Помощь в написании студенческих работ
Антистрессовый сервис

Разработка методов имитационного моделирования для определения погрешностей результатов измерений процессорных измерительных средств

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В случае несложных преобразований, состоящих из небольшого числа арифметических и логических действий, определить время можно, умножив количество элементарных операций в программе, реализующей преобразования, на время их выполнения, известное для каждого типа МП, микро-ЭВМ. Для сложных, больших программ, содержащих большое число условных переходов, используют ряд различных методов исследований… Читать ещё >

Разработка методов имитационного моделирования для определения погрешностей результатов измерений процессорных измерительных средств (реферат, курсовая, диплом, контрольная)

Содержание

  • Перечень основных сокращений
  • Перечень основных обозначений
  • В В Е Д Е Н И’Е
  • 1. ПОГРЕШНОСТИ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ ПРОЦЕССОРНЫХ
  • ИЗМЕРИТЕЛЬНЫХ СРЕДСТВ
  • I. I. Уравнение измерений процессорных измерительных средств. Классификация погрешностей
  • I. 2. Погрешности аналоговых и аналого-цифровых преобразований. Методы исследований
    • 1. 3. Погрешности цифровых преобразований. Методы исследований
    • 1. 4. Выводы по главе I
  • 2. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССОРНЫХ ИЗМЕРИТЕЛЬНЫХ СРЕДСТВ
    • 2. 1. Методика ИМ для определения методических погрешностей результатов измерений процессорных ИС
    • 2. 2. Моделирование реализаций оператора цифровых преобразований
    • 2. 3. Определение погрешностей измерений процессорных ИС по погрешностям их компонент. Робастное ИМ
    • 2. 4. Определение числа экспериментов при ИМ
    • 2. 5. Выводы по главе 2
  • 3. ИССЛЕДОВАНИЕ МЕТОДИЧЕСКИХ ПОГРЕШНОСТЕЙ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ ЗНАЧЕНИЙ ОЦЕНОК ОДНОМЕРНОЙ ИНТЕГРАЛЬНОЙ ФУНКЦИИ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ
    • 3. 1. Методика ИМ для определения методических погрешностей результатов измерений значений оценок ВХ, проводимых процессорными ИС
    • 3. 2. Методика Ш для исследования методических погрешностей результатов измерений значений оценок ФРВ
    • 3. 3. Погрешность от конечности выборки при измерении значений одномерной ШРВ
    • 3. 4. Погрешность квантования мгновенных значений случайного процесса при измерении значений оценок ФРВ
    • 3. 5. Погрешность реализации оператора ^ при измерении значений оценок одномерной ШРВ
    • 3. 6. Методическая погрешность реализации усреднения при измерении значений оценок одномерной
  • §-РВ
    • 3. 7. Выводы по главе 3
  • 4. ИССЛЕДОВАНИЕ ХАРАКТЕРИСТИК ПОГРЕШНОСТЕЙ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ ПАРАМЕТРОВ МОНОКРИСТАЛЛА ГЕРМАНИЯ, ПРОВОДИМЫХ ПРОЦЕССОРНЫМИ ИС
    • 4. 1. Постановка задачи определения характеристик погрешностей результатов измерений параметров монокристалла германия
    • 4. 2. Модель измерительного эксперимента для определения погрешностей результатов измерений параметров монокристалла германия
    • 4. 3. Планирование эксперимента для определения оценок характеристик погрешностей измерений параметров полупроводников методом ИМ
    • 4. 4. Определение верхних оценок характеристик погрешностей результатов измерений параметров полупроводников
    • 4. 5. Выводы по главе 4
  • ЗАКЛЮЧЕНИ Е

В качестве наиболее перспективных направлений развития современной техники в решениях ХХУ1 съезда КПСС определено широкое применение средств вычислительной техники, микропроцессоров и микро-ЭВМ.

Использование микропроцессоров (МП), микро-ЭВМ в измерительных средствах (ИС) позволяет создавать точные, универсальные, гибкие приборы с высоким уровнем автоматизации процесса измерений. В настоящее время МП выполняют в ИС ряд следующих функций [75−77, 90, 92]:

1) реализация части измерительной процедуры, то есть реализация в цифровой форме части преобразований над вектором входных воздействий для получения числового значения величины некоторой характеристики объекта исследований, являющейся результатом измерений;

2) управление процессом измерений, то есть организация связей между нужными компонентами ИС и их временная синхронизация в моменты, определяемые заданным режимом измерений;

3) обработка результатов измерений (чаще всего статистическая обработка);

4) самоповерка ИС (автокалибровка, коррекция нуля, самодиагностика) ;

5) автоматизация процесса измерений (автоматический выбор диапазона и режима измерений).

Технические параметры современных МП (разрядность, быстродействие, объем доступной оперативной памяти) хорошо удовлетворяют большому классу задач управления на нижнем уровне, а также выполнению функций обработки результатов измерений, самоповерки и автоматизации процесса измерений. Практически во всех современных зарубежных и большом ряде отечественных измерительных приборов и систем встроены МП, выполняющие одну или несколько из перечисленных функций [75−76]. Ограниченное применение перепрограммируемых универсальных процессоров (П) — МП и микро-ЭВМ — для реализации части измерительной процедуры связано с трудностями оценки погрешностей результатов измерений данных НС. Реализация же процессором части измерительной процедуры дозволяет:

1) создавать универсальные, гибкие измерительные приборы, используя возможности достаточно простого изменения программно-реализуемой части измерительной процедуры;

2) упрощать аппаратную часть ИС, за счет реализации части преобразований измерительной процедуры на программной основе;

3) широко использовать унифицированные узлы и агрегатиро-ванный принцип при построении ИС. Это, в свою очередь, увеличивает эффективность ИС при одновременном уменьшении стоимости и сроков разработки, внедрения и производства новых ИС, а также уменьшении их габаритов и материалоемкости.

ИС, в которых процессор реализует часть измерительной процедуры, называют процессорными измерительными средствами [92]. Областями для их широкого применения являются косвенные, статистические, совокупные измерения. В них возможности перестройки процедуры измерений за счет изменения ее программно-реализуемой части позволяют на одной и той же аппаратной основе проводить измерения ряда различных величин.

В статистических измерениях на основе структуры последовательно соединенных аналого-цифрового преобразователя (АЦП) и П можно, меняя лишь программную часть, реализовать измерение любой вероятности характеристики. Аналого-цифровому преобразованию в этом случае подвергаются мгновенные значения случайного процесса, вероятностная характеристика которого измеряется.

Одним из основных и важнейших показателей качества ИС являются показатели точности, определяемые характеристиками погрешностей результатов измерений. Учитывая такие свойства процессорных ИС как относительная легкость перестройки процедуры измерений, многофункциональность, сокращение сроков разработки, необходимо иметь достаточно простые, хорошо формализуемые, доступные широкому кругу разработчиков методы определения их погрешностей. Отсутствие таких методов существенно сдерживает широкое развитие процессорных ИС.

В настоящее время МП в процессорных ИС выполняют ограниченный набор несложных операций [75, 76]: смещение, умножение, деление результата на константу, определение отношения двух величин, линеаризацию, градуировку. Выполнение МП более сложных функций затрудняет задачу определения погрешностей. Процессор (П) в соответствии с реализуемым преобразованием трансформирует на выход ИС погрешности предшествующих ему аналоговых и аналого-цифровых преобразований, а также вносит дополнительные, обусловленные конечностью его разрядной сетки и ограниченными точностями реализаций ряда функций численными методами.

Последние две погрешности определяют погрешность, вносимую П в статическом режиме. В динамическом режиме, кроме них, необходимо учитывать время реализации цифровых преобразований.

В случае несложных преобразований, состоящих из небольшого числа арифметических и логических действий, определить время можно, умножив количество элементарных операций в программе, реализующей преобразования, на время их выполнения, известное для каждого типа МП, микро-ЭВМ. Для сложных, больших программ, содержащих большое число условных переходов, используют ряд различных методов исследований [51, 91], основанных на использовании аппаратов графов, вероятностном описании временных процессов. Сложность современных ЭВМ обуславливает отсутствие единого подхода для исследований временных процессов и процессов преобразований информации. Параллельное применение методов определения погрешностей цифровых преобразований в статическом режиме и времени их выполнения позволит оценить погрешность, вносимую П, в динамическом режиме. Учитывая, что вычислительные мощности современных МП пока не дают возможность реализовать сложныецифровые преобразования, оценить время их выполнения несложно. Поэтому в первую очередь необходимо решить задачу разработки методов оценки процессорных погрешностей в статике. Дополнение их методами оценки времени преобразований, достаточно широко разрабатываемыми в настоящее время, даст возможность решать задачу для динамического режима при любой сложности цифровых преобразований.

