Связанные понятия
Выделение признаков — это процесс снижения размерности, в котором исходный набор сырых переменных сокращается до более управляемых групп (признаков) для дальнейшей обработки, оставаясь при этом достаточным набором для точного и полного описания исходного набора данных.
Задача классифика́ции — задача, в которой имеется множество объектов (ситуаций), разделённых некоторым образом на классы. Задано конечное множество объектов, для которых известно, к каким классам они относятся. Это множество называется выборкой. Классовая принадлежность остальных объектов неизвестна. Требуется построить алгоритм, способный классифицировать (см. ниже) произвольный объект из исходного множества.
В статистике, машинном обучении и теории информации снижение размерности — это преобразование данных, состоящее в уменьшении числа переменных путём получения главных переменных. Преобразование может быть разделено на отбор признаков и выделение признаков.
Подробнее: Снижение размерности
Проклятие размерности (ПР) — термин, используемый в отношении ряда свойств многомерных пространств и комбинаторных задач. В первую очередь это касается экспоненциального роста необходимых экспериментальных данных в зависимости от размерности пространства при решении задач вероятностно-статистического распознавания образов, машинного обучения, классификации и дискриминантного анализа. Также это касается экспоненциального роста числа вариантов в комбинаторных задачах в зависимости от размера исходных...
Упоминания в литературе
Сокращение размерности пространства переменных и анализ выделенных компонент или факторов. Рассчитав значения традиционных интегральных показателей и дополнительные информативные признаки, для сокращения размерности пространства анализируемых переменных можно с помощью соответствующего метода выделять скрытые главные компоненты или факторы, объясняющие высокую долю суммарной дисперсии полученного
набора переменных. Важным аспектом при выборе компоненты/фактора является как доля описываемой дисперсии, так и возможность интерпретации новой переменной по величинам компонентных нагрузок наблюдаемых переменных (частных корреляций переменных и компонент). Примеры двух главных компонент, описывающих 19,5 % доли суммарной дисперсии элементов SR-матриц, построенных по последовательностям фиксаций взора в областях интереса, выделенных на стимульном материале теста Равена, приведены на рисунках 3 и 4. Номера столбцов и строк данных матриц совпадают с номерами областей интереса, выделенных в стимульном материале заданий теста Равена (1, 2, 3 – верхняя строка элементов матрицы задания; 4, 5, 6 – средняя строка; 7, 8, 9 – нижняя строка; 10 – область альтернатив ответа).
При параллельном методе кодирования образование и присвоение кода классификационной группы и/или объекта классификации происходит с использованием кодов независимых группировок, полученных при фасетном методе классификации. При достаточно высокой степени упорядочения независимость группировок не позволяет выявить в полной мере общность и различия признаков, т. е. недостатком его является ограниченная возможность идентификации товаров. Однако для этого метода кодирования возможна любая заранее обусловленная емкость классифицируемых объектов и позиций. Так, по конкретному коду легко определить, набором каких характеристик обладает закодированный объект, коды приспособлены к машинной обработке, блочное построение упрощает стандартизацию товаров, на коды не влияют изменения в структуре кодируемых объектов.
Примером параллельного метода кодирования может служить деление продукции на подвиды в ассортиментной части ОКП.
Второй вариант диагностического подхода очень тесно связан с первым по исходным идеям, методам и интерпретации: он представляет собой следующий, более высокий уровень анализа и обобщения исходных эмпирических данных. Этот вариант подхода принято называть представлением реального объекта в многомерном пространстве. Само пространство включает ограниченный набор качественных признаков, которые считаются (хотя бы потенциально) интерпретируемыми в психологическом смысле, достаточными для описания реальных объектов. Исходная теоретическая посылка состоит в том, что принципиально можно найти не очень
большое число слабо связанных признаков, при помощи которых можно описать обследуемый объект как точку в многомерном пространстве этих признаков5.
