Повышение точности результатов неравноточных измерений методом агрегирования предпочтений
Объектом исследования является набор гетероскедастичных измерительных данных, полученных разнотипными средствами измерения.
Цель работы: повышение точности обработки результатов неравноточных измерений методом комплексирования интервалов агрегированием предпочтений (IF&PA).
Введение 13
1 Метод комплексирования интервалов агрегированием предпочтений 15
1.1 Неформальное описание IF&PA 15
1.2 Свойство самоуточнения IF&PA 18
1.3 Формальное описание IF&PA 20
2 Экспериментальные исследования 23
2.1 Неравноточность экспериментальных данных 24
2.2 Обработка исходных данных 26
2.3 Обработка гетероскедастичных данных 33
2.4 Реализация расчета среднего взвешенного в системе 38
LabVIEW
2.4.1 Виртуальный прибор для расчета статистических харак- 40
теристик выборки
3 Финансовый менеджмент, ресурсосбережение и ресурсоэффективность 43
3.1 Предпроектный анализ 43
3.1.1 FAST-анализ 43
3.2 Организация и планирование работ 49
3.2.1 Расчет трудоемкости этапов 50
3.3 Бюджет научно-технического исследования (НТИ) 54
3.3.1 Затраты на приобретение специального оборудования 54
3.3.2 Основная и дополнительная заработная плата исполни- 54
телей работы
3.3.3 Отчисления во внебюджетные фонды 56
3.3.4 Накладные расходы 57
3.3.5 Формирование бюджета затрат научно- 57
исследовательской работы
3.4 Оценка научного уровня 58
3.5 Выводы по разделу «Финансовый менеджмент» 61
4 Социальная ответственность 62
4.1 Правовые и организационные вопросы обеспечения безопас- 62
ности
4.2 Производственная безопасность 63
4.2.1 Характеристика вредных факторов 63
4.2.2 Освещение 64
4.2.3Микроклимат 67
4.2.4 Шум 69
4.3 Поражение электрическим током 70
4.4 Электробезопасность 71
4.5Экологическая безопасность 72
4.6 Безопасность при чрезвычайных ситуациях 73
4.7 Выводы по разделу «Социальная ответственность» 75
Заключение 76
Список использованной литературы 77
Приложение А (справочное) Implementation of the calculation of weighted 80
average in the LabVIEW system
При обработке результатов измерений могут иметь место определенные ограничения, накладываемые на допустимые свойства данных, такие как требо- вания нормальности распределений и независимости наблюдений, отсутствия выбросов, постоянства дисперсии для всех наблюдений и т.д. Такие данные называются равноточными (или гомоскедастичными). Однако в реальных усло- виях результаты измерений часто характеризуются неравноточностью (или ге- тероскедастичностью), т.е. неравной дисперсией. Эта ситуация обычно имеет место при измерении определенной величины разными (разнотипными) прибо- рами и (или) разными методами измерения или в разных условиях окружающей среды [1].
Неравноточность данных измерений возникает в таких ситуациях, как межлабораторные и (или) ключевые сличения [2–3], согласование значений фундаментальных констант [4], сбор данных с узлов сенсорных сетей [5–6] и т.д. [7–9].
Из-за присущих им свойств большинство методов параметрической ста- тистики не могут достаточно эффективно работать с гетероскедастичными дан- ными без предварительной проверки согласованности и устранения выбросов. В таком случае, часто рекомендуется применять непараметрические методы, которые требуют меньшего количества допущений для данных [3]. Однако, не- параметрические методы могут дать хороший результат для аномальных дан- ных, их вряд ли можно использовать при небольшом количестве измеренных значений. Одним спорным вопросом является обнаружение выбросов, по- скольку процедуры, применяемые к гетероскедастичным данным, могут приве- сти к удалению ненужных данных.
Ранее научный коллектив проф. С.В. Муравьева опубликовал серию ста- тей [10–13], в которых был разработан, исследован и представлен метод, названный комплексированием интервалов агрегированием предпочтений (in- terval fusion with preference aggregation – IF&PA). Предложенный метод имеет
многообещающий потенциал для использования при обработке данных особен- 13
но неравноточных измерений. В работах [11–13] с помощью численных экспе- риментов исследовалась точность и надежность результата комплексирования (опорного значения), полученного на выходе процедуры IF&PA. Было показа- но, что по этим показателям метод IF&PA, превосходит традиционный метод среднего взвешенного при обработке гетероскедастичных данных.
