ΠΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½ΡΠ΅ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ ΠΈ ΠΈΡ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ
Π (Π°)Ρ (Π°) = f (a), Π° = (oti,., Π°Ρ). Π’Π°ΠΊΠΈΠ΅ Π·Π°Π΄Π°ΡΠΈ Π²ΠΎΠ·Π½ΠΈΠΊΠ°ΡΡ Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΊΠΎΠ³Π΄Π° Π·Π°ΡΠ°Π½Π΅Π΅ Π½Π΅ΠΈΠ·Π²Π΅ΡΡΠ½ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΊΠΎΡΡΡΠΈΡΠΈΠ΅Π½ΡΠΎΠ² ΠΏΡΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠΈ ΠΎΠ±ΡΠ°ΡΠ½ΡΡ Π·Π°Π΄Π°Ρ, ΠΈΠ»ΠΈ ΠΏΡΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠΈ ΡΡΠΎΡ Π°ΡΡΠΈΡΠ΅ΡΠΊΠΈΡ Π΄ΠΈΡΡΠ΅ΡΠ΅Π½ΡΠΈΠ°Π»ΡΠ½ΡΡ ΡΡΠ°Π²Π½Π΅Π½ΠΈΠΉ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΠ°ΡΡ ΡΠ½Π΅Π½Π°-ΠΠΎΠ΅Π²Π°. ΠΡΠ»ΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ Ρ (Π°) ΡΠ΄Π°Π΅ΡΡΡ ΠΏΡΠΈΠ±Π»ΠΈΠ·ΠΈΡΡ Π² ΡΠ΅Π½Π·ΠΎΡΠ½ΠΎΠΌ Π²ΠΈΠ΄Π΅, ΡΠΎ ΡΡΠΎ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΡΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎ ΡΠΎΠΊΡΠ°ΡΠΈΡΡ Π·Π°ΡΡΠ°ΡΡ: Π½Π΅Ρ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΡΠ°Π· Π·Π°Π½ΠΎΠ²ΠΎ ΡΠ΅ΡΠ°ΡΡ ΡΠΈΡΡΠ΅ΠΌΡ… Π§ΠΈΡΠ°ΡΡ Π΅ΡΡ >
- Π‘ΠΎΠ΄Π΅ΡΠΆΠ°Π½ΠΈΠ΅
- ΠΡΠ΄Π΅ΡΠΆΠΊΠ°
- ΠΠΈΡΠ΅ΡΠ°ΡΡΡΠ°
- ΠΡΡΠ³ΠΈΠ΅ ΡΠ°Π±ΠΎΡΡ
- ΠΠΎΠΌΠΎΡΡ Π² Π½Π°ΠΏΠΈΡΠ°Π½ΠΈΠΈ
Π‘ΠΎΠ΄Π΅ΡΠΆΠ°Π½ΠΈΠ΅
- 1. 1. ΠΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠ΅ ΠΌΠ°ΡΡΠΈΠ²Ρ ΠΈ ΠΈΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ
- 1. 3. ΠΡΠ½ΠΎΠ²Π½ΡΠ΅ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΡΠ°Π±ΠΎΡΡ
- 1. 1. ΠΠ²Π΅Π΄Π΅Π½ΠΈΠ΅
- 1. 2. ΠΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π’Π°ΠΊΠΊΠ΅ΡΠ° ΠΈ ΠΈΡ ΡΠ²ΠΎΠΉΡΡΠ²Π°
- 1. 3. ΠΠ²Π΅ ΠΎΡΠ½ΠΎΠ²Π½ΡΠ΅ Π»Π΅ΠΌΠΌΡ
- 1. 4. ΠΠ΅ΡΠ°ΡΡ ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π’Π°ΠΊΠΊΠ΅ΡΠ°
- 1. 5. Π‘Π²ΡΠ·Ρ Ρ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠΌΠΈ ΡΠ΅ΡΡΠΌΠΈ
- 1. 6. ΠΡΠ½ΠΎΠ²Π½ΡΠ΅ ΡΠ²ΠΎΠΉΡΡΠ²Π° Π’Π’-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ
- 1. 7. ΠΠΊΡΡΠ³Π»Π΅Π½ΠΈΠ΅ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅
- 1. 8. ΠΠ°ΡΡΠΈΡΡ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅
- 1. 9. ΠΡΠ½ΠΎΠ²Π½ΡΠ΅ ΠΎΠΏΠ΅ΡΠ°ΡΠΈΠΈ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅
- 1. 10. Π€ΡΠ½ΠΊΡΠΈΠΈ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅
- 1. 11. ΠΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠΉ ΠΊΡΠ΅ΡΡΠΎΠ²ΡΠΉ ΠΌΠ΅ΡΠΎΠ΄
- 1. 12. Π‘ΠΊΠ΅Π»Π΅ΡΠ½ΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΌΠ°ΡΡΠΈΡ ΠΈ ΡΠ΅Π½Π·ΠΎΡΠΎΠ²
- 1.
- 2. 1. ΠΠ²Π΅Π΄Π΅Π½ΠΈΠ΅
- 2. 2. (^Π’Π’-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π½Π΅ΠΊΠΎΡΠΎΡΡΡ ΡΡΠ½ΠΊΡΠΈΠΉ
- 2. 3. (??)Π’Π’-ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ Ρ Π°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠΈ ΡΠΈΠΌΠΏΠ»Π΅ΠΊΡΠ°
- 2. 4. (?^Π’Π’-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π½Π΅ΠΊΠΎΡΠΎΡΡΡ ΠΎΠΏΠ΅ΡΠ°ΡΠΎΡΠΎΠ²
- 2. 5. Π‘Π²ΡΠ·Ρ Π‘^Π’Π’-ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ ΠΈ Π²Π΅ΠΉΠ²Π»Π΅Ρ-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ
- 2. 6. Π’Π’-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΊΠ°ΠΊ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΠ΅ ΠΏΠΎΠ΄ΠΏΡΠΎΡΡΡΠ°Π½ΡΡΠ²
- 2. 7. ΠΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ «Π/Π’Π’ Π΄Π»Ρ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ Π½ΠΎΠ²ΡΡ Π²Π΅ΠΉΠ²Π»Π΅Ρ-ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΈΠΉ
- 2. 8. ΠΡΠ²ΠΎΠ΄Ρ
ΠΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½ΡΠ΅ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ ΠΈ ΠΈΡ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ (ΡΠ΅ΡΠ΅ΡΠ°Ρ, ΠΊΡΡΡΠΎΠ²Π°Ρ, Π΄ΠΈΠΏΠ»ΠΎΠΌ, ΠΊΠΎΠ½ΡΡΠΎΠ»ΡΠ½Π°Ρ)
3.2 Π Π΅ΡΠ΅Π½ΠΈΠ΅ ΠΌΠΎΠ»Π΅ΠΊΡΠ»ΡΡΠ½ΠΎΠ³ΠΎ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ Π¨ΡΠ΅Π΄ΠΈΠ½Π³Π΅ΡΠ°. 128.
3.3 Π€ΠΎΡΠΌΡΠ»ΠΈΡΠΎΠ²ΠΊΠ° Π·Π°Π΄Π°ΡΠΈ.133.
3.4 ΠΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΠΌΠ°ΡΡΠΈΡΡ.135.
3.5 Π Π΅ΡΠ΅Π½ΠΈΠ΅ Π·Π°Π΄Π°ΡΠΈ Π½Π° ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΠΌΠ΅ΡΠΎΠ΄Π° DMRG.142.
3.6 Π§ΠΈΡΠ»Π΅Π½Π½ΡΠ΅ ΠΏΡΠΈΠΌΠ΅ΡΡ .152.
3.7 Π‘ΡΠ°Π²Π½Π΅Π½ΠΈΠ΅ Ρ ΠΈΠ·Π²Π΅ΡΡΠ½ΡΠΌΠΈ ΠΏΠΎΠ΄Ρ ΠΎΠ΄Π°ΠΌΠΈ.156.
3.8 ΠΡΡΠΈΡΠ»Π΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΈΡ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΡΡ Π·Π½Π°ΡΠ΅Π½ΠΈΠΉ. 158.
3.9 Π‘ΡΠΎΡ Π°ΡΡΠΈΡΠ΅ΡΠΊΠΈΠ΅ ΠΈ ΠΌΠ½ΠΎΠ³ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΈΠ΅ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ .163.
3.10 Π Π΅ΡΠ΅Π½ΠΈΠ΅ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΡΠΈΡΡΠ΅ΠΌΡ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅. 169.
3.11 Π§ΠΈΡΠ»Π΅Π½Π½ΡΠ΅ ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΡ.173.
3.12 Π‘ΠΆΠ°ΡΠΈΠ΅ Π΄Π°Π½Π½ΡΡ Π½Π° ΠΏΡΠΈΠΌΠ΅ΡΠ΅ ΠΏΠΎΠ»Ρ ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ.. 178.
ΠΠ°ΠΊΠ»ΡΡΠ΅Π½ΠΈΠ΅
182.
ΠΠΈΡΠ΅ΡΠ°ΡΡΡΠ°
184.
ΠΠΎΡΠ²ΡΡΠ°Π΅ΡΡΡ ΠΌΠΎΠ΅ΠΌΡ Π΄Π΅Π΄ΡΡΠΊΠ΅, ΠΠ΅ΠΆΠ°Π΅Π²Ρ ΠΠ²Π°Π½Ρ ΠΡΠΈΠΏΠΎΠ²ΠΈΡΡ.
1918;2010).
1. ΠΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠ΅ ΠΌΠ°ΡΡΠΈΠ²Ρ ΠΈ ΠΈΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ.
ΠΠΈΡΡΠ΅ΡΡΠ°ΡΠΈΡ ΠΏΠΎΡΠ²ΡΡΠ΅Π½Π° ΡΠ΅Π½Π·ΠΎΡΠ°ΠΌ ΠΈ ΠΌΠ΅ΡΠΎΠ΄Π°ΠΌ ΡΠ°Π±ΠΎΡΡ Ρ Π½ΠΈΠΌΠΈ. Π‘ΡΠ°Π·Ρ ΠΎΡΠΌΠ΅ΡΠΈΠΌ, ΡΡΠΎ ΠΏΠΎΠ΄ ΡΠ΅Π½Π·ΠΎΡΠΎΠΌ ΠΌΡ Π±ΡΠ΄Π΅ΠΌ ΠΏΠΎΠ½ΠΈΠΌΠ°ΡΡ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠΉ ΠΌΠ°ΡΡΠΈΠ² (ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ ΡΠ°Π±Π»ΠΈΡΡ) ΠΈΠ· ΡΠΈΡΠ΅Π»:
A (ibi2,., id), 1 ^ Π³ΠΊ < ΠΏΠΊ.
ΠΡΠΈ d = 1 ΠΌΡ ΠΈΠΌΠ΅Π΅ΠΌ Π²Π΅ΠΊΡΠΎΡΡ, Π° ΠΏΡΠΈ d = 2 — ΠΌΠ°ΡΡΠΈΡΡ. ΠΠ»Ρ ΠΌΠ°ΡΡΠΈΡ ΡΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ Π±ΠΎΠ³Π°ΡΠ°Ρ ΡΠ΅ΠΎΡΠΈΡ, ΡΠ°Π·Π²ΠΈΠ²Π°Π΅ΠΌΠ°Ρ Π² ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΈΡ Π΄Π΅ΡΡΡΠΊΠΎΠ² Π»Π΅Ρ ΠΈ ΡΡΠ°Π²ΡΠ°Ρ ΠΊΠ»Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ. ΠΠ½Π° Π²ΠΊΠ»ΡΡΠ°Π΅Ρ Π² ΡΠ΅Π±Ρ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ (ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, QR-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, LU-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅), ΠΌΠ΅ΡΠΎΠ΄Ρ ΠΈΡ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΠΎΠ³ΠΎ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ ΠΈ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ Π² ΠΏΡΠΈΠΊΠ»Π°Π΄Π½ΡΡ Π·Π°Π΄Π°ΡΠ°Ρ . ΠΠ»Ρ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² Π½Π΅ Π²ΡΠ΅Π³Π΄Π° ΡΡΡΠ΅ΡΡΠ²ΡΡΡ ΠΏΡΡΠΌΡΠ΅ Π°Π½Π°Π»ΠΎΠ³ΠΈ ΠΈΠ·Π²Π΅ΡΡΠ½ΡΡ ΠΌΠ°ΡΡΠΈΡΠ½ΡΡ ΡΠ²ΠΎΠΉΡΡΠ² ΠΈ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠΉ (Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΏΠΎΠ½ΡΡΠΈΠ΅ ΡΠ°Π½Π³Π° ΠΌΠΎΠΆΠ½ΠΎ ΠΎΠ±ΠΎΠ±ΡΠΈΡΡ Π½Π° ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠΉ ΡΠ»ΡΡΠ°ΠΉ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΠΌΠΈ ΡΠΏΠΎΡΠΎΠ±Π°ΠΌΠΈ), ΠΏΠΎΡΡΠΎΠΌΡ ΡΠ°ΠΌΠ° ΠΏΠΎΡΡΠ°Π½ΠΎΠ²ΠΊΠ° Π·Π°Π΄Π°ΡΠΈ ΠΎΠ± ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΡΡ ΠΌΠ°Π»ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡΡ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² ΠΈ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°Ρ ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΡ ΡΠ°ΠΊΠΈΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠΉ ΡΠ²Π»ΡΠ΅ΡΡΡ Π°ΠΊΡΡΠ°Π»ΡΠ½ΠΎΠΉ ΠΈ ΠΏΠΎ Π½Π°ΡΡΠΎΡΡΠ΅Π΅ Π²ΡΠ΅ΠΌΡ.
Π’Π΅Π½Π·ΠΎΡΡ ΠΈ ΠΈΡ ΠΊΠΎΠΌΠΏΠ°ΠΊΡΠ½ΡΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ (ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ) Π²ΠΏΠ΅ΡΠ²ΡΠ΅ Π±ΡΠ»ΠΈ ΡΠ°ΡΡΠΌΠΎΡΡΠ΅Π½Ρ Π² 1927 Π³ΠΎΠ΄Ρ Π₯ΠΈΡΠΊΠΎΠΊΠΎΠΌ [95, 96], Π° ΠΈΠ΄Π΅Ρ ΠΌΠ½ΠΎΠ³ΠΎΡΠ°ΠΊΡΠΎΡΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΏΡΠΈΠΏΠΈΡΡΠ²Π°Π΅ΡΡΡ ΠΡΡ-ΡΠ΅Π»Ρ Π² 1944 [66, 67]. ΠΡΠΈ ΠΏΠΎΠ½ΡΡΠΈΡ Π½Π΅ ΠΏΡΠΈΠ²Π»Π΅ΠΊΠ°Π»ΠΈ ΠΎΡΠΎΠ±ΠΎΠ³ΠΎ Π²Π½ΠΈΠΌΠ°Π½ΠΈΡ Π²ΠΏΠ»ΠΎΡΡ Π΄ΠΎ ΡΠ°Π±ΠΎΡ Π’Π°ΠΊΠΊΠ΅ΡΠ° Π² 1960;Ρ Π³ΠΎΠ΄Π°Ρ [134, 132, 133], ΠΡΡΠΎΠ»Π»Π° ΠΈ Π§Π°Π½Π³Π° [65] ΠΈ Π₯Π°ΡΡΠΌΠ°Π½Π° [92], ΠΊΠΎΡΠΎΡΡΠ΅ Π²ΡΠ΅ ΠΏΠΎΡΠ²ΠΈΠ»ΠΈΡΡ Π² Π»ΠΈΡΠ΅ΡΠ°ΡΡΡΠ΅ ΠΏΠΎ «ΠΏΡΠΈΡ ΠΎΠΌΠ΅ΡΡΠΈΠΊΠ΅» («ΠΏΡΠΈΡ ΠΎΠΌΠ΅ΡΡΠΈΠΊΠ°» — Π½Π°ΡΠΊΠ° ΠΎ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠΈ ΡΡΠ°ΡΠΈΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² Π² ΠΏΡΠΈΡ ΠΎΠ»ΠΎΠ³ΠΈΠΈ). Π ΡΠ°Π±ΠΎΡΠ΅ 1981 Π³ΠΎΠ΄Π° ΠΠΏΠΏΠ΅Π»ΡΠ»ΠΎΡΠ° ΠΈ ΠΠ°Π²ΠΈΠ΄ΡΠΎΠ½Π° [43] ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ Π±ΡΠ»ΠΈ Π²ΠΏΠ΅ΡΠ²ΡΠ΅ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½Ρ Π² «Ρ Π΅ΠΌΠΎΠΌΠ΅ΡΡΠΈΠΊΠ΅» (Ρ Π΅ΠΌΠΎΠΌΠ΅ΡΡΠΈΠΊΠ° — Π½Π°ΡΠΊΠ° ΠΎ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠΈ ΡΡΠ°ΡΠΈΡΡΠΈΡΠ΅ΡΠΊΠΈΡ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² Π² Ρ ΠΈΠΌΠΈΠΈ) ΠΈ Ρ ΡΠ΅Ρ ΠΏΠΎΡ Π°ΠΊΡΠΈΠ²Π½ΠΎ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡΡΡ Π² ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡΡ [93, 117, 59, 60, 62, 108, 38, 102,.