Главным признаком кибернетичности системы служит наличие у неё не менее одной структурной обратной связи, в контуре которой должен находиться хотя бы один динамический элемент (интегрирования или
дифференцирования). У реальных экономических систем (но не искусственных математических моделей, применяемых в традиционных экономических описаниях) всегда наличествует множество динамических элементов (накопителей-интеграторов ресурсов, и/или дифференцирующих элементов, отражающих скорости и ускорения изменений параметров), и большое количество различных (положительных и отрицательных) структурных обратных связей (О.С.). Необходимо заметить, что корректность прогнозирования экономической динамики существенно возрастает, когда количество О.С. того же порядка, что и число моделируемых переменных, которых иногда несколько сотен тысяч. Кроме того, помимо структурных О.С. в кибернетических системах часто присутствуют обратные связи из будущей динамики, т. е. О.С. по временно́му континууму из будущего (см. ниже 4.В).
При параллельном кодировании для значений фасет, кодируемых независимо друг от друга, выделяют четко определенное количество разрядов кода. Параллельное кодирование трудно произвести, так как нужно учесть много различных признаков объекта.
Связанные понятия (продолжение)
Байесовское программирование — это формальная система и методология определения вероятностных моделей и решения задач, когда не вся необходимая информация является доступной.
В математической статистике
семплирование — обобщенное название методов манипулирования начальной выборкой при известной цели моделирования, которые позволяют выполнить структурно-параметрическую идентификацию наилучшей статистической модели стационарного эргодического случайного процесса.
В обучении машин вероятностный классификатор — это классификатор, который способен предсказывать, если на входе заданы наблюдения, распределение вероятностей над множеством классов, а не только вывод наиболее подходящего класса, к которому наблюдения принадлежат. Вероятностные классификаторы обеспечивают классификацию, которая может быть полезна сама по себе или когда классификаторы собираются в ансамбли.
Обучение без учителя (самообучение, спонтанное обучение, англ. Unsupervised learning) — один из способов машинного обучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора. С точки зрения кибернетики, это является одним из видов кибернетического эксперимента. Как правило, это пригодно только для задач, в которых известны описания множества объектов (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости...
Ядерные методы в машинном обучении — это класс алгоритмов распознавания образов, наиболее известным представителем которого является метод опорных векторов (МОВ, англ. SVM). Общая задача распознавания образов — найти и изучить общие типы связей (например, кластеров, ранжирования, главных компонент, корреляций, классификаций) в наборах данных. Для многих алгоритмов, решающих эти задачи, данные, представленные в сыром виде, явным образом преобразуются в представление в виде вектора признаков посредством...
Подробнее: Ядерный метод
Обуче́ние с учи́телем (англ. Supervised learning) — один из способов машинного обучения, в ходе которого испытуемая система принудительно обучается с помощью примеров «стимул-реакция». С точки зрения кибернетики, является одним из видов кибернетического эксперимента. Между входами и эталонными выходами (стимул-реакция) может существовать некоторая зависимость, но она неизвестна. Известна только конечная совокупность прецедентов — пар «стимул-реакция», называемая обучающей выборкой. На основе этих...
Техники спектральной кластеризации используют спектр (собственные значения) матрицы сходства данных для осуществления понижения размерности перед кластеризацией в пространствах меньших размерностей. Матрица сходства подаётся в качестве входа и состоит из количественных оценок относительной схожести каждой пары точек в данных.
Подробнее: Спектральная кластеризация
Переобучение (переподгонка, пере- в значении «слишком», англ. overfitting) в машинном обучении и статистике — явление, когда построенная модель хорошо объясняет примеры из обучающей выборки, но относительно плохо работает на примерах, не участвовавших в обучении (на примерах из тестовой выборки).
Метод опорных векторов (англ. SVM, support vector machine) — набор схожих алгоритмов обучения с учителем, использующихся для задач классификации и регрессионного анализа. Принадлежит семейству линейных классификаторов и может также рассматриваться как специальный случай регуляризации по Тихонову. Особым свойством метода опорных векторов является непрерывное уменьшение эмпирической ошибки классификации и увеличение зазора, поэтому метод также известен как метод классификатора с максимальным зазором...
Графовая вероятностная модель — это вероятностная модель, в которой в виде графа представлены зависимости между случайными величинами. Вершины графа соответствуют случайным переменным, а рёбра — непосредственным вероятностным взаимосвязям между случайными величинами.
Отбор признаков , известный также как отбор переменных, отбор атрибутов или отбор поднабора переменных, это процесс отбора подмножества значимых признаков (переменных зависимых и независимых) для использования в построении модели. Техники отбора признаков используются по четырём причинам...
