កំហុសមធ្យម និងកំហុសឫសមធ្យម កំហុសការ៉េ។ តម្លៃនៃលក្ខណៈវិនិច្ឆ័យទាំងនេះកាន់តែទាប ភាពជឿជាក់នៃគំរូព្យាករណ៍កាន់តែច្រើន។
មេគុណទំនាក់ទំនងលីនេអ៊ែរត្រូវបានកំណត់ដោយរូបមន្ត
កំហុសឫសមធ្យមការ៉េ (គម្លាតស្តង់ដារ) សម្រាប់ពិន្ទុ S និងចន្លោះពេលជឿជាក់នៃការទស្សន៍ទាយ
តាមការពិត បញ្ហាត្រូវបានកាត់បន្ថយទៅការប៉ាន់ស្មានការបត់បែនជាមធ្យមក្នុងរយៈពេលច្រើន ឬតិចនៃពេលវេលា។ អនុញ្ញាតឱ្យយើងវិភាគការប៉ាន់ប្រមាណនៃការបត់បែននៃតម្លៃជាក់លាក់ (ភាពបត់បែនរួមគ្នា) នៃកម្រិតផ្សេងគ្នា, i.e. រចនាសម្ព័នប្រភេទ គ្រាប់ធញ្ញជាតិកើនឡើង គ្រាប់ធញ្ញជាតិនៅលើការផ្លាស់ប្តូរ និងសម្រាប់ម្សៅ។ ការប៉ាន់ស្មានដែលទទួលបានត្រូវបានសង្ខេបនៅក្នុងតារាង។ 14.5 រួមជាមួយនឹងកំហុសការ៉េមធ្យមស្តង់ដាររបស់ពួកគេ - កំហុសប៉ាន់ស្មាន ឬដែនកំណត់នៃចន្លោះពេលទំនុកចិត្តនៃសូចនាករនៃភាពបត់បែន។
ដើម្បីពិនិត្យមើលសារៈសំខាន់នៃមេគុណជាប់ទាក់ទងគ្នា យើងគណនាកំហុស root-mean-square នៃមេគុណជាប់ទាក់ទងគ្នា r
កម្រិតនៃភាពស្និទ្ធស្នាលនៃទំនាក់ទំនងស្ថិតិច្រើន និងកំហុសស្ដង់ដារនៃការព្យាករណ៍ (ប្រហាក់ប្រហែល) នៃអថេរមួយនៅក្នុងការបូកសរុបរបស់អ្នកដទៃ។ ដោយវិចារណញាណ និងពីអត្ថន័យនៃលក្ខណៈខាងលើនៃកម្រិតនៃភាពតឹងតែងនៃទំនាក់ទំនងស្ថិតិ វាច្បាស់ណាស់ថាទំនាក់ទំនងនេះកាន់តែជិត ពត៌មានកាន់តែច្រើនអថេរមួយមានទាក់ទងទៅមួយផ្សេងទៀត នោះវាកាន់តែត្រឹមត្រូវដើម្បីស្ដារឡើងវិញ (ព្យាករណ៍ ប្រហាក់ប្រហែល ) តម្លៃមិនស្គាល់នៃអថេរមួយពីតម្លៃដែលបានផ្តល់ឱ្យនៃមួយទៀត។
ដូច្នេះយើងម្តងទៀត (ដូចនៅក្នុង B.5 និង 1.1.1) មកដល់មុខងារតំរែតំរង់ f(X) = E(m] = X) លើកនេះជាមុខងារនៃអថេរ p (1, c(2), . .., x(p) យ៉ាងត្រឹមត្រូវបំផុត (ក្នុងន័យនៃកំហុស root-mean-square) ការផលិតឡើងវិញនូវតម្លៃតាមលក្ខខណ្ឌនៃសូចនាករលទ្ធផល m] (X) ដែលកំពុងសិក្សាសម្រាប់តម្លៃដែលបានផ្តល់ឱ្យនៃអថេរ X ពន្យល់។
កំហុស root-mean-square នៃការព្យាករណ៍រួមបញ្ចូលគ្នាគឺស្មើនឹង
ប្រសិនបើពាក្យ គម្លាតស្តង់ដារ ត្រូវបានប្រើដើម្បីពិពណ៌នាអំពីការរីករាលដាលនៃអថេរ នោះពាក្យស្តង់ដារ កំហុសត្រូវបានប្រើដើម្បីពិពណ៌នាអំពីប៉ារ៉ាម៉ែត្រស្ថិតិបែបនេះ។
វាត្រូវបានគេដឹងយ៉ាងច្បាស់ថា algorithm ដែលហៅថា R. Kalman filter គឺល្អបំផុតក្នុងលក្ខខណ្ឌនៃកំហុសការេមធ្យមអប្បបរមានៃការប៉ាន់ប្រមាណស្ថានភាព (បច្ចុប្បន្ន អតីតកាល និងអនាគតកាល) នៃប្រព័ន្ធថាមវន្ត។ រាល់ក្បួនដោះស្រាយការប៉ាន់ប្រមាណភាពត្រឹមត្រូវផ្សេងទៀតអាចចូលទៅជិតភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានដែលផ្តល់ដោយតម្រង Kalman ប៉ុណ្ណោះ។ ភាពត្រឹមត្រូវនៃការប៉ាន់ប្រមាណដែលអាចធ្វើទៅបានដែលសម្រេចបានដោយតម្រងដែលបានបញ្ជាក់គឺត្រូវបានធានាដោយសារតែការពិតដែលថារចនាសម្ព័ន្ធ និងប៉ារ៉ាម៉ែត្រនៃក្បួនដោះស្រាយដែលបានបញ្ជាក់ត្រូវបានកែសម្រួលជាបឋមទៅនឹងរូបភាពស្ថិតិនៃប្រព័ន្ធថាមវន្តប៉ាន់ស្មាន។ នោះហើយជាមូលហេតុដែលចាំបាច់ត្រូវធ្វើការសិក្សាស្ថិតិបឋមនៃទីផ្សារហិរញ្ញវត្ថុដើម្បីទទួលបានគំរូគណិតវិទ្យាដែលសមស្របនឹងទីផ្សារក្នុងទម្រង់នៃប្រព័ន្ធនៃសមីការឌីផេរ៉ង់ស្យែល (ភាពខុសគ្នា) ហើយមានតែបន្ទាប់មកកែតម្រូវតម្រង Kalman ដែលត្រូវគ្នាទៅនឹងលទ្ធផល។ គំរូគណិតវិទ្យានៃទីផ្សារហិរញ្ញវត្ថុ។