41, 39, 61]. Π’Π΅Π½Π·ΠΎΡΠ½ΡΠΌ ΠΌΠ΅ΡΠΎΠ΄Π°ΠΌ ΠΏΠΎΡΠ²ΡΡΠ΅Π½Π° ΠΊΠ½ΠΈΠ³Π° [128]. ΠΠ°ΡΠ°Π»Π»Π΅Π»ΡΠ½ΠΎ ΠΈΡΡΠ»Π΅Π΄ΠΎΠ²Π°Π½ΠΈΡΠΌ Π² ΠΏΡΠΈΡ ΠΎΠΌΠ΅ΡΡΠΈΠΊΠ΅ ΠΈ Ρ Π΅ΠΌΠΎΠΌΠ΅ΡΡΠΈΠΊΠ΅ Π±ΠΎΠ»ΡΡΠΎΠΉ ΠΈΠ½ΡΠ΅ΡΠ΅Ρ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ Π²ΡΠ·ΡΠ²Π°Π»ΠΈ ΠΏΡΠΈ ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΠΈ ΠΎΠΏΡΠΈΠΌΠ°Π»ΡΠ½ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ² Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ Π±ΠΈΠ»ΠΈΠ½Π΅ΠΉΠ½ΡΡ ΡΠΎΡΠΌ Π² ΡΠ΅ΠΎΡΠΈΠΈ ΡΠ»ΠΎΠΆΠ½ΠΎΡΡΠΈ, ΡΠΌ., Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΠ½ΡΡΠ° [155]. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, Π°Π»Π³ΠΎΡΠΈΡΠΌ Π¨ΡΡΠ°ΡΡΠ΅Π½Π° ΡΠΌΠ½ΠΎΠΆΠ΅Π½ΠΈΡ ΠΌΠ°ΡΡΠΈΡ ΡΠ°Π·ΠΌΠ΅ΡΠ° 2×2 ΠΌΠΎΠΆΠ½ΠΎ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΊΠ°ΠΊ ΡΠ΅Π½Π·ΠΎΡΠ½ΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΠ΅Π½Π·ΠΎΡΠ° ΡΠ°Π·ΠΌΠ΅ΡΠ° 4x4x4 [129, 57]. Π ΠΏΠΎΡΠ»Π΅Π΄Π½ΠΈΠ΅ Π΄Π΅ΡΡΡΡ Π»Π΅Ρ Π²ΠΎ ΠΌΠ½ΠΎΠ³ΠΈΡ ΠΎΠ±Π»Π°ΡΡΡΡ ΡΡΠ°Π»ΠΈ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡΡΡ ΡΠ΅Π½Π·ΠΎΡΡ ΠΈ ΠΈΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ. Π ΠΈΡ ΡΠΈΡΠ»Π΅:
β’ ΠΠ±ΡΠ°Π±ΠΎΡΠΊΠ° ΡΠΈΠ³Π½Π°Π»ΠΎΠ² [147, 127, 71, 68, 75, 119, 145, 146].
β’ ΠΡΠΊΡΡΡΡΠ²Π΅Π½Π½ΠΎΠ΅ Π·ΡΠ΅Π½ΠΈΠ΅ (computer vision) [139].
β’ ΠΠ±ΡΠ°Π±ΠΎΡΠΊΠ° Π΄Π°Π½Π½ΡΡ [114, 130].
β’ ΠΠ΅ΠΉΡΠΎΠ½Π°ΡΠΊΠΈ [54, 76, 118, 116, 115, 63, 64].
Π‘ΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ Π±ΠΎΠ»ΡΡΠΎΠ΅ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ ΠΎΠ±Π·ΠΎΡΠΎΠ² Π² Π΄ΡΡΠ³ΠΈΡ ΠΎΠ±Π»Π°ΡΡΡΡ [105, 73, 94, 58, 60, 71, 103, 128, 61, 35]. ΠΠ΅Π΄Π°Π²Π½ΠΎ ΠΏΠΎΡΠ²ΠΈΠ»Π°ΡΡ ΠΊΠ½ΠΈΠ³Π° ΠΏΠΎ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΠΎΠΌΡ Π°Π½Π°Π»ΠΈΠ·Ρ Π΄Π°Π½Π½ΡΡ [106]. ΠΠ»Ρ ΡΠ°Π±ΠΎΡΡ Ρ ΡΠ΅Π½Π·ΠΎΡΠ°ΠΌΠΈ ΠΈ ΠΈΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡΠΌΠΈ ΡΡΡΠ΅ΡΡΠ²ΡΡΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΠ½ΡΠ΅ ΠΏΠ°ΠΊΠ΅ΡΡ [124, 40, 107, 74, 50, 123]. ΠΡΠ΅Π²ΠΈΠ΄Π½ΠΎ, ΡΡΠΎ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ ΡΡΠ°Π»ΠΈ ΠΈΠ³ΡΠ°ΡΡ Π±ΠΎΠ»ΡΡΡΡ ΡΠΎΠ»Ρ Π² ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ ΠΏΡΠΈΠΊΠ»Π°Π΄Π½ΡΡ ΠΎΠ±Π»Π°ΡΡΡΡ , Π³Π΄Π΅ ΠΈ ΠΏΡΠΎΠΈΡΡ ΠΎΠ΄ΠΈΠ»ΠΎ ΠΎΡΠ½ΠΎΠ²Π½ΠΎΠ΅ ΠΈΡ ΡΠ°Π·Π²ΠΈΡΠΈΠ΅.
ΠΠ΄Π½Π°ΠΊΠΎ, Π²ΠΎ Π²ΡΠ΅Ρ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡΡ ΠΈ ΠΏΠΎΠ΄Ρ ΠΎΠ΄Π°Ρ , ΡΠΏΠΎΠΌΡΠ½ΡΡΡΡ Π²ΡΡΠ΅, ΡΠ΅Π½Π·ΠΎΡΡ ΠΏΠΎΠ»ΡΡΠ°ΡΡΡΡ ΠΊΠ°ΠΊ Π½Π°Π±ΠΎΡ Π΄Π°Π½Π½ΡΡ . ΠΡΠΎ ΠΎΠ·Π½Π°ΡΠ°Π΅Ρ, ΡΡΠΎ ΠΎΠ½ΠΈ ΠΌΠΎΠ³ΡΡ ΠΏΠΎΠΌΠ΅ΡΡΠΈΡΡΡΡ Π² ΠΎΠΏΠ΅ΡΠ°ΡΠΈΠ²Π½ΠΎΠΉ ΠΏΠ°ΠΌΡΡΠΈ, Ρ. Π΅. Π΄ΠΎΠΏΡΡΡΠΈΠΌΠ°Ρ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΡ d Π½Π΅ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ Π±ΠΎΠ»ΡΡΠΎΠΉ (2, 5 ΠΈΠ»ΠΈ ΠΌΠ°ΠΊΡΠΈΠΌΡΠΌ — 10). ΠΡΠΈ ΡΠΈΡΠ»Π΅Π½Π½ΡΡ ΡΠ°ΡΡΠ΅ΡΠ°Ρ ΠΎΠ±Π»Π°ΡΡΡ ΡΠ°ΡΡΠΎ ΡΠ²Π»ΡΠ΅ΡΡΡ Π΄Π²ΡΠΌΠ΅ΡΠ½ΠΎΠΉ ΠΈΠ»ΠΈ ΡΡΠ΅Ρ ΠΌΠ΅ΡΠ½ΠΎΠΉ, ΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ (ΠΏΡΠΈ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠΈ ΡΡΡΡΠΊΡΡΡΠΈΡΠΎΠ²Π°Π½Π½ΡΡ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΡ ΡΠ΅ΡΠΎΠΊ) ΡΠ°ΠΊΠΆΠ΅ Π±ΡΠ΄Π΅Ρ Π΄Π²ΡΠΌΠ΅ΡΠ½ΡΠΌ ΠΈΠ»ΠΈ ΡΡΠ΅Ρ ΠΌΠ΅ΡΠ½ΡΠΌ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠΌ. ΠΡΠ»ΠΈ Π·Π°Π΄Π°ΡΠ° ΡΠ²Π»ΡΠ΅ΡΡΡ Π½Π΅ΡΡΠ°ΡΠΈΠΎΠ½Π°ΡΠ½ΠΎΠΉ, ΡΠΎ Π²ΡΠ΅ΠΌΡ ΠΌΠΎΠΆΠ½ΠΎ ΡΠ°ΡΡΠΌΠ°ΡΡΠΈΠ²Π°ΡΡ ΠΊΠ°ΠΊ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΡΡ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΡ ΠΈ Π³ΠΎΠ²ΠΎΡΠΈΡΡ ΠΎ ΡΠ΅ΡΡΡΠ΅Ρ ΠΌΠ΅ΡΠ½ΡΡ ΠΌΠ°ΡΡΠΈΠ²Π°Ρ . ΠΠ°ΡΡΠΈΠ²Ρ Π±ΠΎΠ»ΡΡΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ (>10) ΠΊΠ°ΠΊ ΠΏΠΎΠ»Π½ΡΠ΅ Π½Π° ΠΏΡΠ°ΠΊΡΠΈΠΊΠ΅ Π½Π΅ Π²ΡΡΡΠ΅ΡΠ°ΡΡΡΡ!
Π’Π°ΠΊ ΡΡΠΎ ΠΈΠΌΠ΅Π΅ΡΡΡ Π² Π²ΠΈΠ΄Ρ, ΠΊΠΎΠ³Π΄Π° Π³ΠΎΠ²ΠΎΡΠΈΡΡΡ ΠΎ ΠΌΠ°ΡΡΠΈΠ²Π°Ρ Π±ΠΎΠ»ΡΡΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ, ΠΈ Π² ΠΊΠ°ΠΊΠΈΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡΡ ΠΎΠ½ΠΈ Π²ΠΎΠ·Π½ΠΈΠΊΠ°ΡΡ? ΠΠ»Ρ Π½Π°ΡΠ°Π»Π° ΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΡ, ΡΡΠΎ ΠΆΠ΅ ΠΏΠΎΠ½ΠΈΠΌΠ°ΡΡ ΠΏΠΎΠ΄ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠΌ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠΌ, Π²ΡΠ΅ ΡΠ»Π΅ΠΌΠ΅Π½ΡΡ ΠΊΠΎΡΠΎΡΠΎΠ³ΠΎ Π½Π΅Π»ΡΠ·Ρ Π²ΡΡΠΈΡΠ»ΠΈΡΡ. Π’Π΅Π½Π·ΠΎΡΡ Π²ΡΡΠΎΠΊΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ Π·Π°Π΄Π°ΡΡΡΡ Π½Π΅ΡΠ²Π½ΠΎ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ Π² Π²ΠΈΠ΄Π΅ Π½Π΅ΠΊΠΎΡΠΎΡΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠΈ ΠΈΠ»ΠΈ ΠΏΡΠΎΡΠ΅Π΄ΡΡΡ, ΠΊΠΎΡΠΎΡΠ°Ρ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ Π²ΡΡΠΈΡΠ»ΠΈΡΡ Π»ΡΠ±ΠΎΠΉ ΡΡΠ΅Π±ΡΠ΅ΠΌΡΠΉ ΡΠ»Π΅ΠΌΠ΅Π½Ρ ΡΠ°ΠΊΠΎΠ³ΠΎ ΠΌΠ°ΡΡΠΈΠ²Π°. ΠΠ°ΠΆΠ½ΡΠΉ ΠΊΠ»Π°ΡΡ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² — ΡΡΠΎ ΡΠ΅Π½Π·ΠΎΡΡ, ΠΏΠΎΡΠΎΠΆΠ΄Π΅Π½Π½ΡΠ΅ Π½Π΅ΠΊΠΎΡΠΎΡΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠ΅ΠΉ ΠΎΡ Ρ1 ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΡΡ :
Π (11, Π³2, β’ β’ β’, Π³Π°) =)>*2(Π«> β’ β’ .Ρ Π°Π-Π°)), 1 ^ Π§ ^ ΠΏΠΊΡ Π³Π΄Π΅ Π₯]Π‘ (1]Π‘) — Π½Π΅ΠΊΠΎΡΠΎΡΡΠ΅ ΠΎΠ΄Π½ΠΎΠΌΠ΅ΡΠ½ΡΠ΅ ΡΠ΅ΡΠΊΠΈ. Π’Π΅Π½Π·ΠΎΡ Π² ΡΠ°ΠΊΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ ΡΠ²Π»ΡΠ΅ΡΡΡ Π΄ΠΈΡΠΊΡΠ΅ΡΠ½ΡΠΌ Π°Π½Π°Π»ΠΎΠ³ΠΎΠΌ ΡΡΠ½ΠΊΡΠΈΠΈ. ΠΠ΄Π½ΠΈΠΌ ΠΈΠ· Π½Π°ΠΈΠ±ΠΎΠ»Π΅Π΅ Π²Π°ΠΆΠ½ΡΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ Π΄Π»Ρ Π²ΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½ΡΡ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΡ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² ΡΠ²Π»ΡΠ΅ΡΡΡ Π²ΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½Π°Ρ Ρ ΠΈΠΌΠΈΡ, Π³Π΄Π΅ ΡΡΠ½ΠΊΡΠΈΠΈ Π±ΠΎΠ»ΡΡΠΎΠ³ΠΎ ΡΠΈΡΠ»Π° ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΡΡ Π²ΠΎΠ·Π½ΠΈΠΊΠ°ΡΡ Π΅ΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ. ΠΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½Π°Ρ Ρ ΠΈΠΌΠΈΡ Π΄Π°Π²Π½ΠΎ ΡΡΠ°Π»Π° Π΄Π΅ΡΠ΅Π²ΡΠΌ ΠΈ Π±ΠΎΠ»Π΅Π΅ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΡΠΌ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠΌ ΡΠ°Π±ΠΎΡΡ Ρ ΠΈΠΌΠΈΠΊΠΎΠ², ΡΠ΅ΠΌ Π»Π°Π±ΠΎΡΠ°ΡΠΎΡΠ½ΡΠΉ ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½Ρ. ΠΠ½Π° ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ Π·Π° ΡΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎ Π±ΠΎΠ»Π΅Π΅ ΠΊΠΎΡΠΎΡΠΊΠΎΠ΅ Π²ΡΠ΅ΠΌΡ ΠΈ Ρ ΠΌΠ΅Π½ΡΡΠΈΠΌΠΈ Π·Π°ΡΡΠ°ΡΠ°ΠΌΠΈ ΠΏΡΠΎΠ²ΠΎΠ΄ΠΈΡΡ Π°Π½Π°Π»ΠΈΠ· ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ Ρ ΠΈΠΌΠΈΡΠ΅ΡΠΊΠΈΡ ΡΠΎΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΠΉ. ΠΠ°ΠΊΠ΅ΡΡ ΠΊΠ²Π°Π½ΡΠΎΠ²ΠΎΡ ΠΈΠΌΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡΡΡ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΏΡΠΈ ΡΠ°Π·ΡΠ°Π±ΠΎΡΠΊΠ΅ Π½ΠΎΠ²ΡΡ Π»Π΅ΠΊΠ°ΡΡΡΠ² ΠΈΠ»ΠΈ ΠΏΠΎΠΈΡΠΊΠ΅ Π½ΠΎΠ²ΡΡ ΠΌΠ°ΡΠ΅ΡΠΈΠ°Π»ΠΎΠ², ΠΊΠΎΠ³Π΄Π° Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΈΠ·ΡΡΠΈΡΡ ΡΠ²ΠΎΠΉΡΡΠ²Π° ΠΎΠ³ΡΠΎΠΌΠ½ΠΎΠ³ΠΎ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²Π° ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ Π²Π΅ΡΠ΅ΡΡΠ² Π΄Π»Ρ Π½Π°Ρ ΠΎΠΆΠ΄Π΅Π½ΠΈΡ Π²Π΅ΡΠ΅ΡΡΠ²Π° Ρ Π½ΡΠΆΠ½ΡΠΌΠΈ ΡΠ²ΠΎΠΉΡΡΠ²Π°ΠΌΠΈ. Π ΡΠ°ΠΊΠΈΡ ΠΏΠ°ΠΊΠ΅ΡΠ°Ρ ΡΠ΅ΡΠ°ΡΡΡΡ ΡΠ»ΠΎΠΆΠ½ΡΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠ΅ Π·Π°Π΄Π°ΡΠΈ. Π’Π°ΠΊΠΆΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠ΅ Π·Π°Π΄Π°ΡΠΈ Π²ΠΎΠ·Π½ΠΈΠΊΠ°ΡΡ Π² ΡΠΈΠ·ΠΈΠΊΠ΅ ΡΠ²Π΅ΡΠ΄ΠΎΠ³ΠΎ ΡΠ΅Π»Π° ΠΏΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠΈ ΠΊΠ²Π°Π½ΡΠΎΠ²ΡΡ ΡΠΏΠΈΠ½ΠΎΠ²ΡΡ ΡΠΈΡΡΠ΅ΠΌ.