Кластерный анализ (англ. cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач обучения без учителя.
Логистическая регрессия или логит-регрессия (англ. logit model) — это статистическая модель, используемая для прогнозирования вероятности возникновения некоторого события путём подгонки данных к логистической кривой.
Статистическая теория обучения — это модель для обучения машин на основе статистики и функционального анализа. Статистическая теория обучения имеет дело с задачами нахождения функции предсказывания, основанной на данных. Статистическая теория обучения привела к успешным приложениям в таких областях, как компьютерное зрение, распознавание речи, биоинформатика и бейсбол.
Классификация документов — одна из задач информационного поиска, заключающаяся в отнесении документа к одной из нескольких категорий на основании содержания документа.
Обучение признакам или обучение представлениям — это набор техник, которые позволяют системе автоматически обнаружить представления, необходимые для выявления признаков или классификации исходных (сырых) данных. Это заменяет ручное конструирование признаков и позволяет машине как изучать признаки, так и использовать их для решения специфичных задач.
Обучение дерева решений использует дерево решений (как предиктивную модель), чтобы перейти от наблюдений над объектами (представленными в ветвях) к заключениям о целевых значениях объектов (представленных в листьях). Это обучение является одним из подходов моделирования предсказаний, используемых в статистике, интеллектуальном анализе данных и обучении машин. Модели деревьев, в которых целевая переменная может принимать дискретный набор значений, называются деревьями классификации. В этих структурах...
Двоичная, бинарная или дихотомическая классификация — это задача классификации элементов заданного множества в две группы (предсказание, какой из групп принадлежит каждый элемент множества) на основе правила классификации. Контекст, в котором требуется решение, имеет ли объект некоторое качественное свойство, некоторые специфичные характеристики или некоторую типичную двоичную классификацию, включает...
Функция потерь — функция, которая в теории статистических решений характеризует потери при неправильном принятии решений на основе наблюдаемых данных. Если решается задача оценки параметра сигнала на фоне помех, то функция потерь является мерой расхождения между истинным значением оцениваемого параметра и оценкой параметра.
Поточный алгоритм (англ. streaming algorithm) — алгоритм для обработки последовательности данных в один или малое число проходов.
Ме́тод моме́нтов — метод оценки неизвестных параметров распределений в математической статистике и эконометрике, основанный на предполагаемых свойствах моментов (Пирсон, 1894 г.). Идея метода заключается в замене истинных соотношений выборочными аналогами.
Временно́й ряд (или ряд динамики) — собранный в разные моменты времени статистический материал о значении каких-либо параметров (в простейшем случае одного) исследуемого процесса. Каждая единица статистического материала называется измерением или отсчётом, также допустимо называть его уровнем на указанный с ним момент времени. Во временном ряде для каждого отсчёта должно быть указано время измерения или номер измерения по порядку. Временной ряд существенно отличается от простой выборки данных, так...
Конструирование признаков — это процесс использования предметной области данных для создания признаков, которые нужны для обучения машин. Конструирование признаков является фундаментом для приложений машинного обучения, трудным и затратным. Необходимости ручного конструирования признаков можно избежать при автоматизации прикладного обучения признакам.
Метод главных компонент (англ. principal component analysis, PCA) — один из основных способов уменьшить размерность данных, потеряв наименьшее количество информации. Изобретён Карлом Пирсоном в 1901 году. Применяется во многих областях, в том числе, в эконометрике, биоинформатике, обработке изображений, для сжатия данных, в общественных науках.
Линейный классификатор — способ решения задач классификации, когда решение принимается на основании линейного оператора над входными данными. Класс задач, которые можно решать с помощью линейных классификаторов, обладают, соответственно, свойством линейной сепарабельности.
Гауссовский процесс назван так в честь Карла Фридриха Гаусса, поскольку в его основе лежит понятие гауссовского распределения (нормального распределения). Гауссовский процесс может рассматриваться как бесконечномерное обобщение многомерных нормальных распределений. Эти процессы применяются в статистическом моделировании; в частности используются свойства нормальности. Например, если случайный процесс моделируется как гауссовский, то распределения различных производных величин, такие как среднее значение...