ដូច្នេះ ការប្រើប្រាស់រូបមន្ត (1.13)-(1.16) នាំឱ្យមានភាពផ្ទុយគ្នាក្នុងការកំណត់ប៉ារ៉ាម៉ែត្ររលោងជាមួយនឹងការថយចុះ a កំហុស root-mean-square មានការថយចុះ ប៉ុន្តែកំហុសក្នុងលក្ខខណ្ឌដំបូងកើនឡើង ដែលជះឥទ្ធិពលដល់វេន។ ភាពត្រឹមត្រូវនៃការព្យាករណ៍។
ការពិតនេះធ្វើឱ្យវាអាចប្រើទំនាក់ទំនង (1.81) សម្រាប់បង្កើតតម្លៃព្យាករណ៍នៃស៊េរីពេលវេលាដែលបានវិភាគសម្រាប់ 1 វដ្តនាឡិកាខាងមុខ។ មូលដ្ឋានទ្រឹស្តីនៃវិធីសាស្រ្តក្នុងការព្យាករណ៍នេះត្រូវបានផ្តល់ដោយលទ្ធផលល្បី យោងទៅតាមការព្យាករណ៍លីនេអ៊ែរដែលល្អបំផុត (ក្នុងន័យឫសមធ្យម - ការេ) ការព្យាករណ៍លីនេអ៊ែរនៅពេល t ជាមួយនឹងការនាំមុខ 1 គឺជាការរំពឹងទុកតាមលក្ខខណ្ឌនៃគណិតវិទ្យា។ អថេរចៃដន្យ xt + i គណនាក្រោមលក្ខខណ្ឌដែលតម្លៃទាំងអស់នៃ xm រហូតដល់ពេលបច្ចុប្បន្ន t ។ លទ្ធផលនេះគឺជាករណីពិសេសនៃទ្រឹស្តីទូទៅនៃការព្យាករណ៍ (សូមមើល)។
ជាមួយនឹងការបែងចែកពហុនាមពេញលេញនៃសញ្ញាបត្រដែលបានផ្តល់ឱ្យទៅជាពហុនាមផ្នែក លក្ខណៈវិនិច្ឆ័យសម្រាប់អប្បរមានៃកំហុសការេមធ្យមដែលបានកំណត់លើលំដាប់បណ្តុះបណ្តាល (លក្ខណៈវិនិច្ឆ័យទីមួយ) ធ្វើឱ្យវាអាចកំណត់ដោយឡែកនូវការប៉ាន់ស្មានដ៏ល្អប្រសើរនៃមេគុណទាំងអស់ ប្រសិនបើចំនួន ពិន្ទុនៅក្នុងលំដាប់បណ្តុះបណ្តាលគឺធំជាងចំនួនសមាជិកនៃពហុនាមផ្នែកនីមួយៗដោយយ៉ាងហោចណាស់មួយ។
សម្រាប់កម្រិតដែលបានផ្តល់ឱ្យនៃពហុនាមពេញលេញ មានជម្រើសជាច្រើនសម្រាប់បំបែកវាទៅជាពហុនាមផ្នែក។ ការស្វែងរកពេញលេញនៃបន្សំទាំងអស់ដោយលក្ខណៈវិនិច្ឆ័យនៃកំហុសស្ដង់ដារដែលបានវាស់វែងនៅលើលំដាប់នៃការធ្វើតេស្តដាច់ដោយឡែកនៃទិន្នន័យអនុញ្ញាតឱ្យអ្នកស្វែងរកការបំបែកដ៏ល្អបំផុតតែមួយគត់។
ដូច្នេះដូចនៅក្នុងករណីនៃការពឹងផ្អែកជាគូ ការប្រែប្រួល (ចៃដន្យ) នៃសូចនាករលទ្ធផល t] មានបំរែបំរួលនៃអនុគមន៍តំរែតំរង់ / (X) ដែលយើងគ្រប់គ្រង (យោងទៅតាមតម្លៃនៃអថេរទស្សន៍ទាយ X) និង ពីការបែងចែកចៃដន្យនៃតម្លៃ r (X) (សម្រាប់ X ថេរ) ទាក់ទងនឹងមុខងារតំរែតំរង់ / (X) ។ វាគឺជាការខ្ចាត់ខ្ចាយដែលមិនអាចគ្រប់គ្រងបាននេះ (លក្ខណៈដោយតម្លៃនៃ o (X)) ដែលក្នុងពេលដំណាលគ្នាកំណត់ទាំងកំហុស root-mean-square នៃការព្យាករណ៍ (ឬប្រហាក់ប្រហែល) នៃតម្លៃនៃសូចនាករលទ្ធផល r ដោយផ្អែកលើតម្លៃនៃ អថេរទស្សន៍ទាយ X និងកម្រិតនៃភាពស្និទ្ធស្នាលនៃទំនាក់ទំនងដែលមានស្រាប់រវាងតម្លៃ r នៅលើដៃម្ខាង និងតម្លៃ
X. Theil បានស្នើក្នុងករណីនេះដើម្បីប្រើកំហុសស្តង់ដារ
