Параметрический это: параметрический — это… Что такое параметрический?

Содержание

Слово ПАРАМЕТРИЧЕСКИЙ — Что такое ПАРАМЕТРИЧЕСКИЙ?

Слово состоит из 15 букв: первая п, вторая а, третья р, четвёртая а, пятая м, шестая е, седьмая т, восьмая р, девятая и, десятая ч, одиннадцатая е, двенадцатая с, тринадцатая к, четырнадцатая и, последняя й,

Слово параметрический английскими буквами(транслитом) — parametricheskii

Значения слова параметрический. Что такое параметрический?

Параметрический усилитель

ПАРАМЕТРИЧЕСКИЙ УСИЛИТЕЛЬ — радиоэлектронноеустройство, в к-ром усиление сигнала по мощности осуществляется за счётэнергии внеш. источника (т. н. генератора накачки)…

Физическая энциклопедия. — 1988

Параметрический усилитель, радиоэлектронное устройство, в котором усиление сигнала по мощности осуществляется за счёт энергии внешнего источника (так называемого генератора накачки)…

БСЭ. — 1969—1978

ПАРАМЕТРИЧЕСКИЙ УСИЛИТЕЛЬ — усилитель электрич. сигналов, в к-ром мощность сигнала увеличивается за счёт энергии источника, периодически изменяющего значение реактивного параметра системы (обычно ёмкости).

Большой энциклопедический политехнический словарь

Параметрический осциллятор

Параметрический осциллятор — осциллятор, параметры которого могут изменяться в определённой области. Параметрический осциллятор принадлежит к классу незамкнутых колебательных систем…

ru.wikipedia.org

ПАРАМЕТРИЧЕСКИЙ РЕЗОНАНС явление раскачки колебаний при периодич. изменении параметров тех элементов колебат. системы, в к-рых сосредоточивается энергия колебаний (реактивные или энергоёмкие параметры).

Физическая энциклопедия. — 1988

ПАРАМЕТРИЧЕСКИЙ РЕЗОНАНС — явление раскачки колебаний при периодич. изменении параметров тех элементов колебат. системы, в к-рых сосредоточивается энергия колебаний (реактивные или энергоёмкие параметры).

Физическая энциклопедия. — 1988

Параметрическое моделирование

Параметрическое моделирование (параметризация) — моделирование (проектирование) с использованием параметров элементов модели и соотношений между этими параметрами.

ru.wikipedia.org

Параметрическое представление

Параметрическое представление функции, выражение функциональной зависимости между несколькими переменными посредством вспомогательных переменных параметров.

БСЭ. — 1969—1978

ПАРАМЕТРИЧЕСКОЕ ПРЕДСТАВЛЕНИЕ — функции — задание функции, определенной, напр., на отрезке [a,b]с помощью пары функций x=j(t),., таких, что у функции существует такая однозначная обратная функция, что, т. е. для любого имеет место.

Математическая энциклопедия. — 1977-1985

ПАРАМЕТРИЧЕСКИЙ ГЕНЕРАТОР СВЕТА

ПАРАМЕТРИЧЕСКИЙ ГЕНЕРАТОР СВЕТА источник когерентного оптич. излучения, в к-ром энергия мощной световой волны фиксированной частоты преобразуется в излучение более низкой частоты.

Физическая энциклопедия. — 1988

ПАРАМЕТРИЧЕСКИЙ ГЕНЕРАТОР СВЕТА — источник когерентного оптич. излучения, в к-ром энергия мощной световой волны фиксированной частоты преобразуется в излучение более низкой частоты.

Физическая энциклопедия. — 1988

ПАРАМЕТРИЧЕСКИЙ генератор СВЕТА (параметрический лазер) — генератор когерентного оптического излучения, в котором энергия мощной световой волны фиксированной частоты преобразуется в излучение более низких частот.

Большой энциклопедический словарь

Параметрическое программирование

ПАРАМЕТРИЧЕСКОЕ ПРОГРАММИРОВАНИЕ — раздел математического программирования, посвященный исследованию задач оптимизации, в к-рых условия допустимости и (или) целевая функция зависят от нек-рых детерминированных параметров.

Математическая энциклопедия. — 1977-1985

Параметрическое программирование [parametrical programming] — раздел математического программирования, изучающий задачи, отличие которых от других задач состоит в следующем.

slovar-lopatnikov.ru

ПАРАМЕТРИЧЕСКОЕ ПРОГРАММИРОВАНИЕ [parametrical programming] — раздел математического программирования, изучающий задачи, отличие которых от других задач состоит в следующем.

Лопатников. — 2003

Параметрическое программирование (англ. parametrical programming) Параметрическое программирование (Макропрограммирование) — это язык программирования ЧПУ.

ru.wikipedia.org

Параметрическое возбуждение колебаний

Параметрическое возбуждение колебаний, возбуждение колебаний, наступающее в колебательной системе в результате периодических изменения величины какого-либо из «колебательных параметров» системы…

БСЭ. — 1969—1978

ПАРАМЕТРИЧЕСКОЕ возбуждение КОЛЕБАНИЙ — возбуждение колебаний в системе в результате периодического изменения величины какого-либо из ее энергоемких параметров, напр. емкости или индуктивности…

Большой энциклопедический словарь

ПАРАМЕТРИЧЕСКОЕ ВОЗБУЖДЕНИЕ КОЛЕБАНИЙ — возбуждение колебаний в колебат. системе в_результате периодич. изменения значения к.-л. из её энергоёмких параметров, например ёмкости или индуктивности в случае электромагн. колебаний в колебат. контуре.

Большой энциклопедический политехнический словарь

Параметрические статистические критерии

Параметрические статистические критерии (parametric statistical tests) П. с. к., в отличие от непараметрических или свободных от распределения критериев, требуют выдвижения допущений, касающихся характеристик…

Корсини Р. Психологическая энциклопедия

Параметрические статистические критерии (parametric statistical tests) П. с. к., в отличие от непараметрических или свободных от распределения критериев, требуют выдвижения допущений, касающихся характеристик…

Психологическая энцклопедия

Параметрическое возбуждение и усиление электрических колебаний

Параметрическое возбуждение и усиление электрических колебаний, метод возбуждения и усиления электромагнитных колебаний, в котором усиление мощности происходит за счёт энергии…

БСЭ. — 1969—1978

Русский язык

Параметри́ческий.

Орфографический словарь. — 2004

Параметр/и́ческ/ий.

Морфемно-орфографический словарь. — 2002

  1. параметризовать
  2. параметризующий
  3. параметрит
  4. параметрический
  5. параметрон
  6. параметр
  7. парамеция

ПАРАМЕТРИЧЕСКИЙ это

Читать PDF
39.49 кб

Параметрический анализ последовательности радионуклидных изображений почек при обструктивных и опухо

Камалов И. И., Румянцев С. Л.

The new estimation method of functional state of kidneys in obstructive and tumoral diseases with determination of distribution of radionuclid in each separate kidney segment is developed.

Читать PDF
290.82 кб

Терапевтический параметрический ультразвуковой датчик на поперечных волнах

Душенин Ю. В., Рыбачек М. С.

Читать PDF
252.14 кб

Параметрический анализ характеристик дыхания при реализации релейного режима воздействия

Ивахно Наталия Валериевна, Анцибор Сергей Валентинович

Рассмотрено математическое описание функциональной зависимости давления на разных интервалах наблюдения при реализации релейного воздействия.

Читать PDF
529.22 кб

Параметрический метод обучения нейронной сети в задаче прогнозирования

Аюпов И.Р.

Предложен параметрический метод обучения искусственной нейронной сети в задаче прогнозирования состояния больного. Применены адаптивный и генетический алгоритмы.

Читать PDF
6.96 мб

Системно-параметрический анализ совместимости наглядности школьных учебников

Кротова Ирина Владимировна

В аспекте формального и содержательного логического анализа осуществлено описание параметров совместимости наглядности в учебной литературе на примере учебников для общеобразовательной школы.

Читать PDF
428.06 кб

Параметрический портрет достижений преподавателя в контексте развития его интеллектуально-деятельнос

Старыгина Светлана Дмитриевна, Нуриев Наиль Кашапович

Для того, чтобы преподаватель мог успешно работать, он должен обладать высоким интеллектуально-деятельностным потенциалом. Проблема повышения потенциала преподавателя представлена как задача управления его саморазвитием.

Читать PDF
766.57 кб

Топология среды обитания человека: параметрический анализ и верифицированная модель для России

Каменский Е.Г.

Базовой гипотезой исследования выступает положение о латентном индикаторном значении социологической эмпирики в вопросах оценки состояния объективных в отношении социума и индивидуального сознания техно-природных феноменов.

Читать PDF
255.97 кб

Параметрическая теория коллектива: история создания и тенденции развития

Чернышев А. С., Сарычев С. В.

