Развивается теория робастного оценивания параметров статистических моделей с привлечением аппарата теории информации. Рассмотрен подход А. М. Шурыгина, основанный на модели серии выборок со случайным точечным засорением (модели байесовского точечного засорения). Из предложенных А. М. Шурыгиным оценок, пожалуй, наиболее интересными свойствами обладают стойкие оценки. Хотя данный подход можно связать с подходом Ф. Хампеля к робастному оцениванию, необходимость при нахождении стойких оценок постулировать параметрический вид распределения засоряющей точки не позволяет считать это робастной процедурой. В первой части нашей работы предложен непараметрический способ выбора указанного распределения - посредством максимизации энтропии Шеннона в окрестности модельного распределения, ограниченной величиной дивергенции Кульбака - Лейблера. Такой способ нахождения плотности распределения засоряющей точки позволяет рассматривать получаемые оценки как робастные, причем обладающие свойством оптимальности. Полученные оценки мы называем обобщенными радикальными, поскольку их частным случаем являются радикальные оценки А. М. Шурыгина. Обобщенные радикальные оценки широко известны в зарубежных публикациях как оценки минимума логарифмической дивергенции степени плотности (гамма-дивергенции), при этом вопрос их оптимальности там не исследуется. К обобщенным радикальным относятся некоторые популярные оценки параметра сдвига: оценки Мешалкина (Уэлша), Эндрюса, Смита, Бернулли, бивес-оценка Тьюки, оценка Хьюбера типа урезанного среднего, обобщенные оценки Шарбонье. Также в первой части работы предложено использовать функционал перекрестной энтропии. Перекрестная энтропия, применяемая в качестве оптимизируемого функционала вместо энтропии Шеннона, позволяет получить семейство оценок с наиболее широким диапазоном значений параметра, задающего это семейство. К задаче максимизации перекрестной энтропии сводится задача максимизации математического ожидания функции потерь оценок максимального правдоподобия в модели байесовского точечного засорения. По этой причине обобщенные радикальные оценки могут интерпретироваться как защищенные от намеренного искажения оценок максимального правдоподобия. Во второй части работы получено другое оптимальное решение на основе формализма А. Реньи (или эквивалентного с точки зрения нашей задачи формализма К. Цаллиса), дающее новое семейство оценок, частными случаями которого также являются некоторые известные оценки. Для выбора одной оценки из семейства, определяемого разными ограничениями на дивергенцию, предложен оптимизационный подход, аналогичный таковому, приводящему к стойким оценкам, но, в отличие от последнего, остающийся непараметрическим. Основные теоретические результаты, полученные в работе, иллюстрируются во второй ее части на примере оценивания параметра сдвига косинусного распределения.
Идентификаторы и классификаторы
- SCI
- Информатика
Одним из направлений развития статистической теории являются методы оценивания параметров моделей, направленные на обеспечение устойчивости оценок к отклонению распределения наблюдений от постулируемого (модельного) [1–4]. Важность таких оценок обусловлена тем, что на практике модель неизбежно расходится с реальной ситуацией по причине наличия некачественных наблюдений или неточности самой модели, а многие классические методы оценивания, например, метод максимального правдоподобия [1] являются неустойчивыми
Список литературы
1. Боровков, А.А. Математическая статистика / А.А. Боровков. - СПб.: Издательство “Лань”, 2021. - 704 с.
2. Шурыгин, А.М. Математические методы прогнозирования: учебное пособие для вузов / А.М. Шурыгин. - М.: Горячая линия - Телеком, 2009. - 180 с. EDN: QJVEYP
3. Хьюбер, П. Робастность в статистике / П. Хьюбер. - М.: Мир, 1984. - 303 с.
4. Робастность в статистике: подход на основе функций влияния / Ф. Хампель, Э. Рончетти, П. Рауссеу, В. Штаэль. - М.: Мир, 1989. - 512 с.
