Ортогональность оценок

Режимы работы каждого реактора рассчитывались методом ортогональных коллокаций. Зависимость концентраций реактантов от времени представляется непрерывными функциями, получаемыми за счет интерполяции дискретных значений концентраций сплайн-функциями третьего порядка [66—68]. Причем предполагалось, что концентрации измеряются на выходе из всех реакторов в одно и то же время и через одинаковые временные промежутки. Установлено, что необходимая точность оценок параметров модели кинетики адсорбции достигается на трехфакторной схеме (см. табл. 4.7, вариант 5). [c.218]

План, построенный из указанных выше сочетаний х, является насыщенным. Однако его существенный недостаток состоит в том, что ои приводит к большим, чем ПФП и ДР (т. е. ортогональные планы) дисперсиям определяемых коэффициентов Ь. Так, если для ортогональных планов = вУ х] (т. е, меньше, чем 1), то для приведенного насыщенного плана = 25у. В связи с этим выполнен ряд исследований по созданию планов, обеспечивающих минимальное рассеяние оценок коэффициентов. Такие планы называют 1)-оптимальными. Принцип 1)-оптимальности насыщенных планов вносит определенную закономерность в их построение, но его реализация возможна лишь для некоторых конкретных случаев. Приведем примеры насыщенных 1)-оптималь-ных планов для 2, 4 и 6 факторов [9] [c.38]

Поскольку матрица планирования ортогональна, такая оценка линейных эффектов совпадает с оценкой, полученной по методу наименьших квадратов. Кроме того, вследствие ортогональности матрицы полученные оценки линейных эффектов не смешаны меж-ly собой. [c.232]

Генерация плана эксперимента. По желанию пользователя генерируются ортогональные планы первого или ортогональные композиционные планы второго порядка заданной степени дробности с учетом требований по несмещенности оценок коэффициентов регрессионных уравнений. [c.607]

Планирование эксперимента — это постановка опытов по некоторой заранее составленной программе (плану), отвечающей определенным требованиям. Методы планирования экспериментов позволяют свести к минимуму число необходимых опытов и одновременно выявить оптимальное значение искомой функции. Выбор плана определяется постановкой задачи исследования и особенностями объекта. Процесс исследования обычно разбивается на отдельные этапы. Информация, полученная после каждого этапа, определяет дальнейшую стратегию эксперимента — таким образом возникает возможность оптимального управления экспериментом. Планирование эксперимента дает возможность варьировать одновременно все факторы и получать количественные оценки основных эффектов и эффектов взаимодействия. В ортогональных планах матрица моментов и ковариационная матрица диагональны, что существенно облегчает расчет коэффициентов уравнения регрессии, статистический анализ и интерпретацию результатов [10, 11]. [c.95]

Оценка структуры неоднородного магнитного поля производится с помощью фадиента вектора В (или его ортогональных составляющих) по заданному направлению [c.103]

Пробная функция (х) является нечетной и поэтом) ортогональна точной волновой функции основного состояния осциллятора, являющейся четной (см. задачу 7.1). Следовательно, Ё( ) представляет собой оценку сверху энергии первого возбужденного состояния ( ]). Условие нормировки Т (л) дает [c.133]

В связи с этим используются формулы приближенного представления переходных процессов, имеющие сравнительно простые аналитические выражения, что облегчает возможность их применения для инженерных расчетов. Трансцендентные передаточные функции с любой степенью точности аппроксимируются дробно-раЦиональ-ными выражениями, а для приближенной оценки переходной функции используются ортогональные разложения, основанные на интегральных оценках кривой отклика. [c.235]

