502

Нотиниқ  тўплам,  нотиниқ  мантиқ,  тасодифий  таркибни  фильтрациялаш,  ишончсиз 
элементни  таҳрирлаш  механизмларига  асосланиб,  тасодифий  вақтли  қаторни  (ТВҚ)  нотиниқ 
гибрид  идентификациялашнинг  услубий  асослари  яратилган.  Тегишлилик  функцияси  (ТФ) 
чегараларини,  параметрларини,  нотиниқ  тўпламлар  умумий  интервалини  ҳамда  ТВҚни  нотиниқ 
идентификациялаш  модели  ўзгарувчиларини  мувофиқлаштирувчи  алгоритмлар  таклиф  этилган. 
Нотиниқ тўпламлар умумий интервалини, ТФ қуйи ва юқори чегараларини, параметрларини, ТВҚ 
элементлари  ўрта  қиймати,  дисперсияси,  тақсимот  функцияларини  созлаш  асосида  башорат 
ишончлигини оширувчи ҳисоб схемаси ишлаб чиқилган. ТВҚни нотиниқ идентификация қилувчи умумлашган  алгоритм  ТФ  нормал,  трапеция,  учбурчак  тақсимотларини,  Мамдани,  Сугэно алгоритмларини MATLAB АДП муҳитида қўллаш асосида жорийлаштирилган ва тест синовидан 
ўтказилган.

  • Internet ҳавола
  • DOI
  • UzSCI тизимида яратилган сана 13-02-2020
  • Ўқишлар сони 466
  • Нашр санаси 23-11-2018
  • Мақола тилиO'zbek
  • Саҳифалар сони47-55
Ўзбек

Нотиниқ  тўплам,  нотиниқ  мантиқ,  тасодифий  таркибни  фильтрациялаш,  ишончсиз 
элементни  таҳрирлаш  механизмларига  асосланиб,  тасодифий  вақтли  қаторни  (ТВҚ)  нотиниқ 
гибрид  идентификациялашнинг  услубий  асослари  яратилган.  Тегишлилик  функцияси  (ТФ) 
чегараларини,  параметрларини,  нотиниқ  тўпламлар  умумий  интервалини  ҳамда  ТВҚни  нотиниқ 
идентификациялаш  модели  ўзгарувчиларини  мувофиқлаштирувчи  алгоритмлар  таклиф  этилган. 
Нотиниқ тўпламлар умумий интервалини, ТФ қуйи ва юқори чегараларини, параметрларини, ТВҚ 
элементлари  ўрта  қиймати,  дисперсияси,  тақсимот  функцияларини  созлаш  асосида  башорат 
ишончлигини оширувчи ҳисоб схемаси ишлаб чиқилган. ТВҚни нотиниқ идентификация қилувчи умумлашган  алгоритм  ТФ  нормал,  трапеция,  учбурчак  тақсимотларини,  Мамдани,  Сугэно алгоритмларини MATLAB АДП муҳитида қўллаш асосида жорийлаштирилган ва тест синовидан 
ўтказилган.

Русский

Разработаны  методические  основы  нечеткой  гибридной  идентификации  случайных 
временных  рядов  (СВР)  путем  совмещения  нечетких  множеств,  нечеткой  логики,  механизмов 
фильтрации  случайных  составляющих  и  коррекции  недостоверных  элементов.  Предложены 
алгоритмы регулирования границ функции принадлежности (ФП), параметров общего интервала 
носителя  нечетких  множеств,  переменных  модели  нечеткой  идентификации  СВР.  Разработана 
вычислительная  схема  повышения  достоверности  прогноза  СВР  на  основе  настройки  общего 
интервала нечетких множеств, нижней и верхней границ, параметров ФП, среднего, дисперсии и 
функций  распределения  элементов.  Реализованы  и  протестированы  обобщенный  алгоритм 
нечеткой  идентификации  СВР  с  применением  нормального,  трапециевидного,  треугольного
распределений ФП, алгоритмов Мамдани и Сугено в среде ППП MATLAB.

English

The methodical basis are developed  for fuzzy hybrid identification of random time series (RTS) 
based  on  the  combination  of  fuzzy  sets,  fuzzy  logic,  mechanisms  of  random  components  filtering  and 
correction  of  unreliable  elements.  Algorithms  are  offered  for  adjusting  the  boundaries  of  membership 
function  (MF),  parameters,  general  interval  of   fuzzy  sets  carrier,  variables  of  of  fuzzy  model  of  RTS 
identification.  The  computational scheme is developed for increasing the reliability of  RTS  forecast on 
the  basis of tuning the general interval of fuzzy sets, the lower and upper bounds, the parameters of  MF, 
the  mean,  dispersion,  and  distribution  functions  of  elements.  The  generalized  algorithm  for  fuzzy 
identification  of  RTS  with  use  of  normal,  trapezoidal,  triangular  distributions  of  MF,  Mamdani  and 
Sugeno algorithms in the MATLAB SPP was implemented and tested.

Муаллифнинг исми Лавозими Ташкилот номи
1 Jumanov I.I. доктор технических наук, профессор кафедры информационных технологий СамГУ
Ҳавола номи
1 Фильтрация и стохастическое управление в динамических системах / Под ред. Леондеса К. Т. Пер. с англ. М.: Мир, 1980. – 407 с.
2 Mathews V.J. Polynomial signal processing / Mathews V.J. Sicuranza G.L. A. Wiley-Interscience publication, 2000. – 452 p
3 Ling W.K. Nonlinear digital filters: analysis and applications. Academic Press, 2007. – 216 p
4 Колесников А . В ., Кириков И . А . Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. М.: ИПИ РАН, 2007. –387 с
5 Усков А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / Усков А.А., Кузьмин А.В. М.: Горячая линия - Телеком, 2004. – 143 с
6 Жуманов И.И., Бекмуродов З.Т. Повышение точности обработки данных нестационарных объектов на основе оптимизации набора параметров гибридной модели идентификации, XII Международная Азиатская школа-семинар «Проблемы оптимизации сложных систем», СО РАН, 12–16 декабря 2016 г. Новосибирск, 2016. С. 192 – 201
7 Пельцвергер С.Б. Алгоритмическое обеспечение процессов оценивания в динамических системах в условиях неопределенности. М.:Наука, 2004.–116с.
8 Жуманов И.И. Оптимизация обработки данных нестационарных объектов на основе нечетких моделей идентификации с настройкой параметров// Журнал «Вестник ТУИТ». Ташкент, 2017. №1(41). С. 34–47.
9 Жуманов И.И. Оптимизация обработки изображений микрообъектов на основе рекуррентного обучения нейронной сети и импликативного отбора информативных признаков// Узбекский журнал «Проблемы информатики и энергетики». 2016. №4. С.12–20
Кутилмоқда