В статье предложена методика вычисления оценок процессов, протекающих на сложных технологических объек-тах, основанная на применении интервальных методов к дифференциальному векторно-матричному уравнению, опи-сывающему фильтр Калмана.В отличие от методов решения дифференциального уравнения, описывающего фильтр Калмана, в классе веще-ственных чисел применение интервального счисления позволяет учесть неопределенность и неточность исходных данных, обусловленные различными факторами. К числу таких факторов относятся ошибки измерительной аппара-туры, зависящие от класса точности прибора, ошибки округления при проведении численных расчетов, погрешности дискретизации как по времени, так и по уровню. Свой вклад в неточность могут вносить и применяемые математиче-ские методы, в частности, использование нечетко-логического подхода к нахождению матрицы формирующего филь-тра при описании процессов, протекающих на сложных технологических объектах, что обусловлено субъективизмом при формировании параметров нечетких моделей: видов функций принадлежности, количества термов переменных, правил, заполняющих базу знаний.Новизна предложенного подхода заключается в разработанной методике получения интервальных оценок состоя-ния процесса в условиях неточности исходной информации на основе применения методов решения интервально-дифференциальных уравнений, позволяющих свести решение дифференциальных уравнений к более простому реше-нию систем алгебраических уравнений.Представлены этапы решения уравнения, описывающего фильтр Калмана, которые состоят в переходе от диффе-ренциального векторно-матричного уравнения фильтра к скалярной форме, а затем от него к интервально-дифферен-циальной форме и системе алгебраических уравнений. Решение этой системы дает искомый диапазон, внутри кото-рого находятся оценки состояния процесса.Приведены иллюстративный пример и результаты работы реализующей предложенную методику программы, написанной на языке MATLAB.Ключевые слова: неточность исходных данных, интервально-дифференциальные уравнения, фильтр Калмана, нечеткая логика.Обеспечение устойчивого функционирования сложных технологических объектов требует при-менения иерархических схем построения управля-ющих алгоритмов, базирующихся на развитом ма-тематическом аппарате. Иерархическая структура подразумевает применение целого спектра методов и подходов: если на нижних уровнях управления информация с датчиков отслеживается и обрабаты-вается в реальном времени и применяется в отно-сительно простых, «стандартных» законах регули-рования (пропорциональных, пропорционально-интегральных и т.д.), то с возрастанием уровня иерархии алгоритмы усложняются, приобретают актуальность интеллектуальные методы анализа данных. Это обусловливают прежде всего следую-щие факторы: большой объем обрабатываемой информации; ухудшение ее структурированности; акцентированное проявление таких свойств исход-ных данных, как неточность, «размытость», иска-женность; желание использовать дополнительную информацию об исследуемом процессе, выражен-ную в лингвистической форме. Помимо этого, во...
The paper presents an algorithm for predicting an object state based on data from different sources (for example, video cameras) coming in the form of images aimed at critical technological zones. The proposed algorithm is based on the consistent use of a deep artificial neural network and the Kalman filter. A neural network is designed to reduce the input data dimension (images) performing the function of an encoder, which gives of an observation vector of the object state on the output. Based on these observations, the object state is evaluated by a recurrent filter. Using the filter directly for images would lead to a large dimension of the problem; it would be impossible to perform it practically due to computational difficulties. The program that implements the proposed algorithm was developed in Python 3.6 using the Spyder integrated environment from the Anaconda assembly for the Linux operating environment. The choice of a programming language is due to the availability of powerful libraries for machine learning TensorFlow from Google, as well as the convenient Keras framework for creating and working with deep neural networks. The paper describes the results of a model experiment on using the proposed algorithm for predicting an object state, which consisted in attributing the obtained observations to a particular class. The experiment also involved generating sets of images belonging to different classes, differing in their texture. A line-by-line horizontal pixel shift simulated the noise in the images. The comparative analysis of the predicted results with and without using the Kalman filter has shown that filtering reduces the number of false classifications. The developed algorithm might be used in decision support systems and automated process control systems.
The paper proposes an algorithm for automated selection of a stack of artificial intelligence methods for data processing based on taking into account their characteristics, such as volume, presentation format, as well as the specifics of the problem solved based on these data.The purpose of the study is to develop a system of assessments and criteria to select a stack (a list of methods reflecting different levels of their suitability for solving an applied problem) of artificial intelligence methods,
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.