week Mar 15,16
This commit is contained in:
parent
f5a9d057df
commit
1a7462f5d9
|
@ -882,4 +882,42 @@ decision_function_shape='ovr', break_ties=False, random_state=None)
|
|||
\subsection{Листовые вершины}
|
||||
В каждой листовой вершине дерево будет выдавать константу или вектор вероятностей.
|
||||
|
||||
\subsection{Жадный алгоритм построения бинарного решающего дерева}
|
||||
Конкретный метод построения решающего дерева определяется
|
||||
\begin{enumerate}
|
||||
\item Видом предикатов в вершинах
|
||||
\item функционалом качества
|
||||
\item Критерием останова
|
||||
\item Методом обработки пропущенных значений
|
||||
\item Методом стрижки удаление некоторых вершин с целью понижения сложности и способности к переобучения
|
||||
\end{enumerate}
|
||||
|
||||
Обработка пропусков. Задачи регрессии и бинарной классификации.
|
||||
|
||||
\textbf{Регрессия:} Заменяем пропущенные значения средними, спрогнозированными другими признаками. \textbf{Решающие деревья.} При построении: выбираем предикат в вершине, отправляем объекты с пропусками в оба поддерева. \textbf{Суррогатные предикаты}.
|
||||
|
||||
\subsection{Преимущества и ограничения}
|
||||
|
||||
\subsection{Ансамбль алгоритмов}
|
||||
Если ответы регрессоров на объекте -- независимые случайные величины с одинаковым матожиданием и дисперсией, то выполняются следующие свойства:
|
||||
\begin{equation*}
|
||||
\begin{gathered}
|
||||
\xi = \frac{1}{n}(\xi_1+\xi_2+...+\xi_n)\\
|
||||
E\xi = \frac{1}{n}(E\xi_1+E\xi_2+...+E\xi_n) = \frac{nE\xi_1}{n} = E\xi_1\\
|
||||
D\xi = \frac{1}{n^2}(D\xi_1+D\xi_2+...+D\xi_n) = \frac{D\xi_1}{n}
|
||||
\end{gathered}
|
||||
\end{equation*}
|
||||
Пусть имеется 3 независимых классификатора с вероятностью ошибки $p$ и решение принимается голосованием по большинству. Какова вероятность ошибки трёх классификаторов?
|
||||
\begin{equation*}
|
||||
\begin{gathered}
|
||||
1-p, p, p; p, 1-p, p; p, p, 1-p;\\
|
||||
p^3 + 3p^2(1-p)\\
|
||||
(p+(1-p))^3\\
|
||||
c_n^0p^0+c_n^1p(1-p)^{n-1}+c_n^2p^2(1-p)^{n-2}+...
|
||||
\end{gathered}
|
||||
\end{equation*}
|
||||
|
||||
\subsection{}
|
||||
|
||||
|
||||
\end{document}
|
|
@ -492,7 +492,61 @@ $N=8$, $SNR=49,7dB$. реальный может быть 48,1 или 47,1 (пе
|
|||
где N -- разрядность АЦП. Фазовые шумы ТИ накладываются на внутренние фазовые шумы АЦП и так теряются разряды. ТИ должны идти в ту же сторону, что и распространение сигнала. Обязательно через внешние драйверы ТИ с нулевой задержкой. Эмиттерно-селективная логика, дифференциальные сигналы. Снизить шумы позволяют clock-cleaner на основе ФАПЧ.
|
||||
\end{itemize}
|
||||
|
||||
\subsection{Тестирование АЦП}
|
||||
ДПФ (есть оптимизации -- БПФ) $N = 1024$ отсчётов
|
||||
\[X(k) = \frac{1}{N}\sum_{n=0}^{N-1} x(nT) e^{\frac{-j2\pi nk}{N}}\]
|
||||
Получим 1024 градаций спектра.
