ارايه روش تكميلي بهبود كيفي الگوريتم جداسازي آماري سينكلر بر اساس نمودارهاي احتمال

Modification of Sinclair’s Mixed Statistical Populations Algorithm Based on Probability Plots

تاكنون روش هاي گوناگوني براي جداسازي جوامع مختلط مورد بررسي قرار گرفته اند؛ كه يكي از مهم‌ترين و پركاربردترين آن‌ها روش پيشنهادي سينكلر بر پايه يافتن نقطه عطف نمودار تركيبي و جداسازي جوامع با استفاده از آن است. در تحقيق حاضر با استفاده از مفهوم توسعه يافته اين روش، در ابتدا سعي شده است كه به طراحي يك نرم افزار موثر و كاربردي پرداخته شود؛ كه در آن با استفاده از نمودارهاي احتمال به تحـليل و جداسازي جوامـع پرداختـه و سپس بررسي مي شود كه آيا مي توان از مماس هاي رسم شده در اولين نقطه جدا شده به روش سينكلر، به عنوان يك روش جداسازي استفاده نمود يا خير. از مزاياي عمده اين نرم-افزار دقت و سرعت بالاي انجام تحليل ها روي نمونه هاي مورد بررسي است. در حالي كه انجام اين فرآيند به صورت دستي معمولاً كاري زمان بر و كم دقت است. اين نرم افزار داراي انعطاف پذيري بالايي در محاسبه خطاي فرآيند بوده و مي تواند با تحليل سناريوهاي متفاوت، به جداسازي جوامع آماري با كم‌ترين خطاي محاسباتي اقدام نمايد. در نهايت نيز به منظور آشنايي و بررسي عملكرد كار نرم افزار، عيار عنصر كروم جنوب رشته كوه ايران كوه به عنوان داده در اختيار نرم افزار قرار گرفته و مشاهده شده است كه نرم افزار به خوبي توانسته جوامع را با دقت بالا و در زمان بسيار كوتاه جداسازي نمايد. همچنين روش پيشنهادي جداسازي به كمك مماس‌ها، فرآيند جداسازي را نسبت به روش سينكلر با سرعت بيشتري به پايان مي رساند.

Different techniques have been considered to separate mixed populations so far and one of the most important of them is Sinclair’s suggested technique which is based on the finding conjunction point of combinational graph and then separating the populations. In this study, it has been tried to develop an algorithm to carry out the aforementioned technique in order to separate the populations. Based on the investigation, it is possible to apply tangents in the first separated point, which is obtained from the Sinclair’s method. The proposed algorithm is able to complete the separation of population with high speed and precision. In order to show the efficiency and applicability of the algorithm Cr concentration from an environmental study is used for separation of underlying populations. The results displayed that the populations were precisely separated.