Учитывая возможность изменения процедуры измерений за счет программно реализуемой части, простоту внесения изменений в структуру при использовании агрегатированного принципа построения, сложность реализуемых преобразований, экспериментальные методы определения характеристик погрешностей, требующие образцовых ИС или сигналов, чаще всего не соответствуют предъявляемым требованиям: простоты, формализуемости, доступности. Существующие в настоящее время аналитические методы позволяют определить характеристики погрешностей аналоговых и аналого-цифровых компонент, в случае, когда их непрерывные динамические звенья линейны [7, 19]. Хотя это часто соответствует принятым в практике допущениям, исследования носят обычно достаточно сложный характер и доступны специалистам высокой научной квалификации. Аналитические методы определения характеристик погрешностей, вносимых П [31, 43, 55, 107]: интервальный анализ, метод частных производных, обычно позволяют получить лишь грубые верхние оценки интервалов, содержащих погрешности либо только оценки душ систематической составляющей, без учета случайной, что для практики чаще всего недостаточно [31, 107]. Методом исследования, удовлетворяющим поставленным требованиям, является имитационное (цифровое) моделирование (Ш). В настоящее время оно плодотворно применяется при решении широкого круга задач. Оно позволяет значительно расширить применение разработанных моделей измерительных процедур и ИС, позволяя определить не только результирующие погрешности измерений, но и их компоненты.

Метод ИМ [101] заключается в проведении на ЭВМ ряда экспериментов над моделью процедуры измерений, включающей модели входных воздействий с известным: — значением измеряемой величины и преобразований в идеальном и реальном измерительных каналах и обработке результатов этих экспериментов с целью определения характеристик погрешностей (математического ожидания и средне-квадратического отклонения или доверительного интервала погрешности) .

Таким образом, разработка методов ИМ для определения характеристик погрешностей результатов измерений процессорных ИС является актуальной задачей, позволяющей решить одну из важных проблем для реализации перспектив использования микропроцессорной техники в измерениях. Данные методы являются основой как для создания элементов поверочных схем процессорных ИС, так и для создания подсистем метрологического анализа систем автоматического проектирования ИО.

Поставленная задача решалась в рамках комплексной научно-технической программы 0.Ц.027 «Создание и развитие автоматизированных систем научных исследований и систем автоматизированного проектирования с применением стандартной аппаратуры КАМАК и измерительно-вычислительных комплексов на I98I-I985 гг.», утвержденной Постановлением Государственного Комитета Совета Министров СССР по науке и технике и Госплана СССР от 12.12.80. А также в рамках программы ВПО Союзэлектроприбор «Средства измерительной техники на основе микропроцессоров и микро-ЭВМ на 1984;1986 гг.» .

Цель работы — разработка методов ИМ для определения характеристик погрешностей результатов измерений процессорного ИС и их составляющих, обусловленных аналоговой, аналого-цифровой и цифровой компонентами.

Основными задачами работы являются:

— разработка методики ИМ для определения характеристик погрешностей результатов измерений и определения вклада отдельных составляющих измерительного канала в погрешность результата измерений при проектировании процессорного ИС;

— разработка методики ИМ для определения характеристик погрешностей результатов измерений по характеристикам погрешностей преобразований отдельных компонент;

— разработка методики ИМ для анализа характеристик составляющих погрешностей статистических процессорных анализаторов;

— применение разработанных методик для типичных процессорным ИС задач: статистических измерений (на примере измерений функции распределения вероятностей случайной величины) и косвенных измерений (на примере измерений параметров Холла полупроводникового монокристалла).

Методы исследования. В основу исследований положен операторный метод описания процедуры измерений. Для вывода основных положений использованы теории вероятностей, математической статистики, математического анализа, теории сложных систем, непрерывных динамических систем, цифровых систем, измерений.

Результаты исследований сопоставлялись с результатами физических экспериментов и альтернативных аналитических расчетов.

Новые научные результаты:

1. Комплексно рассмотрены составляющие полной группы погрешностей процессорных ИС.

2. Разработана методика исследований методами ИМ полной группы погрешностей процессорных ИС.

3. Разработана методика Ш для анализа полной группы методических погрешностей процессорных статистических анализаторов.

4. Для функции распределения вероятностей определены зависимости между основными характеристиками процессорных ИС и составляющими погрешности.

5. Предложена инженерная методика аналитического расчета характеристик методических погрешностей результатов измерений значений оценок интегральной одномерной непрерывной функции распределения вероятностей.

6. Разработана модификация методики ИМ для решения задачи определения погрешности результата измерения процессорного ИС, исходя из результатов покомпонентной его поверки.

7. Разработана инженерная методика реализации метода ро-бастного ИМ дяя определения верхнего предельного значения погрешностей результатов измерений процессорных ИС по предельным погрешностям преобразований составляющих его измерительных преобразователей.

Практическая ценность:

1. Методика определения характеристик погрешностей результатов измерений позволяет использовать ее в составе метрологического обеспечения процессорных ИС.

2. Методика определения полной группы погрешностей дает возможность оценить на этапе структурного проектирования предельные точностные характеристики разрабатываемого процессорного ИС, позволяет создать подсистему анализа погрешностей измерений систем автоматического проектирования процессорных ИС.

3. Методика оценки погрешностей результатов измерений по результатам покомпонентной поверки упрощает задачу экспериментальной поверки всего измерительного канала процессорного ИС.

4. Методика определения методических погрешностей процессорных анализаторов функции распределения вероятностей позволяет на основе несложных расчетов обоснованно выбрать разрядность аналого-цифрового преобразователя, процессора, программный метод усреднения, исходя из заданной погрешности.

5. Инженерная методика робастного ИЛ позволяет оценить предельные значения погрешности результата измерений при отсутствии информации о законе распределения погрешностей компонент.

Внедрение работы. Результаты работы использованы при проведении во ВНИИ электроизмерительных приборов (ВНИИЭП) трех НИР по следующим темам:

-" Исследование методических погрешностей результатов измерений значений вероятностных характеристик случайных процессов с помощью измерительно-вычислительных средств." .

-" Исследование путей уменьшения методических погрешностей вероятностных характеристик измерительно-вычислительными средствами." .

-" Исследование и разработка методов моделирования на базе вычислительной техники и их применения при разработке сложных многоблочных средств измерений" .

— А также ОКр по теме «Разработка установки автоматизирования измерения параметров Холла полупроводниковых материалов» .

Результаты внедрения и достигаемый при этом экономический эффект подтверждены актом о внедрении, помещенном в. приложении к диссертации.

Апробация работы. Основные результаты работы докладывались на Всесоюзных симпозиумах «Статистические измерения и применение микро-машинных средств в измерениях», 1982,1984 гг., на У Всесоюзной конференции «Проблемы метрологического обеспечения систем обработки измерительной информации», 1984 г.- на Всесоюзной конференции «Методы и микроэлектронные средства цифрового преобразования сигналов», 1983 г.- на Международном конгрессе IMEK0, 1982 г.

Публикации. По материалам диссертации опубликовано 7 печатных работ.

Структура и объем работы. Диссертационная работа состоит из основной части и приложения. Основная часть содержит введенив, четыре раздела, заключение, изложенные на 123 с. м.п.текста. Работа иллюстрирована 37 рисунками и содержит 14 таблиц.

Список литературы

включает 110 наименований.

