НАХОЖДЕНИЕ И КОРРЕКТИРОВКА СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ В ЧИСЛОВОМ N-МЕРНОМ ПРОСТРАНСТВЕ
В качестве решения, например, может быть применён, например, метод нейросетевого анализа. При этом, важно правильно выбрать архитектуру и построить "обучение" сети. Данный метод является одним из приоритетных при условии, что n - достаточно велико. Тогда обучение сети можно осуществить автоматизированным методом и точность определения будет достаточно высока. Однако, при небольшом количестве рядов точность определения будет недостаточной, количество ложных сpaбатываний будет в разы больше чем верных.
Другим подходом к решению поставленной задачи может быть метод варьирования (полного перебора) и выявления влияния друг на друга при помощи методов приближённых вычислений. Однако все эти методы требуют достаточного большого количества операций, и при большом количестве вариантов время поиска будет велико. Причём будет расти не линейно, и не даже квадратично. Например, при количестве параметров m, количество проверяемых вариантов при глубине поиска в две переменных - m2+2*m4. При этом если параметр является переменной от 3 других параметров, то зависимость не будет найдена. Следовательно, метод варьирования будет эффективен только для рядов с небольшим количеством параметров.
Становится ясно, что способ нейросетевого анализа имеет жёсткие ограничения на количество рядов, а метод варьирования имеет жесткие ограничения на длину ряда. Необходим метод, который допустимо хорошо работал бы с любыми входными данными в рамках заданных ограничений. При этом время работы алгоритма должно быть линейным или сравнимо с линейным.
Рассмотрим задачу поиска искажений входные данные на примере матрицы чисел m*n, где m - количество параметров, а n - количество однородных (однотипных) рядов. К данным таблицы предъявляется два условия - первое состоит в том, что некоторые величины построчно коррелируют друг с другом или являются функцией других параметров, второе - что большинство чисел (более 95 % например) - корректные. Требуется отыскать точки (элементы) матрицы, в которых имеют место нелогичные возмущения. При этом правила зависимости (функции) одних параметров от других существуют, но неизвестны. Возможно решение одной из двух задач.
Первая задача, более простая, - отыскание точек случайных возмущений в матрице без выявления зависимостей параметров друг от друга. Вторая задача, комплексная, - нахождение зависимостей параметров друг от друга и отыскание точек случайных возмущений в матрице.
Предлагается использовать модифицированный метод варьирования. Его суть состоит в следующем - рассматриваем каждый столбец как параметр некой функции. Рекурсивно разбиваем все параметры по интервалам, и для каждого интервала формируем результирующий параметр. Причём результирующий параметр не может быть аргументом функции. Идём при помощи объединений от простейшей функции - функции одного аргумента. Если выявлено влияние одного параметра на другой, то исключаем один из них из дальнейшего просмотра, уменьшая количество параметров для дальнейшего просмотра. Найденные зависимости помещаем в стек, чтобы впоследствии начать рассмотрение с зависимостей с максимальным числом параметров.
Для определения зависимости параметров от результата используется следующий метод - представим данные каждого ряда как точку функции. Для матрицы рассматривается двухмерный вид - точка на плоскости. Тогда точки, которые выбиваются из графика функции и являются точками возмущения. Рассмотрим простейший пример:
Входные данные:
|
|
a |
b |
c |
|
1 |
1 |
5 |
5 |
|
2 |
2 |
10 |
8 |
|
3 |
7 |
35 |
5 |
|
4 |
3 |
15 |
8 |
|
5 |
6 |
30 |
5 |
|
6 |
9 |
45 |
11 |
|
7 |
5 |
25 |
8 |
|
8 |
4 |
15 |
9 |
|
9 |
11 |
55 |
3 |
График 1. Линейная зависимость a от b
Необходимо выявить и исправить ошибку в переменной b в восьмом ряду. Построим линейную зависимость a от b.
Из графика 1 чётко видно возмущение в точке №8.
Для линейной зависимости поиск зависимостей не составляет сложности. Для нелинейных случаев необходимо уже применение методов отыскания новой точки функции по уже известным. Для этого добавляем информацию обо всех точках в информационную таблицу приближённой функции b= (a). Информация об ошибочных точках также попадает, но она не вносит сильного искажения, так как количество таких точек невелико, и вес каждой из них будет невелик. Далее производим поиск для каждой точки, при помощи, например, сплайн функций, далее вычисляем:
, и получаем приближённое значение для каждой точки b. Далее вычисляем коэффициент расхождения k:
Далее, для каждой точки рассчитываем
Если , то с достоверностью можно утверждать, что точка ошибочная.
Проведя анализ для всех точек всех рядов, получаем искомые точки за линейное время.
Работа представлена на научную конференцию с международным участием «Секция молодых ученых, студентов и специалистов», Тунис, 12-19 июня 2005 г. Поступила в редакцию 28.04.2005 г.
Статья в формате PDF
116 KB...
02 05 2024 17:56:26
Статья в формате PDF
110 KB...
01 05 2024 5:29:46
Статья в формате PDF
100 KB...
30 04 2024 21:21:48
Статья в формате PDF
205 KB...
29 04 2024 4:59:33
Статья в формате PDF
137 KB...
27 04 2024 10:27:20
Статья в формате PDF
244 KB...
26 04 2024 4:45:56
В работе представлены результаты исследования влияния высокоинтенсивных физических факторов электрического поля коронного разряда с напряженностью 1-6 кВ/см, создаваемого установкой «Экран», на жизнеспособность семян ячменя сорта «Абава», с целью повышения качества семенного материала.
