Дан анализ неформальной деятельности геолога и геофизика, связанной с постановкой задачи, выбором объекта исследования, способом описания объекта и т. п. при решении с помощью математических методов и ЭВМ типичных геологических задач (комплексная интерпретация данных, корреляция разрезов, прогноз месторождений полезных ископаемых и др.). Рассмотрены проблемы выделения, описания и классификации геологических объектов, использования априорной информации, системного анализа данных, построения моделей, оценки результатов.
Для геологов и геофизиков научно-исследовательских организаций, математиков и программистов, работающих в геологии, специалистов по информатике.
В последнее десятилетие традиционные информационные технологии, основанные на электронной технике, достигли некоторых физических и технических ограничений, при продолжающемся росте потребительского спроса на скорость и объем передаваемой информации. Ключевым решением данной проблемы явилось объединение оптических и информационных технологий, и начало XXI века характеризуется стремительным прогрессом в области разработки и внедрения оптоинформационных технологий. Термин «Оптоинформатика» обозначает область науки и техники, связанной с исследованием, разработкой, созданием и использованием новых материалов, технологий, приборов и устройств, предназначенных для передачи, приема, обработки, хранения и отображения информации на основе оптических технологий, с использованием материального носителя информации – светового фотона. Главный вектор оптоинформатики сориентирован на миниатюризацию и интеграцию оптических элементов, устройств и систем, создание полифункциональных оптических материалов, элементов и систем, перевод аналоговых оптических устройств в цифровые и т. п. Одним из достижений оптоинформатики явилось создание компанией Lenslet в конце 2003 г. коммерческого оптического процессора “Enlight256” с быстродействием в тысячу раз превышающим электронные аналоги с рекордной производительностью в 8 терафлоп (8 триллионов операций с плавающей точкой в секунду). Другим достижением явилась прокладка 3000 километровой волоконно-оптической солитонной линии связи между Пертом и Мельбурном (Австралия), со 160 спектральными каналами и скоростью передачи 1,6 терабит в секунду. Компания Intel объявила в 2004 г. программу «Кремниевая фотоника» (Silicon Photonics), ориентированную на использование оптических технологий при передаче информации от одного электронного процессора к другому. В 2004 г. в СПб ГУ ИТМО было открыто новое направление подготовки бакалавров и магистров «Фотоника и оптоинформатика», одной из федеральных образовательных компонент которого, является учебный курс «Основы оптоинформатики». В курсе рассматриваются физические основы и направления развития оптической, лазерной, телекоммуникационной и вычислительной техники, дается общий обзор проблем оптоинформационных технологий. Данное учебное пособие предназначено для ознакомления бакалавров с первой частью курса «Основы оптоинформатики» - предельными возможностями электронной техники и возможностями оптических систем по передаче, записи и обработке информации. 4
Книга посвящена возникающим при проектировании и управлении сложными системами вопросам, которые связаны с прогнозированием ожидаемых параметров этих систем. В основу положен предложенный и разрабатываемый авторами метод многомерной линейной экстраполяции (МЛЭ), позволяющий решать широкий круг задач проектирования и управления. Многочисленные примеры иллюстрируют работу конкретных алгоритмов.
Приведены оценки точности метода многомерной экстраполяции. Определены основные направления исследований и пути по строения модифицированных алгоритмов многомерной экстраполяции.
Предлагаемая работа доктора технических наук Д.А. Новикова посвящена изучению общих для систем живой и неживой природы – человек, группа людей, животные, искусственные системы – количественных закономерностей итеративного научения (понимаемого как многократное повторение обучаемой системой действий, проб, попыток и т.д. для достижения фиксированной цели при постоянных внешних условиях). Основным методом исследования является математическое моделирование. Работа ориентирована на специалистов по педагогике, психологии и физиологии человека и животных, теории управления, а также студентов и аспирантов соответствующих специальностей.
