое требуется разбить исследуемую совокупность объектов, задачи кластер-анализа можно подразделить на два основных типа  [c.399]

Основной идеей, на которой строится кластерный анализ, является определение взаимного расположения (степени близости) объектов в w-мерном пространстве признаков. Результатом реализации кластер-процедуры является разделение исследуемой совокупности на заранее известное либо определяемое в ходе анализа число однородных классов.  [c.400]

Поточное производство имеет несколько разновидностей, различающихся характером движения предмета труда, постоянством и широтой номенклатуры продукции, охватом операций, фаз производственного процесса и др. Эти признаки лежат в основе классификации разновидностей поточного производства, что находит свое конкретное выражение в классификации поточных линий. При их группировке следует иметь в виду, что все процессы осуществляются в пространстве и во времени, поэтому необходимо учитывать две группы признаков.  [c.34]

ПРОФЕССИОНАЛЬНАЯ СТРАТИФИКАЦИЯ — разделение профессиональных групп на слои по какому-либо признаку. Часто используется семичастная вертикальная П.с. а) высший класс профессионалов, администраторов б) технические специалисты среднего уровня в) коммерческий класс г) мелкая буржуазия д) техники и рабочие, осуществляющие руководящие функции е) квалифицированные рабочие ж) неквалифицированные рабочие. Среди менеджеров, напр., выделяют супервайзеров и топ-менеджеров. П.с. включается в качестве одной из осей обобщенной многомерной стратификации (профессия, доход, образование, жилище и др.), являющейся геометрической моделью, условно представляющей соц. пространство.  [c.287]

Информация подвергается ряду операций в технологическом процессе управления, среди которых фиксация на носитель, хранение в виде данных , передача в пространстве по каналам связи и преобразование, сортировка по заданному признаку, поиск места хранения информации, обработка, контроль степени достоверности и своевременности, уничтожение. Перечень этих операций отражает жизненный цикл информации.  [c.301]

Дальнейшим развитием метода дифференциального исчисления явился метод дробления приращений факторных признаков, при котором следует вести дробление приращения каждой из переменных на достаточно малые отрезки и осуществлять пересчет значений частных производных при. каждом (уже достаточно малом) перемещении в пространстве. Степень дробления принимается такой, чтобы суммарная ошибка не влияла на точность экономических расчетов.  [c.128]

Каждая единица совокупности в кластерном анализе рассматривается как точка в заданном признаковом пространстве. Значение каждого из признаков у данной единицы служит ее координатой в этом пространстве по аналогии с координатами точки в нашем реальном трехмерном пространстве. Таким образом, признаковое пространство - это область варьирования всех признаков совокупности изучаемых явлений. Если мы уподобим это пространство обычному пространству, имеющему евклидову метрику, то тем самым мы получим возможность измерять расстояния между точками признакового пространства. Эти расстояния называют евклидовыми. Их вычисляют по тем же правилам, как и в обычной евклидовой геометрии. На плоскости, т.е. в двухмерном пространстве, расстояние между точками А и В равно корню квадратному из суммы квадратов разностей координат этих точек по оси абсцисс и по оси ординат - на основании теоремы Пифагора (рис. 6.1).  [c.136]

Снижение размерности пространства признаков путем перехода к главным компонентам позволяет наглядно визуализировать возможное группирование объектов по каким-либо признакам, выявить причины такой группировки, а также определить факторы, влияющие на ход технологического процесса. Результаты такого анализа позволяют выработать не-гмые мероприятия для воздействия на технологический процесс с его совершенствования. В качестве исходных данных для анализа с главных компонент могут использоваться режимные параметры работы конкретных производственных установок  [c.185]

Кластерный анализ — один из методов многомерного анализа, предназначенный для группировки (кластеризации) совокупности, элементы которой характеризуются многими признаками. Значения каждого из признаков служат координатами каждой единицы изучаемой совокупности в многомерном пространстве признаков. Каждое наблюдение, характеризу-  [c.130]

Методы предобработки сигналов и формирования относительно малоразмерного пространства признаков являются важнейшей составляющей нейроанализа и будут подробно рассмотрены далее в отдельной главе.  [c.66]

Для определения значимости входов нам потребуется оценить предсказуемость выходов обеспечиваемую данным набором входных переменных. Чем выше эта предсказуемость - тем лучше соответствующий набор входов. Таким образом метод box- ounting предоставляет в наше распоряжение технологию отбора наиболее значимых признаков для нейросетевого моделирования, технологию оптимизации входного пространства признаков.  [c.141]

Приведенные ниже результаты вычисления предсказуемости индекса S P500 методом box- ounting (см. Рисунок 7, Рисунок 8) иллюстрируют роль искусственных примеров. Пространство признаков в данном случае формировалось методом ортогонализэции, описанным в главе о способах предобработки данных. В качестве входных переменных использовались 30 главных компонент в 100-мерном лаговом пространстве. Из этих главных компонент были выбраны 7 признаков - наиболее значимые ортогональные линейные комбинации. Как видно из этих рисунков, лишь применение искусственных примеров оказалось способным в данном случае обеспечить заметную предсказуемость.  [c.156]

Возникает естественный вопрос "А зачем вообще нужна нейронная сеть для данного алгоритма " Ведь он может просто использовать обучающую выборку - известно же, какому классу принадлежит каждый пример. Более того, как бы хорошо ни была обучена сеть, она все равно будет делать ошибки, неправильно классифицируя некоторые примеры. Дело в том, что именно использование нейросетей в качестве Оракула дает возможность получать деревья решений, имеющих более простую структуру, чем у деревьев, обученных на исходных примерах. Это является следствием как хорошего обобщения информации нейронными сетями, так и использования при их обучении операции исправления данных ( LEARNING). Кроме того, алгоритмы построения деревьев, исходя из тренировочного набора данных, действительно разработаны и с их помощью такие деревья строятся путем рекурсивного разбиения пространства признаков. Каждый внутренний узел подобных деревьев представляет критерий расщепления некоторой части этого пространства, а каждый лист дерева - соответствует классу векторов признаков. Но в отличие от них TREPAN конструирует дерево признаков методом первого наилучшего расширения. При этом вводится понятие наилучшего узла, рост которого оказывает набольшее влияние на точность классификации генерируемым деревом. Функция, оценивающая узел п, имеет вид F(n) = r(n)( - f(n)), где r(ri) - вероятность достижения  [c.181]