Целью данной работы является дальнейшее совершенствование метода IF&PA для повышения точности результата комплексирования и его примене- ние для обработки данных реального эксперимента. Эксперимент заключается в определении опорных значений постоянного напряжения и сопротивления на основе показаний пяти различных моделей мультиметров. Гетероскедастич- ность данных обеспечивалась специальным преобразованием исходных резуль- татов измерений с использованием известного критерия 2.
В разделе 1 ВКР дается неформальное описание IF&PA и после обсуж- дения свойства самоуточнения метода приведено его полное формальное пред- ставление. Раздел 2 посвящен экспериментальным исследованиям усовершен- ствованного метода IF&PA: сначала анализируются исходные эксперименталь- ные данные, которые оказались гомоскедастичными; затем данные были преоб- разованы в гетероскедастичные и повторно проанализированы; обсуждаются полученные результаты.
1. В ходе выполнения работы был усовершенствован метод комплек-
сирования интервалов агрегированием предпочтений (IF&PA) для повышения
точности обработки результатов неравноточных измерений.
2. Усовершенствованный метод IF&PA был применен для обработки
данных реального эксперимента, который заключался в определении опорных
значений постоянного напряжения и сопротивления на основе показаний пяти
различных моделей мультиметров.
3. Результаты экспериментальных исследований показали, что не-
определенность предложенного метода значительно ниже (до 20 раз) неопреде-
ленности традиционного метода взвешенного среднего.
1. D. Asteriou, S.G. Hall, Applied Econometrics, Palgrave MacMillan, New
York, 2011.
2.C. Elster, B. Toman, Analysis of key comparison data: critical assessment
of elements of current practice with suggested improvements, Metrologia 50 (2013)
549-555.
3 ГОСТ Р ИСО 5725-1-2002 Точность (правильность и прецизионность)
методов и результатов измерений. Часть 1. Основные положения и определе-
ния. // Росстандарт. – М.: – 2002. – 33 с (дата обращения 20.02.2019).
4. G. Mana, E. Massa, M. Predescu, Model selection in the average of incon-
sistent data: an analysis of the measured Planck-constant values, Metrologia 49
(2012) 492–500.
5. R. Álvarez et al., Accuracy Analysis in Sensor Networks for Asynchronous
Positioning Methods, Sensors 19 (13) (2019) 3024.
6.B. Huang, L. Xie, Z. Yang, Analysis of TOA localization with heterosce-
dastic noises, in: Proc. 33rd Chinese Control Conf., Nanjing, China, 2014, pp. 327-
332.
7. C. Cao, X. Zhu, A Structural Errors-in-Variables Model with Heteroscedas-
tic Measurement Errors under Heavy-Tailed Distributions, in: Proc. 4th Int. Conf. on
Information and Com-puting, Phuket Island, 2011, pp. 461-463.
8. E.J. Shamwell, W.D. Nothwang, D. Perlis, A deep neural network ap-
proach to fusing vision and heteroscedastic motion estimates for low-SWaP robotic
applications, in: Proc. IEEE Int. Conf. on Multisensor Fusion and Integration for In-
telligent Systems (MFI), Daegu, 2017, pp. 56–63.
9.N.T. Stevens, S.H. Steiner, R.J. MacKay, Comparing heteroscedastic
measurement systems with the probability of agreement, Stat. Methods Med. Res. 27
(11) (2017) 3420–3435.
10. R. Wilcox, Introduction to Robust Estimation and Hypothesis Testing
(Third Edition), Chap-ter 9, Statistical Modeling and Decision Science, 2012, 441–
469.
11. S.V. Muravyov, Ordinal measurement, preference aggregation and in-
terlaboratory compari-sons, Measurement 46 (8) (2013) 2927–2935.
12. S.V. Muravyov, I.A. Marinushkina, Processing data from interlaboratory
comparisons by the method of preference aggregation, Meas. Tech. 58 (12) (2016)
1285–1291.
13. S.V. Muravyov, L.I. Khudonogova, E.Y. Emelyanova, Interval data fu-
sion with preference aggregation, Measurement, 116 (2018) 621–630.
14. S.V. Muravyov, L.I. Khudonogova, M.D. Ho, Adjustment of fundamen-
tal physical constant values using the interval fusion with preference aggregation,
Measurement 163 (2020) 108037.
