Оптимизация коэффициента размытости ядра в задаче непараметрической идентификации

Автор: Е.Д. Михов, Н.Д. Иванов

Журнал: Космические аппараты и технологии.

Рубрика: Космическое приборостроение

Статья в выпуске: 2, 2018 года.

Бесплатный доступ

Исследуется проблема моделирования дискретно-непрерывных процессов. Рассматривается достаточно общая схема исследуемого процесса, включающая в себя не только входные-выходные переменные, но и промежуточные. Кратко анализируется вопрос идентификации в «узком» и «широком» смысле. Приводится рекуррентный алгоритм оценки параметров адаптивных моделей, основанной на методе стохастических аппроксимаций. При построении модели объекта при помощи ядерных оценок важным параметром является вектор коэффициентов размытости ядра. От выбранного вектора коэффициента размытости напрямую зависит качество построенной модели. Данный коэффициент определяет степень участия элементов выборки в оценке. Исходя из большого влияния вектора коэффициента размытости ядра на качество построенной модели у исследователей часто возникает задача оптимизации данного вектора. В статье рассмотрены алгоритмы оптимизации вектора коэффициентов размытости ядра. Рассмотрены следующие алгоритмы оптимизации: метод перебора, метод деформируемого многогранника и генетический алгоритм. В качестве критерия оптимизации была выбрана среднеквадратичная ошибка построенной модели, которая вычислялась при помощи скользящего экзамена. Представлена таблица, в которой отображена точность построенной модели после оптимизации вектора коэффициентов размытости ядра (для каждого входного воздействия), а также после оптимизации одного общего коэффициента размытости ядра, который назначается для всех входных переменных.

Еще

Непараметрическая модель, непараметрические алгоритмы, коэффициент размытости, оптимизация

Короткий адрес: https://sciup.org/14114746

IDR: 14114746   |   DOI: 10.26732/2618-7957-2018-2-95-99

Список литературы Оптимизация коэффициента размытости ядра в задаче непараметрической идентификации

  • Tweedle V., Smith R. A mathematical model of Bieber Fever // Transworld Research Network, 2012, vol. 37/661, no. 2, pp. 157–177.
  • Антонов А. В. Системный анализ : учебник. М. : Высшая школа, 2004. 454 с.
  • Введение в математическое моделирование : учеб. пособие / под ред. П. В. Трусова. Москва : Логос, 2005. 440 с.
  • Медведев А. В. Анализ данных в задаче идентификации // Сборник научных статей Международной конференции «Компьютерный анализ данных и моделирование». Минск : БГУ, 1995. С. 201–207.
  • Советов Б. Я, Яковлев С. А. Моделирование систем : учебник для вузов. М. : Высшая школа, 2001. 343 с.
  • Теория систем и системный анализ : учеб. пособие / под ред. А. Н. Тырсина. Челябинск : Знания, 2002. 128 с.
  • Медведев А. В. Некоторые замечания к Н-моделям безынерционных процессов с запаздыванием // Вестник СибГАУ. 2014. №2 (54). С. 24–34.
  • Рубан А. И. Методы анализа данных : учеб. пособие / изд. 2-е, испр. и доп. Красноярск : ИПЦ КГТУ, 2004. 319 с.
  • Курейчик В. М., Лебедев Б. К., Лебедев О. К. Поисковая адаптация: теория и практика. М. : Физматлит, 2006. 272 с.
  • Kumsawat P. A Genetic Algorithm Optimization Technique for Multiwavelet – Based Digital Audio Watermarking // EURASIP Journal on Advances in Signal Processing, 2010, vol. 1, pp.15–25.
Еще
Статья