Метод, проиллюстрированный в примере 4.1, в свое время М. М. Бонгард назвал развал на кучи . В методах такого типа предполагается, что структура признаков выбрана столь удачно, что в пространстве признаков объекты, образующие некоторое понятие, группируются компактным образом. Они как бы сгущаются около некоторого ядра , характеризующего наиболее существенные для данного признака комбинации их значений.  [c.168]

Собственно проблеме фэрмировния понятий так, как она понимается в задачах распознавания образов и понималась на первом этапе развития теории искусственного интеллекта, посвящено огромное количество работ. Сошлемся прежде всего на источники, уже упоминавшиеся ранее, где обсуждаются эти проблемы в рамках, близких к задачам данной книге [1.1. 1.11, 2.16]. Упомянем еще две монографии Э. Ханта [4.11, 4.12], который много занимался проблемой формирования понятий. В 4.3 мы использовали прежде всего методы разделения в пространстве признаков, описанные, например, в [4.13]. Монографию [4.14] можно использовать для ознакомления с процедурами порождения новых методов, в которых разделение осуществляется на основе значений некоторой специально конструируемой функции фу (см. 4.3). Наконец, методы кластерного анализа, о которых в этой  [c.264]

Анализ рынка недвижимости является непростым делом. Подход с использованием СОК чрезвычайно полезен для сравнения и оценки земельной собственности. Выявление собственности, обладающей необходимыми характеристиками (компонентами), или самих этих компонент является наиболее существенным для получения ясной картины поведения рынка. Огромное количество различной информации может быть получено из ряда общедоступных баз данных, заключающих в себе внушительную сумму имеющегося опыта и знаний по данному вопросу. Тем не менее поведение рынка может быть понято только при соответствующей организации наблюдений. Распределение имеющихся примеров в пространстве признаков характеризуется нерегулярностью, наличием нелинеиностеи и неодно-родностей. Однако разбираться в ситуациях и соответствующих друг другу компонентах, выделяя при этом множество нестандартных случаев, чрезвычайно важно. Эта глава показывает, каким образом разнообразные компоненты могут быть масштабированы в зависимости от поставленных целей. С помощью СОК можно также выявлять нетипичные объекты и компоненты.  [c.183]

Интенсификация труда отличается от технической интенсификации также и по признаку инициирования, субъекта действия. Если в случае с технической интенсификацией субъект и объект действия разделены в пространстве на активную (человек) и пассивную (средства производства) стороны, то в случае с интенсификацией труда дело обстоит по-другому. Здесь и субъект, и объект действия сливаются в одном лице, в самом человеке. Такой вариант интенсификации вполне правомерно назвать самоинтенсификацией.  [c.146]

Начиная с 40 г. XX века инженерная практика и науковедение выработали несколько десятков методов направленного продвижения к эффективной конструкции или технологии. Самым распространенным и, видимо, самым эффективным из них стал морфологический анализ. Это способ представления внутреннего строения множества возможных технологий или конструкций посредством их многомерной классификации по наиболее важным признакам. Например, множество возможных способов крепления заготовки может быть представлено механическим, электродинамическим, пневматическим, гидравлическим, магнитным способами. Множество потенциальных способов бурения включает роторный, турбинный, ударный, гидравлический, гидроударный, электроискровой, плазменный, лазерный. После упорядочения пространства инженерных решений перспективность каждого блока морфологической таблицы оценивается с помощью руководящего методологического принципа типа (5.8) и с применением тривиального экономического критерия, например, себестоимости 1 метра проходки скважин. Может выявиться рассогласование результатов, полученных первым и вторым способами. Именно оно должно быть предметом пристального анализа. Дело в том, что расчет текущей себестоимости (в данном случае 1 метра проходки) выявил преимущество турбинного бу-  [c.130]

Для систем полиэрготического типа основными классификационными признаками являются [16, 44] 1) степень сложности-2) характер функционирования 3) вид связи операторов с объектом управления 4) назначение системы 5) характер изменения координат в пространстве 6) задачи, решаемые человеком и т. д.  [c.158]

economy-ru.info

Как уже отмечалось выше (см. главу 9), восприятие пространства

Как уже отмечалось выше (см. главу 9), восприятие пространства обусловлено информацией о его монокулярных и бинокулярных признаках. Однако не все признаки пространства, доступные взрослому, могут быть доступны и младенцам. Более того, известно, что доступность некоторых признаков зависит от возраста. Например, использование бинокулярной диспарантности для стереоскопического зрения развивается примерно к 3,5-4 месяцам (Fox et al., 1980; Held et al., 1980; Petrig et al., 1981). Интересная деталь: вполне возможно, что перцептивные способности 3-месячных младенцев уже достаточно развиты для того, чтобы они могли воспринимать субъективные контуры, описанные в главе 7 (Ghim, 1990; Lecuyer & Durand, 1998). Однако способность эффективно использовать монокулярные признаки для сложных взаимодействий с пространством требует дальнейшего развития или опыта.

Такие статические монокулярные признаки, как загораживание (монокулярный признак, свидетельствующий о частичном перекрывании одного объекта или поверхности другим объектом или поверхностью), затененность и светимость, линейная перспектива, градиенты текстуры, делающие возможным пикторальное восприятие — восприятие глубины на основе плоского изображения, начинают функционировать, когда ребенку исполняется 5-7 месяцев (Granrud & Yonas, 1984; Granrud et al., 1985; Yonas et al., 1986; см. также Lecuyer & Durand, 1998; Schmuck- ler & Proffitt, 1994).