ការជាប់ទាក់ទងគ្នានេះធ្វើតិចតួចដើម្បីកាត់បន្ថយភាពមិនច្បាស់លាស់។ ជាការពិត កំហុសស្តង់ដារនៃការព្យាករណ៍ត្រូវបានកាត់បន្ថយត្រឹមតែ 1% ប៉ុណ្ណោះ។ ដូច្នេះ ទោះបីជាមានសញ្ញាខ្សោយមួយចំនួននៃការជាប់ទាក់ទងគ្នាដោយស្វ័យប្រវត្តិនៅក្នុងសន្ទស្សន៍ NASDAQ ត្រូវបានរកឃើញក៏ដោយ ពួកគេមានការប្រើប្រាស់តិចតួចក្នុងការអនុវត្ត។ ទំនាក់ទំនងផ្សេងទៀតទាំងអស់គឺចៃដន្យ និងមិនសំខាន់តាមស្ថិតិ។ ដោយគិតពីចំនួនការជាប់ទាក់ទងគ្នាដែលយើងបានវិភាគដើម្បីរកឱ្យឃើញតែស្ថិតិមួយច្រើន ឬតិចប៉ុណ្ណោះដែលមានសារៈសំខាន់ វាអាចត្រូវបានប្រកែកជាមួយនឹងកម្រិតខ្ពស់នៃប្រូបាប៊ីលីតេដែលថាទំនាក់ទំនងតែមួយនេះទំនងជាលទ្ធផលចៃដន្យ ស្រដៀងទៅនឹងការទទួលបានក្បាលជាច្រើនក្នុងមួយជួរនៅពេលកាក់មួយ បោះចោល។
ដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃការវាស់វែងណាមួយមានន័យថាដើម្បីកំណត់ដោយផ្អែកលើលទ្ធផលដែលទទួលបាន លក្ខណៈជាលេខប្រៀបធៀប (បរិមាណ) ដែលបង្ហាញពីផ្នែកគុណភាពនៃការវាស់វែងដោយខ្លួនឯង និងលក្ខខណ្ឌសម្រាប់ការអនុវត្តរបស់ពួកគេ។ លក្ខណៈបរិមាណនៃការវាស់វែង ឬលក្ខណៈវិនិច្ឆ័យសម្រាប់វាយតម្លៃភាពត្រឹមត្រូវនៃការវាស់វែងត្រូវបានបង្កើតឡើងដោយទ្រឹស្ដីប្រូបាប៊ីលីតេ និងទ្រឹស្តីនៃកំហុស (ជាពិសេសដោយវិធីសាស្ត្រនៃការ៉េតិចបំផុត)។ យោងតាមទ្រឹស្ដីទាំងនេះភាពត្រឹមត្រូវនៃលទ្ធផលនៃការវាស់វែងត្រូវបានប៉ាន់ស្មានដោយកំហុសចៃដន្យប៉ុណ្ណោះ។
សូចនាករភាពត្រឹមត្រូវនៃការវាស់វែងអាចជា៖
កំហុសវាស់ការ៉េមធ្យម;
កំហុសនៃការវាស់វែងដែលទាក់ទង;
កំហុសក្នុងការវាស់កម្រិត។
គោលគំនិតនៃកំហុស root-mean-square ត្រូវបានណែនាំដោយ Gauss ហើយបច្ចុប្បន្នវាត្រូវបានទទួលយកថាជាលក្ខណៈសំខាន់នៃភាពត្រឹមត្រូវនៃការវាស់វែងនៅក្នុង geodesy ។
កំហុសមធ្យមការេជាតម្លៃការ៉េមធ្យមនៃផលបូកនៃកំហុសការ៉េនៃការវាស់វែងបុគ្គល។ ដើម្បីគណនាវា ទាំងកំហុសរង្វាស់ពិត ឬគម្លាតនៃលទ្ធផលរង្វាស់ពីមធ្យមនព្វន្ធត្រូវបានប្រើ។
ចូរយើងកំណត់តម្លៃពិតនៃតម្លៃដែលបានវាស់តាមរយៈ X លទ្ធផលនៃការវាស់វែងតាមរយៈ l i ។
កំហុសរង្វាស់ពិត Δ ខ្ញុំត្រូវបានគេហៅថាភាពខុសគ្នារវាងលទ្ធផលរង្វាស់ និងតម្លៃពិត i.e.
ក្នុងករណីនេះ កំហុសការ៉េមធ្យម m នៃលទ្ធផលតែមួយត្រូវបានគណនាដោយរូបមន្ត៖
ដែល n គឺជាចំនួននៃការវាស់វែងត្រឹមត្រូវស្មើគ្នា។
ទោះយ៉ាងណាក៏ដោយ ក្នុងករណីភាគច្រើននៃការអនុវត្ត លើកលែងតែករណីកម្រនៃការសិក្សាពិសេស តម្លៃពិតនៃបរិមាណដែលបានវាស់ ហើយដូច្នេះ កំហុសពិតនៅតែមិនស្គាល់។ នៅក្នុងករណីទាំងនេះ ដើម្បីស្វែងរកតម្លៃចុងក្រោយនៃបរិមាណដែលបានវាស់វែង និងវាយតម្លៃភាពត្រឹមត្រូវនៃលទ្ធផលរង្វាស់ គោលការណ៍នៃមធ្យមនព្វន្ធត្រូវបានប្រើប្រាស់។
អនុញ្ញាតឱ្យ l 1 , l 2 , .... l នលទ្ធផល នការវាស់វែងស្មើគ្នានៃបរិមាណដូចគ្នា។ បន្ទាប់មក កូតា
ត្រូវបានគេហៅថាមធ្យមនព្វន្ធនៃតម្លៃដែលបានវាស់នៃបរិមាណនេះ។
ភាពខុសគ្នារវាងលទ្ធផលរង្វាស់នីមួយៗ និងមធ្យមនព្វន្ធត្រូវបានគេហៅថា គម្លាតនៃរង្វាស់លទ្ធផលពីមធ្យមនព្វន្ធ ហើយត្រូវបានតំណាងដោយអក្សរ v:
vខ្ញុំ = លីត្រខ្ញុំ - ។
ឧទាហរណ៍។មុំតែមួយត្រូវបានវាស់ជាបួនជំហាន ហើយលទ្ធផលគឺ៖
l ១= 74° 17"42"; l ២= 74° 17"46"; l ៣= 74° 17"43"; l ៤= 74° 17"47"។
បន្ទាប់មកតម្លៃមធ្យមនព្វន្ធនៃមុំនឹងមាន = 74° 17 "44", 5 និងគម្លាតនៃការវាស់វែងលទ្ធផលពីមធ្យមនព្វន្ធរៀងៗខ្លួននឹងត្រូវបាន v1= - 2",5; v2= +1",5; v ៣= - 1", 5 និង v ៤= +2",5.
