Что такое фреймы образцы: Учебная и научная деятельность Анисимова Владимира Викторовича

Содержание

Лабораторная работа 3 «Фреймовая модель» — Мегаобучалка

Фреймовая модель представления знаний была предложена М. Минским в 1979 году и является развитием семантических сетей.

Фрейм (англ. frame) — абстрактный образ для представления некоторого стереотипа восприятия. Каждый фрейм имеет собственное название и список слотов и их значений.

Значениями могут быть данные любого типа, а также название другого фрейма. Таким образом, фреймы образуют сеть. Кроме того, существует связь между фреймами типа АКО (a kind of), которая указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются список и значения слотов. При этом возможно множественное наследование – перенос свойств от нескольких прототипов.

Любой фрейм может быть представлен следующим образом:

(ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

…………….

(имя N-гo слота: значение N-го слота)).

Табличное представление слота выглядит следующим образом (таблица 4):

 

 

При табличном представлении фрейма кроме уже описанных составляющих фрейма указываются и дополнительные параметры. Способ получения значения определяет, как именно устанавливается значение конкретного слота. Существует несколько способов (таблица 5), выбор способа зависит от свойств самих данных.

 

 

В теории фреймов допускается, чтобы к слотам присоединялись различные специальные процедуры. Для этого используются так называемые демоны. Демоном (таблица 6) называется процедура, автоматически запускаемая при выполнении некоторого условия (события) при обращении к соответствующему слоту. Демонов может быть несколько. Наиболее похож механизм присоединенных процедур к триггерам в реляционных базах данных.

 

 

Существует несколько видов фреймов, которые позволяют описать предметную область и решаемую задачу. В таблице 7 представлены наиболее распространенные типы фреймов, указаны типы знаний, которые они отображают, а также примеры фреймов данного типа из различных предметных областей.

 



 

Пример решения задачи

Задача. Построить фреймовую модель представления знаний в предметной области «Ресторан» (посещение ресторана).

 

Описание процесса решения. Для построения фреймовой модели представления знаний необходимо выполнить следующие шаги:

1) Определить абстрактные объекты и понятия предметной области, необходимые для решения поставленной задачи. Оформить их в виде фреймов-прототипов (фреймов-объектов, фреймов-ролей).

2) Задать конкретные объекты предметной области. Оформить их в виде фреймов-экземпляров (фреймов-объектов, фреймов-ролей).

3) Определить набор возможных ситуаций. Оформить их в виде фреймов-ситуаций (прототипы). Если существуют прецеденты по ситуациям в предметной области, добавить фреймы-экземпляры (фреймы-ситуации).

4) Описать динамику развития ситуаций (переход от одних к другим) через набор сцен. Оформить их в виде фреймов-сценариев.

5) Добавить фреймы-объекты сценариев и сцен, которые отражают данные конкретной задачи.

 

Решение.

1) Ключевые понятия данной предметной области – ресторан, тот, кто посещает ресторан (клиент) и те, кто его обслуживают (повара, метрдотели, официанты, для простоты ограничимся только официантами). У обслуживающего персонала и клиентов есть общие характеристики, поэтому целесообразно выделить общее абстрактное понятие – человек. Тогда фреймы «Ресторан» и «Человек» являются прототипами-образцами, а фреймы «Официант» и «Клиент» — прототипами-ролями. Также нужно определить основные слоты фреймов – характеристики, имеющие значения для решаемой задачи.

 

 

Фреймы-наследники содержат все слоты своих родителей, они явно прописываются только в случае изменения какого-либо параметра.

 

 

2) Фреймы-образцы описывают конкретную ситуацию: какие рестораны имеются в городе, как именно организовывается посещение, кто является посетителем, кто работает в выбранном ресторане и т.д. Поэтому определим следующие фреймы-образцы, являющиеся наследниками фреймов-прототипов:

 

 

3) Фреймы-ситуации описывают возможные ситуации. В ресторане клиент попадает в несколько типичные ситуаций: заказ и оплата. Возможны и другие не типичные ситуации: клиент подавился, у клиента нет наличности для оплаты счета и т.д. Рассмотрим типичные ситуации (их может быть больше):

 

 

 

4) Ситуации возникают после наступления каких-то событий, выполнения условий и могут следовать одна за другой. Динамику предметной области можно отобразить в фреймах-сценариях. Их может быть множество, опишем наиболее общий и типичный сценарий посещения ресторана:

 

 

5) Пусть в рамках нашей задачи Пётр посетил ресторан «Вкусная еда». Тогда фреймы будут заполнены следующим образом:

 

 

Взаимосвязь различных видов фреймов отображается графически в виде графа (рис. 3).

 

 

Использование фреймовой модели аналогично семантической, только в процессе получения ответа кроме вершин учитываются и слоты. Например, получить ответ на вопрос «Кто работает официантом в ресторане “Вкусная еда”?» можно следующим образом: из запроса понятно, что необходимо найти фрейм «Ресторан “Вкусная еда”» и проследить связь с фреймом «Сергей», являющимся наследником фрейма «Официант». Также можно найти слот «Место работы» и проверив его значение во фреймах наследниках фрейма «Официант» определить, что официантом в ресторане “Вкусная еда” работает Сергей.

 

Варианты заданий

1. Построить продукционную модель представления знаний в предметной области «Аэропорт» (диспетчерская).

2. Построить продукционную модель представления знаний в предметной области «Железная дорога» (продажа билетов).

3. Построить продукционную модель представления знаний в предметной области «Торговый центр» (организация).

4. Построить продукционную модель представления знаний в предметной области «Автозаправка» (обслуживание клиентов).

5. Построить продукционную модель представления знаний в предметной области «Автопарк» (пассажирские перевозки).

6. Построить продукционную модель представления знаний в предметной области «Компьютерные сети» (организация).

7. Построить продукционную модель представления знаний в предметной области «Университет» (учебный процесс).

8. Построить продукционную модель представления знаний в предметной области «Компьютерная безопасность» (средства и способы ее обеспечения).

9. Построить продукционную модель представления знаний в предметной области «Компьютерная безопасность» (угрозы).

10. Построить продукционную модель представления знаний в предметной области «Интернет-кафе» (организация и обслуживание).

11. Построить продукционную модель представления знаний в предметной области «Разработка информационных систем» (ведение информационного проекта).

12. Построить продукционную модель представления знаний в предметной области «Туристическое агентство» (работа с клиентами).

13. Построить продукционную модель представления знаний в предметной области «Зоопарк» (организация).

14. Построить продукционную модель представления знаний в предметной области «Кухня» (приготовление пищи).

15. Построить продукционную модель представления знаний в предметной области «Больница» (прием больных).

16. Построить продукционную модель представления знаний в предметной области «Кинопрокат» (ассортимент и работа с клиентами).

17. Построить продукционную модель представления знаний в предметной области «Прокат автомобилей» (ассортимент и работа с клиентами).

18. Построить продукционную модель представления знаний в предметной области «Операционные системы» (функционирование).

19. Построить продукционную модель представления знаний в предметной области «Информационные системы» (виды и функционирование).

20. Построить продукционную модель представления знаний в предметной области «Предприятие» (структура и функционирование).

 

Фрейм (инженерия знаний) | Что это такое

                                     

2. Структура фрейма

Под структурой фрейма понимается способ использования схемы, типичной последовательности действий, ситуативная модификация фрейма. Фрейм, кроме всего прочего, включает определённое знание по умолчанию, которое называется презумпцией.

Фрейм отличает наличие определённой структуры.

Фрейм состоит из имени и отдельных единиц, называемых слотами. Он имеет однородную структуру:

ИМЯ ФРЕЙМА Имя 1-го слота: значение 1-го слота Имя 2-го слота: значение 2-го слота ……………………………… Имя N -го слота: значение N -го слота

В качестве значения слота может выступать имя другого фрейма. Таким образом фреймы объединяются в сеть. Свойства фреймов наследуются сверху вниз, то есть от вышестоящих к нижестоящим через так называемые АКО-связи от англ. A Kind Of — «разновидность». Слот с именем АКО указывает на имя фрейма более высокого уровня иерархии.

Незаполненный фрейм называется протофреймом, а заполненный — экзофреймом. Роль протофрейма как оболочки в экзофрейме весьма важна. Эта оболочка позволяет осуществлять процедуру внутренней интерпретации, благодаря которой данные в памяти системы не безлики, а имеют вполне определенный, известный системе смысл.

Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одну или несколько продукций эвристик, с помощью которых это значение определяется. В слот может входить не одно, а несколько значений. Иногда этот слот включает компонент, называемый фасетом, который задает диапазон или перечень его возможных значений. Фасет указывает также граничные значения заполнителя слота.

Помимо конкретного значения в слоте могут храниться процедуры и правила, которые вызываются при необходимости вычисления этого значения. Среди них выделяют процедуры-демоны и процедуры-слуги. Первые запускаются автоматически при выполнении некоторого условия, а вторые активизируются только по специальному запросу. Если, например, фрейм, описывающий человека, включает слоты ДАТА РОЖДЕНИЯ и ВОЗРАСТ и в первом из них находится некоторое значение, то во втором слоте может стоять имя процедуры-демона, вычисляющей возраст по дате рождения и текущей дате и активизирующейся при каждом изменении текущей даты.

Совокупность фреймов, моделирующая какую-либо предметную область, представляет собой иерархическую структуру, в которую фреймы собираются с помощью родовидовых связей. На верхнем уровне иерархии находится фрейм, содержащий наиболее общую информацию, истинную для всех остальных фреймов. Фреймы обладают способностью наследовать значения характеристик своих родителей, находящихся на более высоком уровне иерархии. Эти значения могут передаваться по умолчанию фреймам, находящимся ниже них в иерархии, но если последние содержат собственные значения данных характеристик, то в качестве истинных принимаются именно они. Это обстоятельство позволяет без затруднений учитывать во фреймовых системах различного рода исключения.

Различают статические и динамические системы фреймов. В системах первого типа фреймы не могут быть изменены в процессе решения задачи, а в системах второго типа это допустимо.

О системах программирования, основанных на фреймах, говорят, что они являются объектно-ориентированными. Каждый фрейм соответствует некоторому объекту предметной области, а слоты содержат описывающие этот объект данные, то есть в слотах находятся значения признаков объектов. Фрейм может быть представлен в виде списка свойств, а если использовать средства базы данных, то в виде записи.

Фрейм (инженерия знаний) — это… Что такое Фрейм (инженерия знаний)?

У этого термина существуют и другие значения, см. Фрейм.

Фрейм — (англ. frame — «каркас» или «рамка») — способ представления знаний в искусственном интеллекте, представляющий собой схему действий в реальной ситуации. Первоначально термин «фрейм» ввёл Марвин Минский в 70-е годы XX века для обозначения структуры знаний для восприятия пространственных сцен. Фрейм — это модель абстрактного образа, минимально возможное описание сущности какого-либо объекта, явления, события, ситуации, процесса.

Фреймы используются в системах искусственного интеллекта (например, в экспертных системах) как одна из распространенных форм представления знаний.

Виды фреймов

Различают фреймы-образцы, фреймы-экземпляры, фреймы-структуры, фреймы-роли, фреймы-сценарии, фреймы-ситуации. Система связанных фреймов может образовывать семантическую сеть. Применяются фреймы в экспертных системах и других интеллектуальных системах различного назначения.

Структура фрейма

Под структурой фрейма понимается способ использования схемы, типичной последовательности действий, ситуативная модификация фрейма. Фрейм, кроме всего прочего, включает определённое знание по умолчанию, которое называется презумпцией.

Фрейм отличает наличие определённой структуры.

Фрейм состоит из имени и отдельных единиц, называемых слотами. Он имеет однородную структуру:

ИМЯ ФРЕЙМА

Имя 1-го слота: значение 1-го слота

Имя 2-го слота: значение 2-го слота

………………………………

Имя N-го слота: значение N-го слота[1].

В качестве значения слота может выступать имя другого фрейма. Таким образом фреймы объединяются в сеть. Свойства фреймов наследуются сверху вниз, т.е. от вышестоящих к нижестоящим через так называемые АКО-связи. Слот с именем АКО указывает на имя фрейма более высокого уровня иерархии.

Незаполненный фрейм называется протофреймом, а заполненный — экзофреймом. Роль протофрейма как оболочки в экзофрейме весьма важна. Эта оболочка позволяет осуществлять процедуру внутренней интерпретации, благодаря которой данные в памяти системы не безлики, а имеют вполне определенный, известный системе смысл.

Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одну или несколько продукций (эвристик), с помощью которых это значение определяется. В слот может входить не одно, а несколько значений. Иногда этот слот включает компонент, называемый фасетом, который задает диапазон или перечень его возможных значений. Фасет указывает также граничные значения заполнителя слота.

Помимо конкретного значения в слоте могут храниться процедуры и правила, которые вызываются при необходимости вычисления этого значения. Среди них выделяют процедуры-демоны и процедуры-слуги. Первые запускаются автоматически при выполнении некоторого условия, а вторые активизируются только по специальному запросу. Если, например, фрейм, описывающий человека, включает слоты ДАТА РОЖДЕНИЯ и ВОЗРАСТ и в первом из них находится некоторое значение, то во втором слоте может стоять имя процедуры-демона, вычисляющей возраст по дате рождения и текущей дате и активизирующейся при каждом изменении текущей даты.

Совокупность фреймов, моделирующая какую-либо предметную область, представляет собой иерархическую структуру, в которую фреймы собираются с помощью родовидовых связей. На верхнем уровне иерархии находится фрейм, содержащий наиболее общую информацию, истинную для всех остальных фреймов. Фреймы обладают способностью наследовать значения характеристик своих родителей, находящихся на более высоком уровне иерархии. Эти значения могут передаваться по умолчанию фреймам, находящимся ниже них в иерархии, но если последние содержат собственные значения данных характеристик, то в качестве истинных принимаются именно они. Это обстоятельство позволяет без затруднений учитывать во фреймовых системах различного рода исключения.

Различают статические и динамические системы фреймов. В системах первого типа фреймы не могут быть изменены в процессе решения задачи, а в системах второго типа это допустимо.

О системах программирования, основанных на фреймах, говорят, что они являются объектно-ориентированными[2]. Каждый фрейм соответствует некоторому объекту предметной области, а слоты содержат описывающие этот объект данные, то есть в слотах находятся значения признаков объектов. Фрейм может быть представлен в виде списка свойств, а если использовать средства базы данных, то в виде записи.