|
||||
(1)
|
||||
|
||||
подвох --некогерентная дискретизация:
|
||||
(2)
|
||||
Окно (на неполном или более чем единицном периоде) формирует фазовый сдвиг. Эффект Гибса. Каждый скачок -- это гармоники. Точно рассчитать спектр вообще невозможно. Добавляют умножение на весовую функцию на этапе ДПФ -- операцию взвешивания. Фильтр RAMP, Хэмминга, Хана.
|
||||
(3)
|
||||
\[X(k) = \frac{1}{N}\sum_{n=0}^{N-1} x(nT) x(W) e^{\frac{-j2\pi nk}{N}}\]
|
||||
Тем самым мы достаточно сильно повлияли на входной сигнал.
|
||||
|
||||
Для тестирования АЦП необходимо применить когерентную дискретизацию -- один или несколько периоддов дискретизации точно укладываются в окно наблюдения.
|
||||
(4)
|
||||
|
||||
\section{Характеристики ЦАП}
|
||||
Основные характеристики
|
||||
\begin{itemize}
|
||||
\item Разрядность;
|
||||
\item Частота обновления данных.
|
||||
\end{itemize}
|
||||
|
||||
\subsection{Статические характеристики}
|
||||
\begin{itemize}
|
||||
\item дифференциальная нелинейность -- отклонение от идеального напряжения в МЗР формирует нелинейность (по горизонтали).
|
||||
\item интегральная нелинейность -- отклонение вых значения от идеальной прямой (по вертикали)
|
||||
\item немонотонность -- следствие первых двух
|
||||
\item ошибка смещения offset error -- подали 0, на выходе не 0 напряжение (аддитивная ошибка)
|
||||
\item ошибка усиления gain error -- наклон шкалы (мультипликативная)
|
||||
\end{itemize}
|
||||
(5)
|
||||
Идеальная характеристика - каждому отсчёту соответствует точка равная определённому разному напряжению. Пропущенных кодов быть не может.
|
||||
|
||||
\subsection{Динамические характеристики ЦАП}
|
||||
\begin{itemize}
|
||||
\item Время установления выходного напряжения (setting time). -- классический аналоговый параметр. Меняется код и на выходе переходной процесс
|
||||
(6)
|
||||
Время установления является фактической ответной частью частотой дискретизации.
|
||||
\item Форма переходного процесса может отличаться. Эмпирический показатель Область глитч импульса glitch impulse area. Максимальный переходной процесс -- в середине шкалы
|
||||
(7)
|
||||
Измеряется в $V\cdot pS$. Иногда измеряют не только площади, но разницы площадей. Проблему решает деглитчер (УВХ).
|
||||
(8)
|
||||
\end{itemize}
|
||||
|
||||
\subsection{Архитектуры АЦП}
|
||||
\begin{itemize}
|
||||
\item последовательного приближения
|
||||
\item дельта-сигма
|
||||
\item параллельные
|
||||
\end{itemize}
|
||||
|
||||
Основной элемент -- это компаратор. Это однобитный квантователь, перед ним стоит УВХ.
|
||||
(10) получаем 255 уровней квантования. на выходе 255-разрядный (позиционный, температурный) код.
|
||||
Приоритетный шифратор формирует N-разрядный код. Слишком много компараторов (дорого, размер, потребление), зависит от точности резисторов (интегральная нелинейность), разброс задержек компараторов (решается цифровыми средствами), паразитные ёмкости.
|
||||
|
||||
|
||||
|
||||
|
|
|
@ -3,7 +3,7 @@
|
|||
\input{settings/common-preamble}
|
||||
\input{settings/bmstu-preamble}
|
||||
\input{settings/fancy-listings-preamble}
|
||||
\author{Сидякин И. М.}
|
||||
\author{Сидякин Иван Михайлович}
|
||||
\title{Программное обеспечение телекоммуникационных систем}
|
||||
\date{2023-02-09}
|
||||
|
||||
|
|
|
@ -518,4 +518,23 @@ compose написан на python, конфигурация в yaml-файла
|
|||
\end{itemize}
|
||||
|
||||
|
||||
\section{Оркестрация контейнеров}
|
||||
Оркестраторы управляют ЖЦ контейнеров микросервисных приложений. Задачи оркестратора:
|
||||
\begin{itemize}
|
||||
\item подготовка инфраструктуры и развёртывание -- установка приложения и его зависимостей на сервер, включая подготовку этого сервера -- установку библиотек, служб, и так далее.