В статье рассматриваются историко-психологические аспекты параметрической концепции малых групп и коллективов, разработанной учеными Курского государственного университета.

Читать PDF
1.78 мб

Программная параметрическая модель безрезьбовых отверстий

Аль-джунейди Баджис Зйяд, Лячек Ю. Т.

Проводится анализ процесса формирования отверстий на чертежах в соответствии со стандартами. Выделяются типы и виды их представления.

Читать PDF
172.66 кб

Количественная метафора как основа формирования непространственных значений параметрических прилагат

Ташлыкова М. Б.

Читать PDF
500.74 кб

К возможности применения параметрических излучателей в приборах медицинской ультразвуковой диагности

Душенин Ю. В., Нагучев Д. Ш., Рыбачек М. С.

Читать PDF
0.00 байт

Применение высших гармоник сигналов параметрических антенн к исследованию движущихся гетерогенных жи

Бурьков Д. В., Старченко И. Б.

Читать PDF
0.00 байт

Параметрическая модель эколого-эстетического образования учителей начальных классов как средство реа

Гринева Елизавета Алексеевна, Арябкина Ирина Валентиновна

Параметрический анализатор Keithley 4200A-SCS | Tektronix

Просмотр технического описания4200A-SCS-PKA
ВАХ с высоким разрешением
4200A-SCS: параметрический анализатор (основной блок)
4201-SMU: два источника-измерителя (SMU) средней мощности для тестирования устройств с большими ёмкостями
4200-PA: предусилитель
8101-PIV: тестовая оснастка с типовыми устройствами
Запросить цену
Просмотр технического описания4200A-SCS-PKB
ВАХ и ВФХ с высоким разрешением
4200A-SCS: параметрический анализатор (основной блок)
4201-SMU: два источника-измерителя (SMU) средней мощности для тестирования устройств с большими ёмкостями
4200-PA: предусилитель
4215-CVU: многочастотный модуль для измерения ВФХ с высоким разрешением
8101-PIV: тестовая оснастка с типовыми устройствами
Запросить цену
Просмотр технического описания4200A-SCS-PKC
ВАХ и ВФХ мощных устройств
4200A-SCS: параметрический анализатор (основной блок)
4201-SMU: два источника-измерителя (SMU) средней мощности для тестирования устройств с большими ёмкостями
4211-SMU: два источника-измерителя (SMU) высокой мощности для тестирования устройств с большими ёмкостями

4200-PA: два предусилителя
4215-CVU: многочастотный модуль для измерения ВФХ с высоким разрешением
8101-PIV: тестовая оснастка с типовыми устройствами

Запросить цену
Просмотр технического описания4200-BTI-A
Сверхбыстрый измеритель темп. нестабильности при отриц./положит. смещ.
Для сложных измерений температурной нестабильности при отрицательном и положительном смещении кремниевых КМОП приборов, созданных с применением самых современных технологий В комплект поставки 4200-BTI-A входят:
  • 1 модуль 4225-PMU для измерений сверхбыстрых импульсов тока и напряжения
  • 2 модуля дистанционного предусилителя/коммутатора 4225-RPM
  • Программное обеспечение Automated Characterization Suite (ACS)
  • Модуль планов тестирования импульсных характеристик и BTI
  • Кабели
Запросить цену

Параметрический полиморфизм против специального полиморфизма

Согласно TAPL, §23.2:

Параметрический полиморфизм ( … ) позволяет типизировать один фрагмент кода “generically,” с использованием переменных вместо реальных типов, а затем создавать экземпляры с конкретными типами по мере необходимости. Параметрические определения однородны: все их экземпляры ведут себя одинаково.

Ad-hoc полиморфизм, напротив, позволяет полиморфному значению проявлять различное поведение при “viewed” в разных типах. Самые распространенные примером ad-hoc полиморфизма является перегрузка, которая связывает один символ функции со многими реализациями; компилятор (или система выполнения, в зависимости от того, является ли разрешение перегрузки статическим или динамическим) выбирает соответствующую реализацию для каждого приложения функции, основываясь на типах аргументов.

Итак, если рассматривать последовательные этапы истории, то неродовой официальный Java (a.k.a pre-J2SE 5.0, bef. сентябрь. 2004) имел специальный полиморфизм — так что вы могли перегружать метод , — но не параметрический полиморфизм, поэтому вы не могли написать общий метод . Потом, конечно, можно было сделать и то, и другое.

Для сравнения , с самого начала своего существования в 1990 году Haskell был параметрически полиморфным, то есть вы могли писать:

swap :: (A; B) -> (B; A)
swap (x; y) = (y; x)

где A и B-переменные типа, могут быть созданы для всех типов без каких-либо предположений. y ≤ z

где _30-это класс, определяющий функцию (_ ≤ _) . При использовании (between "abc" "d" "ghi") статически решается выбрать правильный экземпляр для строк ( а не, например, целых чисел) — именно в тот момент, когда произойдет перегрузка метода (Java).

Вы можете сделать что-то подобное в Java с ограниченными подстановочными знаками . Но ключевое различие между Haskell и Java на этом фронте заключается в том, что только Haskell может выполнять автоматическую передачу словаря : в обоих языках , учитывая два экземпляра Ord T , скажем b0 и b1 , вы можете построить функцию f , которая принимает их в качестве аргументов и производит экземпляр для типа пары (b0, b1), используя, скажем, лексикографический порядок. Скажите теперь, что вам дано (("hello", 2), ((3, "hi"), 5)) . В Java вы должны запомнить экземпляры для string и int и передать правильный экземпляр (сделанный из четырех приложений f!), чтобы применить between к этому объекту. Haskell может применить композиционность и выяснить, как построить правильный экземпляр, учитывая только основные экземпляры и конструктор f (это распространяется на другие конструкторы, конечно) .


Теперь, что касается вывода типа (и это, вероятно, должен быть отдельный вопрос), для обоих языков он является неполным в том смысле, что вы всегда можете написать неаннотированную программу, для которой компилятор не сможет определить тип.

  1. для Haskell это связано с тем, что он обладает импредикативным (a.k.a. first-class) полиморфизмом, для которого вывод типа неразрешим. Обратите внимание, что в этом пункте Java ограничивается полиморфизмом первого порядка (то, на чем расширяется Scala).

  2. для Java это происходит потому, что он поддерживает контравариантное подтипирование .

Но эти языки в основном различаются по диапазону программных операторов, к которым на практике применяется вывод типа , и по важности, придаваемой правильности результатов вывода типа.

  1. Для Haskell вывод применим ко всем «non-highly polymorphic» терминам, и приложите серьезные усилия, чтобы вернуть обоснованные результаты, основанные на опубликованных расширениях хорошо известного алгоритма:

    • По своей сути вывод Haskell основан на Хиндли-Милнере , который дает вам полные результаты, как только при выводе типа приложения переменные типа (например, A и B в приведенном выше примере) могут быть созданы только с неполиморфными типами (я упрощаю, но это, по сути, полиморфизм в стиле ML, который вы можете найти, например, в Ocaml.).
    • недавний GHC гарантирует, что аннотация типа может потребоваться только для привязки let или λ-абстракции, имеющей тип non-Damas-Milner .
    • Haskell пытался оставаться относительно близко к этому неплодородному ядру даже через его самые волосатые расширения (например , GADTs ). во всяком случае, предлагаемые расширения почти всегда появляются в статье с доказательством правильности вывода расширенного типа .
  2. В любом случае для Java вывод типа применяется гораздо более ограниченным образом :

    До выпуска Java 5 в Java не было вывода типа. В соответствии с культурой языка Java тип каждой переменной, метода и динамически выделяемого объекта должен быть явно объявлен программистом . Когда дженерики (классы и методы, параметризованные по типу) были введены в Java 5, язык сохранил это требование для переменных, методов и распределений . Но введение полиморфных методов (параметризованных по типу) диктовало, что либо (i) программист предоставляет аргументы типа метода на каждом сайте вызова полиморфного метода, либо (ii) язык поддерживает вывод аргументов типа метода. Чтобы избежать создания дополнительной канцелярской нагрузки для программистов, разработчики Java 5 решили выполнить вывод типа для определения аргументов типа для полиморфных вызовов методов . ( source, Курсив мой)

    Алгоритм вывода по существу аналогичен алгоритму GJ, но с несколько клудным добавлением подстановочных знаков в качестве запоздалой мысли (обратите внимание, что я не в курсе возможных исправлений, сделанных в J2SE 6.0). Большое концептуальное различие в подходе заключается в том , что вывод Java является локальным в том смысле, что выводимый тип выражения зависит только от ограничений, генерируемых системой типов и типами ее под-выражений, но не от контекста.

