Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 4

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: błąd aproksymacji

Sortuj według:

Ogranicz wyniki do:

Growth and Lδ-approximation of solutions of the Helmholtz equation in a finite disk

100%

Kumar D. , Basu A.

tom Vol. 20, nr 2

119--128

In this paper we study the growth and Lδ-approximation, 1 ≤ δ ≤ ∞, of solutions (not necessarily entire) of Helmholtz-type equations. Moreover, we obtain the characterization of order and type of H ∈ HR, 0 < R < ∞, in terms of decay of approximation errors En(H,R0) and Ein,δ(H,R0), i = 1,2. Our results extend and improve the results obtained by McCoy [J. Approx. Theory 25 (1979), 153–168].

Determining of calibration equations for relative humidity sensors and modules

100%

Majewski J. , Malachivskyy P.

tom Vol. 53, nr 6

50-51

For a few given RH sensors and modules, various regression methods for obtaining the calibration equations have been used, and the results have been compared to each other as well as to the results obtained using the minimax method of approximation by polynomial. The approximation error of each equation was estimated, and the conclusions concerning methods for determining of calibration equations of RH sensors and modules are presented.

Dla wybranych sensorów i modułów wilgotności względnej zastosowano różne metody regresji w celu wyznaczenia równań kalibracyjnych, a otrzymane wyniki porównano ze sobą jak również z wynikami otrzymanymi metodą minimaksu za pomocą aproksymacji funkcją wielomianową. Dla każdego z równań oszacowano błąd aproksymacji i podano wnioski dotyczące metod wyznaczania równań kalibracyjnych dla sensorów i modułów wilgotności względnej.

On approximation in generalized Zygmund class

67%

Nigam H. K.

2019

tom Vol. 52, nr 1

370--387

Here, we estimate the degree of approximation of a conjugate function ğ and a derived conjugate function ğ′, of a 2 π-periodic function g ∈ Zλr, r ≥ 1, using Hausdorff means of CFS (conjugate Fourier series) and CDFS (conjugate derived Fourier series) respectively. Our main theorems generalize four previously known results. Some important corollaries are also deduced from our main theorems. We also partially review the earlier work of the authors in respect of order of the Euler-Hausdorff product method.

Prediction of monthly averages of air pollutant concentrations for selected areas in Mazovian Voivodeship

67%

Hoffman S. , Filak M.

2018

tom T. 21, nr 4

321--333

The study was carried out using long-term data, recorded at two air monitoring stations in Masovian Voivodeship. Hourly time series, obtained from the monitoring system, were averaged in calendar months to get monthly time series. The data sets, containing time series of monthly mean values from two different monitoring sites, were subjected to multivariate regression analysis. Models of multidimensional linear regression were built for the both sets of data. The obtained models describe statistical dependencies between concentrations of specified air pollutants and concentrations of other pollutants and meteorological parameters, recorded at the same monitoring station. The achieved regression equations were used to predict long-term courses of monthly concentrations. For visualization of prediction accuracy, the charts containing time series of actual and predicted monthly concentrations were prepared. The approximation precision was estimated by calculating modelling errors for each regression model. Three different measures of approximation error were applied: mean absolute error (MAE), root mean square error (RMSE), and Pearson correlation coefficient (r).

Badania przeprowadzono, wykorzystując wieloletnie dane pomiarowe zarejestrowane na dwóch stacjach monitoringu powietrza w województwie mazowieckim. 1-godzinne serie czasowe uśredniono w okresach miesięcznych, uzyskując średniomiesięczne serie czasowe. Zbiory danych zawierających serie czasowe wartości średniomiesięcznych poddano analizie regresji wielowymiarowej. W obu zbiorach szukano modeli wielowymiarowej regresji liniowej, opisujących statystyczną zależność stężeń poszczególnych zanieczyszczeń powietrza od stężeń pozostałych zanieczyszczeń i od parametrów meteorologicznych. Otrzymane równania regresji wykorzystano do predykcji średniomiesięcznych stężeń zanieczyszczeń powietrza. Sporządzono wykresy zawierające serie czasowe rzeczywistych i przewidywanych stężeń średniomiesięcznych, które pozwoliły na wizualizację dokładności predykcji. Oszacowano również dokładność aproksymacji, obliczając błędy modelowania dla każdego z modeli regresyjnych. Zastosowano trzy różne miary błędu aproksymacji, obliczając dla modeli regresyjnych średni błąd bezwzględny (MAE), pierwiastek z błędu średniokwadratowego (RMSE), współczynnik korelacji Pearsona (r).