Установлено, что дети в возрасте 1 года и 2 месяцев способны функционально использовать пикторальное восприятие для получения осмысленной пространственной информации (Melzoff, 1988). В одном из экспериментов малыши следили за экраном черно-белого телевизора во время демонстрации видеопленки, на которой был снят мужчина, занимавшийся решением детской головоломки. То, что потом дети смогли сами решить ее, свидетельствует об их способности к пиктораль- ному восприятию. Следовательно, несмотря на ограниченный опыт общения с пространством, маленькие дети все же способны соотносить двухмерные плоскостные изображения с собственными действиями с реальными объектами в трехмерном пространстве.

psihologia.biz

Пространство признаков, определение - Справочник химика 21

    Анализ структурного сходства. Для выбора базовых соединений, используемых для дизайна, найдены количественные критерии их структурного сходства с рассчитанными гипотетическими эталонами активности. Критерии основаны на вычислении расстояний всех исследуемых соединений до этих эталонов в пространстве признаков решающего набора в евклидовой метрике. Наиболее перспективными являются структуры, максимально приближенные к эталону класса активных и одновременно удаленные от эталона неактивных. Все исследуемые соединения ранжированы по отношению к этому эталону. Эти данные использованы для определения направлений модификации. [c.12]
    Согласно эвристическому методу классификации решение задачи идентификации источников загрязнения сводится к определению минимального расстояния между точками в пространстве признаков, образованном относительными превышениями ПДК (9п0- Графическая иллюстрация идентификации источника загрязнения методом минимального расстояния для случая, когда пространство признаков образовано относительными превышениями ПДК по трем загрязняющим веществам (5 = 1,2, 3), представлена на рис. 2.21. Здесь точки 1,2 — источники загрязнения (л = 1, 2) с координатами (Х1, >>1, г]), (. 2, У1,12), а точка, соответствующая станции контроля к, имеет координаты (х, > , г ). Для определения координат станции контроля следует также брать относительные превышения значений концентраций на к-я станции контроля по 5-й примеси [c.122]

    В общем случае, любая область на поверхности изделия (как дефектная, так и бездефектная) может характеризоваться в процессе НК N параметрами тогда решение о степени различия соответствующих статистических распределений будет приниматься в Л -мерном пространстве информативных признаков. Таким образом, оптимальное обнаружение дефектов представляет собой стандартную задачу распознавания образов в многомерном пространстве признаков, которая сводится к определению параметров гиперплоскости, разделяющей дефектную и бездефектную области. [c.265]

    Существенным моментом при выполнении расчетов по алгоритму потенциальных функций является правильный выбор размерности при определении расстояния в пространстве признаков. Поэтому применяется безразмерный масштаб расстояния в пространстве признаков, который рассчитывается по формуле  [c.105]

    Кристаллы классифицируют по различным признакам. В кристаллографии принято классифицировать их по геометрической закономерности расположения частиц в пространстве. Выдающимся кристаллографом Е. С. Федоровым была разработана (1910) общая классификация пространственных кристаллических решеток для всех возможных 230 типов и положено начало кристаллохимическому анализу, т. е. определению вещества по внешней форме его кристаллов. [c.124]

    Чисто теоретически для однозначного предсказания результатов величина обучающей последовательности (число реализаций в массиве, используемом для обучения машины) должна превышать размерность пространства признаков, в котором проводится распознавание. Поскольку, однако, задача имеет статистический характер, то такого жесткого условия не ставится. Фактически существенным является вопрос о взаимосвязи между надежностью распознавания (Р) и соотношением между величиной обучающей последовательности (N) и размерностью пространства признаков D). В работе [9] методом математического эксперимента была проанализирована такая зависимость для случая гауссового распределения реализаций в пространствах признаков каждого из двух классов. Было показано, что вероятность правильного распознавания более 80% достигается только при N/D 2. Для N/D 3 надежность распознавания существенно не зависит ни от размерности пространства признаков, ни от незначительного перекрывания границ классов в этом пространстве. Проверка этих выводов на реальных задачах распознавания строения молекул по их спектрам показала, что и эти условия являются слишком жесткими и хорошие результаты (Р>80%) были достигнуты и при N/D = 1. Исходя из имеющегося опыта, свидетельствующего, что апостериорное число значащих признаков при распознавании катализаторов обычно не превышает 10—15, можно считать, что указанные цифры являются нижней границей величины массива обучающей последовательности в рассматриваемом круге задач. Желательно, однако, но возможности существенно увеличить этот массив. Дело в том, что указанные соотношения соблюдаются при достаточно точном определении самих значений признаков. В задачах распознавания катализаторов это имеет место не так часто, как указывалось выше. Каковы соотношения между величинами Р, N/D и а (среднеквадратичной ошибкой в определении [c.107]

    В последнее время в теории распознавания введено понятие кластер и кластерный анализ . Под термином кластер понимается множество точек в пространстве признаков, не пересекающееся с другим множеством, поэтому в нашем случае этот термин является синонимом класс . Однако между кластерным анализом и классификацией имеется некоторая разница. Классификацию можно вести по разным параметрам, например классифицировать катализаторы по активности, селективности или механической прочности. Кластерный же анализ определяет границы между естественными группами реализаций, не пересекающимися, как указывалось, во всем пространстве рассматриваемых признаков. При такой терминологии определение естественной границы классов по алгоритмам без учителя есть кластерный анализ. Методам кластерного анализа посвящен ряд работ [12—14]. Простейшим, возможно не самым экономичным, алгоритмом кластерного анализа при дихотомии является построенный на процедуре поиска экстремума унимодальной функции Кифера — Джонсона [15], использующий числа Фибоначчи  [c.110]

    На втором этапе по результатам измерений вычисляются или из них выделяются характерные признаки, объединяемые в вектор признаков, называемый пространством признаков. Эти признаки могут быть определены либо непосредственно из измерений путем удаления лишних компонентов из X, либо путем проведения математических преобразований вектора или матрицы измеренных величин. Вектор в пространстве признаков У, соответствующий вектору измерений X, может быть определен как [ 1 У . .. с N измерений находятся путем проведения преобразований над ней и выбора системы преобразованных компонентов матрицы, которые наилучшим образом характеризуют систему. Выбранные признаки всегда представляются в векторной форме. [c.223]

    Каждая из библиотек имеет собственное управляющее обеспечение, которое формирует вычислительную схему и организует ее выполнение. Формирование схемы производится в соответствии со специальными признаками. Нанример, определение оптимального тина теплопередающей поверхности проводится в результате анализа

www.chem21.info

Пространственные признаки - это... Что такое Пространственные признаки?