    Обратите внимание,что партийная линия относительно неполного & иногда неверного вывода типа относительно отложена. Согласно спецификации :

    Обратите внимание также, что вывод типа никак не влияет на обоснованность. Если выведенные типы бессмысленны, вызов приведет к ошибке типа. Алгоритм вывода типа следует рассматривать как эвристику, предназначенную для хорошей работы на практике. Если он не может вывести желаемый результат, вместо него могут быть использованы явные параметры типа.

ПАРАМЕТРИЧЕСКИЙ РЕЗОНАНС • Большая российская энциклопедия

Рис. 1. Связь между изменениями со временем t ёмкости С конденсатора (а), заряда q на его обкладках (б) и напряжения U (в) при параметрическом резонансе в колебательном контуре.

ПАРАМЕТРИ́ЧЕСКИЙ РЕЗОНА́НС, яв­ле­ние рас­кач­ки ко­ле­ба­ний при пе­рио­дич. из­ме­не­нии па­ра­мет­ров тех эле­мен­тов ко­ле­ба­тель­ной сис­те­мы, в ко­то­рых со­сре­до­то­че­на энер­гия ко­ле­ба­ний (ре­ак­тив­ные или энер­го­ём­кие па­ра­мет­ры). П. р. воз­мо­жен в ко­ле­ба­тель­ных сис­те­мах разл. фи­зич. при­ро­ды. Напр., в элек­трич. ко­ле­ба­тель­ном кон­ту­ре ре­ак­тив­ны­ми па­ра­мет­ра­ми яв­ля­ют­ся ём­кость $C$ и ин­дук­тив­ность $L$, в ко­то­рых за­па­се­ны элек­трич.2$ и $W_э$ мак­си­маль­ны, и уве­ли­чивая, ко­гда эти ве­ли­чи­ны рав­ны ну­лю (рис. 1), то в сред­нем за пе­ри­од над сис­те­мой со­вер­ша­ет­ся по­ло­жи­тель­ная ра­бо­та и, сле­до­ва­тель­но, пол­ная энер­гия и ам­пли­ту­да ко­ле­ба­ний бу­дут мо­но­тон­но на­рас­тать.

П. р. наи­бо­лее эф­фек­тив­но про­яв­ля­ет­ся при из­ме­не­нии па­ра­мет­ров ко­ле­ба­тель­ной сис­те­мы с пе­рио­дом $T_н$, крат­ным по­лу­пе­рио­ду $T_0$ собств. ко­ле­ба­ний сис­те­мы:$$T_н≈nT_0/2,\quad ω_н=2ω_0/n,\qquad(1)$$ где $n$ – це­лое чис­ло, $ω_н=2π/T_н$ – час­то­та на­кач­ки.

Рис. 2. Области значений m, в которых возможен параметрический резонанс: ω0 – частота собственных колебаний; ωн – частота накачки (изменения параметра).

На­рас­та­ние ко­ле­ба­ний воз­мож­но не толь­ко при точ­ном вы­пол­не­нии со­от­но­ше­ний (1), но и в не­ко­то­рых ко­неч­ных ин­тер­ва­лах зна­че­ний $ω_н$ вбли­зи $2ω_0/n$ (в т. н. зо­нах не­ус­той­чи­во­сти, рис. 2). Ши­ри­на зон тем боль­ше, чем силь­нее из­ме­ня­ют­ся па­ра­мет­ры $C$ и $L$. Из­ме­не­ние па­ра­мет­ра, напр. ём­ко­сти $C$, ха­рак­те­ри­зу­ют ве­ли­чи­ной $$m=(C_{макс}-C_{мин})/(C_{макс}+C_{мин}),$$ на­зы­вае­мой глу­би­ной из­ме­не­ния па­ра­мет­ра.

П. р. при­во­дит к не­ус­той­чи­во­сти ко­ле­ба­тель­ной сис­те­мы, т. е. к на­рас­та­нию ма­лых на­чаль­ных воз­му­ще­ний, напр. не­из­беж­ных во вся­кой сис­те­ме флук­туа­ций, сре­ди ко­то­рых все­гда най­дёт­ся со­став­ляю­щая с под­хо­дя­щей фа­зой по от­но­ше­нию к фа­зе из­ме­не­ния па­ра­мет­ров. Ес­ли в сис­те­ме име­ют­ся по­те­ри (напр., в кон­ту­ре при­сут­ст­ву­ет со­про­тив­ле­ние $R$), то не­ус­той­чи­вость воз­ни­ка­ет толь­ко при до­ста­точ­но боль­ших из­ме­не­ни­ях $C$ или $L$, ко­гда па­ра­мет­рич. на­кач­ка энер­гии пре­вос­хо­дит по­те­ри. Зо­ны не­ус­той­чи­во­сти при этом со­от­вет­ст­вен­но умень­ша­ют­ся или да­же ис­че­за­ют со­всем (на рис. 2 эти зо­ны по­ка­за­ны тон­ки­ми ли­ния­ми). На­рас­та­ние ко­ле­ба­ний при П. р. не про­ис­хо­дит бес­пре­дель­но, а ог­ра­ни­чи­ва­ет­ся при дос­та­точ­но боль­ших ам­пли­ту­дах разл. не­ли­ней­ны­ми эф­фек­та­ми. Напр., за­ви­си­мость со­про­тив­ле­ния от то­ка в кон­ту­ре мо­жет при­во­дить к уве­ли­че­нию по­терь по ме­ре воз­рас­та­ния ам­пли­ту­ды ко­ле­ба­ний, а за­ви­си­мость ём­ко­сти от на­пря­же­ния на ней – к из­ме­не­нию пе­риода собств. ко­ле­ба­ний $T_0$ и в ре­зуль­та­те к уве­ли­че­нию рас­строй­ки ме­ж­ду зна­че­ния­ми $ω_н$ и $2ω_0/n$. Рав­но­ве­сие на­сту­па­ет, ко­гда па­ра­мет­рич. на­кач­ка энер­гии в сред­нем за пе­ри­од ком­пен­си­ру­ет­ся по­те­ря­ми.

При­мер ме­ха­нич. сис­те­мы, в ко­то­рой воз­мо­жен П. р., – ма­ят­ник в ви­де гру­за мас­сы $M$, под­ве­шен­но­го на ни­ти, дли­ну $l$ ко­то­рой мож­но из­ме­нять. Eсли умень­шать $l$ в ниж­нем и уве­ли­чи­вать в край­них по­ло­же­ни­ях, то ко­ле­ба­ния мо­гут рас­ка­чи­вать­ся. На П. р. ос­но­ва­но са­мо­рас­ка­чи­ва­ние на ка­че­лях, ко­гда эф­фек­тив­ная дли­на ма­ят­ни­ка пе­рио­ди­че­ски из­ме­ня­ет­ся при при­се­да­ни­ях и вста­ва­ни­ях ка­чаю­ще­го­ся. П. р. учи­ты­ва­ет­ся в не­бес­ной ме­ха­ни­ке при рас­чё­те воз­му­ще­ний пла­нет­ных ор­бит, вы­зван­ных влия­ни­ем др. пла­нет.

В ко­ле­ба­тель­ных сис­те­мах с не­сколь­ки­ми сте­пе­ня­ми сво­бо­ды (напр., в сис­те­ме из двух свя­зан­ных кон­ту­ров или ма­ят­ни­ков) воз­мож­ны собств. (нор­маль­ные) ко­ле­ба­ния (мо­ды) с разл. час­то­та­ми: $ω_1, ω_2,…$ Со­от­вет­ст­вен­но на­рас­та­ние ко­ле­ба­ний здесь воз­мож­но, напр., при из­ме­не­нии па­ра­мет­ра с сум­мар­ной час­то­той: $ω_н=ω_1+ω_2$.

В сис­те­мах с рас­пре­де­лён­ны­ми па­ра­мет­ра­ми (вол­но­вых сис­те­мах), об­ла­даю­щих бес­ко­неч­ным чис­лом сте­пе­ней сво­бо­ды, так­же воз­мож­но воз­бу­ж­де­ние нор­маль­ных ко­ле­ба­ний в ре­зуль­та­те П. р. Клас­сич. при­мер – опыт Мель­де (1859), в ко­то­ром на­блю­да­лось воз­бу­ж­де­ние по­пе­реч­ных ко­ле­ба­ний (стоя­чих волн) в стру­не, при­кре­п­лён­ной од­ним кон­цом к нож­ке ка­мер­то­на, ко­ле­ба­ния ко­то­ро­го пе­рио­ди­че­ски ме­ня­ют на­тя­же­ние стру­ны с час­то­той, вдвое боль­шей час­то­ты собств. по­пе­реч­ных ко­ле­ба­ний. Другой при­мер – опыт Фа­ра­дея (1831), в ко­то­ром вер­ти­каль­ные ко­ле­ба­ния со­су­да с во­дой при­во­дят к воз­бу­ж­де­нию стоя­чей по­верх­но­ст­ной вол­ны с уд­во­ен­ным пе­рио­дом.

