Диссертация (1025659), страница 12

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 12)

Системадолжна быть построена по принципу персептрона, то есть с нарастанием сложности генерируемых комбинаций переменных. В соответствии с гипотезой селекции, принимается, что малоэффективные комбинации, отброшенные на пер-77вых рядах самоотбора, не приводят к эффективным комбинациям последующихрядов.Метод группового учета аргументов предназначен для решения самыхразнообразных интерполяционных задач технической кибернетики: задач идентификации статической и динамической характеристик многоэкстремальныхобъектов, задачи распознавания образов, задачи предсказания случайных процессов и событий, задачи оптимального управления и т.д.В этом методе все вопросы оптимизации решаются при помощи переборавариантов, только на материале заданной обучающей и проверочной последовательности.

Никакой информации о распределении вероятностей не используются. Для пороговых самоотборов лучших вариантов последовательно используются различные эвристические критерии: по коэффициенту корреляции,по критерию разнообразия аргументов, по критерию обусловленности матриц,и, в основном, по критерию минимума среднеквадратичной ошибки.Основные принципы конструирования алгоритмов МГУА.Полное описание объекта [91]  f ( x1, x2 , x3 ,..., xn ),(3.6)следует заменить несколькими частными описаниями:y1  f1 ( x1, x2 ), y2  f 2 ( x1, x3 ) ,..., y p  f p ( xn1, xn ), где p  Cn2 ,z1  f1 ( y1, y2 ), z2  f 2 ( y1, y3 ) ,..., zq  f q ( y p1, y p ), где q  C p2 ,и т.д.

аналогичным образом.Ниже приведены алгоритмы МГУА, удовлетворяющие двум следующимусловиям:а) функцияf i – одна и та же во всех уравнениях. Исключаяпромежуточные переменные, можно получить «аналог» полного описания;б) аналог должен соответствовать по виду полному описанию. Сравниваяаналог и действительное полное описание в его общем виде, можно найтиуравнения для конструирования коэффициентов полного описания.78При удовлетворении этих условий МГУА позволяет найти оценки коэффициентов полного уравнения даже в том случае, когда число их велико. Длятого, чтобы можно было многократно использовать одни и те же данные, необходимо, чтобы на каждом уровне многорядной системы задача интерполяциирешалась до конца.

Таким свойством обладают все алгоритмы МГУА.В алгоритмах МГУА используют такие опорные функции, как степенныеполиномы, тригонометрические функции, экспоненциальные функции. Если всистему опорных функций одновременно включается несколько типов, то получаются смешанные функции, содержащие сумму или произведение степенных полиномов и экспоненциальных функций.В ансамбль критериев селекции включены следующие критерии [21,80]:а) Критерий минимума смещения – непротиворечивостиСогласно этому критерию, модель, оценка которой получена по даннымопределенного интервала наблюдения или в определенной точке наблюдения,должна как можно ближе совпадать с моделью, полученной по данным другогоинтервала наблюдения или в другой точке наблюдения.Один из применяемых критериев имеет вид  xˆN 2M i 1Pi xˆiQ Nz2 min,(3.7)2ii 1где zi – измерение; xˆi – значение, прогнозируемое по модели; P и Q обозначают две части данных.б) Критерий регулярностиОпределяет среднеквадратичное отклонение модели на проверочной выборке, т.е.N 2R  zˆi  xi i 1Nzi 12 min,2iгде zi – измерение; xˆi – значение, прогнозируемое по модели.(3.8)79Если исходить из того, что при постоянном комплексе условий хорошаяаппроксимация в прошлом гарантирует хорошую аппроксимацию в ближайшембудущем, то критерий регулярности можно особенно рекомендовать для краткосрочного прогноза, так как решение, полученное на новых реализациях, даетлишь малое отклонение, а найденная таким образом модель будет регулярной, т.е.

мало чувствительной к небольшим изменениям исходных данных. При этомв процессе селекции могут быть потеряны важные переменные, влияние которых косвенно будет учтено через другие переменные.с) Критерий балансаПри постоянном комплексе условий и при отсутствии нарушений структуры объекта действующие на наблюдаемом интервале времени закономерности (связи характеристических переменных) сохраняются и в будущем. Согласно этому критерию из всех полученных моделей выбирается та, которая в определенном интервале времени лучше всего соответствует заданной закономерности. Критерий баланса позволяет выбрать лучший прогноз из веера возможных трендов [80] для каждого прогнозируемого процесса.г) Критерий простотыВ качестве модели оптимальной сложности выбирается модель сменьшим числом аргументов при более простой опорной функции.Генетический алгоритм.Генетический алгоритм – универсальный и многоцелевой метод прогнозирования, основанный на биологических принципах размножения, селекции иестественного отбора [19].Обобщенная схема генетического алгоритма [51]:а) отбор особей и создание первоначальной популяции;б) образование пар из отобранных особей;в) скрещивание ‒ создание новых особей из родительских пар;г) мутация получившихся особей;80д) позиционирование новых особей в популяции.ГА состоит из следующих компонент:а) хромосома - решение рассматриваемой проблемы;б) начальная популяция хромосом;в) набор операторов для генерации новых решений из предыдущей популяции;г) целевая функция для оценки приспособленности решений.Структурная схема классического генетического алгоритма представленана Рис.

