555_Innovatsii_inauchno-tekhnicheskoe_tvorchestvo_molodezhi2014_
.pdfРисунок 1 - Пример расчетной области
Стационарное электрическое и магнитное поле рассчитывается с
использованием математических моделей |
(3) |
||
, |
|||
|
|
. |
(4) |
|
|
|
Нормальное нестационарное поле для источника в виде КЭД удобно искать в виде распределения . Для нахождения начального распределения
(соответствующего моменту включения тока в КЭД) необходимо решить стационарную краевую задачу:
|
|
|
|
|
|
|
|
|
|
|
|
, |
|
(5) |
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
, |
. |
(6) |
|||||||||||
|
|||||||||||||||
После выключения тока нестационарный процесс становления поля без |
|||||||||||||||
учета токов смещения описывается следующей краевой задачей: |
(7) |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
, |
|
|
|
|
|
|
. |
|
|
(8) |
|||||||
|
|
|
|
|
|
|
|
Для расчета нестационарного трехмерного поля, для которого в качестве начального условия используется стационарное поле, полученное из решения задачи (4), используется модель вида:
(9)
.
Проведены исследования для трех расчетных областей: для области с аномальным слоем на рисунке 2в, симметрично расположенным объектом на Рисунке 2а и смещенным объектом на рисунке 2б. Общий размер области 10000×10000×12000 м. КЭД находится в начале координат и имеет внешний радиус равный 500 м. Распределение X и Y компонент вектора ), полученных из решения нестационарной задачи, показаны в момент времени t = 1 сек в сечении XY на глубине 2000 м.
321
Рисунок 2 - Геоэлектрические модели сред.
Распределение X и Y компонент вектора в области, содержащей аномальный слой (рисунок 3 а, б).
a) X компонента вектора |
б) Y компонента вектора |
Рисунок 3- Распределение |
в области, содержащей аномальный слой. |
Распределение X и Y компонент вектора в области, содержащей симметричный аномальный объект (рисунок 4 а, б).
a) X компонента вектора |
б) Y компонента вектора |
Рисунок 4 - Распределение |
в области, содержащей симметричный |
Распределение X и Y компонент вектора в области, содержащей смещенный аномальный объект (рисунок 5 а, б).
322
а) X компонента вектора |
б) Y компонента вектора |
Рисунок 5 - Распределение |
в области, содержащей смещенный |
Литература:
1.Соловейчик Ю.Г., Рояк М.Э., Моисеев В.С. Математическое моделирование на базе метода конечных элементов трехмерных электрических полей в задачах электроразведки // Физика Земли. 1997. № 9. С. 67–71.
2.Персова М.Г., Соловейчик Ю.Г., Тригубович Г.М. Компьютерное моделирование геоэлектромагнитных полей в трехмерных средах методом конечных элементов // Физика Земли. 2011. № 2. С. 3–14.
3.Соловейчик Ю.Г., Рояк М.Э., Персова М.Г. Метод конечных элементов для решения скалярных и векторных задач // Учебное пособие. Сер. “Учебники НГТУ”. Новосибирск: НГТУ. 2007. 899 с.
ИССЛЕДОВАНИЕ РАСПРЕДЕЛЕНИЙ СТАТИСТИК И МОЩНОСТИ КРИТЕРИЯ ПРОВЕРКИ ГИПОТЕЗЫ О СОГЛАСИИ НА ОСНОВЕ ОЦЕНКИ ИНФОРМАЦИОННОГО КОЛИЧЕСТВА ФИШЕРА
Казакова А.А., Семёнова М.А. НГТУ, Новосибирск e-mail: nastjavka@mail.ru
Научный руководитель – Лемешко Б.Ю., профессор НГТУ
При решении практических задач в анализе выживаемости, теории надежности, контроле качества и других областях необходимо построение некоторой модели, достаточно хорошо описывающей данные, а также – проверка гипотезы о принадлежности выборки данной модели. Гипотеза о согласии вида H0 :Fn(t) {F(t; ), } называется сложной, если в качестве
неизвестного параметра используется его оценка ˆ , вычисленная по той же выборке, по которой проверяется гипотеза о согласии.
