Дискретным: Недопустимое название — Викисловарь

Содержание

Дискретные и непрерывные данные—ArcMap | Документация

Доступно с лицензией 3D Analyst.

Значения, присваиваемые ячейкам поверхности, могут быть представлены как дискретными, так и непрерывными данными. Пространственные объекты и поверхности в ArcGIS могут быть представлены дискретными и непрерывными данными.

Дискретные данные, также известные как категорийные или прерывистые, в основном используются для представления объектов как в векторных, так и в растровых системах хранения данных. Дискретные объекты имеют четко определяемые границы. Нетрудно точно определить, где начинается и где заканчивается такой объект. Озеро – это дискретный объект, окруженный ландшафтом. Место, где кончается вода и начинается суша, можно четко определить. К другим дискретным объектам относятся здания, дороги и земельные участки. Дискретные объекты обычно обозначаются существительным.

Непрерывные данные, или непрерывная поверхность, отображают явление, в котором каждая точка поверхности является мерой плотности, мерой отношения к некой фиксированной точке пространства или отношением к точке происхождения.

Непрерывные данные также называются полями, не дискретными (непрерывными) данными или данными поверхности.

Один из типов непрерывной поверхности вычисляется на основе характеристик, определяющих поверхность, в которой каждая точка пространства вычисляется относительно фиксированной регистрационной точки. Сюда относится высота (фиксированная точка – уровень моря) и экспозиция (фиксированная точка – одно из направлений: север, восток, юг, запад).

Дискретные и непрерывные пространственные объекты

Большинство приложений ArcGIS используют дискретную географическую информацию, например, собственность земельных участков, классификацию почв, зонирование и землепользование. Эти типы данных отображаются с помощью номинальных, порядковых, интервальных и относительных значений. Поверхности представлены непрерывными данными, такими как высоты, количество осадков, концентрация загрязнений и т.д. Эти данные могут быть представлены в виде непрерывной поверхности, которая, в основном, не имеет резких переходов.

Дискретные объекты

Дискретные объекты не являются непрерывными и имеют четкие границы. Например, дорога имеет известную ширину и длину и представлена на карте в виде линии. Карта собственности на землю отражает границы между различными участками. Существуют четкие отличия в характеристиках (имя владельца, номер участка и тип собственности) между каждым пространственным объектом карты.

Примеры дискретных пространственных объектов показаны на карте землевладений.

Дискретные пространственные объекты карты также могут быть представлены в виде тематических данных. Эти данные или объекты легко отображаются на карте в виде точек, линий или полигонов. К настоящему моменту вы уже должны знать, как структура данных ArcGIS используется для отображения топологических отношений двумерных пространственных объектов. Объекты карты могут иметь атрибуты, использующиеся для их описания, присвоения символов и создания надписей. Кроме того, имеется возможность проведения дополнительного анализа для определения или выявления новых взаимосвязей между этими пространственными объектами.

Непрерывные пространственные объекты

Непрерывные пространственные объекты не имеют четких границ в пространстве. В основном переход между возможными значениями на непрерывной поверхности происходит без резкого изменения значений. Атрибут поверхности хранится как z-значение, единственная переменная, связанная с парой координат x,y. Например, значения высот являются непрерывными по всей поверхности. Любое представление поверхности является только образцом (поднабором) значений всей поверхности.

Постепенное изменение непрерывных данных

Второй тип непрерывной поверхности демонстрирует явление, постепенно меняющееся по мере удаления от точки-источника. В качестве примеров таких покрытий можно привести данные по движению жидкостей или воздуха. Эти поверхности характеризуются способом перемещения явления.

Один тип движения – это сквозная диффузия или любое другое перемещение, при котором явление движется от областей с высокой концентрацией к областям с низкой концентрацией до тех пор, пока не произойдет выравнивание. К характеристикам поверхности с таким вариантом перемещения относятся, например, концентрация соли, распределяющаяся по воде или земле, распространение нефтяного пятна или распределение огня от центра лесного пожара. Поверхности такого типа должны иметь источник. Концентрация у источника всегда выше, затем она снижается как функция расстояния и параметров среды распространения.

В приведенном выше примере поверхности с источником концентрация явления в любой точке является функцией проникающей способности.

Еще один тип движения определяется собственной характеристикой движущегося объекта или режимом движения. Например, распространение звуковой волны от точки взрыва бомбы является собственной характеристикой звука и параметров среды, в которой он распространяется. Способ перемещения также может ограничивать и прямо влиять на поверхность концентрации объектов, как в случае с распространением семян какого-либо растения. Все способы распространения – посредством пчел, человека, ветра или воды, влияют на поверхность концентрации распространения семян растения.

К другим примерам движения относятся: распределение популяций животных, расположение потенциальных покупателей магазина (автомобиль – средство передвижения, время в пути – лимитирующий фактор), распространение заболевания.

Дискретные или непрерывные?

При моделировании большого количества пространственных объектов, можно заметить, что границы между непрерывными и дискретными объектами часто размыты. При отображении пространственных объектов, создается континуум, предельные значения которого могут быть дискретными или непрерывными объектами. Большинство пространственных объектов укладываются в промежуток между предельными значениями.

Примерами объектов, которые создают континуум, могут быть типы почв, границы лесов, заболоченных участков, а также географические рынки, формирующиеся посредством телевизионной рекламы. При определении места объекта в непрерывно-дискретном континууме, ключевым фактором будет простота нахождения его границ. Не имеет значения, где именно находится объект в континууме, растр может отобразить его с большей или меньшей точностью.

Принимая решение на основе полученного результата, важно понимать особенности моделирования различных типов данных, как непрерывных, так и дискретных. Точное место постройки здания не должно основываться только на типе почвы. Площадь лесного участка не может являться основным фактором, определяющим количество населяющих его оленей. Маркетинговая программа не должна основываться только на данных о географическом рынке, зависящим от распространения телевизионной рекламы. Достоверность и точность границ во входных данных, имеет первостепенное значение.

Связанные разделы

Комплексная автоматизация процессов промышленного производства — АтлантКонсалт

Мы поможем вашей компании перейти от сфокусированной на производстве к ориентированной на клиента модели ведения бизнеса. Станьте победителем в самом важном аспекте цифровой экономики — взаимоотношениях с клиентами — с помощью инструментов SAP Customer Experience (ранее SAP Hybris), мирового лидера среди цифровых CRM-решений.

Консолидируйте на единой платформе управление отношениями с клиентами по различным рынкам и сегментам — B2B, B2C и B2B2C. SAP Customer Experience объединяет в единую операционную среду продажи, маркетинг и сервис, автоматизирует ключевые процессы и колоссально расширяет возможности бизнеса.

Единый 360⁰-профиль каждого клиента и инструменты прогнозной аналитики позволят по максимуму использовать все каналы, которые конкретный покупатель использует для принятия решения о приобретении продукта, и направлять персонализированное предложение в удачное время.

Формируйте безукоризненные отношения с клиентами, будь то поставщик, дистрибьютор, реализатор или конечный потребитель, предоставляя им лучший опыт взаимодействия с вашей компанией.

Возможности SAP Customer Experience для производителей

  • Дополнительные источники доходов

    Зарабатывайте на продаже не только произведенных товаров, но и допуслуг. Отслеживайте потребности и «болевые точки» текущих и потенциальных потребителей, используя мощные инструменты аналитики.

    На базе полученных данных создавайте и предлагайте релевантные дополнительные услуги и сервисы: послепродажное обслуживание, ремонт, реконструкцию, поставки запчастей, подписки, мобильные приложения и сервисы. Получите больше от клиентов, давая им больше.

  • Самообслуживание для дилеров

    Предоставьте дилерам возможность самостоятельно оформить заявку по удобному для них каналу с любого устройства. Информируйте о статусе заказа и о реальных сроках производства и поставки. Сохраняйте информацию обо всех транзакциях и запросах в обновляемом в реальном времени профиле поставщика.

  • «Умный» сервис

    Отслеживайте эффективность работы и загруженность мастеров в сервисных центрах. Предоставьте специалистам нужные материалы заранее, не прерывая рабочий процесс. Формируйте оптимальные графики, создавайте регламент обслуживания и правила общения с покупателями. Сохраняйте информацию о проведенных работах в рамках гарантийного и послегарантийного обслуживания.

    Исправляйте проблемные места продукции, учитывая статистику частых поломок.

Узнайте больше о решениях «АтлантКонсалт» для бизнеса из вашей отрасли

Клиент в центре внимания

Омниканальное взаимодействие в В2В

Предложите своим оптовым поставщикам такой же высокий уровень обслуживания, к какому они привыкли в роли розничного покупателя. Персонализируйте общение в любой точке взаимодействия с вашим брендом на любом устройстве. Повышайте удовлетворенность и лояльность дистрибьюторов.

Персонализированные прайс-листы

Автоматически формируйте индивидуально согласованные прайс-листы для каждого поставщика, учитывая объемы продаж, программы лояльности, действующие акции и спецпредложения. Вознаграждайте самых эффективных и мотивируйте продавать еще больше.

Привлекайте новых дилеров

  • Предлагайте уникальный клиентский опыт — быстрое и комфортное обслуживание во всех точках контакта с вашей компанией.

  • Проактивно вовлекайте за счет полезного контента, доступа к электронному обучению и удобных сервисов.

  • Заинтересуйте продуктом. Расскажите об его уникальностях и пользе для конечного потребителя.

  • Предоставляйте выгодные условия сотрудничества — программы лояльности, контрактные скидки и бонусы за наращивание продаж.