При проведении эксперимента исследователь может предъявлять к мат. модели разл, требования получение определенных оценок ее параметров обеспечение желаемых предсказательных св-в и т.п. Это приводит к необходимости выбора спец. планов, подчиненных поставленным требованиям (критериям). Среди критериев, удовлетворяющих первому требованию, наиб, общим является О-критерий, соответствующий обобщенной дисперсии всех оценок параметров мат. модели. Кроме иего применяют 1-критерий, отвечающий средней дисперсии оценок параметров -кри-терий, соответствующий длине макс. оси эллипсоида рассеяния оценок параметров критерий ортогональности, обеспечивающий независимость определения параметров модели, и т.д. Среди критериев, удовлетворяющих второму требованию, особенно часто используют (5-критерий, отвечающий макс. дисперсии предсказанных значений ф-ции отклика б-критерий, соответствующий среднему значению дисперсий предсказанных значений критерий ротатабельности, отвечающий дисперсии оценки предсказанных значений отклика во всех точках, равноудаленных от центра плана, и др. [c.559]

Можно, однако, по-новому параметризовать эту задачу, так что полученные оценки будут некоррелированы, т е ортогональны [c.143]

Если к>2, то способ вычитания среднего значения Хг, как это делалось в (4.3 21), не приводит к ортогональной параметризации. Однако при этом оценки становятся ближе к ортогональным, чем без вычитания средних, и, в частности, они будут ортогональны к постоянной составляющей модели. Поэтому лучще подбирать модель вида [c.145]

Ввиду ортогональности этого плана изменение фактора х (т. е. изменение условий при переходе от блока к блоку) не влияет на оценку параметров Ьо и Ь . Кроме того, из этого эксперимента можно получить среднюю меру различия условий между блоками как 26. [c.511]

Определение оценок Ьи коэффициентов регрессии ведется, как в п. 3, путем постановки ортогональной серии опытов. Первым шагом является выбор начальной точки А с координатами к=, 2,..., д) и единиц варьирования Wu для всех независимых переменных. При выборе точки Х° должна быть использована любая предварительная информация об исследуемой системе. Чем ближе первоначальное положение Х° к оптимуму, тем скорее последний может быть найден. Более или менее удачный выбор отправной точки в основном, конечно, — дело случая, но, поскольку функция отклика обладает не более чем одним относительным максимумом, этот выбор влияет не на окончательный результат поиска, а лишь на время, затрачиваемое на разыскание оптимума. Значительное влияние на скорость поиска оказывает и выбор единиц варьирования. Единицу варьирования лучше всего выбрать так, чтобы изменение любой независимой переменной на единицу варьирования вызывало примерно одинаковое изменение функции отклика. Это изменение, конечно, должно быть заметным, так чтобы его с уве- [c.437]

Так как в начале поиска, как мы уже отмечали, следует стремиться к быстроте, а не к точности, число опытов для определения Ьи должно быть минимальным, поэтому из полной факториальной схемы эксперимента на двух уровнях выбирается, как в п. 3, ортогональная серия, состоящая не менее чем из <7 + 1 опытов. Для случая трех независимых переменных точки, изображающие условия опытов, представлены на рис- X. 3. (см. стр. 429). Вычислив оценки Ьи компонентов ( =1, 2,. .., д) вектора-градиента В, получаем направление линии крутого восхождения. Чтобы приблизиться к оптимуму, нужно теперь двигаться от начальной точки Х° по прямой с коэффициентами наклона Ьи, т. е. изменять значения всех независимых переменных хи пропорционально соответствующим числам Ьи. По мере движения по этому выбранному направлению значение функции отклика будет сначала увеличиваться, а затем, пройдя через максимум, уменьшаться. Здесь возникает, таким образом, вопрос в выборе наилучшего шага, т. е. такого числа к, чтобы точка XI с координатами + была ближайшей к оптимуму из всех точек прямой с коэффициентами наклона Ьи, проходящей через точку X. Информацией, необходимой для решения этого вопроса, мы, конечно, не обладаем, и поэтому нам ничего не остается, как задаться величиной шага интуитивно. Если, изменив значение каждой независимой переменной на величину ЬиН и проведя в этой точке опыт, мы найдем, что значение функции отклика увеличилось, надо продолжать движение в том же направлении, сделав еще один шаг вдвое большей длины. Если значение функции отклика уменьшилось, рекомендуется уменьшить величину шага вчетверо. Такая процедура быстро приводит в желаемую точку прямой. [c.438]

