Ноябрь 3rd, 2014
Основным недостатком предложенных моделей и методов их идентификации является не учёт как количества пожаров в типовых многоэтажных домах с распределением по этажам, так и количества погибших и травмированных при пожаре.
Подобный подход имеет место и при определении цены жилой недвижимости (205). Нужно заметить, что в этом случае находят равновесную цену жилья в зависимости от соотношения спроса и предложения, а характеристики безопасности при этом не учитываются. Так, автор диссертации (207) предложил для определения цены квадратного метра жилья использовать искусственную нейронную сеть с модифицированным алгоритмом стохастической релаксации, что позволило увеличить точность идентификации. Входными факторами для обучения и использования сети выбрано пятнадцать факторов, к которым относятся: Хг — название улицы, Х2 — название района, Х3 — номер района, Х4 — тип дома, Х5 — этажность, Х6 — количество комнат, Х7 — общая площадь, Х8 — жилая площадь, Х — площадь кухни, Х — тип ремонта, Х — количество балконов, Х — наличие плитки, Х — продавец, Х — наличие телефона, Х — этаж. Такие данные наиболее полно описывают жилье с минимальным присутствием линейной зависимости между ними. Заметим, что модель в виде нейросети строилась для нормированных данных. Если вы решили отдохнуть от работы, тогда вам необходим кальян от http://kalyanis.ru.
Установление зависимостей, где эндогенными характеристиками есть уровень пожарной безопасности и цена жилья, а экзогенными факторами — архитектурные особенности и параметры пожарной безопасности, является задачей структурной и параметрической идентификации. Решение этой задачи возможно различными методами с использованием определенных моделей. Учитывая то, что исходные данные находятся в таблицах и о структуре искомых зависимостей нет априорной информации, традиционно используют.