Пространственные признаки

1.1.2.

Расчлененность территории оврагами, км/кв.км

более 8

10 - 40

менее 0,5

Словарь-справочник терминов нормативно-технической документации. academic.ru. 2015.

  • пространственные моменты первого порядка вигнеровского распределения
  • пространственный запрос «объект в полигоне»

Смотреть что такое "Пространственные признаки" в других словарях:

  • Монокулярные признаки — Пространственные признаки, воспринимаемые одним глазом …   Психология ощущений: глоссарий

  • общие признаки текстов — к ним относятся: 1) различные способы маркирования начала и конца текста, 2) способы маркирования переходов между внутренними подразделениями связного текста, 3) темпоральные связи, 4) пространственные связи, 5) логические отношения (например,… …   Толковый переводоведческий словарь

  • Ценная бумага — (Securities) Определение ценной бумаги, признаки ценной бумаги Информация об определении ценной бумаги, признаки ценной бумаги Содержание Содержание Признаки Формальные признаки ценной бумаги Бездокументарные ценные бумаги Виды ценных бумаг… …   Энциклопедия инвестора

  • Агнозия — это нарушение различных видов восприятия, возникающее при поражении коры головного мозга и ближайших подкорковых структур. Агнозия  связана с поражением вторичных (проекционно ассоциационных) отделов коры головного мозга, входящих в состав… …   Справочник по болезням

  • Агнозия — (от греч. а – отрицательная частица и gnosis – знание) – нарушение различных видов восприятия, возникающее при поражении коры головного мозга и ближайших подкорковых структур. Агнозия связана с поражением вторичных (проекционно ассоциационных)… …   Словарь-справочник по социальной работе

  • Зрительные — А. возникают при поражении вторичных отделов затылочной коры. Они проявляются в том, что человек при достаточной сохранности остроты зрения не может узнать предметы и их изображения (предметная А.), различить пространственные признаки объектов,… …   Большая психологическая энциклопедия

  • са́мый — ая, ое, мест. определит. 1. Употребляется при указательных местоимениях „тот“, „этот“ для их уточнения в значении: именно, как раз. В эту самую минуту сильный порыв ветра раздвоил тучу. Григорович, Антон Горемыка. Даша играла ту самую сонату,… …   Малый академический словарь

  • Психопатологические репереживания — Психопатологические репереживания, или непроизвольные рецидивирующие воспоминания  психологический феномен, при котором у человека возникают внезапные, обычно сильные, повторные переживания прошлого опыта или его элементов. Репереживания… …   Википедия

  • агнозия зрительная — Нейропсихологическое нарушение, описанное в 1889 г. Характерно потерей способности к восприятию зрительному предметов (или их изображений) и явлений действительности, хотя сохраняется достаточная острота зрения. Возникает при поражении вторичных… …   Большая психологическая энциклопедия

  • зрительная агнозия — Автор. H.Lissauer (1889 г.). Категория. Форма агнозии. Специфика. Характеризуется потерей способности к восприятию предметов и явлений действительности при приеме зрительной информации (предметов или их изображений), когда острота зрения… …   Большая психологическая энциклопедия

Книги

  • Восприятие и анализ разноспектральных изображений. Монография, Сагдуллаев Юрий Сагдуллаевич, Ковин Сергей Дмитриевич, Монография посвящена основам восприятия и анализа разноспектральных изображений. Рассматриваются оптические изображения, их спектрально-энергетические и пространственные признаки, особенности… Категория: Разное Издатель: Спутник+, Производитель: Спутник+, Подробнее  Купить за 796 грн (только Украина)
  • Восприятие и анализ разноспектральных изображений. Монография, Сагдуллаев Юрий Сагдуллаевич, Ковин Сергей Дмитриевич, Монография посвящена основам восприятия и анализа разноспектральных изображений. Рассматриваются оптические изображения, их спектрально-энергетические и пространственные признаки, особенности… Категория: Радиоэлектроника. Связь Издатель: Спутник+, Подробнее  Купить за 621 руб
  • Восприятие и анализ разноспектральных изображений Монография, Сагдуллаев Ю., Ковин С., Монография посвящена основам восприятия и анализа разноспектральных изображений. Рассматриваются оптические изображения, их спектрально-энергетические и пространственные признаки, особенности… Категория: Общая и прикладная информатика Подробнее  Купить за 462 руб
Другие книги по запросу «Пространственные признаки» >>

normative_reference_dictionary.academic.ru

Признаки того, что идет вторжение в ваше личное пространство

Экология жизни. Психология: Каждый из нас имеет индивидуальное пространство, наполненное своими потребностями и желаниями, в котором действуют свои законы и правила. Это пространство защищено психологическими границами, оберегающими интересы личности и выполняющими дипломатические функции.

Каждый из нас имеет индивидуальное пространство, наполненное своими потребностями и желаниями, в котором действуют свои законы и правила. Это пространство защищено психологическими границами, оберегающими интересы личности и выполняющими дипломатические функции. 

Границы личности можно представить как совокупность особенных рецепторов, которыми мы проверяем, соответствует ли нашим нуждам и желаниям то, что устремляется к нам извне. И на основании личного заключения либо принимаем его, либо отвергаем. 

Нам комфортно на своей личностной территории, и мы бережно охраняем свой суверенитет. Мы сами решаем, о чем мечтать и что планировать, с кем делиться своими мыслями, а кого не посвящать в свои дела, на какие ценности ориентироваться, а от чего отказаться. 

Мы очень чувствительны к любым посягательствам на свое личностное поле, и пытаемся восстановить границы всякий раз, когда кто-то пытается их отодвинуть по своему усмотрению. 

Ни в коем случае границы личности не уподобляются выстроенному раз и навсегда заборчику или надетому скафандру определенной формы и размера. Они невидимы и эластичны, могут то расширяться, то сужаться в определенных местах в зависимости от того, в каком окружении и в каких условиях находится личность. 

Частично их можно прояснить, наблюдая за человеком, или вербально: «Нормально, если мы перейдем на «ты»?», «Ты внезапно замолчал. Что-то случилось?», «Могу ли я пользоваться твоими книгами в твое отсутствие?». 