Определено, что наиболее эффективными воздействиями ЭПКР для повышения качества семенного материала без отлежки зерна перед посевом являются режимы с напряженностью 1 кВ/см и 2 кВ/см. Показано, что наиболее ярко выраженный бактерицидный эффект получен при воздействии на семена электрическим полем коронного разряда с напряженностью 6 кВ/см и 4 кВ/см. Эти режимы наряду с угнетением очаговой плесени тормозят всхожесть, прорастание и снижают жизнеспособность семян. Однако, данные режимы могут оказаться перспективными для обеззараживающей обработки фуражного зерна.
Выявлено, что наиболее эффективным режимом электрического поля коронного разряда для повышения качества семенного материала с отлежкой зерна перед посевом является режим с напряженностью 2 кВ/см, поскольку данное воздействие оказывает наиболее ярко выраженный бактерицидный эффект наряду со стимуляцией всхожести, прорастания и повышением жизнеспособности семян.
...
24 04 2024 18:25:59
Статья в формате PDF
116 KB...
23 04 2024 20:22:28
Статья в формате PDF
111 KB...
22 04 2024 1:35:22
Статья в формате PDF
157 KB...
21 04 2024 8:34:28
Статья в формате PDF
128 KB...
19 04 2024 0:13:43
Статья в формате PDF
122 KB...
18 04 2024 10:31:27
Статья в формате PDF
259 KB...
17 04 2024 1:52:44
Статья в формате PDF
101 KB...
16 04 2024 17:41:36
Статья в формате PDF
123 KB...
15 04 2024 18:28:29
В работе рассмотрены термодинамические аспекты люминесцентного газового анализа. Молекулы красителя, адсорбированные на поверхности пористого вещества или внедренные в полимерную пленку, рассматриваются как система невзаимодействующих частиц, погруженная в термостат. Для относительной интенсивности флюоресценции молекул красителя получена связь с основной термодинамической хаpaктеристикой термостата – энергией Гиббса. Определены термодинамические ограничения точности газового анализа. Показано, что оптимальной основой для люминесцентного анализатора является полимерная пленка с наименьшим значением поверхностного натяжения.
...
14 04 2024 12:25:26
Статья в формате PDF
119 KB...
13 04 2024 19:10:42
Статья в формате PDF
103 KB...
12 04 2024 23:38:19
Статья в формате PDF
123 KB...
10 04 2024 14:48:58
Статья в формате PDF
134 KB...
09 04 2024 18:45:52
Статья в формате PDF
109 KB...
08 04 2024 2:21:16
Статья в формате PDF
124 KB...
07 04 2024 14:13:35
Статья в формате PDF
117 KB...
06 04 2024 12:13:45
Статья в формате PDF
117 KB...
05 04 2024 14:54:56
Статья в формате PDF
118 KB...
04 04 2024 19:24:21
Экспериментальная работа представлена с целью описания хаpaктеристик Солнечной системы с помощью существующих теорий. Числовые данные взяты из Интернета, теория – из электронных энциклопедий. Результаты исследований показали, что современная форма уравнений Дж. Максвелла позволяет вычислить отсутствующие фундаментальные константы и описывать гравитон подобно фотону. Закон всемирного тяготения И. Ньютона часть современной формы уравнений Дж. Максвелла – теперь гравитационной теории поля. «Квантово-волновые» свойства гравитона позволяют строить теорию Солнечной системы подобно стационарному уравнению Э. Шрёдингера. В статье формулы используются в чрезвычайных случаях, но графики и математическая статистика к ним широко используется. Рисунки и статистика наглядно демонстрируют силу теоретических законов. Предложенная теория показывает случайное совпадение, и ограниченность эмпирического правила Тициуса-Боде.
...
03 04 2024 12:16:44
Статья в формате PDF
254 KB...
02 04 2024 10:58:21
Статья в формате PDF
124 KB...
01 04 2024 14:26:43
Статья в формате PDF
98 KB...
31 03 2024 11:20:20
В статье даны пpaктические рекомендации для проектирования вибратора грохота, который по технологическим соображениям был переведён в режим работы с повышенной частотой вращения и уменьшенной амплитудой. Разработана динамическая схема грохота и предложен алгоритм решения дифференциального уравнения. Короб грохота рассматривался как одномассная система с элементами переменной жесткости опор короба, что позволило определить требуемую возмущающую силу вибратора и величину статического момента массы дeбaлансов при заданных кинематических параметрах. На основе полученных результатов разработана рациональная конструкция дeбaлансов.
...
30 03 2024 16:55:29
Статья в формате PDF
110 KB...
29 03 2024 10:46:20
Статья в формате PDF
253 KB...
28 03 2024 18:20:22
Статья в формате PDF
183 KB...
27 03 2024 1:32:39
Статья в формате PDF
109 KB...
26 03 2024 20:33:10
Статья в формате PDF
832 KB...
25 03 2024 9:55:16
Статья в формате PDF
122 KB...
24 03 2024 9:36:29
Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::