В главе I дается постановка задачи определения погрешностей результатов измерений процессорных измерительных средств. Дается классификация полной группы погрешностей, позволяющая провести анализ влияния отдельных компонент измерительного канала процессорного ИС на погрешность результата измерений. Данная задача может быть решена на основе операторного способа описания процедуры измерений, взятого за основу разрабатываемых методов исследований [92]. Проводится обзор и анализ практически наиболее важных известных методов исследования составляющих погрешностей. Показано, что они позволяют решить лишь частично поставленную задачу. Дается обоснование выбора ИМ в качестве метода, позволяющего комплексно исследовать как полную группу погрешностей, так и погрешность результата при структурном анализе проектируемых ИС, а также в задачах аттестации сложных многокомпонентных процессорных ИС, по результатам покомпонентной поверки его измерительного канала. моделирование успешно применялось при исследовании аналоговых и аналого-цифровых компонент ИС. Для них приведены наиболее практически используемые и соответствующие большому классу измерительных преобразователей цифровые модели. Исходя из изложенного, ставится задача разработки общей методики ИМ, основанной на операторном методе описания процедуры измерений, позволяющем использовать имеющиеся разработанные модели предпроцессорной части, а также задача разработки моделей цифровых преобразований в П с учетом таких его характеристик как разрядность, тип арифметики, способ усечения избыточных разрядов при переполнении регистров.

В главе 2 дается разработка методики ИМ, позволяющая решить поставленные задачи. Приводятся модели, позволяющие воспроизвести цифровые преобразования в используемом при измерениях П.

Для варианта методики Ш, позволяющей определить погрешность результата измерений процессорного ИС по результатам его покомпонентной поверки, приведена инженерная методика робаст-ного ИМ, позволяющая решить данную задачу в случае, когда известны лишь такие характеристики погрешностей преобразований (аналоговых и аналого-цифровых), как интервалы, их содержащие.

Исходя из задаваемой относительной точности оценок характеристик погрешностей результатов измерений (математического ожидания, среднеквадратического отклонения, доверительного интервала), приводятся формулы для расчета необходимого числа проведения циклов моделирования процедуры измерительного эксперимента .

В главе 3 проводится конкретизация предложенной методики ИМ для определения погрешностей статистических процессорных анализаторов, как показано в обосновании актуальности работ одной из самых перспективных областей применения процессорных ИС.

Данная методика применена для исследований полной группы методических погрешностей результатов измерений значений интегральной функции распределения вероятностей случайной величины — одной из важных вероятностных характеристик.

По результатам исследований определены зависимости составляющих погрешности от таких характеристик процессорного анализатора как разрядность АЦП, П, способ усечения избыточных разрядов при квантовании и оцифровке, метод программной реализации усреднения, а также и от объема выборки, по которому определяется значение функции.

Для некоторых составляющих погрешностей из-за конечности выборки и усреднения) проведены аналитические расчеты, результаты которых сравнивались с результатами ИМ. Хорошее их совпадение, в пределах заданных погрешностей моделирования, подтверждает качество предложенного метода ИМ.

Результаты исследований функции распределения вероятностей обобщены в методику аналитического расчета, позволяющего при проектировании достаточно просто оценить как погрешность результата, так и ее составляющие. Программная реализация данной методики дается в приложении.

В главе 4 приводится пример применения предложенных мето-. дов для типичной задачи косвенных измерений процессорных ИС, имеющей важное практическое значение, — измерении значений параметров Холла полупроводниковых монокристаллов.

Для решения данной задачи были также применены альтернативные методы: интервальный анализ, метод частных производных, а также робастное ИМ.

Для малого числа точек диапазона измерения параметров Холла было осуществлено at спериментальное определение погрешностей.

Анализ всех методов и сопоставление результатов, полученных на основе их применения с экспериментальными данными, показал, что ИМ позволяет получить наиболее близкие действительным оценки погрешностей вне зависимости от таких ограничений альтернативных методов как величины погрешностей предпроцессор-ных преобразований, сложности и вида задания, реализуемой П функции.

Метод ИМ позволил оценить погрешность измерений на всем диапазоне. Результаты этих исследований были использованы при метрологической аттестации установки У749.

— 18.

Основные вывода:

1. Из существующих в настоящее время теоретических методов определения погрешностей результатов измерений наиболее близкие оценки позволяют получить методы ИМ. Достоверность результатов, полученных при ИМ, определяется степенью адекватности моделей ИС. Накопленный опыт по исследованию аналоговых и аналого-цифровых преобразователей предоставляет большое число цифровых моделей, адекватность которых подтверждена физическим экспериментам и опирается на хорошо развитую теорию. Данные модели охватывают широкий класс практически используемых в электрических измерениях преобразователей. Разработанные и предлагаемые в данной работе модели преобразований чисел в универсальных программируемых процессорах позволяют в совокупности с имеющимися моделями аналоговой и аналого-цифровой частей промоделировать всю измерительную процедуру. Пополнение имеющихся моделей измерительных преобразователей новыми позволит расширять область применения методов ИМ на новые классы ИС.

Идеология построения имитационного эксперимента, позволяющего определить как общую погрешность результата измерений, так и ее составляющие, обусловленные различными компонентами измерительного канала, воплощена в предлагаемой в работе методике ИМ.

2. Разработанные в работе методы ИМ позволяют построить подсистему метрологического анализа системы автоматического проектирования ИС. Они позволяют с единых позиций рассмотреть весь процесс преобразований в измерительном канале, дают высокий уровень формализации его описания, хорошо сочетаются с агрегатированным подходом при создании сложных многокомпонентных ИС.

3. Методы ИМ позволяют наиболее полно провести исследование погрешностей результатов измерений, проанализировать источники погрешностей, выделить среди них наиболее существенные, установить взаимосвязи их параметров с величинами погрешностей, исследовать физику процесса возникновения погрешностей. Иллюстрацией этому является проведенное в работе исследование погрешностей измерений функции распределения вероятностей, в результате которого были установлены зависимости, позволяющие определить величины погрешностей, исходя из величин основных параметров процессорного анализатора и вида измеряемой функции распределения.

Полнота таких исследований непосредственно связана с их усложнением и существенным увеличением времени машинного эксперимента .

4. Методы ИМ в основном рассчитаны для исследований сложных систем и используются в случаях, когда нет практически приемлемого аналитического решения задачи.

Сочетание аналитического подхода с методами ИМ позволяет добиться упрощения процедуры моделирования.

С другой стороны, включение методов ИМ в физический эксперимент определения погрешностей существенно расширяет его возможности.

5. Методы ИМ позволяют провести метрологическую аттестацию сложных многокомпонентных процессорных ИС, на основе покомпонентной экспериментальной поверки его предпроцессорной части. Они применимы для алгоритмов цифровых преобразований различных видов и сложности. Такой подход упрощает процедуру аттестации. Иллюстрацией этого является применение его дли решения практической задачи косвенных измерений с нелинейным сложным алгоритмом цифровых преобразований — определении погрешностей измерений параметров Холла кристаллов полупроводников .

Основные научные результаты:

1. Разработана методика ИМ для определения оценок характеристик составляющих полной группы погрешностей результатов измерений процессорных средств измерений, позволяющая определить вклад всех компонент измерительного канала в результирующую погрешность. Данная методика дает возможность на этапе проектирования, с точки зрения характеристик погрешности, провести анализ структуры измерительного каналаможет быть использована в качестве подсистемы систем автоматического проектирования процессорных измерительных средств.

2. Разработана методика ИМ для определения оценок характеристик погрешности результата измерений многокомпонентного процессорного измерительного средства по характеристикам погрешностей преобразований компонент измерительного канала, позволяющая провести аттестацию всего измерительного канала по результатам аттестации отдельных его аналоговых и аналого-цифровых компонент. Данная методика позволяет оценить характеристики погрешности всего измерительного канала. по результатам экспериментального исследования характеристик погрешностей аналоговых и аналого-цифровых компонент в случае отсутствия образцового сигнала или образцового измерительного канала.

3. Разработана инженерная методика робастного ИМ, позволяющая оценить верхние значения оценок предельной допустимой погрешности результата измерений процессорных измерительных средств в случае, когда можно определить только оценки предельных допустимых погрешностей преобразований аналоговых и аналого-цифровых компонент, то есть неизвестен закон их распределения. Точность получаемых оценок выше, чем при использовании метода интервального анализа и одного порядка с точностью оценок, получаемых при использовании метода частных производных. Но в отличие от последнего метода не требуется аналитического исследования функций преобразований измерительного канала, проста для реализации на ЭВМ.

4. Предложены несложные имитационные модели реализации элементарных действий универсальных программируемых процессоров, учитывающие их разрядность, и метод усечения избыточных разрядов, тип арифметики (целочисленная, фиксированная запятая, плавающая запятая). На их основе с высокой достоверностью можно промоделировать любую процедуру цифровых преобразований, реализуемую универсальным перепрограммируемте процессором. Модели характеризуются высоким быстродействием, позволяющим эффективное их применение при ИМ.

