359

Проводится анализ выборки наблюдаемых данных о функционировании объекта
управления на основе использования методов нелинейной динамики. С помощью фрактального
анализа определяются основные параметры выборки – время запаздывания входных измерений и
размерность. Устанавливается степень хаотичности процесса. Предлагается модель краткосрочного прогноза качества течения процесса карбонизации на основе нейросетевого подхода.
Проводится сравнение моделей, полученных при разных способах формирования выборки.

 

  • Web Address
  • DOI
  • Date of creation in the UzSCI system 13-02-2020
  • Read count 347
  • Date of publication 11-09-2017
  • Main LanguageRus
  • Pages10-18
Ўзбек

Мақолада ночизиқ динамика усулларидан фойдаланиб бошқариш объекти фаолияти
тўғрисидаги маълумотлар намунаси таҳлили амалга оширилган. Фрактал таҳлил асосида
танланган параметлари бўлган кирувчи ўзгарувчиларнинг кечикиш вақт ва ўлчами аниқланган.
Жараёнларнинг хаостик даражаси аниқланган. Нейро тармоқ асосида карбонизация жараёни
қандай кечаётганлигини қисқа муддатда башоратловчи модель таклиф қилинган.

 

Русский

Проводится анализ выборки наблюдаемых данных о функционировании объекта
управления на основе использования методов нелинейной динамики. С помощью фрактального
анализа определяются основные параметры выборки – время запаздывания входных измерений и
размерность. Устанавливается степень хаотичности процесса. Предлагается модель краткосрочного прогноза качества течения процесса карбонизации на основе нейросетевого подхода.
Проводится сравнение моделей, полученных при разных способах формирования выборки.

 

English

On the basis of the use of methods of nonlinear dynamics analyzes the sample of observed data
on the operation of the control object. Using fractal analysis identifies the major sampling parameters -
latency input measurements and dimensions. It determines the degree of randomness of the process. The
model of short-term flow forecasting carbonization process quality based on neural network approach.
The comparison of the models obtained by different methods of sampling.
 
 

№ Name of reference
1 Кроновер Р.М. Фракталы и хаос в динамических системах. М.: Техносфера, 2006. − 488 с.
2 Rainer Hegger, Holger Kantz, Tomas Schreiber. Practical implementation of nonlinear time series methods // Chaos. Vol. 9. 1999. P. 413−435.
3 Takens F. Detecting strange attractors in turbulence// Rand D.A., Young L.-S. Dynamical Systems and Turbulence/ Lecture Notes in Mathematics. Vol. 898. Springer-Verlag. 1981. P. 366−381.
4 Elbert T., Ray W.J., Kowalik Z.J., Skinner J.E., Graf K.E., Birbaumer N. Chaos and physiology: Deterministic chaos in excitable cell assemblies // Phys. Rev. Vol.74. 1994.
5 Fraser A.M., Swinney H.L. Independent coordinates for strange attractors from mutual information// Phys. Rev. A 33. 1986. P. 1134−1140.
6 Федер Е. Фракталы. М.: Мир, 1991. – 262 с.
7 Калуш Ю.А., Логинов В.М. Показатель Хёрста и его скрытые свойства // Сиб. журн. индустр. матем. Вып. 4. 2002. Т.5. С. 29−37.
8 Афанасенко А.Г., Верёвкин А.П. Экспертная система управления процессом карбонизации аммонизированного рассола // Автоматизация и современные технологии. 2008. № 6. С. 10−14.
9 Сычев В.В. Программа «FRACTAN 3.2» [Электронный ресурс]URL: http://www.iki.rssi.ru/magbase/RESULT/APPENDIX/fractan.boom.ru/soft.htm (дата обращения 27.04.2015).
Waiting