Ответы на эти вопросы подскажут, до какой черты нам позволяют шагнуть в отношении личностного пространства.  Разумеется, полную картину о психологических границах личности получить невозможно, да и не нужно. Ее следует уточнять на том «участке», где происходит контакт. То, что ваши личностные границы атакуются или попираются, вы определяете всегда на уровне чувств и эмоций. 

Если вам неловко или стыдно, досадно или обидно, если вас раздражают или злят обращенные к вам слова и действия, значит, идет вторжение в ваше пространство. 

Границы могут нарушаться явно и грубо, когда человеку что-то запрещают, пользуются без разрешения его личным имуществом, достают советами, как нужно жить. Эти агрессивные посылы и действия всегда вызывают резкое сопротивление личности. Но еще больше распространены завуалированные попытки похозяйничать в чужом пространстве.

Какие скрытые способы нарушения личностных границ применяют те, кто склонен к посягательству на чужие территории?  Таких способов много, но их можно попытаться сгруппировать:

  •  вторжение в личностное пространство под видом заботы; 
  • «растворение» точки зрения личности в своей; 
  • удерживание личности от естественного самопроявления через эмоции, мысли, желания, цели и пр.
  • отрицание ценности другой личности или результатов ее труда; 
  • игнорирование личности и пренебрежение ее желаниями и интересами.

Количество и разнообразие вариантов, через которые проявляется тот или иной способ нарушения психологических границ, удивляет и опечаливает. 

Так, навязанная забота может выражаться в ненужных подарках – «я решила, что вам нужен котенок/собака/дача», «я приобрела для тебя билет на курс лекций…», «возьми мою сумку в дорогу, она удобнее». Стремление расширить чужой опыт является такой же навязанной заботой и интервенцией в личностное пространство: «Хочу научить тебя пользоваться полным набором столовых приборов, так как сегодня к нам придут важные гости», «запиши, как туда добраться», «тебе пора выучить иностранный язык, поэтому…». 

Как только опекаемый отказывается принимать подобную заботу и протестует, «заботящийся» обижается, или сердится, а, главное, недоумевает, как можно не оценить такое искреннее желание помочь. 

Бывает особая «моральная забота», которая исходит от людей с пониженным чувством такта: «Я человек честный и правдивый, поэтому скажу все, как есть», «Я скажу все напрямую», «Тебе никто не скажет всю правду, если не я». Как правило, после такой «заботливой» фразы идут высказывания, ранящие и болезненные для адресата.

Еще меньше осознают свою агрессивную деятельность те, кто пытается подменить чью-то точку зрения своей. Родители стремятся, руководствуясь благородным желанием смягчить обстоятельства, успокоить своих детей: «Это тебе показалось. Думаю, что все было совсем по-другому», «ты слишком чувствительная, на это вообще не нужно обращать внимания», или «Я в два раза старше тебя и лучше тебя знаю…».   

Среди взрослых не меньше желающих «растворить» чужое мнение: «Что-то вы, кто в лес, кто по дрова… Ладно, скажу за всех», «Дорогая, странно, что тебе это пришло в голову. Здесь же очевидно совсем другое…», «Ты устал, тебе просто кажется». 

Этот способ нарушения личностных границ коварен еще и тем, что он мешает им сформироваться. Личности сложно понять, где ее истинные ощущения, а где - вызваны какими-то вымышленными событиями и фактами. 

Почему следующий способ «удерживание личности» также является посягательством на чужую территорию? 

Посудите сами, не нарушаются ли границы личности следующими комментариями: «Что ты раскис, как тряпка!», «А я думаю, что здесь за идиотский смех», «этот анекдот рассчитан на примитивное чувст­­­­во юмора», «порядочные люди так себя не ведут», «что за инфантильность!». В данных примерах прослеживается стремление удержать эмоциональные проявления личности и контролировать поведение человека.

Удерживание личности происходит и в тех ситуациях, когда звучит: «Потом поговорим, сейчас не до тебя», «ты сам себя слышишь?», « Что за бредовые планы…», «Кому интересна такая идея?..». Совсем другого рода, но опять-таки удержание подразумевается в репликах, основанных на обвинении: «От твоих слов у меня разболелась голова», «Когда ты так себя ведешь, я готова сквозь землю провалиться». Услышав подобные комментарии, человек начинает ограничивать себя в высказывании своего мнения, в эмоциональных проявлениях, часто замыкается в себе. 

Теперь обратимся к примерам отрицания личности и ее достижений. 

Знакомо выражение: «Ну, что там за предложение у тебя. Давай сюда, будет время – посмотрю», « Я бы на твоем месте…», «Стоило отнимать мое время такой ерундой?!», «Вы должны написать это совсем по-другому», «Тоже мне, достижение…»? Человек, которому адресованы подобные реплики, испытывает целую гамму чувств, начиная от обескураженности до обиды или злости. Кроме того, он понимает, что ценности для говорящего ни он, ни его труды не представляют. 

Обесценивание может проявляться и в более жестком виде. Многие жены признаются, что мужья им заявляют: «Чего ты на эту работу рвешься? Нормальных денег ты все равно не зарабатываешь. Сидела бы лучше дома!». Здесь кроется такое наслоение обесценивания! Отрицается и ценность личности как профессионала в своем деле, и ценность вклада жены в бюджет семьи, и обесценивается домашний труд («сидела бы…»). Неудивительно, что женщины возмущены и протестуют против аналогичных заявлений. Мало того, что во многом задеваются личностные границы жены, так мужья еще пытаются их максимально сузить и полностью контролировать. 

Что касается игнорирования личности, то подобные нарушения границ особенно разрушительно действуют на «участке» самооценки и потребности в общении. Один надменный взгляд - и человек может почувствовать себя зажато и скованно.

Игнорирование желаний и пренебрежение интересами часто наблюдается в семьях: «твой футбол подождет, тебе нужно заниматься музыкой», «в нашей семье все были врачами, неужели ты нарушишь нашу традицию?» «Какие могут быть горы, если все едут на море?». 

Во многих рассмотренных примерах тот, кто нарушает чужие личностные границы, либо считает, что он лучше знает «как надо» и проявляет своеобразную заботу, либо недоумевает, что же такого недозволенного содержится в его поведении.