См. также

Литература

  • Marvin Minsky, A Framework for Representing Knowledge, in: Patrick Henry Winston (ed.), The Psychology of Computer Vision. McGraw-Hill, New York (U.S.A.), 1975.
  • Minsky, Marvin. A framework for representing knowledge. MIT AI Laboratory Memo 306, June, 1974.
  • Минский М. Фреймы для представления знаний. М.: Мир, 1979.
  • Дьяконов В.П., Борисов А.В. Основы искусственного интеллекта. Смоленск, 2007.

Ссылки

  1. Фреймовая модель представления знаний // Дьяконов В.П., Борисов А.В. Основы искусственного интеллекта. Смоленск, 2007. — С.30
  2. Фреймовая модель представления знаний // Дьяконов В.П., Борисов А.В. Основы искусственного интеллекта. Смоленск, 2007. — С.31

Модель представление знания реферат 2010 по кибернетике

Содержание 1 Введение……………………………………………………………………………………….. 3 2 1. Классификация моделей представления знаний………………………….. 5 3 2. Продукционная модель знаний…………………………………………………… 6 4 3. Логическая модель знаний…………………………………………………………. 9 5 4. Семантические сети или сетевая модель знаний…………………………. 11 6 5. Фреймовая модель знаний………………………………………………………….. 12 7 Заключение…………………………………………………………………………………… 16 8 Список использованной литературы……………………………………………….. 17 1. Классификация моделей представления знаний В настоящее время разработано множество моделей представления знаний. Имея обобщенное название, они различаются по идеям, лежащим в их основе, с точки зрения математической обоснованности. Типы моделей показаны на рисунке 1. Рисунок 1. Классификация моделей представления знаний. Первый подход, называемый эмпирическим, основан на изучении принципов организации человеческой памяти и моделировании механизмов решения задач человеком. На основе этого подхода в настоящее время разработаны и получили наибольшую известность следующие модели: • продукционные модели – модель основанная на правилах, позволяет представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие». Продукционная модель обладает тем недостатком, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают противоречить друг другу; • сетевые модели (или семантические сети) – в инженерии знаний под ней подразумевается граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами. Обладает тем недостатком, что однозначного определения семантической сети в настоящее время отсутствует; • фреймовая модель – основывается на таком понятии как фрейм (англ. frame – рамка, каркас). Фрейм – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Слоты могут быть терминальными либо являться сами фреймами, т.о. образуя целую иерархическую сеть. Условно в группу эмпирического подхода можно включить нейронные сети и генетические алгоритмы, относящиеся к бионическому (основано на предположении о том, что если в искусственной системе воспроизвести структуры и процессы человеческого мозга, то и результаты решения задач такой системой будут подобны результатам, получаемым человеком) направлению искусственного интеллекта. Особенностью моделей этого типа является широкое использование эвристик, что в каждом случае требует доказательства правильности получаемых решений. Второй подход можно определить как теоретически обоснованный, гарантирующий правильность решений. Он в основном представлен моделями, основанными на формальной логике (исчисление высказываний, исчисление предикатов), формальных грамматиках, комбинаторными моделями, в частности моделями конечных проективных геометрий, теории графов, тензорными и алгебраическими моделями. В рамках этого подхода до настоящего времени удавалось решать только сравнительно простые задачи из узкой предметной области. 2. Продукционная модель знаний Продукционные модели можно считать наиболее распространенными моделями представления знаний. Продукционная модель – это модель, основанная на правилах, позволяющая представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие» Продукционная модель обладает тем недостатком, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают противоречить друг другу. В общем случае продукционную модель можно представить в следующем виде: • – имя продукции; • – сфера применения продукции; • – условие применимости продукции; • – ядро продукции; • – постусловия продукции, актуализирующиеся при положительной реализации продукции; • – комментарий, неформальное пояснение (обоснование) продукции, время введения в базу знаний и т. д.; Системы обработки знаний, использующие продукционную модель получили название «продукционных систем». В состав экспертных систем продукционного типа входят база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода. Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецендента и консеквента. Антецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент. Примеры продукционных правил: ЕСЛИ «двигатель не заводится» • в качестве «фундамента» здесь используется классический аппарат математической логики, методы которой достаточно хорошо изучены и формально обоснованы; • существуют достаточно эффективные процедуры вывода, в том числе реализованные в языке логического программирования «Пролог»; • в базах знаний можно хранить лишь множество аксиом, а все остальные знания получать из них по правилам вывода. В логических моделях знаний слова, описывающие сущности предметной области, называются термами (константы, переменные, функции), а слова, описывающие отношения сущностей – предикатами. Предикат – логическая -арная пропозициональная функция, определенная для предметной области и принимающая значения либо истинности, либо ложности. Пропозициональной называется функция, которая ставит в соответствие объектам из области определения одно из истинностных значений («истина», «ложь»). Предикат принимает значения «истина» или «ложь» в зависимости от значений входящих в него термов. Способ описания предметной области, используемый в логических моделях знаний, приводит к потере некоторых нюансов, свойственных естественному восприятию человека, и поэтому снижает описательную возможность таких моделей. Сложности возникают при описании «многосортных» миров, когда объекты не являются однородными. Так, высказывания: «2 + 2 = 4» «Москва – столица России» имеют одно и то же значение «истина», но разный смысл. С целью преодоления сложностей и расширения описательных возможностей логических моделей знаний разрабатываются псевдофизические логики, логики, оперирующие с нечеткостями, эмпирическими кванторами, обеспечивающие индуктивные (от частного к общему), дедуктивные (от общего к частному) и традуктивные (на одном уровне общности) выводы. Такие расширенные модели, объединяющие возможности логического и лингвистического подходов, принято называть логико-лингвистическими моделями предметной области. 4. Семантические сети или сетевая модель знаний Однозначное определение семантической сети в настоящее время отсутствует. В инженерии знаний под ней подразумевается граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами. Формально сеть можно задать в следующем виде: – множество информационных единиц; – множество типов связей между информационными единицами; – отображение, задающее конкретные отношения из имеющихся типов между элементами . Семантическая сеть как модель наиболее часто используется для представления декларативных знаний. С помощью этой модели реализуются такие свойства системы знаний, как интерпретируемость и связность, в том числе по отношениям и . За счет этих свойств семантическая сеть позволяет снизить объем хранимых данных, обеспечивает вывод умозаключений по ассоциативным связям. Одной из первых известных моделей, основанных на семантической сети, является TLC-модель (Teachaple Languge Compre-hender – доступный механизм понимания языка), разработанная Куиллианом в 1968 году. Модель использовалась для представления семантических отношений между концептами (словами) с целью описания структуры долговременной памяти человека в психологии. Как правило, различают экстенсиональные и интенсиональные семантические сети. Экстенсиональная семантическая сеть описывает конкретные отношения данной ситуации. Интенсиональная – имена классов объектов, а не индивидуальные имена объектов. Связи в интенсиональной сети отражают те отношения, которые всегда присущи объектам данного класса. Примером семантической сети может служить фрагмент описания вычислительной техники, показанный на рисунке 2. Рисунок 2. Пример семантической сети. С помощью такой сети, используя отношение и , можно вывести факты: «Багет-11» – это ЭВМ; IBM PC имеет процессор и т.д. Для отображения процедурных знаний используются процедурные семантические сети. В этом случае факты, отношения и процедуры представлены как вершины, а связи объединяют их в единое понятие. 5. Фреймовая модель знаний Фреймовая модель основана на концепции Марвина Мински (Marvin Minsky) – профессора Массачусетского технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. – множество слотов, обеспечивающих преобразования, определяющие процедурную семантику фрейма. Фреймы подразделяются на: • фрейм-экземпляр – конкретная реализация фрейма, описывающая текущее состояние в предметной области; • фрейм-образец – шаблон для описания объектов или допустимых ситуаций предметной области; • фрейм-класс – фрейм верхнего уровня для представления совокупности фреймов образцов. Состав фреймов и слотов в каждой конкретной фреймовой модели может быть разный, однако в рамках одной системы целесообразно единое представление для устранения лишнего усложнения. Разнотипные объекты или объекты, соответствующие концепции «множественности миров», заключающейся, к примеру, в том, что лошадь – животное бескрылое для одного (реального) мира и одновременно крылатое (Пегас в мифическом мире) для другого, могут описываться отличающимися друг от друга фреймами. В целом фреймовая модель допускает представление всех свойств декларативных и процедурных знаний. Глубина вложенности слотов во фрейме (число уровней) зависит от предметной области и языка, реализующего модель. Заключение Модели представления знаний – это одно из важнейших направлений исследований в области искусственного интеллекта. Почему одно из важнейших? Да потому, что без знаний искусственный интеллект не может существовать в принципе. Действительно, представьте себе человека, который абсолютно ничего не знает. Например, он не знает даже таких элементарных вещей как: • для того, чтобы не умереть от голода, необходимо периодически есть; • необязательно из одного края города в другой идти пешком, если для этих целей можно воспользоваться общественным транспортом. Таких примеров удастся привести еще много, но уже сейчас можно легко ответить на следующий вопрос: «Поведение такого человека может считаться разумным?». Конечно же, нет. Именно поэтому, при создании систем искусственного интеллекта особенное внимание уделяется моделям представления знаний. На сегодняшний день разработано уже достаточное количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому для каждой конкретной задачи необходимо выбрать именно свою модель. От этого будет зависит не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще. Список использованной литературы Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: учебное пособие для вузов. – 2-е изд., перераб. И доп. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. – 400 с. Хайкин С. Нейронные сети: полный курс, 2-е издание, исправленное.: Пер. с англ. – М.: ООО «И.Д. Вильямс», 2006. – 1104 с.: ил. – Парал. тит. англ. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.: ил. Тарков М.С. Нейрокомпьютерные системы: Учебное пособие / М.С. Тарков. – М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. – 142 с. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – 2-е изд., стереотип. – М.: Горячая линия-Телеком, 2002. Гергель В.П. Теория и практика параллельных вычислений: учебное пособие / В.П. Гергель. – М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2007. – 423 с

Разработка БЗ на основе трех моделей (продукционные правила, семантическая сеть, фреймовая модель)

Продукционные правила

Продукционные модели – модели, основанные на правилах, позволяют представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие».

В общем случае продукционную модель можно представить в следующем виде:

N=<A, U, C, I, R>

N – имя продукции; A – сфера применения продукции; U – условие применимости продукции; C – ядро продукции; I – постусловия продукции, актуализирующиеся при положительной реализации продукции; R – комментарий, неформальное пояснение (обоснование) продукции, время введения в базу знаний и т.д.

Продукционная модель предметной области «Сервисный центр»:

* ЕСЛИ <клиент обращается в сервисный центр>, ТО <администратор оформляет заявку>;

* ЕСЛИ <заявка оформлена>, ТО <администратор определяет соответствие объекта гарантийному сроку>;

* ЕСЛИ <объект не соответствует гарантийному сроку>, ТО <отказать в обслуживании>;

* ЕСЛИ <объект соответствует гарантийному сроку>, ТО <принять объект на проверку>;

* ЕСЛИ <объект эксплуатировался в неблагоприятных рабочих условиях окружающей среды, не отвечающих требованиям инструкции>, ТО <объект не подлежит обслуживанию>;

* ЕСЛИ <объект тестировался в режимах, не отвечающих установленным электрическим характеристикам>, ТО <объект не подлежит обслуживанию>;

* ЕСЛИ <объект подвергался доработке, в результате которой изменились его физические или электрические параметры>, ТО <объект не подлежит обслуживанию>;

* ЕСЛИ <неисправность объекта вызвана небрежной эксплуатацией, использованием не по назначению или умышленной порчей объекта>, ТО <объект не подлежит обслуживанию>;

* ЕСЛИ <неисправность вызвана несоблюдением пользователем инструкций по эксплуатации>, ТО <объект не подлежит обслуживанию>;

* ЕСЛИ <объект был вскрыт, изменен или отремонтирован иным лицом, помимо уполномоченного сервисного центра>, ТО <объект не подлежит обслуживанию>;

* ЕСЛИ <выявлено наличие неустранимых недостатков> И <объект находится в полной комплектации (уникальная упаковка производителя с идентификационными наклейками, документация, интерфейсные и сетевые шнуры, базовая конфигурация изделия и т.д.)>, ТО <произвести замену объекта на новый>.

ИНАЧЕ, если последнее условие не подошло, т.е. не выявлено неустранимых недостатков, проводится ремонт объекта (товара).

Семантическая сеть

Семантическая сеть – это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними. Узлы в семантической сети обычно соответствуют объектам, концепциям, событиям или понятиям. Любой фрагмент сети, например одна вершина, две вершины и соединяющие их дуги, называют подсетью. Поиск решения на семантической сети заключается в том, чтобы найти или сконструировать подсеть, удовлетворяющую некоторым условиям [3].



В семантических сетях используют три типа вершин:

· вершины-понятия;

· вершины-события;

· вершины-свойства.

В семантической сети отношения представляются дугами.

Механизм логического вывода в сетевых системах основан на использовании двух ведущих принципов: наследования свойств; сопоставления по совпадению.

Первый принцип, в свою очередь, базируется на учете важнейших связей, отражаемых в семантической сети. К таким связям относятся:

· связь «есть», «является»;

· связи «имеет часть», «является частью».

Последовательно переходя с одного узла сети к другому по направлению соответствующих связей, можно выявить (извлечь) новую информацию, характеризующую тот или иной узел.

Принцип сопоставления по совпадению основан на представлении вопроса к системе, в виде фрагмента семантической сети с использованием тех же названий сущностей (узлов) и связей, что и в основной сети, и реализации процедуры «наложения» вопроса на сеть и поиска такого его положения, которое соответствует ответу на вопрос.

Для построения сетевой модели представления знаний необходимо выполнить следующие шаги:

1. Определить абстрактные объекты и понятия предметной области, необходимые для решения поставленной задачи. Оформить их в виде вершин.

2. Задать свойства для выделенных вершин, оформив их в виде вершин, связанных с исходными вершинами атрибутивными отношениями.

3. Задать связи между этими вершинами, используя функциональные, пространственные, количественные, логические, временные, атрибутивные отношения, а также отношения типа «являться наследником» и «являться частью».

4. Добавить конкретные объекты и понятия, описывающие решаемую задачу. Оформить их в виде вершин, связанных с уже существующими отношениями типа «являться экземпляром», «есть».

