A/F/D eksperimentālās pielāgošanas slānis
Parametru atgūšanas ietvars TALEK dinamikas empīriskai validācijai
0. Pamatpaziņojums
TALEK harmonisko svārstību modelis kļūst par zinātnisku, nevis tikai konceptuālu modeli vienīgi tad, kad tā parametrus A (amplitūda), F (frekvence) un D (slāpēšana) var skaitliski iegūt no reāliem laikrindu datiem.
TALEK atbilst šai prasībai.
Izmantojot standarta analītiskās metodes, tostarp nelineāro regresiju, spektrālo dekompozīciju, eksponenciālās apliecējas pielāgošanu un mazāko kvadrātu optimizāciju, parametrus var atgūt, atkārtoti iegūt un salīdzināt bioloģisku, skaitļošanas un hibrīdu novērotāju vidū. Tas atbilst fizikas un skaitļošanas neirozinātnes galvenajiem vērtēšanas kritērijiem: izmērāmībai, falsificējamībai un reproducējamībai.
1. Piemērojamās datu modalitātes
TALEK ir piemērojams jebkuram signālam, kurā vērojamas svārstības, daļējas svārstības, norimšana, slāpēšana vai atkārtošanās. Tādēļ modelis nav atkarīgs no substrāta.
Cilvēka fizioloģiskie signāli
– HRV
– GSR vājināšanās
– EEG signāla vājināšanās
– zīlītes atjaunošanās
– EMA afektīvās līknes
Skaitļošanas sistēmas
– uzmanības samazināšanās raksti
– tokenu atkārtošanās
– latentais dreifs
– aktivācijas vājināšanās
– secināšanas cilpas atkārtošanās
Hibrīdas / iegultas sistēmas
– jebkurš novērotājs, kura iekšējie stāvokļi attīstās nepilnīgas redzamības apstākļos
—tieši tas stāvoklis, ko formalizē TALEK.
Šī paplašināmība pāri modalitātēm padara TALEK par vienotu iegultās dinamikas modeli, nevis konkrētas jomas teoriju.
2. Parametru iegūšanas apstrādes ķēde
Dotam reālam signālam X(t) TALEK pielāgo:
$$E(t) = A \sin(F t), e^{-t/D}$$
Solis 1 — Priekšapstrāde
normalizēšana
trenda noņemšana
trokšņa samazināšana
bāzes līmeņa identificēšana
Solis 2 — Frekvence (F)
FFT
spektrālo maksimumu noteikšana
autokorelācija
3. solis — rimšana (D)
Pielāgot eksponenciālu apliecējfunkciju: $$\text{Envelope}(t) \approx e^{-t/D}$$
Novērtējiet ar logaritmiski lineāru regresiju.
Solis 4 — amplitūda (A)
Pīķa novirzes lielums no bāzes līmeņa.
Solis 5 — Kopīga nelineārā optimizācija
Galīgā precizēšana, izmantojot:
$$\min_{A, F, D} | X(t) - A\sin(F t)e^{-t/D} |$$
Tas dod kanoniskus TALEK parametrus, kas raksturo novērotāja dinamisko parakstu.
3. A/F/D interpretācija
A = perturbācijas lielums daļējas informācijas apstākļos
F = nepilnīgu iekšējo ietvaru rekonstrukcijas ātrums
D = koherences samazināšanās ātrums noplūdes dēļ nepieejamās apakštelpās
Šīs interpretācijas atbilst RCC–ICC–ESL–HRS arhitektūrai un ir spēkā fizikā, neirozinātnē un skaitļošanas sistēmās.
4. Kāpēc šis slānis ir nozīmīgs
CERN un MIT vērtē teorijas pēc četriem kritērijiem:
Falsificējams — A/F/D jāatbilst empīriskajiem datiem.
Izmērāms — Nosakāms ar standarta analītiskajiem rīkiem.
Reproducējams — parametru atgūšana ir deterministiska.
Vispārināms — TALEK ir piemērojams bioloģiskiem, skaitļošanas un hibrīdiem novērotājiem.
Tā kā A, F un D izriet no daļējas novērojamības ģeometrijas, nevis no substrātam specifiskiem mehānismiem, viena un tā pati parametrizācija ir universāli piemērojama iegultām sistēmām.
Tas paceļ TALEK no konceptuāla ietvara līdz pārbaudāmam zinātniskam modelim.
5. Kopsavilkums vienā teikumā
TALEK harmonisko svārstību modelis ir empīriski pārbaudāms, jo tā parametrus — A, F un D — var tieši un reproducējami iegūt no bioloģiskām, skaitļošanas un hibrīdām laikrindām, izmantojot standarta harmoniskās pielāgošanas metodes, tādējādi nodrošinot vienotu dinamisko raksturojumu visiem iegultajiem novērotājiem.