П. р. в вол­но­вых сис­те­мах – это ре­зо­нанс не толь­ко во вре­ме­ни, но и в простран­ст­ве. Напр., ес­ли на­кач­ка, из­ме­няю­щая па­ра­мет­ры сре­ды, пред­став­ля­ет со­бой бе­гу­щую вол­ну с час­то­той $ω_н$ и вол­но­вым век­то­ром $\boldsymbol k_н$, то воз­бу­ж­де­ние па­ры нор­маль­ных волн с час­то­та­ми $ω_1$, $ω_2$ и вол­но­вы­ми век­то­ра­ми $\boldsymbol k_1$, $\boldsymbol k_2$ осу­ще­ст­в­ля­ет­ся, ес­ли вы­пол­ня­ют­ся ус­ло­вия: $$ω_н=ω_1+ω_2,\quad \boldsymbol k_н=\boldsymbol k_1+\boldsymbol k_2.\qquad(2)$$

На кван­то­вом язы­ке ус­ло­вия (2) оз­на­ча­ют, что при рас­па­де кван­та на­кач­ки на два др. кван­та со­хра­ня­ют­ся как энер­гия $\hbar ω$, так и им­пульс $\hbar \boldsymbol k$ ($\hbar$ – по­сто­ян­ная План­ка). На­рас­та­ние ам­пли­туд волн во вре­ме­ни и в про­стран­ст­ве (рас­пад­ная не­ус­той­чи­вость) так­же ог­ра­ни­чи­ва­ет­ся не­ли­ней­ны­ми эф­фек­та­ми: ес­ли зна­чит. часть энер­гии на­кач­ки из­рас­хо­до­ва­на на воз­бу­ж­де­ние волн, то воз­мо­жен об­рат­ный про­цесс – рост энер­гии на­кач­ки за счёт ос­лаб­ле­ния волн на час­то­тах $ω_1$, $ω_2$; в сре­де без по­терь та­кой об­мен энер­ги­ей про­ис­хо­дит пе­рио­ди­че­ски.

Па­ра­мет­рич. и не­ли­ней­ные ре­зо­нанс­ные взаи­мо­дей­ст­вия волн ха­рак­тер­ны, напр., для разл. ти­пов волн в плаз­ме, мощ­ных све­то­вых волн (см. Па­ра­мет­ри­че­ский ге­не­ра­тор све­та), волн в элек­трон­ных пуч­ках и для др. вол­но­вых про­цес­сов.

Параметрическая оптимизация – CADFEM Ukraine

Параметрическая оптимизация — процесс нахождения значений параметров, при которых достигается максимальная эффективность выполнения процедуры или обеспечиваются наилучшие характеристики устройства или системы с точки зрения установленного критерия.

Выделяют два типа параметрического анализа: детерминированный и вероятностный. В первом типе анализа все параметры непрерывно изменяются в пределах заданного диапазона (задавая пространство проектных параметров), а ожидаемый результат является непрерывным откликом различных характеристик. Детерминированный анализ — это первый шаг, который необходимо сделать для изучения особенностей изделия и поиска подходящей конструкции в пространстве проектных параметров. Когда допустимый вариант конструкции найден, необходимо проверить  насколько отказоустойчива полученная конструкция?

Ответ на этот вопрос поможет получить вероятностный параметрический анализ. Нагрузки, размеры и свойства материалов являются недетерминированными параметрами.

 

Основные расчетные пакеты параметрической оптимизации в ANSYS:

ANSYS DesignXplorer

Мощный инструмент для изучения, понимания и оптимизации инженерных задач. Позволяет определить ключевые параметры, влияющие на конструкцию, изучение и понимание поведения изделия  при других условиях проектирования или эксплуатации, исследование надежности (робастности) конструкции.

 

 

ANSYS optiSLang — профессиональный инструмент, который содержит мощные возможности параметрического моделирования ANSYS Workbench и надежные методы оптимизации (RDO) optiSLang. Набор инструментов optiSLang включает в себя модули для анализа чувствительности, оптимизации и оценки надежности, которые можно легко перетащить в проект Workbench, чтобы сформировать интерактивную цепочку процессов. Этот рабочий процесс позволяет инженерам повысить производительность продукта, определить потенциал оптимизации, количественно оценить риски и обеспечить эффективность использования ресурсов. ANSYS optiSLang также доступен вне расчетной платформы Workbench в собственном интерфейсе с мощной средой интеграции процессов.

 

 Optimertics

 

ANSYS Optimetrics — это универсальная программа, которая добавляет возможности параметрического, оптимизационного, чувствительного и статистического анализа в ANSYS HFSS, ANSYS Maxwell и ANSYS Q3D Extractor. Optimetrics автоматизирует процесс оптимизации проектирования высокопроизводительных электронных устройств, быстро определяя оптимальные значения параметров проектирования, которые удовлетворяют заданным пользователем ограничениям.

 

Параметрический траннсформатор в Genshin Impact 1.3: что это, где искать?

Чтобы получить параметрический трансформатор нужно выполнить задание “Тропа сокровищ Тяньцю”. Для получения миссии “Тропа сокровищ Тяньцю”, следует посетить гавань Лиюэ и отправиться в гильдию искателей приключений. Лан – персонаж, что гуляет неподалеку, предоставит это задание, над его головой будет мерцать синий восклицательный знак. Он очень заметный.

Для выполнения поручения, первое что придется сделать, это пойти в точку неподалеку от руин Дунью. Там будет группа хиличурлов, которую нужно будет победить. К сожалению разрабочики еще не ввели возможность договориваться с ними без боя. С их трупов следует собрать карту сокровищ.

Рядом с руинами есть небольшая область, ее необходимо исследовать. Недалеко от лагеря хиличурлов, есть упавшая каменная плита. Подойдя к ней игрок получает больше подсказок, высвечивается сообщение:

«Гигантское дерево, цветущее и пышное. Внутри оно хранит предыдущий тайник. Прямо посередине следуйте по дороге. Ищите, и будет даровано богатство. С таким количеством ступенек, по которым нужно подняться для хорошей меры, спуститесь, и найдите спрятанное сокровище»

После этого на карте появятся три новых локации, придется побродить по ним и отыскать маленькие стрелочки указывающие на землю. По канонам фильмов про пиратов, следует копать в этих местах и получать сундуки. Когда игрок соберет все три ящика, нужно вернутся к Лану и сдать квест. В награду геймер получает 30000 мор и новый предмет «параметрический трансформатор».

Что такое параметрический трансформатор?

С помощью этого предмета можно преобразовывать один материал в другой. Это важно для развития персонажей. Чтобы использовать его, нужно открыть раздел «гаджеты» в своем инвентаре и экипировать устройство, затем поместить его на землю. После этого нажать на параметрический трансформатор. Заполнить его всей той дребеденью, что выпадает из толп хиличурлов, а затем начать бить приспособление стихийными атаками героев игрока. По мере атак трансформатор будет заряжаться. После того, как он достигнет 100%, предмет автоматически вернется в инвертарь, а геймер получает материалы для восхождения героев/талантов и руды улучшения.

На данном этапе предметы выпадают без какой-либо логики, а сам трансформатор восстанавливается неделю. Поэтому пока руководствуйтесь простыми принципами: если хотите получить снаряжение получше – кидайте вещи, которые выпадают с противников высокого уровня (60+).

Карьера в

PTC | PTC

PTC — работодатель с равными возможностями и позитивными действиями

В PTC мы верим в силу разнообразных идей и перспектив. Как глобальная компания, которая ценит и уважает все идентичности, культуры и взгляды, мы стремимся создать инклюзивный PTC для ВСЕХ через среду, в которой каждый чувствует себя принадлежащим ему и имеет возможность использовать свое истинное, подлинное «я» в работе.Мы гордимся тем, что являемся работодателем с равными возможностями и позитивными действиями, мы приветствуем кандидатов любого происхождения и принимаем на работу независимо от расы, национального происхождения, религии, возраста, цвета кожи, этнической принадлежности, происхождения, семейного положения, пола (включая беременность), сексуальной ориентации, пола. идентичность, гендерное выражение, генетическая идентичность, инвалидность, статус ветерана или любые другие характеристики, защищенные местными, государственными или федеральными законами, правилами или постановлениями. (EEO — это Законный плакат, EEO — это Законное приложение, Положение о недискриминации в отношении прозрачности оплаты труда).Ознакомьтесь с нашей политикой позитивных действий здесь. Приверженность PTC этой политике помогает PTC привлекать наиболее талантливых и способных сотрудников, тем самым повышая конкурентоспособность PTC на мировом рынке.