5. Разработана методика ИМ для проведения анализа полной группы погрешностей результатов измерений значений оценок вероятностных характеристик случайных процессов, позволяющая определить вклад каждой из составляющих в результирующую погрешность. Методика позволяет провести исследование зависимостей характеристик погрешности от основных характеристик статистических анализаторов, построенных на основе процессорных измерительных средств.

6. В результате анализа результатов ИМ по исследованию одномерной интегральной функции распределения вероятностей случайной величины определены зависимости между характеристиками полной группы методических погрешностей и характеристиками процессорных статистических анализаторов: разрядностью АЦП, П, способом усечения избыточных разрядов в АЦП и П, программными методами реализации операторов цифровых преобразований .

7. Предложена инженерная методика аналитического расчета характеристик полной группы методических погрешностей результатов измерений значений оценок одномерной непрерывной интегральной функции распределения вероятностей случайной величины для заданных характеристик процессорных статистических анализаторов: разрядности АЦП, П, способа усечения иззыточных разрядов АЦП и П, оцифровки шкалы возможных значений функции распределения вероятностей.

Методика позволяет на основании несложных расчетов обоснованно выбрать разрядность АЦП, процессора, программный метод усреднения, исходя из заданной погрешности.

Методика реализована в программу расчета полной группы методических погрешностей процессорных анализаторов функции распределения вероятностей.

8. Проведено сравнение метода ИМ и метода робастного ИМ с альтернативными методами определений погрешностей результатов измерений процессорных средств измерений: методом частных n производных и интервального анализа, на примере задачи определения погрешности измерений значений параметров полупроводниковых монокристаллов. Результаты всех перечисленных методов сравнивались с результатами экспериментальных исследований.

Проведенный анализ подтвердил, что ИМ позволяет получить оценки характеристик погрешности, наиболее близкие к действительным.

9. Определены области применимости методов определения характеристик погрешности результатов измерений по характеристикам погрешностей компонент (метода ИМ, метода робастного ИМ, метода частных производных, интервального анализа) в зависимости от требуемой точности получения оценок характеристик погрешности, сложности реализации методов, вида известных характеристик погрешностей преобразования компонент, вида функций преобразования в измерительном канале.

ЗАКЛЮЧЕНИЕ

.

