ऊर्जा मॉड्यूलेटर (ईएम), जिसे ऊर्जा अवशोषक के रूप में भी जाना जाता है, सुरक्षा-महत्वपूर्ण घटक हैं जिनका उपयोग लोड पथ में झटके और आवेगों को नियंत्रित करने के लिए किया जाता है। ईएम कपड़ा उपकरण हैं जो आमतौर पर नायलॉन, केवलर® और अन्य सामग्रियों से निर्मित होते हैं, और टांके की पंक्तियों को तोड़कर भार को नियंत्रित करते हैं जो एक मजबूत आधार बद्धी को एक साथ बांधते हैं जैसा कि चित्र 1 में दिखाया गया है। एक परिचित ईएम एप्लिकेशन श्रमिकों द्वारा उपयोग किया जाने वाला एक गिरावट-सुरक्षा हार्नेस है हार्नेस के गिरने पर शॉक लोड से होने वाली चोट को रोकने के लिए। पैराशूट सिस्टम परिनियोजन के विभिन्न चरणों के दौरान अनुभव किए गए शॉक लोड को नियंत्रित करने के लिए पैराशूट सिस्टम में भी ईएम का व्यापक रूप से उपयोग किया जाता है।
रैंडम फ़ॉरेस्ट सांख्यिकी और मशीन लर्निंग में उपयोग किए जाने वाले डेटा वर्गीकरण के लिए एक अभिनव एल्गोरिदम है। यह उपयोग में आसान और अत्यधिक लचीली सामूहिक शिक्षण पद्धति है। यादृच्छिक वन एल्गोरिथ्म श्रेणीबद्ध और निरंतर डेटा दोनों को मॉडलिंग करने में सक्षम है और बड़े डेटासेट को संभाल सकता है, जिससे यह कई स्थितियों में लागू होता है। यह चर के सापेक्ष महत्व का मूल्यांकन करना भी आसान बनाता है और डेटासेट में गायब मान होने पर भी सटीकता बनाए रखता है।
यादृच्छिक वन निर्णय वृक्षों का एक संग्रह बनाकर एक प्रतिक्रिया चर और भविष्यवक्ता या स्वतंत्र चर के एक सेट के बीच संबंध को मॉडल करते हैं। प्रत्येक निर्णय वृक्ष डेटा के यादृच्छिक नमूने से बनाया गया है। फिर अंतिम भविष्यवाणी निर्धारित करने के लिए अलग-अलग पेड़ों को औसत या वोटिंग जैसे तरीकों से जोड़ा जाता है (चित्र 2)। डिसीजन ट्री एक गैर-पैरामीट्रिक पर्यवेक्षित शिक्षण एल्गोरिदम है जो ब्रांचिंग बाइनरी निर्णयों की एक श्रृंखला का उपयोग करके डेटा को विभाजित करता है। निर्णय वृक्ष स्वाभाविक रूप से डेटा की प्रमुख विशेषताओं की पहचान करते हैं और प्रासंगिक होने पर प्रत्येक सुविधा के योगदान की रैंकिंग प्रदान करते हैं। इस क्षमता का उपयोग इनपुट चर के सापेक्ष महत्व को निर्धारित करने के लिए किया जा सकता है (चित्र 3)। निर्णय वृक्ष संबंधों की खोज के लिए उपयोगी होते हैं, लेकिन जब तक उन्हें यादृच्छिक वनों या अन्य वृक्ष-आधारित मॉडलों में संयोजित नहीं किया जाता है, तब तक उनकी सटीकता खराब हो सकती है।
यादृच्छिक वन के प्रदर्शन का मूल्यांकन आउट-ऑफ-बैग त्रुटि और क्रॉस-सत्यापन तकनीकों का उपयोग करके किया जा सकता है। यादृच्छिक वन अक्सर प्रत्येक निर्णय वृक्ष बनाने के लिए मूल डेटासेट से प्रतिस्थापन के साथ यादृच्छिक नमूनाकरण का उपयोग करते हैं। इसे बूटस्ट्रैप सैंपलिंग के रूप में भी जाना जाता है और यह बूटस्ट्रैप फ़ॉरेस्ट बनाता है। बूटस्ट्रैप नमूने में शामिल डेटा को इन-द-बैग कहा जाता है, जबकि चयनित नहीं किए गए डेटा को आउट-ऑफ-बैग कहा जाता है। चूंकि आउट-ऑफ-बैग डेटा का उपयोग निर्णय वृक्ष उत्पन्न करने के लिए नहीं किया गया था, इसलिए उन्हें मॉडल की सटीकता के आंतरिक माप के रूप में उपयोग किया जा सकता है। क्रॉस-सत्यापन का उपयोग यह आकलन करने के लिए किया जा सकता है कि एक यादृच्छिक वन मॉडल के परिणाम एक स्वतंत्र डेटासेट के लिए कितने अच्छे होंगे। इस दृष्टिकोण में, डेटा को एक प्रशिक्षण डेटासेट में विभाजित किया जाता है जिसका उपयोग निर्णय वृक्ष उत्पन्न करने और मॉडल बनाने के लिए किया जाता है और एक सत्यापन डेटासेट का उपयोग मॉडल के प्रदर्शन का मूल्यांकन करने के लिए किया जाता है। स्वतंत्र सत्यापन डेटासेट पर मॉडल का मूल्यांकन करने से यह अनुमान मिलता है कि मॉडल व्यवहार में कितना सटीक प्रदर्शन करेगा और ओवरफिटिंग या नमूनाकरण पूर्वाग्रह जैसी समस्याओं से बचने में मदद करता है। एक अच्छा मॉडल अच्छा प्रदर्शन करता है
प्रशिक्षण डेटा और सत्यापन डेटा दोनों।
ईएम प्रणाली की जटिल प्रकृति ने टीम के लिए यह पहचानना मुश्किल बना दिया कि विभिन्न पैरामीटर ईएम व्यवहार को कैसे प्रभावित करते हैं। एक बूटस्ट्रैप फ़ॉरेस्ट विश्लेषण को परीक्षण डेटासेट पर लागू किया गया था और क्षति और/या असामान्य व्यवहार की उच्च संभावना से जुड़े पांच प्रमुख चर की पहचान करने में सक्षम था। पहचाने गए प्रमुख चर ने ईएम प्रणाली के आगे के परीक्षण और पुन: डिज़ाइन के लिए एक आधार प्रदान किया। इन परिणामों ने जांच के लिए आवश्यक अंतर्दृष्टि भी प्रदान की और भविष्य में उपयोग के मामलों के लिए उड़ान तर्क के विकास में सहायता की।
जानकारी के लिए डॉ. सारा आर. विल्सन से संपर्क करें। sara.r.wilson@nasa.gov