- •Методы обработки экспериментальных данных
- •Введение
- •1.1. Введение
- •Области применения анализа экспериментальных данных
- •1.2. Основные этапы анализа данных
- •1.3. Структуры данных
- •1.3. Структуры данных
- •1.3. Структуры данных
- •1.4. Что такое переменная?
- •1.4. Что такое переменная?
- •1.4. Что такое переменная?
- •1.5. Основные законы распределения случайных величин и их назначение
- •1.5. Основные законы распределения случайных величин и их назначение
- •1.5. Основные законы распределения случайных величин и их назначение
- •1.5. Основные законы распределения случайных величин и их назначение
- •1.5. Основные законы распределения случайных величин и их назначение
- •1.5. Основные законы распределения случайных величин и их назначение
- •1.5. Основные законы распределения случайных величин и их назначение
- •1.6. Краткий обзор современных программных средств для проведения анализа данных.
- •1.6. Краткий обзор современных программных средств для проведения анализа данных.
- •1.6. Краткий обзор современных программных средств для проведения анализа данных.
- •1.6. Краткий обзор современных программных средств для проведения анализа данных.
- •1.6. Краткий обзор современных программных средств для проведения анализа данных.
- •Вопросы ?
- •КЛАССИФИКАЦИЯ В РАСПОЗНАВАНИИ ОБРАЗОВ
- •Схема системы распознавания
- •Байесовская теория принятия решений при дискретных признаках
- •Байесовская теория принятия решений при дискретных признаках
- •Байесовская теория принятия решений при дискретных признаках
- •Байесовская теория принятия решений при непрерывных признаках
- •Байесовская теория принятия решений при непрерывных признаках
- •Идеи классификации
- •Идеи классификации
- •Идеи классификации
- •Идеи классификации
- •Прямые методы восстановления решающей функции
- •НЕЙРОННЫЕ СЕТИ: еще один подход к классификации
- •Интересные данные
- •Персептроны
- •Формальный нейрон
- •Нелинейное преобразование
- •Перцептрон Розенблата
- •Обучение сети
- •Обучение перцептрона
- •STATISTICA Neural Networks
- •ВОПРОСЫ ?
- •ПЛАНИРОВАНИЕ
- •Что такое планирование эксперимента
- •Эксперименты в науке и промышленности
- •Общие идеи
- •Общие идеи
- •Общие идеи
- •Общие идеи
- •Что такое планирование эксперимента
- •Построение линейной статической модели объекта
- •Построение линейной статической модели объекта
- •Построение линейной статической модели объекта
- •Крутое восхождение по поверхности
- •Полный факторный эксперимент
- •Полный факторный эксперимент
- •Дробные реплики
- •Насыщенные планы. Симплекс
- •Насыщенные планы. Симплекс
- •Насыщенные планы. Планы Плаккета – Бермана
- •Разбиение матрицы планирования на блоки
- •Разбиение матрицы планирования на блоки
- •Разбиение матрицы планирования на блоки
- •Обработка результатов эксперимента
- •Обработка результатов эксперимента
- •Обработка результатов эксперимента
- •Обработка результатов эксперимента
- •Ортогональное планирование второго порядка
- •Ортогональное планирование второго порядка
- •Ортогональное планирование второго порядка
- •Ротатабельное планирование
- •Метод случайного баланса
- •Метод случайного баланса
- •ВОПРОСЫ ?
- •МЕТОДЫ
- •Оценивание функционалов
- •Оценивание функционалов
- •Простейшие оценки функции и плотности распределения вероятности
- •Простейшие оценки функции и плотности распределения вероятности
- •Простейшие оценки функции и плотности распределения вероятности
- •Простейшие оценки функции и плотности распределения вероятности
- •Полиграммы
- •Полиграммы
- •Метод "К ближайших соседей"
- •Оценка Розенблатта – Парзена
- •Оценка Розенблатта – Парзена
- •Оценка Розенблатта – Парзена
- •Оценка условной плотности вероятности
- •Оценка регрессии
- •Оценка регрессии
- •Оценка регрессии
- •Оценка регрессии
- •Оценка регрессии
- •Робастные оценки регрессии
- •Робастные оценки регрессии
- •Робастные оценки регрессии
- •Адаптивное управление при априорной неопределенности
- •ВОПРОСЫ ?