5. Shurygin, A.M. New approach to optimization of stable estimation / A.M. Shurygin // Proceedings of the First US/Japan Conference on the Frontiers of Statistical Modeling: An Informational Approach. - 1994. - Vol. 3. Dordrecht: Kluwer. - P. 315-340. DOI: 10.1007/978-94-011-0854-6_15
6. Лисицин, Д.В. Об устойчивом оценивании параметров модели при асимметричном засорении данных / Д.В. Лисицин, К.В. Гаврилов // Научный вестник НГТУ. - 2008. - № 1(32). - С. 33-40. EDN: JTCDYH
7. Лисицин, Д.В. Устойчивое оценивание параметров модели при асимметричном засорении данных / Д.В. Лисицин, К.В. Гаврилов // Известия МАН ВШ. - 2006. - № 1(35). - С. 60-73. EDN: SGCDKP
8. Лисицин, Д.В. Оценивание параметров распределения ограниченной случайной величины, робастное к нарушению границ / Д.В. Лисицин, К.В. Гаврилов // Научный вестник НГТУ. - 2016. - № 2(63). - С. 70-89. DOI: 10.17212/1814-1196-2016-2-70-89 EDN: WHRSDH
9. Shevlyakov, G. Redescending M-estimators / G. Shevlyakov, S. Morgenthaler, A. Shurygin //j. Statist. Plann. Inference. - 2008. - Vol. 138, no. 10. - P. 2906-2917. DOI: 10.1016/j.JSPI.2007.11.008 EDN: LLLTZR
10. Asymptotically stable detection of a weak signal / G. Shevlyakov, V. Shin, S. Lee, K. Kim // Int. J. Adapt. Control Signal Process. - 2014. - Vol. 28. - P. 848-858. DOI: 10.1002/acs.2405 EDN: UGGGHJ
11. Симахин, В.А. Адаптивные оценки параметра сдвига / В.А. Симахин, О.С. Черепанов // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2013. - № 1(22). - С. 131-137. EDN: PXDGNJ
12. Windham, M.P. Robustifying model fitting / M.P. Windham //j. R. Statist. Soc. B. - 1995. - Vol. 57, no. 3. - P. 599-609. DOI: 10.1111/J.2517-6161.1995.TB02050.X
13. Eguchi, S. Entropy and divergence associated with power function and the statistical application / S. Eguchi, S. Kato // Entropy. - 2010. - Vol. 12. - P. 262-274. 10.3390/ e12020262. DOI: 10.3390/e12020262
14. A comparison of related density-based minimum divergence estimators / M.C. Jones, N.L. Hjort, I.R. Harris, A. Basu // Biometrika. - 2001. - Vol. 88, no. 3. - P. 865-873. DOI: 10.1093/biomet/88.3.865 EDN: ILNPTD
15. Fujisawa, H. Normalized estimating equation for robust parameter estimation / H. Fujisawa // Electronic Journal of Statistics. - 2013. - Vol. 7. - P. 1587-1606. DOI: 10.1214/13-EJS817
16. Eguchi, S. Minimum divergence methods in statistical machine learning: from an information geometric viewpoint / S. Eguchi, O. Komori. - Springer: Japan KK. - 2020. - 221 p. DOI: 10.1007/978-4-431-56922-0
17. Lisitsin, D.V. Minimum gamma-divergence estimation for non-homogeneous data with application to ordered probit model / D.V. Lisitsin, A.G. Usol’tsev // Applied Methods of Statistical Analysis. Statistical Computation and Simulation: Proc. of the Intern. Workshop. - Novosibirsk: NSTU, 2019. - P. 227-234. EDN: IOUGOD
18. Джейнс, Э.Т. О логическом обосновании методов максимальной энтропии / Э.Т. Джейнс // ТИИЭР. - 1982. - Т. 70, № 9. - С. 33-51.
