доклад (553329)

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

Текст из файла

Обработка информации в информационно-управляющих комплексах летательных аппаратов при внезапных возмущениях.

1. Введение.

Отличительный особенностью современных информационно-управляющих комплексов (ИУК) летательных аппаратов (ЛА) является влияние на их функционирование разнородных неопределенных факторов, случайный характер процессов, сопровождающийся резкими, внезапными, скрытыми изменениями [1,2].

При разработке информационно управляющих комплексов необходимо решать задачи высокой точности навигации, живучести и отказоустойчивости при активном и пассивном противодействии, при повреждениях и частичных разрушениях конструкций.

В качестве основы для решения таких задач при построении алгоритмического и информационного обеспечения ИУК может служить теория самоорганизующихся стохастических динамических систем (ССДС), в которых в настоящее время используется аппарат гибридных стохастических динамических моделей, включающий композицию разнородных случайных процессов и цепей, а также байесовские стратегии принятия решений [3-7]. Были разработаны методы синтеза, модели и алгоритмы ССДС, обеспечивающие высокую эффективность решения ряда задач навигации ЛА при внезапных и постепенных случайных изменениях характеристик системы, внешней среды и целей функционирования. Основные внимание уделялось методам построения параллельных алгоритмов распознавания, оценивания и управления с использованием реконфигурации и структурной-параметрической адаптации. Созданный аппарат включает методы обнаружения, и распознавания внезапных изменений, пригодных для использования в реальном времени и обеспечивающих извлечение из доступных наблюдений всей апостериорной информации, необходимой для принятия достоверных решений и выработки эффективных управляющих воздействий в условиях неопределенности.

Далее в данном разделе предлагается принцип минимальной сложности, позволяющий для широкого класса задач построения ССДС корректно синтезировать байесовские алгоритмы распознование-оценивание, ориентированные на реализацию в реальном времени. Особенности применения данного принципа демонстрируются на модельной задаче.

2. Постановка задачи.

Решение проблем создания высокоэффективных методов обработки информации в ССДС непосредственно связано с разработкой математических моделей, которые отражают специфику сложных условий функционирования системы, таких как неопределенность и изменение характеристик внешней среды, внезапное появление аномальных ситуаций, отказов источников информации, каналов связи, устройств, реализующих формирование управляющих команд, другого оборудования, а также влияние возмущений и помех. Проведенные исследования показали, что формализация рассматриваемого класса задач может быть естественным образом осуществлена с использованием математического языка гибридных стохастических моделей, представляющих собой композицию случайных процессов и цепей.

Такая модель может быть представлена в виде следующих стохастических уравнений:

x(k+1) = Ф_k[m(k), (k), m (k+1), (k+1), u(k)] x(k) +

+ Г_k[m(k), (k), m(k+1), (k+1), u(k)] w(k), (1)

z(k+1) = H_k+1 [m(k+1), (k+1)] x(k+1), + G_k+1 [m(k+1), (k+1)] v(k+1),

где x(k) – расширенный вектор состояния обобщенного объекта управления (ООУ) и модели окружающей среды (ОКС); u(k) вектор управляющих воздействий; z(k+1) – вектор доступных наблюдений; w(k) и v(k+1) – некоррелированные между собой чисто случайные последовательности векторов (дискретные белые шумы); Ф_k [], Г_k [], H_k+1[] и G_k+1[] – матричные функции соответствующих размерностей.

Специфика рассматриваемой задачи заключается в том, что вследствие возникновения аномальных явлений и ситуаций в ОКС, а также отказов в ООУ характеристики как ООУ, так и ОКС подвержены разнородным случайным внезапным изменениям (ВИ), для описания которых используются совместно как марковские, так и полумарковские цепи. В уравнениях (1): m(k) – совокупность моментов последних изменений характеристик ООУ и ОКС, описываемых полумарковскими моделями, причем

m(k) = {m₁(k), m₂(k)…m_N(k)}, (2)

где m_i(k) – момент последнего, предствующего текущему моменту k, ВИ i-го типа в ООУ (или ОКС):

В начальный момент k=0 формально принимается, что m_i(0) 0, i=1,2,…, N 1,N.

Внезапные изменения характеристик ООУ и ОКС отражаются в изменении совокупностей переменных переключения (ПП) (k), которые в свою очередь состоят из двух наборов величин:

(k) = {^(k), (k)} (4)

Переменные переключения, входящие в состав этих совокупностей, принимают значения на конечных множествах. При этом ^(k) изменяется в соответствии с полумарковскими моделями:

Pr{m(k+1)=m_k+1, ^(k+1) = _k+1/m(k) = m_k, (k) = _k} = p_k+1(m_k+1, ^_k+1/m_k, _k) (5)

а , (k) – согласно Марковским моделям:

Pr{(k+1) =_k+1/(k) = _k, m(k+1)= m_k+1, ^(k+1) = _k+1} =

= p_k+1(_k+1/_k, m_k+1, _k+1/) (6)

где Pr{A/B} обозначает условную вероятность события A при фиксированном условии B, _k – конкретное значение совокупности (k) в момент k.

Для совокупности ПП (k) задано также начальное распределение в момент k=0.

Pr{(0) = ₀} = P₀ (₀) (7)

Априорные условные плотности вероятности начального состояния ООУ и ОКС, а также шумов w(k) и v(k+1) при фиксированных значениях ПП апроксимируется гауссовскими и заданы в виде

f_X(0) {x/(0) = ₀ } = N{x/ ₀(₀), P₀ (₀)},

f_w(k) {w/m(k) = m_k, (k) = _k, m(k+1) = m_k+1,  (k+1) = _k+1} =

= N {w/w_k, (m_k, _k, m_k+1,_k+1), Q_k(m_k, _k, m_k+1,_k+1)} (8)

f_v(k+1){v/m(k+1) = m_k+1,(k+1) = _k+1} =

= N{v/ _k+1(m_k+1,_k+1), R_k+1(m_k+1,_k+1)},

где N {x/ , P} обозначает гауссовскую плотность распределения в точке x с математическим ожиданием (МО) и ковариацией Р.