Рассмотрены вопросы теории дискретных преобразований в базисах уолше-подобных функций. Основное внимание уделено построению дискретных ортогональных преобразований и изучению их свойств, имеющих важное значение для цифровой обработки сигналов.
Разработаны алгоритмы быстрых преобразований в построенных дискретных базисах и проведены оценки их сложности. Синтезированы алгоритмы линейного и устойчивого оценивания полиномиальных моделей цифровых сигналов. Предложенные алгоритмы носят обобщенный характер, характеризуются сокращенной вычислительной сложностью и ориентированы на эффективную реализацию средствами многозначной цифровой техники.
Для научных работников в области информатики, радиоэлектроники и вычислительной математики, может быть полезна преподавателям и аспирантам соответствующих специальностей.
Монография посвящена новому направлению математической логики — реализации параллельных логических вычислений посредством арифметико-логических форм. Впервые рассматривается отображение классической логики на модулярную арифметику, которое открывает уникальные возможности по достижению высоких уровней производительности и отказоустойчивости средств гибких логических вычислений.
Для специалистов в области защиты информации, прикладной математики, математической кибернетики, информатики и вычислительной техники, адъюнктов (аспирантов), курсантов и слушателей соответствующих специальностей.
С позиций принципов декомпозиции систем и методов коллективного оценивания предлагаются методики синтеза и анализа нового класса непараметрических решающих правил в задачах восстановления стохастических зависимостей, распознавания образов, моделирования развивающихся и пространственно распределенных временных систем в условиях неполной информации. Преимущество разработанных непараметрических систем принятия решений состоит в эффективном использовании априорных сведений о виде восстанавливаемых закономерностей и информации обучающих выборок. Особое внимание уделяется исследованию свойств показателей эффективности рассматриваемого класса систем и проблемам их оптимизации. Книга предназначена для специалистов в области искусственного интеллекта и автоматизированных систем обработки информации, аспирантов и студентов вузов соответствующих специальностей.
В книге рассматриваются теоретические аспекты машинного обучения класси-фикации. В центре изложения – обучаемость как способность применяемых алгоритмов обеспечивать эмпирическое обобщение. С обучаемостью непосредственно связаны вопросы сложности выборок, точности и надежности классификаторов. Большое внимание уделено алгоритмическим методам анализа процессов обучения и синтеза решающих правил, включая колмогоровский подход, связанный с алгоритмическим сжатием информации. Описаны принципы выбора моделей обучения и семейств классифицирующих алгоритмов в зависимости от постановок и свойств решаемых задач.
Книга предназначается для специалистов, занимающихся теорией машинного обучения; она будет полезной для аспирантов, разработчиков интеллектуализированного программного обеспечения и студентов старших курсов математических специальностей, специализирующихся в указанной области.
В книге рассматриваются теоретические аспекты машинного обучения класси-фикации. В центре изложения – обучаемость как способность применяемых алгоритмов обеспечивать эмпирическое обобщение. С обучаемостью непосредственно связаны вопросы сложности выборок, точности и надежности классификаторов. Большое внимание уделено алгоритмическим методам анализа процессов обучения и синтеза решающих правил, включая колмогоровский подход, связанный с алгоритмическим сжатием информации. Описаны принципы выбора моделей обучения и семейств классифицирующих алгоритмов в зависимости от постановок и свойств решаемых задач.
Книга предназначается для специалистов, занимающихся теорией машинного обучения; она будет полезной для аспирантов, разработчиков интеллектуализированного программного обеспечения и студентов старших курсов математических специальностей, специализирующихся в указанной области.
Целью исследования является решение задачи идентификации и классификации различных подклассов автоматных марковских моделей (АММ) на основе генерируемых дискретных цепей Маркова (ЦМ). Эффективность распознавания АММ определяется уменьшением длин ЦМ, требуемых для решения задачи идентификации и классификации АММ, определенных на основе заданных подклассов эргодических стохастически матриц (ЭСМ), с заданной доверительной вероятностью и снижением сложности алгоритмов распознавания и погрешности вычисления признаков относительно ЭСМ.