On one hand, Judgment and Decision Making (JDM) research reports a phenomena called the cross-modal effect, which shows that magnitude priming based on spatial attributes of a stimuli might influence numerical estimations. On the other hand, research directed at human cognition reports that processing of space and numbers may interfere. Despite different theoretical backgrounds, those two lines of research report similar results. Is it possible that the cross-modal anchoring and the interaction between space and number are just two manifestations of the same psychological effect, conceptualized within different paradigms? In Experiment 1 participants were asked to draw lines of different length and estimate numerosity of sets of dots presented for 100 ms. Based on current studies, magnitude priming is assimilated with subsequent numerical judgment. However, an unexpected contrast effect was observed in Experiment 1. Priming of “smallness” resulted in higher estimations of numerosity, while priming of “largeness” was associated with lower estimations. Short exposition time often leads to automatic attention processes, which could possibly account for the observed contrast effect. In Experiment 2 this assumption was tested, verifying potential differences between different exposition times (100 ms vs 300 ms). The same pattern of results was obtained. Findings of both experiments are discussed from the perspective of different anchoring paradigms and concepts related to space and number processing.
In this article is revealed the systems of a good delivery witch implement unmanned aerial vehicles during providing the service. the one channel systems of a goods delivery are a goal of this research work. the close analysing of their functional features, the classification, the types and parameters of different systems from this band are presented. in addition, the modelling of the different types of the one channel systems of goods delivery are has done.
The paper presents the results of biomass estimates of commercial fishes in the South Georgia region made by "swept area" method on the basis of catch statistics of a B-22 Polish trawler in the 1980/1981 season. Total biomass was estimated on about 11 x 104 t.
Rachunek fraktalny jest jedną z szybko rozwijających się dziedzin matematyki i znajduje zastosowanie między innymi w opisie struktur porowych. Stanowi nowe spojrzenie na ich nieregularność i chaotyczność. Aby mógł być stosowanym poprawnie, powinien być wspomagany analizą błędu. W artykule przedstawiono i zweryfikowano niedoskonałości związane z analizą obrazu oraz możliwe sposoby ich korekcji. Jednym z kluczowych aspektów podczas takich badań jest miejsce oraz ilość wykonanych zdjęć. Sfotografowano powiększony obraz gruboziarnistego piaskowca w płytce cienkiej, uzyskany przy użyciu lupy binokularnej. Następnie wykonane zdjęcia zostały połączone w jedno. Otrzymane rozkłady parametrów fraktalnych pokazują ich zmienność oraz potwierdzają, że poprawnie wykonana seria zdjęć struktury porowej powinna zawierać zarówno obszary bardziej, jak i mniej porowate, a ich ilość należy dostosować do próbki. Zbadano wpływ rozdzielczości zdjęcia na wartości wymiaru fraktalnego oraz lakunarności. Wykorzystano zdjęcia wapienia wykonane w SEM z użyciem elektronów wstecznie rozproszonych w zakresie powiększeń 120–2000×. Dodatkowo badaniu poddany został pojedynczy por. Otrzymane wyniki wskazują, że dla dużego zakresu powiększeń wartości wymiaru fraktalnego są zbliżone, natomiast lakunarność każdorazowo się zmienia. Jest to związane ze zmieniającą się jednorodnością zdjęcia. Analizie poddana została również metodyka wyznaczania rozkładu przestrzennego parametrów fraktalnych w oparciu o binaryzację. Stosowane metody zakładają, że binaryzacja następuje przed lub po podziale zdjęcia na mniejsze prostokąty, z których wyznaczane są wartości wymiaru fraktalnego oraz lakunarności. Indywidualna binaryzacja, pomimo czasochłonności, zapewnia lepsze wyniki, które są bardziej zbliżone do rzeczywistości. Nie jest możliwe zdefiniowanie jednej, słusznej metodyki do eliminowania błędów. Przedstawiono zbiór wskazówek, które mogą posłużyć do udoskonalenia wyników w przyszłej analizie obrazu struktur porowych.
This study was conducted to predict the yield and biomass of lentil (Lens culinaris L.) affected by weeds using artificial neural network and multiple regression models. Systematic sampling was done at 184 sampling points at the 8-leaf to early-flowering and at lentil maturity. The weed density and height as well as canopy cover of the weeds and lentil were measured in the first sampling stage. In addition, weed species richness, diversity and evenness were calculated. The measured variables in the first sampling stage were considered as predictive variables. In the second sampling stage, lentil yield and biomass dry weight were recorded at the same sampling points as the first sampling stage. The lentil yield and biomass were considered as dependent variables. The model input data included the total raw and standardized variables of the first sampling stage, as well as the raw and standardized variables with a significant relationship to the lentil yield and biomass extracted from stepwise regression and correlation methods. The results showed that neural network prediction accuracy was significantly more than multiple regression. The best network in predicting yield of lentil was the principal component analysis network (PCA), made from total standardized data, with a correlation coefficient of 80% and normalized root mean square error of 5.85%. These values in the best network (a PCA neural network made from standardized data with significant relationship to lentil biomass) were 79% and 11.36% for lentil biomass prediction, respectively. Our results generally showed that the neural network approach could be used effectively in lentil yield prediction under weed interference conditions.
pl
en