គម្លាតនៃលទ្ធផលរង្វាស់ពីមធ្យមនព្វន្ធមានលក្ខណៈសម្បត្តិសំខាន់ពីរ៖
សម្រាប់ស៊េរីណាមួយនៃការវាស់វែងត្រឹមត្រូវស្មើគ្នា ផលបូកពិជគណិតនៃគម្លាតគឺស្មើនឹងសូន្យ [ v] = 0;
សម្រាប់ស៊េរីនៃការវាស់វែងដែលមានភាពត្រឹមត្រូវស្មើគ្នា ផលបូកនៃគម្លាតការេគឺតិចតួចបំផុត ពោលគឺតិចជាងផលបូកនៃគម្លាតការេនៃការវាស់វែងនីមួយៗពីតម្លៃផ្សេងទៀតដែលយកជំនួសឱ្យមធ្យមនព្វន្ធ [ v2] = នាទី
ទ្រព្យសម្បត្តិដំបូងនៃគម្លាតបម្រើជាការត្រួតពិនិត្យដែលអាចទុកចិត្តបានសម្រាប់ការគណនាមធ្យមនព្វន្ធពីលទ្ធផលរង្វាស់។ ទ្រព្យសម្បត្តិទីពីរនៃគម្លាតត្រូវបានប្រើដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃលទ្ធផលរង្វាស់។
ប្រសិនបើកំហុសនៃការវាស់វែងបុគ្គលត្រូវបានគណនាទាក់ទងទៅនឹងមធ្យមនព្វន្ធនៃលទ្ធផលរង្វាស់ នោះកំហុសស្តង់ដារនៃលទ្ធផលនីមួយៗត្រូវបានគណនាដោយរូបមន្ត
ឧទាហរណ៍។ដោយប្រើទិន្នន័យពីឧទាហរណ៍មុន យើងរកឃើញកំហុស root mean square នៃការវាស់មុំក្នុងជំហានមួយ៖
នៅពេលកំណត់កំហុសមធ្យមនៃការវាស់វែង ចាំបាច់ត្រូវអនុវត្តតាមច្បាប់ខាងក្រោម៖
1) កំហុសការេមធ្យមនៃផលបូក ឬភាពខុសគ្នានៃតម្លៃដែលបានវាស់គឺស្មើនឹងឫសការេនៃផលបូកនៃកំហុសការ៉េមធ្យមនៃពាក្យ ពោលគឺសម្រាប់កន្សោម A \u003d a + b - c + ។ .. + q កំហុសការេមធ្យមនឹងស្មើនឹង
ជាមួយនឹងការវាស់វែងត្រឹមត្រូវស្មើគ្នានៅពេលដែល m a = m b = m c = ... = m q:
2) កំហុសការ៉េមធ្យមនៃផលិតផលនៃតម្លៃដែលបានវាស់ដោយចំនួនថេរគឺស្មើនឹងផលិតផលនៃកំហុសការ៉េមធ្យមនៃតម្លៃនេះដោយលេខដូចគ្នា ពោលគឺសម្រាប់កន្សោម L = kl;
3) កំហុសឫសការ៉េនៃលទ្ធផលនៃការវាស់វែងត្រឹមត្រូវស្មើគ្នាគឺសមាមាត្រដោយផ្ទាល់ទៅនឹងកំហុសឫសការ៉េនៃការវាស់វែងមួយម៉ែត្រ និងសមាមាត្រច្រាសទៅនឹងឫសការ៉េនៃចំនួនរង្វាស់ពោលគឺឧ។
ឬពិចារណាលើរូបមន្ត (១២)៖
ឧទាហរណ៍: 1. មុំβត្រូវបានទទួលជាភាពខុសគ្នារវាងទិសដៅពីរកំណត់ដោយមានកំហុស m 1 = ± 3 "និង m 2 = ± 4" ។
តាមក្បួនទីមួយយើងរកឃើញ។
2. កាំនៃរង្វង់ត្រូវបានវាស់ជាមួយ root mean square error m R = ±5 cm ។
យោងទៅតាមច្បាប់ទីពីរយើងរកឃើញកំហុស root mean square នៃ circumference
m 0 \u003d 2πm R \u003d 2 × 3.14 × 5 \u003d ± 31 សង់ទីម៉ែត្រ។
3. Root-mean-square error នៃការវាស់មុំមួយជំហានគឺស្មើនឹង m = ± 8" តើភាពត្រឹមត្រូវនៃការវាស់មុំមានបួនជំហានគឺជាអ្វី?
យោងតាមច្បាប់ទីបី
.
4. មុំ β ត្រូវបានវាស់ជាប្រាំជំហាន។ ក្នុងពេលជាមួយគ្នានេះ គម្លាតពីមធ្យមនព្វន្ធគឺ៖ - 2", + 3", - 4", +4" និង -1" តើភាពត្រឹមត្រូវនៃលទ្ធផលចុងក្រោយគឺជាអ្វី?