Как следует из результатов 3 и 4, а также из теорем I и II 5, ортогональные планы могут быть оптимальными с точки зрения различных критериев оптимальности. Кроме того, их большое преимущество еще и в том, что ковариационная матрица диагональна и поэтому оценки регрессионных коэффициентов получаются некоррелированными друг с другом. [c.163]

Таким образом, термин делокализация не следует понимать буквально. Преобразованные орбитали описывают локализованные Хе — Р связи, но эти новые орбитали не ортогональны, и они малоэффективны при оценке распределения заряда. [c.31]

Для оценки величины сдвига волновых чисел необходимо ввести некоторые приближения. Обозначим волновые функции растворенной молекулы в рассматриваемых основном и возбужденном состояниях и в каком-нибудь одном из возбужденных состояний соответственно через 5 и Указанные волновые функции приближенно можно представить в виде слэтеровских детерминантов, построенных, из ортогональных молекулярных снин-орбиталей (МСО) [c.194]

Простота расчета для ортогонального плана — преимущество заметное, но в настоящее время, в связи с распространением ЭВМ, не очень существенное. Важнее другое. Ортогональность двух столбцов означает полное отсутствие корреляции соответствующих факторов. Следовательно, и оценки параметров оказываются некоррелированными. Это дает возможность оценить независимо влияние каждого фактора, а также легко упрощать модель, если какой-либо член окажется незначимым такой член просто исключают из уравнения, и это никак не сказывается на величине остальных параметров. Некоррелированность позволяет к тому же легко проверить гипотезу о значимости факторов, что, как отмечалось выше, крайне сложно, если факторы не независимы. [c.86]

Ортогональные насыщенные двухуровневые Д-оптимальные планы можно построить, используя дробные реплики от ПФЭ для числа факторов й = 3 (N = 4), /г = 7 (Л = 8),, к= 5 (Л =16), й = 31 (N=32) и т. д. Однако класс ортогональных насыщенных планов может быть значительно расширен. Плакетт и Берман [27] разработали строгую математическую теорию построения и анализа ортогональных планов. В частности, было доказано, что в насыщенном плане вычисленные по методу наименьших квадратов оценки эффектов имеют максимальную для данного числа опытов N точность, одинаковую для всех эффектов, если матрица планирования имеет ортогональные столбцы. Чтобы матрица была ортогональной, необходимо и достаточно, чтобы 1) каждый фактор встречался на каждом своем уровне одно и то же число раз 2) каждые два фактора с любой комбинацией их уровней встречались одно и то же число раз 3) число опытов делилось на квадрат числа уровней, т. е. [c.230]

После того как будут выбраны центры и нелинейная функция, необходимо произвести обучение сети. Логично поиск весов ко,..., Хпг осуществить с применением метода наименьщих квадратов (МНК). При этом определение коэффициентов X сводится к решению системы уравнений, которую можно записать в следующей матричной форме Х Х = X, (4) где л, - оценки коэффициентов X,. Доказано, что данная система имеет решение, если ее определитель отличен от нуля. Также известно, что при увеличении числа оцениваемых параметров система (4) становится плохо обусловленной, что затрудняет оценк> параметров либо делает ее вообще невозможной. Однако при практической реализации МНК на ЭВМ может оказаться, что определитель системы (4) близок к нулю даже при небольшом числе оцениваемых параметров, особенно когда точки Х равномерно распределены на интервале [а,Ь]. Учитывая специфику нейронных сетей, а именно большое количество оцениваемых весов, применение МНК в традиционном виде оказалось непригодным, что было подтверждено практическими испытания.ми. В случае использования ортогонального метода наименьших квадратов удается получить точные оценки параметров модели независимо от их числа. Более того при данном подходе возможно произвести оценку влияния каждого параметра сети на точность аппроксимации, что при использовании обычного МНК невозможно из за наличия корреляции. [c.175]

Согласно вариашюнному принщ1пу, величина Е в соотношении (2) служит оценкой сверху для точной энергии основного состояния системы при любой функции Ч. Сохраняя представление функции Ф в виде детерминанта (1), мы можем менять функции и при этом среди всех возможных выбрать те, которые дают минимум функционалу (2). Эти изменения 6г ), функций т.е. их вариации, должны производиться так, чтобы сохранялась нормировка и чтобы они оставались взаимно ортогональными (в противном случае перестало бы быть справедливым выражение (2), которое получается именно для ортонормированных спин-орбиталей). [c.277]

