Метод матричних d-дерев і його застосування до символьного аналізу лінійних параметричних кіл у частотній області
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.046 | 0.013 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".