Универсальными критериями проверки адекватности параметрических моделей являются непараметрические критерии Колмогорова, 2 Крамера- Мизеса-Смирнова и 2 Андерсона-Дарлинга. Исследование распределений
323
статистик и мощности данных критериев подробно описано в [3], [4].Однако получение корректного результата проверки сложной гипотезы о согласии данными критериями связано не только с необходимостью моделирования распределений статистик, но с малой мощностью. Поэтому актуально исследование альтернативных критериев проверки сложной гипотезы о согласии, в том числе по цензурированным данным.
В [1] и [2] описан критерий согласия, основанный на оценке информационного количества Фишера (для краткости, в работе будем называть данный критерий критерием Уайта).
Статистика критерия имеет вид
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
|
|
ˆ |
|
ˆ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
2 |
|
|
Cn(θ) | An(θ) Bn(θ)| , |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
n |
|
ln |
|
|
|
|
ˆ |
|
|
|
|
|
|
|
|
|
n |
|
ln f(t |
ˆ |
|
|
ˆ |
|
|
|
|||||||||||||
|
|
1 |
|
|
|
|
|
|
f(t ,θ) |
|
|
|
|
|
|
1 |
|
|
,θ) ln f(t |
,θ) |
|
|
|
|||||||||||||||||||||
ˆ |
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
i |
|
|
|
|
i |
|
|
|
|
|
||||||||
где An(θ) |
n |
|
|
|
|
|
θ |
2 |
|
|
|
|
|
, |
Bn(θ) n |
|
|
|
θ |
|
|
θ |
|
|
|
; |
||||||||||||||||||
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
В случае верной гипотезы H0 |
при достаточно большом объеме выборки |
|||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
равно |
|
|
|
|
|
|
их |
|
разница |
|
|
|
|
|
будет |
|||||||||
наблюдений An( )приблизительно |
|
Bn( ), а |
|
Сn( ) |
||||||||||||||||||||||||||||||||||||||||
близка к нулю: n , |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
An( ) Bn( ) Сn( ) 0. |
|
ˆ |
|
|
|
|||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
– |
скаляр. |
||||
В случае, когда оцениваемый параметр один, статистика Cn(θ) |
||||||||||||||||||||||||||||||||||||||||||||
Если же количество неизвестных параметров m > |
1, |
|
|
|
|
ˆ |
и |
|
ˆ |
|||||||||||||||||||||||||||||||||||
то An(θ) |
|
Bn(θ) – |
||||||||||||||||||||||||||||||||||||||||||
матрицы размером m×m, вида: |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
|
ln |
|
ˆ |
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ln f(ti ,θ) |
|
|
|
|
f(ti ,θ) |
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
θ1 m |
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
ˆ |
|
|
|
|
1 n |
|
|
|
|
θ1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
An(θ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
n i 1 |
|
|
|
2 |
|
ˆ |
|
|
|
2 |
|
|
|
ˆ |
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ln |
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ln f(ti ,θ) |
|
|
|
|
|
f(ti ,θ) |
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
θ |
|
|
|
|
|
θ2 |
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m 1 |
|
|
|
|
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
ln |
|
|
|
ˆ |
|
|
|
|
ln |
ˆ |
|
ln |
|
|
ˆ |
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
f(ti ,θ) |
|
|
f(ti ,θ) |
|
|
f(ti ,θ) |
|
ln f(ti,θ) |
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
θ1 |
|
|
|
θ1 |
|
|
|
θ1 |
|
|
θm |
|
|
|
|
|
|
|||||||||||||||||||
|
ˆ |
|
1 n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
Bn(θ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
n i 1 |
|
|
|
|
ˆ |
|
|
|
|
ln |
ˆ |
|
ln |
|
|
ˆ |
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
ln |
f(ti ,θ) |
|
|
f(ti ,θ) |
|
|
f(ti ,θ) |
|
ln f(ti,θ) |
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
θm |
|
|
|
θ1 |
|
|
θm |
|
|
θm |
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Статистика Сn( ), в таком случае, будет также матрицей размера m×m, каждый элемент которой есть разность между соответствующими элементами матриц An(θˆ) иBn(θˆ) .При верности нулевой гипотезы, значения элементов
матрицы Сn( ) стремятся к нулю, следовательно, для получения скалярной статистики будем использовать норму матрицы. В данной работе рассматриваются p-нормы (p 1..5):
Cp |
|
|
|
C |
( ˆ) |
|
|
|
|
p |
|
c ( ˆ) |
|
p |
, |
|
|
|
|
|
|
|
|||||||||
n |
|
|
|
n |
|
|
|
|
p |
|
|
ij |
|
|
|
|
|
|
|
|
|
|
|
|
i, j |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
324
где cij( ) – элементы матрицыСn( ).