Нейронные сети Кохонена — класс нейронных сетей, основным элементом которых является слой Кохонена. Слой Кохонена состоит из адаптивных линейных сумматоров («линейных формальных нейронов»). Как правило, выходные сигналы слоя Кохонена обрабатываются по правилу «Победитель получает всё»: наибольший сигнал превращается в единичный, остальные обращаются в ноль.
Апостерио́рная вероя́тность — условная вероятность случайного события при условии того, что известны апостериорные данные, т.е. полученные после опыта.
Целевая функция — вещественная или целочисленная функция нескольких переменных, подлежащая оптимизации (минимизации или максимизации) в целях решения некоторой оптимизационной задачи. Термин используется в математическом программировании, исследовании операций, линейном программировании, теории статистических решений и других областях математики в первую очередь прикладного характера, хотя целью оптимизации может быть и решение собственно математической задачи. Помимо целевой функции в задаче оптимизации...
Градиентный спуск — метод нахождения локального экстремума (минимума или максимума) функции с помощью движения вдоль градиента. Для минимизации функции в направлении градиента используются методы одномерной оптимизации, например, метод золотого сечения. Также можно искать не наилучшую точку в направлении градиента, а какую-либо лучше текущей.
Алгоритм Баума — Велша используется в информатике и статистике для нахождения неизвестных параметров скрытой марковской модели (HMM). Он использует алгоритм прямого-обратного хода и является частным случаем обобщённого EM-алгоритма.
Скрытая марковская модель (СММ) — статистическая модель, имитирующая работу процесса, похожего на марковский процесс с неизвестными параметрами, и задачей ставится разгадывание неизвестных параметров на основе наблюдаемых. Полученные параметры могут быть использованы в дальнейшем анализе, например, для распознавания образов. СММ может быть рассмотрена как простейшая байесовская сеть доверия.
Многоме́рное норма́льное распределе́ние (или многоме́рное га́уссовское распределе́ние) в теории вероятностей — это обобщение одномерного нормального распределения. Случайный вектор, имеющий многомерное нормальное распределение, называется гауссовским вектором.
Генерация столбцов или отложенная генерация столбцов — это эффективный подход к решению больших задач линейного программирования.
Неотрицательное матричное разложение (НМР), а также неотрицательное приближение матрицы, это группа алгоритмов в мультивариантном анализе и линейной алгебре, в которых матрица V разлагается на (обычно) две матрицы W и H, со свойством, что все три матрицы имеют неотрицательные элементы. Эта неотрицательность делает получившиеся матрицы более простыми для исследования. В приложениях, таких как обработка спектрограмм аудиосигнала или данных мускульной активности, неотрицательность свойственна рассматриваемым...
Многочасти́чный фильтр (МЧФ, англ. particle filter — «фильтр частиц», «частичный фильтр», «корпускулярный фильтр») — последовательный метод Монте-Карло — рекурсивный алгоритм для численного решения проблем оценивания (фильтрации, сглаживания), особенно для нелинейных и не-гауссовских случаев. Со времени описания в 1993 году Н. Гордоном, Д. Салмондом и А. Смитом используется в различных областях — навигации, робототехнике, компьютерном зрении.
Алгоритм Витерби — алгоритм поиска наиболее подходящего списка состояний (называемого путём Витерби), который в контексте цепей Маркова получает наиболее вероятную последовательность произошедших событий.
Усло́вное распределе́ние в теории вероятностей — это распределение случайной величины при условии, что другая случайная величина принимает определённое значение.
Автокорреляция — статистическая взаимосвязь между последовательностями величин одного ряда, взятыми со сдвигом, например, для случайного процесса — со сдвигом по времени.
Теория распознава́ния о́браза — раздел информатики и смежных дисциплин, развивающий основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. Такие задачи решаются довольно часто, например, при переходе или проезде улицы по сигналам светофора. Распознавание цвета загоревшейся лампы светофора и знание правил дорожного движения позволяет принять правильное решение о том, можно...
То́чечная оце́нка в математической статистике — это число, оцениваемое на основе наблюдений, предположительно близкое к оцениваемому параметру.
