Preview

Известия Юго-Западного государственного университета

Расширенный поиск

К вопросу устойчивости прогнозирующей модели на основе кратномасштабного вейвлет-преобразования

https://doi.org/10.21869/2223-1560-2019-23-2-109-123

Полный текст:

Аннотация

Цель исследования. Настоящая работа посвящена проблеме создания прогнозирующих моделей производственных процессов и условиям их устойчивости.

Методы: Прогнозирующие модели активно применяются в современных системах управления, интеллектуальных системах информационной поддержки принятия решений, играют огромную роль в любой деятельности, связанной с процессами обработки сигналов, в том числе обнаружения аномалий различных технологических процессов и оценке рискового потенциала объектов критической информационной инфраструктуры, а также могут применяться в системах мониторинга угроз безопасности. Особый класс в ряду прогнозирующих моделей представляют собой модели, основанные на знаниях о протекающих процессах (например, закономерностях, извлекаемых из данных, накопленных в результате работы объекта).

Результаты. В статье рассмотрена относящаяся к этому классу виртуальная «мгновенная» модель объекта, представленная с учетом кратно-масштабного разложения векторов входных воздействий и прогноза выхода объекта. Рассматриваемая модель дает прогноз без учета возможных будущих состояний прогнозного фона. Для исследования устойчивости виртуальной «мгновенной» модели разработан подход, основанный на вейвлет-анализе, который характеризуется уникальной возможностью детального частотного анализа во времени. На основе этого подхода получены условия устойчивости прогнозирующей модели с выделением условий для аппроксимирующей и детализирующей составляющих для четырех типов соотношений между глубиной памяти по входу и выходу.

Заключение: В статье приведена прогнозирующая модель процесса нефтепереработки, в которой глубина памяти по входу больше глубины памяти по выходу. Показано, что точность прогноза виртуальной «мгновенной» модели выше, чем у линейной прогнозирующей модели при редких данных лабораторного анализа. Для построенной модели проиллюстрировано одно из условий устойчивости в зависимости от глубины разложения. На основе анализа полученных результатов можно сделать вывод о применимости полученных условий устойчивости для оценки рискового потенциала реализации прогноза развития процесса в системах мониторинга угроз безопасности.

Об авторе

Е. А. Сакрутина
Федеральное государственное бюджетное учреждение науки Институт проблем управления им. В. А. Трапезникова Российской академии наук
Россия
Екатерина Алексеевна Сакрутина, научный сотрудник


Список литературы

1. Sakrutina E., Bakhtadze N. Towards the Possibility of Applying the Wavelet Analysis to Derive Predicting Models // IFAC-PapersOnLine. 2015. Vol. 48. Is. 1. P. 409-414.

2. Бобырь М.В., Емельянов С.Г., Титов В. С. Автоматизированные нечеткологические системы управления. М.: ИНФРА-М, 2016. С. 176.

3. Бобырь М.В., Архипов А.Е., Милостная Н.А., Абдулджаббар М.А.А. Устройство преобразования напряжения для нечеткой системы управления охлаждением изделий // Известия Юго-Западного государственного университета. 2018. Т. 22. № 4(79). С. 135-147. DOI: 10/21869/2223-1560-2018-22-4-135-147.

4. Toledo E., Gurevitz O., Hod H., Eldar M., Akselrod S. The use of a wavelet transform for the analysis of nonstationary heart rate variability signal during thrombolytic therapy as a marker of reperfusion // Computers in Cardiology. 1998. Vol. 25. P. 609-612.

5. Yuan X.-q., Shi Y.-k. Characteristic spectrum research in ae signals based on wavelet analysis // Proceedings of 2008 Symposium on Piezoelectricity, Acoustic Waves, and Device Applications. 2008. P. 439- 442.

6. Wen F., Zhou Z., Qiao J. Notice of Retraction Use Matlab to Realize Acceleration Signal Processing of Armor-Piercing Bullet Penetrating Steel Target // Proceedings of 2010 2nd International Conference on Information Engineering and Computer Science. 2010. P. 1-4.

7. Castello G., Moretti P., Vezzani S. Retention models for programmed gas chromatography // Journal of Chromatography A. 2015. Vol. 1216. Is. 10. P. 1607-1623.