PTC стремится сделать PTC.com доступным для всех без исключения пользователей. Если вы хотите связаться с нами по поводу доступности нашего веб-сайта или вам нужна помощь в завершении процесса подачи заявки, позвоните нам по телефону (781) 370-5691. Эта контактная информация предназначена только для запросов на размещение и не может использоваться для проверки статуса заявок.

Для кандидатов на вакансию в США PTC участвует в программе E-Verify и будет использовать E-verify для подтверждения вашего разрешения на работу. Для получения дополнительной информации о E-Verify см. Уведомления о E-Verify (английский / испанский) и о праве на работу (английский / испанский).

Для кандидатов на работу в Онтарио, Канада, PTC разработала политику и процедуры, связанные с размещением людей с ограниченными возможностями, как того требует Закон о доступности для жителей Онтарио с ограниченными возможностями (AODA).Чтобы получить копию политики компании или если у вас есть инвалидность и вы хотите обсудить процесс создания плана проживания в компании PTC, обратитесь к представителю отдела кадров компании в Канаде Тони Скотт по телефону (519) 884-2251.

Lloyd’s запускает первую готовую параметрическую политику ИТ-бизнес-аналитики

Lloyd’s запустил новую политику прерывания бизнеса, предназначенную для защиты малых и средних предприятий от сбоев или простоев ИТ. Parametrix Insurance, возглавляемая Tokio Marine Kiln и поддерживаемая RenaissanceRe, является первым стандартным параметрическим полисом в своем роде.

При использовании параметрического триггера политика автоматически производит выплаты, если критически важные ИТ-услуги клиента, такие как облачные сервисы, электронная коммерция или платежные системы, не работают, что сокращает время корректировки потерь.

Генеральный директор Parametrix Insurance Йонатан Хацор пояснил: «Компании перешли к управлению большинством своих критически важных ИТ-операций с помощью сторонних поставщиков услуг, что повысило их уязвимость к сбоям в работе. В результате простой критически важных технологий стал самым быстрорастущим риском для бизнеса сегодня, независимо от того, являетесь ли вы технологической компанией или нет.Кроме того, существующий процесс урегулирования претензий на местах сложен, дорог и требует много времени ».

Хацор говорит, что этот новый подход решает все эти проблемы, экономит время и деньги и делает техническое страхование доступным для новых сегментов бизнеса.

Тревор Мейнард, глава отдела инноваций Lloyd, прокомментировал: «Мы знаем, что страховые продукты и услуги должны развиваться, чтобы отвечать на вызовы пандемии COVID-19 и помогать нашим клиентам покрывать новые или повышенные риски, с которыми они могут столкнуться сейчас или в будущем. .Вот почему Lloyd’s Product Innovation Facility и наша новая когорта Lloyd’s Lab ищут способы, как отрасль может сделать это более эффективно. Я рад видеть доказательства этого сегодня с запуском Parametrix ».

Том Хоад, руководитель отдела инноваций Tokio Marine Kiln, добавил: «Сторонние поставщики облачных услуг помогают нашим клиентам торговать в постоянно меняющемся мире, и Parametrix проделали большую работу по разработке страхового продукта, который помогает повысить устойчивость в этой сфере. . Мы надеемся, что PIF BETA (в которую входят TMK, RenaissanceRe и другие), которая поддерживает Parametrix Insurance с помощью андеррайтинговых услуг, по-прежнему будет эффективным ускорителем для других технологических продуктовых решений.”

Параметрическая форма

Линия

Давайте рассмотрим прямую линию на плоскости в качестве первого простого примера.

Треугольники P1, A, P и P1, B, P2 похожи, и мы можем настроить следующие:

и найдите, например, y, выраженное координатами двух известных точки и x.

В качестве альтернативы мы могли бы задать параметрическое уравнение для линии. Параметрический означает, что выражение содержит параметр t, который изменяет когда мы бежим по линии.Для линии на плоскости получаем два параметрических выражения, одно для x и одно для y. Поскольку у нас есть линия, оба линейны.

      P = P1 + t · (P2-P1)
      х (т) = х1 + (х2-х1) · т
      у (т) = у1 + (у2-у1) · т
     

Мы видим, что x (0) = x1 и y (0) = y1 и x (1) = x2 и у (1) = у2. Поскольку выражения линейны, мы знаем, что когда t изменяется от 0 до 1, x и y идут от P1 до P2.

Параметрическая форма позволяет контролировать длину линии, не только направление линии.

Даже этот простой пример может быть полезен в некоторых ситуациях. Если мы собираемся выполнить анимацию, которая движется по прямой линии, мы может управлять анимацией с небольшими t-шагами. Мы контролируем скорость варьируя t-шаги. Более сложными движениями можно управлять с помощью последовательности линейные движения, если не придумаем что-то более умное.

Расширение для включения линий в пространство просто. Если мы знаем конечные точки: P1 (x1, y1, z1) и P2 (x2, y2, z2), мы получили:

      P = P1 + t · (P2-P1)

      х (т) = х1 + (х2-х1) · т
      у (т) = у1 + (у2-у1) · т
      z (t) = z1 + (z2-z1) · т
     

Круг

Самый распространенный способ чтобы написать круг:
x 2 + y 2 = r 2 .

Параметрически это можно записать как:

      y (t) = r · sin (2 · pi · t)
      х (t) = r · cos (2 · pi · t)
     

или если мы укажем угол в градусах:

      y (t) = r · sin (360 · t)
      x (t) = r · cos (360 · t)
     

Когда t изменяется от 0 до 1, аргумент угла проходит полный круг,
а точка (x (t), y (t)) описывает окружность.

Помните: , что тригонометрические функции в C, C ++ и Java ожидают радианы в качестве параметров, в то время как функция вращения в OpenGL ожидает градусы.

Спираль

Часть спирали в пространстве вокруг оси z можно описать как:

      y (t) = r · sin (2 · pi · t)
      х (t) = r · cos (2 · pi · t)
      z (t) = k · t
     

Где k указывает расстояние между двумя кольцами спирали. Если мы позволим ему переехать больший интервал, например 0..5, мы получим 5 оборотов спирали. Мы также видим что у нас есть удобный механизм для вычисления кругов и сегментов круга.

Сфера

мы обычно описываем сферу, подобную этой, с радиусом r:

Параметрически можно описать координаты точки на сферах поверхность как это:

Эллипс

Обычно мы описываем эллипс так:

Пит Хейн [1], датский математик, поэт и художник, представил свои супер эллипс по следующей формуле:

При увеличении экспоненты форма эллипса меняется. в сторону прямоугольника.Пит Хейн предположил, что 2,5 дает нам лучший эстетический результат. Спроектировал Сергельс торг в Стокгольме. как суперэллипс с соотношением двух радиусов 5: 6.

Параметрически мы описываем эллипс так:

мы получим параметрический суперэллипс, если использовать показатель степени n на синусе и косинусе. Обратите внимание, что эллипс будет расти в сторону прямоугольника при уменьшении n. Если rx = ry, мы получим круг, когда n = 1.

Эллипсоид

В трех измерениях мы описываем эллиптическую форму следующим образом:

Параметрическая форма:

Снова мы получаем суперэллипсоид, вводя показатель степени синуса и косинуса:

Нормаль в точке на поверхности может быть описана следующим образом:

Этих формул достаточно, чтобы вычислить и, таким образом, отобразить, суперэллипсоид.Мы позволяем двум параметрам угла работать в двойном цикле и вычисляем соседние точки. и использовать их для визуализации фрагментов поверхности.

Тор

Тор — это относительно сложная математическая фигура. Мы хотим найти параметрическое описание точки p на поверхности тора.

Тор полностью описывается двумя радиусами: Главный радиус R и радиус внутри тела тора р .Мы хотим найти два параметра, которые объединяют два поворота, которые необходимо однозначно идентифицировать точку, одну вокруг главной оси и одну вокруг оси тела тора.

Пусть w описывает вращение вокруг главной оси тора, «дыры», и пусть v описывает вращение вокруг тела тора. Рисуем тор в двух проекциях:

Изучая две проекции, мы можем убедиться, что точка p координаты:

  г = г.грех (v)
  y = (R + r · cos (v)) sin (w)
  х = (R + r · cos (v)) cos (w)
   

Это означает, что мы можем описать любую точку на поверхности тора с помощью трех параметрических уравнения выше. Это также позволяет нам ограничивать поверхности на поверхности тора необходимыми точности, и мы можем вычислить нормали на этих поверхностях (с помощью векторного произведения). Осталось найти эффективный алгоритм для рисования тора в виде мозаики поверхностей.

Параметрическое моделирование — обзор

I ВВЕДЕНИЕ

Параметрическое моделирование сигналов и систем дает краткое описание лежащего в основе процесса и облегчает дальнейшую обработку данных (например,g., в задачах деконволюции или фильтрации). Однако большая часть работы по параметрической идентификации системы основана на предположении о стационарности , для наблюдаемого сигнала, или, что эквивалентно, на инвариантности по времени основной системы. Это предположение, хотя и удобно с математической точки зрения, не всегда верно для различных сигналов, встречающихся в нескольких приложениях.