Строковое ядро — это ядерная функция, определённая на строках, т.е. конечных последовательностях символов, которые не обязательно имеют одну и ту же длину. Строковые ядра можно интуитивно понимать как функции, измеряющие похожесть пар строк — чем больше похожи две строки a и b, тем больше значение строкового ядра K(a, b).
Ме́тод максима́льного правдоподо́бия или метод наибольшего правдоподобия (ММП, ML, MLE — англ. maximum likelihood estimation) в математической статистике — это метод оценивания неизвестного параметра путём максимизации функции правдоподобия. Основан на предположении о том, что вся информация о статистической выборке содержится в функции правдоподобия.
Упоминания в литературе (продолжение)
Признак – это конкретное свойство единиц совокупности, которое можно пронаблюдать и измерить. Различают количественные и качественные (атрибутивные) признаки. Количественные признаки могут быть выражены числами и отличаются друг от друга по величине, т.е. могут быть непосредственно измерены, исчислены. Различают дискретные и непрерывные количественные признаки. Дискретные признаки характеризуются тем, что варианты выступают в виде прерывных величин, т.е. отличаются друг от друга на какую-то конечную величину и принимают
целые значения. Непрерывные признаки в определенных пределах могут принимать как целые, так и дробные значения. Под качественными признаками понимают признаки, которые не могут быть измерены и значения которых отличаются друг от друга сущностными чертами. Внутреннее содержание качественных признаков, их форма, свойства могут быть выражены с помощью атрибута, слова, понятия, отражающего суть конкретного объекта (пол, профессия, вид продукции, цвет и т.д.). Альтернативные признаки – это признаки, которые могут принять только одно из двух противоположных значений.
Признак называют количественным, если он выражен числом. По характеру варьирования количественные признаки подразделяются на дискретные и непрерывные. Примером дискретного признака является число людей в семье. В виде целых чисел выражаются,
как правило, варианты дискретных признаков. К непрерывным признакам относятся, например, возраст, величина заработной платы, стаж работы и т. д.
В работах С. Стернберга утверждается, что объем кратковременной памяти есть величина, зависимая от скорости сканирования. Экспериментально установлено, что время ответа линейно возрастает вместе с количеством цифр в наборе (Sternberg, 1966, 1969). Используя парадигму Стернберга, Дж. Каванах получил сходные результаты, показав, что время сканирования
линейно связано с числом стимулов, подлежащих сравнению: с возрастанием сложности стимулов время поиска увеличивается. Для объяснения полученных данных Каванах предположил, что в кратковременной памяти одновременно может удерживаться константное число признаков. Поэтому чем больше признаков имеет каждый из стимулов, тем больше будет время сканирования.
Состав моделей логистической системы представляет собой характерную организацию связей и отношений между подсистемами и составными элементами системы и взаимосогласованный состав этих подсистем и элементов, каждому из которых соответствует конкретная функция. Логистическим системам свойственна полиструктурность, которая выражается во взаимопроникновении разных подсистем, формирующих несколько структур. Особенностью логистических систем является их отношение к системам с переменной структурой Они не статичны и организуются применительно к условиям работы, имеют свойство быстрой реструктуризации. Особая форма эксперимента является логистическим моделированием она заключается в исследовании объекта по его модели. Теория логистики и имеющийся в настоящее время практический опыт позволяют свести многообразие особенностей движения материальных, денежных и других ресурсов а также информации на предприятиях к определенному числу стандартных моделей. Такой подход сокращает время и экономит средства на формирование индивидуальных
программ. Большое количество признаков, характеризующих особенности предприятия, применяемое для формирования моделей, делает последние более приближенными к реальным условиям, а следовательно, программы расчетов позволяют сделать меньше ошибок и сбоев в работе. Сущность моделирования основывается на определении подобия изучаемых систем или процессов, которое может быть полным или частичным. По этому признаку все модели экономических систем делятся на изоморфные и гомоморфные.
• проводится нечёткий поиск, представляющий собой комплекс операций сравнения комбинаций нулей и единиц, по результатам которых осуществляется выбор наиболее близких вариантов искомого образа. Описанный
алгоритм поиска по существенным признакам применяется при сравнении почерков, отпечатков пальцев, голосов и фотографий.