ΠΠΎΠΆΠ½ΠΎ Ρ ΡΠ²Π΅ΡΠ΅Π½Π½ΠΎΡΡΡΡ Π³ΠΎΠ²ΠΎΡΠΈΡΡ ΠΎ ΡΠΎΠΌ, ΡΡΠΎ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΡ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠ² Π²ΡΡΠΎΠΊΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ ΡΠΆΠ΅ Π΄Π°Π²Π½ΠΎ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡΡΡ Π²ΠΎ ΠΌΠ½ΠΎΠ³ΠΈΡ ΠΎΠ±Π»Π°ΡΡΡΡ , Π³Π΄Π΅ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΡ ΠΎΡΠ΅Π½Ρ ΡΡΡΠ΄ΠΎΠ΅ΠΌΠΊΠΈΠ΅ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ, Π² ΡΠΎΠΌ ΡΠΈΡΠ»Π΅ Ρ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ΠΌ ΡΡΠΏΠ΅ΡΠΊΠΎΠΌΠΏΡΡΡΠ΅ΡΠΎΠ². Π Π°Π·Π½ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΡ Π²ΠΎΠ·Π½ΠΈΠΊΠ°Π»ΠΈ Π½Π΅Π·Π°Π²ΠΈΡΠΈΠΌΠΎ Π΄ΡΡΠ³ ΠΎΡ Π΄ΡΡΠ³Π° Π² Ρ ΠΈΠΌΠΈΠΈ, ΡΠΈΠ·ΠΈΠΊΠ΅. ΠΠΎΠ΄ «ΠΌΠ΅ΡΠΎΠ΄Π°ΠΌΠΈ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΡ» Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΏΠΎΠ½ΠΈΠΌΠ°ΡΡ Π½Π΅ΠΊΠΎΡΠΎΡΡΠ΅ ΠΌΠ°Π»ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΈΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ ΡΡΠ½ΠΊΡΠΈΠΉ ΠΌΠ½ΠΎΠ³ΠΈΡ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΡΡ ΠΈ ΡΠ²ΡΠ·Π°Π½Π½ΡΡ Ρ Π½ΠΈΠΌΠΈ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠ². Π’Π°ΠΊ ΠΊΠ°ΠΊ ΠΏΡΠΈ ΡΠΈΡΠ»Π΅Π½Π½ΠΎΠΌ ΡΠ΅ΡΠ΅Π½ΠΈΠΈ Π²ΡΠ΅Π³Π΄Π° Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄ΠΈΡΡ ΠΊ Π΄ΠΈΡΠΊΡΠ΅ΡΠ½ΡΠΌ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡΠΌ, ΡΠΎ ΠΏΠΎΡΡΠΈ Π»ΡΠ±ΠΎΠΉ ΠΈΠ· ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² ΡΠ΅ΡΠ΅Π½ΠΈΡ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ Π·Π°Π΄Π°Ρ ΠΌΠΎΠΆΠ½ΠΎ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΠΎΠ²Π°ΡΡ ΠΊΠ°ΠΊ ΠΌΠ΅ΡΠΎΠ΄ Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΈ ΡΠ΅Π½Π·ΠΎΡΠΎΠ². Π’Π°ΠΊ ΠΊΠ°ΠΊΠΈΠ΅ ΠΆΠ΅ Π·Π°Π΄Π°ΡΠΈ ΡΠ΅ΡΠ°ΡΡΡΡ? Π Π²ΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½ΠΎΠΉ Ρ ΠΈΠΌΠΈΠΈ ΠΎΡΠ½ΠΎΠ²Π½ΡΠΌ ΡΡΠ°Π²Π½Π΅Π½ΠΈΠ΅ΠΌ ΡΠ²Π»ΡΠ΅ΡΡΡ ΡΡΠ°Π²Π½Π΅Π½ΠΈΠ΅ Π¨ΡΠ΅Π΄ΠΈΠ½Π³Π΅ΡΠ°. ΠΠ½ΠΎ ΠΈΠΌΠ΅Π΅Ρ Π²ΠΈΠ΄.
ΠΠ³|) = (-1Π΄ + Π£)-Ρ = ΠΠ³Π (i.l) Π³Π΄Π΅ ΠΏΠΎΡΠ΅Π½ΡΠΈΠ°Π» V = V (ri,., 1>Π΄) ΠΈΠΌΠ΅Π΅Ρ Π²ΠΈΠ΄ v = - Ρ~+ 1Ρ~! 1|ΠΠ΅ — Rail 27 Π¦ΠΠ΅-TVlP, Π° Ra, Zq — ΠΊΠΎΠΎΡΠ΄ΠΈΠ½Π°ΡΡ ΠΈ Π·Π°ΡΡΠ΄Ρ Π°ΡΠΎΠΌΠΎΠ², ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²Π΅Π½Π½ΠΎ. ΠΠ΅ΠΈΠ·Π²Π΅ΡΡΠ½Π°Ρ ΡΡΠ½ΠΊΡΠΈΡ (Π½Π°Π·ΡΠ²Π°Π΅ΠΌΠ°Ρ Π²ΠΎΠ»Π½ΠΎΠ²ΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠ΅ΠΉ Π³|)) Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ 3Ne ΠΊΠΎΠΎΡΠ΄ΠΈΠ½Π°Ρ, Π³Π΄Π΅ Ne — ΡΠΈΡΠ»ΠΎ ΡΠ»Π΅ΠΊΡΡΠΎΠ½ΠΎΠ² Π² ΡΠΈΡΡΠ΅ΠΌΠ΅. Π€Π°ΠΊΡΠΈΡΠ΅ΡΠΊΠΈ, Π½ΡΠΆΠ½ΠΎ Π½Π°ΠΉΡΠΈ Π½Π°ΠΈΠΌΠ΅Π½ΡΡΠ΅Π΅ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΠΎΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΠΎΠ³ΠΎ ΠΎΠΏΠ΅ΡΠ°ΡΠΎΡΠ°, ΡΡΠΎ Π΄Π°ΡΡ ΡΠ½Π΅ΡΠ³ΠΈΡ ΡΠΈΡΡΠ΅ΠΌΡ. Π Π΅ΡΠ΅Π½ΠΈΠ΅ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ (i.l) ΠΎΡΠ»ΠΎΠΆΠ½ΡΠ΅ΡΡΡ ΡΠ΅ΠΌ, ΡΡΠΎ Π΄ΠΎΠΏΡΡΠΊΠ°ΡΡΡΡ Π½Π΅ Π»ΡΠ±ΡΠ΅ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΈ ΡΡΠ½ΠΊΡΠΈΠΈ, Π° ΡΠΎΠ»ΡΠΊΠΎ ΡΠ΅, ΠΊΠΎΡΠΎΡΡΠ΅ ΡΠ΄ΠΎΠ²Π»Π΅ΡΠ²ΠΎΡΡΡΡ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΡΠΌ ΡΡΠ»ΠΎΠ²ΠΈΡΠΌ ΡΠΈΠΌΠΌΠ΅ΡΡΠΈΠΈ/Π°Π½ΡΠΈΡΠΈΠΌΠΌΠ΅ΡΡΠΈΠΈ, ΡΠ°ΠΊ Π½Π°Π·ΡΠ²Π°Π΅ΠΌΠΎΠΌΡ ΠΏΡΠΈΠ½ΡΠΈΠΏΡ ΠΠ°ΡΠ»ΠΈ. Π’Π΅ΠΌ Π½Π΅ ΠΌΠ΅Π½Π΅Π΅, ΡΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ Π±ΠΎΠ»ΡΡΠΎΠ΅ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²ΠΎ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½Π½ΠΎΠ³ΠΎ ΡΠ΅ΡΠ΅Π½ΠΈΡ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ (i.l): ΠΌΠ΅ΡΠΎΠ΄ Π₯Π°ΡΡΡΠΈ-Π€ΠΎΠΊΠ°, ΠΌΠ΅ΡΠΎΠ΄Ρ DFT, ΠΏΠΎΡΡ-Π₯Π°ΡΡΡΠΈ-Π€ΠΎΠΊ ΠΌΠ΅ΡΠΎΠ΄Ρ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΎΠ±Π»Π°Π΄Π°ΡΡ ΡΠ°Π·Π»ΠΈΡΠ½ΠΎΠΉ ΡΠ»ΠΎΠΆΠ½ΠΎΡΡΡΡ ΠΈ ΡΠΎΡΠ½ΠΎΡΡΡΡ. Π Π΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠΌ ΡΠ°Π±ΠΎΡΡ ΡΡΠΈΡ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² ΡΠ²Π»ΡΠ΅ΡΡΡ ΠΎΠ΄Π½ΠΎ ΡΠΈΡΠ»ΠΎ: ΡΠ½Π΅ΡΠ³ΠΈΡ Π, Π° Π²Ρ ΠΎΠ΄Π½ΡΠ΅ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΡ (Π΅ΡΠ»ΠΈ ΡΡΠΈΡΠ°ΡΡ, ΡΡΠΎ Π·Π°ΡΡΠ΄Ρ Π°ΡΠΎΠΌΠΎΠ² Π·Π°ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Ρ) — ΡΡΠΎ ΠΏΠΎΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π°ΡΠΎΠΌΠΎΠ², ΠΏΠΎΡΡΠΎΠΌΡ Π ΡΠ²Π»ΡΠ΅ΡΡΡ ΠΈΡ ΡΡΠ½ΠΊΡΠΈΠ΅ΠΉ:
E = E (Rb., RNJ.
ΠΡΠ° ΡΡΠ½ΠΊΡΠΈΡ (ΠΎΠ½Π° Π½ΠΎΡΠΈΡ ΡΠΏΠ΅ΡΠΈΠ°Π»ΡΠ½ΠΎΠ΅ Π½Π°Π·Π²Π°Π½ΠΈΠ΅ Potential Energy Surface, ΠΈΠ»ΠΈ PES) ΠΈΠ³ΡΠ°Π΅Ρ Π²Π°ΠΆΠ½Π΅ΠΉΡΡΡ ΡΠΎΠ»Ρ Π² ΠΈΠ·ΡΡΠ΅Π½ΠΈΠΈ Ρ ΠΈΠΌΠΈΡΠ΅ΡΠΊΠΈΡ ΡΠ²ΠΎΠΉΡΡΠ² ΠΌΠΎΠ»Π΅ΠΊΡΠ»Ρ ΠΈΠ»ΠΈ ΡΠΈΡΡΠ΅ΠΌΡ Π°ΡΠΎΠΌΠΎΠ². ΠΠ· Π½Π΅Π΅ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΠΎΠ»ΡΡΠΈΡΡ Π»ΡΠ±ΡΡ ΠΈΠ½ΡΠ΅ΡΠ΅ΡΡΡΡΡΡ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡ. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΌΠΈΠ½ΠΈΠΌΡΠΌΡ ΡΡΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠΈ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΡΡ ΡΡΡΠΎΠΉΡΠΈΠ²ΡΠΌ ΠΊΠΎΠ½ΡΠΈΠ³ΡΡΠ°ΡΠΈΡΠΌ (ΠΈΠ·ΠΎΠΌΠ΅ΡΠ°ΠΌ). Π‘Π΅Π΄Π»ΠΎΠ²ΡΠ΅ ΡΠΎΡΠΊΠΈ ΠΎΡΠ΄Π΅Π»ΡΡΡ ΠΎΠ΄ΠΈΠ½ ΠΌΠΈΠ½ΠΈΠΌΡΠΌ ΠΎΡ Π΄ΡΡΠ³ΠΎΠ³ΠΎ, ΠΈ ΡΠ²ΡΠ·Π°Π½Ρ Ρ Ρ ΠΈΠΌΠΈΡΠ΅ΡΠΊΠΈΠΌΠΈ ΡΠ΅Π°ΠΊΡΠΈΡΠΌΠΈ ΠΏΠΎ ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄Ρ ΠΈΠ· ΠΎΠ΄Π½ΠΎΠ³ΠΎ ΡΠΎΡΡΠΎΡΠ½ΠΈΡ Π² Π΄ΡΡΠ³ΠΎΠ΅. Π’Π°ΠΊΠΆΠ΅ ΠΈΠ· ΠΏΠΎΡΠ΅Π½ΡΠΈΠ°Π»ΡΠ½ΠΎΠΉ ΠΏΠΎΠ²Π΅ΡΡ Π½ΠΎΡΡΠΈ ΠΌΠΎΠΆΠ½ΠΎ Π½Π°ΠΉΡΠΈ ΠΊΠΎΠ»Π΅Π±Π°ΡΠ΅Π»ΡΠ½ΡΠ΅ ΡΠΏΠ΅ΠΊΡΡΡ, ΠΈ ΠΏΡΠΈΠΌΠ΅Ρ ΡΠ°ΠΊΠΈΡ ΡΠ°ΡΡΠ΅ΡΠΎΠ² Π±ΡΠ΄Π΅Ρ ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½ Π² Π΄Π°Π½Π½ΠΎΠΉ Π΄ΠΈΡΡΠ΅ΡΡΠ°ΡΠΈΠΈ. ΠΡΠ½ΠΎΠ²Π½Π°Ρ ΠΏΡΠΎΠ±Π»Π΅ΠΌΠ° ΡΠΎΡΡΠΎΠΈΡ Π² ΡΠΎΠΌ, Π² ΠΊΠ°ΠΊΠΎΠΌ ΠΆΠ΅ Π²ΠΈΠ΄Π΅ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΡΠΈΠ±Π»ΠΈΠ·ΠΈΡΡ ΡΡΡ ΡΡΠ½ΠΊΡΠΈΡ, ΡΡΠΎΠ±Ρ Ρ Π½Π΅ΠΉ Π² Π΄Π°Π»ΡΠ½Π΅ΠΉΡΠ΅ΠΌ ΠΌΠΎΠΆΠ½ΠΎ Π±ΡΠ»ΠΎ ΡΠ°Π±ΠΎΡΠ°ΡΡ — Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌ Ρ ΠΎΡΠΎΡΠΈΠΉ ΠΌΠ°Π»ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΈΠΉ ΡΠΎΡΠΌΠ°Ρ.
ΠΡΠΎΡΡΠΌ Π²Π°ΠΆΠ½ΡΠΌ ΠΏΡΠΈΠΌΠ΅ΡΠΎΠΌ, Π³Π΄Π΅ ΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ ΡΡΠ½ΠΊΡΠΈΠΉ, ΡΠ²Π»ΡΡΡΡΡ ΠΌΠ½ΠΎΠ³ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΈΠ΅ Π·Π°Π΄Π°ΡΠΈ, ΠΊΠΎΠ³Π΄Π°-Π»ΠΈΠ±ΠΎ ΠΎΠΏΠ΅ΡΠ°ΡΠΎΡ, Π»ΠΈΠ±ΠΎ ΠΏΡΠ°Π²Π°Ρ ΡΠ°ΡΡΡ Π·Π°Π²ΠΈΡΠΈΡ ΠΎΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΡ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ²:
Π (Π°)Ρ (Π°) = f (a), Π° = (oti,., Π°Ρ). Π’Π°ΠΊΠΈΠ΅ Π·Π°Π΄Π°ΡΠΈ Π²ΠΎΠ·Π½ΠΈΠΊΠ°ΡΡ Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΊΠΎΠ³Π΄Π° Π·Π°ΡΠ°Π½Π΅Π΅ Π½Π΅ΠΈΠ·Π²Π΅ΡΡΠ½ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΊΠΎΡΡΡΠΈΡΠΈΠ΅Π½ΡΠΎΠ² ΠΏΡΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠΈ ΠΎΠ±ΡΠ°ΡΠ½ΡΡ Π·Π°Π΄Π°Ρ, ΠΈΠ»ΠΈ ΠΏΡΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠΈ ΡΡΠΎΡ Π°ΡΡΠΈΡΠ΅ΡΠΊΠΈΡ Π΄ΠΈΡΡΠ΅ΡΠ΅Π½ΡΠΈΠ°Π»ΡΠ½ΡΡ ΡΡΠ°Π²Π½Π΅Π½ΠΈΠΉ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΠ°ΡΡ ΡΠ½Π΅Π½Π°-ΠΠΎΠ΅Π²Π°. ΠΡΠ»ΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ Ρ (Π°) ΡΠ΄Π°Π΅ΡΡΡ ΠΏΡΠΈΠ±Π»ΠΈΠ·ΠΈΡΡ Π² ΡΠ΅Π½Π·ΠΎΡΠ½ΠΎΠΌ Π²ΠΈΠ΄Π΅, ΡΠΎ ΡΡΠΎ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΡΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎ ΡΠΎΠΊΡΠ°ΡΠΈΡΡ Π·Π°ΡΡΠ°ΡΡ: Π½Π΅Ρ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΡΠ°Π· Π·Π°Π½ΠΎΠ²ΠΎ ΡΠ΅ΡΠ°ΡΡ ΡΠΈΡΡΠ΅ΠΌΡ. Π€Π°ΠΊΡΠΈΡΠ΅ΡΠΊΠΈ, ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ Π·Π°Π΄Π°ΡΠΈ ΡΠ²ΠΎΠ΄ΠΈΡΡΡ ΠΊ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΡ ΡΠ΅ΡΠ΅Π½ΠΈΡ Π΄Π»Ρ Π²ΡΠ΅Ρ Π·Π½Π°ΡΠ΅Π½ΠΈΠΉ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠ΅ΡΠ΅Π½ΠΈΡ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠ³ΠΎ ΡΠΈΡΠ»Π° Π·Π°Π΄Π°Ρ ΠΏΡΠΈ ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Π½ΡΡ Π·Π½Π°ΡΠ΅Π½ΠΈΡΡ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠ°. ΠΡ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² ΡΠ°ΠΊΠΆΠ΅ ΠΌΠΎΠ³ΡΡ Π·Π°Π²ΠΈΡΠ΅ΡΡ ΠΈΠ½ΡΠ΅Π³ΡΠ°Π»Ρ, Π²ΠΎΠ·Π½ΠΈΠΊΠ°ΡΡΠΈΠ΅ Π² ΠΊΠΎΠ½Π΅ΡΠ½ΠΎ-ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ½ΡΡ ΠΌΠ΅ΡΠΎΠ΄Π°Ρ Π²ΡΡΠΎΠΊΠΎΠ³ΠΎ ΠΏΠΎΡΡΠ΄ΠΊΠ°. ΠΡ ΠΎΠ΄Π½ΡΠΌΠΈ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠ°ΠΌΠΈ ΡΠ²Π»ΡΡΡΡΡ ΠΊΠΎΠΎΡΠ΄ΠΈΠ½Π°ΡΡ Π²Π΅ΡΡΠΈΠ½ ΡΡΠ΅ΡΠ³ΠΎΠ»ΡΠ½ΠΈΠΊΠΎΠ² ΠΏΠΎ ΠΊΠΎΡΠΎΡΡΠΌ Π²Π΅Π΄Π΅ΡΡΡ ΠΈΠ½ΡΠ΅Π³ΡΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅, Π° Π΄Π»Ρ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ ΡΠ°ΠΌΠΎΠ³ΠΎ ΠΈΠ½ΡΠ΅Π³ΡΠ°Π»Π° (ΠΏΡΠΈ ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠΌ Π·Π½Π°ΡΠ΅Π½ΠΈΠΈ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ²) ΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ Π΄ΠΎΡΠΎΠ³ΠΎΡΡΠΎΡΡΠΈΡ ΠΊΠ²Π°Π΄ΡΠ°ΡΡΡ. ΠΠ°ΠΌΠ΅Π½Π° ΡΠ°ΠΊΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠΈ Π½Π° ΠΌΠ°Π»ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ ΠΌΠΎΠΆΠ΅Ρ ΠΏΠΎΠ·Π²ΠΎΠ»ΠΈΡΡ ΡΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎ ΡΠΎΠΊΡΠ°ΡΠΈΡΡ Π²ΡΠ΅ΠΌΡ Π½Π° Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΠ΅ ΠΎΠ΄Π½ΠΎΠ³ΠΎ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ°.