Время различные системы (TV) возникают естественным образом в различных ситуациях, включая анализ речи [1] (из-за постоянно меняющегося речевого тракта), обработку сейсмических данных [2] (из-за изменяющегося в пространстве поглощения Земли) и обработка массива (из-за движущихся источников).Другие примеры включают оценку временной задержки, подавление эха, проблемы с радарами и сонарами и многие другие приложения для идентификации системы. Растущий интерес к частотно-временным представлениям и ТВ-спектральному анализу (например, [3]) указывает на важность нестационарного анализа сигналов.

Основное применение идентификации системы и деконволюции проявляется в цифровой передаче по каналам с эффектами многолучевого распространения или ограничениями полосы пропускания. Межсимвольные помехи (ISI) присутствуют в этом случае из-за задержанных копий переданного сигнала, поступающего по множественным путям, или из-за фильтров передатчика и приемника [4].ISI является основным препятствующим фактором в высокоскоростной цифровой передаче, и его эффекты могут быть значительно более серьезными по сравнению с эффектами аддитивного шума. Таким образом, использование некоторой процедуры выравнивания канала необходимо для восстановления и обнаружения переданных символов.

В приложениях связи принято предполагать, что межсимвольные помехи не меняются в течение периода передачи, то есть канал время инвариант (TI).Однако во многих случаях ISI вызывается эффектами многолучевого распространения из-за изменяющейся среды, поэтому необходимо учитывать канал с изменением времени . Примеры телеканалов (называемых частотами селективными замирающими звеньями ) включают загоризонтную связь [4] (из-за случайных изменений в ионосфере), подводный акустический канал [5] (из-за локальных изменений температуры и соленость океанических слоев) и микроволновые каналы [6]. Не менее важное применение появляется в радиопередаче на мобильный приемник, например, в сотовой телефонии.В этом случае эффект многолучевого распространения от отражений от близлежащих зданий постоянно меняется по мере движения транспортного средства. Чтобы выровнять эти затухающие звенья, следует рассмотреть возможность идентификации и деконволюции телевизионных систем и каналов. Это общая тема данной работы.

Самым популярным подходом к оценке и коррекции телеканалов было использование адаптивного алгоритма для отслеживания изменяющихся параметров канала [4, гл. 6,7], [7]. Обычно обучающая последовательность (известная приемнику) передается в начале сеанса, чтобы эквалайзер мог адаптировать свои параметры.После периода обучения эквалайзер обычно переключается в режим, управляемый принятием решения. В этом режиме предполагается, что ранее обнаруженные символы являются правильными и передаются обратно в адаптивный алгоритм для обновления оценок параметров. Таким образом, алгоритм может отслеживать изменения во времени при условии, что они достаточно медленные по сравнению со временем сходимости алгоритма.

Несмотря на свою популярность и простоту, адаптивные алгоритмы выводятся на основе предположения стационарный и не учитывают явным образом телевизионную природу канала.Таким образом, их можно использовать только для медленно меняющихся каналов и систем. Более того, в режиме обратной связи по принятию решения (DF) они страдают от побочных эффектов и проблем с расхождением всякий раз, когда происходит глубокое замирание или быстрое изменение. По этой причине им требуется периодическая переподготовка.

Чтобы преодолеть эти проблемы, дальнейшее моделирование вариаций канала должно быть включено в процедуру выравнивания. Второй, вероятностный подход состоит в том, чтобы рассматривать каждый коэффициент телевизионной системы как случайный процесс.В этом контексте проблема идентификации телевидения эквивалентна оценке этих «скрытых» процессов. Если статистика этих процессов априори известна , методы фильтрации Калмана могут использоваться для оценки TV-коэффициентов по входным / выходным данным [5]. Однако неясно, как оценить эту статистику, поскольку телевизионные коэффициенты не наблюдаются напрямую. Более того, эта, а также более простые модели случайного блуждания основаны на предположении случайного коэффициента , которое имеет смысл только тогда, когда в многолучевом канале много случайно движущихся отражателей (например,г., ионосферный канал). Он не будет действителен для различных настроек, например, каналов со случайными скачками или периодическими изменениями.

Третий подход, на котором мы сосредоточимся, основан на расширении каждого TV коэффициента на набор базовых последовательностей. Если комбинация небольшого количества базовых последовательностей может хорошо аппроксимировать изменение каждого коэффициента во времени, тогда задача идентификации эквивалентна оценке параметров в этом разложении, которые не зависят от времени.Этот подход превращает проблему в проблему, не зависящую от времени, и использовался для оценки моделей TV-AR в контексте анализа речи [1], [8]. Однако производительность этих методов в решающей степени зависит от мудрого выбора базового набора, который позволяет экономно фиксировать динамику вариаций канала. Несколько полиномиальных [9], [10] и вытянутых сфероидальных последовательностей [1] были предложены в прошлом, хотя и без количественного обоснования.

Здесь мы откладываем обсуждение выбора базисных последовательностей для Раздела V, где в общем случае рекомендуется использовать вейвлет-базис.Однако мы мотивируем подход расширения базиса в Разделе II, где мы показываем, что многолучевой канал мобильной радиосвязи может быть описан периодически изменяющейся моделью. Каждый коэффициент TV задается как комбинация некоторых комплексных экспонент. Таким образом, использование экспоненциального базиса в этой структуре доказывает полезность и применимость подхода расширения базиса.

Идеи расширения Basis предоставляют ценный инструмент для расширения адаптивных алгоритмов типа RLS и LMS на случай быстро меняющихся систем.Более того, они предлагают структуру, в которой может быть решена более сложная проблема слепой или вывод только идентификации телеканала.

Слепой или самовосстанавливающиеся процедуры выравнивания используют только выходную информацию и, следовательно, не требуют периода обучения. Таким образом, они полезны в приложениях, где нет обучающей последовательности [11], [12], [13], [14], [15]. Примеры включают широковещательную передачу на множество приемников (например, широковещательную передачу HDTV), где передатчик не может быть прерван, чтобы инициировать новые сеансы обучения, и многоточечные сети передачи данных, где стоимость обучения каждой отдельной оконечной точки непомерно высока с точки зрения сетевого управления [16].Слепые методы (в случае TI) обычно включают минимизацию критериев на основе статистики сигнала вместо среднеквадратичной ошибки [11], [15]. Таким образом, они не поддаются легко расширению ТВ, поскольку статистика в этом случае меняется со временем и не может быть легко оценена.

В Разделе IV идеи расширения базиса используются для решения проблемы слепой коррекции для каналов с быстрым замиранием. Для восстановления коэффициентов телеканала используются нестационарные моменты и кумулянты второго и четвертого порядков.Показана идентифицируемость канала по этой выходной статистике, и предложены новые линейные и нелинейные алгоритмы, основанные на мгновенных аппроксимациях телевизионных моментов. Исследована эффективность этих методов и показана сильная сходимость предложенного алгоритма.

Стремясь сделать представление как можно более общим, мы не ссылаемся на какую-либо конкретную основу в этих выводах. Однако выбор подходящего базового набора имеет решающее значение для успеха этого подхода.Хотя в некоторых случаях выбор базовых последовательностей явно продиктован динамикой канала (например, мобильный радиоканал), в общем случае это нетривиальная проблема [8].

Мотивированные успехом мультиразрешающих методов в сжатии сигналов и изображений, [17], [18], в Разделе V мы изучаем применимость вейвлет-базиса для скупого описания коэффициентов телевизионной системы. Вейвлет-расширения предлагают анализ сигнала в масштабе времени и предоставляют информацию как о глобальном, так и о локальном поведении с разной глубиной разрешения.Обещание разложения TV-коэффициентов с разным разрешением состоит в том, что большая часть их энергии будет сконцентрирована в приближении с низким разрешением, и, следовательно, детальные сигналы могут быть отброшены, не влияя на качество приближения. Таким образом получается экономное приближение к вариациям канала.

Хотя этот подход может обеспечить приемлемое общее приближение к траектории системы, он не сможет отслеживать быстрые изменения или переходные затухания, которые обычно проявляются в детальном сигнале.Таким образом, некоторые важные части детального сигнала также должны быть сохранены, аналогично процедурам кодирования изображения. Мы должны иметь возможность локально «увеличивать» детали, когда это необходимо (например, при резком изменении или переходе), или, другими словами, выбирать соответствующую глубину разрешения локально, в зависимости от изменчивости коэффициентов системы.