- •ДИСПЕРСИОННЫЙ
- •Постановка проблемы
- •Однофакторный дисперсионный анализ
- •Однофакторный дисперсионный анализ
- •Однофакторный дисперсионный анализ
- •Двухфакторный дисперсионный анализ
- •Двухфакторный дисперсионный анализ
- •Двухфакторный дисперсионный анализ
- •Двухфакторный дисперсионный анализ
- •Планирование эксперимента при дисперсионном анализе
- •Планирование эксперимента при дисперсионном анализе
- •Планирование эксперимента при
- •Планирование эксперимента при дисперсионном анализе
- •ВОПРОСЫ ?
- •АНАЛИЗ ТРЕНДОВ И ВРЕМЕННЫХ РЯДОВ
- •Введение
- •Введение
- •Анализ трендов и сезонности
- •Анализ трендов и сезонности
- •Анализ трендов и сезонности
- •Анализ трендов и сезонности
- •Анализ трендов и сезонности
- •Анализ трендов и сезонности
- •Анализ трендов и сезонности
- •Анализ трендов и сезонности
- •Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
- •Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
- •Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
- •Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
- •Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
- •Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
- •Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
- •ВОПРОСЫ ?
- •ИДЕНТИФИКАЦИЯ СТАТИЧЕСКИХ МОДЕЛЕЙ
- •Общие понятия
- •Постановка задачи подстройки параметров нелинейных моделей
- •Критерий наименьших квадратов
- •Критерий наименьших квадратов
- •Метод наименьших квадратов при линейной параметризации модели
- •Метод наименьших квадратов при линейной параметризации модели
- •Метод последовательной линеаризации при подстройке параметров на основе критерия
- •Робастные оценки параметров
- •Простейший адаптивный алгоритм подстройки параметров
- •Простейший адаптивный алгоритм подстройки параметров
- •ВОПРОСЫ ?
- •ИДЕНТИФИКАЦИЯ И АДАПТИВНОЕ УПРАВЛЕНИЕ ДИНАМИЧЕСКИМИ ОБЪЕКТАМИ
- •Дискретные динамические модели стохастических объектов
- •Дискретные динамические модели стохастических объектов
- •Дискретные динамические модели стохастических объектов
- •Подстройка параметров с использованием функций чувствительности
- •Подстройка параметров с использованием функций чувствительности
- •Применение простейшего адаптивного алгоритма
- •Применение простейшего адаптивного алгоритма
- •Применение простейшего адаптивного алгоритма
- •Адаптивные системы обработки информации
- •Постановка задачи адаптивного управления
- •Примеры синтеза устройств управления
- •Примеры синтеза устройств управления для простейших линейных систем
- •Синтез алгоритмов управления для линейных систем
- •Алгоритмы адаптивного управления для нелинейных систем
- •Управление динамическими системами с чистыми запаздываниями
- •Управление динамическими системами
- •ВОПРОСЫ ?
Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
Процесс случайного шума не обладает памятью: отправная точка
Процесс случайного |
шума состоит |
Yt t |
|
из случайной |
выборки |
(независимых |
|
наблюдений) |
из |
нормального |
|
распределения с постоянным средним и стандартным отклонением. Какие- либо тенденции (тренды) в этом случае отсутствуют, поскольку – по причине независимости - наблюдения не помнят о прошлом поведении ряда.
Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
Процесс авторегрессии (AR) обладает памятью о своем прошлом
Любое |
наблюдение |
процесса |
Yt Yt 1 t |
|||
авторегрессии (часть |
"AR" названия |
|||||
ARIMA) представляет собой линейную |
|
|||||
функцию от предыдущего наблюдения |
|
|||||
плюс случайный шум. Таким образом, |
|
|||||
процесс |
авторегрессии |
помнит |
о |
|
||
своем |
предыдущем |
состоянии |
и |
|
||
использует |
эту информацию |
для |
|
|||
определения |
своего |
|
дальнейшего |
|
||
поведения. |
|
|
|
|
|
Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
Процесс скользящего среднего (МА) имеет ограниченную память
Любое наблюдение |
процесса скользящего |
Yt |
t |
t 1 |
||
среднего |
состоит |
из константы, |
|
|||
(долгосрочное среднее значение процесса), |
|
|
|
|||
плюс независимый случайный шум минус |
|
|
|
|||
часть |
предыдущего |
случайного |
шума. |
|
|
|
Процесс скользящего среднего не помнит в точности своего прошлого, но помнит компонент случайного шума того состояния, в котором он (процесс) находился. Таким образом, его память ограничена одним шагом в будущее; за пределами этого шага для процесса все начинается заново.
Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
Процесс авторегрессии и скользящего среднего
(ARMA) сочетает в себе AR и МА
Любое наблюдение процесса авторегрессии и |
Yt Yt 1 t |
t 1 |
|||||
скользящего среднего состоит из линейной |
|||||||
функции от предыдущего наблюдения плюс |
|
|
|||||
независимый случайный шум минус некоторая |
|
|
|||||
доля предыдущего случайного шума. Процесс |
|
|
|||||
авторегрессии |
и скользящего |
среднего |
|
|
|||
запоминает как свое предыдущее состояние, |
|
|
|||||
так |
и |
компонент |
случайного |
шума |
|
|
|
предыдущего состояния. Таким образом, его |
|
|
|||||
память сочетает в себе память процесса |
|
|
|||||
авторегрессии |
с |
памятью |
процесса |
|
|
скользящего среднего.
Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
Чистый интегрированный (I) процесс помнит, где он находился, и затем движется случайно
Каждое |
наблюдение |
чистого Yt Yt 1 |
t |
интегрированного (I) процесса (pure |
|
||
integrated |
(I) process), |
называемого |
|
также |
случайным |
блужданием, |
|
заключается в случайном шаге в сторону от текущего наблюдения. Этот процесс знает, где он находится, но забыл, как он попал туда.
Моделирование циклического поведения с помощью ARIMA-процессов Бокса-Дженкинса
Процесс авторегрессионного интегрированного скользящего среднего (ARIMA) помнит свои изменения
Yt Yt 1 (Yt 1 Yt 2 ) t t 1
Процесс состоит из линейной функции предыдущего изменения плюс независимый случайный шум минус определенная доля предыдущего случайного шума. Этот процесс знает, где он находится, помнит, как он попал в это состояние, и помнит даже часть предыдущего шумового компонента.
ВОПРОСЫ ?
ИДЕНТИФИКАЦИЯ СТАТИЧЕСКИХ МОДЕЛЕЙ
ОБЪЕКТОВ
Общие понятия
Идентификация – это процесс построения моделей объектов различной природы. Теория идентификации имеет в своем арсенале достаточно эффективные методы и алгоритмы, на базе которых разработаны и широко используются программные комплексы.
Процесс идентификации складывается из двух взаимосвязанных этапов: идентификации структуры моделей и идентификации параметров в моделях выбранной структуры. При построении структуры модели (или набора конкурирующих либо взаимодополняющих структур) используется априорная информация об объекте. Для каждого класса объектов формируются банки структур с сопутствующей информацией.
Модели делятся на статические и динамические. Первые из них описывают объекты в стационарных режимах их работы. Динамические модели описывают переходные процессы в объектах, например, возникающие при переходе с одного стационарного режима работы объекта на другой.
Постановка задачи подстройки параметров нелинейных моделей
u |
|
|
|
|
* (u,a) |
||
|
Объект |
||||||
|
|
|
|
||||
|
|
|
|
|
|
(u, ) |
|
|
|
|
Модель |
|
|||
|
|
|
|
|
Считаем, что выход объекта состоит из полезного сигнала η(u, a) и центрированной помехи ξ.
Сигнальная часть выхода представляет собой известную функцию от входа с неизвестными параметрами a. В структуру функции η(u, a) . Все, что не удается описать в объекте, относят к помехе.
Модель объекта берем в виде функции η(u, α). Основная задача теперь сводится к расчету параметров α модели.
Алгоритмы расчета будем строить, используя критерий наименьших квадратов и близкие к нему критерии, например наименьших модулей невязок. В зависимости от свойств помехи критерий наименьших квадратов приобретает различные формы – от простейшей до самой общей.