В работе исследуется зависимость распределений статистик критерия согласия, основанного на оценке информационного количества Фишера от объемов выборок наблюдений и при разных степенях цензурирования. При проверке сложной гипотезы относительно распределений Вейбулла и экспоненциального показано, что распределения статистик критерия Уайта зависят от объема выборок, степени цензурирования и распределения, с которым проверяется согласие. При проверке гипотез относительно законов с несколькими неизвестными параметрами на основе оценок информационного количества Фишера могут быть построены критерии с разными статистиками или нормами.
Исследование мощности критериев с различными статистиками проводилось для следующих пар конкурирующих гипотез:
Н0:Экспоненциальный закон с параметром масштаба 1 1;
Н1: Закон Вейбулла с параметром масштаба 1 1 и параметрами формы
2 {0.8, 0.9, 1.1, 1.2}. |
|
|
|
|
Н0: закон Вейбулла с параметрами 1 2 и 2 2; |
|
|
||
Н1: Гамма распределение с параметрами {0, 0.5577, 3.1215}; |
|
|||
Н2: |
Логарифмически |
нормальное |
распределение |
с |
параметрами {0, 1.5013, 0.6424};
Н3: Обобщённый закон Вейбулла с параметрами {0, 2, 2, 0.9}; В таблице представлены полученные значения мощности критерия Уайта с
разными нормами и мощности непараметрических критериев Колмогорова, Крамера-Мизеса-Смирнова и Андерсона-Дарлинга.
Таблица – Мощность (1- критериев проверки сложной гипотезы о согласии с законом Вейбулла, n=50
Критерий |
Гамма |
Логарифмически |
Обобщенное Вейбулла |
|
|
нормальное |
|
Колмогорова |
0.1799 |
0.4948 |
0.0961 |
2 |
0.225 |
0.6726 |
0.0968 |
2 |
0.2065 |
0.6044 |
0.0997 |
C1 |
0.2139 |
0.5211 |
0.1524 |
n |
|
|
|
C3 |
0.2997 |
0.6736 |
0.0879 |
n |
|
|
|
Таким образом, в случае альтернативы Н1: Гамма распределение, наиболее мощным оказывается критерий Cn3 , в случае Н3: Обобщённый закон Вейбулла,
критерий Cn1 оказался более мощным.
В работе показано, что с ростом степени цензурирования при данных конкурирующих гипотезах мощность критериев Уайта в отличие от
325
непараметрических критериев резко падает, однако при альтернативе Н3:обобщённый закон Вейбулла, критерий Cn1 оказался более мощным, чем непараметрические критерии.
В дальнейшем планируется модифицировать используемые статистики с учетом выявленных недостатков и разработать критерий проверки адекватности полупараметрической модели пропорциональных интенсивностей Кокса на основе оценки информационного количества Фишера.
Литература:
1.Lin D. Y. Goodness-of-fittestsforthegeneralCoxregressionmodel/ D. Y. Lin, L. J. Wei; University of Washington and University of Wisconsin. StatisticaSinica 1991 №1.–17 p.
2.White H. Maximum likelihood estimation of misspecified models / Halbert White; Econometrica, January, 1982. – 25 p.
3.Лемешко Б.Ю. Статистический анализ данных, моделирование и исследование вероятностных закономерностей. Компьютерный подход: монография / Б.Ю. Лемешко, С.Б. Лемешко, С.Н. Постовалов, Е.В. Чимитова. – Новосибирск: Изд-во НГТУ, 2011. – 888 с. (серия «Монографии НГТУ»)
4.Лемешко Б.Ю., Чимитова Е.В., Ведерникова М.А. Модифицированные
критерии согласия Колмогорова, Крамера-Мизеса-Смирнова и АндерсонаДарлинга для случайно цензурированных выборок. //Научный вестник НГТУ. – 2012. – № 4(49). – С. 12-19.
