Метод матричных d-деревьев и его применение к символьному анализу линейных параметрических цепей в частотной области
Bibliographic record
Abstract
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.
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 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.052 | 0.015 |
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".