Π£ΠΏΠΎΠΌΡΠ½Π΅ΠΌ ΡΠ°ΠΊΠΆΠ΅ ΠΎ Π΄ΡΡΠ³ΠΈΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡΡ , Π² ΠΊΠΎΡΠΎΡΡΡ ΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ Π΄ΠΈΡΡΠ΅ΡΠ΅Π½ΡΠΈΠ°Π»ΡΠ½ΡΡ ΡΡΠ°Π²Π½Π΅Π½ΠΈΠΉ: ΡΡΠ°Π²Π½Π΅Π½ΠΈΠ΅ ΠΠ»ΡΠΊΠ°-Π¨ΠΎΡΠ»Π·Π° Π² ΡΠΈΠ½Π°Π½ΡΠΎΠ²ΠΎΠΉ ΠΌΠ°ΡΠ΅ΠΌΠ°ΡΠΈΠΊΠ΅, ΡΡΠ°Π²Π½Π΅Π½ΠΈΠ΅ Π€ΠΎΠΊΠΊΠ΅ΡΠ°-ΠΠ»Π°Π½ΠΊΠ°. Π ΡΠ°ΠΊΠΈΡ Π·Π°Π΄Π°ΡΠ°Ρ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΡ Ρ1 ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΠΎΡΠ΅Π½Ρ Π±ΠΎΠ»ΡΡΠΎΠΉ, Π²ΠΏΠ»ΠΎΡΡ Π΄ΠΎ ΡΠΎΡΠ΅Π½ ΠΈ ΡΡΡΡΡ, ΠΈ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΈΡΠΊΠ°ΡΡ ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ ΡΡΠ°Π·Ρ Π² ΡΠΏΠ΅ΡΠΈΠ°Π»ΡΠ½ΠΎΠΌ ΡΠ΅Π½Π·ΠΎΡΠ½ΠΎΠΌ Π²ΠΈΠ΄Π΅.
Π, Π½Π°ΠΊΠΎΠ½Π΅Ρ, ΠΏΠΎΡΡΠ°Π²ΠΈΠΌ Π²ΠΎΠΏΡΠΎΡ: ΠΏΡΠ΅Π΄ΠΏΠΎΠ»ΠΎΠΆΠΈΠΌ, ΠΌΡ ΡΠΌΠ΅Π΅ΠΌ Ρ ΠΎΡΠΎΡΠΎ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ°ΡΡ ΠΈ ΡΠ°Π±ΠΎΡΠ°ΡΡ Ρ ΠΌΠ°ΡΡΠΈΠ²Π°ΠΌΠΈ Π²ΡΡΠΎΠΊΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ, Π½Π°Π΄Π΅ΠΆΠ½ΡΠΌ ΠΎΠ±ΡΠ°Π·ΠΎΠΌ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ°ΡΡ ΠΈΡ Π½Π΅Π±ΠΎΠ»ΡΡΠΈΠΌ ΡΠΈΡΠ»ΠΎΠΌ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ². ΠΠΎΠΆΠ΅Ρ Π»ΠΈ ΡΡΠΎ ΠΊΠ°ΠΊ-ΡΠΎ ΠΏΠΎΠΌΠΎΡΡ ΠΏΡΠΈ ΡΠ°Π±ΠΎΡΠ΅ Ρ ΠΌΠ°ΡΡΠΈΠ²Π°ΠΌΠΈ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠΉ Π³Π΅ΠΎΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ, ΠΊΠΎΡΠΎΡΡΠ΅ Π²ΠΎΠ·Π½ΠΈΠΊΠ°ΡΡ Π² ΠΏΡΠ°ΠΊΡΠΈΡΠ΅ΡΠΊΠΈΡ Π·Π°Π΄Π°ΡΠ°Ρ , Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, Π΄Π»Ρ ΡΠΆΠ°ΡΠΈΡ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΈ? ΠΠΎΠΈΡΠΊΡ ΠΎΡΠ²Π΅ΡΠ° Π½Π° ΡΡΠΎΡ Π²ΠΎΠΏΡΠΎΡ ΠΏΠΎΡΠ²ΡΡΠ΅Π½Π° Π²ΡΠΎΡΠ°Ρ Π³Π»Π°Π²Π° Π΄Π°Π½Π½ΠΎΠΉ Π΄ΠΈΡΡΠ΅ΡΡΠ°ΡΠΈΠΈ, Π³Π΄Π΅ Π²Π²ΠΎΠ΄ΠΈΡΡΡ ΠΈΠ΄Π΅Ρ ΡΠ΅Π½Π·ΠΎΡΠΈΠ·Π°ΡΠΈΠΈ: ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠ² ΠΌΠ°Π»ΠΎΠΉ Π³Π΅ΠΎΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ Π² Π²ΠΈΠ΄Π΅ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² Π²ΡΡΠΎΠΊΠΎΠ³ΠΎ ΠΏΠΎΡΡΠ΄ΠΊΠ° ΠΈ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ ΡΠΆΠ΅ ΠΊ Π½ΠΈΠΌ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΡ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠΉ.
ΠΠ°ΡΠ΅ΠΌΠ°ΡΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΠΈΡΡΠ»Π΅Π΄ΠΎΠ²Π°Π½ΠΈΠ΅ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΡ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠ² (ΡΠ΅Π½Π·ΠΎΡΠΎΠ²) Π½Π°ΡΠ°Π»ΠΎΡΡ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ Π½Π΅Π΄Π°Π²Π½ΠΎ — Π² ΠΊΠΎΠ½ΡΠ΅ 90-Ρ — Π½Π°ΡΠ°Π»Π΅ 2000;Ρ Π³ΠΎΠ΄ΠΎΠ² [55, 56], ΠΈ ΡΠ΅ΠΉΡΠ°Ρ Π²ΠΎΠ·Π½ΠΈΠΊ Π±ΡΡΠ½ΡΠΉ ΠΈΠ½ΡΠ΅ΡΠ΅Ρ ΠΊ ΡΠΎΠ·Π΄Π°Π½ΠΈΡ ΠΌΠ°ΡΠ΅ΠΌΠ°ΡΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΠΈ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ Π°ΠΏΠΏΠ°ΡΠ°ΡΠ° Π΄Π»Ρ ΡΠ°Π±ΠΎΡΡ Ρ ΡΠ΅Π½Π·ΠΎΡΠ°ΠΌΠΈ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ <13.
ΠΠ΅ΡΠ²Π°Ρ Π·Π°Π΄Π°ΡΠ°, ΠΊΠΎΡΠΎΡΡΡ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΡΠ΅ΡΠΈΡΡ — ΡΡΠΎ Π²ΡΠ±ΠΎΡ ΠΌΠ°Π»ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ (ΡΠΎΡΠΌΠ°ΡΠ°) Π΄Π»Ρ ΡΠ°ΡΡΠΌΠ°ΡΡΠΈΠ²Π°Π΅ΠΌΠΎΠ³ΠΎ ΡΠ΅Π½Π·ΠΎΡΠ°. Π§Π°ΡΡΠΎ ΠΎΠΊΠ°Π·ΡΠ²Π°Π΅ΡΡΡ, ΡΡΠΎ Π½Π΅ΡΠΌΠΎΡΡΡ Π½Π° ΡΠΎ, ΡΡΠΎ ΡΠ΅Π½Π·ΠΎΡ ΡΠΎΡΠΌΠ°Π»ΡΠ½ΠΎ Π·Π°Π΄Π°Π½ Π±ΠΎΠ»ΡΡΠΈΠΌ ΡΠΈΡΠ»ΠΎΠΌ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ², ΠΈΡ ΠΌΠΎΠΆΠ½ΠΎ Π·Π°ΠΌΠ΅Π½ΠΈΡΡ Ρ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎΠΉ ΡΠΎΡΠ½ΠΎΡΡΡΡ Π³ΠΎΡΠ°Π·Π΄ΠΎ ΠΌΠ΅Π½ΡΡΠΈΠΌ ΡΠΈΡΠ»ΠΎΠΌ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ².
Π‘ΡΡΠ΅ΡΡΠ²ΡΡΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ. ΠΠ°ΠΈΠ±ΠΎΠ»Π΅Π΅ ΠΈΠ·Π²Π΅ΡΡΠ½ΡΠΌ ΡΠ²Π»ΡΠ΅ΡΡΡ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΠΊΠΎΡΠΎΡΠΎΠ΅ ΡΠ²Π»ΡΠ΅ΡΡΡ Π΄ΠΈΡΠΊΡΠ΅ΡΠ½ΡΠΌ Π°Π½Π°Π»ΠΎΠ³ΠΎΠΌ ΠΊΠ»Π°ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΠΈΠ΄Π΅ΠΈ ΠΎ ΡΠ°Π·Π΄Π΅Π»Π΅Π½ΠΈΠΈ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΡΡ . ΠΠ½ΠΎ ΠΈΠΌΠ΅Π΅Ρ Π²ΠΈΠ΄: Π³.
Π = Π (11, 2,., = ΠΈ1 > Β°0ΠΈ2(12, ΠΎΡ). ΠΈΠ» (Π³Π°, Π°), (1.2) Ρ =1 Π³Π΄Π΅ Π³ Π½Π°Π·ΡΠ²Π°Π΅ΡΡΡ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠΌ, ΠΈΠ»ΠΈ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΈΠΌ, ΡΠ°Π½Π³ΠΎΠΌ ΠΈ Π³Ρ Ρ Π³ ΠΌΠ°ΡΡΠΈΡΡ = [11^(1^, Π°)] Π½Π°Π·ΡΠ²Π°Π΅ΡΡΡ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΈΠΌΠΈ ΡΠ°ΠΊΡΠΎΡΠ°ΠΌΠΈ, ΠΈΠ»ΠΈ ΡΠ°ΠΊΡΠΎΡΠ½ΡΠΌΠΈ ΠΌΠ°ΡΡΠΈΡΠ°ΠΌΠΈ. Π Π΄Π²ΡΠΌΠ΅ΡΠ½ΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ ΡΠ΅Π½Π·ΠΎΡ ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ ΠΌΠ°ΡΡΠΈΡΠ΅ΠΉ Π^," ^)" Π°. ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ ΡΠΊΠ΅Π»Π΅ΡΠ½ΡΠΌ:
ΠΠ°ΠΈΠ»ΡΡΡΠ΅Π΅ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ ΡΠΊΠ΅Π»Π΅ΡΠ½ΡΠΌ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ΠΌ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΠΎΠ»ΡΡΠΈΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ [154]. ΠΠ°ΠΈΠ»ΡΡΡΠ΅Π΅ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ Ρ ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠΌ ΡΠ°Π½Π³ΠΎΠΌ ΡΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ, ΠΎΠ½ΠΎ ΡΡΡΠΎΠΉΡΠΈΠ²ΠΎ, ΠΈ Π΄Π»Ρ Π½Π΅Π³ΠΎ ΡΡΡΠ΅ΡΡΠ²ΡΡΡ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΡΠ΅ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ [154, 82]. ΠΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΠ²Π»ΡΠ΅ΡΡΡ Π΅ΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΠΌ (Π½ΠΎ Π½Π΅ Π΅Π΄ΠΈΠ½ΡΡΠ²Π΅Π½Π½ΡΠΌ) ΡΠΏΠΎΡΠΎΠ±ΠΎΠΌ ΠΎΠ±ΠΎΠ±ΡΠΈΡΡ ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π½Π° ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠΉ ΡΠ»ΡΡΠ°ΠΉ. ΠΠ΄Π½Π°ΠΊΠΎ, ΠΊ ΡΠΎΠΆΠ°Π»Π΅Π½ΠΈΡ, ΡΠΆΠ΅ ΠΏΡΠΈ Ρ1 ^ 3 ΡΠ΅ΡΡΡΡΡΡ Π²Π°ΠΆΠ½ΡΠ΅ ΡΠ²ΠΎΠΉΡΡΠ²Π° ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ. ΠΠ°ΠΈΠ»ΡΡΡΠ΅Π΅ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ Ρ ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Π½ΡΠΌ ΡΠ°Π½Π³ΠΎΠΌ ΠΌΠΎΠΆΠ΅Ρ Π½Π΅ ΡΡΡΠ΅ΡΡΠ²ΠΎΠ²Π°ΡΡ. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, ΡΠ°ΡΡΡΠΎΡΠ½ΠΈΠ΅ ΠΎΡ Π·Π°Π΄Π°Π½Π½ΠΎΠ³ΠΎ ΡΠ΅Π½Π·ΠΎΡΠ° Π΄ΠΎ ΠΌΠ½ΠΎΠΆΠ΅ΡΡΠ²Π° ΡΠ΅Π½Π·ΠΎΡΠΎΠ² ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠ³ΠΎ ΡΠ°Π½Π³Π° ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΡΠ°Π²Π½ΠΎ Π½ΡΠ»Ρ, Π° ΡΠΎΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΌΠΎΠΆΠ΅Ρ Π½Π΅ ΡΡΡΠ΅ΡΡΠ²ΠΎΠ²Π°ΡΡ [150], Ρ. Π΅. ΠΌΠ½ΠΎΠΆΠ΅ΡΡΠ²ΠΎ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² ΡΠΈΠΊΡΠΈΡΠΎΠ²Π°Π½Π½ΠΎΠ³ΠΎ ΡΠ°Π½Π³Π° Π½Π΅ ΡΠ²Π»ΡΠ΅ΡΡΡ Π·Π°ΠΌΠΊΠ½ΡΡΡΠΌ. ΠΠ° ΠΏΡΠ°ΠΊΡΠΈΠΊΠ΅ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠ΅ ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ² ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΡ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΊ ΡΠ°ΠΊΠΈΠΌ ΡΠ΅Π½Π·ΠΎΡΠ°ΠΌ ΠΏΡΠΈΠ²ΠΎΠ΄ΠΈΡ ΠΊ ΡΠΎΠΌΡ, ΡΡΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ «ΡΠ°Π·Π²Π°Π»ΠΈΠ²Π°ΡΡΡΡ»: Π½Π΅ΠΎΠ³ΡΠ°Π½ΠΈΡΠ΅Π½Π½ΠΎ Π²ΠΎΠ·ΡΠ°ΡΡΠ°ΡΡ Π½ΠΎΡΠΌΡ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΈΡ ΡΠ°ΠΊΡΠΎΡΠΎΠ². Π‘Π»Π΅Π΄ΡΡΠ²ΠΈΠ΅ΠΌ ΡΠ²Π»ΡΠ΅ΡΡΡ ΠΎΡΡΡΡΡΡΠ²ΠΈΠ΅ Π½Π°Π΄ΡΠΆΠ½ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ² ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΡ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ. ΠΠΎΠ»Π΅Π΅ ΡΠΎΠ³ΠΎ, Π΄Π°ΠΆΠ΅ Π΅ΡΠ»ΠΈ Π·Π°ΡΠ°Π½Π΅Π΅ ΠΈΠ·Π²Π΅ΡΡΠ½ΠΎ, ΡΡΠΎ Ρ ΠΎΡΠΎΡΠ΅Π΅ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ ΡΡΡΠ΅ΡΡΠ²ΡΠ΅Ρ, Π½Π΅Ρ Π½Π°Π΄ΡΠΆΠ½ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ², ΠΊΠΎΡΠΎΡΡΠ΅ Π΅Π³ΠΎ Π½Π°ΠΉΠ΄ΡΡ.
Π’Π΅ΠΌ Π½Π΅ ΠΌΠ΅Π½Π΅Π΅, Π΅ΡΠ»ΠΈ Π½Π°ΠΌ ΡΡΠ΅Π±ΡΠ΅ΡΡΡ ΠΊΠΎΠΌΠΏΠ°ΠΊΡΠ½ΠΎΠ΅ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΠΎΠ³ΠΎ ΠΌΠ°ΡΡΠΈΠ²Π°, ΡΠΎ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΠ²Π»ΡΠ΅ΡΡΡ Π½Π΅ ΠΎΡΠ΅Π½Ρ ΡΠ΄Π°ΡΠ½ΡΠΌ ΠΊΠ°Π½Π΄ΠΈΠ΄Π°ΡΠΎΠΌ, Π² ΡΠΈΠ»Ρ ΠΎΡΡΡΡΡΡΠ²ΠΈΡ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΡΡ ΠΈ Π½Π°Π΄ΡΠΆΠ½ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ² Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΈ, ΠΈ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΈΡΠΊΠ°ΡΡ ΠΊΠ°ΠΊΠΈΠ΅-ΡΠΎ Π΄ΡΡΠ³ΠΈΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΡ Π΄Π»Ρ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠ², Ρ. Π΅. Π΄ΡΡΠ³ΠΈΠ΅ ΠΎΠ±ΠΎΠ±ΡΠ΅Π½ΠΈΡ ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ. ΠΠΎΠ½Π΅ΡΠ½ΠΎΠΉ ΡΠ΅Π»ΡΡ ΡΠ²Π»ΡΠ΅ΡΡΡ ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ, ΠΊΠΎΡΠΎΡΠΎΠ΅ ΡΠ²ΠΎΠ±ΠΎΠ΄Π½ΠΎ ΠΎΡ «ΠΏΡΠΎΠΊΠ»ΡΡΠΈΡ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ» (Π½Π΅Ρ ΡΠΊΡΠΏΠΎΠ½Π΅Π½ΡΠΈΠ°Π»ΡΠ½ΠΎΠΉ Π·Π°Π²ΠΈΡΠΈΠΌΠΎΡΡΠΈ ΠΏΠΎ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ ΠΏΡΠΎΡΡΡΠ°Π½ΡΡΠ²Π° d), ΠΏΡΠΈ ΡΡΠΎΠΌ ΠΎΠ½ΠΎ ΠΎΠ±Π»Π°Π΄Π°Π΅Ρ ΡΠ²ΠΎΠΉΡΡΠ²Π°ΠΌΠΈ ΡΡΡΠΎΠΉΡΠΈΠ²ΠΎΡΡΠΈ ΠΈ Π΄Π»Ρ Π½Π΅Π³ΠΎ ΡΡΡΠ΅ΡΡΠ²ΡΡΡ Π½Π°Π΄ΡΠΆΠ½ΡΠ΅ Π²ΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½ΡΠ΅ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ, ΠΎΡΠ½ΠΎΠ²Π°Π½Π½ΡΠ΅ Π½Π° ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΡΡ ΠΏΡΠΎΡΠ΅Π΄ΡΡΠ°Ρ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ Π°Π»Π³Π΅Π±ΡΡ, Π² ΠΏΠ΅ΡΠ²ΡΡ ΠΎΡΠ΅ΡΠ΅Π΄Ρ, Π½Π° ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠΌ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠΈ.
