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.
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.
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.
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 |