|
||||
\item Разделение ресурсов -- Для развёртывания в кластере требуется...
|
||||
\item Масштабирование контейнеров на основе рабочих нагрузок -- простой излишних ресурсов приводит к издержкам, а недостаток -- к нестабильно йработе приложения. Регулировать объёмы используемых ресурсов позволяет масштабирование, основанное на анализе нагрузок. Может быть ручным или автоматизированным.
|
||||
\item Балансировка нагрузок -- автоматический анализ и распределение рабочих нагрузок на сервер целиком и контейнеры в частности. Балансировка оптимизирует использование ресурсов, увеличивает пропускную способность каналов связи,...
|
||||
\item Маршрутизация трафика
|
||||
\item Мониторинг состояния контейнеров -- позволяет видеть какие контейнеры и образы запущены
|
||||
\item Обеспечение безопасного взаимодействия между контейнерами -- на основе непрерывной оценки кластеров, узлов и реестра контейнеров...
|
||||
\end{itemize}
|
||||
|
||||
\subsection{Kubernetes}
|
||||
Считается отраслевым стандартом
|
||||
\begin{itemize}
|
||||
\item мониторинг сервисов
|
||||
\item
|
||||
\end{itemize}
|
||||
|
||||
\end{document}
|
||||
|
|
|
@ -516,7 +516,31 @@ k=\frac{1}{\alpha_1}\\
|
|||
\end{gathered}
|
||||
\end{equation*}
|
||||
|
||||
TS-Процесс.
|
||||
\begin{equation*}
|
||||
\begin{gathered}
|
||||
y_t = 0,5y_{t-1}+\xi_t+0,5t\\
|
||||
\varphi(0) = \frac{\delta y_t}{\delta\xi_t} = 1\\
|
||||
y_{t+1} = 0,5(t-1)+\xi_{t+1}+0,5y_t\\
|
||||
\varphi(1) = \frac{2y_{t+1}}{\delta\xi_t} = 0,5\\
|
||||
\varphi(2) = 0,25\\
|
||||
\varphi(k) = 0,5^k
|
||||
\end{gathered}
|
||||
\end{equation*}
|
||||
|
||||
Взятие разностей TS-процесса (нельзя брать такие разности)
|
||||
\begin{equation*}
|
||||
\begin{gathered}
|
||||
y_t = 1+t+\xi_t-0,5\xi_{t-1}, \sigma_y^2=1,25\sigma_\xi^2\\
|
||||
Var(y_t) = Var(1+t + \xi_t -0,5\xi_{t-1}) = \\
|
||||
0 + \sigma^2 - 0,25\sigma^2\xi \\
|
||||
y_t-y_{t-1} = 1+t+\xi_t-0,5\xi_{t-1} - (1+t-1+\xi_{t-1}-0,5\xi_{t-2})\\
|
||||
1+\xi_t-1,5\xi_{t-1}+0,5\xi_{t-2}=\\
|
||||
Var(z) = (1+2,25+0,25)\sigma_\xi^2
|
||||
\end{gathered}
|
||||
\end{equation*}
|
||||
|
||||
Для того чтобы проверить распределение Дики-Фуллера нужно построить константы и тренд и понять значимый ли тренд
|
||||
|
||||
\appendix
|
||||
\setcounter{secnumdepth}{0}
|
||||
|
@ -586,5 +610,7 @@ r = число параметров модели, N - объём выборки.
|
|||
|
||||
SARIMA(p,d,q)(P,D,Q,S) -- учёт сезонности.