Дополнительная ценность для автоматизации процессов производства 

  • Отчетность в реальном времени

    В один клик формируйте отчеты по продажам за любой период любого уровня сложности. Все данные о бизнес-деятельности обновляются в режиме реального времени.

  • Повышение эффективности работы

    Оптимизируйте рабочие процессы сотрудников в отделах сбыта с помощью инструментов самообслуживания для поставщиков, автоматизации рутинных задач и облачных вычислений.

  • Улучшение качества продукции

    Отслеживайте и контролируйте рекламации, возвраты по гарантии, бракованные партии, товарооборачиваемость групп продукции. Используйте эти данные для улучшения качества ассортимента.

  • Единая база поставщиков

    Коммуницируйте с широким кругом поставщиков, магазинов, точек сбыта в рамках единой платформы. История транзакций и обращений сохраняется в динамическом профиле каждого клиента.

Узнайте, как инструменты маркетинга, продаж и сервиса гибкой цифровой платформы SAP Customer Experience помогут вашему бренду завоевать рынок.

Свяжитесь с нами

Свяжитесь с нами

Подождите немного, идет отправка …

Курс Николая Богачева «Геометрия, арифметика и динамика дискретных групп» — Лаборатория комбинаторных и геометрических структур

9 февраля — 27 апреля, 2021

Онлайн курс

На русском языке

Николай Богачев (МФТИ, Сколтех) прочтет курс «Геометрия, арифметика и динамика дискретных групп» в весеннем семестре 2021 года. Курс на русском языке будет проходить онлайн на платформе Zoom, каждый вторник в 17.30. Расписание предварительное, возможны изменения (они будут появляться на этой странице).

К участию приглашаются все желающие, курс рассчитан на студентов, аспирантов и исследователей.

Meeting ID: 986 2594 4049 (ссылка)
Пароль: порядок группы $S_6$

You can also write to Alexander Polyanskii ([email protected]) or to Maksim Zhukovskii ([email protected]) if you want to be added to mailing list.

Аннотация:

Современные исследования в области геометрии, топологии и дискретных групп часто сочетают в себе арифметические, геометрические и динамические методы. Курс в основном посвящен гиперболическим мноогообразиям и орбифолдам, но также будут обсуждаться и общие вопросы про дискретные подгруппы групп Ли и арифметические группы. Особый интерес представляет теория Винберга гиперболических групп отражений, доставляющая очень интересные примеры и методы их использования в различных целях. В конце курса предполагается обзор недавних результатов, опубликованных или принятых к печати в ведущих математических журналах мира, а также обсуждение открытых проблем и гипотез, как недавно поставленных, так и с 30-40 летней историей.

Программа лекций:

9 февраля, вторник
17.30 (MSK)

Лекция №1

Предварительные сведения. Топология. Алгебраическая топология. Гомотопии, накрытия, фундаментальные группы. Примеры.

Конспект лекции

16 февраля, вторник
17.30 (MSK)

Лекция №2

Предварительные сведения. Гладкие многообразия над R и C. Алгебраические многообразия над произвольным полем k. Примеры.

Конспект лекции

2 марта, вторник
17. n$.

23 марта, вторник
17.30 (MSK)

Лекция №6

Мера Хаара на группе. Дискретные подгруппы групп Ли. Решетки в группах Ли. Простейшие свойства решеток. Примеры. Формулировка теоремы о сильной жесткости (Мостов, Прасад, Маргулис, Рагунатан) решеток в полупростых группах Ли.

30 марта, вторник
17.30 (MSK)

Лекция №7

Дискретные группы преобразований. Фундаментальная область дискретной группы преобразований. Обобщенные выпуклые фундаментальные многогранники (область Дирихле). Метод Пуанкаре.

6 апреля, вторник
17.30 (MSK)

Лекция №8

Гиперболические многообразия и орбифолды. Динамическое доказательство теоремы жесткости Мостова для кокомпактных подгрупп в группе Ли $Isom(H^n) = PO(n,1)$.

13 апреля, вторник
17.30 (MSK)

Лекция №9

Арифметические и квазиарифметические дискретные группы. Гипотеза Сельберга и Пятецкого-Шапиро ( ~ 1960 год). Формулировки классических результатов: теорема Бореля — Хариш-Чандры, супержесткость Маргулиса, знаменитая теорема Маргулиса (~ 1974 год) об арифметичности решеток в полупростых группах Ли вещественного ранга > 1. Примеры.

20 апреля, вторник
17.30 (MSK)

Лекция №10

Теория Винберга (~ 1967 год) гиперболических групп отражений (обзор). Многогранники и схемы Кокстера. Арифметические группы отражений и критерий арифметичности Винберга. Отсутствие многогранников Кокстера в высоких размерностях. Конечность числа арифметических групп отражений. Обзор основных результатов по состоянию на 2020 год. Открытые проблемы.

27 апреля, вторник
17.30 (MSK)

Лекция №11

Неарифметические гиперболические многообразия Громова — Пятецкого-Шапиро (~ 1986 год). Квазиарифметические многообразия Агола — Белолипецкого — Томсона (~ 2010). Неарифметические группы отражений типа Громова — Пятецкого-Шапиро (Винберг, 2014). Примеры.

4 мая, вторник
17.30 (MSK)

Лекция №12

Арифметика гиперболических многообразий и орбифолдов. Вполне геодезические подпространства гиперболических орбифолдов. Обзор основных результатов по состоянию на 2020 год. Открытые проблемы. Slides

Video recording of the course:

Язык курса — русский. Курс рассчитан на студентов, аспирантов и исследователей.

Дискретные полупроводниковые устройства

Отечественные чип-модули для платежных карт НСПК «Мир»

В критически важных для безопасности страны отраслях, таких как транспорт, связь, энергетика, финансы, особенно важно использование микроэлектронных изделий отечественного производства, так как они гарантированно не имеют недекларированных возможностей и обеспечивают информационную безопасность как на аппаратном, так и на программном уровне.  

Заказчик:

Банки

Отрасль:

Финансы

Задача:

Обеспечение безопасности финансовых транзакций на аппаратном уровне

Примененные технологии:

Отечественные микросхемы первого уровня

Период реализации:

2017-2019

Описание решения:

В критически важных для безопасности страны отраслях, таких как транспорт, связь, энергетика, финансы, особенно важно использование микроэлектронных изделий отечественного производства, так как они гарантированно не имеют недекларированных возможностей и обеспечивают информационную безопасность как на аппаратном, так и на программном уровне.   В частности, как показывает мировая практика, большинство стран, имеющих собственное микроэлектронное производство, такие как Германия, Китай, США, Южная Корея и др. имеют собственные национальные платежные системы, в картах которых применяются чип-модули собственного производства.

В России для всех финансовых транзакций ранее использовались только иностранные платежные системы и банковские карты с чип-модулями иностранного производства, и это было одним из существенных факторов риска как для информационной безопасности, так и для бесперебойного функционирование финансовой отрасли и суверенитета страны. Создание национальной платежной системы стало знаковым событием, нацеленным на создание российского платежного пространства, не зависящего от иностранных компаний.

Российский микроконтроллер производства Микрона служит физической основой безопасности системы. Именно чип является самым фундаментальным и самым критичным элементом любой платежной системы, так как функционал платёжных карт и безопасность транзакций закладываются физическими параметрами и настройками на уровне чипа.

В 2017 году была завершена разработка микросхемы MIK51BC16D, которая получила статус отечественной микроэлектронной продукции первого уровня и была признана лучшим отечественным изделием микроэлектроники 2016-2017гг. Разработка, изготовление и сборка изделия осуществляются на территории РФ без использования готовых схемотехнических решений иностранного производства. Банковский чип — самый технологически сложный и критичный элемент платежной системы. Он на физическом уровне позволяет обеспечить конфиденциальность транзакций и безопасность данных и, в конечном счете, технологическую независимость страны.

В 2017 году Микрон произвел и поставил более 2 миллионов чип-модулей для банковских карт НСПК «Мир», в 2018 году – более 3 миллионов, в 2019 году планируется дальнейшее увеличение объемов поставок. Для обеспечения необходимых объемов выпуска в конце 2017 года была запущена новая производственная линия по герметизации чип-модулей, позволившая увеличить производительность на участке сборки в 10 раз.

На сегодняшний день все крупнейшие российские кредитные организации стали участниками платежной системы «Мир» и подключили устройства – банкоматы и терминалы – для приема и обслуживания карт «Мир», а также начали их выпуск.

В продуктовой линейке Микрона более 700 типономиналов интегральных схем, включая RFID чипы, микропроцессоры для идентификационных документов и смарт-карт, микросхемы управления питанием и силовую электронику, дискретные полупроводниковые устройства и микросхемы промышленного применения.  Ежегодно производится более 4 миллиардов микросхем, более двух миллиардов экспортируется. Производственная база, экспертиза и опыт Микрона позволяет создавать уникальные решения индивидуальных задач клиента. Микроэлектроника – залог информационной безопасности и технологической независимости страны. 

Основы теории дискретных динамических систем

Лектор: д.ф.-м.н, профессор Камачкин А. М.

Часть I. МОДЕЛИ СИСТЕМ УПРАВЛЕНИЯ, ОПИСЫВАЕМЫЕ КОНЕЧНО-РАЗНОСТНЫМИ СИСТЕМАМИ

Управляющая цифровая вычислительная машина в цифровых автоматических системах (ЦАС). Процессы квантования. Формирование математических моделей ЦАС.

