База данных: Электронная библиотека
Страница 1, Результатов: 2
Отмеченные записи: 0
1.
Подробнее
К 61
Колчев, В.В.
Значение температурного режима в производстве медицинского трескового жира / Колчев, В.В. // Технология рыбных продуктов: Труды ВНИРО. - М.: Издательство "Пищепромиздат", 1952, - Т. 23. - С. 214-221 (240 с.). - 1952
~РУБ Article
Рубрики: Треска
Жир
Медицина
Температура
Фильтрация
Расчеты
Аннотация: При фильтрации трескового жира-сырца, охлажденного до 0 гр., удаляется около 16% твердых жирных кислот (от первоначального содержания их в жире) и в готовом медицинском жире остается около 84% твердых жирных кислот. При фильтрации жира-сырца, охлажденного до +5 гр., удаляется около 11,5% твердых жирных кислот и в готовом медицинском жире их остается около 88,5%, т. е. немногим более, чем в случае охлаждения жира до 0 гр. Повышение температуры при охлаждении жира-сырца с 0 до 5 гр. сокращает продолжительность охлаждения жира в камерах более чем в 2 раза, повышает скорость фильтрации жира приблизительно на 30% и увеличивает производительность гидравлического пресса почти на 40%. Применяемая обработка трескового жира при 0 гр., учитывая сравнительно небольшое количество твердых кислот глицеридов (около 16%), удаляемых с сырым стеарином, и значительный отход жира (до 20%), с точки зрения улучшения химического состава жира, является совершенно необоснованной. Охлаждение и фильтрация жира при +5 гр. имеют преимущество перед принятыми в промышленности условиями обработки трескового жира при 0 гр., так как при этом уменьшается отход стеарина и сокращается длительность обработки.
К 61
Колчев, В.В.
Значение температурного режима в производстве медицинского трескового жира / Колчев, В.В. // Технология рыбных продуктов: Труды ВНИРО. - М.: Издательство "Пищепромиздат", 1952, - Т. 23. - С. 214-221 (240 с.). - 1952
Рубрики: Треска
Жир
Медицина
Температура
Фильтрация
Расчеты
Аннотация: При фильтрации трескового жира-сырца, охлажденного до 0 гр., удаляется около 16% твердых жирных кислот (от первоначального содержания их в жире) и в готовом медицинском жире остается около 84% твердых жирных кислот. При фильтрации жира-сырца, охлажденного до +5 гр., удаляется около 11,5% твердых жирных кислот и в готовом медицинском жире их остается около 88,5%, т. е. немногим более, чем в случае охлаждения жира до 0 гр. Повышение температуры при охлаждении жира-сырца с 0 до 5 гр. сокращает продолжительность охлаждения жира в камерах более чем в 2 раза, повышает скорость фильтрации жира приблизительно на 30% и увеличивает производительность гидравлического пресса почти на 40%. Применяемая обработка трескового жира при 0 гр., учитывая сравнительно небольшое количество твердых кислот глицеридов (около 16%), удаляемых с сырым стеарином, и значительный отход жира (до 20%), с точки зрения улучшения химического состава жира, является совершенно необоснованной. Охлаждение и фильтрация жира при +5 гр. имеют преимущество перед принятыми в промышленности условиями обработки трескового жира при 0 гр., так как при этом уменьшается отход стеарина и сокращается длительность обработки.
2.
Подробнее
Ш 37
Шевченко/ Shevchenko, И.И./ I.I.
