Инструментальные и программные средства регистрации сигналов, определения свойств материалов и физических полей



Скачать 100.71 Kb.
Дата17.10.2016
Размер100.71 Kb.
  1. Инструментальные и программные средства регистрации сигналов, определения свойств материалов и физических полей.


ХЗ. Может быть надо что-то про ЦАП-АЦП, а может другое. Оно не гуглится. Есть чуточку про реализацию регистрационных средств на ПЛИСах, есть про захват видео и звука, но это, мне кажется, почти не то.
  1. Векторно-растровое и растр-векторное преобразования данных.


в.п. – векторное преобразование

р.п. – растровое преобразование

р.в.п – растрово-векторное преобразование

  • Векторное представление — цифровое представление точечных, линейных и полигональных пространственных объектов в виде набора координатных пар, с описанием только геометрии объектов, что соответствует нетопологическому в.п. линейных и полигональных объектов (см. модель "спагетти"), или геометрию и топологические отношения (топологию) в виде векторно-топологического представления; в машинной реализации в.п. соответствует векторный формат пространственных данных.

  • Векторно-растровое преобразование (син. растеризация)преобразование (конвертирование) векторного представления пространственных объектов в растровое представление путем присваивания элементам растра значений, соответствующих принадлежности или непринадлежности к ним элементов векторных записей объектов.

  • Растр — средство цифрового представления изображений в виде прямоугольной матрицы элементов изображения — пикселов, образующих основу растрового представления изображений или пространственных объектов.

  • Растрово-векторное преобразование (син. векторизация) — автоматическое или полуавтоматическое преобразование (конвертирование) растрового представления пространственных объектов в векторное представление. р.в.п. поддерживается специализированными программными средствами — векторизаторами.

  • Векторизатор — программное средство для выполнения растрово-векторного преобразования (векторизации) пространственных данных.

  • Растровое представление (син. растровая модель данных) — Цифровое представление пространственных объектов в виде совокупности ячеек растра (пикселов) с присвоенными им значениями класса объекта в отличие от формально идентичного регулярно-ячеистого представления как совокупности ячеек регулярной сети (элементов разбиения земной поверхности). Р.п. предполагает позиционирование объектов указанием их положения в соответствующей прямоугольной матрице единообразно для всех типов пространственных объектов (точек, линий, полигонов и поверхностей); в машинной реализации Р.п. соответствует растровый формат пространственных данных.

Хз что еще говорить. Можно наплести про методы растеризации и векторизации(трассировки), про что есть пиксель, а что есть вектор.

Короче, при растеризации каждая линия векторного изображения представляется множеством писклей, а при векторизации наоборот – примитивные модели переводятся в векторные объекты с помощью матана.



  1. Базовые статистические характеристики объектов, оценка погрешности и представительности данных.


Основные статистические показатели можно разделить на две группы: меры среднего уровня и меры рассеяния.

  • Меры среднего уровня дают усредненную характеристику совокупности объектов по определенному признаку.

    • Среднее значение

    • Стандартное отклонение

    • Асимметрия

    • Интервал

    • Минимум

    • Максимум

    • Медиана

    • Математическое ожидание

  • Меры рассеяния показывают, насколько хорошо данные значения представляют данную совокупность.

    • Дисперсия случайной величины

    • Среднеквадратическое отклонение

    • Размах вариации

    • Интерквантильный размах

    • Среднее абсолютное отклонение

Репрезентативность == Представительности

В контексте аналитических технологий под репрезентативностью исходных данных следует понимать наличие достаточного количества разнообразных обучающих примеров, отражающих правила и закономерности, которые должны быть обнаружены моделью в процессе обучения. Она имеет три аспекта:

  • Достаточность – число обучающих примеров должно быть достаточным для обучения. Это число может быть различным для разных типов моделей. Например, для нейронной сети необходимо, чтобы число обучающих примеров было в несколько раз больше, чем число весов межнейронных связей, в противном случае модель может не приобрести способности к обобщению. Кроме этого, размер выборки должен быть достаточным для формирования обучающего и тестового множеств.

  • Разнообразие – большое число разнообразных комбинаций вход-выход в обучающих примерах. Если число примеров достаточное, но все они одинаковые, то обобщающая способность не будет достигнута.

  • Равномерность представления классов – примеры различных классов должны быть представлены в обучающей выборке примерно в одинаковых пропорциях. Если один из классов будет доминировать, то это может привести к «перекосу» в процессе обучения модели. Преобладающий класс будет определен моделью как наиболее вероятный для любых новых наблюдений.