5. Проверить правильность установленных отношений.



Построим сетевую модель представления знаний в предметной области «Сервисный центр» (рисунок 2.2):

Рисунок 2.2 – Семантическая сеть

Фреймовая модель

Фрейм – это минимальная структура информации, необходимая для представлений знаний о стереотипных классах объектов, явлений, ситуаций, процессов и др. С помощью фреймов можно моделировать знания о самых разнообразных объектах интересующей исследователя предметной области — важно лишь, чтобы эти объекты составляли класс концептуальных (повторяющихся, стереотипных) объектов, процессов и т.п.

Фрейм состоит из имени и отдельных единиц, называемых слотами. Он имеет однородную структуру:

ИМЯ ФРЕЙМА

Имя 1-го слота: значение 1-го слота

Имя 2-го слота: значение 2-го слота

………………………………

Имя N-го слота: значение N-го слота.

Наполняя слоты конкретным содержанием, можно получить фрейм конкретной ситуации. Слоты в фрейме играют ту же роль, что и поля в записи (БД). При этом их наполнителями являются значения, хранящиеся в полях. Значением слота может быть практически что угодно (числа или математические соотношения, тексты на естественном языке или программы, правила вывода или ссылки на другие слоты данного фрейма или других фреймов). В качестве значения слота может выступать набор слотов более низкого уровня, что позволяет во фреймовых представлениях реализовать «принцип матрешки».

По содержательному смыслу фрейма выделяют:

• фреймы-понятия;

• фреймы-меню;

• фреймы с иерархически вложенной структурой.

Фрейм-понятие – это фрейм типа «И». Например, фрейм «операция» содержит объединенные связкой «И» имена слотов «что делать», «что это дает», «как делать», «кто делает», «где делать» т.д., а фрейм «предмет» – слоты с именами «назначение», «форма», «вес», «цвет» и т.д.

Фрейм-меню – это фрейм типа «ИЛИ». Он служит для организации процедурных знаний с помощью оператора «выбрать». Например, фрейм «что делать» может состоять из объединенных связкой «ИЛИ» слотов «решить уравнение», «подставить данные», «уточнить задачу» и т.д., причем каждый из этих слогов может иметь несколько значений.

Фрейм с иерархически вложенной структурой предполагает, что в нем в качестве значений слотов можно использовать имена других фреймов, слотов и т.д., т.е. использовать иерархическую структуру, в которой комбинируются другие виды фреймов (в итоге получают так называемые фреймы-сценарии).

Важнейшим свойством теории фреймов является заимствование из теории семантических сетей – так называемое наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям («это»). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, то есть переносятся, значения аналогичных слотов.

Для построения фреймовой модели представления знаний необходимо выполнить следующие шаги:

1. Определить абстрактные объекты и понятия предметной области, необходимые для решения поставленной задачи. Оформить их в виде фреймов-прототипов (фреймов-объектов, фреймов-ролей).

2. Задать конкретные объекты предметной области. Оформить их в виде фреймов-экземпляров (фреймов-объектов, фреймов-ролей).

3. Определить набор возможных ситуаций. Оформить их в виде фреймов-ситуаций (прототипы). Если существуют прецеденты по ситуациям в предметной области, добавить фреймы-экземпляры (фреймы-ситуации).

4. Описать динамику развития ситуаций (переход от одних к другим) через набор сцен. Оформить их в виде фреймов-сценариев.

5. Добавить фреймы-объекты сценариев и сцен, которые отражают данные конкретной задачи.

Построим фреймовую модель представления знаний в предметной области «Сервисный центр гарантийного обслуживания».

Ключевые понятия данной предметной области — сервисный центр, тот, кто оформляет заказы на ремонт объекта (администратор) и тот, кто ремонтирует объект отношений — мастер по ремонту. У сотрудников центра есть общие характеристики, поэтому целесообразно выделить общее абстрактное понятие — человек. Тогда фреймы «Сервисный центр» и «Человек» являются прототипами-образцами, а фреймы «Администратор», «Мастер по ремонту» — прототипами-ролями. Также нужно определить основные слоты фреймов — характеристики, имеющие значения для решаемой задачи.

Таблица 2.1 – Фрейм «Человек»

ЧЕЛОВЕК
Имя слота Значение слота Способ получения значения
Пол Мужской или женский Из внешних источников
Возраст От 18 до 65 лет Из внешних источников

 

Таблица 2.2 – Фрейм «Сервисный центр»

СЕРВИСНЫЙ ЦЕНТР
Имя слота Значение слота Способ получения значения
Название   Из внешних источников
Директор   Из внешних источников
Адрес   Из внешних источников

 

Фреймы-наследники содержат все слоты своих родителей, они явно прописываются только в случае изменения какого-либо параметра.

Таблица 2.3 – Фрейм «Администратор»

АДМИНИСТРАТОР (АКО ЧЕЛОВЕК)
Имя слота Значение слота Способ получения значения
Ф.И.О.   Из внешних источников
Должность   Из внешних источников
Телефон   Из внешних источников
Место работы Фрейм-объект Из внешних источников

 

Таблица 2.4 – Фрейм «Мастер по ремонту»

МАСТЕР ПО РЕМОНТУ (АКО ЧЕЛОВЕК)
Имя слота Значение слота Способ получения значения
Ф.И.О.   Из внешних источников
Должность   Из внешних источников
Телефон   Из внешних источников
Место работы Фрейм-объект Из внешних источников

Фреймы-образцы описывают конкретную ситуацию: информацию о компании, кто работает компании и т.д. Поэтому определим следующие фреймы-образцы, являющиеся наследниками фреймов-прототипов:

 

Таблица 2.5 – Фрейм-образец «Сервисный центр»

ИП «СЕРВИСГАРАНТ» (АКО СЕРВИСНЫЙ ЦЕНТР)
Имя слота Значение слота Способ получения значения
Название СервисГарант Из внешних источников
Директор Пошелюк А.А. Из внешних источников
Адрес ул. Ленина, 15 Из внешних источников

 

Таблица 2.6 — Фрейм-образец «Администратор»

ЛЕВКЕВИЧ АНАСТАСИЯ ИГОРЕВНА (АКО АДМИНИСТРАТОР)
Имя слота Значение слота Способ получения значения
Пол Женский Из внешних источников
Возраст Из внешних источников
Ф.И.О. Левкевич А.И. Из внешних источников
Должность Администратор СЦ Из внешних источников
Телефон 128-55-86 Из внешних источников
Место работы ИП «СЕРВИСГАРАНТ» Из внешних источников

 

Таблица 2.7 — Фрейм-образец «Мастер по ремонту»

ПОТОЦКИЙ АРКАДИЙ ОЛЕГОВИЧ (АКО МАСТЕР ПО РЕМОНТУ)
Имя слота Значение слота Способ получения значения
Пол Мужской Из внешних источников
Возраст Из внешних источников
Ф.И.О. Потоцкий А.О. Из внешних источников
Должность Мастер по ремонту СЦ Из внешних источников
Телефон 528-75-86 Из внешних источников
Место работы ИП «СЕРВИСГАРАНТ» Из внешних источников

 

Ситуации возникают после наступления каких-то событий, выполнения условий и могут следовать одна за другой. Динамику предметной области можно отобразить в виде фреймов-сценариев. Их может быть множество, опишем наиболее общий и типичный сценарий обслуживания клиента:

 

Таблица 2.8 — Фрейм-сценарий образец «Обслуживание клиента»

ОБСЛУЖИВАНИЕ КЛИЕНТА
Имя слота Значение слота Способ получения значения
Сервисный центр Фрейм-объект Из внешних источников
Администратор Фрейм-объект Присоединенная процедура (определяет по выбранной компании)
Мастер по ремонту Фрейм-объект Присоединенная процедура (определяет по выбранной компании)
Сцена 1 Оформление заявки Из внешних источников
Сцена 2 Принятие решения Из внешних источников
Сцена 3 Ремонт объекта Из внешних источников

 

Таблица 2.9 — Фрейм-сценарий «Обслуживание клиента»

РЕМОНТ ХОЛОДИЛЬНИКА (АКО ОБСЛУЖИВАНИЕ КЛИЕНТА)
Имя слота Значение слота Способ получения значения
Сервисный центр СЕРВИСГАРАНТ Из внешних источников
Администратор ЛЕВКЕВИЧ АНАСТАСИЯ ИГОРЕВНА Присоединенная процедура (определяет по выбранной компании)
Мастер по ремонту ПОТОЦКИЙ АРКАДИЙ ОЛЕГОВИЧ Присоединенная процедура (определяет по выбранной компании)
Сцена 1 Оформление заявки Из внешних источников
Сцена 2 Принятие решения Из внешних источников
Сцена 3 Ремонт объекта «Холодильник» Из внешних источников

 

Взаимосвязь различных видов фреймов отображается графически в виде графа. Граф представлен на рисунке 2.3.

 

Рисунок 2.3 – Фреймовая модель

Фреймы, Использование фреймов. Научные статьи и публикации. Полезные ссылки

Фрейм: 1400 научных статей о фреймах в электронной библиотеке elibrary.ru. Чтобы просмотреть список статей, введите в строку поиска слово «фрейм» или «фреймы».

=== 

Репрезентация фрейма «принятие решения» в современном английском языке (www.nauka-shop.com)

Диссертация посвящена исследованию языкового способа представления принятия решения в современном английском языке.

Данное диссертационное исследование проводится в русле когнитивного направления в языкознании. Одна из отличительных черт этого направления состоит в том, что явления языка рассматриваются в широком контексте знаний о мире, являющихся результатом различных видов человеческой деятельности.

C. В. Агеев. О РОЛИ ФРЕЙМОВ ЗHАHИЙ В ИHТЕРПРЕТАЦИИ МЕТАФОРИЧЕСКИХ ВЫРАЖЕHИЙ (Вестник АмГУ — www.amursu.ru)

Само понятие <фрейм> используется главным образом в работах по искусственному интеллекту и когнитивной психологии.

УРОВНЕВАЯ ОРГАНИЗАЦИЯ ИНТЕРАКТИВНОГО ФРЕЙМА ДИСКУРСА ТОК-ШОУ — М.Ю. Коченгин. Ульяновский государственный университет (tverlingua.by.ru)

В онтологическом плане фрейм является частью когнитивной системы человека и может быть сопоставлен с гештальтом, схемой, прототипом и стереотипом (представлением мнений). Набор прототипических конструкций, вводимых через аудио-визуальный канал адресата, дает возможность операции по преобразованию содержимого слотов: заполнение незанятых ячеек, замена или трансформация.

Результатом сложной цепочки этих процессов можно считать формирование целостного образа (ментальной картины) объекта или ситуации в сознании индивида (гештальта).

иссертационная работа:

Тюрина Галина Алексеевна. Фреймовый способ организации лексики в практическом курсе русского языка как иностранного : (www.lib.ua-ru.net) Диссертация канд. пед. наук : 13.00.02 : Москва, 2000 192 c. РГБ ОД, 61:01-13/819-8

Соколова Е.Е. Фреймовая организация знаний при обучении английскому языку — Психологическая наука и образование — 2008/2  (psyjournals.ru)

Гофман Ирвинг. Анализ фреймов. (lib.socio.msu.ru) (электронный текст книги)

Что такое… — BAMS — Студия Маркетинга Болоховец Алисы

Что такое фреймы

Фрейм — это отдельная HTML-страница, которая так же может быть отображена в окне браузера.
Этот инструмент разбивает страницу на отдельные объекты. Визуально они упрощают восприятие. Однако использовать их не рекомендуется.

Можно сравнить фреймы с дашбордом. Информация отделяется друг от друга, и ее легче воспринимать человеку. Да и веб-мастеру это упрощает работу. Но поисковая машина распознает фрейм как отдельный веб-документ. Но в таком документе часто нет всей информации, необходимой для индексирования страницы. Поэтому продвижение становится неэффективным.

Разновидности фреймов
Фреймы для сайта подразделяются в зависимости от типа отображаемой информации на:

Структурные, которые используется для обозначения объектов и понятий.
Ролевые, необходимые для обозначения соответствующих обязанностей.
Фреймы – сценарии, которые нужны для отображения поведения.
Ситуативные. Они необходимы для обозначения режима деятельности, а также состояния.
Фреймы – образцы или прототипы, хранящиеся в базе данных.
Экземплярные, создаваемые для отображения реальных ситуаций на основе поступившей информации.
Если использовать несколько разновидностей, то можно сформировать семантическую сеть. Свойства различных фреймов наследуются сверху вниз посредством АКО–связи.

Как работают фреймы
Чтобы понять, что значит отображение страницы во фрейме, проще всего провести аналогию с табличными сегментами. Дело в том, что теги и атрибуты выполняют свои функции одинаково в обоих случаях. Более того, размещение фреймов на экране задаётся так же, как положение табличных ячеек.

Отличие в том, что отображение страницы во фрейме происходит на HTML – странице в контейнере FRAMESET. Пусть это и неполная, но отдельная страница.

Зачем нужны фреймы
Как мы уже говорили, что фреймы упрощают восприятие пользователем информации. Их можно использовать, чтобы организовать навигацию. Например, отображать в нем меню, сопроводительную информацию.

Сейчас все больше браузеров прекращают поддержку этой технологии. И если сайт сделан с применением фреймов, они могут неправильно отображаться.

Плюсы и минусы использования фреймов
Безусловным преимуществом является то, что при использовании фреймов на пользовательский ПК загружается меньше информации. Это обусловлено тем, что оглавление отображается всего один раз и не исчезает в дальнейшем. Загрузка основного контента происходит в обычном режиме. Имеют место недостатки:

Фреймовая структура является довольно сложной и способна запутать даже опытного специалиста.
При переходе на независимую страницу теряется навигация, так как оглавление располагается в отдельном файле.
Не все браузеры правильно отображают фреймовую структуру, поэтому возникает необходимость делать двойную работу, добавляя дополнительные теги, которые будут отображаться, если произойдёт сбой.
Как фреймы влияют на ранжирование
Фреймы не учитываются поисковыми роботами. Вообще.

Поэтому для продвижения сайта надо продумать структуру без фреймов. Каким бы хорошим не был контент внутри фрейма, поисковая система его не проиндексирует. Поэтому можно воспользоваться другими приемами и организовать правильную структуру сайта без этого инструмента.

Рамка выборки / Определение рамки выборки

Статистические определения> Основа выборки


Что такое основа выборки?