Сущность кластерного
анализа заключается в разбиении множества изучаемых объектов и признаков на однородные группы или кластеры. Достоинство данного метода в том, что он позволяет подразделять объекты не по одному параметру, а по целому ряду признаков и в отличие от большинства математико-статистических методов не накладывает никаких ограничений на рассматриваемые объекты.
Понятие «структура» является в настоящее время одним из центральных в языкознании. Основными признаками структуры являются целостность и связность. Понятие
связности как основного признака структуры заимствовано из математики. Этот признак является неотъемлемым показателем структуры, однако ее описание через один этот признак не является исчерпывающим. Понятие структуры применительно к тексту предполагает, наряду со связностью, еще один параметр – целостность объекта1. Это понятие заимствовано из естественных наук: свойство всего объекта не выводимо только из свойств отдельных элементов, из системы отношений между ними и не равняется простой арифметической сумме их свойств.
Механизм конфигурирования
является следующим из рассматриваемых. Конфигурация (от лат confiquratio – форма, уклад) подразумевает внешнее очертание, взаимное расположение предметов или частей. Конфигурация представляет собой набор базовых стратегий концептуализации и категоризации, обеспечивающих специфику расчленения концептуального пространства реальной действительности и его соответствующую структурную организацию. Действие данного механизма ориентировано на придание «той или иной формы концептуальному содержанию на основе различных вариантов сочетания концептуальных характеристик» [Беседина, 2006, с. 11]. Оформление фонетических слов в значительной степени определяется функционированием механизма конфигурирования. Группировка слогов в более крупные единицы осуществляется на основе реализации просодических признаков выделенности/невыделенности (ударности/безударности). Комбинаторика слогов в рамках слова отражает его ритмическую структуру, определяя тем самым его оформление и отграничение от смежных единиц. Для раннего онтогенеза (до трех лет) характерны случаи узуального и измененного (с точки зрения комбинаторики) оформления структуры слов. Например, длинные и структурно сложные слова могут произноситься с перестановками слогов (макароны – каманени, витаминка – митавинка). Характерным является то, что переход на правильное конфигурирование структурных элементов слова в норме завершается к трем-трем с половиной годам.
При характеристике каждого из перечисленных методов будет предполагаться, что имеется конечное число измеряемых или оцениваемых альтернатив и сформулированы один или несколько признаков сравнения, по которым осуществляется сравнение свойств объектов инновационного развития градообслуживающей сферы. Следовательно, методы измерения будут различаться лишь процедурой сравнения объектов инновационного развития градообслуживающей сферы. Эта процедура включает построение отношений между объектами эмпирической системы,
выбор преобразования и определение типа шкал измерений.
Параметральный тип определения предполагает осуществление
поиска специфических характеристик, признаков ИСС. Иначе говоря, проблема определения состояния как измененного решается через выявление набора параметров, по которым изменяется психическое функционирование в ИСС (т. е. определение того, какая именно психическая функция должна меняться при ИСС), и содержательного определения критериев ИСС – того, как именно по каждому параметру меняется психическое функционирование в ИСС. Изменения при этом должны происходить, по крайней мере, по нескольким параметрам, чтобы данное состояние было признано измененным. При выборе данного типа определения как рабочего западные исследователи не отрицают возможности использования наряду с субъективными показателями (т. е. данными самоотчетов) объективных – результатов наблюдения за испытуемыми и данных по экспериментально-психологическим методикам.
Основным статистическим методом изучения демографических процессов является (статистическое наблюдение. Оно используется для сбора данных о населении и получения информации о происходящих процессах возобновления. Используется также метод группировки и классификации, который позволяет разделить рассматриваемую совокупность на группы по конкретным признакам. Структуру явлений по количественным признакам изучают с помощью таких статистических показателей, как средняя, мода, медиана, показатели вариации. Для более глубокого изучения демографии используют следующие методы статистики: корреляционный и факторный анализ, индексный метод,
метод выравнивания динамических рядов и др.