19. Michalowicz, J.V. Handbook of differential entropy /j.V. Michalowicz, J.M. Nichols, F. Bucholtz. - Boca Raton: CRC Press, 2014. - 226 p. DOI: 10.1201/b15991
20. Cichocki, A. Families of alpha- beta- and gamma-divergences: flexible and robust measures of similarities / A. Cichocki, S.-I. Amari // Entropy. - 2010. - Vol. 12, no. 6. - P. 1532-1568. DOI: 10.3390/e12061532 EDN: NBEFZV
21. Farhadi, A. Robust coding for a class of sources: applications in control and reliable communication over limited capacity channels / A. Farhadi, C.D. Charalambous // Systems & Control Letters. - 2008. - Vol. 57. - P. 1005-1012. DOI: 10.1016/j.sysconle.2008.06.006
22. Principe, J.C. Information theoretic learning: Renyi’s entropy and kernel perspectives /j.C. Principe. - Springer: Information Science and Statistics. - 2010. - 515 p. DOI: 10.1007/978-1-4419-1570-2
23. Tsallis, C.Introduction to nonextensive statistical mechanics: approaching a complex world / C. Tsallis. - N.Y.: Springer, 2009. - 382 p. DOI: 10.1007/978-0-387-85359-8 EDN: SRBSVT
24. Лисицин, Д.В. О свойствах условно оптимальных оценок / Д.В. Лисицин, К.В. Гаврилов // Научный вестник НГТУ. - 2015. - № 1(58). - С. 76-93. DOI: 10.17212/1814-1196-2015-1-76-93 EDN: TZGXLP
25. Смоляк, С.А. Устойчивые методы оценивания: статистическая обработка неоднородных совокупностей / С.А. Смоляк, Б.П. Титаренко. - М.: Статистика, 1980. - 208 с. EDN: RTCDUQ
26. Van der Vaart, A.W. Asymptotic statistics / A.W. Van der Vaart. - Cambridge: Cambridge University Press, 1998. - 443 p. DOI: 10.1017/CBO9780511802256
27. Лисицин, Д.В. Устойчивое оценивание параметров модели по многомерным неоднородным неполным данным / Д.В. Лисицин // Научный вестник НГТУ. - 2013. - № 1(50). - С. 17-30. EDN: PWURSH
28. Лисицин, Д.В. Максиминная задача оценивания параметров в условиях байесовского точечного засорения / Д.В. Лисицин, К.В. Гаврилов // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2023. - № 1(62). - С. 56-64. DOI: 10.17223/19988605/62/6 EDN: FINIGC
29. Cartwright, D.E. The use of directional spectra in studying the output of a wave recorder on a moving ship / D.E. Cartwright // Ocean Wave Spectra: Proc. of Conf. - New Jersey: Prentice Hall, 1963. - P. 203-218.
30. Зельнер А. Байесовские методы в эконометрии / А. Зельнер. - М.: Статистика, 1980. - 439 с.
31. Гермейер, Ю.Б. Игры с непротивоположными интересами / Ю.Б. Гермейер. - М.: Наука, 1976. - 328 с. EDN: DHDTQY
32. Glasserman, P. Robust risk measurement and model risk / P. Glasserman, X. Xu // Quantitative Finance. - 2014. - Vol. 14. - P. 29-58. DOI: 10.2139/ssrn.2167765
33. Kerridge, D.F. Inaccuracy and inference / D.F. Kerridge // Journal of Royal Statistical Society, Ser. B. - 1961. - Vol. 23. - P. 184-194. DOI: 10.1111/j.2517-6161.1961.tb00404.x
34. Трухаев, Р.И. Модели принятия решений в условиях неопределенности / Р.И. Трухаев. - М.: Наука, 1981. - 258 с.
35. Wagner, D. Resilient aggregation in sensor networks / D. Wagner // Proceedings of the 2nd ACM Workshop on Security of Ad hoc and Sensor Networks (SASN’04). - 2004. - P. 78-87. DOI: 10.1145/1029102.1029116
36. Biggio, B. Wild patterns: ten years after the rise of adversarial machine learning / B. Biggio, F. Roli // Pattern Recognition. - 2018. - Vol. 84. - P. 317-331. DOI: 10.1016/j.patcog.2018.07.023
37. Walley, P. Statistical reasoning with imprecise probabilities / P. Walley. - New York: Chapman and Hall, 1991. - 706 p.
