- •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 ?
Дискретные динамические модели стохастических объектов
В динамическом режиме поведение объектов описывается различными динамическими уравнениями: обыкновенными дифференциальными, интегральными, интегродифференциальными уравнениями; уравнениями с запаздываниями; уравнениями в частных производных и их дискретными аналогами. С целью упрощения будем рассматривать наиболее простые дискретные модели. Последние выбраны именно потому, что получаемые алгоритмы идентификации и управления напрямую реализуемы на цифровой вычислительной технике (мини-,микро-ЭВМ, микропроцессоры).
Дискретные модели привязаны к номерам дискретных моментов времени и поэтому основным аргументом для входных u(t) и выходных x(t), y(t) переменных является номер дискреты t = 0, 1, 2,…
Например:
x(t) Ax(t 1) Bu(t 1), t 1, 2,..., x(0) x0
x(t) f (x(t 1), u(t 1),(t 1), ), t 1, 2,..., x(0) x0
Дискретные динамические модели стохастических объектов
Считаем, что объект описывается дискретным уравнением:
x(t) ax(t 1) bu(t 1) e(t) ce(t 1), t 1, 2,... .
Модель имеет вид:
y(t) ax(t 1) bu(t 1) с(x(t 1) y(t 1))
e(t) |
q |
c |
(t) |
u(t) q b x(t) a q
Дискретные динамические модели стохастических объектов
Если объект имеет вид:
x(t) ax(t 1) b(u(t 1) e(t 1))
То оптимальная модель имеет вид:
y(t) ay(t 1) bu(t 1), t 1, 2,... .
e(t)
u(t) q b x(t) a q
Подстройка параметров с использованием функций чувствительности
Для примера рассмотрим модель:
|
b(t)u(t 1) |
|
y(t 1| (t))] |
y(t | (t)) a(t)x(t 1) |
c(t)[x(t 1) |
Построим алгоритм расчета параметров: (t) (a(t), b(t), c(t))T
Линеаризуем модель относительно параметров α(t-1) , вычисленных в предыдущий момент времени:
y(t | (t)) y(t | (t 1)) a (t) a(t) b (t) b(t) c (t) c(t) y(t | (t 1)) T (t) (t)
Здесь y(t|α(t-1)) – выход модели в момент времени t при значениях параметров, полученных в предыдущий момент времени t-1
y(t | (t 1)) |
|
b(t 1)u(t 1) |
|
y(t 1| (t 1))] |
a(t 1)x(t 1) |
c(t 1)[x(t 1) |
ω(t) – вектор-столбец функций чувствительности выхода модели к параметрам модели.
Подстройка параметров с использованием функций чувствительности
Функции чувствительности удовлетворяют уравнениям чувствительности:
a (t) c(t 1) a (t 1) x(t 1), |
a (0) 0 |
|
|
|
|
|
(t) c(t 1) (t 1) u(t 1), |
|
(0) 0 |
|
|
||
b |
b |
b |
|
|
|
|
|
|
(t) c(t 1) (t 1) (x(t 1) |
y(t 1 |
|
(t 1))), |
|
(0) 0 |
|
|
|||||||
c |
c |
|
|
|
|
c |
|
Каждое уравнение чувствительности получается дифференцированием уравнения модели по соответствующему параметру.
Для расчета параметров α(t) можно использовать, например, простейший адаптивный алгоритм:
(t) (t 1) (t)(x(t)T y(t( (t 1))(t) (t)
Применение простейшего адаптивного алгоритма
Рассчитаем параметры линейных и нелинейных динамических моделей на основе простейшего адаптивного алгоритма.