Показать весь текст

Список литературы

  1. И.И., Ребане Р. П. Методика определения статистических характеристик погрешности АЦП и ИИС с АЦП. Институт кибернетики АН ЭССР Таллин, 1978, Деп. J1.950−79.
  2. Т.М., Дамиров Д. И., Шекиханов A.M. Алгоритмический подход к аналого-цифровому преобразованию. Измерительная техника В 10, 1981, 0.9.
  3. И.У., Король Е. И., Новицкий П. В. О классификации погрешностей по виду их закона распределения. Измерительная техника № 5, 1975, с. 29.
  4. Е.А., Веников Г. В., Щелкановцев Н. М. Оценка вероятностных характеристик сложных систем по результатам экспериментов и физического моделирования. Электронное моделирование № 3, 1983, с. 82.
  5. Arithmetique binare en virgule floattante pour systems a micro processeurs. Tubl. CEI". 1982, N 559, P-37.
  6. Albrecht R. Roundings and approximations in ordered sets. «Computing», 1980, Suppl. N 2, p.17
  7. В.В. Цифровое моделирование в статистической радиотехнике. Москва. Мир, 1971.
  8. Н.П. Моделирование сложных систем. Москва. Наука, 1978, 385 с.
  9. Е!усленко Н.П., Калашников В. В. Лекции по теории сложных систем. Москва. Сов.радио. 1973, 439 с.
  10. Н.П. Сложные системы и моделирование. Кибернетика № 6, 1976.
  11. И.В. Распределение ошибок округлений при умножении и делении двух чисел в арифметике с фиксированной запятой.
  12. Институт прикладной математики АН СССР. J& 57, 1979.
  13. Г. Д. Аналого-цифровые преобразователи. М.: Сов. радио, 1980.
  14. В.А. Общее описание процесса измерений. П Всесоюзное совещание по теоретической метрологии 29−31 марта 1983 г. Л., с. 17.
  15. Bisschop Johennes, Meeraus Alecxander. Selected Aspects ofa General of Algebraic Modelling Language. «Lect.Notes Contr. and Inform.Sci.», 1980, v.23, pp.223.
  16. E.A. Исследование аналого-цифровых вычислительных комплексов для задач статистического оценивания характеристик случайных процессов. Автореферат. JE.: ЛЭТИ, 1975.
  17. Е.С. Теория вероятностей. М.: Наука, 1969. — 576а
  18. В.А. Динамические измерения. Л.: Энергоатомиз-дат, 1984. — 220 с.
  19. A.M. Численное решение задач радиотехники и техники связи на ЭЦВМ. М.: Связь, 1972. — 200 с.
  20. Э.И. Преобразователи информации для электронных цифровых вычислительных устройств. М.: Энергия, 1975. — 447 с.
  21. Э.И., Могуева О. В., Собкин Б. Л. Исследование точностных характеристик АЦП с учетом взаимного влияния узлов. Измерительная техника, $ 12, 1982, с. 55.
  22. ГОСТ 16 153–80. Германий монокристаллический. Технические условия. -М.: Стандарты, 1980.
  23. ГОСТ 8.009−72 ГСИ.•Метрологические характеристики средств измерения. М.: Стандарты, 1972.
  24. ГОСТ 8.011−72 ГСИ. Показатели точности измерений и формы представления результатов измерений. М.: Стандарты, 1972.
  25. Э. Дисциплина программирования, Москва. Мир. 1978 г,
  26. Discrete Simulation and Related Fields. Ecoc. IMACS Eur.Meet., Keszthely, 10−12 Sept., 1980. Ed. Javor A. Amsterdam e.a. N-Holl. Publ. Co., 1982, vii, 246 pp.
  27. B.A., йсмаилов Ш.Ю. и др. Метрологическое обеспечение вычислительных систем ИИС. Тезисы докладов Всесоюзной конференции «ИИС-вЗ». Куйбышев. 1983, с. 132.
  28. Duket Steven D. Implementation: a reguirement for successful simulation «Winter Simul.Oonf. San Diego, Calef. 6−8 Dec. 1982. Vol.1». New York, N.Y. 1982, p.208.
  29. С.В., Калашников В. В., Лутков В. И. и др. Основные
  30. ВОПрОСЫ Построения ИМИТаЦИОННЫХ СИСТеМ. «Modelbild. und Si-mulationstech. Ausgeurahlte Beitv. 8.
  31. Jahrestag. Grundlag. Modellierung und Simul., Rostok, 12−14 Dez., 1979», Berlin, 1981, 9−25.
  32. С.В., Калашников В. В. Методологические проблемы построения имитационных систем, (обзор). Москва, МЦНТИ. 1978.
  33. Ю.А. Точностные характеристики управляющих вычислительных машин. Москва. Энергоатомиздат. 1983. 135 с.
  34. В.А. Элементы групповой теории измерений. П Всесоюзное совещание по теоретической метрологии. 29−31 марта 1983 г. г. Ленинград, с. П.
  35. Исследование и разработка методов и алгоритмов автоматизации проектирования измерительных устройств и систем. Отчет по НИР 0471 4026 10, ВНИИЭП, 1975.
  36. Jyengar S. Sitharama General approach to formulation and solution of simulation modeles. «Simuletter», 1980, 11, N 3, p.70.
  37. Jomier Genevieve. An overview of systems modeling and evaluation tendencies. «MTA Szamitastechn. es autom. kut. inteztanul», 1983, й 139, p.55.
  38. C.M. Модели универсальных дискретно-аналоговых вычислительных машин на основе машины Тьюринга. Электронное моделирование, й 3, 1982, с. 6.
  39. Г. Л., Чибисов Д. М. Распределение ошибки округления при умножении двух чисел на вычислительной машине с фиксированной запятой. Математические заметки, т.1, № 2, 1967, с.35−38.
  40. Г. Математические методы статистики. М.: Мир, 1975.
  41. М.А., Брик В. А. Вычислительные системы и синхронная арифметика. М.: Радио и связь, 1981. — 359 с.
  42. В.Я. Оценка погрешности результата косвенных измерений с помощью робастного вычислительного эксперимента.
  43. У Всесоюзная конференция -М., 1984.
  44. В.Г. Место и роль репрезентационной теории измерений в системе теорий, описывающих процедуры и средства измерений. П Всесоюзное совещание по теоретической метрологии 29−31 марта 1983 г. I., с. 9.
  45. В.П. Выбор коэффициента для расчета интервальной оценки погрешности измерений. Измерительная техника, № 3, 1983, с. 8.
  46. Д. Искусство программирования для ЭВМ. Получисленные алгоритмы. М.: Мир, 1977. 724 с.
  47. Г., Корн Т. Справочник по математике. М.: Наука, 1970. — 720 с.
  48. В.Я. Аксиоматические основы метризации. П Всесоюзное оовещание по теоретической метрологии 29−31 марта 1983 и, Л., с. 13.
  49. Лиу, Канеко.: Анализ погрешностей цифровых фильтров, реализуемых арифметическими операциями с плавающей запятой. ТИИЭР, т.57, № 10, 1969 г., с. 49.
  50. Методы Монте-Карло в вычислительной математике и математической физике. Труды 6-го Всесоюзного совещания, Новосибирск, 1979.
  51. А.Н. Представление моделей вычислительных средств в инструментальной ЭВМ. Пермский университет, 1982 г. Деп. Я 5060−82.
  52. А.И. Вычисления с плавающей точностью. Пермский университет, 1980. Деп.3420−8. 9 с.
  53. Моделирование дискретных управляющих и вычислительных систем. Всесоюзный семинар. Челябинск, 1978.
  54. Моделирование вычислительных систем на АСВТ М-6000, под ред. Торгашева. Учебное пособие. Ленинград. ЛЭТй, 1976.
  55. Miller Webb, Spoonez David. Software for roundoff analisis. II. ACM Trans.Math.Software, й 41 978, p.367.
  56. Марков Святослав M. Революция в численого смятане: сигурни изчисления и икономия на ресурси. «Автоматиз. произв-вото и упр. Бюл. 1982, II, № 5, 3−8.