Выпуск
Другие статьи выпуска
Рассматриваются нестационарные эффекты при работе двухканальной RQ система массового обслуживания (СМО) с обменом заявками в процессе обслуживания. Исследование направлено на выявление особенностей функционирования гибридного кол-центра с параллельным обслуживанием человеком-диспетчером и интеллектуальным голосовым ботом. Заявки, не получившие обслуживания, переходят на «орбиты», откуда осуществляются повторные звонки. По истечении случайного времени, определяемого терпеливостью клиентов, заявки покидают «орбиты». Интеллектуальный бот обладает более высокой скоростью обслуживания в сравнении с диспетчером-человеком. Поток заявок на входе распределяется между каналами обслуживания случайным образом. Учитывается, что часть клиентов в ходе обслуживания может предпочесть переход к альтернативному диспетчеру. В процессе работы у диспетчера-человека имеются короткие перерывы для отдыха и длинный перерыв на обед. В эти временные промежутки обслуживание полностью осуществляется ботом. Прерывистость режимов обслуживания приводит к нестационарным эффектам в виде текущего изменения пропускной способности СМО. Поступающие заявки описываются пуассоновским процессом, когда обслуживание открыто. Численные расчеты основаны на дискретно-событийном имитационном моделировании системы. На каждом шаге таймер модельного времени увеличивается на фиксированную величину шага. Состояние системы за временной шаг изменяется случайным образом, как марковский процесс, т. е. вероятность перехода зависит только от текущего состояния СМО и не учитывает эффектов памяти. Предложен алгоритм имитационного моделирования, основанный на разбиении всего периода работы СМО на малые интервалы, в течение каждого из которых вероятности изменений малы. Наличие альтернатив в работе СМО приводит к ветвлению процесса. Статистический характер функционирования СМО учитывается в ансамбле реализаций компьютерной модели и характеризуется дисперсией результатов. В качестве примера проведено моделирование кол-центра жилищной управляющей компании, показавшее перспективность повышения доли интеллектуальных ботов в обслуживании звонков.
Применение математических методов в различных прикладных областях играет большую роль при принятии управленческих решений. Оптимизационные модели являются неотъемлемой частью математического аппарата, используемого как различными государственными институтами, так и бизнесом для помощи лицам, принимающим решение в сложных условиях с целью проведения полного и объективного анализа предметной деятельности. Рассматривается оптимизационный подход к решению проблемы определения перечня площадок распространения информации в средствах массовой коммуникации. Сформулированы новые постановки задач целочисленного линейного программирования и многокритериальной оптимизации для моделирования распространения информации. Имплементирован алгоритм обработки статистических данных для формирования матрицы объектов-признаков. Реализованы и апробированы методы решения сформулированных задач оптимизации в задаче определения перечня площадок распространения информации. Проведен анализ чувствительности в задаче многокритериальной оптимизации, рассмотрены результаты численного моделирования при различных входных параметрах, сделаны соответствующие выводы и замечания. Актуальность продиктована нарастающей ролью информационных площадок и потребностью оптимизировать процесс принятия решений в области управления информацией.
Рассматривается актуальная проблема поиска закономерностей в больших объемах статистических данных. Инструментом анализа данных выступает регрессионный анализ. При построении регрессионных моделей исследователи зачастую стремятся только к их высокому качеству аппроксимации. Но, как отмечено в современных научных работах, одной такой метрики недостаточно. Поэтому сегодня активно развивается интерпретируемое машинное обучение. Ранее автором было предложено определение вполне интерпретируемой линейной регрессии, а задача ее построения была формализована в виде задачи частично-булевого линейного программирования. Исследования выявили высокую эффективность разработанного математического аппарата при решении задач обработки больших данных. Поэтому было принято решение расширить предложенную технологию для построения квазилинейных регрессий. В статье дано определение вполне интерпретируемой квазилинейной регрессии, включающее 6 условий. Разработан алгоритм интерпретации влияния в оцененной квазилинейной регрессии монотонно преобразованных объясняющих переменных на зависимую переменную. Задача построения вполне интерпретируемой квазилинейной регрессии формализована в виде задачи частично-булевого линейного программирования. Показано, как в этой задаче выбирать допустимые границы параметра M. Для демонстрации работоспособности предложенного математического аппарата решена задача моделирования прочности бетона на сжатие по данным, содержащим более 1000 наблюдений. Для этого использовалась программа «ВИнтер-2». В построенную модель вошли следующие преобразованные переменные: цементно-водное отношение, шлак доменной печи, пластификатор и возраст бетона. Построенная регрессия оказалась лучше по качеству аппроксимации и проще по структуре существующей модели. Дана интерпретация построенной квазилинейной регрессии. Влияние объясняющих переменных на прочность бетона в ней согласуется как с содержательным смыслом задачи, так и с другими существующими математическими моделями. Предложенная в статье технология построения вполне интерпретируемых квазилинейных регрессий обладает высоким потенциалом для решения задач обработки больших данных в различных предметных областях.