Если репрезентативность исходной выборки недостаточна, то частично это можно компенсировать применением перекрестной проверки, различных методов сэмплинга, обогащением данных.

Сэмплинг. Процесс отбора из исходной совокупности данных выборки, представляющей интерес для анализа. При реализации сэмплинга используются специальные методы отбора, которые должны обеспечить ее репрезентативность с точки зрения решаемой аналитической задачи. Различают случайный, равномерный, стратификационный и другие виды сэмплинга.

Перекрестная проверка - метод формирования обучающего и тестового множеств для обучения аналитической модели в условиях недостаточности исходных данных или неравномерного представления классов. Для успешного обучения аналитической модели необходимо, чтобы классы были представлены в обучающем множестве примерно в одинаковой пропорции. Однако, если данных недостаточно или процедура сэмплинга при формировании обучающего множества была произведена неудачно, один из классов может оказаться доминирующим. Это может вызвать «перекос» в процессе обучения, и доминирующий класс будет рассматриваться как наиболее вероятный. Метод перекрестной проверки позволяет избежать этого.

В его основе лежит разделение исходного множества данных на k примерно равных блоков, например k = 5. Затем на k - 1, т.е. на 4-х блоках, производится обучение модели, а 5-й блок используется для тестирования. Процедура повторяется k раз, при этом на каждом проходе для проверки выбирается новый блок, а обучение производится на оставшихся.



Обогащение данных. Процесс насыщения данных новой информацией, которая позволяет сделать их более ценными и значимыми с точки зрения решения той или иной аналитической задачи.

Существует два основных метода обогащения данных – внешнее и внутреннее.



  • Внешнее обогащение предполагает привлечение дополнительной информации из источников, которые находятся вне информационной системы предприятия. Таковыми могут быть другие предприятия и организации, финансово-кредитные учреждения, банки, страховые компании, государственные налоговые и статистические службы, органы государственного и муниципального управления, различные службы социальной сферы – миграционная служба, органы труда и занятости, система здравоохранения, пенсионные фонды и т.д.

  • Внутренне обогащение не предполагает привлечения какой-либо внешней информации. Оно обычно связано с получением и включением в набор данных полезной информации, которая отсутствует в явном виде, но может быть тем или иным способом получена с помощью манипуляций с имеющимися данными. Затем, эта информация встраивается в виде новых полей или даже таблиц в хранилище данных и может быть использована для дальнейшего анализа.
  1. Дискретизация сигналов, аналого-цифровое преобразование.


Вспоминаем сети.

Дискретизация — преобразование непрерывной функции в дискретную.

Преобразование непрерывного информационного множества аналоговых сигналов в дискретное множество называется дискретизацией или квантованием по уровню (ср. «Квантование по времени»).

Квантование по уровню широко используется в цифровых автоматах. При квантовании по уровню производится отображение всевозможных значений величины на дискретную область, состоящую из величин уровня квантования.

АЦП. Аналого-цифровое преобразование – это процесс преобразования входной физической величины в ее числовое представление. Аналого-цифровой преобразователь – устройство, выполняющее такое преобразование. Формально, входной величиной АЦП может быть любая физическая величина – напряжение, ток, сопротивление, емкость, частота следования импульсов, угол поворота вала и т.п.

Тоже не сложно. Есть некий аналоговый поток, который мы через определенные промежутки времени (кванты, квантование по времени) читаем и переводим в дискретную (десятичную, квантование по уровню) величину в данный квант времени. Так как период квантования стремится к бесконечности, то далее (я думаю) используются методы интерполяции и аппроксимации значений в эти кванты времени для выравнивания полученного графика сигнала.



  1. Двумерное прямое и обратное преобразование Фурье.


Преобразование Фурье — операция, сопоставляющая функции вещественной переменной другую функцию вещественной переменной. Эта новая функция описывает коэффициенты («амплитуды») при разложении исходной функции на элементарные составляющие — гармонические колебания с разными частотами.

В двумерном случае преобразование выглядит следующим образом:





Дискретное преобразование Фурье (в англоязычной литературе DFT, Discrete Fourier Transform) — это одно из преобразований Фурье, широко применяемых в алгоритмах цифровой обработки сигналов (его модификации применяются в сжатии звука в MP3, сжатии изображений в JPEG и др.), а также в других областях, связанных с анализом частот в дискретном (к примеру, оцифрованном аналоговом) сигнале.

