
- •Информационно- измерительные технологии на предприятиях кинематографии
- •Оглавление
- •1. Информационно- измерительные технологии и информационно- измерительные системы в кинематографии
- •1.1. Информационная метрология, измерительные сигналы
- •Информационно- измерительные системы, основные определения, отличие информационно- измерительной системы от измерительного прибора
- •1.3. Элементы информационно- измерительных систем, передаточная функция системы
- •Стандартизация в области информационно- измерительных систем
- •1.5. Классификация информационно- измерительных систем по степени сложности, особенности оценки точности информационно- измерительных систем
- •Оценка точности результатов измерения с использованием информационных подходов
- •2. Анализ измерительных сигналов как случайных функций
- •Вероятностные характеристики измерительных сигналов
- •2.2. Использование оценок для экспериментального определения вероятностных характеристик измерительных сигналов
- •Классификация измерительных задач
- •Формы представления и основные принципы передачи измерительной информации
- •3.1. Основные тенденции
- •3.2. Модуляция измерительных сигналов
- •3.3. Дискретизация измерительных сигналов
- •3.4. Кодирование измерительной информации
- •3.5. Согласование параметров измерительного сигнала с параметрами передающего канала
- •1.Теоретические основы ти
- •1.1. Формально- логические принципы измерений
- •1.2. Неоднозначность образов действительности
- •1.3. Решающие правила отображений
- •2.Моделирование измерительных систем
- •2.1. Общие принципы моделирования измерительных систем
- •2.2.Обработка экспериментальных данных перед разработкой модели
- •1. Сглаживание экспериментальных данных (измерительных сигналов)
- •Сглаживание экспериментальных во времени
- •2. Экстраполяция, интерполяция, аппроксимация.
- •2.3.Использование статистических моделей для оценки неоднозначности образа действительности
- •2.4. Неоднозначность многомерного образа действительности с использованием векторных статистических моделей
- •2.5. Информационные технологии, используемые при моделировании в метрологии
- •2.6. Соотношение между погрешностями и результатами измерений
- •2.7.Виды моделей, которые могут быть использованы для описания измерительных систем
- •2.8.Модели измерений
- •2.7. Математические модели измерительных систем
- •Математические модели и методы их расчета
- •1. Понятие операционного исследования
- •2.8. Выбор и обоснование модели, описывающей результаты измерений
- •3.Роль математических методов в метрологических процедурах
- •3.1. Разнообразие метрологических процедур, используемых на предприятиях и в организациях кинематографии
- •3.2. Место математических методов в метрологической системе (в системе метрологических процедур) предприятия
- •3.3. Требования к математическим моделям, используемым при разработке метрологической службы предприятия
- •3.4. Выбор математической модели, описывающей систему метрологических процедур(метрологическую службу) предприятия
- •3.5. Математические методы, используемые при функционировании метрологической системы
- •4.Модели и методы метрологии, основанные на статистических зависимостях
- •4.1. Статистические модели, используемые при дисперсионном анализе
- •4.2. Нахождение статистических зависимостей с использованием планирования экспериментов
- •4.2.1.Выбор входных и выходных переменных
- •4.2.2.Выбор математической модели
- •4.2.3.Обработка результатов аппроксимации при использовании метода планирования экспериментов
- •3.Оценка значимости коэффициентов аппроксимирующей зависимости
- •4.3. Пассивный и активный эксперимент
- •4.5. Корреляционный анализ
- •4.6. Кластерный анализ
- •4.7. Использование метода нейронных сетей для построения статистических математических моделей
- •5.Модели погрешностей измерений
- •5.1. Требования к моделям, описывающим погрешности измерений
- •Наиболее часто используемые модели, описывающие погрешности:
- •1.Модель погрешности в виде случайной элементарной функции
- •2. Модели погрешностей в виде суммы случайной и неслучайной функций
- •8.4. Характеристики моделей погрешностей
- •Литература
- •Кластерный анализ
4.Модели и методы метрологии, основанные на статистических зависимостях
Анализ публикаций в области прикладной статистики показывает, что в настоящее время количество значимых и полезных публикаций составляет более 100 тысяч, а возраст некоторых фундаментальных работ достигает более 200 лет [68]. Так, например, наиболее популярный из используемых в настоящее время статистических методов - метод наименьших квадратов - К.Гаусс разработал в 1795 году. Современный этап развития прикладной статистики принято отсчитывать с 1900 года, когда К. Пирсон основал журнал «Biometriсa», причем, если первая треть 20 века была посвящена разработке методов параметрической статистики (наиболее популярным было нормальное распределение), то в последующие годы были разработаны непараметрические методы (первые работы в этой области принадлежат Ч. Спирмену , М. Кендаллу, А.Н.Колмогорову). Наиболее подробные таблицы непараметрических критериев приведены в работе [69]
Среди направлений развития современной прикладной статистики:
1.непараметрические методы (учитывающие разнообразные законы распред.вероятности),
2. оценка устойчивости статистических процедур (робастость),
3. замену теоретических исследований вычислительными процедурами, предусматривающую увеличение объема анализируемой статистики за счет «размножения выборок» (бутстреп),
4. математическую статистику интервальных данных, 5.статистику объектов нечисловой природы и т.д.