យោងតាមច្បាប់ទីបី
ប្រសិនបើសកម្មភាពមេដែលបានអនុវត្តចំពោះប្រព័ន្ធលីនេអ៊ែរ (រូបភាព 7.2) គឺជាមុខងារស្ថានីចៃដន្យ នោះតម្លៃដែលបានគ្រប់គ្រង និងកំហុសក្នុងការបង្កើតឡើងវិញប្រព័ន្ធក៏ជាមុខងារស្ថានីចៃដន្យផងដែរ។ វាច្បាស់ណាស់ថានៅក្រោមលក្ខខណ្ឌទាំងនេះភាពត្រឹមត្រូវនៃប្រព័ន្ធអាចត្រូវបានវិនិច្ឆ័យមិនមែនដោយភ្លាមៗនោះទេប៉ុន្តែបានតែដោយតម្លៃមធ្យមមួយចំនួននៃកំហុស។ ជាមួយនឹងវិធីសាស្រ្តស្ថិតិនៃការវិភាគ និងការសំយោគ ភាពត្រឹមត្រូវថាមវន្តនៃប្រព័ន្ធត្រូវបានកំណត់ដោយតម្លៃ root-mean-square នៃកំហុសរបស់វា ពោលគឺឫសការ៉េនៃតម្លៃមធ្យមនៃកំហុសការ៉េ៖
អង្ករ។ ៧.២. ដ្យាក្រាមប្លុកនៃ ACS ។
អង្ករ។ ៧.៣. នៅលើគំនិតនៃកំហុស root-mean-square ។
ដែលត្រូវបានប្រើជាលក្ខណៈវិនិច្ឆ័យដែលកំណត់ភាពត្រឹមត្រូវ ឬគុណភាពនៃប្រព័ន្ធនៅក្នុងវត្តមាននៃឥទ្ធិពលចៃដន្យស្ថានី (ទំនាក់ទំនងរវាង និងត្រូវបានបង្ហាញក្នុងរូបភាព 7.3)។
ប្រសិនបើមុខងារជាប់ទាក់ទងគ្នា ឬដង់ស៊ីតេវិសាលគមនៃកំហុសត្រូវបានគេដឹង នោះស្របតាមកន្សោម (7.11) ភាពខុសប្លែកគ្នានៃកំហុសអាចត្រូវបានគណនាដោយរូបមន្ត
មុខងារផ្ទេរដ៏ប្រសើរបំផុតនៅពេលប្រើលក្ខណៈវិនិច្ឆ័យ RMS គឺជាមុខងារផ្ទេរនៃប្រព័ន្ធដែលកំហុសឆ្គងមធ្យមរបស់ root មានអប្បបរមា។
អនុញ្ញាតឱ្យយើងកត់សម្គាល់ពីគុណសម្បត្តិនិងគុណវិបត្តិនៃការប៉ាន់ប្រមាណភាពត្រឹមត្រូវនៃប្រព័ន្ធដោយប្រើ RMS ។ នៅពេលដែលគម្លាតស្តង់ដារត្រូវបានគេយកជាលក្ខណៈវិនិច្ឆ័យសម្រាប់ភាពត្រឹមត្រូវ ការវិភាគ និងការសំយោគនៃប្រព័ន្ធប្រែទៅជាសាមញ្ញ។ ដោយមានជំនួយពីគម្លាតស្តង់ដារ (ឬវ៉ារ្យ៉ង់) វាអាចធ្វើទៅបានដើម្បីប៉ាន់ប្រមាណពីខាងលើប្រូបាប៊ីលីតេនៃការកើតឡើងនៃកំហុសណាមួយ។ ដូច្នេះ ជាឧទាហរណ៍ ជាមួយនឹងការចែកចាយធម្មតានៃកំហុស ប្រូបាប៊ីលីតេដែលកំហុស (គម្លាតពីតម្លៃមធ្យម) នឹងលើសពីគឺតូចណាស់ (តិចជាង 0.003)។ យោងតាមលក្ខណៈវិនិច្ឆ័យ RMS ភាពមិនចង់បាននៃកំហុសកើនឡើងជាមួយនឹងទំហំរបស់វា។
មានថ្នាក់ធំនៃប្រព័ន្ធដែលលក្ខណៈវិនិច្ឆ័យ RMS មានប្រសិទ្ធភាព។ ទោះយ៉ាងណាក៏ដោយ លក្ខណៈវិនិច្ឆ័យ RMS ដូចជាលក្ខណៈវិនិច្ឆ័យផ្សេងទៀត មិនមែនជាលក្ខណៈសកលទេ។ វាផ្តល់នូវតម្លៃតូចមួយនៃតម្លៃមធ្យមប៉ុណ្ណោះ ហើយមិនមែនជាកំហុសភ្លាមៗនោះទេ ដូច្នេះហើយនៅក្នុងប្រព័ន្ធទាំងនោះដែលមានទំហំធំ ទោះបីជាកំហុសរយៈពេលខ្លីមិនអាចទទួលយកបានក៏ដោយ វាគឺជាការចង់ប្រើលក្ខណៈវិនិច្ឆ័យមួយផ្សេងទៀត។ កង្វះខាតនៃលក្ខណៈវិនិច្ឆ័យគម្លាតស្តង់ដារនេះ បង្ហាញឱ្យឃើញជាពិសេសនៅក្នុងការគណនា ACS ជាមួយនឹងមតិកែលម្អ។ កន្សោមសម្រាប់អនុគមន៍ជាប់ទាក់ទងគ្នា ដង់ស៊ីតេវិសាលគម និងកំហុស root-mean-square មានសុពលភាពសម្រាប់ចន្លោះពេលយូរប៉ុណ្ណោះ។ ដូច្នេះ កំហុសប្រព័ន្ធដែលទាក់ទងនឹងដំណើរការអន្តរកាលរយៈពេលខ្លីដែលទាក់ទងគ្នានៅក្នុងវាមិនមានឥទ្ធិពលលើតម្លៃ root-mean-square នៃកំហុស ពោលគឺ កំហុសជាមធ្យមក្នុងរយៈពេលដ៏យូរគ្មានកំណត់។ នៅក្នុងការអនុវត្ត ជារឿយៗមានប្រព័ន្ធដែលដំណើរការក្នុងរយៈពេលកំណត់មួយ នៅពេលដែលកំហុសដែលទាក់ទងនឹងដំណើរការបណ្តោះអាសន្នមិនអាចត្រូវបានគេធ្វេសប្រហែស។ តាមក្បួនប្រសិនបើប៉ារ៉ាម៉ែត្រប្រព័ន្ធត្រូវបានជ្រើសរើសពីលក្ខខណ្ឌនៃការទទួលបាន RMS អប្បបរមានៅពេលដំណើរការក្នុងរយៈពេលយូរនោះប្រព័ន្ធបិទមានអន្តរកាលខ្សោយ។ ដូច្នេះនៅក្នុងការអនុវត្តបញ្ហានៃជម្រើសសមហេតុផលនៃមុខងារផ្ទេរប្រព័ន្ធ