(t) (t 1) |
(t)(x(t) y(t( (t 1)) |
|
T (t) (t) |
||
|
||
Пример: Рассмотрим модель без обратной связи: |
||
n |
m |
|
y(t) ai x(t i) bj u(t j) |
||
i 1 |
j 1 |
Функциями чувствительности выхода модели к ее параметрам являются измеренные значения выхода и входа объекта:
ai (t) x(t i), |
i |
|
, |
b j (t) u(t j), |
j |
|
|
1,n |
1,m |
||||||
|
|
|
|
|
|
|
|
Применение простейшего адаптивного алгоритма
В каждый текущий момент времени t на основе измерений x(t); x(t-1), u(t-1); x(t-2), u(t-2) параметры корректируем по простейшему адаптивному алгоритму:
|
|
|
|
x(t) |
|
y(t | (t 1)) |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|||||||||
ai (t) ai (t 1) |
|
|
|
|
|
|
|
|
x(t i); |
i 1, n |
|||||
|
n |
2 |
|
m |
2 |
|
|
||||||||
|
|
|
ai |
(t) b j |
(t) |
|
|
|
|
|
|||||
|
|
|
i 1 |
|
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
x(t) |
y(t | (t 1)) |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|||||||||
bj (t) bj (t 1) |
|
|
|
|
|
|
|
|
u(t j); |
j 1, m |
|||||
|
n |
2 |
|
m |
2 |
(t) |
|||||||||
|
|
|
|
|
a |
|
(t) |
|
|
|
|
|
|
||
|
|
|
|
i 1 |
i |
|
j 1 |
b j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
n |
|
|
|
|
|
m |
|
|
|
|
|
||
y(t | (t 1) |
ai (t |
1)x(t i) bj (t 1)u(t j) |
|||||||||||||
|
|
i 1 |
|
|
|
|
|
|
j 1 |
|
|
|
|
|
Применение простейшего адаптивного алгоритма
Рассмотрим нелинейную модель без обратной связи: y(t) f (x(t 1), u(t 1), 1 , 2 )
Получаем следующие выход модели и функции чувствительности: y(t | (t 1) f (x(t 1), u(t 1), 1 (t 1), 2 (t 1))
(t) |
f (x(t 1), u(t 1), 1 (t 1), 2 (t 1)) |
|||||||||||||||
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 (t) |
f (x(t 1), u(t 1), 1 (t 1), 2 (t 1)) |
|||||||||||||||
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Алгоритм перестройки параметров: |
|
|
|
|
|
|||||||||||
(t) (t 1) |
x(t) y(t | (t 1)) |
|
|
|
(t) |
|||||||||||
|
|
1 |
||||||||||||||
1 |
|
|
1 |
2 |
2 |
|
(t) |
|
|
|
||||||
|
|
|
|
|
|
(t) |
2 |
|
|
|
|
|
||||
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|||
|
(t) |
(t 1) |
x(t) |
y(t | (t 1)) |
|
|
|
(t) |
||||||||
2 |
(t) 2 |
|
(t) |
|
|
|||||||||||
2 |
|
|
2 |
|
|
|
|
|
2 |
|
||||||
|
|
|
|
1 |
|
2 |
|
|
|
|
|
|
|
Адаптивные системы обработки информации
В адаптивных системах обработки информации и управления происходит приспособление к изменяющимся условиям и неизвестным характеристикам объекта.
|
z |
|
|
|
z |
|
u |
Объект |
x |
u |
Объект |
|
x |
|
управления |
|
|
управления |
|
|
|
Регулятор |
|
|
Синтезируемый |
|
|
|
фиксированной |
|
|
|
|
|
|
|
|
регулятор |
|
|
|
|
структуры |
|
|
|
|
|
|
|
x* |
|
|
x* |
|
|
|
|
|
|||
Блокперестройки |
|
|
Блокперестройки |
|
|
|
|
параметров |
|
|
|
|
|
|
|
|
параметровмодели |
|
|
|
|
регулятора |
|
|
|
|
|
|
|
|
|
|
|
|
Устройствоуправления |
|
|
Устройствоуправления |
|
|
Постановка задачи адаптивного управления
Рассматриваем адаптивную систему с идентификацией (АСИ). Синтезируем алгоритм расчета управления (алгоритм работы устройства управления) u(t) в каждый текущий момент времени t. Исходными экспериментальными данными о входе и выходе объекта. Необходимо рассчитать управляющее воздействие u(t) , обеспечивающее достижение следующей цели: наименьшего уклонения выхода системы x от заданной траектории x* в каждый текущий момент времени.
Считаем, что поведение объекта в динамическом режиме описывается разностным уравнением:
x(t) f (x(t 1), u(t 1), a) (t), |
t 1, 2, |
Обозначим через y(k|α(t)) выход модели в момент времени k при значении вектора параметров α(t), вычисленных в момент времени. Если шум – белый, то
y(k | (t)) f (x(k 1),u(k 1), (t))