3.3.НачалоИнициализация-выборисходной популяцииОцениваниеприспособленностихромосом в популяцииНЕТСелекцияхромосомПрименениегенетическихоператоровУсловие завершениявыполнено?ДАВыборнаилучшейхромосомыКонецСоздание новойпопуляцииРис. 3.3. Структурная схема классического генетического алгоритма81После завершения каждого цикла проводят сортировку популяции поприспособленности особей, что облегчает выполнение многих операций. Также,до старта самого алгоритма генерируется начальная популяция ‒ она обычнозаполняется случайными функциями, которые, возможно, приближены к искомому результату.

Биологический эквивалент функции в ГА – особь. Кроме расположения особи в популяции выполняется оператор, определяющий приемлемость новой особи, а также оператор оценивания новой особи.Функция приспособленности подсчитывается с опорой на среднее квадратичное отклонение определенного значения от усредненной модели. Она используется для оценки особи и ее отсеивания, если отклонение превышает заданный максимум или если оно меньше заданного минимума.

Примечание: каки количество особей, скрещиваний и циклов, данный критерий задается программистом и зависит от конкретной задачи. После этого происходит скрещивание особей. Самый популярный способ скрещивания – кроссовер. При немхромосомы обмениваются частями по заданному принципу.Цикл воспроизводится до тех пор, пока не истекло заданное время иликоличество повторений. Итерационный процесс не ограничен. В результате получим максимально приближенное к оптимальному решение.ГА оперируют с популяцией оценок потенциальных решений (индивидуумов), используя принцип «выживает наиболее приспособленный».

На каждомшаге алгоритма образуется новое множество приближений, создаваемое посредством процесса отбора индивидуумов согласно их уровню пригодности.Такимобразом,предложеныалгоритмыпостроениямоделейипрогнозирования, являющиеся алгоритмами МГУА и ГА. В качествеизмерительной и проверочной выборок, используются оценки исследуемогопараметра, полученные на интервале интерполяции, либо сглаженныеизмерительные сигналы. Использование разработанных алгоритмов построенияпрогнозирующей модели для коррекции ИНС в автономном режиме позволяетповысить точность системы управления ЛА и обеспечить выполнениепоставленных задач.823.3. МГУА с комплексным критерием селекцииДля повышения точности функционирования ИНС в автономном режименеобходимо построить математическую модель ошибок ИНС в предшествующем корректируемом режиме, осуществить прогноз ошибок и использовать егов выходной информации для компенсации этих ошибок.Для прогнозирования погрешностей ИНС необходимо иметь математическую модель, в качестве которой может быть использована априорная модельпогрешностей ИНС.

Если априорная модель погрешностей достаточно точноотражает процесс изменения погрешностей, то можно использовать ее для краткосрочного прогноза и для коррекции навигационных систем при краткосрочном исчезновении сигналов от внешних измерителей.При изменениях режима работы измерительной системы или интенсивном маневрировании ЛА существенно меняется характер погрешностей [6,9]. Вэтом случае необходимо идентифицировать отдельные коэффициенты модели, ачасто и всю ее структуру. Известные методы идентификации [24,77], позволяющие идентифицировать структуру и параметры модели, достаточно сложны вреализации на борту ЛА и требуют значительных временных интервалов дляполучения прогнозирующей модели.При функционировании ИНС в стохастических условиях объем априорной информации, как правило, минимален.

Поэтому для построения моделейпогрешностей ИНС целесообразно использовать подход самоорганизации, вчастности алгоритм МГУА с резервированием трендов [80], позволяющийбыстрее построить более простые и эффективные прогнозирующие модели иосуществлять непрерывную коррекцию ИНС в выходном сигнале.На Рис. 3.4 представлена функциональная схема алгоритма самоорганизации с резервированием трендов.83fАКССАКССАКССАКСМодельоптимальнойсложностиТрендыРис. 3.4.

Характеристики

Список файлов диссертации