  57. Математика и математическое моделирование. Материалы конференции «Развитие технических наук и перспективы использования их ресурсов». Вильнюс, 1982. 90 с.
  58. Мак-Кракен Д., Дорн У. Численные методы программирования на ФОРТРАНе. Москва. Мир. 1977. 584 с.
  59. Menon Premachandndran R., Chappell Stephen G. Deductiv fault simulation with functional blocks. 2 «IEEE Trans. Compute, 1978, 27, N 8, p.689.
  60. Matula D.W., Kornerup P. Foundations of finite precision rational arithmetic. «Computing» 1980, Suppl. N 2, p.85.
  61. МИ 222−80. Методика расчета метрологических характеристик измерительных каналов информационно-измерительных систем по метрологическим характеристикам компонентов. Москва. Стандарты. 1981 г.
  62. МИ 202−80. Методика. Метрологические характеристики измерительных систем. Принципы регламентации и контроля. Москва. Стандарты. 1981 г.
  63. П.В., Заграф И. А. Расчет погрешностей с заданной доверительной вероятностью для распределений, отличных от нормального. Метрология, № 8, 1983, с.II.
  64. Page В. Der Gultigkeitsnachveis von Komplexen Simulations-modellen. Page Б. «Angew.Inf. 1985, 25, N p.14−9.
  65. B.C. Теория случайных функций и ее применение к задачам автоматического управления. Москва. Физматгиз. I960.
  66. Ю.Г. Методология исследования сложных технических систем. В кн.: «Проблемы методологии системного исследования». Москва. Мысль. 1970.
  67. Ю.Г. Вероятностное моделирование на электронных вычислительных машинах. Москва. Сов.радио. 1971 г.
  68. М.И. Анализ погрешностей измерений функции распределения вероятностей, проводимых измерительно-вычислительными средствами. Труды ВНИИЭП «Унификация в области электроприборостроения. Ленинград, 1982 г.
  69. Philips teaihnical revue вып.20,№ 8,1958 г., Вандерпауль. Методы измерения удельного электрического сопротивления и коэффициента Холла на пластинках произвольной формы.
  70. В.Я. Введение в теорию точности измерительных систем.М., Сов. радио, 1975.
  71. Rose? Lawenee: L. f Zискег E -В., Pooch Udo. Simulation of computer systems: looking «back. «Winter Simul.Сonf.San. Diego, Calif., 6−8 Deo., 1982 Vol. 2». New York, N.Y., 1981, p.698.
  72. Rump S.M. Computer und Rechengenauigkeit. «Elektron. Hechenaniage», 1982, 24, N6, p.268.
  73. Ratajczyk Eugeniusz. Matematical analysis of the repeata-bily errors of meassuring instruments. «EMISCON 83». Teor. merania a jej vyuzit. praxi. Zt>. prednas. konf. zahran ucast au Tatranska Lomnica, 4−5 maja 1983, о. I Kosice, 1983, p. 19.
  74. Л., Гоулд Б. Теория и применение цифровой обработки сигналов. М., Мир, 1978.
  75. РТМ 25−159−74. Методика определения характеристик погрешностей средств измерений в нормальных условиях.
  76. А.Г., Соснина Н. С. Программируемые электроизмерительные приборы (обзор). Приборы и системы управления, № 1, 1984, с. 20.боростроения. Ленинград, 1982 г.
  77. Philips teohnikal revue, вып. 20 № 8, 1958 г. Вандерпауль Методы измерения удельного электрического сопротивления и коэффициента Холла на пластинках произвольной формы.
  78. В.Я. Введение в теорию точности измерительных систем. Москва.^ Сов.радио. 1975.
  79. Rose Lawenee L., Zucker E.B., Pooch Udo. Simulation of computer systems: looking back. «Winter Simul. Conf. San. Diego, Calif., 6−8 Dec., 1982. Vol. 2». New York, N. Y., 1981, p. 698.
  80. Rump S.M. Computer und Rechengenauigkeit. «Elektron. Reche-nanlage», 1982, 24, N 6, p.268.
  81. Ratajczyk Eugeniusz. Mathematical analysis of the repeatabi-ly errors of meassuring instruments. «EMISCON 83». Teor. merania a Qej vyuzit. praxi. Zb. prednas. konf. zahran ucast au Tatranska Lomnica, 4−6 maja, 1983, c.1 Kosice, 1983, p.19.
  82. Л., Гоулд Б. Теория и применение цифровой обработки сигналов. Москва. Мир. 1978.
  83. РШ 25−159−74. Методика определения характеристик погрешностей средств измерений в нормальных условиях.
  84. А.Г., Соснина Н. С. Программируемые электроизмерительные приборы (обзор). Приборы и системы управления, JG I, 1984, с. 20.
  85. А.Г., Соснина Н. С., Алтухов Н. А. Зарубежная экспозиция международной выставки «Автоматизация-83». Электроизмерительная техника. Приборы и системы управления, № 7, 1984, с. 16.
  86. В.Б., Чернявский Е. А. Гибридные вычислительные устройства с дискретно-управляемыми параметрами. -Л.: Машиностроение, 1977. 296 с.
  87. Э.И., Телига А. И., Шаталов А. С. Точность вычислительных устройств и алгоритмов. М.: Машиностроение, 1976. — 200 с.
  88. Системотехника и математическое моделирование / под ред. Ю. Г. Полляка. М.: АН СССР / Труды радиотехнического института, 1972. — 246 с.
  89. А.П. Алгоритмическая теория измерения и избыточные измерительные коды. П Всесоюзное совещание по теоретическойметрологии. 29−31 марта 1983 г. Л., с. 7.gj Sargent Kobert С. Introduction to Simulation Languages.
  90. Э.П. Исследование погрешности аналого-цифрового преобразователя поразрядного взвешивания в динамическом режиме. Микроэлектронная элементная база измерительной техники и средства измерений на основе микроэлектроники». Л., 1983, с.67−76.
  91. Thomas G.C., Lum Y.T., Kennett D. Microprocessor-based, digital correlator «Rev. Sci. Instrum.», 1983, 54, N 10, 13 461 355.
  92. Ю.В., Челпанов И. Б., Сирая Т. Н. Задачи и методы аттестации алгоритмов. Измерительная техника. № 9, 1983. с. 28.
  93. The 16 th Annual Simulation Symposium, Tampa, Fla, 1983. Rec. Eroc. Ed. Holbrook Linda A Silver Spring, M: IEEE Com-put. Soc. Press., 1983, ЗЮ pp.
  94. Дж., Малькольм M., Моулер К. Машинные методы математических вычислении. Москва. Мир. 1980.
  95. Woghi Е.A. Some problems of Qn-Line Processing of Measurement Data by means of Microcomputers. «EMICON 83». Teor. mera-nia a oed vyuzit.praxi.zb.prednas, konf.zahram.ucastou.Tatran-ska Lomnica, 4−6 maja 1983 0. 1 «55−62
  96. Г. В., Буштрук А. Д. Анализ погрешностей и выбор разрядности чисел в корреляторах на микропроцессорах. Москва. Научные труды МЭИ. № 6, 1982, с.58−63.
  97. В. Формальная модель вычислительных устройств. Электронное моделирование, № I, 1983 г., с. 21.
  98. Э.И. Измерительно-вычислительные средства и формальная метрология. Измерительная техника, № 9, 1983, с. 25.
  99. Э.И. Основы теории статистических измерений. Ленинград. Энергия. 1979. 286 с.
  100. Э.И. Структура методических погрешностей результатов измерений измерительно-вычислительных средств. Сб. Проблемы создания измерительно-вычислительных комплексов и измерительных информационных систем. Ленинград. 1981 г., с. 9.