តម្លៃមធ្យមនព្វន្ធនៃស៊េរីរង្វាស់
នៅពេល n កើនឡើង តម្លៃមធ្យម
រូបមន្ត Gauss អាចមកពីការសន្មត់ដូចខាងក្រោមៈ
- កំហុសក្នុងការវាស់វែងអាចយកតម្លៃបន្តបន្ទាប់គ្នា;
- ជាមួយនឹងការសង្កេតមួយចំនួនធំ កំហុសនៃទំហំដូចគ្នា ប៉ុន្តែសញ្ញាផ្សេងគ្នាកើតឡើងញឹកញាប់ស្មើគ្នា។
- ប្រូបាប៊ីលីតេ ពោលគឺ ប្រេកង់ដែលទាក់ទងនៃការកើតឡើងនៃកំហុស ថយចុះនៅពេលដែលទំហំនៃកំហុសកើនឡើង។ ម្យ៉ាងទៀត កំហុសធំគឺមានតិចជាងកំហុសតូច។
ច្បាប់ចែកចាយធម្មតាត្រូវបានពិពណ៌នាដោយមុខងារដូចខាងក្រោមៈ
ដែល σ ជា root mean error ការ៉េ; σ2 គឺជាបំរែបំរួលរង្វាស់; X ist - តម្លៃពិតនៃតម្លៃវាស់។
ការវិភាគរូបមន្ត (1.13) បង្ហាញថាមុខងារចែកចាយធម្មតាគឺស៊ីមេទ្រីដោយគោរពតាមបន្ទាត់ត្រង់ X = X true ហើយមានអតិបរមានៅ X = X true ។ យើងរកឃើញតម្លៃនៃលំដាប់នៃអតិបរមានេះដោយដាក់នៅខាងស្តាំនៃសមីការ (1.13) X ist ជំនួសឱ្យ X ។ យើងទទួលបាន
,
នៅពេលដែល σ ថយចុះ y (X) កើនឡើង។ តំបន់នៅក្រោមខ្សែកោង
ត្រូវតែថេរ និងស្មើនឹង 1 ព្រោះប្រូបាប៊ីលីតេដែលតម្លៃវាស់ X នឹងស្ថិតក្នុងចន្លោះពី -∞ ដល់ +∞ គឺ 1 (លក្ខណសម្បត្តិនេះត្រូវបានគេហៅថាលក្ខខណ្ឌធម្មតាប្រូបាប៊ីលីតេ)។
នៅលើរូបភព។ 1.1 បង្ហាញក្រាហ្វនៃមុខងារចែកចាយធម្មតាចំនួនបីសម្រាប់តម្លៃបីនៃ σ (σ 3 > σ 2 > σ 1) និង X ist មួយ។ ការចែកចាយធម្មតាត្រូវបានកំណត់លក្ខណៈដោយប៉ារ៉ាម៉ែត្រពីរ៖ តម្លៃមធ្យមនៃអថេរចៃដន្យ ដែលសម្រាប់ចំនួនដ៏ច្រើនគ្មានកំណត់នៃការវាស់វែង (n → ∞) ស្របគ្នានឹងតម្លៃពិតរបស់វា និងភាពខុសគ្នា σ ។ តម្លៃ σ កំណត់លក្ខណៈនៃការរីករាលដាលនៃកំហុសទាក់ទងទៅនឹងតម្លៃមធ្យមដែលបានយកជាពិត។ នៅតម្លៃតូចនៃ σ ខ្សែកោងទៅកាន់តែចោត ហើយតម្លៃធំនៃ ΔX ទំនងជាតិចជាង ពោលគឺគម្លាតនៃការវាស់វែងលទ្ធផលពីតម្លៃពិតនៃបរិមាណគឺតូចជាងក្នុងករណីនេះ។
មានវិធីជាច្រើនដើម្បីប៉ាន់ប្រមាណទំហំនៃកំហុសរង្វាស់ចៃដន្យ។ ការប៉ាន់ប្រមាណទូទៅបំផុតគឺដោយមធ្យោបាយនៃស្តង់ដារឬកំហុសមធ្យមឫសការ៉េ។ ពេលខ្លះ កំហុសនព្វន្ធមធ្យមត្រូវបានប្រើប្រាស់។
កំហុសស្តង់ដារ (ឫសមធ្យមការ៉េ) នៃមធ្យមលើស៊េរីនៃការវាស់វែង n ត្រូវបានផ្តល់ដោយ៖
ប្រសិនបើចំនួននៃការសង្កេតមានទំហំធំណាស់ នោះបរិមាណ Sn ដែលត្រូវនឹងការប្រែប្រួលចៃដន្យដោយចៃដន្យមាននិន្នាការទៅតម្លៃថេរមួយចំនួន σ ដែលត្រូវបានគេហៅថាដែនកំណត់ស្ថិតិ Sn:
វាគឺជាដែនកំណត់នេះដែលត្រូវបានគេហៅថាជា root mean square error ។ ដូចដែលបានកត់សម្គាល់ខាងលើ ការេនៃបរិមាណនេះត្រូវបានគេហៅថា វ៉ារ្យ៉ង់រង្វាស់ ដែលត្រូវបានរួមបញ្ចូលក្នុងរូបមន្ត Gauss (1.13) ។
