CC BY
297
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Шеетова Е.А. Анализ количественных и качественных критериев тестовых заданий // Труды Международной научной конференции «Современные исследовательские и образовательные технологии». Ч. 1. - Таганрог: Изд-во ТТИ ЮФУ, 2010. - С. 55-54.
2. Звонников В.К, Челышкова М.Б. Современные средства оценивания результатов обучения: Учеб. пособие для студ. высш. учеб. заведений. - 2-е изд., стер. - М.: Изд. центр “Академия”, 2008. - 224 с.
3. Смирнов Б.Я., Дутш-Барковский И.В. Краткий курс математической статистики для технических приложений. - М: Физматгиз, 1959.
4. . . : . - : -
ТРТУ, 2005. - 118 с.
5. . ., . .
// Наука и образование на рубеже тысячелетий: Сб. научно-исследовательских работ. 4.1. - М.: Учлитвуз, 2009. Вып.2. - С. 126-134.
Статью рекомендовал к опубликованию д.т.н., профессор В.П. Карелин.
Шестова Елена Александровна
Технологический институт федерального государственного автономного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail: [email protected].
347928, г. Таганрог, Некрасовский, 44.
Тел.: 8863437689.
Кафедра систем автоматического управления; ассистент.
Shestova Elena Alexandrovna
Taganrog Institute of Technology - Federal State-Owned Autonomy Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: [email protected].
44, Nekrasovsky, Taganrog, 347928, Russia.
Phone: +78634371689.
The Department of Automatic Control Systems; Assistant.
УДК 681.5: 681.3(075.8)
В.В. Шадрина, Е.Ю. Косенко
ПРИМЕНЕНИЕ МЕТОДОВ ПРОГНОЗИРОВАНИЯ В ТЕХНИЧЕСКИХ
СИСТЕМАХ
Рассматриваются вопросы применения методов прогнозирования в технических системах. Уделено внимание применению нечеткой логики, нейронных сетей и генетических алгоритмов для повышения эффективности и достоверности краткосрочного прогноза для систем, в которых четкий прогноз затруднен по причинам, связанным с отсутствием статистической устойчивости входных параметров.
Прогнозирование; нечеткая логика; нейронные сети.
V.V. Shadrina, E.J. Kosenko APPLICATION OF PREDICTION IN TECHNICAL SYSTEMS
The application of forecasting techniques in technical systems. Paying attention to the use of fuzzy logic, neural networks and genetic algorithms to improve efficiency and reliability of shortterm forecast for the systems in which a clear prediction is difficult for reasons related to the lack of statistical stability of the input parameters.
Forecasting; fuzzy logic; neural networks.
Процесс прогнозирования достаточно актуален в настоящее время. Сфера применения методов прогнозирования охватывает области экономики и менеджмента, военных дисциплин и промышленности.
, -щем состоянии некоторого объекта на основе анализа тенденции его развития, позволяет избежать ошибочных, преждевременных или запоздалых решений. Как , .
В промышленности методы прогнозирования играют первостепенную роль.
Все известные методы прогнозирования можно разбить на четыре группы:
1. Методы, которые базируются на фактографической информации, представленной обычно в виде временных рядов.
2. Методы, которые базируются на эвристической информации, полученной от высококвалифицированных специалистов.
3. Методы, которые основаны на принципе аналогии биологической, исторической или математической.
4. Комплексные методы, которые основаны на сочетании различных методов прогнозирования и средств реализации.
В настоящее время в технических системах используют преимущественно экстраполяционные методы прогнозирования, позволяющие делать предварительные выводы относительно разных процессов, явлений, реакций, операций. Однако применение комбинированных методов, позволяющих оперировать смешанной информационной основой и использовать в качестве первичной фактографическую и экспертную информацию, позволяет повысить достоверность краткосрочных и долгосрочных прогнозов.
Установление целей является одной из основных задач прогнозирования. Выбор целей является результатом анализа задач, для решения которых будут использоваться результаты прогнозирования. Выбору целей предшествует разработка альтернатив целей, построение дерева целей, ранжирование целей с помощью коэффициентов важности (рис. 1) . Также в задаче прогнозирования можно выде-,
и определением ресурсов, необходимых для достижения поставленных целей. Использование данного подхода позволяет определять прогнозные оценки на заданный момент времени с учетом всех коэффициентов.
Сценарий
развития
Прогнозные
оценки
Рис. 1. Порядок получения прогнозных оценок
Рассмотрим подход к построению моделей прогнозирования в технических системах на основе современных интеллектуальных технологий: теории нечетких , , . Сложность построения моделей прогнозирования в технических системах заключается в следующем:
♦ между факторам и как внешними, так и внутренними, существуют трудно выявляемые связи;
♦ отсутствие статистической устой чивости входных и выходных параметров.