Дискретное преобразование Фурье требует в качестве входа дискретную функцию. Такие функции часто создаются путём дискретизации (выборки значений из непрерывных функций). Дискретные преобразования Фурье помогают решать частные дифференциальные уравнения и выполнять такие операции, как свёртки. Дискретные преобразования Фурье также активно используются в статистике, при анализе временных рядов.

В двумерном случае описывается рядом Фурье

, где




  • – размерность нашей картинки

Базисные функции данного ряда – двумерные комплексные экспоненты

http://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image013.gif

Коэффициенты Фурье http://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image018.gifряда (3.22) образуют двумерный частотный спектр сигнала  http://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image008.gif и определяются формулой прямого преобразования Фурье:



http://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image019.gifhttp://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image020.gif

Выражение (3.22), восстанавливающее сигнал http://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image008.gif по его спектру http://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image018.gif, является обратным преобразованием Фурье. В справедливости преобразований  (3.22) и (3.24), называемых двумерным ДПФ, можно убедиться, подставив (3.24) в (3.22) и приведя правую часть полученного равенства к значению левой, т.е. к  http://www.sernam.ru/archive/arch.php?path=../htm/book_kir/files.book&file=kir_18.files/image008.gif.



  1. Анализ изменчивости данных на основе автокорреляции и расчета вариограмм.


Хрен знает откуда искать надо было. Поэтому взято из его монографии («Геоинформатика в рациональном недропользовании.» Петин А.Н., Васильев П.В. 2011)

Изменчивость пространственных геолого-экологических показателей существенно влияет на методику сбора первичной информации, густоту разведочной сети скважин опробования и технологию компьютерного моделирования месторождения и окружающей местности. Процедуры количественной оценки изменчивости можно разделить на:



  • детерминированные, или аналитические

  • вероятностные

  • геостатистические

Использование компьютерных технологий привело к подавляющему распространению наиболее устойчивых к нарушению исходных предпосылок, робастных и учитывающих пространственное размещение проб геостатистических методов анализа изменчивости.

Среди геостатистических методов наибольшее распространение получили методы на основе расчета вариограмм изменчивости геопоказателей и транзитивно-вероятностные, использующие теорию Марковских цепей.

Вариограммы для оценки локальной или глобальной изменчивости геопоказателей на месторождении определяют в два этапа:


  • строится экспериментальная или эмпирическая вариограмма

  • подбирается модель вариограмм ы, описывающая функционально-пространственную закономерность изменчивости изучаемого показателя.

Экспериментальная вариограмма находится вычислением дисперсии содержаний в каждой точке множества по отношению к каждой другой точке и отображается в виде графика зависимости дисперсии от расстояния между данными точками в заданном интервале величин – лаге. Затем модельную вариограмму обычно получают путем подгонки кривой с заданным законом распределения к экспериментальной по методу наименьших квадратов.

При расчете эмпирической вариограммы



  1. расстояния между всеми парами рассеянных точек подразделяются на некоторое число интервалов, или лагов.

  2. Дисперсии всех пар точек, чьи расстояния друг от друга попадают в один и тот же лаг, усредняются.

  3. Результаты усреднения выводятся в виде графика зависимости эмпирической вариограммы от увеличения расстояния, соответствующего большему или меньшему лагу.

Это приводит к тому, что для каждого лага отображается лишь одна точка эмпирической вариограммы.

В программном обеспечении при вводе полного числа лагов и размера единичного лага одновременно указывается и допуск лага. Обычно величина допуска соответствует половине размера единичного лага. Вычисляемые по исходным рассеянным точкам данных статистические функции называются эмпирическими вариограммами.



Вариограмма. Эта функция используется в качестве наиболее общепринятого представления изменчивости данных и на самом деле является полувариограммой.

Значение вариограммы по геопоказателю в зависимости от величины некоторого лага h вычисляется так:



, где

  • N – число пар точек, чьи совместные расстояния попадают в заданный интервал лага h, а

  • – значения в начале и конце каждой пары точек.


(Wiki) Автокорреляция — статистическая взаимосвязь между случайными величинами из одного ряда, но взятых со сдвигом, например, для случайного процесса — со сдвигом по времени.

Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©grazit.ru 2019
обратиться к администрации

войти | регистрация
    Главная страница


загрузить материал