КЛАССИФИКАЦИЯ МНОГОМЕРНЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ С ИСПОЛЬЗОВАНИЕМ СКРЫТЫХ МАРКОВСКИХ МОДЕЛЕЙ
Кокорева В.В. НГТУ, Новосибирск e-mail: gemmadu@mail.ru
Научный руководитель - Гультяева Т.А., ассистент НГТУ
Внаше время задачи распознавания является широко применимой на практике. Среди приложений скрытых марковских моделей (СММ) – распознавание звуковых сигналов, текстов, образов и т.д.
Вданной работе рассмотрена классификация многомерных последовательностей – до этого с помощью СММ проводились исследования лишь одномерных последовательностей [1].
Для использования механизмов СММ было необходимо реализовать решение двух следующих задач:
1. Оценивание параметров СММ
2. Классификация последовательностей Оценивание параметров СММ
Для получения описания исследуемого процесса или объекта в виде СММ по имеющимся наблюдаемым последовательностям необходимо оценить ее параметры. Для этого решается задача обучения, состоящая в подборе
326
параметров модели |
так, чтобы она |
правильно |
распознавала |
последовательность мультинаблюдений |
, где |
– это число |
наблюдаемых последовательностей. Одним из способов, которым можно это сделать, является максимизация функции правдоподобия от наблюдений. То есть необходимо максимизировать вероятность , варьируя параметры модели . Это позволяет сделать алгоритм Баума-Велша [3]. При этом оценивались такие параметры СММ, как вектор вероятностей
начальных |
скрытых |
состояний |
|
|
, |
где |
|
|
||
(вероятность того, что система будет в начальном состоянии |
в начальный |
|||||||||
момент времени), элементы матрицы |
переходов |
, |
, |
где |
||||||
|
|
а также параметры функции плотности вероятностей |
||||||||
распределения наблюдаемых символов |
, |
где |
– это плотности |
|||||||
условных |
вероятностей |
|
|
(в |
данной |
работе |
были |
рассмотрены |
||
функции |
вида |
|
|
|
|
|
|
|
, |
т.е. |
|
|
|
|
|
|
|
||||
оцениваемыми параметрами были весовые коэффициенты |
, ковариационные |
|||||||||
матрицы |
и z-мерные вектора математических ожиданий |
). |
|
|
||||||
Классификация последовательностей |
|
|
|
|
|
|
||||
Пусть у нас есть две СММ |
и . По обучающим последовательностям |
|||||||||
мультинаблюдений |
найдем для этих СММ оценки |
и |
. Для новой |
|||||||
последовательности наблюдений |
принадлежность к какой-то из этих моделей |
|||||||||
можно определить двумя следующими способами. |
|
|
|
|
||||||
Способ №1 (традиционный). На основе вероятности |
. К той модели, |
для которой это значение будет выше, и будет отнесена последовательность . Для удобства будем работать с .
Способ №2. На основе классификации в пространстве вторичных признаков [1]. В работе рассматривается пространство производных по
параметрам модели. |
Для каждого элемента |
построим вектора |
|||
вида |
|
|
|
. Таким образом, мы получим две группы |
|
|
|
векторов – по одной для каждой модели. Для классификации построим аналогичный вектор для рассматриваемой последовательности и определим, к какой группе отнесется этот вектор. Классификацию будем производить по методу опорных векторов [2].
Формулы производных Для классификации на основе производных использовался следующий
общий подход к их вычислению [1]:
327
|
lnL(O* | ) |
K |
|
|
|
|
|
|
|
|
1 P Ok |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
P Ok |
|
|
|
|
|
|
|
|
|
, где L(O* | ) функция правдоподобия, |
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
k 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
один из параметров СММ, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
P O |
|
T i , |
где t i forward-переменные, |
|
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
P O |
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
N |
T |
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
1 шаг. |
1 i |
|
i |
b 1 |
|
bi 1 |
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
i |
|
|
, где i |
|
. |
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1,N |
|
|
|
|||||||||||||||
|
|
|
|
|
|
t 1 i |
|
|
N |
|
t j |
|
|
|
|
|
|
|
aji |
|
N |
bi t 1 |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 t j aji |
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
aji t |
|
|
, |
|||||||||||||||||||||||
2 шаг. |
|
|
|
|
|
|
|
j bi t |
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
j 1 |
|
|
где i 1,N , t 2,T 1.