8. Breidenstein B., Mörke T., Hockauf R., Jörn Ostermann J., Spitschan B. 2017. 2. Sensors, data storage and communication technologies. In book “Cyber-Physical and Gentelligent Systems in Manufacturing and Life Cycle. Genetics and Intelligence - Keys to Industry 4.0”. Academic Press. P. 7-278.

9. Muto A., Anandakrishnan S., Alley R.B., Horgan H.J., Parizek B.R., Koellner S., Christianson K., Holschuh N. Relating bed character and subglacial morphology using seismic data from Thwaites Glacier, West Antarctica // Earth and Planetary Science Letters. 2019. Vol. 507. P. 199-206.

10. Grossman A., Morlet J. Decomposition of Hardy functions into square integrable wavelets of constant shape // SIAM Journal on Mathematical Analysis. 1984. Vol. 14. No. 4. P. 723-736.

11. Ghanem R., Romeo F. A wavelet-based approach for the identification of linear time-varying dynamical systems // Journal of Sound and Vibration. 2000. Vol. 234. No. 4. P. 555-576.

12. Ghanem R., Romeo F. A wavelet-based approach for model and parameter identification of non-linear systems // International Journal of Non-Linear Mechanics. 2001. Vol. 36. No. 5. P. 835-859.

13. Tsatsanis M., Giannakis G. Time-varying system identification and model validation using wavelets // IEEE Transactions on Signal Processing. 2002. Vol. 41. No. 12. P. 3512-3523.

14. Wei H.L., Billings S.A. Identification of time-varying systems using multiresolution wavelet models // International Journal of Systems Science. 2002. Vol. 33. No. 15. P. 1217-1228.

15. Бахтадзе Н.Н., Лотоцкий В.А. Современные методы управления производственными процессами // Проблемы управления. 2009. Спец. выпуск 3.1. С. 56-64.

16. Kassam S. The mean-absolute-error criterion for quantization // Acoustics, Speech, and Signal Processing, 1977 IEEE International Conference on Acoustics (ICASSP '77). 1977. Vol. 2. P. 632-635.

17. Kim K.-Y., Park J., Sohmshetty R. Prediction measurement with mean acceptable error for proper inconsistency in noisy weldability prediction data // Robotics and ComputerIntegrated Manufacturing. 2017. Vol. 43. P. 18-29.

18. Mallat S. A wavelet tour of signal processing, Academic press. Amsterdam. 1999.

19. Сакрутина Е.А., Бахтадзе Н.Н. Идентификация систем на основе вейвлетанализа // Труды XII Всероссийского совещания по проблемам управления (ВСПУ2014, Москва). М.: ИПУ РАН, 2014. С. 2868-2889.

20. Kwkernakk H., Sivan R. Linear optimal control systems. Wiley-interscience. NewYork. 1972.

21. Калашников А.О., Сакрутина Е.А. Модель прогнозирования рискового потенциала значимых объектов критической информационной инфраструктуры // Информация и безопасность. 2018. Т. 21, вып. 4. С. 465-470.

22. Калашников А.О., Сакрутина Е.А. Модель оценки рискового потенциала объектов критической инфраструктуры атомных электростанций // Труды 11-й Международной конференции «Управление развитием крупномасштабных систем» (MLSD'2018, Москва). М.: ИПУ РАН, 2018. Т. 2. С. 457-461.

23. Harrington E.C. The desirable function // Industrial Quality Control. 1965. Vol. 21. No. 10. P. 494-498.


Для цитирования:


Сакрутина Е.А. К вопросу устойчивости прогнозирующей модели на основе кратномасштабного вейвлет-преобразования. Известия Юго-Западного государственного университета. 2019;23(2):109-123. https://doi.org/10.21869/2223-1560-2019-23-2-109-123

For citation:


Sakrutina E.A. To a Question of Predicting Model Stability on the Basis of Multiple Scale Wavelet Transformation. Proceedings of the Southwest State University. 2019;23(2):109-123. (In Russ.) https://doi.org/10.21869/2223-1560-2019-23-2-109-123

Просмотров: 38


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2223-1560 (Print)
ISSN 2686-6757 (Online)