Личность, чьими интересами пренебрегли, чувствует себя уязвленной и подавленной. Нарушение личностных границ неизбежно ведет к дискомфорту. «Опознание» причин испортившегося настроения, угнетенного состояния, нахлынувшего раздражения предоставит возможность найти способы, как ослабить неприятные переживания или полностью их преодолеть.

Это Вам будет интересно: 

Про опору на себя

Научитесь договариваться с подсознанием

Но еще более ценно, что, ориентируясь в возможных коварных посягательствах, можно в качестве профилактики предусмотреть свои ответы, реакции и действия на бестактные или откровенно враждебные выпады. И еще один акцент. Какими бы белыми и пушистыми ни считали мы сами себя, важно осознать, что и с нашей стороны бывают посягательства на чужое личностное пространство.

Хорошо, если это до сих пор происходило исключительно по причине недостаточной осведомленности или недоразумению. Знание того, какими бывают завуалированные атаки на психологические границы личности, значительно повышает шансы на корректное взаимодействие.опубликовано econet.ru

 

econet.ru

Первый вопрос. Восприятие пространства или признаки удаленности в классической психологии восприятия.

Первая ситуация. Мы обращаемся хоть в первой хоть ко второй модели. Нужно представить мир в исследовании. Монокулярное зрение517и неподвижный мир.

По разному группируют ПУ. Первая группа – ПУ связанные с движениями глаз (окуломоторные), вторая - изобразительные или зрительные ПУ, можно назвать их наглядными. Изобразительные, п.ч. перечислил главные из них ещё Да Винчи. Третья группа – параллакса518. Но данная группа здесь останется пустой, п.ч. субъект неподвижен.

Первый признак окуломоторный. Простейший, действует на расстоянии от 6 до 8 м. Аккомодация519. В данном случае это своего рода фокусировка, изменение кривизны хрусталика. Одним глазом можно воспринимать удаленность как бы само собой. Хрусталик суть мышца которая сокращается и имеет аналог линзы в фотоаппарате.

Второе признаки изобразительные. Они действуют даже тогда, когда мы смотрим на мир одним глазом. Их в основном перечислил Да Винчи. Интересно то, как он советовал ученикам действовать при выделении данных ПУ. Возьми прямоугольную рамку, вставь стекло и изображай предметы, рефлексируя осознавая ПУ. 1) Линейная перспектива Означает по сути говоря довольно простую вещь. Близкие объекты выглядят большими, чем далёкие. Если аккомодация действует на малых расстояниях, то линейная перспектива начинает действовать примерно с 2 м. На более близких расстояниях действуют законы обратной перспективы. Так средневековая икона писалась по законам обратной перспективы. 2) Воздушная перспектива. Утрата насыщенности. Или изменение в сторону голубого. Всё как бы размыто цветом неба. 3) Перспектива размера. Говорят о ней, п.ч. здесь чуть выходят за пределы собственно перцепции. Это перспектива знакомого размера. Если объект нам знаком, то свойство константности будет перехлестываться. Размер может победить иные признаки. Имеем некое соревнование ПУ. 4) Завершенность контура, перекрытие контура. Один из самых сильных ПУ.

Приступаем к рассказу о некоторых иллюзиях в восприятии пространства. Английский художник конструктор Эймс создавал массу иллюзий. Практически все их надо смотреть либо на далеких расстояниях либо одним глазом.

К изобразительным относятся такие признаки, как распределение света и тени (источник света обычно воспринимается как идущий сверху).

Комната Эймса.

Зрение человека.

В комнате Эймса и других иллюзиях… если поставить знакомые предметы или знакомых людей, то иллюзия сразу разрушится.

Иногда к этим же ПУ относят градиент по Гибсону. Это как бы закономерные изменения поверхностей (компоновки, размера, текстуры, плотности) это как бы единый признак для всех остальных.

Вторая ситуация. Испытуемый неподвижен и мир, который он наблюдает тоже неподвижен. Но теперь он смотрит не одним, а двумя глазами520.

Окуломоторный ПУ называется конвергенция521(сведение зрительных осей). Сетчаточные изображения некоей фиксированной точки. Расстояние между сетчатками равно примерно 66 мм. Есть знание об угле конвергенции. В треугольнике АВС есть угол и противоположная сторона. И проведя высоту можно найти удаленность объекта.

Бинокулярный параллакс. Т.е. наклон при наличии двух сетчаток. Прежде всего наши две точки А и В – это центры сетчаток (фовиа). Наша точка С – это точка фиксации. Угол АСВ – угол конвергенции. Назовём корреспондирующими такие точки сетчаток, которые удалены на равное расстояние и в одинаковом направлении от фовиа. Если мы фиксируем точку С, то мы наблюдаем её слитно, явление слитности – фузия. Теперь мы хотим узнать, что если испытуемый фиксирует точку С, то какие другие точки пространства тоже будут восприниматься слитно при данном угле конвергенции.

На окружности построенной на точках А, В и С точки будут корреспондироваться. На этой окружности будет теоретическийгороптер522– это геометрическое место точек, которые попадают на корреспондирующие точки сетчаток при данном угле конвергенции. Следующий терминдиспаратность523. Диспаратность есть количественная мера параллакса.

Человек двумя глазами оценивает удаленность и глубину. Бинокулярный параллакс. Когда человек фиксирует определённую точку, то угол, под которым попадает эта точка на сетчатки называется углом конвергенции. Точка при фиксации выглядит слитно и эта слитность называется фузией. Диспаратность – это отсутствие слияния, фузии на перцептивном языке. Посмотрим на собственный палец правым или левым глазом, увидим двоение и это двоение называется диплопия.

Есть треугольник АВС и А1В1С1. Углы альфа равны. Точки А1 и В1 являются корреспондирующими к А и В. Угол бэтта – это разность между теми углами, под которыми попадает объект на сетчатки левого и правого глаза. Это и есть диспаратность. Диспаратность – максимальный стимул для восприятия глубины. Параллакс – наклон осей. А диспаратность – мера этого наклона. Диспаратность имеет определённую величину и направление. То есть точки отклоняются от фовиа на разное расстояние, но кроме того имеют ещё направление, могут быть отклонены влево или вправо. Величина диспаратности – это мера объемности объекта, мера глубины.