|
||||
|
||||
|
||||
|
||||
\end{document}
|
||||
|
|
@ -31,7 +31,7 @@
|
|||
|
||||
\section{Выполнение}
|
||||
\subsection{Обратимость и стационарность}
|
||||
Для процесса возможно построить характеристическое уравнение. Если корни характеристического уравнения авторегрессии по модулю больше 1, то процесс стационарен. Опишем в с помощью оператора сдвига
|
||||
Для процесса возможно построить характеристическое уравнение. Если корни характеристического уравнения по модулю больше 1, то процесс обратим. Опишем в с помощью оператора сдвига
|
||||
\[y_t = 1-2.5L+1L^2\]
|
||||
и решим квадратное уравнение
|
||||
\begin{equation*}
|
||||
|
@ -44,25 +44,33 @@ z_2 = \frac{-2.5+\sqrt{-2.5^2-4}}{2}\\
|
|||
z_2 = 1.25 - \sqrt{1.5625-1} \approx 0.5
|
||||
\end{gathered}
|
||||
\end{equation*}
|
||||
Только один корень уравнения по модулю больше, поэтому процесс \textbf{не является стационарным}.
|
||||
Только один корень уравнения по модулю больше, поэтому процесс \textbf{не является обратимым}.
|
||||
|
||||
Процесс является обратимым если корни характеристического уравнения скользящего среднего процесса больше 1.
|
||||
\[1-1.5\lambda = 0\]
|
||||
Корень характеристического уравнения $\lambda = \frac{1}{1.5} = 0.6(6)$ -- процесс \textbf{не обратим}.
|
||||
Процесс \textbf{является стационарным} по теореме Вольда.
|
||||
|
||||
\subsection{Автоковариационная функция}
|
||||
\begin{equation*}
|
||||
\begin{gathered}
|
||||
\gamma(0) = Var(y_t) = 8.25\\
|
||||
\gamma(1) = cov(\xi_t - 2.5\xi_{t-1}+\xi_{t-2}, \xi_{t-1} - 2.5\xi_{t-2}+\xi_{t-3})=\\
|
||||
= E[\xi_t - 2.5\xi_{t-1}+\xi_{t-2}, \xi_{t-1} - 2.5\xi_{t-2}+\xi_{t-3}] = \\
|
||||
-2.5 \cdot 1 \cdot 1 + -2.5 \cdot 1 \cdot 1 = -5\\
|
||||
\gamma(2) = E[\xi_t - 2.5\xi_{t-1}+\xi_{t-2}, \xi_{t-2} - 2.5\xi_{t-3}+\xi_{t-4}] = 1 \cdot 1 = 1\\
|
||||
\gamma(3) = 0
|
||||
\end{gathered}
|
||||
\end{equation*}
|
||||
|
||||
\subsection{Дисперсия процесса}
|
||||
\begin{equation*}
|
||||
\begin{gathered}
|
||||
M[x] = \sum x_i p_i\\
|
||||
M[x] = 0*1+1*(-2.5)+2*1 = -0.5\\
|
||||
D[Y] = \sum x^2_i p_i - \left(\sum x_i p_i \right)^2\\
|
||||
D = 0^2*1+1^2+-2.5+2^2*1-(0*1+1*(-2.5)+2*1)^2=1.25
|
||||
Var(y_t) = ?\\
|
||||
Var(y_t) = Var(\xi_t - 2.5\xi_{t-1}+\xi_{t-2})=\\
|
||||
= Var(\xi_t) +Var(-2.5\xi_{t-1})+Var(\xi_{t-2}))=\\
|
||||
=Var(\xi_t) + 6.25(\xi_{t-1}) + Var(\xi_t) = \\
|
||||
8.25 \cdot Var(\xi_t) = 8.25
|
||||
\end{gathered}
|
||||
\end{equation*}
|
||||
|
||||
|
||||
\subsection{Процесс ARMA(1, 1)}
|
||||
|
||||
|
||||
|
|
Loading…
Reference in New Issue