В соответствии с принятой в настоящее время классификацией [70], статистические методы делятся на Разделы:
1.статистику числовых случайных величин,
2.многомерный статистических анализ,
3. статистику временных рядов и случайных процессов,
4 статистику объектов нечисловой природы (квалиметрия).
Использование того или иного статистического метода для анализа результатов измерения подразумевает использование соответствующего вычислительного приема, желательно, автоматизированного. При этом достаточно обратиться, например, к пакетам Mathcad [71,72] или Mathlab, приобрести электронные учебники по статистике и т.д. Однако данная проблема связана с изучением конкретных методик оценки точности результатов измерения и не рассматривается в учебном пособии.
При решении прикладных метрологических задач анализ статистических данных, основанных на результатах измерения, позволяет:
- определить качественно- количественные закономерности между влияющими факторами и результатами измерений и т.д.,
- возможность или невозможность обменных соотношений между измеряемыми и оцениваемыми параметрами
- значения влияющих факторов, обеспечивающих заданное значение выходного параметра.
Далее рассматриваются такие наиболее часто используемые в метрологии методы, основанные на статистических данных, как дисперсионный и дискриминантный анализ; планирование экспериментов (метод наименьших квадратов, регрессионный анализ); корреляционный анализ; и т.д.
4.1. Статистические модели, используемые при дисперсионном анализе
Использование дисперсионного анализа позволяет ответить на вопрос, оказывает ли существенное влияние некоторый фактор X на исследуемую величину Y. Метод заключается в сравнении дисперсии, возникающей под влиянием факторов X, т.е. факторной дисперсии, с остаточной дисперсией, обусловленной случайными причинами. Если различие между дисперсиями значимо – фактор X существенно влияет на выходной параметр [73].
Дискриминантный анализ [74] используется для принятия решения о том, какие переменные вызывают большие рассеяния выходных величин (различают (дискриминируют) совокупности характеристик оцениваемых объектов). С вычислительной точки зрения дискриминантный анализ аналогичен дисперсионному анализу. Основная идея метода заключается в том, чтобы определить, отличаются ли совокупности по средним значениям той или иной характеристики (или их комбинаций), а затем использовать эту характеристики для классификации объектов по группам. Поскольку при использовании метода обычно имеют дело с несколькими характеристиками, факторами (переменными) , задача также состоит в том, чтобы установить, какие из факторов вносят более значимый вклад в различие между совокупностями. Такая методика аналогична процедуре многомерного дисперсионного анализа.
Рассмотрим алгоритм использования дисперсионного анализа:
1. Исходные данные и обозначения.
Метод предполагает использование экспериментальных значений влияющих факторов и выходных параметров:
y – значение выходного параметра;
- значения влияющих
факторов, их количество N;
- значение i-го
фактора в j-м измерении,
количество измерений m;
- мгновенное
значение выходного параметра под
влиянием i-го фактора
в j-м измерении.
2.Рассчитывают средние значения:
-
общее среднее значение выходного
параметра;
-
среднее значение выходного параметра
при i-м значении
фактора, т.е. значение, усредненное по
измерениям.
3. Рассчитывают дисперсии:
-
общая дисперсия;
-
факторная дисперсия, т.е. разброс значений
выходного параметра под влиянием
различных факторов;
-
остаточная дисперсия .
4.Оценка значимости различия дисперсий проводится с помощью критерия Фишера (F-критерия), равного дисперсионному отношению
.
Влияние фактора
X на параметр Y
значимо, если
,
незначительно, если
. Значение
определяют по таблицам (Приложение 1)
при заданном уровне значимости.