Supply Chain

Kernel Principal Component Analysis (Kernel PCA) ist eine Erweiterung der klassischen Principal Component Analysis (PCA), die es ermöglicht, nichtlineare Strukturen in hochdimensionalen Daten zu erfassen. Während die traditionelle PCA nur lineare Zusammenhänge berücksichtigt, verwendet Kernel PCA einen Kernel-Trick, um die Daten in einen höherdimensionalen Raum zu transformieren, in dem die Daten linear separierbar sind. Der wichtigste Vorteil von Kernel PCA ist, dass es die Herkunft der Daten nicht verändert und dennoch eine effektive Reduktion der Dimensionen ermöglicht.

Mathematisch wird dies durch die Berechnung der Eigenwerte und Eigenvektoren der sogenannten Gramm-Matrix realisiert, die aus den paarweisen Kernels der Datenpunkte besteht. Der Kernels kann verschiedene Formen annehmen, wie beispielsweise den polynomialen oder den RBF-Kern (Radial Basis Function). Zusammengefasst ist Kernel PCA ein leistungsfähiges Werkzeug, um komplexe Datenstrukturen zu analysieren und zu visualisieren, insbesondere in Bereichen wie Bildverarbeitung oder Genomforschung.

Der Begriff Hard-Soft Magnetic bezieht sich auf Materialien, die sowohl harte als auch weiche magnetische Eigenschaften aufweisen. Harte magnetische Materialien haben eine hohe Koerzitivität, was bedeutet, dass sie nach dem Entfernen eines externen Magnetfeldes ihre Magnetisierung beibehalten. Diese Materialien werden häufig in Permanentmagneten verwendet. Im Gegensatz dazu besitzen weiche magnetische Materialien eine niedrige Koerzitivität und verlieren ihre Magnetisierung schnell, wenn das äußere Magnetfeld entfernt wird. Diese Eigenschaften machen sie ideal für Anwendungen wie Transformatoren und Elektromotoren.

In vielen modernen Technologien werden Kombinationen aus harten und weichen magnetischen Materialien eingesetzt, um die gewünschten magnetischen Eigenschaften zu optimieren und die Effizienz von elektrischen Geräten zu erhöhen.

Die Jordan-Normalform ist eine spezielle Form einer Matrix, die in der linearen Algebra verwendet wird, um die Struktur von linearen Abbildungen zu untersuchen. Eine Matrix $A$ kann in die Jordan-Normalform $J$ überführt werden, die aus Jordan-Blöcken besteht, wobei jeder Block einem Eigenwert von $A$ entspricht. Die Berechnung der Jordan-Normalform erfolgt in mehreren Schritten:

1. Eigenwerte finden: Zuerst bestimmt man die Eigenwerte der Matrix $A$ durch Lösen der charakteristischen Gleichung $\det(A - \lambda I) = 0$.
2. Eigenvektoren berechnen: Für jeden Eigenwert $\lambda$ berechnet man die Eigenvektoren und die zugehörigen Häufigkeiten.
3. Generalisierten Eigenvektoren: Wenn die algebraische Vielfachheit eines Eigenwerts größer ist als die geometrische Vielfachheit, müssen auch die generalisierten Eigenvektoren berechnet werden.
4. Jordan-Blöcke erstellen: Basierend auf den Eigenvektoren und den generalisierten Eigenvektoren werden die Jordan-Blöcke erstellt. Diese Blöcke bestehen aus der Hauptdiagonalen, die den Eigenwert enthält, und Einsen auf der Superdiagonalen.

Die resultierende Jordan-Normalform $J$

Ein Nyquist Plot ist ein grafisches Werkzeug, das in der Regelungstechnik und Signalverarbeitung verwendet wird, um die Stabilität und das Frequenzverhalten von dynamischen Systemen zu analysieren. Der Plot stellt die komplexe Frequenzantwort eines Systems dar, indem die Realteile gegen die Imaginärteile der Übertragungsfunktion $H(j\omega)$ aufgetragen werden, wobei $\omega$ die Frequenz ist. Dies ermöglicht es, die Stabilität eines Systems zu beurteilen, indem man die Umrundungen des Punktes $(-1, 0)$ im Diagramm betrachtet.

Wichtige Aspekte des Nyquist Plots sind:

• Stabilität: Ein System ist stabil, wenn der Nyquist Plot nicht den Punkt $(-1, 0)$ umschließt.
• Kreisbewegung: Der Verlauf des Plots zeigt, wie das System auf verschiedene Frequenzen reagiert, was Rückschlüsse auf Resonanz und Dämpfung zulässt.

Insgesamt ist der Nyquist Plot ein wertvolles Werkzeug zur Analyse und zum Entwurf von Regelungssystemen.

Der Kalman Filter ist ein mathematisches Verfahren, das zur Schätzung des Zustands eines dynamischen Systems verwendet wird, das von Rauschen und Unsicherheiten betroffen ist. Er kombiniert Messdaten mit einem modellenbasierten Ansatz, um die beste Schätzung des Systemzustands zu liefern. Der Filter arbeitet in zwei Hauptschritten: dem Vorhersageschritt, in dem der zukünftige Zustand basierend auf dem aktuellen Zustand und dem Systemmodell geschätzt wird, und dem Aktualisierungsschritt, in dem diese Schätzung durch neue Messungen verfeinert wird.

Mathematisch wird der Zustand $x_k$ des Systems zur Zeit $k$ durch die Gleichung

beschrieben, wobei $A$ die Zustandsübergangsmatrix, $B$ die Steuerungsmatrix, $u_k$ die Steuerungseingaben und $w_k$ das Prozessrauschen ist. Die Schätzung wird dann mit den Beobachtungen $z_k$ aktualisiert, die durch

beschrieben werden, wobei $H$ die Beobachtungsmatrix und $v_k$ das Messrauschen darstellt. Der Kalman Filter findet breite Anwendung in verschiedenen Bereichen, darunter

Markov-Switching-Modelle sind eine Klasse von statistischen Modellen, die in der Ökonometrie verwendet werden, um die dynamischen Eigenschaften von Konjunkturzyklen zu analysieren. Diese Modelle basieren auf der Annahme, dass die Wirtschaft in verschiedene Zustände oder Regime wechseln kann, die jeweils unterschiedliche Verhaltensweisen aufweisen, wie z.B. Expansion oder Rezession. Der Wechsel zwischen diesen Zuständen erfolgt gemäß einem Markov-Prozess, was bedeutet, dass der aktuelle Zustand nur von dem vorherigen abhängt und nicht von der gesamten Vorgeschichte.

Mathematisch wird dies oft durch die Zustandsübergangsmatrix $P$ dargestellt, die die Wahrscheinlichkeiten für den Übergang von einem Zustand in einen anderen beschreibt. Die Fähigkeit, sich zwischen verschiedenen Zuständen zu bewegen, ermöglicht es den Modellen, komplexe und sich verändernde wirtschaftliche Bedingungen besser abzubilden. Dadurch können Markov-Switching-Modelle nützliche Einblicke in die Vorhersage und das Management von wirtschaftlichen Schwankungen bieten.