Часть II. ОСНОВЫ ТЕОРИИ ЛИНЕЙНЫХ РАЗНОСТНЫХ УРАВНЕНИЙ (ЛРУ)

Определение конечной разности n-го порядка и линейного разностного уравнения, непрерывное решение ЛРУ, дискретное решение ЛРУ. Линейное однородное разностное уравнение (ЛОРУ), фундаментальная система решений. Линейное неоднородное разностное уравнение n-го порядка (ЛНРУ), метод вариации произвольных постоянных. Линейное однородное разностное уравнение с постоянными коэффициентами (ЛОРУ с ПК), характеристическое уравнение. Различные случаи корней характеристического уравнения ЛОРУ с ПК, преобразование Лорана. Определение фундаментальной системы решений по корням характеристического уравнения и общего решения ЛОРУ с ПК. Общее решение ЛНРУ с ПК, частные случаи правой части. Системы линейных разностных уравнений, свойства фундаментальной системы решений. Структура общего решения системы ЛНРУ, нахождение частного решения методом вариации произвольных постоянных. Системы ЛОРУ и ЛНРУ с ПК, структура общего решения.

Часть III. ДИСКРЕТНЫЕ ДИНАМИЧЕСКИЕ СИСТЕМЫ (ДДС)

Основные определения и понятия. Линейные системы, эквивалентность дискретных и непрерывных линейных систем, классификация особых точек в ДДС, проблема вложения. Классификация предельных движений в ЦАС с различными объектами управления.

Структура пространства состояний, грубые системы. Микроструктура и макроструктура пространства состояний. Второй метод Ляпунова для дискретных систем. Алгоритмы оценивания асимптотически устойчивых множеств. Критерии устойчивости. Метод точечных отображений, метод секущей области. Исследование кусочно-непрерывных систем.

Качественный анализ релейно-импульсных систем 2-го порядка. Методы исследования нелинейных колебаний. Методы исследования ЦАС при внешних воздействиях, аудитивные внешние воздействия, периодические системы. Синтез цифровой системы стабилизации методом точечных отображений.

Литература

  1. Цыпкин Я.З. Теория линейных импульсных систем. М.: Физматгиз, 1963.
  2. Цыпкин Я.З., Попков Ю.С. Теория нелинейных импульсных систем. М.: Наука, 1973.
  3. Гноенский Л.С., Каменский Г.А., Эльсгольц Л.Э. Математические основы теории управляемых систем. М.: Наука, 1969.
  4. Видаль П. Нелинейные импульсные системы. М.: Энергия, 1974.
  5. Иванов В.А., Ющенко Л.С. Теория дискретных систем автоматического управления. М.: Наука, 1983.
  6. Косякин А.А., Шамриков Б.М. Колебания в цифровых автоматических системах. М.: Наука, 1983.
  7. Хаманей А., Векслер Д. Качественная теория импульсных систем. М.: Мир, 1971.
  8. Куо Б. Теория и проектирование цифровых систем управления. М.: Машиностроение, 1986.
  9. Острем К., Виттенмарк Б. Системы управления с ЭВМ. М.: Мир, 1987.

Об одном линейном автономном дескрипторном уравнении с дискретным временем.

II. Каноническое представление и структурные свойства
1. Хартовский В.Е. Об одном линейном автономном дескрипторном уравнении с дискретным временем. I. Приложение к задаче 0-управляемости // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2020. Т. 30. Вып. 2. С. 290-311.
https://doi.org/10.35634/vm200211
2. Хартовский В.Е. Обобщение задачи полной управляемости дифференциальных систем с соизмеримыми запаздываниями // Известия РАН. Теория и системы управления. 2009. № 6. С. 3-11.
https://www.elibrary.ru/item.asp?id=12988545
3. Хартовский В.Е. Критерий модальной управляемости вполне регулярных дифференциально-алгебраических систем с последействием // Дифференциальные уравнения. 2018. Т. 54. № 4. С. 514-529.
https://doi.org/10.1134/S0374064118040088
4. Хартовский В.Е. Приведение к конечному спектру вполне регулярных дифференциально-алгебраических систем с последействием // Дифференциальные уравнения. 2018. Т. 54. № 6. С. 827-841.
https://doi.org/10.1134/S0374064118060110
5. Хартовский В.Е. Синтез наблюдателей для линейных систем нейтрального типа // Дифференциальные уравнения. 2019. Т. 55. № 3. С. 409-422.
https://doi.org/10.1134/S0374064119030142
6. Хартовский В.Е. Управление спектром линейных вполне регулярных дифференциально-алгебраических систем с запаздыванием // Известия РАН. Теория и системы управления. 2020. № 1. С. 23-43.
https://doi.org/10.31857/S0002338820010084
7. Белов А.А., Курдюков А.П. Дескрипторные системы и задачи задачи управления. М.: Физматлит, 2015.
8. Бояринцев Ю.Е. Линейные и нелинейные алгебро-дифференциальные системы. Новосибирск: Наука, 2000.
9. Riaza R. Differential-algebraic systems: Analytical aspects and circuit applications. Hackensack, NY: World Scientific, 2008.
https://doi.org/10.1142/6746
10. Гантмахер Р.Ф. Теория матриц. М.: Наука, 1988.
11. Родина Л.И., Тютеев И.И. Об асимптотических свойствах решений разностных уравнений со случайными параметрами // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2016. Т. 26. Вып. 1. С. 79-86.
https://doi.org/10.20537/vm160107
12. Зайцев В.А., Ким И.Г., Хартовский В.Е. Задача назначения конечного спектра для билинейных систем с несколькими запаздываниями // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2019. Т. 29. Вып. 3. С. 319-331.
https://doi.org/10.20537/vm190303

Intel® Iris™ Pro Graphics Versus Discrete Graphics

Поиск на сайте Intel.com

Вы можете выполнять поиск по всему сайту Intel.com различными способами.

  • Торговое наименование: Core i9
  • Номер документа: 123456
  • Кодовое название: Kaby Lake
  • Специальные операторы: “Ice Lake”, Ice AND Lake, Ice OR Lake, Ice*

Ссылки по теме

Вы также можете воспользоваться быстрыми ссылками ниже, чтобы посмотреть результаты самых популярных поисковых запросов.

Недавние поисковые запросы

Определение дискретности по Merriam-Webster

дискретный | \ di-ˈskrēt , ˈDis-ˌ \ 1 : как отдельная организация : индивидуально отличная несколько дискретных секций 2а : , состоящий из отдельных или несвязанных элементов : прерывистый б : , принимающий или имеющий конечное или счетно бесконечное число значений дискретные вероятности дискретная случайная величина

В чем разница между «Сдержанный» и«Дискретный»?

Ах, еще одна сбивающая с толку пара омофонов (слова, которые звучат одинаково, но различаются по значению). И мы не собираемся говорить об этом тактично, : эти два могут сбивать с толку. Итак, давайте попробуем оставить их дискретными .

Что означает

сдержанный ?

Сдержанный означает «разумный в поведении или речи, особенно в отношении уважения частной жизни или сохранения молчания по поводу чего-то деликатного характера.Или, в более общем смысле, «осторожный, ненавязчивый».

Некоторые примеры:

  • Текстовые сообщения более сдержанны , чем разговоры, потому что то, что вы пишете, не может быть услышано другими; это личное.
  • Мне позвонили в службу экстренной помощи посреди встречи, поэтому я попытался быть сдержанным , когда выходил из комнаты.
  • Исследователи остановились в укромном месте в горах.

Что означает

дискретный ?

Дискретный означает нечто совершенно отличное от дискретный : «отдельно или отдельно от других; отдельные, отчетливые, прерывистые.

Некоторые примеры:

  • Когда Netflix повысил цену на несколько долларов в месяц и попытался разделить аренду DVD и онлайн-трансляцию на две отдельные услуги , все были очень раздражены.
  • Песня состоит из отдельных частей, которые не повторяют общую тему.
  • Мы обнаружили, что сбой был вызван дискретным случаем , а не частью более крупной проблемы с программой.

В математике дискретный имеет несколько специализированных значений, таких как «определено только для изолированного набора точек», например дискретная (непостоянная) переменная.Математическое дискретное значение можно понимать как «конечное» или «счетное».

Согласно данным Google Ngrams, число дискретных резко выросло с 1940-х годов. Это может быть связано с использованием дискретных в математической и научной литературе.

Откуда берутся дискретные

и дискретные ?

Оба дискретный и дискретный имеют общий корень в латинском языке discrētus , «отдельный, отдельный». Однако дискретный был заимствован непосредственно из латыни, тогда как дискретный перешел на английский язык из французского discret , который имел смысл «проницательный, мудрый», а следовательно, «осмотрительный, благоразумный». (Действительно, корневой глагол латинского слова discrētus discenere , источник discenere .)

Хотя скрытый записан немного раньше, оба термина появились в английском языке в 1300-х годах. В 1500-х годах дискретный стал более распространенным, и поэтому написание дискретный стало преобладающим для его смысла.

Один из способов запомнить разницу между ними состоит в том, что форма существительного сдержанный — это усмотрение : вы демонстрируете усмотрение , когда вы проявляете сдержанный . Форма существительного дискретный — это дискретный .

Дискретный vs.

сдержанный | Грамматически
  • Discreet и Discreet являются омофонами. Они звучат одинаково, но имеют разные определения.
  • Discreet означает осторожный или намеренно ненавязчивый.
  • Дискретный означает отдельный или несвязанный.

Омофоны — не что иное, как беда. Они часто возглавляют списки часто путаемых слов и орфографических ошибок. Невозможно узнать, что они означают, если вы не услышите их в контексте или не увидите в письменной форме. Но даже когда вы видите их в письменном виде, многие пары омофонов пишутся так одинаково, что вы можете не знать, что есть что.«Сдержанный» и «дискретный» — одна из этих пар.