Опираясь на разграничение, проведенное П. С. Кузнецовым, М. В. Панов теоретически обосновывает само понятие «суперсегментная единица». Предложенная им процедура проверки звуковой единицы на суперсегментность вытекает, во-первых, из системного представления о звуковой стороне языка, во-вторых, из необходимости определить структуру самой суперсегментной единицы. М. В. Панов пишет: «Если А и Б (два элемента, два признака, две сущности) образуют сочетания АБ и БА, но нет в языке сочетаний АА ББ, то сочетания АБ и БА образуют (каждое) единую, целостную, неделимую единицу» [1979: 69]. При этом признаки А и Б являются противоположными, в силу чего, зная один признак, мы всегда правильно определим другой. Таким образом, суперсегментная единица, «разлитая» поверх звукового ряда, то есть соотнесенная с определенным отрезком речевой цепи, существует в то же время в виде некоторых признаков, соотносимых с
элементами данного отрезка. Так, признаки «ударность» и «безударность» реализуют ударение как суперсегментную единицу, соотносимую со словом в целом [Панов 1979].
Все определения можно также поделить на явные, раскрывающие существенные признаки предмета, и неявные, в которых указание существенных признаков (когда это сделать невозможно) заменяется контекстом, набором аксиом, ссылкой на
противоположность, описанием способа построения объекта и т. д. Примеров явных определений очень много; см., например, в данной главе определения «понятие», «признаки», «объем понятия», «содержание понятия».
Третий признак предназначен для использования в различных методах оценки качества и характеризует охват свойств продукции. Так, единичные показатели используются в дифференциальном методе и каждый из них характеризует одно из свойств продукции, а комплексные – в комплексном методе и характеризуют одновременно совокупность свойств (определенную их группу, всю их
совокупность или интегральный полезный эффект) в сопоставлении с требуемыми для этого затратами.
Существуют «стандартные» смысловые единицы: понятия и
темы, применяемые для нахождения признаков, черт, свойств документа.
Потапов предлагает исследовать каждый сравниваемый признак в динамике, чтобы выявить причины, вызвавшие появление данного признака или его изменение. Это диктуется тем, что в ходе судебного доказывания тождества идентифицируемый объект может выступать в разных состояниях и проявлениях, поскольку с момента образования
отображений до момента идентификации обычно проходит большой промежуток времени, а объекты идентификации часто имеют небольшую степень устойчивости отдельных свойств, или же преступник мог предпринять преднамеренное изменение признаков объектов идентификации (в попытке уничтожить улики, что должен учитывать следователь при установлении тождества объектов).
Главным аргументом в пользу интерпретации свойств переднего отдела мозга
как носителя общих свойств для В. Д. Небылицына было то, что передний мозг, в отличие от сенсорного, ретроцентрального отдела мозга, выступает в качестве регулирующей, управляющей системы. Эта система держит под своим контролем все основные механизмы организма – от витальных реакций до сложнейших интеллектуальных операций. Положив в основу разделения общих и частных свойств, по сути своей, нейроанатомический принцип, В. Д. Небылицын полагал, что первоочередной задачей в решении проблемы общих и частных свойств должно стать сравнительное изучение конкретных нейрофизиологических параметров. Эти параметры характеризуют специфичность передних отделов мозга по отношению к центральным отделам. Некоторые из предположений Владимира Дмитриевича были реализованы еще при его жизни (Крупнов, Небылицын, 1971). Однако основные исследования по этой проблеме были проведены позже, в частности, его ближайшими учениками (Базылевич, 1983). Действительно, был получен целый ряд фактов, свидетельствующих об особом режиме функционирования лобных отделов мозга, что проявилось в существовании специальных синдромов показателей, характерных только для передних отделов мозга. Однако в этих исследованиях были обнаружены и четкие признаки регионального своеобразия синдромов лобных свойств, что убедительно свидетельствовало о «парциальности» общих свойств нервной системы в передних отделах мозга. Интересно отметить, что В. Д. Небылицын предвидел подобный исход и высказывал предположение, что общие свойства, измеряемые в лобных отделах, могут быть тоже частными, поскольку «они представляют параметры пусть весьма обширного, но все же, анатомически функционально ограниченного комплекса структур головного мозга» (Небылицын, 1976, с. 223).
Согласно таблице 5, факторная матрица концепта «вещество» в группе студентов-химиков с наличием химических образов (с высоким уровнем специальных способностей) представлена, как и у менее способных,
двумя факторами, объясняющими 64,2 % дисперсии признаков. В данном случае мы наблюдаем классическую картину зрелого концепта «вещество», когда факторные веса скоростных показателей закономерно уменьшаются от глобального через базовый к детализированному уровню, а количество ошибок равно или приближается к нулю. Отметим, что, согласно Т-критерию, показатели зрелости концепта «вещество» у данных студентов с высокой степенью достоверности отличаются от показателей менее способных студентов (таблица 6).
