Материал из WikiTraining
(Различия между версиями)
|
|
Строка 2: |
Строка 2: |
| | | |
| == Аннотация == | | == Аннотация == |
− | Современные математические технологии предлагают разнообразные подходы и методы решения широкого спектра задач во многих областях науки. Развитие вычислительной техники открывает исследователям новые возможности в постановке экспериментов, обработке массивов данных, интерпретации полученных результатов. Производительность компьютеров позволяет выполнять расчет физических моделей изучаемых процессов при учете десятков и сотен воздействующих факторов за считанные минуты. В такой ситуации может сложиться впечатление, что аналитическое усложнение исследуемой модели или условий при постановке задачи всегда приводит к более надежному и точному результату. Однако, как показывает практика, это не так.
| + | В школьном курсе физики явление дифракции несет наибольшую учебную нагрузку в оптике, где оно выступает в качестве доказательства волновой природы света, дает возможность измерить длину световой волны. Важность изучения явления дифракции определяется необходимостью формирования в сознании школьника образа единства дискретности и непрерывности, что способствует раскрытию смысла понятия «корпускулярно-волновой дуализм». |
− | | + | |
− | В последнее время физические связи между экспериментальными данными об анализируемых событиях начали устанавливаться без построения моделей. В основе такого подхода лежит метод искусственных нейронных сетей (ИНС), который сочетает корреляционную обработку изучаемых сигналов с их нелинейным преобразованием. Этот вычислительный метод содержит в себе математический алгоритм и применяется в основном в двух вариантах. В первом – выясняются зависимости между группами последовательных данных, находящихся в причинно-следственной связи. Во втором – события объединяются в группы (классифицируются) по схожим признакам и таким образом выделяются характерные особенности изучаемых явлений. Продолжительный опыт использования ИНС в разных приложениях показал, что этот метод особенно эффективен для сложных систем, когда их физическая модель излишне сложна или отсутствует на данный момент.
| + | |
− | | + | |
− | Преимущество нейросетевых технологий перед другими методами объясняется изначально определяемой простотой при моделировании процесса. Созданная нейросетевая система для конкретной задачи символизирует вершину эволюции математического моделирования динамических процессов. Высокий интерес к нейронным сетям, проявляемый специалистами из разных областей деятельности, объясняется, прежде всего, очень широким диапазоном решаемых с их помощью задач. Нейронные сети могут быть использованы при решении задач по прогнозированию и восстановлению числовых рядов, а также при классификации образов. Примерами приложений являются обработка изображений и нелинейное управление, распознавание образов и адаптивная фильтрация, идентификация и финансовое прогнозирование. В настоящее время метод ИНС активно применяется также и в геофизике для решения задач прогноза параметров солнечно-земных связей и различных геофизических явлений.
| + | |
− | | + | |
| | | |
| == Содержание работы == | | == Содержание работы == |
Версия 14:38, 23 марта 2012
Демонстрация дифракции света на тумане
Аннотация
В школьном курсе физики явление дифракции несет наибольшую учебную нагрузку в оптике, где оно выступает в качестве доказательства волновой природы света, дает возможность измерить длину световой волны. Важность изучения явления дифракции определяется необходимостью формирования в сознании школьника образа единства дискретности и непрерывности, что способствует раскрытию смысла понятия «корпускулярно-волновой дуализм».
Содержание работы
- §1 Введение
- §2 Дифракция света
- §3 Методика преподавания темы «Дифракция света» в школьном курсе физики
- §4 Фрагмент урока по физике в 11 классе «Дифракция света»
- §5 Карточка эксперимента «Дифракция света на тумане»
- §6 Заключение
- Список источников
Автор работы
Студентка группы №241 Михайлова Татьяна Михайловна
Научный руководитель участника проекта
Кандидат пед. наук, доцент Ханжина Е.В