Сдержанный и дискретный: в чем разница?

«Незаметный» имеет более известное значение: незаметный, надлежащий, частный или незаметный. Если бы вы были человеком, который решает проблемы (особенно потенциально неприятные), не обращая на них внимания, вас могли бы считать сдержанным человеком. Вы также можете сдержанно относиться к своим достижениям, что будет означать, что вы не хвастаетесь.

«Дискретный», с другой стороны, означает отдельный.Если вы увлекаетесь компьютерами, возможно, вы знаете разницу между дискретными видеокартами и встроенными. Techwalla.com описывает дискретную видеокарту как «отдельный или дискретный графический процессор (GPU) и отдельную графическую память». Иногда вы можете напрямую заменить слово «отдельный» словом «отдельный». Например, если вам нужно собрать предмет мебели, состоящий из пяти отдельных частей, вы можете сказать, что эти пять частей являются отдельными.

Сдержанное определение и примеры

Прилагательное «сдержанный» можно использовать по-разному:

Для описания человека с надлежащим поведением, особенно в отношении речи:

«Я бы хотела, чтобы он временами казался более сдержанным», — сказала она.«Я надеюсь, что он научится немного больше дипломатии». — Телеграмма «Хроники»

Чтобы описать человека или предмет, который не мешает или легко заметен:

Wearable Alcohol Biosensor Challenge была запущена подразделением NIH в рамках своего обязательства по поиску неинвазивных, незаметных носимых технологий для использования не только властями, но и отдельными лицами. — Отчет о мире науки

Для описания человека или объекта без претенциозности; скромный человек или предмет:

Сервис внимательный, но не навязчивый, в соответствии с общей атмосферой сдержанной, сдержанной элегантности, присущей всему заведению.—Director Magazine

Форма наречия «сдержанно» — «скрытно»:

Никто не просил воссоздать какие-либо приемы в «Четыре свадьбы и похороны» , но, вероятно, это можно было бы организовать незаметно. —Radio Times

Действовать осмотрительно — значит избегать оскорблений или раскрытия конфиденциальной информации. «Сдержанность» также является приемлемой формой существительного, но встречается реже, чем «осмотрительность»:

Владельцы построили свой бизнес вокруг идеи, что люди будут готовы платить 250 долларов в месяц, чтобы есть, пить и вести бизнес в месте, которое обещает конфиденциальность в эпоху, когда каждый момент кем-то документируется через мобильные телефоны и социальные сети.—Arkansas Online

Дискретное определение и примеры

Прилагательное «дискретный» может использоваться для описания

Человек или объект, не связанный с чем-либо; часть чего-то индивидуального и отдельного:

«Если вы обычный или обычный игрок, вам не нужна дискретная видеокарта», — заявляет Intel. Вместо этого обратите внимание на интегрированную графику, которая с каждым днем ​​становится все более мощной, — сказал Грегори Брайант, вице-президент и генеральный менеджер платформы клиентов Intel для настольных ПК.—PC Мир

В математике с конечным числом элементов: Есть два типа переменных: дискретные и непрерывные. Дискретная переменная может принимать только определенные значения из конечного набора. Непрерывная переменная может принимать любое значение. —BBC

Прилагательное слово дискретное слово «дискретно»:

Для программ разведки Atrum 2013 и 2014 были отобраны пробы из всех пересеченных угольных пластов. Слои угля отбирались дискретно по литологическим характеристикам и качеству.—ABN Newswire

«Дискретность» — это форма существительного от «дискретный»:

Приобретение знаний почти всегда служит общественному благу. Развертывание этих знаний — это в лучшем случае предприятие 50 на 50. Признание дискретности этих двух элементов науки — вернейший способ их примирить. —The Washington Post

Возможно, вас раздражают пары, пары и груши, но, по крайней мере, сдержанность и сдержанность больше не должны вас раздражать. Дискретный означает отдельный, а сдержанный означает «с осторожностью» или «намеренно ненавязчивый».Если это все еще немного сбивает с толку, попробуйте сделать мнемонику. Например, два дискретных E разделены буквой T, поэтому дискретный означает разделение. Что еще можно придумать, чтобы отличить эти два омофона друг от друга?

дискретный — Викисловарь

Английский [править]

Этимология [править]

От старофранцузского discret , от латинского discrētus , причастие прошедшего времени discernō («делить»), от dis- + cernō («просеять»).Дублет сдержанный .

Произношение [править]

Прилагательное [править]

дискретный ( сравнительный более дискретный , превосходный самый дискретный )

  1. Отдельный; отчетливый; индивидуальный; прерывистый.

    правительство с тремя дискретными подразделениями

    • a. 1856 , Ральф Уолсо Эмерсон, «Ода, написанная В.Х. Ченнинг », в Стихотворениях , 5-е издание, Бостон: Pillips, Sampson & Co., опубликовано 1856 г., стр. 120:

      Есть два закона: дискретный, / Не согласованный, — / Закон для человека и закон для вещи; / Последний строит город и флот, / Но он дичает, / И этот человек не король.

    • 1875 , Джордж Генри Льюис, «Заявленная проблема», в Проблемы жизни и разума , том II, Лондон: Trübner & Co., стр. 33:

      Но анализ, проникающий под факт смысла в поиск его идеальных факторов, заявляет, что эта масса мрамора равна , что сильно отличается от того, что он выглядит : его кажущаяся непрерывность разбита на дискретных молекул, отделенных друг от друга, поскольку звезды в Млечном Пути разделены ; и его кажущаяся однородность распадается на разнородные вещества, которые, по всей вероятности, являются составными.

    • 2017 , Адам Резерфорд, Краткая история всех, кто когда-либо жил , Эксперимент, → ISBN , стр. 254-255:

      Дело не в том, что между всеми этими категориями нет измеримых, измеримых различий мы навязываем вещи, просто они по большей части укладываются не в дискретных единиц, а в континуум.

  2. Это может восприниматься индивидуально, а не как связанное с чем-то или как часть чего-то еще.
  3. (электротехника) Имеет отдельные электронные компоненты, такие как отдельные диоды, транзисторы и резисторы, в отличие от интегральных схем.
  4. (звуковая инженерия) Наличие отдельных и независимых каналов звука в отличие от мультиплексированного стереофонического, квадрофонического или другого многоканального звука.
  5. (топология) Открытие каждого одноэлементного подмножества: говорится о топологическом пространстве или топологии.
  6. дизъюнктивный; содержащие дизъюнктивную или дискретную оговорку.

    «Я отказываюсь от своей жизни, но не от своей чести» — это дискретное предложение .

Примечания по использованию [править]
  • Хотя термин является родственным и идентичным в среднеанглийский период, этот термин стал отличаться от Discreet .
Антонимы [править]
Производные термины [править]
Переводы [править]

Отдельный; отчетливый; индивидуальный

по математике и топологии

Приведенные ниже переводы необходимо проверить и вставить выше в соответствующие таблицы переводов, удалив все числа.Числа не обязательно совпадают с числами в определениях. См. Инструкции в Викисловаре: Макет статьи § Переводы.

Проверяемые переводы

Анаграммы [править]


итальянский [править]

Прилагательное [править]

дискретный

  1. женский род множественного числа дискретный

Анаграммы [править]


Причастие [править]

Дискрете

  1. звательный падеж мужского рода единственного числа из discrētus

румынский [править]

Произношение [править]

Существительное [править]

дискретный

  1. неопределенный женский род множественного числа именительный / винительный падеж дискрет
  2. неопределенный средний падеж множественного числа именительный / винительный от дискрет

Дискретный или сдержанный?

Наша история

Дискретный или сдержанный?

В чем разница между «дискретным» и «сдержанным»?

«Дискретный» означает «индивидуально отличный». » Например:

  • Корабль состоит из четырех отдельных секций.
«Сдержанный» означает «незаметный» или «соблюдающий тайну». Например:
  • Его обслуживание очень сдержанное.

Понятно? Сделайте быстрый тест.

Сводка видео

Вот короткое видео, в котором резюмируется разница между «дискретным» и «незаметным».

Подробнее о «Дискретном»

Прилагательное «дискретный» означает «индивидуально отличный» или «отдельный» (т.е., то, что не является частью чего-то другого).

Примеры:

  • На столе стоит стойка со всеми дискретными электронными компонентами.
  • В нашем клубе есть три отдельных категории членства.

Подробнее о «Discreet»

Прилагательное «сдержанный» означает «соблюдающий секретность», «незаметный» или «дипломатичный».

Примеры:

  • Вы можете доверять моему помощнику — он очень осторожен.
  • Картина была выиграна осторожным участником аукциона по телефону.

Способы запоминания дискретных и сдержанных

С помощью «discr e t e » буквы e разделяются. Напомним, что «дискретный» означает «индивидуально различимый».

С «discr ee t» два e выглядят как бегающие глаза. Напомню, что «сдержанный» означает «скрытный».

Дискретные переменные

В математике есть такой тип переменных, который называется «дискретная переменная».«Дискретная переменная — это переменная, которая не может принимать все значения в пределах своего диапазона. Например, в опросе вас могут попросить оценить праздник от 1 до 5. В этом опросе вы не можете выбрать 1,7 или 3,4. Вы можете только выберите 1, 2, 3, 4 или 5. Вы не можете выбрать промежуточные значения. Опрос предполагает, что вы выберете дискретную переменную.
Помогите нам улучшить грамматику Monster
  • Вы не согласны с чем-то на этой странице?
  • Вы заметили опечатку?
Сообщите нам, используя эту форму.