Таким образом, использование традиционных методов таких, как экстраполяция и регрессионный анализ является затруднительным, поскольку недостатком рассматриваемых моделей является необходимость большого количества статистической информации по большому числу параметров и временных периодов.
Нечеткие множества дают возможность формализовать величины, имеющие , - -мыми параметрами и влияющими на них величинами и сформулировать прогноз в условиях неопределенности параметров прогнозирования.
На рис. 2 представлена блок-схема прогнозирования, основанная на использовании методов нечеткой логики.
Начальные факторы влияния
Рис. 2. Блок-схема процесса прогнозирования
Алгоритм построения математической модели системы прогнозирования состоит в следующем:
♦ определяются входные и выходные переменные процесса;
♦ на основании экспертной оценки формируются терм-множества и осуществляется выбор шкалы;
♦ формируются функции пр инадлежности переменных;
♦ на основании экспертных зн аний формируется база знаний;
♦ осуществляется выбор алгор итма для получения решения.
При построении математической модели объект рассматривается в виде :
У=ЯХ1,Х2,...,Хп),
где п - число входов с показателями х, 1=1...п, у - формируемое прогнозное ре.
На первоначальном этапе происходит формирование совокупности параметров, оказывающих влияние на прогнозируемую величину, и определение для каждого из параметров лингвистических переменных на основании экспертных оценок.
На следующем этапе строится граф, отображающий классификацию факторов Х^.-Хц, которые оказывают влияние на прогнозируемую величину. Прогнозный граф отражает суждение экспертов в отношении конечной цели, путей ее достижения и . -жит множество путей достижения конечной цели. Данный метод позволяет оценить различные пути на графе и выбрать оптимальное решение. На этом же этапе осуществляется фаззификация параметров, т.е. представление четких входных параметров в виде нечетких термов лингвистических переменных.
Функции принадлежности лингвистических переменных задаются в парамет-:
МТ(х) =------
1 + [^]2
где Ь и с - параметры настройки.
Получение результатов моделирования заключается в преобразовании нечеткого множества в четкое число на этапе выполнения дефазификации. При этом прогнозируемая величина V рассчитывается по формуле
ХГ=1 (Утт + 0 - 1
У £Г=1м,' *
где п - число термов переменной у; утп, утах - область определения лингвистической переменной; ^ I - значение функции принадлежности.
Настройка нечеткой модели осуществляется путем расширения объема базы знаний и настройки функций принадлежности.
Структура модели логического вывода представлена на рис. 3.
База знаний
Механизм
вывода
решений
Рис. 3. Структура модели логического вывода
База нечетких знаний является носителем экспертной информации о причинно-следственной связи между входными и выходными данными. Экспертная информация представляется в виде системы условных нечетких высказываний
{¿г; < если Аг, то Вг >,
¿2; < если А2,то В2 >,
¿п; < если Ап, то Вп >.
Получение матрицы знаний на базе статистических данных базируется на использовании методики генетических алгоритмов. В результате выполнения некоторого числа итераций генетического алгоритма выбирается хромосома с наибольшим показателем качества в соответствии с одним из заранее выбранных критериев. Для упрощения разработки модели прогнозирования и управления исходную информацию необходимо рассматривать как статистическую величину.
Каждая итерация генетического алгоритма включает ряд последовательных операций:
♦ формирование вероятн остного набора хромосом-носителей;
♦ создание новых хромосом-наследников путем скрещивания хромосом-носителей и мутации генов вновь образованных хромосом;
♦ расчет показателей качества в новь сформированных хромосом.
.
причинам сложности выявления связей между внешними и внутренними параметрами, а также ввиду отсутствия статистической устойчивости входных и выход. ,
, -
.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Коберси КС, Шадрина В.В. Применение нейронных сетей для управления энергопотреблением // Известия ЮФУ. Технические науки. - 2008. - № 7 (84). - С. 190-195.
2. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. - М.: Финансы и статистика, 2004. - 320 с.
3. Ивахненко АТ. Долгосрочное прогнозирование и управление сложными системами. - Киев: Технша, 1975. - 312 с.
Статью рекомендовал к опубликованию д.т.н., профессор Я.Е. Ромм.
Шадрина Валентина Вячеславовна
Технологический институт федерального государственного автономного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail: [email protected].
347928, г. Таганрог, Некрасовский, 44.
Тел.: 88634371689.
Кафедра систем автоматического управления; доцент.
Косенко Евгений Юрьевич
E-mail: [email protected]
Кафедра систем автоматического управления; доцент.
Shadrina Valentina Viacheslavovna
Taganrog Institute of Technology - Federal State-Owned Autonomy Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: [email protected]
44, Nekrasovsky, Taganrog, 347928, Russia.
Phone: +78634371689.
Department of Automatic Control Systems; Associate Professor.
Kosenko Evgenie Jurevich
E-mail: [email protected]
Department of Automatic Control Systems; Associate Professor.
