Метод матричных d-деревьев и его применение к символьному анализу линейных параметрических цепей в частотной области
Notice bibliographique
Résumé
В предлагаемой работе сокращение времени решения символьной системы линейных алгебраических уравнений достигнуто применением одного из методов подсхем, а именно, топологического метода d-деревьев. Метод d-деревьев разработан для цепей с постоянными параметрами, поэтому в данной работе рассмотрено его распространение на цепи с переменными параметрами, так называемый метод матричных d-деревьев. При этом используется понятие параметрической матричной модели сменных и постоянных элементов параметрической цепи. Метод d-деревьев, как обычный, так и матричный, обеспечивают близкое к оптимальному уносу подобных в формируемых выражениях. В этом и заключается причина существенного сокращения времени их формирования, уменьшения необходимого объема памяти и высокое быстродействие символьного метода d-деревьев (обычного и матричного) в целом. Это и приводит к существенному расширению допустимых для анализа цепей по их сложности. Анализ приведенных в работе двух компьютерных экспериментов с параметрическими цепными цепями показал существенное увеличение допустимой сложности цепей с применением метода матричных d-деревьев, чем с помощью стандартных средств MATLAB. Этот факт позволяет существенно расширить область применения частотного символьного метода в задачах статистических исследований или оптимизации электронных устройств, моделируемых линейными параметрическими цепями.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,052 | 0,015 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».