В разделе V мы формулируем эту проблему как проблему выбора модели и используем теоретические критерии информации [19] или процедуры проверки гипотез [20] для автоматического выбора подходящей глубины разрешения.Предлагаемый алгоритм включает в себя методы максимального правдоподобия или более простые слепые методы и обеспечивает общую основу для оценки телевизионных систем, в которой не предполагается никаких конкретных априорных знаний о природе изменений во времени.

О выборе частоты дискретизации при параметрической идентификации временных рядов

Причинная связь по Грейнджеру хорошо известна в неврологии для вывода о направленной функциональной связности на основе нейрофизиологических данных. Эти данные обычно состоят из временных рядов, которые представляют собой подвыборку непрерывного биофизиологического процесса.Хотя хорошо известно, что подвыборка может привести к вменению ложных причинных связей там, где их нет, меньше известно о влиянии подвыборки на способность надежно обнаруживать причинно-следственных связей, которые существуют с по .

Мы представляем теоретический анализ влияния подвыборки на причинный вывод по Грейнджеру. Нейрофизиологические процессы обычно характеризуются задержкой распространения сигнала во многих временных масштабах; соответственно, мы основываем наш анализ на стохастической модели с распределенным запаздыванием и непрерывным временем и рассматриваем причинность Грейнджера в непрерывном времени на конечных горизонтах прогнозирования.С помощью точных аналитических решений мы определяем взаимосвязь между частотой выборки, лежащими в основе причинными временными шкалами и возможностью обнаружения причинных причин.

Мы выявили сложные взаимодействия между шкалой времени распространения нейронного сигнала и частотой дискретизации. Мы демонстрируем, что обнаруживаемость снижается экспоненциально по мере того, как интервал времени выборки увеличивается за пределы причинных времен задержки, идентифицируем «черные точки» и «зоны наилучшего восприятия» обнаруживаемости, и показываем, что понижающая дискретизация может потенциально улучшить обнаруживаемость.Мы также демонстрируем, что инвариантность причинности Грейнджера при причинной, обратимой фильтрации не работает на конечных горизонтах прогнозирования, что особенно важно для вывода причинности Грейнджера из данных фМРТ.

В нашем анализе подчеркивается, что частота дискретизации для причинно-следственного анализа нейрофизиологических временных рядов должна определяться шкалами времени, зависящими от предметной области, и что моделирование в пространстве состояний должно быть предпочтительнее чисто авторегрессионного моделирования.

На основе очень общей модели, которая фиксирует структуру нейрофизиологических процессов, мы можем помочь выявить искажения и предложить практические идеи для успешного обнаружения причинной связи по нейрофизиологическим записям.

Модели регрессии с использованием параметрических псевдонаблюдений

Статистический анализ данных о выживаемости находится в центре внимания исследований, проводимых Мартином Нюгордом Йохансеном, биостатистом из университетской больницы Ольборга, Дания, и его коллегами. Фактическое время выживания некоторых пациентов не определяется во время клинических исследований и, как утверждается, подвергается цензуре. Это исследование предлагает новый способ преобразования таких данных о времени до события в набор данных без цензуры. Псевдонаблюдения генерируются с использованием гибкой параметрической модели и заменяют исходные цензурированные наблюдения.Обширное моделирование показало существенное снижение неопределенности окончательных оценок регрессии по сравнению с традиционным непараметрическим методом.

Медицинские исследования часто включают статистический анализ данных о выживаемости, также известных как данные о времени до наступления события. Здесь интересующий результат — это ожидаемая продолжительность времени, которое проходит до того, как произойдет событие или задача будет завершена. Уникальной характеристикой данных о выживаемости является то, что событие, такое как рецидив опухоли, выписка из больницы или даже смерть, вероятно, не произойдет для всех пациентов к концу исследования или периода наблюдения.Поэтому для некоторых пациентов фактическое время выживания остается неизвестным, и считается, что время выживания подвергается цензуре. Цензура указывает на то, что период наблюдения закончился до того, как произошло событие, поэтому исследователь не будет знать, когда или действительно произошло ли событие для этих пациентов.

Традиционные методы логистики и линейной регрессии не подходят для анализа данных о времени до события, поскольку они не могут иметь одновременно характеристики события и времени в качестве смоделированного результата. Кроме того, традиционные методы регрессии не приспособлены для обработки феномена цензуры, который необходимо учитывать в анализе, чтобы выводы были достоверными.

Анализ таких цензурированных данных о времени до наступления события является предметом исследования, проводимого Мартином Нюгордом Йохансеном, биостатистом из больницы Ольборгского университета, Дания, и его коллегами.

Сочетание гибкого параметрического моделирования и псевдонаблюдений означает, что этот новый подход к моделированию дает более точные псевдонаблюдения, чем непараметрический подход.

Моделирование цензурированных данных о выживаемости
В течение почти 50 лет модель пропорциональных рисков Кокса была преобладающим методом, используемым в биостатистике для моделирования цензурированных данных о выживаемости.Модель классифицируется как полупараметрическая, поскольку базовая функция риска остается неопределенной. Это может означать, что базовой опасности уделяется мало внимания.

Функция риска используется для моделирования распределения данных при анализе выживаемости. Он используется для моделирования времени до события, для которого риск в любой конкретный момент времени во время последующего наблюдения может варьироваться в зависимости от времени (где время может быть возрастом пациента). Базовый риск — это функция риска, в которой все ковариаты установлены на ноль.В этом приложении базовую выживаемость можно почти рассматривать как выживаемость «среднего» участника. Базовая функция риска напрямую связана с течением болезни и может представлять медицинский интерес. Для его эффективной оценки требуется параметрическая модель, то есть модель, которая фиксирует всю информацию, необходимую для ее прогнозов, из конечного набора параметров, что обеспечит точные оценки вероятностей выживания. Более того, параметрический метод позволит лучше понять изучаемое явление.

Непараметрический метод Каплана-Мейера оценивает нескорректированную вероятность выживания после определенного момента времени с помощью ступенчатой ​​функции. В отличие от этого подход Йохансена использует гладкую параметрическую основу для псевдонаблюдений для получения более точных оценок.

Псевдонаблюдения
Исследования Йохансена основаны на альтернативном подходе, который был разработан в течение последних 20 лет. Это включает в себя преобразование подвергнутого цензуре набора данных и применение обобщенной линейной модели для оценки показателей ассоциации, которые количественно определяют взаимосвязь между двумя или более переменными.Он объясняет, что преобразованные данные называются псевдонаблюдениями. Подход псевдонаблюдения включает в себя преобразование данных о времени до события в набор данных без цензуры. Затем этот новый набор данных можно использовать вместо исходных цензурированных наблюдений.

Хотя этот инновационный подход является полностью параметрическим, он не накладывает никаких предположений о распределении на базовые данные о времени до события.

Преобразование обычно принимает форму непараметрической оценки кумулятивной функции встречаемости.Функция кумулятивной заболеваемости дает долю пациентов, умерших от определенной причины в определенное время. Эта функция также учитывает, что пациенты могут умереть от других конкурирующих причин во время исследования. Преобразование обычно основано на оценке Каплана-Мейера для данных о выживаемости или на оценке Алена-Йохансена при наличии конкурирующих рисков. Метод Каплана-Мейера предполагает оценку нескорректированной вероятности выживания после определенного момента времени.Оценщик Аалена-Йохансена является расширением метода Каплана-Мейера для управления конкурирующими рисками.

Йохансен использовал типичное клиническое исследование, сравнивающее подвергшихся и не подвергавшихся воздействию людей, чтобы оценить эффективность непараметрических и параметрических подходов псевдонаблюдения. depositphotos.com

Новый гибкий подход к моделированию
Йохансен разработал другой подход к вычислению псевдонаблюдений, основанный на теории, лежащей в основе гибкой параметрической модели для данных времени до события.Гибкие параметрические модели выживаемости могут охватывать широкий диапазон форм функции риска (т.е. когда функция риска отображается на графике) с использованием сплайнов для моделирования логарифмически кумулятивной функции риска. Сплайны — это оценки функций, используемые для сглаживания зашумленных данных. Гибкие параметрические модели выживания могут также включать эффекты, зависящие от времени, для большей гибкости.

В этом новом подходе кумулятивная функция рисков базового журнала моделируется с помощью сплайн-функции. Оценка функции риска на основе сплайнов сочетается с подходом псевдонаблюдения, при этом параметрические псевдонаблюдения генерируются с использованием оценки кумулятивной доли случаев (доли участников, испытывающих интересующий результат в конкретном временном интервале).Кумулятивная доля заболеваемости получается из гибкой параметрической модели. Йохансен описывает, как сочетание гибкого параметрического моделирования и псевдонаблюдений означает, что этот новый подход к моделированию дает более точные псевдонаблюдения, чем непараметрический подход.

