3 Optimeerimine kasutatakse juhul kui arvutamine ei ole kasulik või on liiga tülikas. Optimeerimiseks nimetatakse programmi abil väärtuste sobitamist. On mitu varianti, kuidas saab optimeerida – antud töös ma kasutasin RANDOM (ehk siis juhusliku) ja GRADIENT (teiste sõnadega, “targa” variandi, mis kasutab gradient funktsiooni). 3. Veakfunktsiooni teavitus Veafunktsioon on väärtuste erinevuse funktsioon. Kõige tuntum variant on vähimruutude meetod. 4. Lineaarne simuleerimine/mittlineaarne simuleerimine? Lineaarset simuleerimist kasutatakse siis, kui skeem (või selle aseskeem) on lineaarne, ehk siis ei sisalda mittelineaarseid elemente (sh dioodid jne). Mittelineaarset simuleerimist kasutatakse kõikidel teistel variantidel. 5. Koond – ja hajusparameetritega süsteemid?
0 ( ) 1 on tõene, kuna ( < )= ä (( < ) + ( )) = = ( < )+ ( < ) ( ) ( < )= ( < ) ( < )= ( ) ( ) => => { ( < ) ( < ) => ( ) Normaaljaotus ja Laplace’i veafunktsioon. Tõenäosuse leidmine selle veafunktsiooni abil Olgu X ~ N(μ,σ). Siis standardiseeritud juhuslik suurus = (0,1). Lineaarteisendus ei riku normaaljaotust. ( )= + ( ) Laplace’i vaefunktsioon: ( )= ∫ √ Tõenäosuse leidmine veafunktsiooni abil: ( )= ( )= ( )– F( )= +
2 2 −∞ ( ) =−u e 2 ∨+ ∫ e 2 du= √2 π 2 2 2 2 D(X) = E(X ) – E (X) = σ + μ – μ = σ 2 2 21. Normaaljaotus ja Laplace’i veafunktsioon. Tõenäosuse leidmine selle veafunktsiooni abil Olgu X ~ N(μ,σ). Siis standardiseeritud juhuslik suurus X −μ Y= N (0,1) . Lineaarteisendus ei riku normaaljaotust. σ 1 F ( Y )= + Φ ( y ) 2 2 y −t
x0 r r 1 1 x0 - +10n log x 0 - +10n log = - erf R = Q R 2 2 kus erf( ) on veafunktsioon: x 2 erf ( x ) = -erf ( -x ) = -t 2 e dt seega on leviala ennustamise juures olulised parameetrid
(Näiteks, arvutatud võrgu väljundväärtuse ja etteantud etalonväärtuse vahe); 3. võrgu parameetrite väärtuse ümberarvutamine lähtudes õpetamismeetodi poolt määratud algoritmist. Kõik kolm nimetatud sammu moodustavad ühe õpetamise perioodi (epoch, ). Õpetamise perioodid korduvad iteratiivselt seni kuni saavutatakse võrgu väljundi vajalik täpsus või võrgu väljundi täpsus lakkab paranemast (s.t. veafunktsioon on saavutanud lokaalse miinimumi). Õpialgoritmi valik sõltub kasutatavas närvivõrgust (erinevad õpialgoritmid erinevate närvivõrgu arhitektuuride jaoks) ja lahendatavast probleemist. Järgnevas vaatleme lühidalt kõige levinumaid õpialgoritme. Enamuses otsesuunatud ja tagasisidestatud närvivõrkude rakendustes kasutatakse nn. vea pöördlevi meetodid, kus igal sammul võrgu väljund võrreldakse sisendvektorile vastava
(Näiteks, arvutatud võrgu väljundväärtuse ja etteantud etalonväärtuse vahe); 3. võrgu parameetrite väärtuse ümberarvutamine lähtudes õpetamismeetodi poolt määratud algoritmist. Kõik kolm nimetatud sammu moodustavad ühe õpetamise perioodi (epoch, ). Õpetamise perioodid korduvad iteratiivselt seni kuni saavutatakse võrgu väljundi vajalik täpsus või võrgu väljundi täpsus lakkab paranemast (s.t. veafunktsioon on saavutanud lokaalse miinimumi). Õpialgoritmi valik sõltub kasutatavas närvivõrgust (erinevad õpialgoritmid erinevate närvivõrgu arhitektuuride jaoks) ja lahendatavast probleemist. Järgnevas vaatleme lühidalt kõige levinumaid õpialgoritme. Enamuses otsesuunatud ja tagasisidestatud närvivõrkude rakendustes kasutatakse nn. vea pöördlevi meetodid, kus igal sammul võrgu väljund võrreldakse sisendvektorile vastava
C s - Co 2 Dt kus, C s - pinnakontsentratsioon; 53 C o - lisandi lähtekontsentratsioon materjalis; C x - lisandi kontsentratsioon mingis punktis x; x - kaugus pinnast; D - difusioonikoefitsient: t - aeg. Valemi võib anda ka teisel kujul Cs - C x x = erf C s - Co 2 Dt kus, (x/2 Dt)on Gaussi veafunktsioon, mille väärtused on antud tabelitena käsiraamatutes. Arvutusnäited C 97 - 98 Difusioon leiab laialdast kasutamist metallide pinna kõvendamiseks läbi süsiniku difusiooni terasesse süsiniku sisaldavast gaasikeskkonnast ja pooljuhttööstuses integraalskeemide tehnoloogias lisandi kontsentratsiooni lokaalseks muutmiseks räniplaatides. 6.7. Difusioonikiirust mõjutavad faktorid (joonis 4.16)
annaabi.ee 