Задача обработки информации в интеллектуальной самоорганизующейся системе ставится как задача определения условных апостериорных оценок вектора состояния и переменных переключения

,m(k) = m_k,(k) = _k},

argmax [Pr{ m(k) = m_k,(k) = _k/Z^k}]

m_k,_k (9)

где Z^k {z(1), z(2),…z(k)} – измерительная информация, поступившая к моменту k,

M {} – математическое ожидание (МО).

3. ПРИНЦИП СЛОЖНОСТИ БАЙЕСОВСКИХ АЛГОРИТМОВ ОБРАБОТКИ ИНФОРМАЦИИ В ПЕРЕКЛЮЧАЮЩЕЙСЯ СРЕДЕ.

Для решения поставленной задачи на основании обобщённого байесовского подхода разработано ряд методов, базирующихся на формировании совокупности гипотез о последовательности ВИ, вычислении парциальных оценках при фиксированных гипотезах и распознавание этих гипотез по рекуррентным формулам типа формулы Байеса [9]. Для ограничения количества тестируемых гипотез предложено ряд специальных приемов связанных с "перезапуском" фильтров, "свёрткой" и исключением гипотез, а также некоторых других [3-8].

В известных работах предложен ряд вариантов "ветвления-свертки" гипотез на различных этапах процесса оценивания (перед прогнозированием состояния ООУ и ОКС, перед обработкой текущих измерений и.т.д.). Эти варианты имеют собственный алгоритм трансформации множества гипотез при их размножении и при объединении нескольких гипотез в одну. Для каждой из тестируемых гипотез вычисляются условные (парциальные) оценки расширенного вектора состояния ООУ и ОКС. Вычислительная сложность синтезируемого алгоритма обработки информации возрастает пропорционально количеству гипотез о ВИ. Для получения наиболее простого в вычислительном отношении алгоритма следует стремится уменьшать число рассматриваемых гипотез на каждом этапе процесса оценивания. Однако такое уменьшение, как правило, влечет за собой снижение точности вычисляемых оценок и достоверности решений, принимаемых при распознавании случайных событий. Существует принципиальный вопрос об ограничении снизу на число рассматриваемых гипотез, накладываемых исходной постановкой задач, в первую очередь математической моделью изменения ПП. Эти ограничения сформулированы ниже в виде совокупности условий, составляющих существо предлагаемого принципа минимальной вычислительной сложности алгоритмов распознавания-оцевания.

Условие 1. После завершения обработки информации на каждом текущем шаге должна быть сформирована совокупность статистик, достаточных для прогнозирования состояния ООУ и ОКС, а также значений переменных переключения в будущие моменты времени с учетом математической модели обобщенного объекта и используемой аппроксимации парциальных апостериорных плотностей вероятности вектора состояния.

Условие 2. Перед парциальным прогнозированием вектора состояния с k-го на (k+1)-й шаг совокупность фиксируемых в гипотезах значений ПП должна обеспечивать независимость значения вектора x(k+1) в момент k+1 от ВИ в случае, когда его значение x(k) на предыдущем k-м шаге фиксировано.

Условие 3. Вычисление парциальных апостериорных оценок вектора состояния должно производиться для совокупности гипотез, в которых значения ПП зафиксированы таким образом, чтобы при заданном значении вектора состояния x(k+1) вектор z(k+1) не зависел от ВИ.

Условие 4. Перед обработкой текущих измерений набор парциальных прогнозируемых оценок вектора состояния должен обеспечивать возможность вычисления функций правдоподобия любой из тестируемых в этот момент гипотезы.

Выполнение всех перечисленных условий гарантирует корректность процесса обработки информации и, напротив, нарушение любого из них делает такой процесс некорректным.

4. АДАПТИВНАЯ ОБРАБОТКА ИНФОРМАЦИИ В ССДС.

Применим сформулированный принцип минимальной сложности при построении алгоритма распознавании – оценивания для рассматриваемой задачи (1) – (9).

Достаточные статистики при гауссовской аппроксимации парциальных апостериорных плотностей вероятности расширенного вектора состояния x(k) включают в себя: апостериорные вероятности

q_k(m_k _k) Pr{U_k (m_k _k)/Z^k} (10)

гипотез U_k (m_k _k) {m(k) = m_k, ,(k) = _k} и совокупность первых двух моментов апостериорных парциальных плотностей вероятности

Характеристики

Тип файла документ

Документы такого типа открываются такими программами, как Microsoft Office Word на компьютерах Windows, Apple Pages на компьютерах Mac, Open Office - бесплатная альтернатива на различных платформах, в том числе Linux. Наиболее простым и современным решением будут Google документы, так как открываются онлайн без скачивания прямо в браузере на любой платформе. Существуют российские качественные аналоги, например от Яндекса.

Будьте внимательны на мобильных устройствах, так как там используются упрощённый функционал даже в официальном приложении от Microsoft, поэтому для просмотра скачивайте PDF-версию. А если нужно редактировать файл, то используйте оригинальный файл.

Файлы такого типа обычно разбиты на страницы, а текст может быть форматированным (жирный, курсив, выбор шрифта, таблицы и т.п.), а также в него можно добавлять изображения. Формат идеально подходит для рефератов, докладов и РПЗ курсовых проектов, которые необходимо распечатать. Кстати перед печатью также сохраняйте файл в PDF, так как принтер может начудить со шрифтами.

Список файлов учебной работы