Основа выборки — это список всех элементов вашей совокупности. Это полный список всех или всего, что вы хотите изучать. Разница между генеральной совокупностью и совокупностью выборки состоит в том, что совокупность является общей, а совокупность специфической. Например, население может быть «Люди, которые живут в Джексонвилле, Флорида.В кадре будут имена ВСЕХ этих людей, от Адриана Аббы до Фелисити Заппа. Еще пара примеров:

Население : люди в STAT101.
Рамка выборки : Адриан, Анна, Боб, Билли, Хауи, Джесс, Джин, Кейт, Кейли, Лин, Мануэль, Нора, Пол, Роджер, Стю, Тим, Ванесса, Ясмин.

Население : розовые птицы.
Рамка для отбора проб :

  • Рози-зяблик с коричневой шапкой.
  • Кроссбилл белокрылый.
  • Американский фламинго.
  • Колпица розовая.
  • Черный розовый зяблик.
  • Зяблик Кассина.

Когда вы рисуете выборку в статистике, вам нужен список элементов, из которых вы будете брать выборку. Возьмем очень простую популяцию: шары для бинго с номерами от 1 до 99. В кадре будет список всех этих шаров: 1, 2, 3… 99. Когда у вас есть список, вы можете продолжить рисовать образец.

Основа выборки может быть списком чего угодно. Например, население может быть «Все инфекционные болезни в Соединенных Штатах.”Рамка ниже:

Качества хорошей основы выборки

Вы не можете просто использовать любой попавшийся список! Необходимо позаботиться о том, чтобы ваша структура выборки соответствовала вашим потребностям. Например, по данным Университета Аляски, хорошей выборкой для проекта по условиям жизни будет:

  1. Включить всех лиц в целевую группу.
  2. Исключить из целевой группы всех лиц , а не .
  3. Включает точную информацию, которая может быть использована для связи с выбранными людьми.

Другие общие факторы, которые вы хотели бы иметь при себе:

  • Уникальный идентификатор для каждого участника. Это может быть простой числовой идентификатор (например, от 1 до 1000). Убедитесь, что в кадре нет дубликатов.
  • Логическая организация списка. Например, расположите их в алфавитном порядке.
  • Актуальная информация. Это может потребоваться периодически проверять (например, на предмет изменения адреса).

В некоторых случаях получить основу выборки может быть невозможно или очень сложно.Например, получение списка проституток в вашем городе маловероятно (в основном из-за того, что большинство проституток не хотят, чтобы их находили). Иногда необходимо использовать такие методы, как выборка методом снежного кома, чтобы восполнить недостаток основы выборки. Выборка «снежный ком» — это когда вы находите одного человека (или несколько человек) для вашего опроса или эксперимента. Затем вы просите их найти кого-нибудь еще, кто хотел бы участвовать. Затем этот человек находит кого-то другого и так далее, пока у вас не будет достаточно людей для ваших нужд.

Рама выборки и пространство выборки

Фрейм выборки — это список вещей, из которых вы берете выборку. Образец , пробел — это список всех возможных результатов эксперимента. Например, у вас может быть выборка из имен людей в определенном городе для опроса, который вы собираетесь проводить по размеру семьи. Пространство выборки — это все возможные результаты вашего опроса: 1 человек, 2 человека, 3 человека… 10 или более.

Список литературы

Агрести А.(1990) Категориальный анализ данных. Джон Вили и сыновья, Нью-Йорк.
Everitt, B.S .; Скрондал А. (2010), Кембриджский статистический словарь, Cambridge University Press.
Гоник Л. (1993). Мультяшный справочник по статистике. HarperPerennial.
Kotz, S .; и др., ред. (2006), Энциклопедия статистических наук, Wiley.

————————————————— —————————-

Нужна помощь с домашним заданием или контрольным вопросом? С Chegg Study вы можете получить пошаговые ответы на свои вопросы от эксперта в данной области.Ваши первые 30 минут с репетитором Chegg бесплатны!

Комментарии? Нужно опубликовать исправление? Пожалуйста, оставьте комментарий на нашей странице в Facebook .


Основа выборки — обзор

2 Общие вопросы разработки

Обследования состояния здоровья могут либо получать информацию непосредственно от отдельных лиц (субъекта или информатора), либо полагаться на административные записи. В зависимости от целей обследования и характеристик района, в котором проводится обследование, используется широкий спектр методологий выборки, основ выборки и стратегий сбора данных.Страны, которые имеют универсальную медицинскую помощь с централизованными административными системами, могут использовать схемы, которые не подходят для стран с менее развитыми или децентрализованными системами здравоохранения. Простейшая схема выборки — это простая случайная выборка населения, полученная из полного и актуального списка, такого как перепись населения или централизованная система здравоохранения. В случае опросов людей, если такие списки не существуют, можно использовать выборку по площади с кластеризацией для снижения затрат.Чтобы иметь возможность сообщать информацию об интересующих подгруппах населения, определенных географическими и / или демографическими, социально-экономическими характеристиками или характеристиками здоровья, планы часто включают избыточную выборку этих групп. Часто для достижения этой цели необходимо включать в проекты экранирование. Информацию можно получить либо по почте, по телефону, либо в ходе личного интервью, либо с помощью некоторой комбинации способов, в зависимости от способности исследователей контактировать с населением, используя эти средства. Последние два режима могут также включать компьютерные технологии, и изучается возможность использования Интернета для проведения обследований состояния здоровья.

В целом получение информации непосредственно от субъекта опроса обеспечивает более надежные и достоверные данные о состоянии здоровья. Однако это не всегда верно и зависит от характера искомой информации и характеристик субъекта (Moore 1988). Например, хотя точную информацию о рискованном поведении среди подростков можно, вероятно, получить только от подростка в частной среде, подростки плохо сообщают об использовании медицинских услуг или семейном доходе.Еще более проблематичной является ситуация, когда состояние здоровья не позволяет субъекту отвечать за себя. Поскольку исключение субъекта из опроса может серьезно повлиять на результаты, часто используется доверенный респондент.

Использование доверенных респондентов, хотя и необходимо, вносит источник ошибок в обследования состояния здоровья, особенно в лонгитюдные опросы. Получение информации об отношении прокси к субъекту, а также об условиях, приводящих к использованию прокси, может уменьшить эту ошибку.В других случаях предметное сообщение чревато большой ошибкой измерения. Например, информацию о характеристиках страхового плана обычно лучше получить от страховщика, чем от лица, имеющего страховку. Наконец, надежная оценка конкретных типов заболеваемости, факторов риска и смертности требует прямого измерения посредством физического осмотра или доступа к административным записям от поставщиков медицинских услуг.

Многие обследования состояния здоровья ограничивают интересующую их группу населения.Например, обследования состояния здоровья обычно включают только неинституционализированное население. Резкие различия в условиях жизни институционализированного и неинституционализированного населения затрудняют разработку методологий обследований, которые можно было бы применять во всех ситуациях. Военнослужащие также часто исключаются из общих обследований состояния здоровья. Масштабы вселенной необходимо четко определить, особенно если исключить группы населения, различающиеся по состоянию здоровья, например, людей, проживающих в домах престарелых.

Если получение информации напрямую от совокупности неэффективно или приведет либо к низкому качеству данных, либо к высоким затратам, либо к тому и другому, альтернативой является выборка из существующих записей, которые были созданы для других целей. Информацию об обращении за медицинской помощью при определенных состояниях легче получить из записей больниц или поставщиков медицинских услуг, чем из выборки населения, учитывая относительную редкость интересующих явлений. Систему естественного движения населения можно также рассматривать как обзор административных / юридических записей с целью описания состояния здоровья населения.Административные системы, помимо предоставления базовой информации о здоровье, часто используются в качестве основы выборки для обследований населения. Они очень привлекательны для этой цели, поскольку избавляют от необходимости идентифицировать представителей населения, обладающих интересующими характеристиками.

Образцы углов и микросхем для фоторамки • Самостоятельное обрамление 4

Статьи и учебные пособия
Статьи и учебные пособия Выберите месяц июль 2020 июнь 2020 май 2020 январь 2020

Категории продуктов
Выберите категорию «Fanfare» Цветные заставки для фоторамок (11) «Fanfare» Цветные Splash-фоторамки (11) «Fanfare» Team Color Molding по оптовой цене ( 11) Образцы и чипы для цветной рамы команды «Fanfare» (11) 4-слойный (одинарный) коврик из музейной тряпки (2) Бескислотный вспененный картон (12) Бескислотный вспененный картон в листах и ​​картонных коробках (10) Акрил и пена Доска для вашей рамы (4) Акриловые защитные экраны (7) Акриловая, пенопластовая и матовая доска для вашей рамы (4) Угловые образцы и чипы в бамбуковом стиле (11) Молдинги в бамбуковом стиле по оптовой цене (11) Рамка для фотографий в бамбуковом стиле Молдинги (11) Рамки для картин в бамбуковом стиле (11) Угловые образцы и чипы в черной рамке (52) Угловые образцы из имитации черного дерева (15) Молдинги из имитации черного дерева (14) Черные молдинги из имитации дерева по оптовой цене (14) Черные рамы для картин из имитации дерева (14) Черный на черном пенопласте (3) Черные рамы для картин (53 ) Угловые образцы из имитации дерева из бронзы (3) Молдинги из имитации дерева из бронзы (3) Молдинги из имитации дерева из бронзы по оптовой цене (3) Рамы для картин из имитации дерева из бронзы (3) Принадлежности для холста и рукоделия (2) Прозрачный акрил (2) Зазоры по длине (74) Клеи для холодного монтажа для обрамления картин (5) Принадлежности для консервации и архивирования (4) Покрытие и защита содержимого рамы (9) Матовая доска с черным серповидным сердечником — полноразмерные листы 32 ″ x40 ″ (2) Полумесяц (архив) Матовая доска — Полноразмерные листы 32 ″ x40 ″ (6) Белые оконные коврики на заказ (2) Угловые образцы и чипсы с отделкой из темного ореха (8) Молдинги с отделкой под темный орех по оптовой цене (8) Молдинги для фоторамок с отделкой темным орехом (8) Темный орех Отделка рамы для картин (8) Декоративная матовая доска синего цвета (3) Декоративная матовая доска коричневого и коричневого цветов (2) Декоративная матовая доска в серых и черных тонах (7) Декоративная матовая доска в зеленых тонах (3) Декоративная матовая доска в розовых и фиолетовых тонах (1) Декоративная матовая доска Красный и Апельсин (2) Декоративный коврик Белый и Off -Белый (7) Декоративная матовая доска желтого и горчичного цветов (2) Средства проектирования и измерения (4) Двусторонние ленты и малярные ленты (7) Экономичные металлические рамы для картин (15) Точки Флетчера (4) Угловые образцы и чипы плавающей рамы ( 40) Молдинги каркаса поплавка (43) Молдинги каркаса поплавка по оптовой цене (43) Рамки поплавка (51) Пенопласт (обычный) (12) Инструменты для резки и формовки пенопласта (14) Подарочные сертификаты Framing4Yourself (1) Полностью собраны, готовы Рамы для картин (2) Подарочные карты (1) Резаки, чистящие средства и распорки для стекла и пластика (14) Образцы уголков из имитации дерева из золота и серебра (4) Молдинги из имитации дерева из золота и серебра (4) Молдинги из имитации дерева из золота и серебра по оптовой цене ( 4) Золотые и серебряные рамы для картин из имитации дерева (4) Угловые образцы и кусочки золотой рамы (22) Золотые молдинги по оптовой цене (17) Золотые молдинги для фоторамок (22) Золотые рамы для картин (22) Половинные листы декоративного коврика в форме полумесяца Доска 20 × 32 (11) Предметы для чистки Акрила (8) Детские R oom Рамки — Угловые образцы и чипы — отключены (7) Точки Логана (7) Угловые образцы и чипы с отделкой из красного дерева (14) Молдинги с отделкой из красного дерева по оптовой цене (14) Молдинги для рамок с отделкой из красного дерева (14) Рамки для картин с отделкой из красного дерева (14) Рамки для картин из клена / натурального дерева (10) Оптовые цены на молдинги из клена и натуральной отделки (7) Молдинги для рамок из клена и натурального дерева (10) Образцы и чипы для углов из клена (10) Лезвия для резки матов (8) Режущие инструменты для матов (10) Принадлежности для резки циновок и Расходные материалы (7) Наборы матов и обрамления (3) Молдинги рамы среднего черного цвета Оптовая цена (25) Молдинги среднего черного цвета 1-1 / 4 ″ — 2 ″ (25) Металлические молдинги рамок для картин различной длины (11) Монтажные инструменты и принадлежности (3 ) Узкие молдинги с черной рамой Оптовая цена (20) Узкие черные молдинги шириной 3/4 ″ — 1-1 / 8 ″ (19) Угловые образцы из натуральной имитации дерева (6) Молдинги из натуральной имитации дерева (6) Молдинги из натуральной имитации дерева по оптовой цене (6) Рамы для картин из натурального дерева (6) Металлические рамы для картин Nielsen в цвете Co lors (23) Неслепящий акрил (2) Принадлежности для обрамления ящиков для предметов и теневых ящиков (6) Каркасы Старого Света по оптовой цене (4) Рамы Старого Света — угловые образцы и чипы (8) Рамы для картин Старого Света (4) Старый Свет Стильные молдинги для рамок (4) Угловые образцы и фишки для декоративных рамок (16) Рамы для картин с имитацией дерева (1) Декоративные молдинги по оптовой цене (15) Декоративные молдинги для рамок (15) Декоративные рамы для картин (15) Другие предметы зазора (2 ) Пакетные предложения и комплекты (14) Пакетные предложения по инструментам и оборудованию (1) Комплекты и комплекты для изготовления фоторамок (6) Принадлежности и принадлежности для изготовления фоторамок (12) Длина молдингов для фоторамок (635) Рамки для картин (1325) Подвешивание картин Аппаратные средства (9) Инструменты для подвешивания картинок (6) Проволока для подвешивания картинок (1) Предварительно вырезанные белые оконные коврики стандартных размеров — 12 шт. (2) Предварительно заданные коврики стандартных размеров (12 шт. В упаковке) (3) Альтернативы для презентаций ( 3) Обычный пенопласт в листах и ​​картонных коробках (10) Расходные материалы для ремонта и восстановления (3) Rustic Fr Угловые образцы и чипсы ame (28) Деревенские молдинги по оптовой цене (26) Деревенские молдинги для фоторамок (27) Деревенские деревянные рамы для картин (27) Самоклеящаяся вспененная плита (3) Угловые образцы и чипы для теневой коробки и холщовой рамы (20) Shadowbox и холстовые молдинги по оптовой цене (20) Shadowbox и холстовые молдинги для фоторамок (19) Shadowbox и холстовые рамы для картин (20) Серебряные и серые угловые образцы и чипы (8) Серебряные и серые молдинги по оптовой цене (8) Серебристый и серый Молдинги для фоторамок (8) Серебристые и серые рамы для картин (8) Носилки для холста (7) Ленты и клеи для крепления произведений искусства (9) Инструменты для зажима рамок (7) Инструменты для резки акрила (2) Инструменты для соединения рамок для картин (9) Инструменты для распиловки и шлифовки рам для картин (4) Инструменты для защиты содержимого рам для картин (22) Без категории (119) Незавершенные рамы для картин из ясеня (4) Необработанные лепные украшения из вишни по оптовой цене (100 футов) (3) Незаконченная вишня Рамы для картин (4) Незаконченный экстерьер Sl ope Молдинги (5) Необработанные молдинги с плоскими гранями (5) Необработанные молдинги из тополя по оптовой цене (100 футов) (4) Незаконченные рамы для картин из тополя (4) Необработанные молдинги из красного дуба по оптовой цене (100 футов) (4) Незаконченные изображения из красного дуба Рамы (4) Незавершенные молдинги с одной канавкой (5) Незавершенные молдинги для откосов и каналов (5) Необработанные молдинги из грецкого ореха по оптовой цене (100 футов) (3) Необработанные рамы для картин из грецкого ореха (4) Необработанные молдинги из ясеня по оптовой цене (100 футов) ( 4) УФ-защитный акрил (2) Образцы и чипы углов с отделкой под орех (11) Молдинги для рам с отделкой под орех, оптовая цена (12) Молдинги для рам для картин с отделкой под орех (11) Рамы для картин с отделкой под орех (12) Образцы и кусочки углов с белой рамкой (11) Белые молдинги по оптовой цене (11) Белые молдинги для фоторамок (11) Белые рамы для картин (11) Широкие черные молдинги Оптовая цена (8) Широкие черные молдинги 2-1 / 8 ″ -3-1 / 2 ″ (9) Деревянные Филе для матов (6) Филе деревянного каркаса (для матов) (6)

Магия многокадровой выборки: введение | по IDinsight | Блог IDinsight

Стивен Браунстоун и Уилл Томпсон

Инспектор IDinsight работает с медработником сообщества ASHA, чтобы расшифровать ее регистр для двойного фрейма в Бакса, Ассам.© IDinsight / Will Thompson

Введение

IDinsight в настоящее время работает с NITI Aayog, аналитическим центром правительства Индии по вопросам политики в области развития, чтобы контролировать ряд результатов в области охраны здоровья матери и ребенка (ОЗМР) в 27 странах с наибольшей потребностью. районы. Мы оцениваем эти результаты в рамках более крупного исследования на уровне домохозяйств. Чтобы идентифицировать нашу выборку обследования, мы использовали списки избирателей в качестве основы, но подмножество домохозяйств в нашей выборке с ребенком недостаточно велико, чтобы дать точные оценки показателя.Нам нужно было найти способ увеличить выборку матерей и детей без внесения предвзятости. Просто попросить счетчиков бродить по деревне до тех пор, пока они не найдут достаточно беременных и кормящих женщин (PLW), чтобы выполнить наши квоты отбора проб, не было вариантом. В этом сообщении в блоге рассказывается, как мы справились с этой проблемой, и рассказывается о других, заинтересованных в использовании общедоступных наборов данных для тщательной оценки результатов, даже если эти наборы данных не соответствуют требованиям.

К счастью, в Индии местные медицинские работники, работающие на переднем крае, называемые ASHA, ведут регистры всех ЛЖВ в определенных районах или водосборах, которые в среднем имеют размер избирательного участка или деревни.Поскольку реестры ASHA связаны с предоставлением ценных услуг и доступом к государственным льготам, они, как правило, довольно полны. Ссылаясь на списки избирателей в тех местах, где у нас были данные о членстве для обоих, мы оценили, что они точно охватывают 75 процентов населения. Однако вполне вероятно, что включение в эти списки связано с показателями здоровья; вполне вероятно, что исключенные 25 процентов могут иметь очень разные результаты. Например, ключевым показателем результатов для здоровья является то, зарегистрирована ли беременная женщина для дородовой помощи.В большинстве случаев ответственность за эти регистрации несет ASHA, поэтому было бы логично предположить, что матери из этого списка, скорее всего, будут зарегистрированы.

Этот подход, известный как многофреймовая выборка (мы использовали две рамки, но можно использовать и больше), позволил нам использовать эти списки, но скорректировать любую систематическую ошибку при минимальных предположениях. Определяя, была ли каждая из отобранных нами ЛЖВ либо в списке ASHA, либо в списке избирателей, либо и то, и другое, мы могли определить вероятность включения человека в выборку.В следующем посте этой серии мы расскажем, как мы это сделали, чтобы измерить результаты ОМД. В этом посте мы проиллюстрируем, как эффективно выполнять двухфреймовую выборку, используя гипотетический пример телефонного опроса, который звонит как на стационарные, так и на мобильные телефоны.

Обратите внимание, что каждое наблюдение берется из одного и только одного кадра. Тогда для двухфреймовых обследований требуются два ключевых допущения:

· Принадлежность каждого наблюдения к одному или обоим фреймворкам известна. То есть для каждого наблюдения мы знаем, могло ли быть выбрано из другого кадра.

· Случайная выборка берется из каждого кадра, и мы можем определить вероятность выбора каждого наблюдения .

Предположение о членстве в инструменте выборки может быть затруднительным, поскольку оно означает, что каждый респондент должен иметь перекрестную ссылку на другой инструмент. В нашем случае нам нужно было определить, была ли каждая мать, выбранная нами из фрейма избирателя, в списке ASHA, и мог ли каждый ЛЖВ, взятый из фрейма ASHA, быть выбран из списка избирателей. Это было возможно, потому что списки ASHA хранятся локально, но перекрестные ссылки с другими видами административных записей могут быть трудными или невозможными.

Допущение вероятностной выборки также полезно помнить, поскольку оно исключает комбинирование определенных типов выборок. Невозможно волшебным образом сделать не вероятностную выборку, такую ​​как выборка снежного кома, строгой, объединив ее с обследованием с рамкой площади.

Пример

Классическим примером двойного кадра является телефонный опрос, который объединяет выборку дешевых стационарных телефонов с выборкой дорогих звонков по мобильным телефонам (Brick et al 2006, Brick et al 2011 , Левин и Хартер, 2014 г., Вольтер и др., 2015 г.).

Предположим, мы заинтересованы в измерении процента домохозяйств с телефонами, в которых хотя бы один член семьи ежедневно делает хотя бы одно селфи. Случайный набор номера (RDD) на стационарные телефоны намного дешевле, чем звонки на мобильные номера, но только небольшая часть населения имеет стационарный телефон. Мы можем комбинировать смещенный кадр стационарного телефона с кадром мобильного телефона, чтобы получить объективную оценку всей совокупности номеров мобильных и стационарных телефонов, применив соответствующую схему взвешивания.Тогда это просто вопрос выборки большего количества из более дешевого стационарного фрейма (аналогично списку ASHA в нашем приложении) и меньше из дорогого мобильного фрейма.

Вот как это работает. Предположим, что в каждой семье с мобильным телефоном с 50-процентной вероятностью есть член, который ежедневно делает селфи. Ни в одной семье, в которой есть только стационарные телефоны, нет членов, делающих селфи. [1] Предположим, что из 1000 домохозяйств 400 домохозяйств имеют только мобильные телефоны, 400 имеют мобильные и стационарные телефоны, а 200 имеют только стационарные телефоны (Таблица 1).

Хотя выборка, взятая только из кадров сотового телефона или стационарного телефона, может исключить различные части населения, мы покажем, что двойной кадр может дать беспристрастную оценку для населения людей с любым типом телефона при одновременном сокращении количества мобильных номера, которые необходимо набрать.

Для построения объективных оценок нам необходимо количественно определить размер перекрытия между кадрами. К счастью, легко спросить семью, с которой вы общаетесь по стационарному телефону, есть ли у них мобильный телефон, и наоборот.Мы можем использовать эту информацию для определения четырех субпопуляций: только мобильные (MO), мобильные выборки со стационарными (ML), стационарные с мобильными (LM) и только стационарные (LO). (Рисунок 1)

Рисунок 1: Субпопуляции

Поскольку мы предполагаем, что все домохозяйства с мобильными телефонами имеют 50-процентную вероятность делать селфи, а домохозяйства без мобильных телефонов не делают селфи, в мобильной выборке мы ожидаем, что распространенность селфи составит 50 процентов (400/800) а в выборке стационарных телефонов мы ожидаем, что распространенность селфи составит 33 процента (200/600).Истинная распространенность селфи среди нашего населения составляет 40 процентов (400/1000). Чтобы оценить распространенность среди населения, нам необходимо повторно взвесить эти домохозяйства как со стационарными, так и с мобильными телефонами, чтобы отразить, что они дважды появляются в наших данных: один раз со стационарного телефона и один раз с мобильного телефона. Если мы проигнорируем дублирование и наивно вычислим распространенность селфи из всех 1400 наблюдений, по нашим данным это будет 42 процента (600/1400), что неверно. Без взвешивания 1400 наблюдений наша оценка основана на слишком большом количестве наблюдений от домохозяйств с мобильными телефонами: 1200/1400 = 86 процентов по сравнению с фактическими 800/1000 = 80 процентов населения.

Домохозяйства, принадлежащие одному кадру, но не обоим, не взвешиваются с точки зрения двойного кадра. При обычном выборочном обследовании веса выборки для каждого фрейма умножаются на веса двойного фрейма. Мы применяем двойные весовые коэффициенты, которые в сумме составляют единицу для домохозяйств в перекрывающихся системах, чтобы не переоценивать эти домохозяйства. Поправка к весам наблюдений, присутствующих в обоих кадрах, определяется в интервале [0,1]. Условно обозначим подгонку 𝜃. Наблюдения, принадлежащие субпопуляции ML, принимают поправку 𝜃, в то время как наблюдения, принадлежащие субпопуляции LM, принимают поправку (1 -).Например, если мы просто присвоим домашним хозяйствам с мобильными телефонами фиксированной связи вес, равный нулю, а мобильным домохозяйствам со стационарной телефонной связью — вес, равный единице (например, = 1), взвешенная выборка будет иметь 800 наблюдений от домохозяйств с мобильными устройствами (все из кадра мобильной связи) 200 домашних хозяйств только стационарные, как и население. Если бы мы присвоили вес в два раза всем домохозяйствам, имеющим как стационарный, так и мобильный телефон (например, = 0,5), и вес, равный единице, остальным домохозяйствам, взвешенная выборка аналогичным образом будет иметь 800 наблюдений от домохозяйств с мобильным телефоном (600 из мобильный фрейм и 200 из стационарного) и 200 домашних хозяйств, имеющих только стационарный телефон, что соответствует населению.Значение 𝜃, пока оно находится между 0 и 1, не влияет на точечную оценку, потому что, хотя членство во фрейме (например, стационарный или мобильный) коррелирует с результатами, домохозяйства в обоих фреймах имеют одинаковые результаты независимо от того, в каком фрейме они нарисованы. из (Таблица 2).

Однако выбор 𝜃 действительно влияет на дисперсию двух оценок. Поскольку выборки для стационарных и телефонных линий независимы, мы можем просто рассматривать дисперсию как сумму дисперсий для каждого фрейма выборки.Тета должна отражать относительную точность оценок, полученных на основе двух основ выборки (Wolter et al. 2015). Если мы предположим, что дисперсия идентична для респондентов с двойным фреймом, независимо от фрейма, 𝜃 соответствует относительным размерам выборки. Таким образом, дисперсия минимизируется, когда = 0,5, если мы используем все 1400 наблюдений в примере, и дисперсия минимизируется, когда = 1/3, когда мы выбираем только 50 процентов мобильных респондентов (таблица 2). Обратите внимание, что веса двух кадров позволяют нам взять небольшую выборку из дорогостоящего мобильного кадра и при этом произвести несмещенную оценку.Если мы ослабим предположение о равных дисперсиях, появится большое количество литературы по оптимизации 𝜃 (Lohr 2009). Однако, учитывая относительно небольшой эффект на дисперсию для больших размеров выборки, исследователи часто просто фиксируют = 0,5.

Как отмечалось выше, двухфреймовые корректировки могут применяться к существующим весам выборки. При выборке мы можем рассматривать двухфреймовую корректировку как отражающую тот факт, что наблюдение могло быть учтено дважды, а не наблюдение, фактически включенное дважды.Обратите внимание, что без корректировки двух кадров сумма весов выборки всех наблюдений будет равна общей совокупности двух кадров плюс перекрывающаяся совокупность (например, в примере с телефоном сумма весов будет равна 1400). На практике эти свойства полезны для интуитивной проверки точности схемы взвешивания. Использование различных фракций и весов выборки для каждого инструментария выборки также позволяет разработчику обследования оптимизировать доли выборки в каждом инструменте с точки зрения затрат на сбор данных.Примерно соотношение размеров выборки должно быть пропорционально квадратному корню из затрат и размеру основной совокупности каждого фрейма.

Заключение

Двойные фреймы могут помочь организациям собрать больше данных с меньшими затратами. Особенно интересным приложением для двухфреймовых опросов могло бы стать объединение рамок выборки по телефону и лично. Например, недавнее Национальное исследование семей Америки, посвященное жизни американцев с низким доходом, сочетало набор случайных цифр с рамкой области.Хотя случайный набор цифр может оказаться невозможным во многих странах с низким и средним уровнем дохода, организации, проводящие оценку воздействия, могут использовать телефонные номера, собранные исполнителями или инспекторами во время предыдущего раунда сбора данных, для построения телефонного фрейма.

В следующем посте этой серии рассказывается об опыте команды Data on Demand в проведении двухфреймовых опросов в последнем раунде оценочных карточек.

[1] Далее предположим, что домохозяйства, имеющие мобильные и стационарные телефоны, имеют те же результаты, что и домохозяйства, у которых есть только мобильные телефоны; это только для простоты примера.На практике, аналогично стратам выборки, двухфреймовые оценки могут быть более эффективными, если членство в совокупности коррелирует с результатами.

Терминология и концепции PCM — документация alsaaudio документация 0.9.0

Для использования устройств PCM полезно ознакомиться с некоторыми концепциями и терминология.

Образец

Аудио PCM, будь то входное или выходное, состоит из отсчетов . Один сэмпл представляет собой амплитуду одного канала звука. в определенный момент времени.Многие отдельные образцы необходимо для представления реального звука; для CD-аудио, 44100 сэмплов берутся каждую секунду.

Образцы могут быть разных размеров, от 8 бит до 64. битовая точность. Конкретный формат каждого образца также может варьироваться — они могут быть целыми числами с прямым порядком байтов, целыми числами с прямым порядком байтов или числа с плавающей запятой.

В музыкальном плане размер сэмпла определяет динамический диапазон. В динамический диапазон — это разница между самым тихим и самым низким самый громкий сигнал, который может быть воспроизведен.

Кадр

Кадр состоит ровно из одной выборки на канал. Если есть только один канал (монофонический звук) кадр — это просто один сэмпл. Если звук стерео, каждый кадр состоит из двух отсчетов и т. д.

Размер кадра
Это размер в байтах каждого кадра. Это может сильно различаться: если каждый отсчет
составляет 8 бит, и мы обрабатываем монофонический звук, размер кадра составляет один байт.

Аналогично в 6-канальном аудио с 64-битными выборками с плавающей запятой кадр размер 48 байт

Скорость

Звук PCM состоит из потока звуковых кадров.Скорость звука определяет, как часто заменяется текущий фрейм. Например, частота 8000 Гц означает, что новый кадр воспроизводится или захватывается 8000 раз в секунду.

Скорость передачи данных

Это количество байтов, которое должно быть записано или предоставлено на секунду с определенным размером кадра и частотой.

Монофонический звук 8000 Гц с 8-битными (1 байтовыми) выборками имеет скорость передачи данных 8000 * 1 * 1 = 8 кбит / с или 64 кбит / с. Обычно это используется для телефонии.

На другом конце шкалы, 96000 Гц, 6-канальный звук с 64 бит (8 байт) выборок имеет скорость передачи данных 96000 * 6 * 8 = 4608 кб / с (почти 5 МБ звуковых данных в секунду)

Период

Когда оборудование обрабатывает данные, это выполняется блоками кадров.Время интервал между каждой обработкой (аналого-цифровое или аналого-цифровое преобразование) известен как период. Размер периода имеет прямое влияние на задержку звуковой ввод или вывод. Для малой задержки размер периода должен быть очень маленький, в то время как низкое использование ресурсов ЦП обычно требует большие размеры периода. Использование ALSA не влияет на загрузку ЦП. сильно зависит от размера периода, поскольку уровень ядра буферизует несколько периодов внутри, поэтому каждый период генерирует прерывание и копия памяти, но пользовательское пространство может быть медленнее и читать или писать несколько периоды одновременно.

Размер периода

Это размер каждого периода в Гц. Не байты, а Гц !. В alsaaudio размер периода устанавливается напрямую, и это поэтому важно понимать значение этого номер. Если размер периода настроен, например, на 32, каждая запись должна содержать ровно 32 кадра звуковых данных, и каждая read вернет либо 32 кадра данных, либо вообще ничего.

Как только вы поймете эти концепции, вы будете готовы использовать PCM API.Читать на.

Концепции цифрового звука — Технологии веб-медиа

Представление звука в цифровой форме включает в себя ряд шагов и процессов, причем несколько форматов доступны как для необработанного звука, так и для кодированного или сжатого звука, который фактически используется в Интернете. Это руководство представляет собой обзор того, как звук представлен в цифровом виде и как кодеки используются для кодирования и декодирования звука для использования в Интернете.

Аудио — это по своей сути аналоговая функция мира природы.Когда объект вибрирует, он заставляет также колебаться окружающие его молекулы. Эти молекулы воздействуют на соседние с ними и т. Д., Распространяя вибрацию в виде волны наружу от источника до тех пор, пока амплитуда волны (ее объем) не исчезнет с расстоянием. Таким образом, гранулярность звуковой волны в реальном мире — это гранулярность отдельной молекулы среды, через которую распространяется звуковая волна.

На Земле среда, через которую проходит большая часть звука, — это воздух.Некоторый звук действительно проходит через воду или даже через скалы, составляющие саму планету (если вы когда-либо слышали грохот землетрясения, значит, вы испытали это явление), но почти все звуки, которые вы слышите каждый день, путешествуют к ушам по воздуху.

Звуки, которые человек слышит каждый день, на самом деле являются колебаниями в воздухе, которые вызывают внутреннюю работу уха. Чем дальше движутся молекулы воздуха с каждым импульсом волны, тем выше амплитуда волны и громче звук.Чем быстрее колеблются молекулы, тем выше частота волны.

Чем выше амплитуда (высота) волны, тем громче звук в этот момент. Чем короче длина волны (чем ближе друг к другу гребни волны), тем выше частота (или высота звука) производимого звука.

Компьютеры, однако, цифровые. Чтобы представить звуковую волну таким образом, чтобы компьютеры могли манипулировать ею и работать с ней (не говоря уже о передаче по сети), звук должен быть преобразован в цифровую форму.Этот процесс называется аналого-цифровое преобразование (сокращенно A / D ).

Первым фактором, влияющим на точность захваченного звука, является полоса пропускания звука ; то есть диапазон звуковых частот, которые аналого-цифровой преобразователь способен захватывать и преобразовывать в цифровую форму. На пропускную способность аудиосигнала также влияет кодек, если он решает отбросить любые полосы частот при кодировании звука.

Звук поступает в компьютер через микрофон или другой вход в виде потока электронов, напряжение которого изменяется в зависимости от амплитуды звуковой волны.Затем этот аналоговый сигнал преобразуется в цифровую форму с помощью схемы, которая фиксирует амплитуду приходящей волны через регулярные промежутки времени, преобразуя эти данные в число в форме, понятной системе аудиозаписи. Каждый из этих захваченных моментов представляет собой образец . Объединив все образцы вместе, вы можете приблизительно представить исходную волну, как показано на диаграмме ниже.

В этом примере синяя линия представляет выборки, взятые из аудиосигнала, который является черным.Через равные промежутки времени схема аналого-цифрового преобразователя считывает напряжение сигнала как значение между (в данном случае) -1,0 и +1,0. Поскольку амплитуда изменяется в течение этого временного интервала, аналого-цифровой преобразователь должен выбрать значение, представляющее этот интервал, независимо от того, принимает ли значение в конкретный момент (на диаграмме выше средняя точка каждого интервала используется как значение), или путем усреднения амплитуды по продолжительности каждой выборки. Эти значения выборки затем записываются как амплитуда формы волны в это время.

Когда приходит время воспроизвести этот звук позже, эти амплитуды используются для создания приближения к исходной форме волны; вместо воспроизведения точной копии исходной гладкой волны воспроизводится более грубая синяя волна.

Чем чаще вы берете образцы исходного звука, тем ближе к оригиналу вы можете получить. Количество выборок, снимаемых в секунду, называется частотой дискретизации . Подумайте о приведенной выше волне и о том, насколько иначе будет выглядеть синяя цифровая волна, если вы будете брать образцы в два раза чаще.Или в десять раз чаще. Чем больше образцов вы возьмете, тем более гладкой становится волна.

На самом базовом уровне звук представлен потоком выборок, каждая из которых определяет амплитуду звуковой волны, измеренную для данного фрагмента общей формы звукового сигнала. Для отдельных сэмплов в аудиофайле используется несколько форматов. Большинство аудиофайлов используют 16-битные целые числа со знаком для каждого образца, но другие используют 32-битные значения с плавающей запятой или 24-битные или 32-битные целые числа.Некоторые старые форматы аудиофайлов, которые вы не найдете в Интернете, использовали 8-битные целочисленные образцы. Кроме того, в образцах могут использоваться значения со знаком или без знака. Размер отдельной выборки называется размером выборки .

Положение каждого аудиоисточника в аудиосигнале называется каналом . Каждый канал содержит образец, показывающий амплитуду звука, производимого этим источником в данный момент времени. Например, в стереозвучании есть два источника звука: один динамик слева и один справа.Каждый из них представлен одним каналом, а количество каналов, содержащихся в аудиосигнале, называется числом каналов .

Во время записи или генерации многоканальных аудиофайлов каналы объединяются в серию из аудиокадров , каждый из которых состоит из одной выборки для каждого из аудиоканалов. Отдельная выборка — это числовое значение, представляющее амплитуду звуковой волны в один момент времени, и может быть представлено в различных форматах.

Стереозвук, вероятно, является наиболее часто используемым расположением каналов в веб-аудио, и 16-битные сэмплы используются для большей части повседневного звука, используемого сегодня. Для 16-битного стереозвука каждая выборка, взятая из аналогового сигнала, записывается как два 16-битных целых числа, одно для левого канала и одно для правого. Это означает, что для каждого образца требуется 32 бита памяти. При общей частоте дискретизации 48 кГц (48 000 отсчетов в секунду) это означает, что каждая секунда звука занимает 192 КБ памяти.Следовательно, типичная трехминутная песня требует около 34,5 МБ памяти. Это много места для хранения, но, что еще хуже, это безумная пропускная способность сети, которую можно использовать для относительно короткого фрагмента звука. Вот почему большая часть цифрового звука сжимается.

Процесс сжатия и распаковки аудио выполняется путем его кодирования и декодирования с использованием аудиокодека (кодер CO der / DE ). За прошедшие годы было разработано большое количество кодеков, некоторые из которых широко используются в Интернете.Подробнее о наиболее важных и полезных из них для веб-разработчиков см. В статье «Руководство по аудиокодекам, используемым в Интернете».

Аудиоканалы и кадры

Есть два типа аудиоканалов. Стандартные аудиоканалы используются для передачи большей части слышимого звука. Звук для левого и правого основных каналов, а также всех ваших динамиков объемного звучания (центральный, левый и правый задний, левый и правый, потолочные каналы и т. Д.) Являются стандартными аудиоканалами.Специальные каналы Low Frequency Enhancement ( LFE ) обеспечивают сигнал для специальных динамиков, предназначенных для воспроизведения низкочастотных звуков и вибрации, чтобы создать внутреннее ощущение при прослушивании звука. Каналы LFE обычно управляют сабвуферами и аналогичными устройствами.

Монофонический звук имеет один канал, стереозвук — два канала, объемный звук 5.1 имеет 6 каналов (пять стандартных и один LFE) и т. Д. Каждый аудиокадр — это запись данных, которая содержит образцы для всех каналов, доступных в аудиосигнале.Размер аудиокадра рассчитывается путем умножения размера выборки в байтах на количество каналов, так что один кадр стереофонического 16-битного звука имеет длину 4 байта, а один кадр звука 5.1 с плавающей запятой равен 24 (4 байта за образец, умноженный на 6 каналов).

Примечание

Стоит отметить, что некоторые кодеки фактически разделяют левый и правый каналы, сохраняя их в отдельных блоках в своей структуре данных. Однако аудиокадр всегда состоит из всех данных для всех доступных каналов.

Количество кадров, составляющих одну секунду звука, зависит от частоты дискретизации, используемой при записи звука. Поскольку частота дискретизации соответствует количеству «фрагментов», на которые звуковая волна делится за каждую секунду времени, ее иногда называют частотой (в том смысле, что это описание чего-то, что периодически повторяется, а не с точки зрения фактического звуковая частота), поэтому при измерении количества отсчетов в секунду в качестве единицы измерения используются герцы.

Наиболее распространенные частоты дискретизации:

8000 Гц
Международный G.Стандарт 711 для звука, используемого в телефонии, использует частоту дискретизации 8000 Гц (8 кГц). Этого достаточно, чтобы человеческая речь была понятной.
44100 Гц
Частота дискретизации 44,1 кГц используется для аудио компакт-дисков (CD). Компакт-диски обеспечивают несжатый 16-битный стереозвук с частотой 44,1 кГц. Компьютерный звук также часто использует эту частоту по умолчанию.
48000 Гц
Звук на DVD записан с частотой 48 кГц. Это также часто используется для компьютерного звука.
96000 Гц
Аудио высокого разрешения.
192000 Гц
Аудио сверхвысокого разрешения. Пока не используется широко, но со временем это изменится.

Есть причина, по которой 44,1 кГц считается минимальной частотой дискретизации «высокой точности». Теорема выборки Найквиста-Шеннона гласит, что для точного воспроизведения звука он должен быть дискретизирован с частотой, вдвое превышающей частоту звука. Поскольку диапазон человеческого слуха составляет примерно от 20 Гц до 20 000 Гц, для воспроизведения самых высоких звуков, которые люди обычно могут слышать, требуется частота дискретизации более 40 000 Гц.

Чтобы обеспечить дополнительное пространство для фильтра нижних частот, чтобы избежать искажений, вызванных наложением спектров, к частоте предварительной дискретизации добавляется дополнительная полоса перехода 2,05 кГц (в результате получается 22 050 Гц). Удвоение этого значения в соответствии с теоремой Найквиста приводит к конечной минимальной частоте (как вы уже догадались) 44,1 кГц.

Звук с высоким разрешением (96 кГц) используется в некоторых аудиосистемах высокого класса, и он вместе со звуком сверхвысокого разрешения (192 кГц) полезен для мастеринга звука, когда вам нужно как можно больше качества при манипулировании и редактировании звук перед понижением частоты дискретизации до частоты дискретизации, которую вы будете использовать для конечного продукта.Это похоже на то, как фотографы будут использовать изображения с высоким разрешением для редактирования и компоновки перед тем, как представить заказчику JPEG, подходящий для использования на веб-сайте.

Размер аудиофайла и пропускная способность сети

Как только вы узнаете размер одного аудиокадра и сколько кадров в секунду составляют ваши аудиоданные, вы можете легко вычислить, сколько места будут занимать сами необработанные звуковые данные (и, следовательно, как большая пропускная способность, которую он потребляет в сети).

Например, рассмотрим стереофонический аудиоклип (то есть два аудиоканала) с размером выборки 16 бит (2 байта), записанный с частотой 48 кГц:

2 × 2 байта отсчета × 48000 отсчетовсекунды = 192000 байтсекунды = 192 кбит / с2 \ times 2 \ frac {bytes} {sample} \ times 48000 \ frac {samples} {second} = 192000 \ frac {bytes} {second} = 192 кбит / с

На скорости 192 кбит / с сети начального уровня уже будут перегружены одним проигрывателем аудиопотока.Если сеть выполняет другие функции, проблема возникает даже в сетях с более высокой пропускной способностью. При такой большой конкуренции за пропускную способность сети, особенно в более медленных сетях, этот объем данных может оказаться слишком большим для передачи в любых приложениях реального времени.

Чтобы решить эту проблему, звук необходимо уменьшить с помощью сжатия.

Примечание

Пропускная способность сети, очевидно, не то же самое, что пропускная способность аудио, которая обсуждается в разделе «Выборка аудио» выше.

В отличие от текста и многих других типов данных, аудиоданные имеют тенденцию быть зашумленными , что означает, что данные редко состоят из серии точно повторяющихся байтов или последовательностей байтов. В результате аудиоданные трудно сжимать с использованием традиционных алгоритмов, таких как те, которые используются инструментами общего назначения, такими как zip , которые обычно работают путем замены повторяющихся последовательностей данных сокращенным представлением.

Есть несколько методов, которые можно применить при сжатии звука.Большинство кодеков используют их комбинацию, а также могут использовать другие методы.

Самое простое, что вы можете сделать, — это применить фильтр, который удаляет шипение и тихие звуки, преобразовывая любые тихие участки в тишину и сглаживая сигнал. Это может привести к возникновению отрезков тишины, а также к другим повторяющимся или почти повторяющимся сигналам, которые можно сократить.

Вы можете применить фильтр, который сужает полосу пропускания звука, удаляя любые звуковые частоты, которые вам не нужны. Это особенно полезно для аудиосигналов только для голоса.При этом удаляются данные, что упрощает сжатие результирующего сигнала.

Психоакустика

Если вы знаете, с каким звуком вы, скорее всего, будете работать, вы потенциально можете найти специальные методы фильтрации, применимые именно к этому типу звука, которые оптимизируют кодирование.

Наиболее часто используемые методы сжатия звука относятся к науке психоакустики . Это наука, изучающая, как люди воспринимают звук, и какие части звуковых частот, которые мы слышим, наиболее важны для того, как мы реагируем на эти звуки, учитывая контекст и содержание звука.Такие факторы, как способность ощущать изменение частоты звука, общий диапазон человеческого слуха по сравнению с частотами аудиосигнала, локализация звука и т. Д., Все могут быть учтены кодеком.

Используя звуковое (не каламбурное) понимание психоакустики, можно разработать метод сжатия, который минимизирует сжатый размер звука при максимальном увеличении воспринимаемой точности звука. Алгоритм, использующий психоакустику, может использовать любую из техник, упомянутых здесь, и почти наверняка применит и другие.

Все это означает, что перед выбором кодека необходимо задать фундаментальный вопрос и ответить на него: учитывая содержание звука, контекст использования и целевую аудиторию, допустимо ли потерять некоторую степень точности воспроизведения звука и если да, то сколько; или необходимо, чтобы при декодировании данных результат был идентичен исходному звуку?

Сжатие с потерями и сжатие без потерь

Если потеря деталей и потенциальная точность недопустимы или нежелательны, предпочтительным является кодек без потерь .С другой стороны, если некоторая степень снижения качества звука допустима, можно использовать кодек с потерями . Как правило, сжатие с потерями дает значительно меньший результат, чем методы сжатия без потерь; Кроме того, многие кодеки с потерями превосходны, при этом потеря качества и детализации трудно или даже невозможно различить среднему слушателю.

Примечание

В то время как влияние высококачественного алгоритма сжатия с потерями на качество звука может быть трудно обнаружить среднему человеку, некоторые люди обладают исключительно хорошим слухом или особенно хорошо умеют замечать изменения, вносимые в музыку методами сжатия с потерями.

Большинство аудиокодеков используют ту или иную форму сжатия с потерями из-за лучшей степени сжатия, которую предлагают эти алгоритмы. В то время как алгоритмы сжатия без потерь обычно управляют размером не лучше 40-50% от размера исходных несжатых звуковых данных, современные алгоритмы сжатия с потерями могут уменьшить размер звука до 5-20% от исходного размера, в зависимости от сложность аудио. Значительно превосходные коэффициенты сжатия, возможные при сжатии с потерями, обычно делают его неотразимым выбором, а адекватное или отличное качество звука возможно с хорошо подобранными конфигурациями кодеков.

Исследователи продолжают разрабатывать более эффективные способы анализа и сжатия звука, поэтому периодически появляются новые форматы, предлагающие различные улучшения либо в степени сжатия, либо в точности воспроизведения звука (или и в том, и в другом).

Сценарии использования аудио без потерь включают такие сценарии, как:

  • Любая ситуация, в которой слушатель ожидает точного воспроизведения звука и может иметь ухо для звука, достаточно хорошее, чтобы различать сложные детали неизмененного звука
  • Звуковые петли и сэмплы, используемые при производстве музыки и звуковых эффектов
  • Ситуации, в которых аудиоклипы или сэмплы могут быть повторно микшированы, а затем сжаты; использование звука без потерь для процесса мастеринга позволяет избежать сжатия ранее сжатых данных, что приводит к дополнительной потере качества

Факторы, которые могут рекомендовать использование сжатия с потерями, включают:

  • Очень большой источник звука
  • Ограниченное хранилище (либо потому, что пространство для хранения мало, либо потому, что в нем хранится большой объем звука)
  • Необходимость ограничить полосу пропускания сети, необходимую для трансляции звука; это особенно важно для прямых трансляций и телеконференций.

Подробное описание психоакустики и того, как работает сжатие звука, выходит далеко за рамки данной статьи, но полезно иметь общее представление о том, как звук сжимается с помощью общих алгоритмов, что может помочь понять и принять более правильные решения о выборе аудиокодека. .

Алгоритмы сжатия с потерями обычно используют психоакустику, чтобы определить, какие компоненты звуковой волны могут быть потеряны или подавлены каким-либо образом, что может улучшить коэффициенты сжатия при минимизации звукового эффекта для целевых слушателей. Манипулируя формой волны, чтобы ее было легче сжимать, или удаляя компоненты звука, которые на самом деле не слышны, форма волны становится проще, в результате чего данные имеют большую согласованность и, следовательно, их легче сжимать. Ограничение полосы пропускания звука для включения только частот, наиболее важных для того, как человеческое ухо будет интерпретировать декодированный звук, также может улучшить коэффициенты сжатия.

Тип кодируемого контента может повлиять на выбор кодека. В частности, форма волны для музыки почти всегда сложнее, чем у аудиосэмпла, который содержит только человеческие голоса. Кроме того, человеческий голос использует небольшую часть диапазона звуковых частот, который может обнаружить человеческое ухо.

Примечание

Телефонные сети, которые изначально были разработаны специально для передачи человеческих голосов, могут передавать только звук (или любой другой вид сигнала) в полосе частот от 300 Гц до 3000 Гц.Это не совсем охватывает весь диапазон человеческой речи на нижнем уровне, но доступно достаточно формы волны, которую человеческое ухо и мозг легко компенсируют. Это также означает, что люди обычно привыкли слышать речь, ограниченную настолько узкой полосой пропускания звука.

Человеческая речь использует относительно узкую полосу частот (от 300 Гц до 18 000 Гц, хотя точный диапазон варьируется от человека к человеку из-за факторов, включая пол). Кроме того, подавляющее большинство звуков человеческой речи имеют тенденцию лежать в диапазоне от 500 Гц до 3000 Гц или около того, что позволяет отбрасывать значительные части общей формы волны без ущерба для способности слушателя понимать произносимые слова.Вы даже можете настроить полосу пропускания звука с учетом высоты голоса отдельного говорящего.

Из-за всех этих факторов, а также из-за того, что формы речевых сигналов обычно менее сложны, чем музыка, высокое (а точнее «достаточно высокое») воспроизведение речи может быть достигнуто при относительно низкой скорости передачи битов.

Когда алгоритм сжатия, предназначенный для сжатия обычного звука, анализирует звуковую волну, он может отбросить все, что находится за пределами диапазона человеческого слуха (или, возможно, даже больше, в зависимости от того, насколько алгоритм готов рискнуть потерять детали на высоких и / или низких частотах). конец полосы частот.Это означает, что кодек может отбрасывать звук, частота которого ниже примерно 20 Гц или выше примерно 20 000 Гц (20 кГц). Это сужает звуковую полосу звука, тем самым уменьшая объем данных, необходимых для представления сигнала в его сжатой форме. Полоса пропускания звука не может быть уменьшена почти так же, как для кодека только для речи, но это все же полезное начало.

Некоторые люди до некоторой степени могут слышать за пределами этого диапазона. Чаще всего способность людей слышать более высокие частоты намного ниже этого; в частности, стоит отметить, что к среднему возрасту верхний предел этого частотного диапазона обычно падает с 20 кГц до примерно 12–14 кГц.Это говорит о том, что более высокие частоты часто можно отбросить, не оказывая чрезмерного влияния на разборчивость звука, поэтому вы можете существенно уменьшить объем звукового пространства, который вам нужно сохранить, тем самым делая ваш звук более простым и легким для сжатия.

Это изображено на диаграмме ниже. На диаграмме сравнивается частотный диапазон человеческого слуха (зеленый) с частотным диапазоном человеческой речи (красный) и диапазон частот, в котором находится большинство человеческих вокализаций (желтый).

Большая разница между этими диапазонами дает нам возможность терять детали в аудиоданных, не оказывая значительного влияния на способность человеческого уха замечать какие-либо реальные изменения качества звука. Эти факты можно использовать при сжатии аудио.

Помимо упрощения звука с помощью психоакустического анализа, кодеки используют другие алгоритмы и преобразования для дальнейшего упрощения и уменьшения размера звука. Если вы хотите узнать больше о том, как работает сжатие аудио, ознакомьтесь с разделом «Сжатие аудиоданных» в Википедии.

Важно отметить, что кодеки делают всю тяжелую работу за вас. Вот почему так много инженерных и научных исследований идет на создание новых алгоритмов и кодеков. Все, что вам нужно сделать, это рассмотреть варианты и ваш вариант использования, а затем выбрать подходящий кодек для ваших нужд.

Кодеры

Lossless имеют гораздо меньше возможностей для манипулирования звуком для повышения степени сжатия, учитывая необходимость воспроизводить исходный звук, что ограничивает количество параметров, доступных для настройки этих кодеров.Варианты, как правило, вращаются вокруг выбора метода, с помощью которого кодировщик выполняет кодирование, и того, сколько времени и мощности процессора ему позволено потреблять для этого.

Эти параметры различаются в зависимости от кодека, но могут включать:

  • Определение конкретных алгоритмов для использования на определенных этапах процесса кодирования
  • Параметры для использования этих алгоритмов, например, какая прогностическая глубина должна использоваться при попытке моделирования звука
  • Количество проходов, которые необходимо сделать при анализе звука, или количество раз, которое должны выполняться заданные алгоритмы

Большинство кодеков имеют входные значения, которые можно настроить для оптимизации сжатия различными способами, будь то размер или качество.При использовании кодировщика с потерями, чем выше качество, тем больше будет кодированный звук. Из-за этого большинство параметров так или иначе влияют как на качество, так и на размер.

Вам нужно будет обратиться к документации по программному обеспечению кодирования, которое вы используете, чтобы определить, какие варианты доступны, что будет зависеть от кодека и самого программного обеспечения кодирования. Некоторые кодеки имеют ряд значений, которые вы можете настроить (некоторые из которых могут потребовать глубокого понимания как психоакустики, так и алгоритмов кодека), а другие предлагают простой параметр «качества», который вы можете установить, который автоматически регулирует различные свойства алгоритма. .

Скорость передачи данных

Существует два взаимоисключающих способа управления качеством сжатого звука с помощью скорости передачи данных. Первый предполагает нацеливание на среднюю скорость передачи кодированных данных, а второй включает в себя определение целевого значения постоянного качества, позволяя при этом изменять скорость передачи данных.

Средняя скорость передачи данных

Первый метод управления качеством выходного файла — указать среднюю скорость передачи ( ABR ), которая будет использоваться при кодировании звука.Кодировщик попытается создать закодированный звуковой файл, который при воспроизведении использует в среднем указанное количество бит для каждой секунды звука. Это контролирует качество с точки зрения размера закодированного звука; чем выше скорость передачи данных, тем выше будет качество звука. Качество звука будет меняться со временем по мере необходимости, чтобы соответствовать целевой скорости передачи данных.

В некоторой степени похож на ABR — CBR ( с постоянной скоростью передачи ). Если ABR пытается сохранить среднюю скорость передачи данных на заданном уровне, допуская при этом некоторые колебания, CBR использует фактически фиксированную скорость передачи на протяжении звука.CBR в основном используется в кодеках, предназначенных только для передачи голоса, где частотный диапазон и вариации, как правило, минимальны, что позволяет кодированию CBR работать без недопустимых колебаний качества звука.

Переменный битрейт

Переменная скорость передачи ( VBR ) работает, принимая в качестве входных данных в кодировщик настройку постоянного качества . Это указывает на уровень качества, который необходимо поддерживать в течение всего аудио, позволяя скорости передачи данных колебаться по мере необходимости для достижения этого уровня качества.В тех частях звука, где сжатие легко достигается с минимальным влиянием на качество, битовая скорость может быть очень низкой, а в областях, где сжатие более сложное, битовая скорость будет выше.

Полоса пропускания звуковой частоты

Некоторые кодеки позволяют настраивать полосу пропускания звуковой частоты напрямую, либо путем указания допустимого диапазона частот, путем установления верхнего и / или нижнего пределов частоты, либо путем указания типа источника звука, который определяет, как настроить алгоритм на основе ожидаемой частоты использования входящего сигнала.

Кроме того, некоторые кодеки поддерживают специальные каналы с ограниченной полосой частот, такие как канал LFE, которые по своей сути ограничивают доступный частотный диапазон. В случае LFE полоса звуковых частот ограничена диапазоном частот, подходящим для использования сабвуфером или аналогичным устройством улучшения качества звука.

Некоторые кодеки предлагают специальные профили, специально предназначенные для определенных сценариев использования, например VoIP; эти профили могут также включать по умолчанию ограничения на полосу пропускания звуковой частоты.

Объединенное стерео

Обычно стереозвук представлен аудиокадрами, которые содержат по одной выборке на канал. В результате получаются аудиокадры, которые требуют 2 × sampleSize по бит каждый, где sampleSize — это количество бит, которое занимает каждый аудиосэмпл. Следовательно, для 16-битной стереофонической аудиозаписи каждый сэмпл использует 2 or16 или 32 бита пространства. Это стандартное левое / правое (L / R) стерео или простое стерео .

Объединенное стерео — это метод хранения семплов стереозвука в более компактном виде, принимая во внимание, что обычно звук, поступающий в каждое ухо, одинаков.Таким образом, вместо того, чтобы сохранять каждый бит выборки каждого канала, сохраняются базовая амплитуда и значение отклонения амплитуды для каждого канала, при этом значение отклонения может использовать меньше битов, чем полная выборка.

Существует два типа объединенного стерео: среднечастотный и интенсивный. На протяжении аудиофайла кодировщик может изменять формат, используемый для представления стереосигнала в течение аудиофайла.

Среднечастотное стереофоническое кодирование

Среднее стереофоническое кодирование ( MS ) работает путем записи кадров, которые содержат основной средний канал , который представляет собой среднюю амплитуду исходных левого и правого аудиоканалов.По сути, это то, что вы рассчитываете как амплитуду при преобразовании стереосигнала в моно. Затем вы сохраняете значение бокового канала ; это значение представляет собой число, которое может быть добавлено к значению среднего канала для определения исходной амплитуды левого канала и вычтено из значения среднего канала для вычисления исходного значения правого канала.

Другими словами, имея левый канал L и правый канал R, вы выполняете следующие вычисления при кодировании сэмпла:

mid = L + R2mid = \ frac {L + R} {2} сторона = L-R2 сторона = \ frac {L — R} {2}

Затем вы сохраняете значения середины и стороны .Хотя mid по-прежнему имеет тот же размер, что и размер вашей выборки (например, 16 бит), значение , сторона , вероятно, может быть сохранено в меньшем количестве бит, поскольку амплитуда двух каналов, вероятно, относительно схожа. Затем кодер может взять это меньшее общее количество битов на кадр и выполнить дополнительные вычисления для дальнейшего уменьшения размера.

При декодировании звука абсолютные значения левого и правого каналов вычисляются следующим образом:

L = середина + сторона L \ quad = \ quad mid \ quad + \ quad сторона R = средняя сторона L \ quad = \ quad mid \ quad — \ quad сторона

Само по себе промежуточное стереофоническое кодирование осуществляется без потерь и обычно используется как аудиокодеками без потерь, так и аудиокодеками с потерями.Любая потеря деталей происходит на других этапах процесса кодирования.

Стерео кодирование по интенсивности

Стереокодирование с интенсивностью снижает скорость передачи кодированных звуковых данных, используя преимущества способа, которым люди определяют местоположение звуков в пространстве; это называется локализацией звука. Мы слышим в стерео, потому что наши уши улавливают звук в разное время в зависимости от того, откуда он исходит.

Это потому, что наши уши разделены на несколько дюймов благодаря тому, что они находятся по разные стороны от головы.Звук, исходящий из правого, доходит до правого уха раньше, чем до левого уха. Наш мозг определяет, где находится звук в пространстве вокруг нас, используя эту разницу во времени, чтобы определить угол, под которым идет звук. Однако по мере увеличения частоты аудиосигнала увеличивается и длина волны. В конце концов, длина волны приближается и превышает расстояние между ушами, и становится трудно или невозможно однозначно локализовать звук.

Вооружившись этой информацией, мы можем приблизительно представить стереофонический аудиосигнал, объединив частоты, которые не используются для определения направленности, в один канал, а затем включить информацию, указывающую на направленность звука.Это требует меньшего количества бит для представления, но по своей природе несколько с потерями.

Определение эффекта кадрирования (5 примеров и 4 типа) BoyceWire


Существует четыре основных типа кадрирования. Первый — это визуальный фрейм, который включает цвет, размер шрифта и изображения. Затем у нас есть слуховые рамки, которые можно оформить в разных тонах и тонах.

Существуют также рамки значений, которые присваивают числовые значения, проценты и другие подобные значения. Затем финальный кадр — это положительный и отрицательный кадры.Давайте посмотрим на них ниже.

Слуховой аппарат относительно прямой. Когда нам дают два варианта, на нас может значительно повлиять то, как их спрашивают. Кричат ​​ли они глубоким и агрессивным тоном?

Эти кадры имеют тенденцию быть немного более нюансированными, но мы можем посмотреть на оба конца спектра, чтобы понять суть. Например, продавец автомобилей робко и наивно говорит нам: «Как я могу вам помочь сегодня?». Они не выглядят уверенно, поэтому вряд ли привлекут наше внимание или их продадут.

Напротив, у нас есть уверенный, хорошо говорящий продавец автомобилей, который спрашивает нас: «Чем я могу вам помочь сегодня?» Те же слова, но произнесенные с большей уверенностью и более подходящей интонацией.

Интенсивность голоса может иметь решающее значение. На самом деле это более важно, чем то, что на самом деле сказано. В то же время скорость и объем также важны при кадрировании.

Быстрый вопрос может показаться более агрессивным, чем медленный. Однако это может оказаться более полезным при изложении фактов.Тогда у нас есть объем. Родители, отчитывающие своих детей, будут повышать голос, чтобы дать им понять, что они серьезны. Напротив, более мягкий тон более мягкий и нежный.

Визуальные рамки могут охватывать такие факторы, как цвет, изображение, размер шрифта, стиль шрифта или даже язык тела. Цвет, например, может иметь довольно большое влияние, каждый из которых способствует немного разным характеристикам. Например, розовый имеет более женственный вид, поэтому, вероятно, это не лучший цвет для рекламы мужской одежды.

Глядя на картинку ниже, мы имеем два изображения одного и того же изображения.Один с розовым фоном, а другой с более нейтральным серым фоном. Теперь розовый потенциально более привлекателен, но не понравится большинству мужчин. Это то же изображение, но в другой рамке.

Другие цвета создают разные качества и уникальные перспективы для продаваемых товаров или услуг. В свою очередь, это может повлиять на наши решения. Возьмем, к примеру, автомобили. Большинство из них на средней привокзальной площади будут серыми, белыми, черными или каким-то другим оттенком.Причина? Ну, во-первых, это самые популярные цвета, а во-вторых, они вписываются в толпу.

Часто нам нравится соответствовать социальным нормам. Это означает, что нужно следовать тому, что делают все остальные, включая получение серебряной машины. Кроме того, серебристый, белый и черный — относительно нейтральные цвета. Они не бросаются в глаза и не выделяются, как больной большой палец, поэтому они так популярны.

Итак, когда заправочные площадки смотрят на то, какие автомобили «кадрировать», они, как правило, используют такие нейтральные цвета.Это может существенно повлиять на то, как мы интерпретируем машину и наши чувства к ней. Розовые или желтые автомобили спереди оттолкнут многих клиентов и снизят продажи, в то время как нейтральный цвет приведет к обратному.

За тем, как шрифты могут заставить нас чувствовать себя, стоит целая наука. Они могут быть оформлены одинаково, но могут вызывать разные реакции только из-за размера или стиля. Если мы посмотрим на приведенный ниже пример, каждый из них набран другим шрифтом, но с одинаковой формулировкой. Первый и последний не очень разборчивы, поэтому использование такого шрифта не будет очень эффективным.

У нас также есть «мелкий шрифт». В большинстве случаев мы не будем его читать. Почему? Потому что он такой маленький, что его трудно читать, и мы его просто упускаем. Если бы он был больше и разборчивее, возможно, его прочитало бы больше из нас. Однако из-за того, как это оформлено, мы этого не делаем.

Причина довольно проста. Если мы не прочитаем мелкий шрифт, мы не поймем, на что распространяется гарантия, а на что нет.

Язык тела, пожалуй, один из самых недооцененных факторов кадрирования.Фактически, исследование доктора Мехрабиана показало, что до 55 процентов общения можно отнести к языку тела.

Такие факторы, как улыбка, манера поведения, выражение лица и поза могут повлиять на формулировку вопроса. Например, представьте, что вы идете к продавцу автомобилей, и он, скрестив руки, говорит вам, что хочет за машину 20 000 долларов.

А теперь представьте, как они спрашивают, глядя в пол и согнув спину. Вряд ли это положительный знак, хотя слова могут быть одинаковыми.

Теперь представим, как они спрашивают, широко распростертые плечи и сцепив руки вместе. Эти фреймы могут не полностью влиять на наше решение в такой степени, как вербальные, ценностные, позитивные и негативные фреймы, но на самом деле они могут способствовать нашему решению. Например, мы с большей вероятностью купим у приветливого и дружелюбного продавца, чем у того, который кажется бескорыстным.

Проще говоря, рамки ценностей — это то место, где используются психологические методы, чтобы заставить нас почувствовать, что мы получаем лучшую сделку или предложение, чем мы есть на самом деле.Например, более высокие ценности заставляют нас поверить в то, что это более выгодная сделка. Это обусловлено эвристикой доступности, которая пытается упростить когнитивный процесс, используя легко доступную информацию в нашем мозгу.

Чем больше число, тем лучше значение. Скидка 90 процентов лучше, чем скидка 50 процентов, верно? Это очевидно, но когда мы поиграем с обрамлением, мы увидим разницу.

Допустим, Susan’s Laptop Shop занимается продажей ноутбуков.У нее есть в наличии несколько высококачественных Apple Mac, и у нее есть предложение, но она не знает, как это описать.

В настоящее время компьютеры Mac продаются по цене 600 долларов. Сьюзан нужно выбрать один из двух вариантов:

Вариант 1 — скидка 20% на MacBook.

Вариант 2 — скидка 120 долларов на MacBook.

Большинство розничных торговцев выберут второй вариант. Фактически, это широко используемая стратегия, известная как «правило 100». Проще говоря, все, что меньше 100 долларов, более привлекательно в процентном отношении. Так что скидка 10% на товар за 10 долларов более привлекательна, чем скидка в 1 доллар.

Напротив, обратное верно для товаров стоимостью более 100 долларов. Например, скидка 50 долларов, как правило, более привлекательна, чем 10 процентов от товара за 500 долларов.

У нас также есть рамки с отрицательными и положительными значениями. Например, мистер Лонгли хочет открыть собственное дело. Ему говорят, что вероятность банкротства его бизнеса составляет 90 процентов. Напротив, у него 10-процентный шанс на успех. Хотя это все еще низкий процент, он все же оформлен в более позитивном ключе. Следовательно, это лучший способ поощрить мистераЛонгли, чтобы начать свой бизнес.

Когда мы говорим о позитивных и негативных кадрах, мы можем взглянуть на классический пример, когда стакан наполовину полон или он наполовину пуст? Многие маркетологи используют такие негативные фреймы, чтобы заставить нас действовать и покупать их продукты.

Вы можете вспомнить такие фразы, как «Не упустите возможность» или «Ваш последний шанс сэкономить». Рамка проста — дать людям почувствовать, что они что-то теряют. Как утверждается в теории перспектив, люди склонны бояться и действовать, чтобы избежать потерь больше, чем выгод.Поэтому, когда мы можем проиграть большую сделку, нас поощряют к действию.

Отрицательные кадры эффективны в определенных сценариях. Они могут вызвать срочность среди клиентов и повысить продажи. В то время как позитивные фреймы могут лучше работать, убеждая людей. Например, пациенты, как правило, более восприимчивы к хирургическому вмешательству, когда вероятность выживания составляет 90 процентов, чем вероятность смерти 10 процентов.

Наш страх потери силен, но мы склонны искать позитив. В конце концов, никому не нравится торчать с этим человеком, который всех обрушивает негативом.Именно по этой причине позитивные фреймы в целом более эффективны.

Многие рекламодатели объединяют в один и негативный, и позитивный фреймы. Например, «Потребление сахара означает, что мы теряем эмаль» (отрицательный кадр), «но вы можете заменить это зубной пастой ABC» (положительный кадр). Это классический маркетинговый пример. Создайте проблему (кариес), а затем представьте решение.


В 1981 году Тверски и Канеман провели эксперимент относительно эффекта кадрирования.Они спросили студентов из Стэнфордского университета и Университета Британской Колумбии, которые ответили на короткие анкеты в аудитории.

Их попросили представить, что США готовятся к азиатской болезни, которая, как ожидается, убьет 600 человек. Студентам предлагаются две программы для решения этой проблемы.

Если программа А будет принята, 200 человек будут спасены. Если программа B будет принята, существует 1/3 вероятности того, что 600 человек будут спасены, и 2/3 вероятности того, что ни один человек не будет спасен.Эти два варианта могут быть категориями, как показано ниже.

Вы могли заметить, что обе программы приведут к одинаковому количеству смертей, но по-разному сформулированы. Результаты пришли к выводу, что 72 процента участников выбрали программу A (положительное кадрирование), а 28 процентов выбрали программу B (отрицательное кадрирование).

Итак, хотя результаты были одинаковыми, подавляющее большинство людей выбрали более позитивный вариант. Но в то же время это не окончательный вывод, а лишь демонстрирует тот факт, что наши мозги работают по-разному.Несмотря на то, что кадрирование может быть эффективным, оно может не иметь желаемого эффекта для меньшинства населения.


Положительный кадр — у вас есть 90-процентный шанс выжить после операции.

Негативная рамка — У вас есть 10-процентный шанс умереть во время операции.

Положительный кадр — Если вы примете это лекарство, вы будете жить.

Негативная рамка. Если вы не примете это лекарство, вы умрете.

Положительный кадр — мы оба выиграем от этой сделки.

Негативная рамка — вы проиграете, если не примете сделку.

Положительный фрейм — Мы пятая лучшая команда в лиге.

Негативный фрейм — Из пяти мы худшая команда в лиге.

Положительный фрейм — Мы получили больше мест, чем на прошлых выборах.

Негативная рамка — Мы выиграли только одно место из 327.


Каков пример эффекта кадрирования?

Одним из примеров эффекта обрамления является упаковка мяса.Исследования показали, что 75% нежирного мяса обычно предпочтительнее, чем мясо с содержанием жира 25%, даже если они одинаковы, только оформлены по-разному.

Добавить комментарий

Ваш адрес email не будет опубликован.