Применение методов частиц при Байесовском оценивании временных рядов численности и уловов по возрастам = Sequential particle methods for Bayesian evaluations of abundance and catch at age / Шевченко/ Shevchenko, И.И./ I.I. // Вопросы рыболовства, 2020. Том 21. №2. С. 235-249. - 2020
~РУБ Article
Рубрики: оценка промысловых запасов/ state-space assessment models
dynamic Bayesian networks
фильтрация/ filtering
предсказание/ prediction
сглаживание/ smoothing
пространство состояний
Аннотация: Добавление случайных аддитивных ошибок в уравнения когорт и уловов, которые записаны в логарифмической форме, позволяют представить динамику логарифмов численности (ненаблюдаемых состояний) в виде скрытых марковских процессов первого порядка, где в качестве наблюдений выступают логарифмы уловов. Для таких моделей целесообразно рассматривать задачи байесовского (оптимального) оценивания, которые заключаются в построении функций плотности распределения вероятностей состояний при полученных наблюдениях. Решение уравнений, которым удовлетворяют искомые плотности, в аналитическом виде возможно только для ограниченного класса моделей (линейных гауссовских). При использовании методов Монте-Карло замкнутая форма вычислений заменяется на формирование выборок с соответствующими распределениями и их статистическую обработку. Поскольку получать напрямую выборки анализируемых случайных величин практически невозможно, используются приближенные последовательные вычисления и вспомогательные распределения. В работе описываются некоторые алгоритмы байесовского оценивания временных рядов численности и уловов по возрастам с последовательным применением методов частиц. Пакет Fishmetica пополнен соответствующими функциями. Влияние количества частиц на параметры результирующих апостериорных плотностей проиллюстрированы расчетами в среде Julia для тестового набора данных при различном количестве используемых частиц/A cohort population dynamics may be represented as a hidden Bayesian model with abundances as hidden states and catches as observations. Using these models, one can evaluate posterior densities and calculate such point-wise characteristics as means, medians, variances and so on. With rare exceptions (as linear Gaussian models), the recurrence equations met by the posterior densities have no analytic solutions. We describe several particle (Monte Carlo) methods that may be used for the density approximations and evaluations of their statistical quantities for nonlinear non-Gaussian models as well. The Fishmetica package was extended with functions for generating samples and masses for time series filtering, prediction, and smoothing. Evaluations in Julia were made for a test dataset with assumed Gaussian distributions of residuals and different numbers of particles. Numerical results were compared with known analytic ones.
Ш 37
Шевченко/ Shevchenko, И.И./ I.I.
Применение методов частиц при Байесовском оценивании временных рядов численности и уловов по возрастам = Sequential particle methods for Bayesian evaluations of abundance and catch at age / Шевченко/ Shevchenko, И.И./ I.I. // Вопросы рыболовства, 2020. Том 21. №2. С. 235-249. - 2020
Рубрики: оценка промысловых запасов/ state-space assessment models
dynamic Bayesian networks
фильтрация/ filtering
предсказание/ prediction
сглаживание/ smoothing
пространство состояний
Аннотация: Добавление случайных аддитивных ошибок в уравнения когорт и уловов, которые записаны в логарифмической форме, позволяют представить динамику логарифмов численности (ненаблюдаемых состояний) в виде скрытых марковских процессов первого порядка, где в качестве наблюдений выступают логарифмы уловов. Для таких моделей целесообразно рассматривать задачи байесовского (оптимального) оценивания, которые заключаются в построении функций плотности распределения вероятностей состояний при полученных наблюдениях. Решение уравнений, которым удовлетворяют искомые плотности, в аналитическом виде возможно только для ограниченного класса моделей (линейных гауссовских). При использовании методов Монте-Карло замкнутая форма вычислений заменяется на формирование выборок с соответствующими распределениями и их статистическую обработку. Поскольку получать напрямую выборки анализируемых случайных величин практически невозможно, используются приближенные последовательные вычисления и вспомогательные распределения. В работе описываются некоторые алгоритмы байесовского оценивания временных рядов численности и уловов по возрастам с последовательным применением методов частиц. Пакет Fishmetica пополнен соответствующими функциями. Влияние количества частиц на параметры результирующих апостериорных плотностей проиллюстрированы расчетами в среде Julia для тестового набора данных при различном количестве используемых частиц/A cohort population dynamics may be represented as a hidden Bayesian model with abundances as hidden states and catches as observations. Using these models, one can evaluate posterior densities and calculate such point-wise characteristics as means, medians, variances and so on. With rare exceptions (as linear Gaussian models), the recurrence equations met by the posterior densities have no analytic solutions. We describe several particle (Monte Carlo) methods that may be used for the density approximations and evaluations of their statistical quantities for nonlinear non-Gaussian models as well. The Fishmetica package was extended with functions for generating samples and masses for time series filtering, prediction, and smoothing. Evaluations in Julia were made for a test dataset with assumed Gaussian distributions of residuals and different numbers of particles. Numerical results were compared with known analytic ones.
Страница 1, Результатов: 2