Рассматриваются проблемы зависимости сверточных нейронных сетей от цветовых параметров изображений. Выдвигаются гипотезы о том, что обучение нейронных сетей в задачах компьютерного зрения является зависимым от цветов объектов на изображениях обучающей выборки. Разработаны и проведены специальные эксперименты по обучению нейронных сетей на синтетических изображениях для подтверждения данных гипотез. Проведен анализ результатов экспериментов, который показывает наличие зависимости обучения сверточной сети от цветовых признаков объектов. Сформулированы методы преодоления некоторых выявленных проблем и задачи для дальнейших исследований.
Развивается схема построения систем прямого адаптивного управления с неявной эталонной моделью для линейных непрерывных объектов. Ключевым условием сходимости настраиваемых параметров к их идеальным значениям является постоянство «богатого» по гармоникам возбуждения системы. В реальных системах это требование трудно выполнимо, поскольку задающие воздействия должны быть отработаны системой на ограниченном интервале времени. Стремление получить в системах адаптивного управления быструю параметрическую сходимость является двигателем исследований в области гибридных адаптивных систем. В данной работе гибридность понимается в том смысле, что объект управления является непрерывным, а регулятор или какая-либо его часть - дискретным. Предлагается схема синтеза гибридного контура адаптации, в которой непрерывная часть алгоритма использует в качестве параметра дискретную оценку матрицы идеальной настройки регулятора. Ставится задача получить модель параметрической ошибки в виде уравнения линейной регрессии относительно параметров идеальной настройки регулятора. Вводится квадратичный критерий параметрического рассогласования. Соответствующая задача минимизации по искомым оценкам приводит к алгоритму наименьших квадратов, который может быть использован как в одношаговой, так и в рекуррентной форме. Проводится анализ устойчивости методом функций Ляпунова. Определены условия, при которых замкнутая система является диссипативной. Цель данной работы - показать преимущество гибридного контура адаптации перед традиционным. Для этого теоретические результаты дополняются примером численного моделирования. Сравнивается динамика системы с традиционным непрерывным алгоритмом адаптации и с гибридным алгоритмом. В обоих случаях исследуемая функция Ляпунова является невозрастающей. Это отражает устойчивость системы. Однако в традиционной системе скорость сходимости существенно меньше, что приводит к большей координатной ошибке. В системе же с гибридным контуром адаптации имеет место относительно быстрая как координатная, так и параметрическая сходимость в допустимо малую зону диссипации.
Объектом исследования является камера инертная с внутрикамерным технологическим оборудованием участка пирохимического передела - этапа технологии замкнутого ядерного топливного цикла, предназначенная для отработки технологического процесса переработки отработавшего ядерного топлива пирохимического передела модуля переработки опытно-демонстрационного энергетического комплекса. Приводится описание данных, полученных в ходе стендовых испытаний экспериментального образца инертной камеры, конструкции экспериментального образца и численных математических моделей его теплового состояния. Выполнен анализ исходной геометрии камеры и обоснованы принятые упрощения. Обоснован принцип моделирования конструктивных элементов ограждающих конструкций, основанный на применении оболочек нулевой толщины. При этом толщина стенок и теплотехнические свойства задаются математически с учетом свойств как поперек, так и вдоль оболочки. Описана методика разработки численной математической модели инертной камеры на базе метода конечных объемов с использованием программного пакета ANSYS Fluent. Приведены результаты расчетов теплового состояния исследуемой камеры как в стационарной, так и в нестационарной постановках, а также валидация разработанной численной модели на базе результатов натурных экспериментальных исследований. Показано, что разработанная численная модель обладает высокой адекватностью (отклонение от экспериментальных данных не более 5 %).