តម្លៃនៃ σ គឺមានសារៈសំខាន់ជាក់ស្តែង។ អនុញ្ញាតឱ្យ ជាលទ្ធផលនៃការវាស់វែងនៃបរិមាណរូបវន្តជាក់លាក់មួយ យើងរកឃើញមធ្យមនព្វន្ធ<Х>និងកំហុសមួយចំនួន ΔX ។ ប្រសិនបើបរិមាណដែលបានវាស់វែងមានកំហុសចៃដន្យ នោះវាមិនអាចត្រូវបានសន្មត់ដោយគ្មានលក្ខខណ្ឌថាតម្លៃពិតនៃបរិមាណដែលបានវាស់វែងស្ថិតនៅក្នុងចន្លោះពេល (<Х>- ΔX,<Х>+ ΔХ) ឬ (<Х>- ΔX)< Х < (<Х>+ ΔХ)) ។ វាតែងតែមានប្រូបាប៊ីលីតេមួយចំនួនដែលតម្លៃពិតស្ថិតនៅខាងក្រៅចន្លោះនេះ។
ចន្លោះពេលទំនុកចិត្តគឺជាជួរនៃតម្លៃ (<Х>- ΔX,<Х>+ ΔХ) នៃតម្លៃ X ដែលតាមនិយមន័យ តម្លៃពិតរបស់វា X sr ធ្លាក់ជាមួយនឹងប្រូបាប៊ីលីតេដែលបានផ្តល់ឱ្យ។
ភាពជឿជាក់នៃលទ្ធផលនៃការវាស់វែងជាស៊េរីគឺជាប្រូបាប៊ីលីតេដែលតម្លៃពិតនៃបរិមាណដែលបានវាស់វែងធ្លាក់ក្នុងចន្លោះពេលទំនុកចិត្តដែលបានផ្តល់ឱ្យ។ ភាពជឿជាក់នៃលទ្ធផលរង្វាស់ ឬកម្រិតទំនុកចិត្តត្រូវបានបង្ហាញជាប្រភាគនៃឯកតា ឬភាគរយ។
អនុញ្ញាតឱ្យ α បង្ហាញពីប្រូបាប៊ីលីតេដែលលទ្ធផលរង្វាស់ខុសគ្នាពីតម្លៃពិតដោយចំនួនមិនធំជាង ΔX ។ នេះជាធម្មតាត្រូវបានសរសេរជា៖
R((<Х>- ΔX)< Х < (<Х>+ ΔХ)) = α
កន្សោម (1.16) មានន័យថាជាមួយនឹងប្រូបាប៊ីលីតេស្មើនឹង α លទ្ធផលរង្វាស់មិនហួសពីចន្លោះពេលទំនុកចិត្តពី<Х>- ΔХរហូតដល់<Х>+ ΔX ចន្លោះពេលទំនុកចិត្តកាន់តែធំ នោះគឺជាកំហុសដែលបានបញ្ជាក់កាន់តែច្រើននៃលទ្ធផលរង្វាស់ ΔX ភាពជឿជាក់កាន់តែច្រើនតម្លៃ X ដែលស្វែងរកបានធ្លាក់ចូលទៅក្នុងចន្លោះពេលនេះ។ តាមធម្មជាតិតម្លៃនៃ α អាស្រ័យលើចំនួន n នៃការវាស់វែង។ ក៏ដូចជានៅលើកំហុសដែលបានបញ្ជាក់ΔХ។
ដូច្នេះដើម្បីកំណត់លក្ខណៈទំហំនៃកំហុសចៃដន្យ ចាំបាច់ត្រូវកំណត់ចំនួនពីរគឺ៖
- ទំហំនៃកំហុសខ្លួនឯង (ឬចន្លោះពេលទំនុកចិត្ត);
- តម្លៃនៃប្រូបាប៊ីលីតេនៃទំនុកចិត្ត (ភាពជឿជាក់) ។
ការបញ្ជាក់តែទំហំនៃកំហុសដោយមិនបញ្ជាក់ពីប្រូបាប៊ីលីតេនៃទំនុកចិត្តដែលត្រូវគ្នាគឺគ្មានន័យអ្វីទាំងអស់ ព្រោះក្នុងករណីនេះយើងមិនដឹងថាទិន្នន័យរបស់យើងអាចទុកចិត្តបានកម្រិតណានោះទេ។ ការដឹងពីកម្រិតទំនុកចិត្តអនុញ្ញាតឱ្យអ្នកវាយតម្លៃកម្រិតនៃភាពជឿជាក់នៃលទ្ធផល។
កម្រិតនៃភាពអាចជឿជាក់បានដែលត្រូវការគឺត្រូវបានផ្តល់ឱ្យដោយលក្ខណៈនៃការផ្លាស់ប្តូរដែលត្រូវបានធ្វើឡើង។ កំហុសការេមធ្យម S n ត្រូវគ្នាទៅនឹងប្រូបាប៊ីលីតេនៃភាពជឿជាក់នៃ 0.68, កំហុសការេមធ្យមទ្វេដង (2σ) ត្រូវគ្នាទៅនឹងប្រូបាប៊ីលីតេទំនុកចិត្តនៃ 0.95 និងកើនឡើងបីដង (3σ) ទៅ 0.997 ។
ប្រសិនបើចន្លោះពេល (X - σ, X + σ) ត្រូវបានជ្រើសរើសជាចន្លោះពេលទំនុកចិត្ត នោះយើងអាចនិយាយបានថាក្នុងចំណោមលទ្ធផលរង្វាស់មួយរយ 68 នឹងចាំបាច់នៅក្នុងចន្លោះពេលនេះ (រូបភាព 1.2)។ ប្រសិនបើក្នុងអំឡុងពេលវាស់មានកំហុសដាច់ខាត ∆X > 3σ នោះការវាស់វែងនេះគួរតែត្រូវបានសន្មតថាជាកំហុសសរុប ឬខកខាន។ តម្លៃនៃ 3σ ជាធម្មតាត្រូវបានគេយកជាការកំណត់កំហុសដាច់ខាតនៃការវាស់វែងតែមួយ (ជួនកាលជំនួសឱ្យ 3σ កំហុសដាច់ខាតនៃឧបករណ៍វាស់ត្រូវបានយក) ។
សម្រាប់តម្លៃណាមួយនៃចន្លោះពេលទំនុកចិត្ត ប្រូបាប៊ីលីតេនៃទំនុកចិត្តដែលត្រូវគ្នាអាចត្រូវបានគណនាដោយប្រើរូបមន្ត Gauss ។ ការគណនាទាំងនេះត្រូវបានអនុវត្តហើយលទ្ធផលរបស់ពួកគេត្រូវបានសង្ខេបនៅក្នុងតារាង។ ១.១.
