- •50 Часов — лекционных занятий;
- •25 Часов — практических занятий;
- •25 Часов — лабораторных занятий. Содержание
- •Лекция 1. Общие вопросы теории моделирования (2 часа) План
- •2. Роль и место моделирования в исследованиях систем
- •3. Классификация моделей
- •4. Моделирование в процессах познания и управления
- •5. Классификация объектов моделирования
- •6. Основные этапы моделирования
- •7. Этапы моделирования объектов (процессов, явлений)
- •Контрольные вопросы
- •Литература
- •Лекция 2. Технология моделирования (2 часа) План
- •2. Подготовка исходных данных
- •3. Разработка математической модели
- •4. Выбор метода моделирования
- •2. Проверка адекватности и корректировка модели
- •3. Планирование экспериментов с моделью
- •4. Анализ результатов моделирования
- •2. Сведения об объекте
- •3. Априорная информация
- •4. Апостериорная информация
- •1. Постановка задачи идентификации.
- •2. Трудности идентификации
- •1. Постановка задачи идентификации.
- •Следовательно модельный оператор f должен быть таким, чтобы:
- •2. Трудности идентификации
- •1. Идентификация структуры и параметров объекта
- •2. Классификация методов идентификации
- •1. Идентификация структуры и параметров объекта
- •2. Классификация методов идентификации
- •2. Ранжирование входов и выходов объекта (Метод экспертных оценок)
- •Метод непосредственного ранжирования;
- •Метод парных сравнений.
- •3. Метод непосредственного ранжирования
- •2. Определение рационального числа входов и выходов объекта, учитываемых в модели
- •3. Определение характера связи между входом и выходом модели объекта
- •1. Потоки заявок
- •2. Марковские модели
- •1. Потоки заявок
- •2. Марковские модели
- •2. Характеристики вычислительных систем как сложных систем массового обслуживания
- •3. Методы приближённой оценки характеристик вычислительных систем
- •1. Нестационарные режимы функционирования вычислительных систем
- •2. Характеристики вычислительных систем как стохастических сетей
- •1. Нестационарные режимы функционирования вычислительных систем
- •2. Характеристики вычислительных систем как стохастических сетей
- •2. Обобщенные алгоритмы имитационного моделирования
- •2. Метод повторных экспериментов
- •3. Методы генерации случайных величин и последовательностей
- •Контрольные вопросы
- •II. Модель в - для задачи максимизации
- •2. Преобразование задачи с дискретными переменными к задаче с булевыми переменными
- •3. Преобразование задачи линейного булева программирования к задаче нелинейного булева программирования
- •Контрольные вопросы
- •2. Модель задачи автоматической классификации
- •3. Задача об оптимизации размещения букв алфавита на клавиатуре эвм
- •2. Проверка адекватности математической модели
- •3. Алгоритм оптимального управления работы насосной станции
- •Контрольные вопросы
- •2. Аналитический подход к формированию информативной подсистемы признаков в задаче распознавания
- •3. Упрощенный метод классификации с использованием аналитического подхода формирования информативной подсистемы признаков при наличии обучающей выборки
- •Контрольные вопросы
- •Литература
- •Литература
Следовательно модельный оператор f должен быть таким, чтобы:
УМ ~ У
где ~ знак эквивалентности, т.е. выходы модели и объекта при одинаковых входных воздействиях Х должен быть эквивалентны Этого можно добиться, если ввести единую меру близости на всем интервале наблюдения, а не только в каждой точке, как (3).
Такой мерой в непрерывном случае (объект А=αβγ0) может быть интеграл
Действительно, в соответствии с определениям функции ρ(., .) величина Q выражает степень близости функций Y(t) и YM (t) в интервале 0 ≤ t ≤ T. Значение явно зависит от F:
и задача идентификации заключается в ее минимизации путем соответствующего выбора оператора модели F. Если по физическому смыслу задачи важность информации В в различные моменты времени не одинакова, то целесообразно введение переменного веса h(t)>0:
(5)
с естественным нормированием
(6)
Выбор функции h(t) определяется ценностью информации. Например, для стохастического непрерывного объекта (А=αβγ0) при неравноточных наблюдениях, т.е. когда дисперсия ошибки наблюдения выхода зависит определённым образом от времени
,
где f(t) – заданная функция, вес h(t) должен изменяться следующим образом:
где, k – нормирующий член, обеспечивающий выполнение условия (6) . Это означает, что ценность информации обратно пропорционально уровняю дисперсии случайных помех.
Величину Q(F) часто называют невязкой выходов объекта и модели. Эта невязка является функционалом, зависящим от оператора модели F. По своей конструкции эта невязка неотрицательно и равно нулю при , т. е. при совпадение выходов объекта и модели на исследуемом интервале.
Если объект является статическим и непрерывным А=0βγ0 т. е. , F(·) есть функция то невязка (5) принимает вид:
Для дискретного объекта ( ) функционал невязки записывается в очевидной форме:
(7)
а статическим дискретный объект ( ) имеет функционал невязки в виде:
где, - вес информация в i-й момент времени. Если объект стохастический и дискретный ( ) и измерения , например, зашумлены случайной помехой с изменяющейся дисперсией σ2i(i=1, . . . , N), то вес следует определять как
hi=k/σ2i,
где k – нормирующий член.
Таким образом степень несоответствия (степень невязки) операторов модели и объекта можно выразить в виде функционалов типов (5) и (7), зависящих явно от оператора модели F.
Естественно, процесс идентификации, т. е. процесс определения оператора модели, строит так, чтобы минимизировать указанную невязку, т. е. решать задачи минимизации функционала Q(F) по оператору F:
(8)
Эта символическая запись выражает следующую простую мысль: нужно минимизировать функционал Q(F), варьируя оператором (или в простейшим случае функцией ) F не произвольно , а в некотором определенном классе операторов (или функцией) Ω. Это обозначается с отношение F Ω , т. е. F принадлежит классу Ω, где Ω – заданный класс операторов или функций. Результатом процедуры минимизации является некоторый оператор (или функция) F* (не обязательно единственно), обладающий свойством:
(9)
т. е. невязка Q* на этом операторе минимально (точнее, не превышает всех возможных невязок, которые можно получить в классе Ω).
Говоря еще проще, для идентификации в заданном классе надо найти оператор F, минимизирующий функционал невязки Q(F) на этом классе.
Утверждения, что идентификация всегда сводиться к операции отыскания минимума, естественно, преувеличено. Действительно легко представить себе статический объект , который идентифицируется путем решения системы линейных или в общем случае нелинейных уравнений. Однако утверждения о сведении задания идентификации к задаче минимизации имеют общий характер для всех случаев идентификации с любыми классами допустимых операторов и функций .
Таким образом, использование процедуры минимизация для решение задачи идентификации объектов является принципиальным и важным обстоятельством, свойственным обычно решению сложных задач идентификации.