Уитстоунизобрёлстереоскоп524– прибор, с помощью которого мы стимулируем обе сетчатки несколько разными изображениями объектов. Объекты сдвинуты относительно друг друга и этот сдвиг будет означать диспаратность. В стереокинотеатре одеваются очки, а на экране два изображения смещенные относительно друг друга и мы видим объем. При диспаратности точки должны двоиться, а мы почему-то видим объем. Величину диспаратности можно менять (уменьшать – объект уплощается, увеличиваем – расширяется). Если меняем знак диспаратности, то стереоскоп превратится во псевдоскоп, т.е. объекты обернутся по перспективе.

Итак диспаратность – есть мера наклона зрительных осей и вообще-то изображение должно двоится, в чём легко убедится смотря одним глазом на собственные пальцы. Эффект водопада, маска Грэгори, окно Эймса.

На другом рисунке видна область сетчатки, которая вообще-то говоря способна воспринимать пространство. Ведь это же полуокружность. Есть область, которая воспринимается только одним глазом и то же с другим. И получаем что есть участки пространства монокулярного восприятия. И есть область бинокулярного восприятия. Гороптер теоретический и он таковым не является. Диспаратность, диплопия это всё есть лишь подготовка к т.н. зонам стереопсиса525.

Человек всегда фиксирует какую-то точку. Но на самом деле если измерять это экспериментально мы фиксируем не точку, а фиксируем некую плоскость, которая называется фронтальной (ядерной) и точка фиксации конечно находится на этой плоскости. И тогда мы начинаем измерять не теоретический, а эмпирический гороптер. И в результате выясняется, что этот эмпирический гороптер лишь на некоторое расстояние отстоит от фронтальной плоскости на 1,5 угловых минуты (заштриховано линиями). Ещё одна область уже в 10 угловых минут (помечена точечками.) Основная зона стереопсиса. В этой области точки пространства попадают уже на диспаратные точки сетчатки. Здесь они не сливаются. Эта зона называется по тому, кто её подробно описал – зона Панума526. С одной стороны должно наблюдаться двоение, но здесь нет видимого двоения. Здесь есть впечатление объема (глубины). Диспаратность – это проксимальный стимул глубины.

Адальше от 10 до 20 угловых минут зона количественного стереопсиса. Т.е. в этой зоне предметы уже будут двоиться, как двоится палец когда смотрите левым и правым глазом, но в этой зоне можно количественно оценить расстояние до объекты. А вот после 20 угловых минут идёт зона качественного стереопсиса. Значит оценить расстояние до объекта можно только качественно (больше/меньше, дальше/ближе), но порядок количество оценить уже нельзя.

Стереограммы Юлешили можно ли моделировать диспаратность. Возьмем изображения для левого и правого глаз, пусть они являются случайно точечной структурой.Юлешвырезает кусочек одной из структур и переносит его (переклеивает) на другую структуру. Выделил квадратик, скопировал его и перенёс его на место другого глаза, но под некоторым углом сместил. Смоделировал диспаратность и определил её величину.

Поговорим о константности величины. Основной эксперимент с константностью провели Холуэй иБоринг(holway and boring experiment). Константность касается любого свойства объекта. Можно говорить о константности величины (относительная независимость величины от удаленности объекта), формы (относительная независимость от угла поворота, объекта повернут но его форма приближается к истинной), скорости и вообще о константности или стабильности мира.

Наш испытуемый находится на углу двух коридоров. Вот человек сидит на стуле близко к нам. И друга я женщина сидит дальше по коридору. И мы воспринимаем их как одинаковых по росту. А на рисунке рядом передвигают вторую дальнюю женщину рядом с первой и кажется одна женщина огромной, вторая карлицей.

Испытуемый находится на углы двух коридоров. Ему на разном расстоянии в длинном коридоре предъявляют разные объекты определенного размера. Самое главное, что угловой размер (сетчаточное изображение) это объектов было совершенно одинаковым. Испытуемого просят посмотреть на удаленные объекты и рядом изобразить подобрать точно такой же по размеру. Он смотрит то в один коридор, то в другой. И тогда в обычных условиях подберет он не точно такой же по размеру объект, а несколько больше. Обычно эти отрезки обозначаются V (реально подобранный по размеру стимул), P (маленьк ий отрезок, который соответствует углу зрения), R (удалённый размер).

Можно не просто установить факт константности, но можно измерить её величину. Коэффициент константности K = (V-P)/(R-P)*100%. Всё это характерно для обычных условий. А если бы в этом эксперименте зашторили бы окна, убрали бы мебель. Убирается предметность восприятия, а объект лишь подсвечивается, воспринимается чуть ли не в полной темноте. И наконец условия номер три, т.н. искусственный зрачок. Берётся листок бумаги, свернули его в трубочки и наблюдаем объект через эту трубочку.

В первых условиях константность наблюдается. Во вторых условиях - резко падает. А в третьих условиях – полностью исчезает. Константность зависит от контекста, от фона, на котором предъявляются фигуры. Яркий пример константности – феномен Луны527. Луна на горизонте кажется больше, чем в зените, п.ч. на горизонте она константна, находится в определенном предметном окружении. А если убрали окружение видимый размер Луны уменьшился.

Мы посмотрели на неподвижный мир двумя глазами. Так каково же то пространство, которое мы видим реально. Исследователи проводили опыты со световыми аллеями. Давались два световых источника и их нужно было установить на субъективно равном расстоянии. Дело представляется так, будто бы линейная перспектива соблюдается четко. Эти опыты установили – наше реальное пространство неевклидово. По законам линейной перспективы должны быть прямые линии, а на самом деле это не так.

Третья ситуация. Субъект смотрит на движущийся мир или движется сам. И тогда появляется ещё один ПУ. Движение как ПУ. На этот раз нам всё равно смотреть одним глазом на объект или двумя. Поэтому тот вид параллакса, который будет описан, иногда называют монокулярным (лучше его называть параллаксом движения528или двигательным). Скажем, когда мы сидим в электричке, а поезд, стоящий на соседних путях сдвинулся и нам кажется, что мы сами сдвинулись.