  101. Э.И. Уравнение измерений для процессорных измерительных средств. П Всесоюзное совещание по теоретической метрологии, 29−31 марта 1983 г. Ленинград, 1983, с. 5.
  102. Tsvetkov E.I., Pavlovich M.I., Solovyeva E.B., Sobolev V.S. Errors due to statistical measurements performed by microprocessor means. Simulation study. Acta IMEKO 1982. Publ. Hause of the Hung. Acad.Scien.
  103. Leigler Bernard P. «Simulat. Syst.» 79» Amsterdam e.a., 1980, PP.819.
  104. Cellier Francois E., Bongulieimi Antonio P. The COSY simulation language. «Simulat. Syst."79», Amsterdam, e.a., 1980, PP.271.
  105. P. Имитационное моделирование систем искусство и наука. Москва. Мир. 1978.
  106. A.M. Основы машинной арифметики. Ленинград. ЛГУ. 1979.
  107. Ю.И. Интервальный анализ. Новосибирск, Наука. 1981, 241 с.
  108. Hofmann D. Error concepts and definitions in measurement -an overview. «EMICON'83». Teor. merania a oej vynzit. praxi Zb.prednas konf. zahran ucastou, Tatranska Lomnica, 4−6 mag a, 1983 0 1.» Kosice, 1983, 5−11.
  109. Хан Г., Шапиро С. Статистические модели в инженерных задачах. Москва, Мир. 1969 г.
  110. Hansen Е.Е. A generalized, interval aritmetic. In: Interval mathematics. Lecture notes in computer science, v.29, Berlin-Heidelberg-H.Z., Springer, 1975, 331, pp.7.
  111. P.B. Численные методы. Москва. Наука. 1968, 400 с.
  112. Frankowski Kzysztof S.A. Arealistic model for error estimates in the evaluation of elementary functions. «Proc.^-th Symp. Comput. Arith., Santa Monica, Calif., 1978», New York, N. Y., 1978, p.70.
  113. Д.Х. Алгебраическая проблема на собственные значения. Москва. Наука. 1970.
  114. С. Математическая статистика. Москва. Наука, 1967.
  115. ПРОГРАММА ОПРЕДЕЛЕНИЯ МЕТОДИЧЕСКИХ ПОГРЕШНОСТЕЙ ПРОЦЕССОРНЫХ АНАЛИЗАТОРОВ ФУНКЦИИ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ (РАЗДЕЛ 3.2). ИСХОДНЫЕ ДАННЫЕ:
  116. FU измеренное значение ФРВ Г ВЫХОДНЫЕ ДАННЫЕ:
  117. SR математическое ожидание погрешности из-за конечности выбрр-ки-
  118. SRi- математическое ожидание погрешности квантования (оцифровки) — 5RU- математическое ожидание погрешности усреднения- GL СКО погрешности из-за конечности выборки- Qtt — СКО погрешности квантования (оцифровки) — QlU- СКО погрешности усреднения-
  119. Ы- коэффициент корреляции погрешностей конечности выборки иквантования (оцифровки)-$ 2 коэффициент корреляции погрешностей конечности выборки и усреднения-
  120. ЬЪ -коэффициент корреляции погрешностей квантования (оцифровки) и усреднения-
  121. FM0- математическое ожидание оценки значения ФРВ, полученной по1выборке N ОТО) —
  122. FMOi- математическое ожидание оценки значения ФРВ, полученной поп «<выборке N с учетом квантования (оцифровки) (MtF) илиМСРЗ) —
  123. CALL N0RMLV { У, Б) определение значений нормальной
  124. ФРВ (Е) для аргумента V —
  125. CALL МРСЛ/fl (АХД1, Х2) датчик нормально распределенных случайных величин XI и X2.. АХ — исходное для датчика вспомогательное число (любое целое нечетное 8-разрядное десятичное число) 43^ -
  126. CALL 5UM0 (Г, Х, Y, /VP) определение значения суммыыдля значений случайной величины по выборке N ((Ы) и аргуi"iмента Y. I вспомогательный параметр-7г нг *
  127. СДЫ ШЫЦМЩЩНШ^Р^Щ!) — определение значений г, F», Г для заданного объема выборки N и разрядности процессора I А/Л/ вспомогательная переменная.
  128. ST 56−5*2,79 MAIN DATE 14.03,fi5<073) — 16, 49.281. REAk N Msll1. A s 3 i 0 jjeU I8, ,.. ¦.. *, «.
  129. D I HENS I ON Y (11)'-YII 11). NP <12> «NP t И2» i N P 0 П 2)1. PU2)1. Z (iP,. .r"FOi"3j, F1(12"3) 4 Fy (.FP{12} * i S П 2) i S 1 {? П 2) REAHP ¦Ell?)pRflH2"3i «P R 5 (i 2 ¦ 3 >, PRM}2i3)a u 2"з)"s i (i 2"з j, a g (i 21 з I- q 0! 12 • з)
  130. SF I 12 «3), aFl (l2,3), RFU t12.3) RU2.3) • R 1 (12 > 3 > .RUU2.3I .R0(l2"3) F M Q H 2, 3 J, F M 0 1 С 12. 3), FHOUij2,*3j Q F (12, 3), О F 1 (12, 3) i О F U (1 2 • 3 ' S И F (12 I 3 1, S M F 12 «3) i S M F U ' 12,3) p N U 2, 3)
  131. SRU2,31/36*0,?/, SRl (12,31/36*0,0/ SRU О 2, 3 «/36*0, 0/, SR0(12,'31/36*0,0/,. D R (J 2 i 3 j «D R i П 2 «3 j «О R U (1 2 • 3 } «Q R 0(i 2 ¦ 3). , SmR ($ 2.3|, SMRH12"3), SMRUU2i3i «SMR0"i2i3> SI {112,3), S2a2,3) — .'S3U2i3i
  132. S4<12,3) ,$ 5
  133. DATA Z/"0.56j25i-ff0>,'5,-0.45,4,-0,375,{*, 0>0.375|0"4"0"45» 0.5 ¦0,5625/si"52,53/i08*P, 0/
  134. DF «PF i «OFU/i'<�»e*0- 0/ , t ¦ VfiIP iFMOI ,FMOU/108*0.0/ "OR,OR 1,ORU,DR0/ E { 12» = 1,3 DO I J rl,J>3 Y (J)=ZI J)
  135. CALU NORHLV (Y"Jj — E (J i). 1 YlN)*INT (Y (J)<42**IK)/A) DO 55 Ul', 2 DO 54 K^l'.KK DO 53 Js 1"12 N P <) ~ 0, 0531. DO 50 Isl, 100,2
  136. CAU MPqND (1309 j 975, Xl,'X2j1. X s X 1
  137. DO 31 Jc? l, 2 С A LIU 5UH0{ I Jr, rX f V, NP I yisKNT (X*24.*iM/A)'!»<2**(IK"-!Mjj С ALlr SUH0{!4 • X t. YbNPlI3 1 XPX2
  138. F (I «2 9) 5 0, 4 3 «4 44 3 NNsl1. N = 3»
  139. С A U F U N С (N N V N «N P «N P i t F i F 1V F U й К | DO 33 DN (J"NN)BF.ui*< l-HJ)
  140. ST 56*02,79 MAIN DATE i4.03,"5t073j-16,49.281. Ь N (12, N N j к 0 t 044 I F П 9) 50 i 45 «4745 NN=2 N?60
  141. С A LI* Г U N С < N N N «N P • N P 1. F, F t V F U «J К i DO 4 J=J, 114 0N (J|NN)sE (J)*ri-«e (J» }/N С N (12iNN)47 IF (Jr99) 50,48 «5048 n n s 31. N з j 0 0
  142. С ALU FUNC (NNt., N"NP'NPi «F, F J’VFU # I К I DO 5 J=b 11
  143. DN (JiNNjsE (jj>(j-EJj) j/N50 CONTINUE
  144. DO 54 NN=1,3 DO 54 l, 12 R1J"NNJ eF (J, NNlтЕ fJ)
  145. DF (>>) sPF { j, NN К (F < J ,"nn i «FHO (J, NN i) **2 DF1 (0 «NN) ?DFi { *{F1 | J, N N1 d F H 0 1 (j', NN) j **2
  146. DFU (JiNN) pOFuj J"NM + CFU{ Jt’NNi *FMOU (Ji’nN) j **Z 5Й CONTINUE
  147. D R 1 {sb N N UO R i» J, NN) / f KKp i }
  148. ST 56−02.79 MAIN Q ATi: 14,03,fi5"073)M6.49. 26
  149. GOTO 76 7 0 S 4 (>31 NN) s 1, 076 continue1.(PR5(J «MNI) 72, 72, 73 73 SS (0)sS2(JiN N j/R R 5(J, N N)1. GOTO 77 72 S5(JiNNM.O
  150. CONTINUE IF (PR6UiNNM 7 4 • 7 4» 7 57 5 S 6(J «NN j sS 3(J, NN I/PR6(J.NN i1. GOTO 78 7 4 s6(j"nn)=l, fl78 CONTINUE
  151. Q (! N N) «0 S Q R T (D R (, J i N N) > Q"1I^?NNJ=0SGIRT40SQRT (DF1(JiN M)) EFU (JiNN)4DSaRT{DFU (J, NNJ i 55 CONTINUE
  152. WR.'TE16, 158) J И, IК, ,.. , .
  153. ST 56−02. 79 И A I К DATE 1 4.03,85 <*73)-16, 49.281. Ns- 3,013 '}
  154. KRJTEU, 1511
  155. E (dl • P «J » .FM0(3,|!|N). S M F Г J. Nj N I, P F (Jt NN ««OF{J, NN1 *'.'aNf J"nn| ,
  156. WRITE (6, 152 J (P (>3), V (Jl *iE (,?l «P <0 1 iFMO*U?NNi tSKFi(J,NN> «P (j) • QFПj"NN I>DF1
  157. WRIТЕ (6 «1531 (P ! J iiY (J) *»,? (J) «P (J) «F M О U (J? N N i. SKFUi j.'NN) «P (J 1 О FU { j, NN i «DFU (j',' NN)1. V ^"i
  158. SMR (J «NN }, 5MR J (JV NN), P { j) SMRU (J ,"NN 1 ,*SMR0 (чЗ',* NN1 «Je 1 V И j W RIт E (6 I 1621 (PiJ)
  159. Й (J i N N J, 0 1 { J, N N j, P (J 1 «Q U (Л I N N j 3 0 it JN N 1 (I j s 11 H j WRI ТЕ <6 i 16Ц (Pfj)
