text stringlengths 0 1.95k |
|---|
Методы нечеткой логики на современном этапе не предоставляют таких |
разносторонних способов графической интерпретации, как классические алгоритмы |
ординации (многомерное шкалирование, CCA и др.). Обычно исследователю предлагается |
проанализировать корреляционные поля зависимостей µE(x) от z (рис. 5.15а), матрицы |
расстояний d от z (рис. 5.15б) или различные парные взаимодействия двух нечетких |
множеств. |
б) |
Рис. 5.15. Корреляционная связь функции принадлежности нечеткого множества µE(x) |
с температурой воды t (а) и комплексного ординационного расстояния g(t+h+NO2+pH) |
с компонентами матрицы таксономических расстояний d (б) |
a) |
192 |
Одномерный FSO позволяет, подобно одномерному регрессионному анализу, |
оценить статистическую зависимость функций принадлежности размытых множеств |
только от одного фактора среды. Для анализа всего комплекса переменных в целом можно |
воспользоваться многомерной версией ординации нечетких множеств MFSO (Roberts, |
2008). В методе MFSO для определения нечетких множеств в многомерном пространстве |
сначала выполняется нахождение ординационной оси относительно экологической |
переменной, которая в наибольшей мере объясняет вариацию композиций видов (т.е. |
имеет наибольший коэффициент корреляции). Вторая ось, связанная со следующим |
фактором, рассчитывается как перпендикуляр к первой с использованием процедуры |
ортогонализации Грамма-Шмидта, а ее значения соответствуют остаткам регрессии на |
первую ось. Таким образом, значения второго градиента нечеткого множества оценивают |
только ту долю влияния второй переменной, которая не может быть объяснена первым |
фактором. Оси третьего и высшего порядка рассчитываются аналогично и отражают долю |
таксономической вариации, не связанную со всеми предыдущими осями нечеткого |
множества. |
Поскольку ортогонализация Грамма-Шмидта неэффективна при сильной взаимной |
корреляции анализируемых факторов, многомерный анализ выполняют после проведения |
шаговой процедуры FSO, которая может оказаться полезной для быстрой селекции |
значимых осей ординации. Шаговый алгоритм стартует с фактора, имеющего наибольший |
коэффициент корреляции r(d, z), и последовательно включает в модель остальные |
переменные, оценивая их по приращению, вносимому ими в результирующее значение r. |
Поскольку в нашем примере некоторые переменные сильно коррелируют между собой, |
процедура последовательной |
селекции позволила исключить из дальнейшего |
рассмотрения три фактора среды, использование которых снижает общий коэффициент |
корреляции – см. результаты анализа в табл. 5.8 слева. |
Таблица 5.8. Результаты шаговой процедуры селекции признаков и многомерного анализа |
нечетких множеств с выделением значимых осей ординации с использованием коэффициентов |
корреляции r; p – оценки статистической значимости приращений r, найденные рандомизацией |
Переменные среды |
Температура воды (t) |
pH |
Содержание нитритного азота |
Высота над уровнем моря (Н) |
Глубина в местах отбора проб (h) |
P min – содержание мин. фосфора |
Каменистость грунта (Stone) |
Заиленность грунта (Mud) |
(N-NO2) |
Шаговая процедура |
Прира- |
щение |
r(d, z) |
p |
0,879 |
0,8824 |
0,8855 |
0,8857 |
0,8859 |
0,8859 |
0,8839 |
0,8831 |
0,0034 |
0,0031 |
0,00017 |
0,00024 |
-0,00002 |
-0,002 |
-0,00079 |
0,07 |
0,14 |
0,17 |
0,18 |
0,34 |
0,23 |
0,25 |
Многомерная процедура |
r(µE(x), z) |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.