ប្រូបាប៊ីលីតេនៃទំនុកចិត្ត α សម្រាប់ចន្លោះពេលទំនុកចិត្តដែលបង្ហាញជាប្រភាគនៃកំហុសឫសការ៉េ ε = ΔX/σ ។
Vidutinė kvadratinė paklaida statusas T sritis automatika atitikmenys: engl. មានន័យថា កំហុសការ៉េ vok ។ mittlerer quadratischer Fehler, m rus ។ កំហុស root mean square, fpranc ។ écart quadratique moyen, m; erreur quadratique moyenne, f … Automatikos terminų žodynas
កាត់បន្ថយកំហុសជា root mean square- - [A.S. Goldberg ។ វចនានុក្រមថាមពលរុស្ស៊ីអង់គ្លេស។ 2006] ប្រធានបទថាមពលជាទូទៅ EN normalized mean square errorNMSE … សៀវភៅណែនាំអ្នកបកប្រែបច្ចេកទេស
កំហុសដំណាក់កាល RMS- 1. តម្លៃ Root-mean-square នៃកំហុសដំណាក់កាលនៅក្នុងការអានទាំងអស់ ប្រើក្នុងឯកសារ៖ RD 45.301 2002 ឧបករណ៍សម្រាប់វាស់ទូរគមនាគមន៍នៃបណ្តាញទូរស័ព្ទចល័តនៃស្តង់ដារ GSM 900/1800 ។ តម្រូវការបច្ចេកទេស… វចនានុក្រមទូរគមនាគមន៍
កំហុសស្តង់ដារ- 2.56 ។ កំហុសស្តង់ដារ; root mean square error គម្លាតស្តង់ដារនៃការប៉ាន់ស្មាន ប្រភព៖ GOST R 50779.10 2000៖ វិធីសាស្ត្រស្ថិតិ។ ប្រូបាប៊ីលីតេ និងមូលដ្ឋាននៃស្ថិតិ។ លក្ខខណ្ឌ និងនិយមន័យ…
ការវិភាគស្ថិតិ- អ្នកគ្រប់គ្រងការវិភាគស្ថិតិក្នុងអាជីវកម្មតែងតែប្រើវិធីសាស្ត្រស្ថិតិនៅពេលធ្វើការសម្រេចចិត្ត ឬវិភាគបញ្ហាដែលត្រូវដោះស្រាយ។ ផ្នែកនេះពិភាក្សាអំពីវិធីសាស្រ្តស្ថិតិជាមូលដ្ឋានមួយចំនួននៃមធ្យមនព្វន្ធ។ នព្វន្ធ...... សព្វវចនាធិប្បាយធនាគារ និងហិរញ្ញវត្ថុ
GOST R 50779.10-2000: វិធីសាស្រ្តស្ថិតិ។ ប្រូបាប៊ីលីតេ និងមូលដ្ឋាននៃស្ថិតិ។ លក្ខខណ្ឌ និងនិយមន័យ- វាក្យស័ព្ទ GOST R 50779.10 2000: វិធីសាស្រ្តស្ថិតិ។ ប្រូបាប៊ីលីតេ និងមូលដ្ឋាននៃស្ថិតិ។ លក្ខខណ្ឌ និងនិយមន័យឯកសារដើម៖ ២.៣. (ទូទៅ) set សំណុំនៃឯកតាដែលបានពិចារណាទាំងអស់។ ចំណាំសម្រាប់អថេរចៃដន្យ ...... វចនានុក្រម - សៀវភៅយោងនៃលក្ខខណ្ឌនៃបទដ្ឋាននិងឯកសារបច្ចេកទេស
ប្រព័ន្ធរុករកវិទ្យុ- ស្មុគ្រស្មាញនៃឧបករណ៍រុករកវិទ្យុជាច្រើនប្រភេទដូចគ្នា ឬប្រភេទផ្សេងគ្នាដែលមានអន្តរកម្មគ្នាទៅវិញទៅមក (តាមបណ្តាញវិទ្យុ ឬក្នុងដ្យាក្រាមរចនាសម្ព័ន្ធតែមួយ) និងផ្តល់ការកំណត់ទីតាំងនៅពេលធ្វើការជាមួយគ្នា ...... សព្វវចនាធិប្បាយសូវៀតដ៏អស្ចារ្យ
ដែនកំណត់ស្តង់ដារ- មេកានិច Quantum ... វិគីភីឌា
បន្ទប់សមាមាត្រ- (សូមមើល CountER PROPORTIONAL)។ វចនានុក្រមសព្វវចនាធិប្បាយរូបវិទ្យា។ ទីក្រុងម៉ូស្គូ៖ សព្វវចនាធិប្បាយសូវៀត។ និពន្ធនាយក A.M. Prokhorov ។ 1983. កាមេរ៉ា PROPORTIONAL... សព្វវចនាធិប្បាយរូបវិទ្យា
តារាវិទ្យាអ៊ីនហ្វ្រារ៉េដ- វាលនៃរូបវិទ្យាតារាសាស្ត្រសង្កេតរួមបញ្ចូលគ្នានូវវិធីសាស្រ្តនិងលទ្ធផលនៃការសិក្សាវិទ្យុសកម្មនៃ asters វត្ថុក្នុងជួរ IR (0.7 μm 1 mm) ។ ពេលខ្លះជាផ្នែកមួយនៃ I. a. បែងចែកផ្នែកតារាសាស្ត្រ submillimeter (0.1 1 mm) ។ ជំហានដំបូងក្នុងប្រវត្តិសាស្ត្រ I.a. វាគឺ…… សព្វវចនាធិប្បាយរូបវិទ្យា
ការជ្រៀតជ្រែកដំណើរការចៃដន្យ- បញ្ហានៃការប៉ាន់ប្រមាណតម្លៃនៃដំណើរការចៃដន្យ X(t) នៅលើចន្លោះពេលជាក់លាក់មួយ