  160. О R < J «N N | ! О R 1 (J i N N I «P (J1 i О R U {J i N N J О R Й U «N N) «' 1 И)
  161. WRITE (6 ц 166) 166 FORMAT|"0», iiX'i *МОМЕИТ КОРРЕЛЯЦИИ') WRlTE (6il64j (P|j)
  162. V S 1 t J «N N J S 2 (J * N N)$ 3 (J i N N fhR!'TE (6, 165) (P{ J) -S4 { J'.NN) S 5 < J • N N | V S 6 N"NN) «1V И J 165 FORMAT { «fl «, iix»КОЭФФИЦИЕНТ КОРРЕЛЯЦИИ 4 f * 1 i X | f К С N &diams-АНПЗ * * 12 X «
  163. FORMAT j ffijiXi 'CK0fN3 'i H^ 'СКОСАЦПЗ pV21К • 'СЦО (ПрОМ. 3 > > 10X «'СКО ' ,*/{' ' I 2 X, 2 (3 X «Г 3. , 3 X, F 1Я, 7, 10 X / F 10 — 7, 1 ^ X I))
  164. FORMAT ('0 I, 11X? 'CMCN3 'I 15X. 'CMC А"ПЗ 22X V *CMC ПРОЧ. J 'Vuxi 'CM ' */! '» 2X, 2 (3X, F3. ?. 3X, F 1? , 7, 1 0X, F la. 7 1ЯХ 1)»)
  165. FORMAT! • 'RCN- Аипз •, 12X — 'RCN'.'nPOU, 3 «-iex" — 'RCAitn, nP0W"3 '»» 5 X IF 3 «0i3 X «3(F19•7 «10 X) I)
  166. FORMAT! 'ВЕРОЯТНОСТНЫЕ ХАРАКТЕРИСТИКИ ПОГРЕШНОСТИiX, 1., ' I 1 x,
  167. ОБУСЛОВЛЕННОЙ КОНЕЧНОСТЬЮ ВЫБОРКИ N'
  168. V' t> J1X, 'X'V 12Х, 'FCX3 f"' 15Х, 'MGF*3%BXi 'CHCF*3'"I3x.'CK0CF*3 '>6X *V*пСF*3' * оx f '0Cn3>
  169. V (' '.5 X, 3(F 3, P, 3 XiF t 0¦7,3 X, F10.7,3 X 1, F10, 7 } j
  170. FORMATf’ВЕРОЯТНОСТНЫЕ X АР АКТЕРИСТИКИ ПОГРЕШНОСТИ'"IX «'Iiх «•'ОБУСЛОВЛЕННОЙ КОНЕЧНОСТЬЮ ВУБОРКИ Nf *VlX|f» КОНЕЧНО? РАЗРЯДНОСТЬЮ АЦП' */t Mix» • X с 1 г X • Т с X 3 «, J 5 Х ,
  171. HCF**3', 7X» 'CHCF**.', i2X, ' С К О С F ¦ * 3 '5 X, 'DCF**J ' *t/tf 'f 5 X I 3(F 3 «0 «3 X «F10,7i3 X IF 10 f 7 V 3 X))1
  172. FORMAT {'0 f.'SXt 'ВЕРОЯТНОСТНЫЕ ХАРАКТЕРИСТИКИ ПОГйЕИЙОСТЙ '? 1 X, t'» 1X I•'ОБУС^ОаЛЕННОЙ КОНЕЧНОСТЬЮ ВЫБОРКИ N» •VlXi'» КОНЕЧЙО^ РАЗРЯДНОСТЬЮ АЦП' *7 1X «'И ПРОЦЕССОРА ' */' ' I 11X I 'X ' t 12 X «'F С X 3 ' ?15X «
  173. HCF***3 *.6жV'CMCF*"*3 '» iIXt^CKOCF***i ', AXV 'DCF***3* *'.'/(? ' I sxV3 (F3. e, 3x (F i0, 7. 3X vF 10 t 7V3x f i j1. ST 56*02,79 40 CONTINUEstopend1. MAIN
  174. DATE i4,33,85f073)-l6.49.281. ST 5б"02"791. SUMC! subroutine SиMe
  175. DIMENSION Y (ll), NP (l2i Jet1. fX-YNJi 2,*t"i1. JBJM IF (JM2I 3 i 2 'i 21. RETURN END1. NP) date И. а3,85(й73)-16,49.20 $f 56*02, 79 FUNC DATE 14. 0 3, $ 5 («17 3 >' «16, 4 9, 2 8
  176. SUBROUTINE FUNC¦NNiN"NF «NP1i F «F iiFu"J) DIMENSION NPil2j, NPl (i2j', Si"i?J -S10(12)
  177. Л2, 3 I, F1 {12*3) iFU! 12,3} REAU N1. F (If NN j? NP< l)/N
  178. Fi
  179. ПРОГРАММА ДЛЯ АНАЛИТИЧЕСКОГО РАСЧЕТА МЕТОДИЧЕСКИХ ПОГРЕШНОСТЕЙ ПРОЦЕССОРНЫХ АНАЛИЗАТОРОВ ФУНКЦИИ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ (РАЗДЕЛ 3.7). ИСХОДНЫЕ ДАННЫЕ:
  180. А/ значение аргумента функции распределения вероятностей (ФРВ) — I — разрядность АЦП- К — разрядность процессора- Ю1 — наибольшее значение случайной величины- й — признак способа отбрасывания (А =0. — усечение- Й =0.5 -округление) —
  181. ST 56*02,79 MAIN DATE 1 4. 03, A5 {S?73 M6, 50. 4 9
  182. DI MENS J qN X (2 i) REAL*8 R.'Ql, , ,
  183. FORMAT"'0», 5Х» 'РАЗРЯДНОСТЬ ПРОЦЕССОРА» *» 12 > А=-Й"В"ПРИЗНАК УСЕЧЕНИЯ» Ав0,5ППРИЗНАК ОК^УГ ЛЕНЙЯ1. As0, 01. F (А! 7 2.72.7372 PRINT 74,. .
  184. FORMAT! 5Х» 'УСЕЧЕНИЕ ИЗБЫТОЧНЫХ РАЗРЯДОВ») GO ТО 7573 PRINT 76 .
  185. FORMAT ('0», 5Х,'ОКРУГЛЕНИЕ ИЗБУТОЧНУХ РАЗРЯДОВ ^» n^ok'em выборки75 Ncft3 PRINT 77, N
  186. FORMAT (*0*, 5Xi 'ОБ'^ЕМ В k! Б О P К и, I 3 J LA-iCMEfejEHHE ПРИ СУММИРОВАНИИ1А*/!вБ0Е ЦЕЛОЕ ЧИСЛО 6 Т 0 ДО (! NT I N/2**K «+ П LAsfl
  187. NAsN/?**K*1 PRINT 5 J, С I|DI1. PRINT 50, ,, ,. .
  188. FORMAT («0», 5X, 'РАВНОМЕРНО РАСПРЕДЕЛЕННАЯ В ДИАПАЗОНЕ J"t, F7,2 t '. +? *VF7"2"4 СЛУЧАЙНАЯ ВЕЛИЧИНА ' i00 iш 1! H*iVi7, ,. .^ИЗМЕРЯЕМОЕ ЗНАЧЕНИЕ «УНЩШИ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ
  189. CALU FUNC (X|IH)', F|: S"CKO ПОГРЕШНОСТИ КОНЕЧНОСТИ ВЫБОРКИ SsS^RT (F*{i, 0"F)/NJ AXsl."Аz=&-i #-.s i gn с ax'- x i i’h)) i*a
  190. CALX F U N С (Z, F I): FMi^MAT, ОЖИДАНИЕ ПОГРЕШНОСТИ КЯАНТОВАНЙЯ FMl=Ft-F
  191. FSlnCKO ПОГРЕШНОСТИ КВАНТОВАНИЯ FSl^SQRTtFlMb^FM/N)1 F (A j 1,1,2i IF (!-K} 3,4,5s zi*UNTmiHi/$|+siGN (t,"xi!HMi*aсо TO 9 I I F (X{IH}- &) 13» 13, 14
  192. Z1 я I N T (Xt14)/ Q 1, $)* Q
  193. GO TO 9 iC ZlsINT (X (IH}/QUQ
  194. ST ЗбяЯ2<79 PATE I4,03,ft?f073)-16.50,491. GO TO 9
  195. Z 1 с 1N T (X {I H i / (Q i* 2 * * {I» К J) i*a*2""(NKi GQ TO 9 lFfJ"K} 6,7 1 8
  196. Zls (JNT{X{IHi/^i*SlGN (0,5,XCHi) go to 9. j, .
  197. ZiB{!NT (XMN"/e*Sl, CNJ0.5"X"IHhi"0., S»
  198. PRINT 2 3 i x | i иi i f s, f м 1 i f s i j f m 2, f $ 2 «f h 3 t q ir 0 F0R M AT { 1 {5? j 5X t i 0 (E I i, 4, i x i jий CONTINUE
  199. FORMAT (Г®- t, 5x, 'X 11X «if *, Ux I ' S ' I 11X ,* 'FMt t «9X, *FS? '» 9 X «'FM2 ', 9X «: * * F s 2 r» 9 X f «F M 3 f, 9 X i ' 8 '» 11X i ' R M STOP END
  200. ST 56*02,79 SUM DATE I»,?3"85|0?3)Чб.50,49
  201. SUBROUTINE SUM (r, F2, N, K, LA"KIA, R, Q) .
  202. ВЫЧИСЛЕНИЕ ПОГРЕШНОСТИ СУММИРОВАНИЯ ПРЙ ИЗНЕРЕНИЙ ФУНКЦИИ РАСПРЕДЕЛЕН**) ВЕРОЯТНОСТЕЙ F (X j. ШКАЛА Р (X"^РАВНОМЕРНАЯ, REAl*0 P"DiP BsN1. AsF/lbFI1. PRINT U{?, NAVlA, , ,
  203. FORMAT { fd Г'.' 5 X «'СУММИРУЕТСЯ КАЖДАЯ й§- >4 12,' ЕДИЙЙУ CO СМЕШЕНИЕМ V, *I 2 j DO 121 J=i, 2 Pel,®1. M = 0
  204. DO 2U j< К = 1 «N JF (P"0,5? 2SI20,212 28 рвр*2•0 MsH*i GO TO 27 21?, PspMi. fJ-F) 211 CONTINUE1.(J» 1} 25,25,2625 Rs"P*F2 GO TO 2226 0 P * { F 2 ¦ R } **2
  205. DO 21 J Is., N N•N A SUMP*?, 1. DO i JSfilVNA. .
  206. PsP^A*{B-J1"15*211*1SmlJ 1 SUMP=SUMP*P M1 = 034 |F С5UMPw190i 32,32*33 33 SUMPfSUMP/2, P s рУ 2 ,
  207. M lafii+l GO TO 34 32! F<4−1) 23, 23,2 4
  208. P5?R/2,**>Hl*SUriP*(8*F2) GO TO 2 i
  209. DsD/2,**Ml + SUHP*Ull + l + L. A)/B^F2"RU*2 21 CONTINUE1. 5, 5 — 65 R=R/2**H GOTO 1216 0=0/2*** 121 CONTINUE1. QbDSQRTIDj1. RETURN1. END
  210. ST 56,02,79 FUNC DATE I 4, $ 3, fl 5073) 16, 5 0, 4 9
  211. SUBROUTINE F U N С (X, F i. ,
  212. РАВНОМЕРНАЯ ФУНКЦИЯ РАОПРЕДЕЛЕНИй ВЕРОЯТНОСТЕЙ F=(X*3,{?j >6,0 RETURN END
  213. ПРОГРАММА ОПРЕДЕЛЕНИЯ ПОГРЕШНОСТЕЙ ИЗМЕРЕНИЙ ПАРАМЕТРОВ ХОЛЛА МЕТОДОМ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ (РАЗДЕЛ 4.2) ИСХОДНЫЕ ДАННЫЕ:
  214. Ф толщина пластины монокристалла- I — величина тока- В — величина магнитной индукции- U — величина напряжения-10ftэЭД ВДН/ приведенные погрешности измерений величинft, I, В, U (%) —
  215. R01- предельная приведенная погрешность измерения удельного электрического сопротивления (%)-предельная приведенная погрешность измерения коэффициента Холла {%) —
  216. Rflb- предельная приведенная погрешность измерения холловской подвижности носителей заряда (%). ИСПОЛЬЗУЕМЫЕ ПОДПРОГРАММЫ:
  217. CALL MPC/VZ) СЯХ, Х1, Х2) датчик нормально распределенных случайных величин и. ДК- вспомогательное исходное для датчика число (любое целое нечетное 8-разрядное десятичное число) 43. .оысгi
Заполнить форму текущей работой