Постоянная Планка по данным CODATA
CODATA периодически согласует значения фундаментальных констант по результатам лабораторий мира. Результаты неравноточные и не всегда согласуются в пределах заявленных неопределённостей. С 2019 года постоянная Планка точно равна 6,626 070 15 × 10−34 Дж·с — через неё определён килограмм, поэтому есть с чем сравнить.
Что показала статья
| Метод | Оценка h, 10−34 Дж·с | Отн. неопределённость, 10−9 |
|---|---|---|
| Метод Бёрджа (взвешенное среднее с поправкой на несогласованность) | 6,626 070 150 (69) | 10 |
| IF&PA с самоуточнением (IF&PA-A) | 6,626 070 136 (06) | 1,3 |
На синтетических наборах (по 100 задач с нормальным и равномерным распределением) отклонения и неопределённости IF&PA-A оказались меньше, чем у метода Бёрджа. Демонстрация выше считает облегчённой версией IF&PA-L, поэтому её неопределённость крупнее. Открыть данные в калькуляторе →
Muravyov S.V., Khudonogova L.I., Ho M.D. Adjustment of fundamental physical constant values using the interval fusion with preference aggregation // Measurement. 2020. Vol. 163. Art. 108037.
Межлабораторные сличения
В сличении нужно установить опорное значение и проверить, согласуется ли с ним каждая лаборатория. Для этого считают En = (xk − X) / √(Uk2 + UX2), где U = 2u — расширенные неопределённости: |En| ≤ 1 — результат удовлетворительный. Если опорное значение X сместила одна лаборатория, под подозрение попадают честные.
Метод агрегирования предпочтений применён к данным сличений электрических величин, в том числе для поиска наибольшего согласованного подмножества результатов.
Muravyov S.V. Ordinal measurement, preference aggregation and interlaboratory comparisons // Measurement. 2013. Vol. 46, No. 8. P. 2927–2935. · Muravyov S.V., Marinushkina I.A. Processing data from interlaboratory comparisons by the method of preference aggregation // Measurement Techniques. 2016. Vol. 58, No. 12. P. 1285–1291.
Беспроводные сенсорные сети
Каждая передача показания тратит заряд батареи узла, и чем дальше узел от базовой станции, тем дороже передача. Нужно сохранить точность результата, передавая меньше. Устойчивое объединение показаний позволяет не опасаться, что среди немногих переданных окажется сбойный датчик.
Muravyov S.V., Tao Sh., Chan M.Ch., Tarakanov E.V. Consensus rankings in prioritized converge-cast scheme for wireless sensor network // Ad Hoc Networks. 2015. Vol. 24, Part A. P. 160–171. · Khudonogova L.I., Muravyov S.V. Interval data fusion with preference aggregation for balancing measurement accuracy and energy consumption in WSN // Wireless Personal Communications. 2021. Vol. 118. P. 2399–2421.
Распознавание дефектов сварных швов
При автоматическом распознавании дефектов нужно выбрать пороги яркости, отделяющие дефект от фона. Освещённость и фон меняются вдоль шва, поэтому один порог по всему снимку часто ошибается. IF&PA объединяет интервалы, полученные по полосам, в пороги для сегментации наращиванием областей (НО) и для двойного порога детектора границ (ДГ).
Muravyov S.V., Nguyen D.C. Automatic segmentation by the method of interval fusion with preference aggregation when recognizing weld defects // Russian Journal of Nondestructive Testing. 2023. Vol. 59, No. 12. P. 1280–1290. · Muravyov S.V., Nguyen D.C. Method of interval fusion with preference aggregation in brightness thresholds selection for automatic weld surface defects recognition // Measurement. 2024. Vol. 236. Art. 114969.
Робастная регрессия и деградация солнечных панелей
Метод наименьших квадратов чувствителен к выбросам: одна далёкая точка поворачивает прямую («эффект рычага»), а при разной точности наблюдений оценка теряет эффективность. IF&PA оценивает наклон по интервалам, которые даёт каждая точка, — и далёкая точка остаётся всего одним голосом.
На реальных данных коэффициента производительности солнечных электростанций метод применён для робастной оценки скорости деградации панелей.
Muravyov S., Khudonogova L., Pak A. Robust determination of performance loss rate for photovoltaic systems // IEEE Sensors Letters. 2024. Vol. 8, No. 9. Art. 7004504. · Muravyov S.V., Khudonogova L.I., Ho M.D. Analysis of heteroscedastic measurement data by the self-refining method of interval fusion with preference aggregation — IF&PA // Measurement. 2021. Vol. 183. Art. 109851.
Многокритериальная оценка
Свойства разной физической природы нельзя сложить, но по каждому из них объекты можно упорядочить. Агрегирование ранжирований даёт итоговую оценку. Здесь «мнения» — уже готовые ранжирования, а не интервалы: это исходная задача теории, из которой вырос IF&PA. Отредактируйте ранжирования зон микроклимата и посмотрите, как меняется итог.
Полная демонстрация с графом парных сравнений и расстояниями Кемени — на странице «Теория».
Нормирование труда и планирование в строительстве
Оценивание сезонных норм трудоёмкости по производственному учёту, загрязнённому ошибками, и их перенос в календарное планирование линейного строительства. Статья готовится к публикации. Как устроен эксперимент, можно попробовать уже сейчас — на учебном проекте или на своих данных:
Текущие направления
- Поиск аномалий в данных методом комплексирования интервалов.
- Повышение точности и робастности линейного регрессионного анализа.
- Построение калибровочной характеристики первичного измерительного преобразователя.
- Интеллектуальный анализ данных мониторинга деградации элементов солнечной энергетики.
- Календарно-сетевое планирование производственных работ на основе агрегирования предпочтений.