Неэмпирические расчеты по методу валентных схем сравнительно трудно проводить в силу нескольких причин. Возможно, наиболее существенно, что в методе валентных схем нет аналога хартри-фоковскому пределу в методе молекулярных орбиталей, который можно было бы представить одной-единственной детерминантной волновой функцией, такой, как (8.9). Простейшие волновые функции метода валентных схем для молекул, имеющих ковалентные связи, всегда состоят из более чем одной детерминантной функции. Вторая причина состоит в том, что проведение алгебраических выкладок для гамильтониановских интегралов н интегралов перекрывания с детерминантными функциями метода валентных схем труднее, чем с детерминант-ными функциями метода молекулярных орбиталей, так как одноэлектронные функции [я1)г(0 в формуле (8,9)] метода молекулярных орбиталей взаимно ортогональны, в то время как в методе валентных схем они неортогональны. Проведенная оценка показывает, что метод валентных схем был применен менее чем в 5% неэмпирических расчетов, опубликованных за прошедшие 20 лет, причем ни один пз этих расчетов не был посвящен рассмотрению больших молекул. [c.288]

Экспериментально-статистические методы математического моделирования целесообразно классифицировать (рис. 68) как по способу сбора экспериментальных данных (активный и пассивный эксперимент), так и по виду моделей (математические модели статики и динамики объектов исследования). Каждому сочетанию способа эксперимента и цели моделирования соответствует определенная группа математических методов. В частности, для составления математических моделей статики объектов при пассивном эксперименте используются методы корреляционного и регрессионного анализа, методы оценки параметров модели на основе критерия максимума правдоподобия и минимума среднего риска и др. Математические модели статики объекта при активном эксперименте удается получить, например, методами факторного эксперимента, методом ортогонального центрального композиционного планирования, методом центрального композиционного рототабель-ного планирования. [c.192]

Критерии оптимальности планов. При определении критериев оптимальности планов для Бокса и его школы характерным является эмпирико-интуитивный подход. Сначала ими было предложено считать оптимальным ортогональные планы, позднее — ротатабельные, План ортогонален, если ему соответствует диагональная информационная матрица. Полученные по ортогональным планам оценки параметров независимы. План ротатабелен, если соответствующая ему ковариационная матрица инвариантна к ортогональному вращению координат. Выполнение этого условия делает любое направление от центра эксперимента равнозначным в смысле точности оценки поверхности отклика. [c.196]

Отсеивающие эксперименты. Метод случайного баланса. Для уменьшения числа опытов часто без достаточных оснований стабилизируют значения некоторых факторов в процессе исследования. При решении задачи оптимизации это приводит к определению только локальных экстремумов процесса. Для многофакторных задач на первой стадии исследования проводят отсеивающие эксперименты. Поскольку интенсивность влияния фактора связана с диапазоном его изменения, многие факторы, подозреваемые как существенные на основании априорной информации, могут оказаться незначимыми. Поэтому отсеивающие эксперименты эффективны не только при исследовании новых процессов, но и как первая стадия изучения многофакторных процессов с достаточной априорной информацией, если число факторов слишком велико, чтобы сразу планировать эксперимент, направленный на поиск оптимальных условий процесса. Для отсеивания количественных и качественных факторов при числе уровней, равном двум, можно использовать дробные реплики от факторного эксперимента достаточно высокой степени дробности, а также насыщенные ортогональные планы Плакетта — Бермана. Эти планы позволяют получать раздельные оценки линейных эффектов всех факторов с максимально возможной при данном числе опытов точностью, одинаковой для всех эффектов. Последнее особенно ценно на этапе отсеивания, так как неизвестно, какие эффекты окажутся значимыми. К недостаткам указанных планов относится требование отсутствия значимых эффектов взаимодействия. [c.241]

Справочник химика 21

Химия и химическая технология