1. Общее описание метода мгуа

МГУА решает с помощью процедуры перебора многомерную проблему оптимизации модели:

, (1)

где G – множество рассматриваемых моделей, CR – внешний критерий качества модели g из этого множества; P – количество переменных; S – сложность модели;  - дисперсия помех; Т – число трансформаций выборки данных; V – количество видов референтной функции. Для базовой референтной функции каждое множество переменных отвечает определенной структуре модели P = S. В этом случае задача трансформируется в более прост

,

когда ²= const, T = const и V = const.

В основе решения находится модифицированная переборная процедура, суть которой заключается в проверке и выборе постепенно усложняющихся моделей-кандидатов в соответствии с выбранным критерием.

Большинство алгоритмов МГУА используют для представления моделей-кандидатов полиномиальную базисную функцию. Общая связь между входными и выходными переменными может быть выражена в виде функционального ряда Вольтерра, дискретным аналогом которого является полином Колмогорова-Габора:

,

де - входной вектор переменных;

- вектор коэффициентов или весов.

Вопросы к 1 модулю «Системы обработки экономической информации»

1. Что такое Data Mining

1. Области использования Data Mining

2. Типы закономерностей в Data Mining

3. Классы систем Data Mining

4. Назначение и основные понятия текстовых систем данных и знаний

5. Общая функциональная структура ДИПС

6. Формальное представление смыслового содержания текста

7. Обработка входящей текстовой информации

8. Поиск текстовой информации

9. Эффективность ДИПС

10. Понятие о знании

11. Логическая модель представления знаний

12. Продукционная модель представления знаний

13. Фреймовая модель представления знаний

14. Семантические сети

15. Основные понятия по обработке информации у человека

16. Конструкт как единица мыслительной деятельности

17. Понятие как единица мыслительной деятельности

18. Мысленные модели

19. Когнитивные модели

20. Объектно-схемные и количественные модели

21. Специфика моделирования у человека

23. . Назначение и основные понятия нейросетевых технологий

22. Структура нейросетей

25. Методы обучения нейронных сетей

26. Модель нейронной сети с обратным распространением ошибки

27. Общая характеристика нейросетевых технологий

28.. Классы решаемых нейросетями задач

29. Области использования нейросетей

30. Классы задач оптимизации

23. Методы решения оптимизационных задач

24. Эволюционные вычисления

25. Основы теории генетических алгоритмов

26. Решение задач с помощью генетических алгоритмов

27. Генетические алгоритмы и нейросети

28. Особенности моделирования экономических систем

29. Идеология и использование МГУА

30. Общее описание метода МГУА