یکی از راه های شناسایی مشاهد ات دورافتاده در مدل های رگرسیونی، سنجش دوری مشاهدات از مقدار مورد انتظارشان تحت مدل برازش شده است. در مدل های رگرسیونی دایره ای-دایره ای، این شناسایی با استفاده از فاصله ی دایره ای امکان پذیر است. در این مقاله آماره ی اختلاف میانگین های خطای دایره ای که به وسیله ی ابوزید و همکاران [1] برای شناسایی متغیر پاسخ دورافتاده در مدل رگرسیونی دایره ای-دایره ای ساده معرفی شده است، برای مدل رگرسیونی خطی-دایره ای به کار رفته و به روش شبیه سازی مونت کارلویی نقاط برینشی این آماره به دست آمده است. به علاوه با مطالعات شبیه سازی عملکرد این آماره بررسی شده است. در نهایت این آماره برای شناسایی پاسخ دورافتاده در داده ی سرعت و جهت باد ثبت شده در ایستگاه هواشناسی مهرآباد تهران به روش شبیه سازی خودگردان پارامتری به کار گرفته شده است.

در این مقاله، به مقایسه های تصادفی سیستم های موازی و سری متشکل از مولفه های مقیاس با چندین دورافتاده پرداخته می شود. تحت شرایط مشخصی روی توابع نرخ خطر پایه، نرخ خطر وارون پایه و پارامترهای مقیاس، ترتیب نسبت درستنمایی، ترتیب پراکندگی و ترتیب میانگین باقیمانده عمر، میان سیستم های موازی و سری اثبات شده است. همچنین نشان داده شده است که نتایج برای دو خانواده از توزیع های گاما و پاراتو با چندین دورافتاده نیز برقرار است.

محاسبه وزن مواد بار کوره های ذوب، اغلب از راه موازنه جرم ساده عناصر آلیاژی در مواد ورودی و مذاب خروجی انجام می شود. اما در فرایندهای ذوب، پیچیدگی ها و پدیده های گوناگونی هست که اغلب در محاسبات موازنه جرم نادیده گرفته می شود و سبب عدم اطمینان در محاسبه بار کوره می گردد. خطای محاسبه، باعث اصلاح چندباره ذوب، تأخیر در تخلیه، افزایش هزینه و کاهش کیفیت مذاب می شود. در پژوهش حاضر تلاش بر این بوده که پیچیدگی ها و جنبه های مهم مساله ذوب، که اغلب نادیده گرفته شده، در کوره شناسایی و در یک مدل ریاضی مناسب درنظر گرفته شود. هدف پژوهش حاضر توسعه مدلی است، که نه تنها وزن مواد اولیه برای ترکیب شیمیایی ذوب هدف را بهینه سازی کند، بلکه هدررفت ناهمگن عناصر آلیاژی، ناخالصی های غیرفلزی مواد بار، و اصلاح ذوب اولیه در کوره را نیز درنظر بگیرد. این مقاله، یک مدل بهینه سازی استاندارد و یک الگوریتم حلقه ی تکرار برای موازنه جرم غیرخطی مساله ذوب ارایه می کند. یک مساله ذوب آلیاژ برنج با 7 عنصر آلیاژی و 8 نوع مواد بار در مقیاس صنعتی طرح و بررسی گردید، تا کارکرد مدل را مورد آزمایش قرار دهد. نتایج عددی مدل کسر وزنی مواد اولیه، و وزن و ترکیب شیمیایی ذوب اصلاح شده را با کمترین هزینه مواد نشان می دهد. تحلیل بهینه بودن جواب، تایید کرد که کمترین مقدار هزینه به دست آمده است. مدل استاندارد غیرخطی، ابزاری قابل اعتماد و سریع برای بهینه سازی هزینه و محاسبه بار کوره است که پتانسیل های قابل توجهی برای کاهش هزینه و تسهیل اتوماسیون صنعتی فرایند ذوب ایجاد می کند.

در این تحقیق با توجه به شباهت مدلهای اتورگرسیو به مدلهای رگرسیونی نخست روشهای شناسایی نقاط دورافتاده شامل معیار نفوذ و فاصله کوک برای شناسایی نقاط دورافتاده در سریهای زمانی معرفی می شوند. سپس با توجه به اینکه در برخی از سریهای زمانی داده های دورافتاده به صورت متوالی رخ می دهند، روشهای مبتنی بر حذف چند مشاهده پیاپی نظیر آماره حذف چندگانه و فاصله کوک بر اساس حذف چندگانه مشاهدات مورد مطالعه قرار می گیرد. در ادامه با استفاده از روشهای شبیه سازی حدود آستانه ای معیارهای به دست آمده برای شناسایی دقیق نقاط دورافتاده را بررسی نموده و سرانجام کاربرد روشهای مذکور را در مورد سریهای زمانی واقعی نشان می دهیم.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