15. S.V. Muravyov, L.I. Khudonogova, M.D. Ho, Precise measurand value
estimating by inter-val fusion with preference aggregation: Heteroscedasticity case,
17th IMEKO TC 10 and EUROLAB Virtual Conference “Global Trends in Testing,
Diagnostics and Inspection for 2030”, 2020, pp. 208–213.
16. Кемени Дж., Снелл Дж. Кибернетическое моделирование. – М.:
Сов. радио, 1972. – 192 с.
17. S.V. Muravyov, E.Y. Emelyanova, Combinatorial characterization of
inrankings as weak orders induced by intervals, J. Phys. Conf. Ser. 1379(1) (2019)
012052.
18. S.V. Muravyov, P.F. Baranov, E.Y. Emelyanova, How to transform all
multiple solutions of the Kemeny Ranking Problem into a single solution J. Phys.
Conf. Ser. 1379(1) (2019) 012053.
19. S.V. Muravyov, E.Y. Emelyanova, Kemeny rule for preference aggrega-
tion: reducing all ex-act solutions to a single one, accepted to Measurement (2021).
20. ГОСТ 12.0.003-2015. ССБТ. Опасные и вредные производственные
факторы. Классификация [Текст]. – Введ. 2017.03.01. – официальное издание
М.: Стандартинформ, 2019. – 17 с.
21. ГОСТ 12.1.005-88 ССБТ. Общие санитарно-гигиенические требова-
ния к воздуху рабочей зоны [Текст]. – Введ. 1989.01.01. официальное издание
М.: Стандартинформ, 2008. – 48 с
22. СП 52.13330.2016 Естественное и искусственное освещение [Текст].
– Введ. 1996.01.01. официальное издание М.: Госстрой России, ГУП, ЦПП,
2003. – 103 с.
23. ГОСТ 12.1.003-2014 ССБТ. Шум. Общие требования безопасности
[Текст]. – Введ. 1984.07.01. официальное издание М.: ИПК Издательство стан-
дартов, 2002. – 11 с.
24. ГОСТ 12.1.038-82 ССБТ. Электробезопасность. Предельно допусти-
мые уровни напряжений прикосновения и токов [Текст]. – Введ. 1983.07.01.
официальное издание М.: ИПК Издательство стандартов, 2001. – 7 с.
25. СанПиН 1.2.4.3685-21. Гигиенические нормативы и требования к
обеспечению безопасности и (или) безвредности для человека факторов среды
обитания: правила и нормативы: утв. 01.03.21. – М, 2021. – 72 с.
26. ГОСТ 12.1.004-91 ССБТ. Пожарная безопасность. Общие требования
[Текст]. – Введ. 1992.07.01. официальное издание М.: Стандартинформ, 2006. –
64 с.
27. ГОСТ 54564-2011. Лом и отходы цветных металлов и сплавов. Об-
щие технические условия [Текст]. – Введ. 2013.01.01. официальное издание М.:
Стандартинформ, 2013. – 59 с.
28. ГОСТ Р 55102-2012. Ресурсосбережение. Обращение с отходами. Ру-
ководство по безопасному сбору, хранению, транспортированию и разборке от-
работавшего электротехнического и электронного оборудования, за исключе-
нием ртутьсодержащих устройств и приборов [Текст]. – Введ. 2013.07.01. офи-
циальное издание М.: Стандартинформ, 2014. – 72 с.
29. ГОСТ 17.4.3.04-85 ССОП Охрана природы. Почвы. – М.: «Стандар-
тинформ», 2008. – 5 с.;
30. СанПиН 2.2.4.548-96 Гигиенические требования к микроклимату
производственных помещений. – М.: «Минздрав России», 1997. – 21 с.;
31. СанПиН 1.2.3685-21 “Гигиенические нормативы и требования к
обеспечению безопасности и (или) безвредности для человека факторов среды
обитания”– М.: «Минздрав России», 2021. – 452 с.;
Читать «Повышение точности результатов неравноточных измерений методом агрегирования предпочтений»
Последние выполненные заказы
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.8 (105 отзывов)
4.9 (66 отзывов)
4.6 (30 отзывов)
4.6 (30 отзывов)
4.8 (37 отзывов)
4.8 (13 отзывов)
4.9 (826 отзывов)
0 (13 отзывов)
4.9 (37 отзывов)