Полученные результаты
Исследования проводились при числе скрытых состояний N=3, плотности распределения в виде смеси трех гауссовских распределений M=3, трехмерной последовательности наблюдений Z=3, длине последовательности T=100, количестве обучающих последовательностей К=100, 2 моделях и количестве тестируемых последовательностей 200. При этом брались последовательности, порожденные двумя моделями, у которых все параметры, кроме матрицы переходов A совпадают, а матрицы имеют следующий вид:
. Для одной модели , а для
второй . Таким образом, параметр является мерой близости моделей – чем он меньше, тем модели ближе, и тем сложнее различить последовательности, порожденные ими.
328
Рисунок – графики зависимости доли верно классифицированных последовательностей от параметра близости моделей для разных методов классификации
Вывод В данной работе было рассмотрено два варианта классификации
многомерных последовательностей с помощью СММ. Полученные результаты подтверждают независимость точности работы метода на основе производных от размерности последовательностей, а также большую совершенность метода на основе производных относительно традиционного, на основе функции правдоподобия.
Литература:
1.Гультяева, Т.А. Классификация зашумленных последовательностей, порожденных близкими скрытыми марковскими моделями / Т.А. Гультяева, А.А. Попов // Научный вестник НГТУ. – Новосибирск, 2011. – 3 (44). – С. 3-16.
2.Platt, J.C. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines [Электронный ресурс]: Technical Report MSR-TR-98-14
/John C. Platt ; Microsoft Research. – Режим доступа: http://luthuli.cs.uiuc.edu/ ~daf/courses/Optimization/Papers/smoTR.pdf.
3.Rabiner, L.R. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition / L.R. Rabiner // Proceedings of the IEEE. – 1989. – Vol. 77 (2). – P. 257-285.
329
МАТЕМАТИЧЕСКИЕ МЕТОДЫ МОДЕЛИРОВАНИЯ ОПТИЧЕСКИХ ВОЛНОВОДОВ ВЕКТОРНЫМ МЕТОДОМ КОНЕЧНЫХ ЭЛЕМЕНТОВ
Колесников О.В. НГТУ, Новосибирск e-mail: olegk0101@gmail.com
Научный руководитель - Шурина Э.П., профессор НГТУ
Современные оптические волноводы имеют сложную внутреннюю структуру (рисунок 1), и состоят из нескольких неоднородных материалов [1]. В них распространяются электромагнитные (ЭМ) волны с частотой порядка сотен терагерц. Важной задачей, возникающей при расчете характеристик оптических волноводов, является определение собственных мод. Мода – это ЭМ-волна, пространственное распределение которой не меняется во время распространения по определенному направлению.
Рисунок 1 - Фотонно-кристаллический волновод, оптоволокно и оптический резонатор
Пусть Ω - область моделирования,-липшиц-непрерывная граница оболочки, - граница раздела двух сред (Рисунок 1). В данной области решается внутренняя спектральная задача для электрического поля:
, (1)
|
|
. (2) |
|
|
|
|
На границе двух подобластей должны выполняться условия |
||||||
непрерывности [3]: |
|
(3) |
|
|
|
|
|
|
|
|
|
|
|
Сформулируем вариационную постановку: |
|
|
|
|||
Найти собственные функции |
и собственные числа , такие |
|||||
что для |
выполняется: |
|
|
|
|
|
|
|
|
(4) |
|
|
|
В работе используются векторные тетраэдальные конечные элементы. Для |
||||||
векторной функции |
на |
тетраэдальном |
конечном |
элементе |
определим |
|
иерархическую функцию |
, |
где |
- |
степени |
свободы, S- |
|
множество индексов степеней свободы, - базисные функции. |
|
330