Полученные параметрические псевдонаблюдения можно использовать в регрессионных моделях для оценки абсолютных и относительных показателей ассоциации. Хотя этот инновационный подход является полностью параметрическим, он не накладывает никаких предположений о распределении на базовые данные о времени до события.

depositphotos.com

Стратегия моделирования
Исследователь создал семь различных сценариев для оценки эффективности как непараметрических, так и параметрических методов псевдонаблюдения. Общая схема представляет собой типичное клиническое исследование, в котором сравнивают людей, подвергшихся и не подвергавшихся воздействию. В каждом сценарии меняется один аспект. Люди входят в исследование в течение 6-летнего периода. Последующее наблюдение продолжается в течение 13 лет после начала периода накопления, поэтому люди участвуют в нем от 7 до 13 лет.Фиксированный размер выборки был установлен на n = 500. Для каждого сценария общая вероятность события (совокупная доля заболеваемости) оценивалась в 10 лет. Измерения разницы рисков и соотношения рисков, сравнивающие две группы воздействия, также оценивались через 10 лет. В каждом сценарии исследователь создал 5000 копий наборов данных. Для каждого образца 50% субъектов считались облученными, а 50% — не подвергавшимися воздействию. Затем данные времени до события были смоделированы из экспоненциальных распределений.Также была включена единообразная и независимая цензура от потери до последующего наблюдения.

Результаты моделирования
Анализ моделирования выявил уменьшение вариабельности оценок параметров, полученных с помощью нового метода исследователя для расчета параметрических псевдонаблюдений, по сравнению с теми псевдонаблюдениями, созданными традиционным непараметрическим методом. Йохансен заметил, что уменьшение вариабельности оценок зависит как от количества дополнительного времени наблюдения после момента времени анализа, так и от размера риска, установленного в момент времени анализа.Более того, наблюдаемое снижение вариабельности приводит к сокращению требуемого размера выборки до 127%. Это дает значительный выигрыш в интервенционных исследованиях, особенно когда сбор данных является дорогостоящим и / или требует много времени.

Механизмы повышения эффективности
Йохансен обнаружил два механизма, которые способствуют повышению эффективности этих новых параметрических псевдонаблюдений. Во-первых, использование дополнительной информации, выходящей за рамки времени анализа; это потому, что информация о событиях в течение всего наблюдаемого последующего наблюдения может быть использована для подгонки сплайна в параметрическом подходе.Напротив, непараметрические псевдонаблюдения не принимают во внимание какие-либо события, которые происходят после временной точки анализа. Во-вторых, исследователь заметил, что непараметрические оценки были нестабильны, когда набор рисков был очень мал, поскольку размер скачков в непараметрических оценках зависит от размера набора рисков в то конкретное время. Это приводит к большей неопределенности в оценке совокупной заболеваемости.

Это обширное исследование с помощью моделирования демонстрирует новый подход исследователя к вычислению псевдонаблюдений по сравнению с традиционным методом псевдонаблюдения.Исследование показало, что этот новый метод может значительно снизить неопределенность окончательных оценок регрессии. Исследователь и его коллеги опубликовали пример синтаксиса Stata, демонстрирующий, как вычислять параметрические псевдонаблюдения и оценивать совокупную долю заболеваемости, разницу рисков и соотношение рисков в определенный момент времени.

Личный ответ

Что вдохновило вас на разработку нового метода расчета псевдонаблюдений?

Основная мотивация этого исследования заключается в том, что мы искали способ вычисления псевдонаблюдений для более сложной структуры данных, известной как данные с интервальной цензурой, когда мы наблюдаем только статус события в разные моменты времени во время последующего наблюдения.В такой обстановке все, что мы знаем, когда мы наблюдаем событие у пациента, — это то, что событие произошло в какой-то момент с тех пор, как мы в последний раз наблюдали за пациентом без события. Это случается довольно часто, если мы изучаем группу пациентов с помощью обычных обследований, например, после восстановление после болезни или имплантация медицинского изделия.

Выбор между непараметрическим тестом и параметрическим тестом

Можно с уверенностью сказать, что большинство людей, использующих статистику, более знакомы с параметрическим анализом, чем непараметрическим.Непараметрические тесты также называются тестами без распространения, потому что они не предполагают, что ваши данные соответствуют определенному распределению.

Возможно, вы слышали, что вам следует использовать непараметрические тесты, когда ваши данные не соответствуют предположениям параметрического теста, особенно предположению о нормально распределенных данных. Это звучит как хороший и простой способ выбора, но есть дополнительные соображения.

В этом посте я помогу вам определить, когда вам следует использовать:

  • Параметрический анализ для проверки средних значений группы.
  • Непараметрический анализ медианы тестируемой группы.

В частности, я сосредоточусь на важной причине использования непараметрических тестов, о которой, как мне кажется, нечасто упоминают!

Проверка гипотез среднего и медианного

Непараметрические тесты похожи на параллельную вселенную параметрическим тестам. В таблице показаны связанные пары тестов гипотез, которые предлагает статистическое программное обеспечение Minitab.

Параметрические испытания (средние)

Непараметрические критерии (медианы)

1-образный t-тест

Знак 1 образца, 1 образец Wilcoxon

Двухвыборочный t-тест

Тест Манна-Уитни

Односторонний дисперсионный анализ

Краскал-Уоллис, медианный тест настроения

Факторный ДОЭ с одним фактором и одной блокирующей переменной

Тест Фридмана

Причины использования параметрических тестов

Причина 1: Параметрические тесты могут хорошо работать с искаженными и ненормальными распределениями

Это может быть неожиданностью, но параметрические тесты могут хорошо работать с непрерывными данными, которые не являются нормальными, если вы удовлетворяете рекомендациям по размеру выборки, приведенным в таблице ниже.Эти рекомендации основаны на имитационных исследованиях, проведенных статистиками Minitab. Чтобы узнать больше об этих исследованиях, прочтите наши технические статьи.

Параметрический анализ

Рекомендации по размеру выборки для нестандартных данных

1-образный t-тест

Больше 20

Двухвыборочный t-тест

Каждая группа должна быть больше 15

Односторонний дисперсионный анализ

  • Если у вас 2–9 групп, каждая группа должна быть больше 15.
  • Если у вас 10-12 групп, каждая группа должна быть больше 20.

Причина 2: Параметрические тесты могут работать хорошо, когда разброс каждой группы разный

Хотя непараметрические тесты не предполагают, что ваши данные подчиняются нормальному распределению, у них есть другие предположения, которые может быть трудно выполнить. Для непараметрических тестов, сравнивающих группы, распространено предположение, что данные для всех групп должны иметь одинаковый разброс (дисперсию).Если ваши группы имеют другой разброс, непараметрические тесты могут не дать достоверных результатов.

С другой стороны, если вы используете двухвыборочный t-критерий или односторонний дисперсионный анализ, вы можете просто перейти во вспомогательный диалог Опции и снять отметку Предположить равные дисперсии . Вуаля, все готово, даже если у групп разное распространение!

Причина 3: Статистическая достоверность

Параметрические тесты обычно обладают большей статистической мощностью, чем непараметрические тесты.Таким образом, вы с большей вероятностью обнаружите значительный эффект, когда он действительно существует.

Причины использования непараметрических тестов

Причина 1: Ваша область исследования лучше представлена ​​медианным значением

Это моя любимая причина использовать непараметрический тест, о которой нечасто упоминают! Тот факт, что вы можете выполнить параметрический тест с ненормальными данными, не означает, что среднее значение — это статистика, которую вы хотите проверить.

Например, центр искаженного распределения, как и доход, лучше измерить с помощью медианы, где 50% выше медианы, а 50% ниже.Если вы добавите к выборке несколько миллиардеров, математическое среднее значительно возрастет, даже если доход обычного человека не изменится.

Когда ваше распределение достаточно искажено, на среднее сильно влияют изменения далеко в хвосте распределения, тогда как медиана продолжает более точно отражать центр распределения. Для этих двух распределений случайная выборка из 100 из каждого распределения дает значения, которые существенно различаются, но медианы, которые существенно не отличаются.

Два других сообщения в блоге хорошо иллюстрируют этот момент:

Причина 2: У вас очень маленький размер выборки

Если вы не соответствуете требованиям к размеру выборки для параметрических тестов и не уверены, что у вас есть нормально распределенные данные, вам следует использовать непараметрический тест. Если у вас действительно небольшая выборка, вы, возможно, даже не сможете установить распределение ваших данных, потому что тестам распределения не хватит мощности для получения значимых результатов.

В этом сценарии вы находитесь в сложной ситуации, и у вас нет подходящей альтернативы. Непараметрические тесты изначально имеют меньшую мощность, и это двойной удар, когда вы добавляете к этому небольшой размер выборки!

Причина 3. У вас есть порядковые данные, ранжированные данные или выбросы, которые нельзя удалить

Типичные параметрические тесты могут оценивать только непрерывные данные, и на результаты могут значительно повлиять выбросы.