Объекты, которые, находятся близко к нам, визуально движутся в противоположную сторону с большой скоростью. По мере приближению к месту фиксации скорость снижается. Есть какая-то точка, которая неподвижна. За этой точкой направление движения меняется и двигательный параллакс состоит здесь в том, что удаленные объекты движутся в ту же сторону и с более медленной скоростью.

Как только скажешь о пространстве, сразу просится время. Но восприятие времени области наиболее разработана и её оставим на потом.

studfiles.net

Пространство признаков Википедия

В обучении машин и распознавании образов признак — это индивидуальное измеримое свойство или характеристика наблюдаемого явления[1]. Выбор информативных, отличительных и независимых признаков является критическим шагом для эффективных алгоритмов в распознавании образов, классификации и регрессии. Признаки обычно являются числовыми, но структурные признаки, такие как строки и графы, используются в синтаксическом распознавании образов[en]. Понятие «признака» связано с объясняющими переменными, используемыми в статистических техниках, таких как линейная регрессия.

Классификация

Множество числовых признаков удобно описать вектором признаков. Пример достижения классификации по двум признакам из вектора признаков (связанных с перцептроном) состоит из вычисления скалярного произведения вектора признаков и вектора весов, сравнения результата с пороговым значением и решения, к какому классу принадлежит объект на основе этого сравнения.

Алгоритмы классификации, опирающиеся на вектора признаков, включают классификацию ближайших соседей, нейронные сети и статистические техники, такие как байесовский подход.

Примеры

В распознавании знаков признаки могут включать гистограммы, включающие число чёрных точек вдоль горизонтальных и вертикальных направлений, число внутренних пустот, выделение штрихов и многие другие.

В распознавании речи признаки для распознавания фонем могут включать коэффициент шума, длину звуков, относительную громкость, соответствие фильтрам и многое другое.

В алгоритмах выделения спама признаки могут включать присутствие или отсутствие некоторых заголовков email, структуру email, язык, частоту определённых терминов, грамматическую правильность текста.

В компьютерном зрении существует большое число возможных признаков[en], таких как рёбра и объекты.

Расширения

В распознавании образов и обучении машин вектор признаков является n-мерным вектором числовых признаков, который представляет некоторый объект. Многие алгоритмы в обучении машин требуют численное представление объектов, поскольку такие представления способствуют обработке и статистическому анализу. При работе с изображениями признак может соответствовать растровым точкам (пикселям) изображения, в то время как признаки для текста могут соответствовать частоте использования терминов в тексте. Вектора признаков эквивалентны векторам объясняющих переменных, используемых в статистических процедурах, таких как линейная регрессия. Вектора признаков часто комбинируются с весами, используя скалярное произведение для построения функции линейного предиктора[en], которая используется для определения оценки для предсказания.

Векторное пространство, ассоциированное с этими векторами, часто называется пространством признаков. Для сокращения размерности пространства признаков может быть использовано несколько методов снижения размерности.

Признаки более высокого уровня можно получить из уже известных признаков и они могут быть добавлены к вектору признаков. Например, для изучения болезней полезен признак «возраст», который можно определить как возраст = «год смерти» минус «год рождения». Об этом процессе говорят как о построении признака[2][3]. Построение признака — это приложение множества операторов построения к множеству существующих признаков, приводящее к построению новых признаков. Примеры таких операторов построения включают проверку на равенство {=, ≠}, арифметические операторы {+,−,×, /}, операторы для массивов {max(S), min(S), average(S)}, а также другие более сложные операторы, например, count(S,C)[4], который подсчитывает число признаков в векторе признаков S, удовлетворяющих некоторому условию C, или, например, расстояния до другого класса распознавания, обобщённого некоторым устройством. Построение признака считается мощным средством для как увеличения точности, так и улучшения понимания структуры, особенно в задачах высокой размерности[5]. Приложения включают изучение болезней и распознавание эмоций[en] при разговоре[6].

Отбор и выделение

Начальное множество сырых признаков может быть избыточным и слишком большим для обработки. Таким образом, предварительный шаг во многих приложениях обучения машин и распознавания образов состоит из отбора подмножества признаков или построения нового сокращённого множества признаков для обеспечения обучения улучшения общности и интерпретируемости.

Выделение или отбор признаков является комбинаций искусства и науки. Системы, позволяющие сделать это, известны как системы конструирования признаков. Для выделения и отбора признаков требуется проведение экспериментов со многими возможностями, а также нужно уметь комбинировать автоматизированные техники с интуицией и обладать знаниями узкого специалиста[en] в этой области. Автоматизация этого процесса называется обучением признакам, где машина не только использует признаки для собственного обучения, но и обучается новым признакам.

См. также

Примечания

  1. ↑ Bishop, 2006.
  2. ↑ Liu, Motoda, 1998.
  3. ↑ Piramuthu, Sikora, 2009, с. 3401-3406.
  4. ↑ Bloedorn, Michalski, 1998, с. 30-37.
  5. ↑ Breiman, Friedman, Olshen, Stone, 1984.
  6. ↑ Sidorova, Badia, 2009.

Литература

  • Christopher Bishop. Pattern recognition and machine learning. — Berlin: Springer, 2006. — ISBN 0-387-31073-8.
  • Liu H., Motoda H. Feature Selection for Knowledge Discovery and Data Mining. — Norwell, MA, USA: Kluwer Academic Publishers, 1998.
  • Piramuthu S., Sikora R. T. Iterative feature construction for improving inductive learning algorithms. In Journal of Expert Systems with Applications. — 2009. — Март (т. 36, вып. 2).
  • Bloedorn E., Michalski R. Data-driven constructive induction: a methodology and its applications // IEEE Intelligent Systems, Special issue on Feature Transformation and Subset Selection. — 1998.
  • Breiman L., Friedman T., Olshen R., Stone C. Classification and regression trees. — Wadsworth, 1984.
  • Sidorova J., Badia T. Syntactic learning for ESEDA.1, tool for enhanced speech emotion detection and analysis. // Internet Technology and Secured Transactions Conference 2009 (ICITST-2009) London November 9–12. IEEE. — 2009.

Дополнительная литература

wikiredia.ru

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *