“Eşit aralıklı” örneklerden başlayarak birim disk üzerindeki gerileme


9

Birim disk üzerinde karmaşık bir regresyon sorununu çözmem gerekiyor. Orijinal soru bazı ilginç yorumlar çekti, ancak ne yazık ki cevap yok. Bu arada, bu sorun hakkında daha fazla şey öğrendim, bu yüzden orijinal sorunu alt problemlere ayırmaya çalışacağım ve bu sefer daha iyi şansım olup olmadığını göreceğim.

Birim disk içindeki dar bir halkaya düzenli olarak yerleştirilmiş 40 sıcaklık sensörünüz var: resim açıklamasını buraya girin

Bu sensörler zaman içinde sıcaklık alır. Bununla birlikte, zaman varyasyonu uzay varyasyonundan çok daha küçük olduğundan, zaman değişkenliğini göz ardı ederek sorunu basitleştirelim ve her sensörün bana sadece bir zaman ortalaması verdiğini varsayalım. Bu, 40 numunem (her sensör için bir tane) ve tekrarlanan numunelerim olmadığı anlamına gelir.

Bir regresyon yüzeyi inşa etmek istiyorum T=f(ρ,θ)+ϵsensör verilerinden. Regresyonun iki hedefi vardır:

  1. Ortalama bir radyal sıcaklık profili tahmin etmem gerekiyor Tmean=g1(ρ)+ϵ. Doğrusal regresyon ile, ortalama sıcaklık yüzeyi olan bir yüzeyi zaten tahmin ediyorum, bu yüzden sadece yüzeyimiθ, sağ? Eğer regresyon için polinom kullanırsam, bu adım çocuk oyuncağı olmalıdır.
  2. Radyal sıcaklık profilini tahmin etmem gerekiyor T95=g2(ρ)+ϵ, böylece her radyal konumda, P(T(ρ)<T95(ρ))=.95.

Bu iki hedef göz önüne alındığında, birim diskteki gerileme için hangi tekniği kullanmalıyım? Tabii ki, Gauss Süreçleri yaygın olarak mekansal regresyon için kullanılır. Ancak birim disk için iyi bir çekirdeğin tanımı önemsiz değildir, bu yüzden kaybedilen bir strateji olduğunu düşünmedikçe işleri basit tutmak ve polinomları kullanmak istiyorum. Zernike polinomlarını okudum . Zernike polinomları birim disk üzerindeki regresyon için uygun görünmektedir, çünkü bunlar periyodik olarakθ.

Model seçildikten sonra, bir tahmin prosedürü seçmem gerekiyor. Bu bir uzamsal regresyon problemi olduğundan, farklı konumlardaki hatalar ilişkilendirilmelidir. Sıradan En Küçük Kareler ilişkisiz hatalar alır, bu yüzden Genelleştirilmiş En Küçük Kareler daha uygun olacağını düşünüyorum. glsStandart R dağılımında bir fonksiyon olduğu göz önüne alındığında, GLS nispeten yaygın bir istatistiksel teknik gibi görünüyor . Ancak, GLS'yi hiç kullanmadım ve şüphelerim var. Örneğin, kovaryans matrisini nasıl tahmin edebilirim? Sadece birkaç sensörle bile çalışılmış bir örnek harika olurdu.

PS Zernike polinomlarını ve GLS'yi kullanmayı seçtim çünkü bana burada yapılması mantıklı bir şey gibi geliyor. Ancak uzman değilim ve yanlış yöne gittiğimi düşünüyorsanız, tamamen farklı bir yaklaşım kullanmaktan çekinmeyin.


Şekilde, bir motorun mükemmel bir radyal simetriye sahip olduğu gösterilmiştir. Fakat eksenlerin konumu bir motorun bazı fiziksel özellikleriyle mi ilgili, yoksa gerçekten keyfi mi? İkinci durumda, değişkenθyalnızca belirli bir motorla ilgili bir anlamı olacaktır.
Yves

Yanıtlar:


2

Bence Zernike polinomları gibi bir şeyi düşünmek için doğru yoldasınız . Cevabın jwimberly tarafından belirtildiği gibi, bunlar bir disk üzerindeki dikey temel fonksiyonlar sistemine bir örnektir . Zernike polinomlarına aşina değilim, ancak diğer birçok ortogonal fonksiyon ailesi (Bessel fonksiyonları dahil) doğal olarak klasik matematiksel fizikte belirli kısmi diferansiyel denklemler için özfonksiyonlar olarak ortaya çıkıyor (bu yazı sırasında, o bağlantının üstündeki animasyon bile titreşimli tambur kafasının bir örneğini gösterir).

Aklıma iki soru geliyor. İlk olarak, peşinde olduğunuz tek şey radyal profilse (θortalama), o zaman uzamsal desen üzerinde ne kadar kısıtlamaya ihtiyacınız var? İkincisi, uzay-zamansal verilerde ne tür değişkenlikler oluşur?

İlk soru açısından akla gelen iki endişe var. Kutupsal koordinatlar nedeniyle, her sensör için destek alanı,r. İkinci endişe, takma adlandırma olasılığıdır , esas olarak sensörlerinizin modelin fazına göre yanlış hizalanması (bir Fourier / Bessel benzetmesi kullanmak için). Örtüşmenin büyük olasılıkla pik sıcaklıkların sınırlanmasındaki birincil belirsizlik olacağını unutmayın (ör.T95).

Bu ikinci soru açısından, veri değişkenliği aslında herhangi bir takma sorununa yardımcı olabilir, bu da aslında herhangi bir yanlış hizalamanın farklı ölçümler üzerinden ortalamalanmasına izin verir. (Sistematik bir önyargı olmadığı varsayılırsa ... ancak bu, daha fazla bilgi vermek için fiziksel bir model olmadan herhangi bir yöntem için bir sorun olacaktır).

Dolayısıyla bir olasılık, mekansal dikey fonksiyonlarınızı yalnızca sensör konumlarında tanımlamak olacaktır. Bu "Ampirik Dik Fonksiyonlar" uzamsal veri matrisinizde PCA üzerinden hesaplanabilir . (Değişken sensör destek alanlarını hesaba katmak için bir miktar ağırlıklandırma kullanabilirsiniz, ancak düzgün polar ızgara ve radyal ortalamaların hedefi göz önüne alındığında, bu gerekli olmayabilir.)

Orada eğer Not olan yoğun bir uzaysal hesaplama ızgara üzerine sıcaklık "beklenen" varyasyonları için uygun herhangi bir fiziksel modelleme veriler, daha sonra aynı PCA prosedürü tatbik edilebilir olduğu derived ortogonal fonksiyonları veri. (Buna genellikle model indirgeme için kullanıldığı mühendislikte " Uygun Ortogonal Ayrışma " denirdi , örneğin pahalı bir hesaplamalı akışkanlar dinamiği modeli, daha fazla tasarım faaliyetlerinde kullanılmak üzere damıtılabilir.)

Son bir yorum, sensör verilerini destek alanına göre (yani kutup hücre boyutu) ağırlıklandırmak olsaydı, bu GLS çerçevesinde bir tür diyagonal kovaryans olurdu . (Ağırlıklı PCA yakından ilişkili olsa da, tahmin probleminiz için daha fazla geçerli olacaktır.)

Umarım bu yardımcı olur!

Güncelleme: Sensör dağıtımına ilişkin yeni diyagramınız benim görüşüme göre işleri önemli ölçüde değiştiriyor. Diskin iç kısmındaki sıcaklıkları tahmin etmek istiyorsanız, basitçe "birim diskteki dikey fonksiyonlar kümesinden" çok daha bilgilendirici olmanız gerekir . Sensör verilerinde çok az bilgi var.

Gerçekten de disk üzerindeki uzamsal sıcaklık değişimini tahmin etmek istiyorsanız, görebildiğim tek makul yol, sorunu veri asimilasyonlarından biri olarak ele almak olacaktır . Burada en azından bazı fizik tabanlı düşüncelere dayanarak uzamsal dağılımın parametrik biçimini kısıtlamanız gerekir (bunlar simülasyonlardan olabilir veya benzer dinamiğe sahip sistemlerde ilgili verilerden olabilir).

Ki özel uygulamayı bilmiyorum ama idare gibi ise bu , o zaman uygun öncesinde kısıtlamaları seçmek için üzerine çizmek verebilecek geniş bir mühendislik literatür vardır hayal ediyorum. (Bu tür ayrıntılı alan bilgisi için, bu muhtemelen sorulması gereken en iyi StackExchange sitesi değildir.)


Etkileyici cevap! Sindirmek için biraz zamana ihtiyacım var. İki soru soruyorsunuz: Birincisini anladığımdan emin değilim ("uzamsal desen üzerinde ne kadar kısıtlama gerekiyor?") 40 sensörün tümünden gelen verileri kullanmanın, sadece çevresel yönde ortalamadan daha iyi olacağını düşündüm ve o zaman uygun ... bunun mutlaka doğru olmadığını mı söylüyorsun? İkincisi için ("uzamsal-geçici verilerde ne tür değişkenlikler meydana gelir"), bir veya iki gün içinde ilk motoru analiz edeceğim (aslında 5 tane var! Ama bu bir konu olacak gelecek soru ...)
ctd

... ctd, verileri normalleştireceğim ve halka açık bir sitede neler yayınlayabileceğimi göreceğim. Bazı mekansal kalıplar ve zaman serileri ... Sanırım ne istediğine dair bir fikir vermeleri gerekiyor.
DeltaIV

1
İlk sorum: Son amacınız esasen "yeni bir motor için sensör sonuçlarını tahmin etmek" ise (diğer sorunuzdan çıkar), o zaman gerçekten "sensörler arasında" herhangi bir bilgiye ihtiyacınız var mı? Aliasing Yorumum neden bir örnek oldu olurdu mesela eğer bu tür bilgileri, ihtiyaçT95sensörlerde güvenilir bir şekilde ölçülmez.
GeoMatt22

1
BTW bu bir tasarım problemiyse ve ilişkili CFD tipi simülasyonlar varsa, o zaman mevcut sorunun ima ettiğinden önemli ölçüde daha fazla bilgi. (Örneğin, soruna veri asimilasyonu olarak yaklaşmak farklı yaklaşımlar kullanabilir.)
GeoMatt22

Cevabınız bana düşündürüyor: regresyon yerine, yapılabilecek ayrı bir Fourier dönüşümünün 2d eşdeğeri var mı? Örneğin, veri noktalarının integralini n. Bessel işlevinin (uygun şekilde değiştirilmiş) çarparak almak ve sonra dik bir ayrışma elde etmek? Buradaki endişeler 1) muhtemelen cevabınızla aynı satırlar boyunca uygun ayrıklaştırılmış işlevi bulmak ve 2) bunun az sayıda örnekleme noktasına çok duyarlı olup olmayacağı ve ayrışmanın daha karmaşık yüksek dereceli terimlere dayandırılışı olacaktır. .
jwimberley

2

Zernlike polinomları kötü bir seçim gibi gelmiyor, çünkü zaten r ve θbağımlılık ve diklik pişirilir. Bununla birlikte, sıcaklığı incelediğiniz için, tartışmalı olarak daha uygun ve daha iyi bilinen bir seçim Bessel işlevleri olacaktır . Bunlar, silindirik nesneler / koordinat sistemlerindeki ısı akışı çalışmasında ortaya çıkar ve bu nedenle fiziksel olarak daha uygun olma şansı vardır. N. Bessel fonksiyonu, polar bağımlılık için karşılık gelen bir trigonometrik fonksiyonla ilişkili radyal bağımlılığı verecektir; detayları birçok fizik ve PDE ders kitabında bulabilirsiniz.


(+1) Kutup koordinatları ısı denklemi bağlantısı iyi bir bağlantıdır. Belki de kayda değer başka bir şey, genellikle dikdörtgen ızgaralarda bildiğim Gauss Süreçleri için kovaryans matrisinin sirkülasyonlu olması ve pratik olarak FFT'lerin kullanılmasıdır. Dolayısıyla Bessel işlevleri, kutupsal bir ızgara üzerinde benzer bir yaklaşım için muhtemel bir aday olacaktır.
GeoMatt22

İlginç bir öneri! Ancak, motorun katı kısmında değil, çalışma sıvısındaki sıcaklığı ölçüyorum. Böylece iletim probleminin aksine konveksiyon problemiyle ilgileniyorum. Bessel fonksiyonları kesinlikle ısı iletimi (Fourier) denkleminin çözümleridir, ancak konveksiyon sıvı akış alanına bağlı olduğundan ısı konveksiyon denkleminin de çözümü olduğunu düşünmüyorum. Her neyse, en azından onları Zernike'a karşı test edebilirim. GLS ne olacak? Sorunun bu kısmına da bir şeyler ekleyebilir misiniz?
DeltaIV

@DeltaIV GLS'ye fazla aşina değilim, ama bir soru - hataların neden farklı uzamsal noktalarda ilişkili olmasını bekliyorsunuz? Gerçek dalgalanmaların noktalar arasında korele olacağına katılıyorum, ancak hataların (yani sensör okumalarındaki belirsizlik) ilişkisiz olacağını düşünürüm. Belki de regresyon dalgalanmaları hata sayılır? Ancak cezalandırma şartları hakkında bir şeyler eklemeyi düşünüyorum. Kullandığınız temel ne olursa olsun, yalnızca sınırlı sayıda örnekleme noktanız vardır ve Bessel işleviyle eşleşen çok yüksek dereceli bazı eşyalar bulabilirsiniz, bu nedenle en düşük dereceli terimler tercih edilmelidir.
jwimberley

@DeltaIV Uzamsal noktalar arasında korelasyonlar yaratacak olan dalgalanmalarla ilgili olarak: nesneniz bir sıcaklık haritası elde etmektir, değil mi? Ne tür dalgalanmalar olduğunu görmek istemiyor musunuz ? Ve dalgalanmalar sıvı dinamikleri tarafından yönlendirileceği ve uzay ve zamanda karmaşık olacağı için istatistiksel bir model bile bunları açıklayabilir mi? (Bu, analizinizin basitlik için bıraktığınız zamana bağlı bölümüyle mi ilgili?)
jwimberley

galeri sohbeti oluşturuldu .
DeltaIV
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.