Метод матричних d-дерев і його застосування до символьного аналізу лінійних параметричних кіл у частотній області
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
У даній роботі досягнуто скорочення часу розв’язування ССЛАР шляхом застосування одного з методів підсхем, а саме, топологічного методу d-дерев. Існуючий метод d-дерев використовується для кіл з постійними параметрами, тому у даній роботі пропонується його модифікація під назвою метод матричних d-дерев, який поширено на кола зі змінними параметрами. При цьому використовується поняття параметричної матричної моделі y = 1/r, g = 1/L,C змінних і постійних елементів параметричного кола. Метод d-дерев, як звичайний, так і матричний, забезпечують близьке до оптимального винесення подібних у сформованих виразах. Це призводить до суттєвого скорочення часу їх формування, зменшення необхідного об’єму пам’яті, та високої швидкодії символьного методу d-дерев в цілому. Результатом є суттєве розширення допустимих до аналізу кіл за їх складністю. Аналіз наведеного у роботі комп’ютерного експерименту параметричних ланцюгових кіл показав суттєве збільшення допустимої складності кіл із застосуванням методу матричних d-дерев, ніж за допомогою стандартних засобів MATLAB. Цей факт дозволяє суттєво розширити область застосувань ЧС-методу у задачах статистичних досліджень чи оптимізації електронних пристроїв, які моделюються лінійними параметричними колами.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.003 | 0.004 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.009 | 0.009 |
| Research integrity | 0.001 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it