ΠΡΠΎΡΡΠΌ ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΡΠΌ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ΠΌ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² ΡΠ²Π»ΡΠ΅ΡΡΡ ΡΠ°ΠΊ Π½Π°Π·ΡΠ²Π°Π΅ΠΌΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π’Π°ΠΊΠΊΠ΅ΡΠ° [134]. ΠΠ½ΠΎ ΠΈΠΌΠ΅Π΅Ρ Π²ΠΈΠ΄:
Π = A (ibi2,., id) = (i.3).
G (ai, a2,., ad) Ui (ib ai) U2(i2, a2). Ud (id, ad).
ΠΠ³ΠΎ ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΠ΅ Π΄Π»Ρ Π·Π°Π΄Π°Π½Π½ΠΎΠ³ΠΎ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΠΎΠ³ΠΎ ΠΌΠ°ΡΡΠΈΠ²Π° ΠΌΠΎΠΆΠ½ΠΎ ΡΠ²Π΅ΡΡΠΈ ΠΊ ΠΏΠΎΡΠ»Π΅Π΄ΠΎΠ²Π°ΡΠ΅Π»ΡΠ½ΠΎΠΌΡ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΌΠΎΠ΄ΠΎΠ²ΡΡ ΠΌΠ°ΡΡΠΈΡ. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, Π΄Π»Ρ ΡΠΎΠ³ΠΎ ΡΡΠΎΠ±Ρ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΌΠ°ΡΡΠΈΡΡ Ui, Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΡΠ°ΡΡΠΌΠΎΡΡΠ΅ΡΡ ΠΌΠ°ΡΡΠΈΡΡ Bi ΡΠ°Π·ΠΌΠ΅ΡΠ° ni Ρ (ΠΏ2ΠΠ·. nd) Ρ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ°ΠΌΠΈ:
Bl (ib β’ β’ β’ i-d) = A (ib I2,. .. , id) ΠΈ ΠΏΠΎΡΡΡΠΎΠΈΡΡ ΠΌΠ°Π»ΠΎΡΠ°Π½Π³ΠΎΠ²ΡΡ Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΡ: bi =u1v1T Π³Π΄Π΅ Ui ΠΈΠΌΠ΅Π΅Ρ ΡΠ°Π·ΠΌΠ΅ΡΡ Π³ΠΈ Ρ ri, Π° Vi — (ΠΏ2ΠΠ·. nd) Ρ ri. Π’ΠΎΠ³Π΄Π° Ui Π±ΡΠ΄Π΅Ρ ΠΏΠ΅ΡΠ²ΠΎΠΉ ΠΌΠ°ΡΡΠΈΡΠ΅ΠΉ-ΡΠ°ΠΊΡΠΎΡΠΎΠΌ Π’Π°ΠΊΠΊΠ΅ΡΠ°. ΠΠ½Π°Π»ΠΎΠ³ΠΈΡΠ½ΠΎ Π²ΡΡΠΈΡΠ»ΡΡΡΡΡ ΠΎΡΡΠ°Π»ΡΠ½ΡΠ΅ ΠΌΠ°ΡΡΠΈΡΡ U^. ΠΠΎ ΡΠ΅Π½Π·ΠΎΡΡ, Π ΡΡΡΠΎΠΈΡΡΡ ΠΌΠΎΠ΄ΠΎΠ²Π°Ρ ΠΌΠ°ΡΡΠΈΡΠ° Π^, Π² ΠΊΠΎΡΠΎΡΠΎΠΉ ΠΈΠ½Π΄Π΅ΠΊΡ ik Π½ΡΠΌΠ΅ΡΡΠ΅Ρ ΡΡΡΠΎΠΊΠΈ, Π° ΠΎΡΡΠ°Π²ΡΠΈΠΉΡΡ (d — 1) ΠΈΠ½Π΄Π΅ΠΊΡ — ΡΡΠΎΠ»Π±ΡΡ. Π‘ΡΠΎΠ»Π±ΡΠ°ΠΌΠΈ ΠΌΠ°ΡΡΠΈΡΡ U^ Π±ΡΠ΄ΡΡ ΡΡΠ°ΡΡΠΈΠ΅ Π»Π΅Π²ΡΠ΅ ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΡΠ΅ Π²Π΅ΠΊΡΠΎΡΡ ΠΌΠ°ΡΡΠΈΡΡ ΠΠΊ. ΠΠΎΡΠ»Π΅ ΡΠΎΠ³ΠΎ ΠΊΠ°ΠΊ ΠΌΠ°ΡΡΠΈΡΡ U^ ΠΏΠΎΡΡΠΈΡΠ°Π½Ρ, ΡΠ΄ΡΠΎ G Π²ΡΡΠΈΡΠ»ΡΠ΅ΡΡΡ ΠΊΠ°ΠΊ ΡΠΌΠ½ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΠ΅Π½Π·ΠΎΡΠ° Π½Π° ΠΌΠ°ΡΡΠΈΡΡ:
G = Π Ρ i U| Ρ 2 UJ. Ρ d UJ. (i.4).
Π£ΠΌΠ½ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΡΠ΅Π½Π·ΠΎΡΠ° Π½Π° ΠΌΠ°ΡΡΠΈΡΡ, Π Ρ kV ΠΎΠΏΡΠ΅Π΄Π΅Π»ΡΠ΅ΡΡΡ ΠΊΠ°ΠΊ ΡΠ΅Π½Π·ΠΎΡ Π, Π·Π°Π΄Π°Π½Π½ΡΠΉ ΠΊΠ°ΠΊ:
Ttlc.
B (il, i2, β’ β’. , jk, β’ β’ β’, id) = Y > β’ Β¦ β’ Π£Mi-k, jk), ik=1 Ρ. Π΅. ΡΠ²ΡΡΡΠΊΠ° ΠΏΠΎ Π’Ρ-ΠΎΠΉ ΠΌΠΎΠ΄Π΅.
ΠΡΠΌΠ΅ΡΠΈΠΌ, ΡΡΠΎ Π² ΠΏΡΠΈΠ±Π»ΠΈΠΆΡΠ½Π½ΠΎΠΌ ΡΠ»ΡΡΠ°Π΅ ΠΌΠΎΠΆΠ½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΡΠ΅Π·Π°Π½Π½ΠΎΠ΅ ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΠΈ ΡΠΎΠ³Π΄Π° Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΠ΅ ΡΠ΄ΡΠ° ΠΏΠΎ ΡΠΎΡΠΌΡΠ»Π΅ (i.4) ΠΏΡΠΈΠ²Π΅Π΄ΡΡ ΠΊ ΠΊΠ²Π°Π·ΠΈΠΎΠΏΡΠΈΠΌΠ°Π»ΡΠ½ΠΎΠΌΡ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ Π’Π°ΠΊΠΊΠ΅ΡΠ°, Π½Π°Π·ΡΠ²Π°Π΅ΠΌΠΎΠΌΡ HOSVD (High Order Singular Value Decomposition) [149]. ΠΡΠ»ΠΈ ek — ΠΎΡΠΈΠ±ΠΊΠ° (Π²ΠΎ ΡΡΠΎΠ±Π΅Π½ΠΈΡΡΠΎΠ²ΠΎΠΉ Π½ΠΎΡΠΌΠ΅) Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΈ ΠΌΠ°ΡΡΠΈΡΠ΅ΠΉ ΡΠ°Π½Π³Π° r^ ΠΊ-ΠΎΠΉ ΠΌΠΎΠ΄ΠΎΠ²ΠΎΠΉ ΠΌΠ°ΡΡΠΈΡΡ, ΡΠΎ ΠΎΡΠΈΠ±ΠΊΠ° Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΈ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ΠΌ Π’Π°ΠΊΠΊΠ΅ΡΠ° Ρ ΠΏΠΎΠΌΠΎΡΡΡ HOSVD ΡΠ΄ΠΎΠ²Π»Π΅ΡΠ²ΠΎΡΡΠ΅Ρ Π½Π΅ΡΠ°Π²Π΅Π½ΡΡΠ²Ρ: hosvd ^ ^ ?
2 ΠΊ' ΠΊ=1.
ΠΡΠ»ΠΈ? — Π½Π°ΠΈΠ»ΡΡΡΠ΅Π΅ (ΠΎΠΏΡΠΈΠΌΠ°Π»ΡΠ½ΠΎΠ΅) ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ Π²ΠΎ ΡΡΠΎΠ±Π΅Π½ΠΈΡΡΠΎΠ²ΠΎΠΉ Π½ΠΎΡΠΌΠ΅, ΡΠΎ Β£ΠΊ ^? ΠΈ ΠΎΡΠ΅Π½ΠΊΠ° ΠΏΡΠ΅Π²ΡΠ°ΡΠ°Π΅ΡΡΡ Π² Π½ΠΎΠ±ΡΠ± ^ Π»/(1Π΅.
Π Π½Π°ΡΠΈΡ ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΡΡ ? Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎ ΠΌΠ°Π»ΠΎ, ΠΈ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»ΡΠ½ΡΠΉ ΡΠ°ΠΊΡΠΎΡ /Ρ1 Π½Π΅ ΠΈΠ³ΡΠ°Π΅Ρ ΠΎΡΠΎΠ±ΠΎΠΉ ΡΠΎΠ»ΠΈ.
ΠΡΠ°ΠΊ, ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π’Π°ΠΊΠΊΠ΅ΡΠ° ΠΌΠΎΠΆΠ½ΠΎ ΠΏΠΎΠ»ΡΡΠΈΡΡ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΡΡ ΠΏΡΠΎΡΠ΅Π΄ΡΡ ΠΠ£Π-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ, ΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΠΎΠΊΠ°Π·Π°ΡΡ, ΡΡΠΎ ΠΎΠ½ΠΎ ΡΠ²Π»ΡΠ΅ΡΡΡ ΡΡΡΠΎΠΉΡΠΈΠ²ΡΠΌ (Π² ΠΎΡΠ»ΠΈΡΠΈΠ΅ ΠΎΡ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ). ΠΠ»Ρ Π·Π°Π΄Π°Ρ ΠΌΠ°Π»ΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ (Π² ΠΏΠ΅ΡΠ²ΡΡ ΠΎΡΠ΅ΡΠ΅Π΄Ρ, Π΄Π»Ρ ΡΡΡΡ ΠΌΠ΅ΡΠ½ΡΡ ) ΠΏΠ°ΠΌΡΡΡ, ΡΡΠ΅Π±ΡΠ΅ΠΌΠ°Ρ Π½Π° Ρ ΡΠ°Π½Π΅Π½ΠΈΠ΅ Π²ΡΠΏΠΎΠΌΠΎΠ³Π°ΡΠ΅Π»ΡΠ½ΠΎΠ³ΠΎ ΠΌΠ°ΡΡΠΈΠ²Π° (ΡΠ΄ΡΠ° Π‘), ΡΠ²Π»ΡΠ΅ΡΡΡ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠΉ, ΠΈ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π’Π°ΠΊΠΊΠ΅ΡΠ° ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ ΠΎΡΠ»ΠΈΡΠ½ΠΎΠΉ Π°Π»ΡΡΠ΅ΡΠ½Π°ΡΠΈΠ²ΠΎΠΉ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠΌΡ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ. ΠΠ΄Π½Π°ΠΊΠΎ ΡΠΊΡΠΏΠΎΠ½Π΅Π½ΡΠΈΠ°Π»ΡΠ½Π°Ρ Π·Π°Π²ΠΈΡΠΈΠΌΠΎΡΡΡ ΠΎΡ <Π₯ ΠΎΡΡΠ°ΡΡΡΡ, Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΊΠ°ΠΊΠΎΠ΅-ΡΠΎ Π΄ΡΡΠ³ΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΠΊΠΎΡΠΎΡΠΎΠ΅ ΡΠ²ΠΎΠ±ΠΎΠ΄Π½ΠΎ ΠΎΡ ΡΡΠΎΠΉ Π·Π°Π²ΠΈΡΠΈΠΌΠΎΡΡΠΈ, Π½ΠΎ ΠΏΡΠΈ ΡΡΠΎΠΌ ΡΠ²Π»ΡΠ΅ΡΡΡ Π»Π΅Π³ΠΊΠΎ Π²ΡΡΠΈΡΠ»ΠΈΠΌΡΠΌ, ΡΡΡΠΎΠΉΡΠΈΠ²ΡΠΌ, Π° Π°Π»Π³ΠΎΡΠΈΡΠΌΡ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΡ ΠΈΠΌΠ΅ΡΡ Π³Π°ΡΠ°Π½ΡΠΈΡΠΎΠ²Π°Π½Π½ΡΡ ΡΠΎΡΠ½ΠΎΡΡΡ. Π’Π°ΠΊΠΎΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅ (Π’Π’-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅) ΠΏΡΠ΅Π΄Π»ΠΎΠΆΠ΅Π½ΠΎ Π² Π΄Π°Π½Π½ΠΎΠΉ Π΄ΠΈΡΡΠ΅ΡΡΠ°ΡΠΈΠΈ.
2.8. ΠΡΠ²ΠΎΠ΄Ρ.
Π ΡΡΠΎΠΉ Π³Π»Π°Π²Π΅ Π²Π²Π΅Π΄Π΅Π½ΠΎ Π‘^Π’Π’-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΠΊΠΎΡΠΎΡΠΎΠ΅ ΡΠ°ΡΡΠΈΡΡΠ΅Ρ ΠΈ Π΄ΠΎΠΏΠΎΠ»Π½ΡΠ΅Ρ ΠΎΠ±Π»Π°ΡΡΡ ΠΏΡΠΈΠΌΠ΅Π½ΠΈΠΌΠΎΡΡΡ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΡ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠΉ Π² ΡΠ΅Π»ΠΎΠΌ ΠΈ Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ° Π² ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ. ΠΠ΄Π΅Ρ ΠΊΠ²Π°Π½ΡΠΈΠ·Π°ΡΠΈΠΈ ΠΈΠ»ΠΈ ΡΠ΅Π½-Π·ΠΎΡΠΈΠ·Π°ΡΠΈΠΈ Π²Π΅ΠΊΡΠΎΡΠΎΠ² ΠΈ ΠΌΠ°ΡΡΠΈΡ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΡΠΌΠΎΡΡΠ΅ΡΡ Π½Π° Π½ΠΈΡ ΠΊΠ°ΠΊ Π½Π° ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠ΅ ΠΌΠ°ΡΡΠΈΠ²Ρ, ΠΈ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡ ΠΊ Π½ΠΈΠΌ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ. ΠΠΊΠ°Π·Π°Π»ΠΎΡΡ, ΡΡΠΎ Π΄Π»Ρ ΠΊΠ»Π°ΡΡΠ° ΡΡΠ½ΠΊΡΠΈΠΉ ΡΠ΄Π°Π΅ΡΡΡ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΎΡΠ΅Π½ΠΊΠΈ Π½Π° Π‘^Π’Π’-ΡΠ°Π½Π³ΠΈ ΠΏΠΎΡΠΎΠΆΠ΄Π΅Π½Π½ΡΡ Π²Π΅ΠΊΡΠΎΡΠΎΠ², ΠΈ Π·Π°Π²ΠΈΡΠΈΠΌΠΎΡΡΡ ΡΠΈΡΠ»Π° ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ Π»ΠΎΠ³Π°ΡΠΈΡΠΌΠΈΡΠ΅ΡΠΊΠΎΠΉ. Π’Π°ΠΊΠΆΠ΅ Π² (ΠΠ’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΠΈΠΌΡ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ Π±Π°Π·ΠΎΠ²ΡΠ΅ ΠΎΠΏΠ΅ΡΠ°ΡΠΎΡΡ, ΡΠ°ΠΊΠΈΠ΅ ΠΊΠ°ΠΊ ΠΎΠΏΠ΅ΡΠ°ΡΠΎΡ ΠΠ°ΠΏΠ»Π°ΡΠ°. Π‘Π²ΡΠ·Ρ Π‘^Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ° ΠΈ Π²Π΅ΠΉΠ²Π»Π΅Ρ-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠΉ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΠ΅Ρ ΠΏΠΎΠ»ΡΡΠΈΡΡ Π½ΠΎΠ²ΡΠ΅ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ ΡΠΆΠ°ΡΠΈΡ Π΄Π°Π½Π½ΡΡ . ΠΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠ΅ ΡΠ°Π·ΡΠ°Π±ΠΎΡΠ°Π½Π½ΡΡ ΠΏΠΎΠ΄Ρ ΠΎΠ΄ΠΎΠ² Π±ΡΠ΄Π΅Ρ ΡΠ°ΡΡΠΌΠΎΡΡΠ΅Π½ΠΎ Π² ΡΠ»Π΅Π΄ΡΡΡΠ΅ΠΉ Π³Π»Π°Π²Π΅.
ΠΠΠΠΠ 3.
ΠΠ°ΠΊΠ»ΡΡΠ΅Π½ΠΈΠ΅
.
Π Π·Π°ΠΊΠ»ΡΡΠ΅Π½ΠΈΠ΅ Π΄ΠΈΡΡΠ΅ΡΡΠ°ΡΠΈΠΈ ΡΡΠΎΡΠΌΡΠ»ΠΈΡΡΠ΅ΠΌ Π΅Ρ ΠΎΡΠ½ΠΎΠ²Π½ΡΠ΅ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ.