Рассматриваются задачи генерации уровней для однопользовательских 3D игр и предлагается метод, направленный на ускорение и удешевление процесса разработки игровых уровней, раскрываются подходы и технологии, примененные для решения задач генерации уровней, реализации алгоритмов генерации комнат и путей между ними. После проведения анализа существующих методов генерации уровней выбран метод генерации BSP-tree, который может создавать уникальные уровни на основе входных переменных, позволяющий сократить сроки разработки игровых уровней. Создание бесконечного уровня - сложная задача, однако с использованием некоторых полезных советов и техник становится гораздо проще. Первым шагом для организации бесконечного уровня является создание пустого объекта, который служит основой для уровня, затем можно добавлять различные элементы окружения. Для достижения эффекта бесконечного уровня предлагается использовать технику «прокрутки». Это означает, что когда игрок движется в одном направлении, то объекты в уровне перемещаются в противоположном направлении. Это создает иллюзию бесконечности и позволяет игроку продолжать исследовать новые области уровня.
Идея построения специального тензора для описания параметров структурно-неоднородных материалов возникла из целого ряда попыток количественно охарактеризовать микроструктуру упругого пористого материала. Использование специальных тензорных величин для описания стереометрических характеристик структурно-анизотропных материалов позволяет в компактном виде выразить значимые структурные параметры исследуемых объектов. Преимущественная ориентация пор внутри образца хорошо описывается тензором структуры и, алгебраически связанным с ним тензором анизотропии. Приведенные в работе математические выкладки, позволили формализовать процесс вычисления всех необходимых для построения тензора структуры параметров. Алгоритмизация метода определения среднего расстояния между порами, легла в основу разработанного специализированного программного обеспечения для расчета компонент тензора структуры. Верификация программного модуля была осуществлена путем проведения стереологического исследования ряда идеализированных тестовых структур и образца пористого материала, для которого тензор структуры был известен заранее. Полученные результаты не противоречили природной действительности, совпадали с ранее полученными данными и описывали степень анизотропии исследованных структур с высокой степенью точности. В качестве демонстрации практического использования разработанного программного комплекса в работе представлены результаты исследования образца трабекулярной костной ткани шейки бедренной кости человека и образца автоклавного газобетона. Проведены вычисления всех необходимых параметров и приведены изображения эллипса структуры исследованных пористых материалов. Из полученных результатов видно, что тензор структуры способен описывать стереометрические характеристики натуральных и искусственных пористых структур, а пакет проблемно-ориентированных программ позволяет автоматизировать процесс определения всех необходимых параметров.
Исследована устойчивость по начальной функции линейного автономного функционально-дифференциального уравнения нейтрального типа. Анализируется устойчивость по Ляпунову, асимптотическая и сильная асимптотическая, а также экспоненциальная устойчивость уравнения и их взаимосвязь. Определения всех типов устойчивости формулируются в терминах функции Коши - функции, позволяющей в явном виде записать общее решение уравнения. Основное внимание уделено исследованию устойчивости по начальной функции из пространств суммируемых функций. Используется известное представление решения функционально-дифференциального уравнения с помощью интегрального оператора, ядром которого является функция Коши. Вопросы устойчивости исследуются для уравнения с кратным запаздыванием при производной и распределенным запаздыванием при неизвестной функции. Показано, что для такого уравнения сохраняются все свойства, ранее доказанные для уравнения с кратным запаздыванием при неизвестной функции. А именно показано, что сильная асимптотическая устойчивость рассматриваемого уравнения с начальной функцией из пространства L 1 эквивалента экспоненциальной оценки функции Коши, кроме того, из любого из этих свойств следует экспоненциальная устойчивость по начальной функции в любом из пространств L p при 1≤p≤∞. При этом, как и для уравнения с кратными запаздываниями, сильная асимптотическая устойчивость в пространстве L p для некоторого p>1 может не быть равносильной экспоненциальной устойчивости.
Издательство
- Издательство
- ПНИПУ
- Регион
- Россия, Пермь
- Почтовый адрес
- 614990, Пермский край, г. Пермь, Комсомольский проспект, д. 29
- Юр. адрес
- 614990, Пермский край, г. Пермь, Комсомольский проспект, д. 29
- ФИО
- ТАШКИНОВ АНАТОЛИЙ АЛЕКСАНДРОВИЧ (ИСПОЛНЯЮЩИЙ ОБЯЗАННОСТИ РЕКТОРА)
- E-mail адрес
- rector@pstu.ru
- Контактный телефон
- +7 (342) 2198067
- Сайт
- https://pstu.ru