Для оценки зрелости/незрелости возрастной структуры биоритмов использовали те же опорные признаки, что и при использовании метода по перечных срезов, когда однократно обследовали детей определенного возраста. Как
показал клинико-физиологический анализ, базовые свойства, характеризующие основной тип ЭЭГ – зрелый высокоамплитудный или незрелый низкоамплитудный, – с возрастом сохраняются, несмотря на изменения отдельных параметров ЭЭГ (повышение частоты альфа-ритма, уменьшение медленной активности и пр.) (рис. 2.19, 2.20). Сравнение индивидуальных спектров мощности ЭЭГ у одних и тех же детей в разном возрасте (путем наложения) демонстрирует, что тип ЭЭГ, определенный с помощью ранее описанных приемов, сохраняет квалификационные маркеры: амплитудный уровень и наличие/отсутствие теменно-затылочного фокуса альфа-ритма. Именно недостаточная организованность ритмической структуры биоэлектрической активности у детей группы риска выходит на первый план по сравнению с целым рядом других особенностей ЭЭГ (патологическими формами активности в покое и при нагрузках, полиритмией).
Показатель, признак и параметр продукции являются применяемыми для оценки качества продукции формами более общего понятия
«мера», являющегося конкретным выражением качественной и количественной сторон определенных объектов (предметов, услуг, процессов и т. п.).
Признаки, которые характеризуются обязательной принадлежностью к предмету (т. е. обязательно присущие ему) и выражают сущность этого предмета, принято называть существенными. Они могут быть как общими, так и единичными. Так, понятия, отражающие множество предметов,
включают общие существенные признаки (способность к языковому выражению процесса мышления и сам процесс мышления). Понятия, отражающие один предмет, включают как общие существенные, так и единичные признаки. Например, понятие «Анискин» включает в себя общие существенные признаки (человек, милиционер) и единичные признаки, характерные только для этого человека.
По отношению ко времени различают момен–тальные и интервальные признаки. Моментальные признаки характеризуют изучаемый объект в какой-то момент времени, установленный планом статистиче–ского исследования. Интервальные
признаки харак–теризуют результаты процессов. Их значения могут возникать только за интервал времени.
Еще один важный признак грамматикализации – однонаправленное изменение от меньшей к большей грамматичности – отмечается на наших
примерах в полной мере: например, лексически прозрачный условно-следственный двухместный союз если… так, потеряв первый компонент, становится в конструкции Гулять так гулять! по существу чисто грамматическим маркером конструкции, сохраняя лишь «этимологическую» связь с исходным союзом, союзные функции и его условно-следственную семантику.
• Лексический состав языка может быть описан относительно небольшим числом семантических признаков.
Могут быть выделены интегральные признаки, объединяющие слова в ТР, и дифференциальные признаки, отличающие слова друг от друга внутри ТР.
T. M. Achenbach (1978) выделил поведенческие признаки, отдельные психологические профили детей, у которых прослеживаются шизоидные особенности. Для
такой работы был использован стандартный список поведенческих черт для детей (Child Behavior Checklist – CBCL). Факторный анализ особенностей поведения 450 детей с психическими отклонениями от нормы выявил 9 проблемных групп, среди которых была и группа шизоидов. Подобное исследование было проведено на примере 300 обычных школьников. Надежность данной методики при выявлении психических отклонений (в том числе и шизоидного типа) от нормы была равна 0,89 при достаточно высокой валидности (более 0,5).
Параметры порядка всех уровней представляют собой один из системообразующих механизмов самоорганизации культуры. Именно они
определяют динамику развития и способы трансформаций социокультурной системы, а также процессы взаимодействия с другими системами. Иными словами, пределы трансформации социокультурной системы, сохраняющей свою целостность и инвариантные идентификационные признаки, задаются «вечными» управляющими параметрами мега-уровня, а цели и способы модификации – более «быстрыми» параметрами порядка микро- и макроуровней.