См. Также

неблагоприятный или противный? повлиять или повлиять? оценить или уведомить? месть или месть? голый или медведь? дополнение или комплимент? зависимый или зависимый? бескорыстный или незаинтересованный? например или т.е.? зависть или ревность? подразумевать или предполагать? это или это? материал или матчасть? ядовитый или ядовитый? практика или практика? принципал или принцип? арендатор или догмат? кто или чей? Что такое прилагательные? Список слов, которые легко спутать

Дискретные и непрерывные механизмы временного отбора в быстрых визуальных потоках

Распределение отчетов в быстрых визуальных потоках

Поведенческие субъекты просили сначала определить цвет пятна (T1), а затем попытаться быстро идентифицировать изображение. визуальный поток (цель T2, окруженная зеленой рамкой).Они ответили, сделав три последовательных предположения о цели (см. Рис. 1b и метод). Уменьшение временной задержки между T1 и T2 ограничило внимание, уделяемое T2, и, таким образом, позволило нам исследовать, как процессы выбора зависят от ресурсов внимания. Точность отчета — определяется как испытания, в которых одно из предположений соответствовало T2, — сильно уменьшалось с межцелевым лагом (дисперсионный анализ с повторными измерениями (ANOVA), N = 15, F (3,42) = 7,58, ) Р <0.001), обнаруживая моргание внимания (дополнительный рис. 1). Полное распределение отчетов (рис. 1c) показало, что испытуемые чаще всего правильно сообщали о целевом стимуле (положение 'T') как о предположении 1 при всех задержках (ANOVA с повторными измерениями, N = 15, F (3,42) = 1281, P <0,001, рис. 1d), но также ошибочно сообщили о ближайшем дистракторе в значительном количестве испытаний (рис. 1c). Например, при запаздывании 9 о стимуле в позиции «T-1» сообщалось чаще, чем о случайности (One-sample t -test, N = 15, t (14) = 2.6, P = 0,01). Фактически, процессы отбора казались менее точными при ограничениях внимания, на что указывает увеличенная дисперсия в предположении 1 при коротких задержках между целевыми объектами (рис. 1e, дисперсионный анализ с повторными измерениями, N = 15, F (3,42) = 27,89, P <0,001). Что касается предположения 2, распределение было сосредоточено на стимулах, близких к цели и предшествующих ей, с длительным, но не с коротким лагом (лаг 9: Mo = 7, SD = 2,49; лаг 7: Mo = 5, SD = 2,06; Lag3: Mo = 5, SD = 3,42; отставание 1: Mo = 5, SD = 3.45; ANOVA с повторными измерениями, N = 15, эффект межцелевого лага: F (3,42) = 1,66, P = 0,19). При лаге 3 частота отчетов была одинаковой для всех позиций — по группе, только целевая позиция была немного выше вероятности (One-sample t -test, N = 15, t (14) = 1.77 , P = 0,049). Точно так же при задержке 1 только стимул, следующий за целью, имел частоту сообщений выше шанса (One-sample t -test, N = 15, t (14) = 2.75; P = 0,008). Дисперсия предположения 2 увеличивалась с уменьшением запаздывания, хотя этот эффект не был значительным (рис. 1e, ANOVA с повторными измерениями, N = 15, F (3,42) = 3,63, P = 0,13). Наконец, распределение предположения 3 было не таким четким, как для предположения 1 и 2. Единственным заметным паттерном было то, что стимулы в позициях T − 2 для лагов 3, 7 и 9 и в позиции T + 2 для лагов 1 имели частота отчетов немного выше вероятности (одна выборка t -тест, N = 15, все P <.05). Эти результаты подтверждают идею о том, что в каждом испытании может быть выбрано более одного стимула 17 , и что истощение ресурсов снижает эффективность процессов отбора и повышает вероятность вмешательства отвлекающих факторов.

Хотя распределение отчетов в среднем было сосредоточено на целевой позиции, могло случиться так, что локус внимания варьировался от испытания к испытанию, и что последовательные предположения были сосредоточены на этом локусе. В качестве альтернативы предположения могут отражать образцы из одного распределения, систематически центрированные в целевом местоположении в каждом испытании.Чтобы разделить эти гипотезы, мы исследовали, влияет ли позиция «Угадайка 1» систематически на последующие предположения. Когда участники ошибочно указали стимул T + 1 как свое предположение 1, стимул, который чаще всего сообщался как предположение 2, был целевым стимулом (рис. 1d и дополнительный рис. , 36) = 9,8, P <0,001). Аналогичный, но не значительный эффект наблюдался, когда субъекты сообщали о стимуле T-1 как о предположении 1 (ANOVA с повторными измерениями, N = 15, F (2,28) = 1.71, P = 0,2). Это говорит о том, что не было никакого влияния догадки 1 на догадку 2 (рис. 1d и дополнительный рис. 2). Что касается предположения 3, все стимулы имели одинаковую частоту сообщений, независимо от того, сообщали ли испытуемые о стимуле Т — 1 или Т + 1 как о предположении 1, за исключением стимула в целевой позиции в состоянии отставания 9, когда субъекты сообщали о стимуле Т — 1 в качестве первого предположения ( Дополнительный рис. 2, однократный t -тест, N = 15, t (14) = 2,44; P = 0,01). Эти результаты вместе с более ранними 17 совместимы с гипотезой, согласно которой предположения 1 и 2 ведут себя как независимые выборки из одного и того же распределения. Однако, как отмечалось во введении, они согласуются как с гипотезой о том, что селекция внимания действовала постепенно и параллельно по множеству стимулов, окружающих целевую позицию, так и с противоположной гипотезой о том, что указанные элементы восстанавливались последовательно дискретным образом.

Декодирование селективных по категориям ответов мозга

Записи MEG во время задачи локализатора выявили активность, возникающую в зрительной коре и в вентральной части визуального потока примерно через 100–150 мс после появления стимула (дополнительный рис.3). Эта активность распространилась на заднюю теменную кору в основном в правом полушарии. К 450 мс поздние активации были обнаружены в орбитофронтальной коре. Систематическое сравнение каждой категории с другими выявило специфические для каждой категории паттерны деятельности, эволюционирующие во времени, как показано на рис. 2а. Например, через ~ 150 мс стимулы лица вызывали сильную двустороннюю активацию веретенообразной и затылочной коры, тогда как стимулы частей тела активировали левую затылочную и нижневисочную кору.

Рис. 2

Декодирование категорий стимулов с временным разрешением. a Справа: Пример связанных с событием магнитных полей, возникающих при представлении изображений во время задачи курсового радиомаяка. Слева: вычитание между источниками мозга каждой категории (лицо, место, части тела и объекты) и средними значениями других категорий, представленными в Z-баллах в соответствии с исходным уровнем и спроецированными на плоский стандартный мозг. Столбцы слева направо представляют нижний и левый изображения мозга в определенные моменты времени (50–450 мс снизу вверх). b Работа классификаторов, обученных разделять четыре категории стимулов. Верхний график: один классификатор обучался на каждой временной выборке и тестировался на одной и той же временной выборке. Заштрихованная серая область представляет собой стандартную ошибку среднего для разных субъектов. Правые графики: классификаторы обучались на определенных временных выборках (от 120 до 370 мс) и тестировались на всех других временных выборках. Результаты знаковых ранговых тестов, сравнивающих эффективность классификации со случайностью, представлены жирной линией под осью x с более темными цветами, представляющими более низкие значения P.Коррекция ложной скорости обнаружения (FDR) для множественных сравнений применялась в течение определенного времени обучения (от 120 до 370 мс), всех времен и условий тестирования (RSVP и локализатор). Матричный график: классификаторы систематически обучались на каждой временной выборке и тестировались на всех остальных. Цветовой код представляет качество классификации, а пунктирная линия — диагональ матрицы. c Классификаторы, обученные для задачи локализатора, были непосредственно применены к задаче RSVP. Линейные графики, матричный график и статистика такие же, как в b . d Контурный график, представляющий эффективность классификации, значительно превышающую вероятность, полученную для каждого стимула и усредненную по предметам. Цвета представляют собой последовательные стимулы в RSVP (кроме T1), изображенные ниже в виде небольшого прямоугольника. Пунктирные линии представляют диагонали каждого графика матрицы. Коррекция FDR для множественных сравнений применялась ко всем временам обучения, временам тестирования и позициям стимулов

Многофакторный анализ паттернов позволил лучше понять динамику реакций мозга, связанных с определенными категориями.На рис. 2b показано, что все классификаторы, обученные между 90 и 530 мс, выполнялись выше уровня вероятности (знаковые ранговые тесты, N = 15, все P FDR <0,05) с максимальной производительностью классификации, наблюдаемой при 160 мс (M = 0,32, SD = 0,7; шанс = 0,25). Матрицы путаницы, полученные в результате анализа декодирования, показали, что классификаторы были специфичными для категории и систематического совпадения между категориями не наблюдалось (дополнительный рисунок 4a). Некоторые классификаторы показали лучшие результаты, чем другие (например,g., средняя эффективность классификации между 150 и 200 мс: 47%, 43%, 32% и 38%, соответственно, для лица, мест, предметов и частей тела, ANOVA на данных с преобразованием выровненного ранга, N = 15: F ( 3,42) = 20,55, P <0,001). Однако все они имели схожие начала и смещения (определяемые как первая и последняя точки, превышающие 50-й процентиль распределения, измеренный на усредненных по группе данных): 110–470, 90–450, 120–450 и 90–500 мс, соответственно для категорий лица, места, объекта и частей тела (дополнительный рис.4б).

Чтобы раскрыть полную динамику лежащей в основе последовательности процессов, каждый классификатор систематически тестировался на предмет обобщения во времени 19 (см. Раздел «Методы»). Способность классификатора выполнять выше вероятности в других временных выборках позволяет оценить задержку и продолжительность данной модели активности. Как видно на рис. 2b, временные профили классификаторов представляют собой смесь диагональной и квадратной формы. Классификаторы на 120 мс показали высокую производительность в течение относительно короткого периода (80–160 мс, знаковые ранговые тесты, N = 15, все P FDR <0.05). На 170 мс временной ход показал резкий пик между 80 и 210 мс, а затем уменьшился до случайности. Интересно, что тот же самый классификатор снова работал выше вероятности от 320 мс до конца эпохи, указывая на то, что паттерны реакций мозга имели схожие черты в течение этих двух периодов времени. Этот двухфазный паттерн, предполагающий позднюю реактивацию, казался уникальным для классификаторов, обученных между 170 и 210 мс. За пределами ~ 300 мс производительность классификации снизилась, но временной ход оставался стабильно выше случайного уровня до конца испытания (подписанные ранговые тесты, N = 15, все P FDR <0.05). Обратите внимание, что классификаторы, обученные на 170 мс и применяемые с поздними задержками (> 400 мс), имели лучшую производительность, чем классификаторы, обученные и протестированные с этими поздними задержками. Это говорит о том, что два классификатора имели схожие характеристики, но отношение сигнал / шум (SNR) на 170 мс было лучше, чем при поздних задержках.

Динамика, выявленная анализом декодирования, вместе с паттернами активности, наблюдаемыми на уровне источника, показывает, что категории стимулов обрабатывались посредством серии когнитивных операций, начиная с быстрых и кратковременных процессов в вентральной зрительной коре и заканчивая стабильная и продолжительная активация зрительной и теменной области. Затем те же самые классификаторы были непосредственно применены к данным RSVP, чтобы изучить, как высокая частота представления повлияла на последовательность мозговых процессов.

Все стимулы проходят один и тот же конвейер параллельной обработки

Классификаторы, обученные в задаче локализатора, применялись к данным RSVP, чтобы отслеживать этапы обработки каждого стимула, представленного в RSVP. Результаты показывают, что категории стимулов могут быть декодированы от 90 мс после начала стимула до 520 мс (тесты ранжирования со знаком, N = 15, все P FDR <0.05, рис. 2в). Однако эффективность классификации во время RSVP была ниже, чем во время задачи локализатора между 100 и 530 мс (все P FDR <0,05, дополнительный рисунок 5). Обобщение классификаторов во времени выявило динамику, аналогичную той, которая наблюдалась во время выполнения задачи локализатора. Классификаторы, обученные с ранними задержками (<170 мс), имели схожие начала и смещения во время RSVP и во время локализатора. Например, классификатор, обученный на 120 мс, выполнял выше вероятности от 90 до 190 мс в задаче RSVP и от 80 до 160 мс в задаче локализатора.При 170 мс производительность классификаторов была выше вероятности от 80 до 230 мс, как в задаче локализатора, но вторая, устойчивая фаза активности не наблюдалась (рис. 2c и дополнительный рис. 5). Во время этого второго этапа деятельности эффективность классификации была ниже в задаче RSVP по сравнению с задачей локализатора с 270 мс до конца эпохи (тесты ранжирования со знаком, N = 15, все P FDR <0,05) и почти не отличается от случайного уровня. Фактически, средняя эффективность классификации между 400 и 550 мс была ниже по сравнению с задачей локализатора (знаковый ранговый тест, N = 15, W = 97; P = 0.03) и не отличается от случайного уровня (знаковый ранговый тест, N = 15, W = 72, P = 0,52). Наконец, ответы мозга в более поздние латентные периоды имели в основном меньшую амплитуду и меньшую продолжительность (рис. 2c и дополнительный рис. 5). Например, классификаторы, обученные на скорости 320 мс, выполнялись с превышением вероятности между 130 и 480 мс во время задачи локализатора, но в основном между 150 и 310 мс во время RSVP (подписанные ранговые тесты, N = 15, все P FDR <0,05). Производительность классификации была значительно выше в задаче локализатора по сравнению с RSVP между 170 и 440 мс (тесты ранжирования со знаком, N = 15, все P FDR <0.05). Эти результаты показывают, что часть мозговых сетей, запрошенных во время задачи локализатора, также была задействована во время RSVP, хотя амплитуда ответов мозга была ниже.

На фиг. 2d показано наложение матриц временного обобщения для каждого из 12 последовательных изображений, следующих за T1 в быстром потоке. Первым поразительным аспектом этого рисунка является то, что можно расшифровать ответы мозга на каждый стимул отдельно от других. Во-вторых, обработка каждого стимула очень систематична, начиная с ~ 90 мс и заканчивая примерно ~ 350 мс. В-третьих, похоже, что в любой момент испытания активность мозга содержит несколько перекрывающихся кодов для различных стимулов на разных этапах. Например, активность через 1190 мс после начала RSVP уже содержит декодируемую информацию о 9-м изображении: классификаторы между 80 и 200 мс выполняются с превышением вероятности. Однако 8-е и 7-е изображения все еще могут быть декодированы из тех же данных, но только с использованием классификаторов, обученных на более поздних этапах (150–250 мс и 270–330 мс соответственно, тесты ранжирования со знаком, N = 15, все P FDR <0.05). Интересно, что даже стимулы, представленные после второй цели (то есть после того, как две задачи были выполнены) обрабатывались так же, как и любой другой стимул в потоке, тем самым демонстрируя, что эти процессы не зависят от задачи. Эти данные свидетельствуют о существовании «конвейера» нейронных процессов, который автоматически запускается каждый раз при предъявлении стимула (независимо от выполняемой задачи), даже если внимание субъекта сосредоточено в другом месте. Затем мы исследовали, какие мозговые процессы характеризуют выбор цели.

Целевые стимулы вызывают устойчивую активацию мозга

Чтобы отследить селективные по отношению к мишеням ответы мозга, мы измерили эффективность классификации целевых стимулов в положениях 1, 3, 7 и 9 и сравнили его с испытаниями, в которых стимул был таким же позиция не была целью. На рисунке 3а показана эффективность классификации целевых и нецелевых стимулов, усредненных по лагам. Категория цели могла декодироваться от 70 мс до конца эпохи, в то время как категория нецелевых стимулов могла быть декодирована только от 60 мс до 340 мс (тесты ранжирования со знаком, N = 15, все P FDR <0.05). Эффективность классификации была значительно выше для целевых стимулов, чем для нецелевых стимулов от 330 до 420 мс (тесты со знаком рангов, N = 15, все P FDR <0,05). Это указывает на то, что стимул проходит дополнительные этапы обработки, когда он имеет отношение к задаче.

Рис. 3

MEG свидетельство двух типов специфичных для мишеней ответов мозга: устойчивая активация сенсорных процессов и доступ к дополнительной поздней стадии обработки. a Матрицы временного обобщения для целевых (верхняя панель) и нецелевых (нижняя панель) стимулов, усредненных по межцелевым лагам.Серые области соответствуют характеристикам классификации ниже случайности. Пунктирные стрелки представляют выбранное время тренировки, показанное в b . b Характеристики классификации как функция времени для классификаторов, обученных на 170 и 370 мс. Результаты знаковых ранговых тестов, сравнивающих эффективность классификации со случайностью, представлены жирной линией под осью x . Знаковые ранговые тесты, сравнивающие целевые и нецелевые условия, представлены областями, заполненными красным, более темными цветами, представляющими более низкие значения P .Поправка FDR для множественных сравнений применялась для определенного времени обучения (120–370 мс), времени тестирования и условий. c Исходная локализация паттернов активации, вычисленная из весов машины опорных векторов (SVM) (см. Метод), указывающая местоположение наиболее информативной активности для каждой категории стимулов; Представлено среднее время обучения 200–250 мс и 350–400 мс. В целях отображения точки данных были сглажены с использованием скользящего среднего с окном из трех выборок

Временное обобщение показало, что классификаторы, обученные на 120 мс, показали резкий пик производительности, который был аналогичен для целевых и нецелевых стимулов.При времени обучения 170 мс наблюдалась двухфазная реакция на целевые стимулы с первой реакцией между 70 и 230 мс и второй устойчивой между 440 и 720 мс (рис. 3b, ранговые тесты со знаком, N = 15). , все P FDR <0,05). Этот паттерн похож на то, что наблюдалось в задаче локализатора, и показывает, что, когда стимул был целью, сети в двух фазах реакции обладали схожими характеристиками. Напротив, когда стимул не был целью, наблюдалась только первая фаза (тесты со знаком рангов, N = 15, все P FDR > 0. 11). Эффективность классификации была стабильно лучше для целевых стимулов по сравнению с нецелевыми стимулами от 530 мс до конца эпохи (тесты ранжирования со знаком, N = 15, все P uncorr <0,05), хотя этот эффект едва выдержал поправки на множественные сравнения (знаковые ранговые тесты, N = 15, P FDR в диапазоне от 0,04 до 0,36). Аналогичный двухфазный ответ наблюдался для классификаторов, обученных на 220 мс с первой фазой между 90 и 310 мс и второй между 520 и 570 мс (тесты рангов со знаком, N = 15, все P FDR <0.05), и более высокая эффективность классификации для целевых стимулов, чем для нецелевых стимулов между 510 и 590 мс (критерии ранжирования со знаком, N = 15, все P FDR <0,05). Классификаторы, обученные на 270 и 320 мс, показали схожие ответы для целевых и нецелевых стимулов, хотя целевые стимулы вызывали несколько более сильные ответы между 480 и 500 мс (тесты рангов со знаком, N = 15, все P FDR <0,05). Заметная разница наблюдалась для классификаторов, обученных на 370 мс: для целевых стимулов классификаторы работали выше случайности с 140 мс до конца эпохи и значительно сильнее, чем для нецелевых стимулов с 270 до конца эпохи.Напротив, нецелевые стимулы вызывали только короткие ответы мозга от 180 и 260 мс (рис. 3b, ранговые тесты со знаком, N = 15, все P FDR <0,05). Эти результаты предполагают, что после первоначальной автоматической обработки целевые изображения вызвали дополнительную активность мозга, которая включала как реактивацию ранних стадий, так и дополнительные поздние стадии, которые сохранялись в течение долгого времени.

Несмотря на то, что пространственная точность сигнала MEG ограничена, мы попытались локализовать области мозга, которые обеспечивали информативную активность, связанную с целью.С этой целью веса классификаторов проецировались в интерпретируемое пространство активации источника (см. Метод). Мы обнаружили, что расположение информационной активности зависит не только от категории предъявляемого стимула, но и от стадии обработки (рис. 3в). На ранних стадиях (150–200 мс) информация располагалась в визуальных областях высокого порядка, таких как правая веретенообразная извилина для стимулов лица или левая веретенообразная и парагиппокампальная кора для стимулов места. На поздних стадиях обработки (350–400 мс) декодируемая информация была гораздо более разбросанной.Задняя теменная кора, зрительная кора и, в меньшей степени, лобная кора способствовали классификации категорий стимулов. Например, информация о мишенях лица была обнаружена не только в визуальных областях (затылочная и нижне-височная кора), но также в теменных (нижняя и верхняя теменная кора) и лобных областях (верхняя лобная извилина, центральная и прецентральная области).

Эти результаты показывают, что обработка цели включает в себя (i) конвейер автоматических сенсорных процессов в сочетании с (ii) специфическим поддержанием ранней сенсорной активности и (iii) устойчивую активность, связанную с поздним заданием.Затем мы попытались лучше охарактеризовать свойства ранней и поздней целевой активности, чтобы различать гипотезы постепенного и дискретного выбора.

Ранние целевые ответы отражают постепенный выбор

Согласно гипотезе постепенного отбора, в каждом испытании выбирается несколько стимулов. Эта гипотеза предсказывает, что устойчивые реакции мозга должны наблюдаться как для целевых, так и для временно находящихся поблизости отвлекающих факторов. Мы сосредоточили наш анализ на стимулах в позициях от T-4 до T + 2, где T — порядковая позиция цели, усредненная по лагам 7 и 9.

Классификаторы, обученные на 170 мс, выявили двухфазные ответы на стимулы в положениях T – 1 и T – 2, то есть первый острый пик, за которым следует устойчивая активность, продолжающаяся более нескольких сотен миллисекунд, что очень похоже на реакцию, наблюдаемую для целевых стимулов (Рис. 4а). В частности, относительно начала цели, стимул в позиции T – 2 вызвал эффективность классификации выше шансов между –152 и + 8 мс, и между 278 и 578 мс. Точно так же для стимула в позиции T – 1 мы наблюдали высокую эффективность классификации от -46 до 114 мс и от 354 до 724 мс. Наконец, эффективность классификации с высокой вероятностью для целевого стимула наблюдалась от 80 до 240 мс и от 410 до 690 мс (критерии ранжирования со знаком, N = 15, все P FDR <0,05, см. Рис. 4b). Таким образом, как пиковая, так и устойчивая фаза активности следовали порядку предъявления стимулов. Однако важно то, что вторая фаза активности наступила после наступления целевого значения для всех трех стимулов. Кроме того, по крайней мере, между 410 и 578 мс (относительно начала цели), информация о категории для стимулов T – 2, T – 1 и T может быть декодирована одновременно и из тех же данных с помощью классификаторов, обученных на 170 мс.Это свидетельствует о постепенной параллельной обработке на ранних стадиях временного отбора.

Рис. 4

Доказательства раннего постепенного отбора: ранние реакции мозга избирательно поддерживаются с течением времени в зависимости от близости цели. a Панели представляют матрицы временного обобщения для целевого стимула (T) и отвлекающих факторов в положениях от T-4 до T + 2 при длительном межцелевом лаге. Цветовая шкала такая же, как на рис. 3а, за исключением того, что неслучайная классификация не представлена ​​для наглядности. b Производительность классификации как функция времени для классификатора, обученного через 170 мс после начала стимула. Заштрихованные области представляют собой временные образцы, в которых эффективность классификации значительно отличалась от случайной (знаковые ранговые тесты, скорректированные для множественных сравнений с использованием FDR по позициям стимулов, времени обучения (170 и 370 мс) и времени тестирования). Цветные пунктирные линии обозначают начало стимула. c Средняя эффективность классификации того же классификатора, но усредненная по времени (400–550 мс).Пунктирная линия обозначает шанс. d Эффект межцелевого лага. Производительность классификации, усредненная по предположениям 1 и 2, и по времени (400–550 мс) как функция межцелевого лага. e Эффект отчета. Средняя эффективность классификации от 400 до 550 мс для стимулов, представленных как «Угадай 1», «2, 3», и неучтенных стимулов. Красная пунктирная линия обозначает шанс. Звездочки представляют результаты тестов со знаком ранжирования (* P FDR <0.05; ** FDR <0,01; *** П FDR <0,001, FDR скорректирован по позициям стимула). В целях отображения точки данных были сглажены с использованием скользящего среднего с окном из трех выборок

Средняя эффективность классификации между 400 и 550 мс после появления стимула была выше вероятности для стимулов в позициях T, T – 1 и T – 2 (рис.4c, знаковые ранговые тесты, N = 15, W = 108, P FDR = 0,028; W = 103, P FDR = 0,04 и W = 101, P FDR = 0,047 соответственно). Дистракторы в положениях T – 1 и T – 2 индуцировали ответы, аналогичные наблюдаемым для целевых стимулов (T vs T – 2, знаковые ранговые тесты, N = 15: W = 58, P FDR = 0,93 и T vs T – 1: W = 62, P FDR = 0,93 соответственно). Для каждого из этих стимулов эффективность классификации казалась немного выше по сравнению со стимулами в позициях T-4 (знаковые ранговые тесты, N = 15, все P FDR <0.056), T + 1 (знаковые ранговые тесты, N = 15, все P FDR <0,05) и T + 2 (знаковые ранговые тесты, N = 15, все P FDR <0,1). Чтобы дополнительно проверить, что этот эффект отражает модуляцию внутри исследования, а не дисперсию между испытаниями, мы провели тот же анализ только в тех испытаниях, в которых испытуемые правильно указали целевой стимул как предположение 1. Хотя сокращение количества испытаний ограничивает статистическую мощность В ходе этого анализа мы обнаружили, что средняя эффективность классификации между 400 и 550 мс после появления стимула была значительно выше вероятности для стимулов в позициях T и T-2 при рассмотрении нескорректированных значений p (знаковые ранговые тесты, N = 15, W = 95, P uncorr = 0. 048 и W = 99, P uncorr = 0,026). Стимулы в позициях Т, Т-1, Т-2 также вызывали более сильные ответы по сравнению со стимулами в позиции Т + 1 (знаковые ранговые тесты, N = 15, все P не коррелируют <0,05). Не было обнаружено различий со стимулами в позиции -4 (знаковые ранговые тесты, N = 15, все P FDR > 0,15) и + 2 (знаковые ранговые тесты, N = 15, все P FDR > 0,11. ). Вместе эти результаты предполагают, что процессы выбора цели одновременно влияли на обработку нескольких ближайших отвлекающих факторов.Это согласуется с гипотезой постепенного отбора, согласно которой внимание будет влиять на обработку нескольких стимулов одновременно в каждом испытании.

Чтобы проверить, связаны ли наблюдаемые устойчивые активации с вниманием и отчетами испытуемых, мы исследовали влияние задержки между целевыми объектами и порядка догадок испытуемых на среднюю производительность классификации между 400 мс и 550 мс мс для каждого предположения и для каждого предположения. незарегистрированные стимулы (т. е. стимул, о котором не сообщили субъекты, который был выбран случайным образом в каждом испытании).Мы обнаружили главный эффект межцелевого запаздывания (дисперсионный анализ повторных измерений для согласованных данных с преобразованием рангов, N = 15, основной эффект: F (3,42) = 4,38, P = 0,009). При усреднении предположений 1 и 2, которые соответствовали фактическому сообщению об объекте, а не случайному предположению, эффективность классификации варьировалась как U-образная функция межцелевого лага (рис. 4d). Производительность классификации снизилась с лага 9 до лага 3 (знаковые ранговые тесты, N = 15, W = 17, P FDR = 0.036). Фактически, производительность при лаге 3 не отличалась от случайной (тесты ранжирования со знаком, N = 15, W = 84, P FDR = 0,72), в отличие от производительности в других условиях лага (тесты ранжирования со знаком , N = 15, W = 114, P FDR = 0,008, W = 105, P FDR = 0,033 и W = 112, P FDR = 0,008 для задержки 1, 7 , и 9 соответственно). Этот результат показывает, что на эти устойчивые реакции мозга повлияли ограничения внимания, и подтверждает идею о том, что они связаны с модуляциями внимания.