ΠΡΠ½ΠΎΠ²Π½ΠΎΠΉ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ Π΄ΠΈΡΡΠ΅ΡΡΠ°ΡΠΈΠΈ: Π²Π²Π΅Π΄Π΅Π½ΠΎ ΠΈ ΠΈΡΡΠ»Π΅Π΄ΠΎΠ²Π°Π½ΠΎ Π½ΠΎΠ²ΠΎΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² — Π’Π’-ΡΠΎΡΠΌΠ°Ρ, ΠΈ ΡΠΎΠ·Π΄Π°Π½Ρ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΡΠ΅ Π²ΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½ΡΠ΅ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ Π΄Π»Ρ ΡΠ°Π±ΠΎΡΡ Ρ ΡΠ΅Π½Π·ΠΎΡΠ°ΠΌΠΈ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½Ρ Π΄Π»Ρ ΡΠ΅ΡΠ΅Π½ΠΈΡ ΠΏΡΠ°ΠΊΡΠΈΡΠ΅ΡΠΊΠΈ Π²Π°ΠΆΠ½ΡΡ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ Π·Π°Π΄Π°Ρ. ΠΡΠΎΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ ΡΠΎΡΡΠΎΠΈΡ Π² ΡΠ»Π΅Π΄ΡΡΡΠ΅ΠΌ:
β’ ΠΡΠ΅Π΄Π»ΠΎΠΆΠ΅Π½ΠΎ Π½ΠΎΠ²ΠΎΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² — Π’Π’-ΡΠΎΡΠΌΠ°Ρ, ΠΊΠΎΡΠΎΡΠΎΠ΅, Π² ΠΎΡΠ»ΠΈΡΠΈΠ΅ ΠΎΡ ΠΊΠ°Π½ΠΎΠ½ΠΈΡΠ΅ΡΠΊΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ, ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΎ Ρ ΠΏΠΎΠΌΠΎΡΡΡ Π±ΡΡΡΡΡΡ ΡΡΡΠΎΠΉΡΠΈΠ²ΡΡ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ² Π½Π° ΠΎΡΠ½ΠΎΠ²Π΅ ΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ, ΠΈ Π² ΠΎΡΠ»ΠΈΡΠΈΠ΅ ΠΎΡ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ Π’Π°ΠΊΠΊΠ΅ΡΠ° Π½Π΅ ΡΠΎΠ΄Π΅ΡΠΆΠΈΡ ΡΠΊΡΠΏΠΎΠ½Π΅Π½ΡΠΈΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΠΏΠΎ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ ΡΠΈΡΠ»Π° ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ².
β’ ΠΠΎΠ»ΡΡΠ΅Π½Ρ Π²ΡΠ΅ Π±Π°Π·ΠΎΠ²ΡΠ΅ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ Π΄Π»Ρ ΡΠ°Π±ΠΎΡΡ Ρ ΠΌΠ°ΡΡΠΈΠ²Π°ΠΌΠΈ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅: ΠΏΠ΅ΡΠ΅Ρ ΠΎΠ΄ ΠΎΡ ΠΏΠΎΠ»Π½ΠΎΠ³ΠΎ ΠΌΠ°ΡΡΠΈΠ²Π° ΠΊ Π’Π’-ΡΠΎΡΠΌΠ°ΡΡ Ρ ΡΠΎΡΠ½ΠΎΡΡΡΡ (Π΅) (Π°Π»Π³ΠΎΡΠΈΡΠΌ Π’Π’-ΠΠ£Π), Π°Π»Π³ΠΎΡΠΈΡΠΌ ΠΎΠΊΡΡΠ³Π»Π΅Π½ΠΈΡ Π² Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ΅, Π²ΡΠ΅ ΠΎΠΏΠ΅ΡΠ°ΡΠΈΠΈ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ Π°Π»Π³Π΅Π±ΡΡ (ΡΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΠΏΠΎΡΠ»Π΅ΠΌΠ΅Π½ΡΠ½ΠΎΠ΅ ΡΠΌΠ½ΠΎΠΆΠ΅Π½ΠΈΠ΅, ΡΠΌΠ½ΠΎΠΆΠ΅Π½ΠΈΠ΅ ΠΌΠ°ΡΡΠΈΡΡ Π½Π° Π²Π΅ΠΊΡΠΎΡ). ΠΠΎΠΊΠ°Π·Π°Π½ΠΎ, ΡΡΠΎ Π²ΡΠ΅ ΡΡΠΈ ΠΎΠΏΠ΅ΡΠ°ΡΠΈΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΡΠΎΠ²ΠΎΠ΄ΠΈΡΡ, ΠΎΡΡΠ°Π²Π°ΡΡΡ Π² ΡΠ°ΠΌΠΊΠ°Ρ Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ°.
β’ ΠΠΎΠ»ΡΡΠ΅Π½ΠΎ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΠΎΠ΅ ΠΎΠ±ΠΎΠ±ΡΠ΅Π½ΠΈΠ΅ ΡΠΊΠ΅Π»Π΅ΡΠ½ΠΎΠ³ΠΎ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ — ΡΠΎΡΠΌΡΠ»Π° Π’Π’-ΠΈΠ½ΡΠ΅ΡΠΏΠΎΠ»ΡΡΠΈΠΈ, ΠΊΠΎΡΠΎΡΠ°Ρ ΠΏΠΎΠΊΠ°Π·ΡΠ²Π°Π΅Ρ, ΡΡΠΎ ΡΠ΅Π½Π·ΠΎΡ Ρ ΠΌΠ°Π»ΡΠΌΠΈ Π’Π’-ΡΠ°Π½Π³Π°ΠΌΠΈ ΠΌΠΎΠΆΠ½ΠΎ Π²ΠΎΡΡΡΠ°Π½ΠΎΠ²ΠΈΡΡ ΠΏΠΎ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠΌΡ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²Ρ Π΅Π³ΠΎ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ². ΠΠ° ΠΎΡΠ½ΠΎΠ²Π΅ ΡΡΠΎΠΉ ΡΠΎΡΠΌΡΠ»Ρ ΠΏΠΎΠ»ΡΡΠ΅Π½ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΠΉ ΠΊΡΠ΅ΡΡΠΎΠ²ΡΠΉ ΠΌΠ΅ΡΠΎΠ΄ Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΈ ΡΠ΅Π½Π·ΠΎΡΠΎΠ².
β’ ΠΠ²Π΅Π΄Π΅Π½ΠΎ ΠΏΠΎΠ½ΡΡΠΈΠ΅ ΡΠ΅Π½Π·ΠΎΡΠΈΠ·Π°ΡΠΈΠΈ ΠΈΠ»ΠΈ (^Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ°, ΠΊΠΎΠ³Π΄Π° ΠΈΡΡ ΠΎΠ΄Π½ΡΠΉ ΠΌΠ°ΡΡΠΈΠ² ΠΌΠ°Π»ΠΎΠΉ Π³Π΅ΠΎΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»ΡΠ΅ΡΡΡ ΠΊΠ°ΠΊ ΠΌΠ°ΡΡΠΈΠ² Π±ΠΎΠ»ΡΡΠ΅ΠΉ ΡΠ°Π·ΠΌΠ΅ΡΠ½ΠΎΡΡΠΈ Π·Π° ΡΡΠ΅Ρ Π²Π²Π΅Π΄Π΅Π½ΠΈΡ Π²ΠΈΡΡΡΠ°Π»ΡΠ½ΡΡ ΡΡΠΎΠ²Π½Π΅ΠΉ. ΠΠΎΠΊΠ°Π·Π°Π½Ρ ΡΠ΅ΠΎΡΠ΅ΠΌΡ ΠΎ Π‘^Π’Π’-ΡΡΡΡΠΊΡΡΡΠ΅ ΡΡΠ½ΠΊΡΠΈΠΉ ΠΎΠ΄Π½ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ, Π° ΡΠ°ΠΊΠΆΠ΅ ΠΎ Π‘^Π’Π’-ΡΡΡΡΠΊΡΡΡΠ΅ Ρ Π°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΡΠ½ΠΊΡΠΈΠΈ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΠΎΠ³ΠΎ ΡΠΈΠΌΠΏΠ»Π΅ΠΊΡΠ°. ΠΠΎΠΊΠ°Π·Π°Π½ΠΎ, ΡΡΠΎ Π‘^Π’Π’-ΡΠ°Π½Π³ΠΈ ΠΎΠ±ΡΠ°ΡΠ½ΠΎΠΉ ΠΊ Π»Π΅Π½ΡΠΎΡΠ½ΠΎΠΉ ΡΠ΅ΠΏΠ»ΠΈΡΠ΅Π²ΠΎΠΉ ΠΌΠ°ΡΡΠΈΡΡ Π½Π΅ Π·Π°Π²ΠΈΡΡΡ ΠΎΡ ΠΏ.
β’ ΠΡΠ΅Π΄Π»ΠΎΠΆΠ΅Π½Π° ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΡ Π‘^Π’Π’-ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΊΠ°ΠΊ Π°Π΄Π°ΠΏΡΠΈΠ²Π½ΠΎΠ³ΠΎ Π²Π΅ΠΉΠ²Π»Π΅Ρ-ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΈΡ, ΡΡΠΎ Π΄Π°Π΅Ρ Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎΡΡΡ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡ Π΅Π³ΠΎ Π΄Π»Ρ ΡΠΆΠ°ΡΠΈΡ Π΄Π°Π½Π½ΡΡ .
β’ ΠΠ° ΠΎΡΠ½ΠΎΠ²Π΅ Π‘^Π’Π’-ΡΠΎΡΠΌΠ°ΡΠ° ΠΏΠΎΡΡΡΠΎΠ΅Π½ ΠΌΠ΅ΡΠΎΠ΄ ΡΠ΅ΡΠ΅Π½ΠΈΡ ΠΌΠ½ΠΎΠ³ΠΎΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΈΡΠ΅ΡΠΊΠΈΡ Π·Π°Π΄Π°Ρ, ΠΏΠΎΠΊΠ°Π·Π°Π½Π° Π΅Π³ΠΎ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΠΎΡΡΡ Π½Π° ΡΠΈΡΠ»Π΅Π½Π½ΡΡ ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΠ°Ρ .
β’ ΠΠΎΠ»ΡΡΠ΅Π½Ρ ΠΎΡΠ΅Π½ΠΊΠΈ Π½Π° Π‘^Π’Π’-ΡΠ°Π½Π³ΠΈ ΠΏΠΎΠ»ΠΈΠ½ΠΎΠΌΠΈΠ°Π»ΡΠ½ΡΡ ΠΏΠΎΡΠ΅Π½ΡΠΈΠ°Π»ΡΠ½ΡΡ ΠΏΠΎΠ²Π΅ΡΡ Π½ΠΎΡΡΠ΅ΠΉ ΠΊΠ²Π°Π½ΡΠΎΠ²ΠΎΠΉ ΠΌΠΎΠ»Π΅ΠΊΡΠ»ΡΡΠ½ΠΎΠΉ Π΄ΠΈΠ½Π°ΠΌΠΈΠΊΠΈ, ΠΏΠΎΡΡΡΠΎΠ΅Π½ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΡΠΉ Π°Π»Π³ΠΎΡΠΈΡΠΌ Π½Π°Ρ ΠΎΠΆΠ΄Π΅Π½ΠΈΡ ΠΌΠΈΠ½ΠΈΠΌΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΠΎΠ³ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΡ, ΠΎΡΠ½ΠΎΠ²Π°Π½Π½ΡΠΉ Π½Π° ΠΌΠ΅ΡΠΎΠ΄Π΅ ΠΠΠ―Π‘, ΠΊΠΎΡΠΎΡΡΠΉ Π»ΠΈΠ½Π΅Π΅Π½ ΠΏΠΎ ΡΠΈΡΠ»Ρ ΡΡΠ΅ΠΏΠ΅Π½Π΅ΠΉ ΡΠ²ΠΎΠ±ΠΎΠ΄Ρ, Π²ΡΡΠΈΡΠ»Π΅Π½ΠΎ ΠΌΠΈΠ½ΠΈΠΌΠ°Π»ΡΠ½ΠΎΠ΅ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΠΎΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΏΠΎΡΠ΅Π½ΡΠΈΠ°Π»Π° Π₯Π΅Π½ΠΎΠ½-Π₯Π°ΠΉΠ»Π΅ΡΠ° Ρ ΡΠΈΡΠ»ΠΎΠΌ ΡΡΠ΅ΠΏΠ΅Π½Π΅ΠΉ ΡΠ²ΠΎΠ±ΠΎΠ΄Ρ Π²ΠΏΠ»ΠΎΡΡ Π΄ΠΎ 256.
β’ ΠΠ° ΠΎΡΠ½ΠΎΠ²Π΅ ΡΠ΅ΡΠ΅Π½ΠΈΡ Π½Π΅ΡΡΠ°ΡΠΈΠΎΠ½Π°ΡΠ½ΠΎΠΉ Π·Π°Π΄Π°ΡΠΈ ΠΏΠΎΡΡΡΠΎΠ΅Π½ ΠΌΠ΅ΡΠΎΠ΄ ΡΡΡΠ΅ΠΊΡΠΈΠ²Π½ΠΎΠ³ΠΎ Π½Π°Ρ ΠΎΠΆΠ΄Π΅Π½ΠΈΡ ΡΠΏΠ΅ΠΊΡΡΠ° ΠΠ°ΠΌΠΈΠ»ΡΡΠΎΠ½ΠΈΠ°Π½ΠΎΠ² ΠΊΠ²Π°Π½ΡΠΎΠ²ΠΎΠΉ ΠΌΠΎΠ»Π΅ΠΊΡΠ»ΡΡΠ½ΠΎΠΉ ΠΌΠ΅Ρ Π°Π½ΠΈΠΊΠΈ (ΠΊΠΎΠ»Π΅Π±Π°ΡΠ΅Π»ΡΠ½ΡΡ ΡΠΏΠ΅ΠΊΡΡΠΎΠ²).
β’ Π‘^Π’Π’/" Π/Π’Π’ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½Ρ Π΄Π»Ρ ΡΠΆΠ°ΡΠΈΡ Π±ΠΎΠ»ΡΡΠΈΡ ΠΌΠ°ΡΡΠΈΠ²ΠΎΠ² Π΄Π°Π½Π½ΡΡ Π² Π΄Π²ΡΡ ΠΏΡΠΈΠΌΠ΅ΡΠ°Ρ : ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ Π½Π΅ΡΡΠ°ΡΠΈΠΎΠ½Π°ΡΠ½ΠΎΠ³ΠΎ Π΄Π²ΡΠΌΠ΅ΡΠ½ΠΎΠ³ΠΎ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ ΠΠ°Π²ΡΠ΅-Π‘ΡΠΎΠΊΡΠ° (Π·Π°Π΄Π°ΡΠ° ΠΎ ΠΊΠ°Π²Π΅ΡΠ½Π΅), Π³Π΄Π΅ ΠΏΠΎΠ»ΡΡΠ΅Π½ΠΎ ΡΠΆΠ°ΡΠΈΠ΅ Π² 1 ΠΠΠ ΡΠ°Π· Ρ ΡΠΎΡΠ½ΠΎΡΡΡΡ 10−7, ΠΈ Π΄Π»Ρ ΠΌΠ°ΡΡΠΈΠ²Π° ΡΠ΅ΠΌΠΏΠ΅ΡΠ°ΡΡΡΡ, Π²ΡΡΠΈΡΠ»Π΅Π½Π½ΠΎΠΉ Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΡ-ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΎΠ±ΡΠ΅ΠΉ ΡΠΈΡΠΊΡΠ»ΡΡΠΈΠΈ ΠΎΠΊΠ΅Π°Π½Π°, Π³Π΄Π΅ ΠΏΠΎΠ»ΡΡΠ΅Π½ΠΎ ΡΠΆΠ°ΡΠΈΠ΅ Π² 44 ΡΠ°Π·Π° Ρ ΡΠΎΡΠ½ΠΎΡΡΡΡ 0.1 Π³ΡΠ°Π΄ΡΡ.
ΠΡΠ±Π»ΠΈΠΊΠ°ΡΠΈΠΈ ΠΏΠΎ ΡΠ΅ΠΌΠ΅ Π΄ΠΈΡΡΠ΅ΡΡΠ°ΡΠΈΠΈ.
1] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π., Π‘Π°Π²ΠΎΡΡΡΡΠ½ΠΎΠ² Π. Π. ΠΠ΅ΡΠΎΠ΄Ρ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΡ ΡΠ΅Π½Π·ΠΎΡΠ° // ΠΠ°ΡΡΠΈΡΠ½ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ ΠΈ ΡΠ΅Ρ Π½ΠΎΠ»ΠΎΠ³ΠΈΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΡ Π±ΠΎΠ»ΡΡΠΈΡ Π·Π°Π΄Π°Ρ / ΡΠ΅Π΄. Π. Π. Π’ΡΡΡΡΡΠ½ΠΈΠΊΠΎΠ². — ΠΠΠ Π ΠΠ, 2005. — Π‘. 51−64.
2] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π., Π’ΡΡΡΡΡΠ½ΠΈΠΊΠΎΠ² Π. Π. ΠΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½Π½ΠΎΠ΅ ΠΎΠ±ΡΠ°ΡΠ΅Π½ΠΈΠ΅ ΠΌΠ°ΡΡΠΈΡ ΠΏΡΠΈ ΡΠΈΡΠ»Π΅Π½Π½ΠΎΠΌ ΡΠ΅ΡΠ΅Π½ΠΈΠΈ Π³ΠΈΠΏΠ΅ΡΡΠΈΠ½Π³ΡΠ»ΡΡΠ½ΠΎΠ³ΠΎ ΠΈΠ½ΡΠ΅Π³ΡΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΡΡΠ°Π²Π½Π΅Π½ΠΈΡ // Π. Π²ΡΠ½ΠΈΡΠ». ΠΌΠ°ΡΠ΅ΠΌ. ΠΈ ΠΌΠ°ΡΠ΅ΠΌ. ΡΠΈΠ·. — 2005. — Π’. 45, № 2. — Π‘. 315−326.
3] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π. ΠΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠ΅ ΡΠ°Π·Π΄Π΅Π»Π΅Π½Π½ΡΡ ΡΠ°Π·Π½ΠΎΡΡΠ΅ΠΉ ΠΈ Π-ΡΠΏΠ»Π°ΠΉΠ½ΠΎΠ² Π΄Π»Ρ ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΡ Π±ΡΡΡΡΡΡ Π΄ΠΈΡΠΊΡΠ΅ΡΠ½ΡΡ ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΈΠΉ Π²Π΅ΠΉΠ²Π»Π΅ΡΠΎΠ²ΡΠΊΠΎΠ³ΠΎ ΡΠΈΠΏΠ° Π½Π° Π½Π΅ΡΠ°Π²Π½ΠΎΠΌΠ΅ΡΠ½ΡΡ ΡΠ΅ΡΠΊΠ°Ρ / / ΠΠ°ΡΠ΅ΠΌ. Π·Π°ΠΌΠ΅ΡΠΊΠΈ. — 2005. — Π’. 77, № 5. — Π‘. 743−752.
4] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π., Π‘Π°Π²ΠΎΡΡΡΡΠ½ΠΎΠ² Π. Π. ΠΠΈΠ½ΠΈΠΌΠΈΠ·Π°ΡΠΈΠΎΠ½Π½ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΈ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² ΠΈ ΠΈΡ ΡΡΠ°Π²Π½Π΅Π½ΠΈΠ΅ // Π. Π²ΡΡΠΈΡΠ». ΠΌΠ°ΡΠ΅ΠΌ. ΠΈ ΠΌΠ°ΡΠ΅ΠΌ. ΡΠΈΠ·. — 2006. — Π’. 46, № 10.
Π‘. 1752−1734.
5] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π. ΠΡΠ΅Π½ΠΊΠΈ ΡΠ½ΠΈΠ·Ρ Π΄Π»Ρ ΡΠ΅ΠΏΠ°ΡΠ°Π±Π΅Π»ΡΠ½ΡΡ Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΉ ΡΠ΄ΡΠ° ΠΠΈΠ»ΡΠ±Π΅ΡΡΠ° // ΠΠ°ΡΠ΅ΠΌ. ΡΠ±. — 2007. — Π’. 198, № 3. — Π‘. 137−144.
6] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π. Π Π½ΠΎΠ²ΠΎΠΌ ΡΠ΅Π½Π·ΠΎΡΠ½ΠΎΠΌ ΡΠ°Π·Π»ΠΎΠΆΠ΅Π½ΠΈΠΈ // ΠΠΠ.
2009. — Π’. 427, № 2. — Π‘. 168−169.
7] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π. Π ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠΈ ΠΌΠ°ΡΡΠΈΡ Π»ΠΎΠ³Π°ΡΠΈΡΠΌΠΈΡΠ΅ΡΠΊΠΈΠΌ ΡΠΈΡΠ»ΠΎΠΌ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠΎΠ² // ΠΠΠ. — 2009. — Π’. 428, № 1.
Π‘. 23−24.
8] ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π., Π’ΡΡΡΡΡΠ½ΠΈΠΊΠΎΠ² Π. Π. Π Π΅ΠΊΡΡΡΠΈΠ²Π½ΠΎΠ΅ ΠΏΡΠΈΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ ΡΠ΅Π½Π·ΠΎΡΠΎΠ² // ΠΠΠ. — 2009. — Π’. 427, № 1. — Π‘. 14−16.
9] ΠΠ°ΠΌΠ°ΡΠ°ΡΠΊΠΈΠ½ Π. Π., ΠΡΠ΅Π»Π΅Π΄Π΅Ρ Π. Π., Π’ΡΡΡΡΡΠ½ΠΈΠΊΠΎΠ² Π. Π. Π’Π΅Π½Π·ΠΎΡΠ½Π°Ρ ΡΡΡΡΠΊΡΡΡΠ° ΠΎΠ±ΡΠ°ΡΠ½ΠΎΠΉ ΠΊ Π»Π΅Π½ΡΠΎΡΠ½ΠΎΠΉ ΡΠ΅ΠΏΠ»ΠΈΡΠ΅Π²ΠΎΠΉ ΠΌΠ°ΡΡΠΈΡΠ΅ // ΠΠΠ. — 2009. — Π’. 422, № 2. — Π‘. 168−169.
10] Olshevsky V., Oseledets I. V., Tyrtyshnikov E. E. Tensor properties of multilevel Toeplitz and related matrices // Linear Algebra Appl. — 2006. — Vol. 412, no. 1. — P. 1−21.
11] Oseledets I. V., Tyrtyshnikov E. E. A unifying approach to the construction of circulant preconditioners // Linear Algebra Appl. — 2006. — Vol. 418, no. 2−3. — P. 435−449.
12] Olshevsky V., Oseledets I. V., Tyrtyshnikov E. E. Superfast inversion of two-level Toeplitz matrices using Newton iteration and tensor-displacement structure / / Operator Theory: Advances and Applications. — 2008. — Vol. 179. — P. 229−240.
13] Oseledets I. V., Savostianov D. V., Tyrtyshnikov E. E. Tucker dimensionality reduction of three-dimensional arrays in linear time // SI AM J. Matrix Anal. Appl. — 2008. — Vol. 30, no. 3. — P. 939−956.
14] Oseledets I. V. The integral operator with logarithmic kernel has only one positive eigenvalue // Linear Algebra Appl. — 2008. — Vol. 428, no. 7. — P. 1560−1564.
15] Oseledets I. V., Tyrtyshnikov E. E., Zamarashkin N. L. Matrix inversion cases with size-independent rank estimates // Linear Algebra Appl. — 2009. — Vol. 431, no. 5−7. — P. 558−570.
16] Oseledets I. V., Savostyanov D. V., Tyrtyshnikov E. E. Fast simultaneous orthogonal reduction to triangular matrices // SI AM J. Matrix Anal. Appl. — 2009. — Vol. 31, no. 2. — P. 316−330.
17] Oseledets I. V., Savostyanov D. V., Tyrtyshnikov E. E. Linear algebra for tensor problems // Computing. — 2009. — Vol. 85, no. 3. — P. 169−188.
18] Oseledets I. V., Tyrtyshnikov E. E. Breaking the curse of dimensionality, or how to use SVD in many dimensions // SI AM J. Sci. Comput. — 2009. — Vol. 31, no. 5. — P. 37 443 759.
19] Oseledets I. V., Savostyanov D. V., Tyrtyshnikov E. E. Cross approximation in tensor electron density computations // Numer. Linear Algebra Appl. — 2010. — Vol. 17, no. 6. — P. 935−952.
20] Oseledets I. V., Tyrtyshnikov E. E. TT-cross algorithm for the approximation of multidimensional arrays // Linear Algebra Appl. — 2010. — Vol. 432, no. 1. — P. 70−88.
21] How to find a good submatrix / S.A. Goreinov, I.V. Oseledets, D.V. Savostyanov et al. // Matrix Methods: Theory, Algorithms, Applications / Ed. by V. Olshevsky, E. Tyrtyshnikov. — World Scientific Publishing, 2010. — P. 247−256.
22] Goreinov S. A., Oseledets I. V., Savostyanov D. V. Wedderburn rank reduction and Krylov subspace method for tensor approximation. Part 1: Tucker case: Preprint 201 001. — Moscow: INM RAS, 2010. — arXiv: 1004.1986. http: //pub.inm.ras.ru.
23] Oseledets I. V. Constructive representation of functions in tensor formats: Preprint 2010;04. — Moscow: INM RAS, 2010. http://pub.inm.ras.ru.
24] Khoromskij B. N., Oseledets I. V. QTT-approximation of elliptic solution operators in high dimensions // Rus. J.
Numer. Anal. Math. Model. — 2011. — Vol. 26, no. 3. — P. 303−322.
25] Khoromskij B. N., Oseledets I. V. Quantics-TT collocation approximation of parameter-dependent and stochastic elliptic PDEs // Comput. Meth. Appl. Math. — 2010. — Vol. 10, no. 4. — P. 376−394.
26] Khoromskij B. N., Oseledets I. V. DMRG + QTT approach to high-dimensional quantum molecular dynamics: Preprint 68. — Leipzig: MPI MIS, 2010. www.mis.mpg.de/ preprints/2010/preprint201068.pdf.
27] Oseledets I. V. Tyrtyshnikov E.E. Algebraic wavelet transform via quantics tensor train decomposition // SIAM J. Scz. Comput. — 2011. — Vol. 31, no. 3. — P. 1315−1328.
28] Oseledets I. V. Approximation of 2d x 2d matrices using tensor decomposition // SIAM J. Matrix Anal. Appl. — 2010. — Vol. 31, no. 4. — P. 2130−2145.
29] Tensor structured iterative solution of elliptic problems with jumping coefficients: Preprint 55 / S. Dolgov, B. Khoromskij, I. Oseledets, E. Tyrtyshnikov. — Leipzig: MPI MIS, 2010.
30] Oseledets I. V. Tensor-train decomposition // SIAM J. Sci. Comput. — Vol. 33, no. 5. — P. 2295−2317.
31] Dolgov S. V., Oseledets I. V. Solution of linear systems and matrix inversion in the TT-format: Preprint 19 (Submitted to SIAM J. of Sci. Comput.). — Leipzig: MIS MPI, 2011. http: //www.mis.mpg.de/preprints/2011/preprint201119.pdf.
32] Oseledets I. V. DMRG approach to fast linear algebra in the TT-format // Comput. Meth. Appl. Math. — 2011. — Vol. 10, no. 3. — P. 382−393.
33] Oseledets I. V., Tyrtyshnikov E.E., Zamarashkin N.L. Tensor-train ranks of matrices and their inverses // Comput. Meth. Appl Math. — 2011. — Vol. 10, no. 3. — P. 394−403.
Π‘ΠΏΠΈΡΠΎΠΊ Π»ΠΈΡΠ΅ΡΠ°ΡΡΡΡ
- A study of the mode-selective trans-cis isomerization in HONO using ab initio methodology. / Falk Richter, Majdi Hochlaf, Pavel Rosmus et al. //J. Chem. Phys. — 2004. — Vol. 120, no. 3. — P. 1306−17.
- Acar E., Yener Π. Unsupervised multiway data analysis: A literature survey // IEEE Transactions on Knowledge and Data Engineering. — 2009. — P. 6−20.
- Advances in electronic structure theory: GAMESS a decade later / C.E. Dykstra, G. Frenking, K.S. Kim, G.E. Scuseeria. — Amsterdam: Elsevier, 2005.
- Ainsworth M., Oden J. Π’. A posteriori error estimation in finite element analysis // Computer Methods in Applied Mechanics and Engineering. — 1997. — Vol. 142. — P. 188.
- Alternating asymmetric trilinear decomposition for three-way data arrays analysis / L.Q. Hu, H.L. Wu, Y.J. Ding et al. // Chemometrics and Intelligent Laboratory Systems. — 2006. Vol. 82. — P. 145−153.
- Andersen Π‘. M., Bro R. Practical aspects of PARAFAC modeling of fluorescence excitation-emission data // J. Chemometrics. — 2003. — Vol. 17. — P. 200−215.
- Andersson Π‘.A., Bro R. The N-way Toolbox for MATLAB // Chemometrics and Intelligent Laboratory Systems. — 2000. Vol. 52, no. 1. — P. 1−4.
- Andersson C.A., Henrion R. A general algorithm for obtaining simple structure of core arrays in N-way PCA with application to fluorometric data // Computational Statistics and Data Analysis. — 1999. — Vol. 31, no. 3. — P. 255−278.
- Anharmonic wave functions of proteins: quantum self-consistent field calculations of BPTI / A Roitberg, R. Benny Gerber, R Elber, M. Ratner // Science. — 1995.
- Vol. 268, no. 5215. P. 1319−1322.
- Appellof C. J., Davidson E. R. Strategies for analyzing data from video fluorometric monitoring of liquid chromatographic effluents // Analytical Chemistry. — 1981. — Vol. 53, no. 13.1. P. 2053−2056.
- Babuska I., Nobile F., Tempone R. Worst case scenario analysis for elliptic problems with uncertainty // Numerische Mathematik. — 2005. — Vol. 101, no. 2. — P. 185−219.
- Babuska I, Nobile Fabio, Tempone Raul. A stochastic collocation method for elliptic partial differential equations with random input data // SI AM J. Numer. Anal. — 2007.
- Vol. 45, no. 3. — P. 1005−1034. http://link.aip.org/ link/?SNA/45/1005/1.
- Babuska I., Strouboulis T. The finite element method and its reliability. — Oxford University Press, USA, 2001.
- Babuska I, Tempone Raul, Zouraris Georgios E. Galerkin finite element approximations of stochastic elliptic partial differential equations // SI AM J. Numer. Anal. — no. 2. — P. 800−825.
- Badeau R., Boyer R. Fast multilinear singular value decomposition for structured tensors // SIAM J. Matrix Anal. Appl. 2008. — Vol. 30. — P. 1008.
- Bader B. W., Kolda T. G. Algorithm 862: MATLAB tensor classes for fast algorithm prototyping // ACM TYans. on Math. Soft. 2006. — Vol. 32, no. 4.
- BaderB. W., Kolda T. G. Efficient MATLAB computations with sparse and factored tensors // SIAM J. Sei. Comput.2007. — Vol. 30, no. 1. P. 205−231.
- Bader B. W., Kolda T. G. Tensor decompositions and applications: Technical Report SAND2007−6702. — Albuquerque, NM and Livermore, CA: Sandia National Lab., 2007.
- Bebendorf M. Approximation of boundary element matrices // Numerische Mathematik. — 2000. — Vol. 86, no. 4. — P. 565−589.
- Beckmann C. F., Smith S. M. Tensorial extensions of independent component analysis for multisubject FMRI analysis // Neuroimage. — 2005. — Vol. 25, no. 1. — P. 294 311.
- Beylkin G., Mohlenkamp M. J. Numerical operator calculus in higher dimensions // Proc. Nat. Acad. Sei. USA. — 2002.- Vol. 99, no. 16. — P. 10 246−10 251.
- Beylkin G., Mohlenkamp M. J. Algorithms for numerical analysis in high dimensions // SIAM J. Sei. Comput. — 2005. Vol. 26, no. 6. — P. 2133−2159.
- Bini D. Relations between exact and approximate bilinear algorithms. Applications // Calcolo. — 1980. — Vol. 17, no. 1. P. 87−97.
- Blaser, M. On the complexity of the multiplication of matrices of small formats // Journal of Complexity. — 2003.1. Vol. 19, no. 1. P. 43−60.
- Bro Richard. PARAFAC: Tutorial and applications // Chemometrics and Intelligent Lab. Syst. — 1997. — Vol. 38, no. 2. P. 149−171.
- Bro R. Review on multiway analysis in chemistry — 20 002 005 // Critical reviews in analytical chemistry. — 2006.- Vol. 36, no. 3. P. 279−293.
- Bro R., Andersson C.A., Kiers H.A.L. PARAFAC2-Part II. Modeling chromatographic data with retention time shifts // Journal of Chemometrics. — 1999. — Vol. 13, no. 3−4. P. 295−309.
- Canonical decomposition of ictal scalp EEG reliably detects the seizure onset zone / M. de Vos, A. Vergult, L. de Lathauwer et al. // Neuro Image. — 2007. — Vol. 37, no. 3. — P. 844−854.
- Canonical decomposition of ictal scalp eeg and accurate source localisation: Principles and simulation study / M. de Vos, L. de Lathauwer, B. Vanrumste et al. //
- Computational Intelligence and Neuroscience. — 2007. — Vol. 2007. P. 58 253.
- Caroll J. D., Chang J. J. Analysis of individual differences in multidimensional scaling via n-way generalization of Eckart-Young decomposition // Psychometrika. — 1970. — Vol. 35. P. 283−319.
- Cattell R.B. «Parallell proportional profiles» and other principles for determining the choice fo factors by rotation // Psychometrika. — 1944. — Vol. 9, no. 4. — P. 267−283.
- Cattell R.B. The three basic factor-analytic research designs and their interrelations and derivatives // Psychological Bulletin. — 1952. Vol. 49, no. 5. — P. 499−520.
- Chen B., Petropulu A.P., de Lathauwer L. Blind identification of convolutive MIMO systems with 3 sources and 2 sensors // EURASIP Journal on Applied Signal Processing. — 2002. — Vol. 5. — P. 487−496.
- Cohen A, DeVore R, Schwab Christoph. Convergence rates of best N-term Galerkin approximations for a class of elliptic sPDEs // Found. Comput. Math. — 2010. — Vol. 10. — P. 615−646.
- Comon P. Tensor decomposition: state of the art and applications // IMA Conf. Math, in Sig. Proc., Warwick, UK. 2000.
- Compact thermal modeling for temperature-aware design / Wei Huang, Mircea R. Stan, Kevin Skadron et al. // Annual
- ACM IEEE Design Automation Conference. — 2004. http://portal.acm.org/citation.cfm?id=996 800.
- Coppi R., Bolasco S. Multiway data analysis. — Amsterdam, Netherlands: North-Holland Publishing Co., 1989.
- CuBatch, a MATLAB® interface for n-mode data analysis / S. Gourvenec, G. Tomasi, C. Durville et al. // Chemometrics and Intelligent Laboratory Systems. — 2005. — Vol. 77. — P. 122−130.
- De Lathauwer L., Vandewalle J. Dimensionality reduction in higher-order signal processing and rank-(Rl, R2,., RN) reduction in multilinear algebra // Linear Algebra Appl. — 2004. Vol. 391. — P. 31−55.
- Decomposing EEG data into space-time-frequency components using parallel factor analysis / F. Miwakeichi, E. Martinez-Montes, P.A. Valdes-Sosa et al. // Neurolmage. — 2004. Vol. 22, no. 3. — P. 1035−1045.
- Elman, H.C. and Miller, C.W. and Phipps, E.T. and Tuminaro, R.S. Assessment of collocation and Galerkin approach to linear diffusion equations with random data // Intern. J. for uncertainty quantification. — 2011. — Vol. 1, no. 1. — P. 19−34.
