scholarly journals ОСОБЛИВОСТІ ДЕТЕРМІНАЦІЇ ГОТОВНОСТІ ДО ЗМІН СЕРЕД МАЙБУТНІХ УКРАЇНСЬКИХ ПРАВООХОРОНЦІВ

2021 ◽  
Author(s):  
Ганна Стояцька
Keyword(s):  
Principal Component Analysis ◽  
Factor Analysis ◽  
Principal Component ◽  
Component Analysis

Мета. У статті досліджено проблему психологічних чинників сприйняття змін майбутніми українськими поліцейськими. Метою дослідження стало доведення концептуальної гіпотези про існування низки психологічних чинників, що здатні впливати на рівень готовності до змін серед курсантів, які здобувають вищу освіту і проходять підготовку до роботи в Національній поліції України. Методи. В ході дослідження було застосовано факторний аналіз (factor analysis, component analysis) з основними методами, що були використані при побудові факторної моделі – метод головних компонент (Principal Component Analysis) та метод обертання (Varimax із нормалізацією Кайзера). Результати. На прикладі вибірки курсантів, які навчаються в українських закладах вищої освіти із специфічними умовами навчання, проведено дослідження тих психологічних чинників, які зумовлюють сприйняття змін особистістю. В дослідженні використано 8 методик та 13 показників. Вперше для дослідження готовності до змін серед майбутніх правоохоронців застосовано визначення рівня мислення зростання та імпліцитних теорій навчання (за методиками C. Dweck). Результати дослідження стали основою для проведення факторного аналізу для зниження розмірності та виділення компонентів, що визначають структуру взаємозв’язку між досліджуваними показниками. В ході дослідження було вдосконалено уявлення про готовність до сприйняття змін майбутніми працівниками правоохоронних органів через емпіричну верифікацію таких її детермінант як професійна мотивація, відкритість новому досвіду, мотивація до успіху, соціальна адаптивність. Також було доповнено комплексне розуміння основних психологічних чинників, що впливають на формування готовності сприймати зміни молодими правоохоронцями. Висновки. До висновків дослідження можна віднести встановлення того факту, що в структурі особистості майбутнього правоохоронця можна виділити два ортогональних фактори (компоненти), детермінованих різними наборами змінних. Отримані компоненти було визначено як проактивну та реактивну складову особистості щодо готовності сприймати зміни та реагувати на них.

Physical-oriented and machine learning-based emission modeling in a diesel compression ignition engine: Dimensionality reduction and regression

2022 ◽  
pp. 146808742110707
Author(s):  
Aran Mohammad ◽  
Reza Rezaei ◽  
Christopher Hayduk ◽  
Thaddaeus Delebinski ◽  
Saeid Shahpouri ◽  
...  
Keyword(s):  
Principal Component Analysis ◽  
Support Vector Machine ◽  
Factor Analysis ◽  
Dimensionality Reduction ◽  
Principal Component ◽  
Component Analysis ◽  
Data Driven ◽  
Support Vector ◽  
Emission Models ◽  
Emission Modeling

The development of internal combustion engines is affected by the exhaust gas emissions legislation and the striving to increase performance. This demands for engine-out emission models that can be used for engine optimization for real driving emission controls. The prediction capability of physically and data-driven engine-out emission models is influenced by the system inputs, which are specified by the user and can lead to an improved accuracy with increasing number of inputs. Thereby the occurrence of irrelevant inputs becomes more probable, which have a low functional relation to the emissions and can lead to overfitting. Alternatively, data-driven methods can be used to detect irrelevant and redundant inputs. In this work, thermodynamic states are modeled based on 772 stationary measured test bench data from a commercial vehicle diesel engine. Afterward, 37 measured and modeled variables are led into a data-driven dimensionality reduction. For this purpose, approaches of supervised learning, such as lasso regression and linear support vector machine, and unsupervised learning methods like principal component analysis and factor analysis are applied to select and extract the relevant features. The selected and extracted features are used for regression by the support vector machine and the feedforward neural network to model the NOx, CO, HC, and soot emissions. This enables an evaluation of the modeling accuracy as a result of the dimensionality reduction. Using the methods in this work, the 37 variables are reduced to 25, 22, 11, and 16 inputs for NOx, CO, HC, and soot emission modeling while maintaining the accuracy. The features selected using the lasso algorithm provide more accurate learning of the regression models than the extracted features through principal component analysis and factor analysis. This results in test errors RMSETe for modeling NOx, CO, HC, and soot emissions 19.22 ppm, 6.46 ppm, 1.29 ppm, and 0.06 FSN, respectively.

Sign in / Sign up

Export Citation Format

Share Document