معمولا تابع تغییرنگار که ساختار همبستگی داده های فضایی را تعیین می کند و نقش پایه ای در تحلیل آن ها دارد، نامعلوم است و لازم است بر اساس مشاهدات برآورد شود. وجود داده های دورافتاده در مشاهدات تاثیر نامناسبی در برآورد تغییرنگار و سایر بخش های تحلیل داده های فضایی همچون پیش گویی فضایی و برآورد پارامترهای روند دارد. در این مقاله ابتدا با استفاده از برآوردگرهای مقیاس، چند برآوردگر استوار جدید با نقطه فروریزش بالا برای تغییرنگار پیشنهاد می شود و کارایی آن ها در یک مطالعه شبیه سازی مورد ارزیابی قرار می گیرد. سپس برآورد استوار پارامترهای روند و نحوه پیش گویی فضایی استوار ارائه می گردد. آنگاه ضمن ارائه یک فرایند کاری برای تحلیل استوار داده های فضایی، نحوه به کارگیری آن ها در تحلیل استوار متوسط دمای سالانه 170 شهر ایران مطرح و نقشه های پهنه بندی آن ها ارائه می گردد.

تابع ژرفا با در نظر گرفتن ویژگی های هندسی مجموعه داده های چندمتغیره و رتبه بندی مشاهدات ابزار مناسبی را در آمار ناپارامتری چندمتغیره فراهم آورده است. به عبارت دیگر، این تابع منجر به مرتب سازی از مرکز به بیرون نقاط چندمتغیره می شود. از آن جا که دورافتادگی نقاط به طور اجتناب ناپذیری وابسته به ترتیب داده ها است، این مرتب سازی می تواند راهی برای شناسایی نقاط دورافتاده فراهم کند. در این مقاله، بر اساس مفهوم تابع ژرفا، یک روش ناوردای آفین برای شناسائی نقاط دورافتاده چندمتغیره بیان می شود. ویژگی مطلوب ناوردای آفین تضمین می کند که نقطه دورافتاده تحت هرگونه تبدیل از محورهای مختصات کماکان به عنوان دورافتاده شناسایی شود. پیاده سازی این روش نسبت به بیشتر روش های چندمتغیره که دارای پیچیدگی محاسباتی هستند، ساده تر است. بر اساس مطالعات شبیه سازی عملکرد روش پیشنهادی بر اساس توابع ژرفای مختلف مورد بررسی قرار گرفته است. سرانجام، روش بیان شده برای داده های مسکن شهرهای منتخب ایران در سال 1397، بکار برده می شود.

در این مقاله روشی برای شناسایی نقاط دورافتاده در مسایل رگرسیونی پیشنهاد شده است. این روش بر اساس اطلاعاتی است که با تقویت درخت های رگرسیونی به دست می آید. ایده اصلی این است که مشاهده ای را که بیش از همه در باز نمونه گیری های روش تقویت (boosting) ظاهر می شود، انتخاب و حذف کنیم و سپس این کار را تکرار کنیم. معیار این انتخاب، بر اساس نابرابری چبیشوف است که در مورد ماکسیمم تعداد تکرارهای تقویت در متوسط تعداد ظهور در نمونه های خودگردان ساز (bootstrap) به کار گرفته می شود. از این رو، این روش، بستگی به توزیع نوفه ندارد. این روش، امکان انتخاب نقاط دورافتاده را که پیش بینی مشاهدات آن ها بسیار سخت است، فراهم می سازد. برای نشان دادن ارزش این روش، مجموعه داده های مشهور زیادی در نظر گرفته شده اند و مقایسه ای بین روش پیشنهادی و دو روش رایج صورت گرفته است.

در این مقاله، استفاده از یک تابع زیان جدید در مدل خوشه بندی فازی برای داده های فازی را پیشنهاد و تاثیر استفاده از این تابع زیان و توابع زیان مربعی، هابر، خطی، سیگموییدی و لگاریتمی بر عملکرد مدل را در صورت وجود داده های دورافتاده در مجموعه داده ها، در شبیه سازی صورت پذیرفته بررسی کرده ایم. مجموعه داده های مورد استفاده، از نظر تعداد ویژگی ها (2 و 3)، تعداد کلاس ها (3 و 4) و پخش و تعداد داده های دورافتاده (20 و 38 و 4)، دارای تنوع مناسبی هستند. نتایج شبیه سازی موید آن است که تابع زیان هابر و تابع زیان جدید، نسبت به وجود داده های دورافتاده مقاوم هستند.