- Espig M., Grasedyck L., Hackbusch W. Black box low tensor rank approximation using fibre-crosses // Constr. Appr. — 2009. — Vol. 30, no. 3. — P. 557−597.
- Fannes M., Nachtergaele B., Werner R.F. Finitely correlated states on quantum spin chains // Communications in Mathematical Physics. — 1992. — Vol. 144, no. 3. P. 443−490.
- Ford J. M., Tyrtyshnikov E. E. Combining Kronecker product approximation with discrete wavelet transforms to solve dense, function-related systems // SIAM J. Sci. Comput. — 2003. Vol. 25, no. 3. — P. 961−981.
- Ghanem R. G., Spanos P. D. Stochastic finite elements: a spectral approach. — Courier Dover Publications, 2003.
- Golub G., Kahan W. Calculating the singular values and pseudo-inverse of a matrix // Journal of the Society for Industrial and Applied Mathematics: Series B, Numerical Analysis. — 1965. — Vol. 2, no. 2. — P. 205−224.
- Goreinov S. A. On cross approximation of multi-index array // Doklady Math. — 2008. — Vol. 420, no. 4. — P. 404 406.
- Goreinov S. A., Tyrtyshnikov E. E. The maximalvolume concept in approximation by low-rank matrices // Contemporary Mathematics. — 2001. — Vol. 208. — P. 4751.
- Goreinov S. A., Tyrtyshnikov E. E., Zamarashkin N. L. Pseudo-skeleton approximations of matrices // Reports of Russian Academy of Sciences. — 1995. — Vol. 342, no. 2. — P. 151−152.
- Goreinov S. A., Tyrtyshnikov E. E., Zamarashkin N. L. A theory of pseudo-skeleton approximations // Linear Algebra Appl. — 1997. Vol. 261. — P. 1−21.
- Grasedyck L. Existence and computation of low Kroneckerrank approximations for large systems in tensor product structure // Computing. — 2004. — Vol. 72. — P. 247 265.
- Hackbusch Wolfgang, Khoromskij Boris N. Low-rank Kronecker-product Approximation to Multi-dimensional
- Nonlocal Operators. Part I. Separable Approximation of Multi-variate Functions // Computing. — 2005. — dec.
- P. 177−202. http://www.springerlink.com/content/ 74v20851143034ql.
- Hackbusch W., Khoromskij B. N. Low-rank Kronecker-product approximation to multi-dimensional nonlocal operators. I. Separable approximation of multi-variate functions // Computing. — 2006. — Vol. 76, no. 3−4. — P. 177−202.
- Hackbusch W., Khoromskij B. N. Low-rank Kronecker-product approximation to multi-dimensional nonlocal operators. II. HKT representation of certain operators // Computing. — 2006. — Vol. 76, no. 3−4. — P. 203−225.
- Hackbusch W., Khoromskij B. N., Tyrtyshnikov E. E. Hierarchical Kronecker tensor-product approximations // J. Numer. Math. 2005. — Vol. 13. — P. 119−156.
- Harshman R. A. Foundations of the Parafac procedure: models and conditions for an explanatory multimodal factor analysis // UCLA Working Papers in Phonetics. — 1970.1. Vol. 16. P. 1−84.
- Henrion R. Body diagonalization of core matrices in three-way principal components analysis: Theoretical bounds and simulation // Journal of Chemometrics. — 1993. — Vol. 7.1. P. 477−477.
- Henrion R. N-way principal component analysis: theory, algorithms and applications / / Chemometrics and intelligent laboratory systems. — 1994. — Vol. 25, no. 1. P. 1−23.
- Hitchcock F. L. Multiple invariants and generalized rank of a p-way matrix or tensor // J. Math. Phys. — 1927. — Vol. 7, no. 1. P. 39−79.
- Hitchcock F. L. The expression of a tensor or a polyadic as a sum of products //J. Math. Phys. — 1927. — Vol. 6, no. 1.- P. 164−189.
- Hlavacek I. Uncertain input data problems and the worst scenario method // Applications of Mathematics. — 2007.- Vol. 52, no. 3. P. 187−196.
- How to find a good submatrix / S.A. Goreinov, I.V. Oseledets, D.V. Savostyanov et al. // Matrix Methods: Theory, Algorithms, Applications / Ed. by V. Olshevsky, E. Tyrtyshnikov. — World Scientific Publishing, 2010. — P. 247−256.
- Hiibener R., Nebendahl V., Dur W. Concatenated tensor network states. — arXiv:0904.1925vl quant-ph], 2009.
- Kazeev V., Khoromskij B. N. Explicit low-rank QTT representation of Laplace operator and its inverse: Preprint 75. — Leipzig: MPI MIS, 2010. www.mis.mpg.de/preprints/2010/preprint201075.pdf.
- Khoromskij B. N. On tensor approximation of Green iterations for Kohn-Sham equations // Computing and visualization in science. — 2008. — Vol. 11, no. 4−6. — P. 259−271.
- Kiers H.A.L. A three-step algorithm for CANDECOMP/PARAFAC analysis of large data sets with multicollinearity // Journal of Chemometrics. — 1998. — Vol. 12, no. 3. P. 155−171.
- Kiers H.A.L., Van Mechelen I. Three-way component analysis: Principles and illustrative application //
- Psychological methods. — 2001. — Vol. 6, no. 1. — P. 84−110.
- Knyazev A. V. Toward the optimal preconditioned eigensolver: Locally optimal block preconditioned conjugate gradient method // SI AM Journal on Scientific Computing. — 2002. — Vol. 23, no. 2. — P. 517−541.
- Kroonenberg P.M. Three-mode principal component analysis: Theory and applications. — DSWO press, 1983.
- Kroonenberg P.M. Applied multiway data analysis. — Wiley-Interscience, 2008.
- Landry W. Implementing a high performance tensor library // Scientific Programming. — 2003. — Vol. 11, no. 4. P. 273−290.
- Leurgans S., Ross R.T. Multilinear models: applications in spectroscopy // Statistical Science. — 1992. — Vol. 7, no. 3.1. P. 289−310.
- Loeve M. Probability Theory, Vol. I. Grad. Texts in Math.1. Springer-Verlag, 1976.
- Loeve M. Probability Theory, Vol. II. Grad. Texts in Math.1. Springer-Verlag, 1977.
- Lubich Christian. Prom quantum to classical molecular dynamics: reduced models and numerical analysis. — Zurich: EMS, 2008.
- Manzhos S., Carrington Jr T. Using redundant coordinates to represent potential energy surfaces with lower-dimensional functions H J. Chem. Phys. — 2007. — Vol. 127. — P. 14 103.
- Modeling and multiway analysis of chatroom tensors / E. Acar, S.A. Camtepe, M.S. Krishnamoorthy, B. Yener // ISI. 2005. — Vol. 3495. — P. 256−268.
- M0rup M., Hansen L.K., Arnfred S.M. ERPWAVELAB a toolbox for multi-channel analysis of time-frequency transformed event related potentials / / Journal of neuroscience methods. — 2007. — Vol. 161, no. 2. — P. 361 368.
- M0rup, M. and Hansen, L.K. and Herrmann, C.S. and Parnas, J. and Arnfred, S.M. Parallel factor analysis as an exploratory tool for wavelet transformed event-related EEG // Neurolmage. — 2006. — Vol. 29, no. 3. P. 938−947.
- Multiway analysis of epilepsy tensors, ISMB 2007 Conference Proceedings / E. Acar, C. A. Bingol, H. Bingol et al. // Bioinformatics. — 2007. — Vol. 23.
- Muti D., Bourennane S. Multidimensional filtering based on a tensor approach // Signal Processing. — 2005. — Vol. 85, no. 12. P. 2338−2353.
- Nest M., Meyer Hans-Dieter. Benchmark calculations on high-dimensional Henon-Heiles potentials with the multiconfiguration time dependent Hartree (MCTDH) method // J. Chem. Phys. 2002. — Vol. 117, no. 23. — P. 10 499.
- Numerical simulation of large-scale ocean circulation based on the multicomponent splitting method / V. B. Zalesny, G. I. Marchuk, V. I. Agoshkov et al. // Russian J. Numerical Anal. Math. Modelling. — 2010. — Vol. 25, no. 6. — P. 581 609.
- Ostlund Stellan, Rommer Stefan. Thermodynamic limit of Density Matrix Renormalization // Phys. Rev. Lett. — 1995.
- Vol. 75, no. 19. — P. 3537−3540. http://link.aps.org/ doi/10.1103/PhysRevLett.75.3537.
- Wise B. M., Gallagher N. B., Bro R. et al. PLS Toolbox 4.0. — 2007.
- Paatero P. The multilinear engine: a table-driven, least squares program for solving multilinear problems, including the n-way parallel factor analysis model // Journal of Computational and Graphical Statistics. — 1999. — P. 854 888.
- Partridge H., Schwenke D.W. The determination of an accurate isotope dependent potential energy surface for water from extensive ab initio calculations and experimental data // J. Chem. Phys. 1997. — Vol. 106. — P. 4618.
- Publications of Robert Benny Gerber. //J. Phys. Chem. A.- 2009. — Vol. 113, no. 26. P. 7173−82. http://dx.doi. org/10.1021/jp902508u.
- Rudnyi E. B., Korvink J. G. Model Order Reduction of MEMS for Efficient Computer Aided Design and System Simulation. — 2008. http://citeseerx.ist.psu.edu/ viewdoc/summary?doi=10.1.1.59.1198.
- Sidiropoulos N.D., Bro R., Giannakis G.B. Parallel factor analysis in sensor array processing // IEEE transactions on Signal Processing. — 2000. — Vol. 48, no. 8. — P. 2377−2388.
- Smilde A.K., Bro R., Geladi P. Multi-way analysis with applications in the chemical sciences. — Wiley, 2004.
- Strassen V. Gaussian elimination is not optimal // Numerische Mathematik. — 1969. — Vol. 13, no. 4. — P. 354−356.
- Sun J., Papadimitriou S., Yu P. S. Window-based tensor analysis on high-dimensional and multi-aspect streams // Proc. ICDM2006. — 2006.
- Tensor product approximation with optimal rank in quantum chemistry / S. R. Chinnamsetty, M. Espig, W. Hackbusch et al. //J. Chem. Phys. 2007. — Vol. 127. — P. 84−110.
- Tucker L.R. Implications of factor analysis of three-way matrices for measurement of change // Problems in measuring change. — 1963. — P. 122−137.
- Tucker L. R. The extension of factor analysis to three-dimensional matrices // Contributions to mathematical psychology. — 1964. — P. 109−127.
- Tucker L. R. Some mathematical notes on three-mode factor analysis // Psychometrika. — 1966. — Vol. 31. — P. 279−311.
- Tyrtyshnikov E. E. Incomplete cross approximation in the mosaic-skeleton method // Computing. — 2000. — Vol. 64, no. 4. P. 367−380.
- Tyrtyshnikov E. E. Tensor approximations of matrices generated by asymptotically smooth functions // Sbomik: Mathematics. — 2003. — Vol. 194, no. 6. — P. 941−954.
- Tyrtyshnikov E. E. Kronecker-product approximations for some function-related matrices // Linear Algebra Appl. — 2004. Vol. 379. — P. 423−437.
- Van Loan Ch. F. Tensor network computations in quantum chemistry. — www.cs.cornell.edu/cv/OtherPdf/ZeuthenCVL.pdf, 2008. www.cs.Cornell.edu/cv/OtherPdf/ZeuthenCVL.pdf.
- Vasilescu M.A.O., Terzopoulos D. Multilinear analysis of image ensembles: Tensorfaces // Lecture Notes in Computer Science. — 2002. — P. 447−460.
- Verfurth, R. A review of a posteriori error estimation techniques for elasticity problems // Studies in Applied Mechanics. — 1998. — Vol. 47. — P. 257−274.
- White Steven R. Density-matrix algorithms for quantum renormalization groups // Phys. Rev. B. — 1993. — Vol. 48, no. 14. P. 10 345−10 356.
- Widom H. Hankel matrices // Trans. Amer. Math. Soc. — 1966. Vol. 121, no. 1. — P. 1−35.
- Wiener N. The homogeneous chaos // American Journal of Mathematics. — 1938. — Vol. 60, no. 4. — P. 897−936.
- Vol. 232 of NATO Adv. Sci. Inst. Ser. E Appl. Sci. — P. 293−314.
- ΠΠΎΠ»ΠΎΠ΄ΠΈΠ½ E.M., Π ΡΡΠ΅Π² Π. Π., ΠΠΈΠ°Π½ΡΠΊΠΈΠΉ H.A. ΠΠΎΡΠΏΡΠΎΠΈΠ·Π²Π΅Π΄Π΅Π½ΠΈΠ΅ ΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠ³ΠΎ ΠΊΠ»ΠΈΠΌΠ°ΡΠ° Ρ ΠΏΠΎΠΌΠΎΡΡΡ ΡΠΎΠ²ΠΌΠ΅ΡΡΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΎΠ±ΡΠ΅ΠΉ ΡΠΈΡΠΊΡΠ»ΡΡΠΈΠΈ Π°ΡΠΌΠΎΡΡΠ΅ΡΡ ΠΈ ΠΎΠΊΠ΅Π°Π½Π° INMCM 4.0 // ΠΠ·Π²Π΅ΡΡΠΈΡ Π ΠΠ, Π€ΠΈΠ·ΠΈΠΊΠ° Π°ΡΠΌΠΎΡΡΠ΅ΡΡ ΠΈ ΠΎΠΊΠ΅Π°Π½Π°. — 2010.- Π’. 26, № 4. — Π‘. 448−466.
- ΠΠ°Π½ΡΠΌΠ°Ρ Π΅Ρ Π€.Π . Π’Π΅ΠΎΡΠΈΡ ΠΌΠ°ΡΡΠΈΡ. — ΠΠ°ΡΠΊΠ°, 1966. — Vol. 7.
- ΠΠΎΠ»ΡΠ± Π., ΠΠΎΡΠ½ Π. ΠΠ°ΡΡΠΈΡΠ½ΡΠ΅ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ. — ΠΠΈΡ Π., 1999.
- ΠΠ½ΡΡ Π. ΠΡΠΊΡΡΡΡΠ²ΠΎ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΠΈΡΠΎΠ²Π°Π½ΠΈΡ, Ρ. 2. ΠΠΎΠ»ΡΡΠΈΡΠ»Π΅Π½Π½ΡΠ΅ Π°Π»Π³ΠΎΡΠΈΡΠΌΡ, 3-Π΅ ΠΈΠ·Π΄./ΠΠ΅Ρ. Ρ Π°Π½Π³Π».: Π£Ρ. ΠΏΠΎΡ. — Π.: ΠΠ·Π΄Π°ΡΠ΅Π»ΡΡΠΊΠΈΠΉ Π΄ΠΎΠΌ «ΠΠΈΠ»ΡΡΠΌΠ΅», 2000.
- ΠΠ°ΡΠ½ΡΠΊ Π. Π. ΠΠ΅ΡΠΎΠ΄Ρ Π²ΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½ΠΎΠΉ ΠΌΠ°ΡΠ΅ΠΌΠ°ΡΠΈΠΊΠΈ. — ΠΠ°ΡΠΊΠ°, 1980.
- Π‘ΠΌΠΎΠ»ΡΠΊ, Π‘.Π. ΠΠ²Π°Π΄ΡΠ°ΡΡΡΠ½ΡΠ΅ ΠΈ ΠΈΠ½ΡΠ΅ΡΠΏΠΎΠ»ΡΡΠΈΠΎΠ½Π½ΡΠ΅ ΡΠΎΡΠΌΡΠ»Ρ Π½Π° ΡΠ΅Π½Π·ΠΎΡΠ½ΡΡ ΠΏΡΠΎΠΈΠ·Π²Π΅Π΄Π΅Π½ΠΈΡΡ Π½Π΅ΠΊΠΎΡΠΎΡΡΡ ΠΊΠ»Π°ΡΡΠΎΠ² ΡΡΠ½ΠΊΡΠΈΠΉ // ΠΠΎΠΊΠ». ΠΠ Π‘Π‘Π‘Π . 1964. — Π’. 148, № 5. — Π‘. 1042−1053.
- Π’ΡΡΡΡΡΠ½ΠΈΠΊΠΎΠ² Π. Π. Π’Π΅Π½Π·ΠΎΡΠ½ΡΠ΅ Π°ΠΏΠΏΡΠΎΠΊΡΠΈΠΌΠ°ΡΠΈΠΈ ΠΌΠ°ΡΡΠΈΡ, ΠΏΠΎΡΠΎΠΆΠ΄Π΅Π½Π½ΡΡ Π°ΡΠΈΠΌΠΏΡΠΎΡΠΈΡΠ΅ΡΠΊΠΈ Π³Π»Π°Π΄ΠΊΠΈΠΌΠΈ ΡΡΠ½ΠΊΡΠΈΡΠΌΠΈ // ΠΠ°ΡΠ΅ΠΌ. ΡΠ±. — 2003. — Π’. 194, № 5. — Π‘. 147−160.
- Π―Π½Π΅Π½ΠΊΠΎ H.H. ΠΠ΅ΡΠΎΠ΄ Π΄ΡΠΎΠ±Π½ΡΡ ΡΠ°Π³ΠΎΠ² ΡΠ΅ΡΠ΅Π½ΠΈΡ ΠΌΠ½ΠΎΠ³ΠΎΠΌΠ΅ΡΠ½ΡΡ Π·Π°Π΄Π°Ρ ΠΌΠ°ΡΠ΅ΠΌΠ°ΡΠΈΡΠ΅ΡΠΊΠΎΠΉ ΡΠΈΠ·ΠΈΠΊΠΈ. — ΠΠ·Π΄Π°ΡΠ΅Π»ΡΡΡΠ²ΠΎ «ΠΠ°ΡΠΊΠ° Π‘ΠΈΠ±ΠΈΡΡΠΊΠΎΠ΅ ΠΎΡΠ΄Π΅Π»Π΅Π½ΠΈΠ΅, 1967.