Затем мы исследовали связь между устойчивыми реакциями мозга и поведением испытуемых. Основной эффект предположений не достиг значимости (рис. 4e, ANOVA с повторными измерениями на выровненных данных с преобразованием ранга, N = 15, F (3,42) = 2,33, P = 0,09), и не было значительное взаимодействие с межцелевым лагом (F (9126) = 1,64, P = 0,11). Однако эффективность классификации была значительно выше вероятности для предположений 1 и 2 (знаковые ранговые тесты, N = 15, W = 112, P FDR = 0.01 и W = 117, P FDR = 0,006 соответственно), но не для предположения 3 и незарегистрированных стимулов ( W = 67, P FDR = 0,72 и W = 84, P FDR = 0,31, см. Также дополнительный рис. 5). Фактически, предположения 1 и 2 вызывали ответы с аналогичными амплитудами ( W = 68; P FDR = 0,72), немного сильнее, чем предположения 3 (G1 против G3: W = 96, P FDR = 0,1; G2 против G3: W = 103, P FDR = 0. 04). Наконец, предположение 3 не отличалось от незарегистрированных стимулов ( W = 39, P FDR = 0,38). Эти результаты показывают, что эти устойчивые реакции мозга были лишь частично связаны с поведением испытуемых: хотя они были связаны с выбранными стимулами, они не отражали порядок предпочтений испытуемых.

Вместе эти результаты показывают, что временной отбор сначала происходит через постепенное усиление внимания, сосредоточенное на целевой позиции, но распространяющееся на временно близкие стимулы.Таким образом, временное внимание может влиять на параллельную обработку нескольких стимулов.

Поздние целевые ответы отражают дискретный выбор

Целевые стимулы вызвали не только поддержание первоначальных ответов мозга, но также и позднюю активность (> 350 мс), исходящую из зрительной, теменной и лобной областей. Однако для близлежащих дистракторов такой активности не наблюдалось (рис. 4а и 5а). Фактически, на 370 мс ответы мозга, вызванные этими стимулами, были временными и непродолжительными. Только заявленный целевой стимул вызывал сильную и устойчивую активность (рис. 5а, ранговые тесты со знаком, N = 15, все P FDR <0,05). Изучение средней производительности классификации между 400 и 550 мс после начала стимула показало, что реакция на целевой стимул была сильнее, чем наблюдаемая для всех других стимулов (знаковые ранговые тесты, N = 15, все P FDR <0.02) и единственный выше шанс (знаковые ранговые тесты, N = 15, W = 120, P FDR = 0,001, рис. 5б). Это контрастирует с тем, что наблюдалось с классификаторами, обученными на 170 мс, для которых мы наблюдали эффект временной близости целевого стимула.

Рис. 5

Доказательства позднего дискретного отбора: Поздние ответы мозга поддерживаются только на сообщаемые стимулы. a Производительность классификации как функция времени для целевого стимула и ближайших отвлекающих факторов для классификатора, обученного на 370 мс (цвета и статистика как на рис. 4б). Цветные пунктирные линии обозначают начало стимула. b Средняя точность классификации за период времени 400–550 мс (как на рис. 4c). c Эффект межцелевого лага. Производительность классификации, усредненная по предположениям 1 и 2, и по времени (400–550 мс) как функция межцелевого лага. d Эффект отчета. Средняя эффективность классификации от 400 до 550 мс для стимулов, представленных как «Угадай 1», «2, 3» и неучтенных стимулов. Красная пунктирная линия обозначает шанс. Звездочки представляют результаты тестов ранжирования со знаком (* P <0.05; ** P <0,01; *** P <0,001, FDR скорректирован в зависимости от условий). В целях отображения точки данных были сглажены с использованием скользящего среднего с окном из трех выборок

Чтобы исследовать, были ли эти поздние реакции мозга под влиянием ограничений внимания, мы проверили влияние межцелевого лага на среднюю производительность классификации в течение периода 400–550 мс после предъявления стимула для каждого предположения и для незарегистрированных стимулов. Мы обнаружили значительный главный эффект межцелевого лага (рис. 5c, дисперсионный анализ повторных измерений для согласованных данных с преобразованием ранга, N = 15, F (3,42) = 7,89, P <0,001). При усреднении по догадкам 1 и 2 производительность была значительно ниже в условиях лага 1 по сравнению с лагом 9 (знаковые ранговые тесты, N = 15, W = 14, P FDR = 0,027). Никакой другой разницы между условиями задержки не наблюдалось (все P FDR > 0.11). Показатели на лагах 1 и 3 существенно не отличались от случайных ( W = 91, P FDR = 0,14; W = 96, P FDR = 0,1), в то время как это было выше шансов для условий длительного запаздывания ( W = 114, P FDR = 0,006; Вт W = 120, P FDR = 0. 001 для лага 7 и 9 соответственно). Таким образом, ограничения внимания также повлияли на поздние стадии временного отбора.

Затем мы исследовали влияние поведения испытуемых. Мы обнаружили основное влияние предположений на эффективность классификации (дисперсионный анализ с повторными измерениями на согласованных данных с преобразованием рангов, N = 15, F (3,42) = 3,23, P = 0,03), но не взаимодействия с меж- целевое отставание (F (9126) = 1,34, P = 0,22). При усреднении по условиям запаздывания эффективность классификации была значительно выше для предположения 1, чем для незарегистрированных стимулов (знаковые ранговые тесты, N = 15, W = 111, P FDR = 0.01). Аналогичные, но более слабые различия наблюдались для предположений 2 и 3 по сравнению с незарегистрированными стимулами (предположение 2: W = 97, P FDR = 0,1; Угадайте 3: W = 95, P FDR = 0,1). Фактически, производительность линейно снижалась от предположения 1 до неподтвержденных стимулов (рис. 5d, средний наклон линейной регрессии с предположениями: M = 1,4e −3 , sem: 4.64e −4 ; ранговые тесты со знаком, ). N = 15, W = 110, P = 0.003). Только предположения 1 и 2 продемонстрировали надежную устойчивую активность (рис. 5d и дополнительный рис. 6, предположение 1: W = 119, P FDR = 0,001; Угадайте 2: W = 105, P FDR = 0,028; Угадайте 3: W = 93, P FDR = 0,11; Не указано: W = 46, P FDR = 0,48). Это показывает, что множественные предположения, сделанные испытуемыми, были дифференцированы в основном по амплитуде поздних мозговых ответов в распределенной сети, включая зрительные, теменные и, в меньшей степени, лобные области.

Взятые вместе, эти результаты показывают, что среди стимулов, которые получают пользу от усиления внимания, только те, о которых субъекты в конечном итоге сообщают, проходят дополнительную стадию поздней обработки. Существует как постепенный, так и дискретный отбор: процессы выбора цели начинаются с постепенного усиления ранних реакций мозга и заканчиваются поздними дискретными стадиями, тесно связанными с порядком предпочтений субъектов.

В чем разница между дискретным и непрерывным производством? — SensrTrx

Неотъемлемые преимущества непрерывного производства и его относительно высокий уровень автоматизации по сравнению с другими методами, т.е.е. Мониторинг в реальном времени, круглосуточное производство, меньшая потребность в рабочей силе, снижение затрат на инвентаризацию и управление запасами, высокий уровень качества благодаря строгому контролю ввода / вывода — этого достаточно, чтобы отдельные производители с завистью зеленели , но многие дискретные производства заводы оборудуют свои машины на линии датчиками и средствами управления, поддерживающими IoT, добавляя автоматизацию в виде роботов или программируемых машин и отслеживая показатели машин, чтобы обеспечить более непрерывный поток на сборочной линии.

С появлением все большего количества сборочных линий, построенных вокруг роботов или «коботов» (т. Е. Симбиоза между роботом и оператором), обещание производства «без света», при котором заводы производят дискретный продукт 24/7 с минимальным участием человека или без него. контроль, это больше не просто мечта.

Тем не менее, сборка — сложное дело без вмешательства человека. Есть много шагов, задействовано множество частей и инструментов, а требования переключения и сложности контроля качества уникально подходят для людей-операторов.

Automation обещает значительный прирост производительности, но любое радикальное переоснащение в сторону автоматизации должно быть основано на аналитических данных , собранных сегодня на основе контрольных показателей, установленных существующими машинами и их операторами.

Доводы в пользу общезаводской аналитики в дискретном производстве довольно очевидны. Но как насчет производителей процессов?

Важность аналитики для производителей технологических процессов

Для производителей процессов наиболее важной аналитикой могут быть измерения давления или температуры, а не время безотказной работы и время цикла. Качество, скорее всего, будет автоматизированным тестом, например, для определения баланса PH или какого-либо другого анализа образца, а не визуальным осмотром.

Тем не менее, принципы остаются неизменными: все, что может замедлить, остановить или потребовать доработки в производстве, необходимо отслеживать и контролировать.

В зависимости от типа производственного процесса почти всегда существует потребность в сборе данных на основе ПЛК в дополнение к мониторингу процесса, особенно если процесс требует участия человека, например, тестомесильная машина периодического действия, которая запускает непрерывный процесс выпечки. .

Еще одна потребность в аналитике на основе циклов на производственных предприятиях находится в конце линии. Например, почти каждый продукт, производимый Pepsi Co., в конечном итоге попадет в упаковочную машину для розлива в бутылки, упаковки в термоусадочную пленку, укладки в картонные коробки, коробки, поддоны и т. Д.

Эти машины образуют критически важное звено во всем процессе, и время простоя будет означать узкое место или скопление.

Написать ответ

Ваш адрес email не будет опубликован. Обязательные поля помечены *