Авторитетность издания
Добавить в закладки
Следующий номер на сайте
Модель мультиагента прогнозирования автоматизированных систем управления
Аннотация:Рассматриваются вопросы построения мультиагента прогнозирования аварийных ситуаций автоматизированной мультиагентной системы управления инженерным оборудованием современного здания с использованием факторного анализа на основе ортогональных полиномов в качестве разделяющих функций.
Abstract:The work investigates the issues related to the construction of an emergency situations forecast multi-agent within the automated control system of a new building technical equipment using component analysis on the basis of orthogonal polynom employment as separating functionality.
Автор: Лихачев В.Е. (vlikhachev@mail.ru) - Рязанский государственный университет им. С.А. Есенина | |
Ключевые слова: разделяющая функция, ортогональный полином, распознавание образов, модель, мультиагент, автоматизированная управляющая система |
|
Keywords: separating functionality, orthogonal polynom, pattern recognition, mathematical model, multi-agent, automated control system |
|
Количество просмотров: 11132 |
Версия для печати Выпуск в формате PDF (4.03Мб) Скачать обложку в формате PDF (1.25Мб) |
При исследовании статистических моделей большой интерес представляет учет нелинейных связей исходных признаков для решения задач прогнозирования. Модуль прогнозирования широко применяется в информационно-управляющих системах, в том числе в системах управления учебным процессом вузов и в автоматизированных системах управления инженерным оборудованием современного здания в качестве подсистем прогнозирования аварийных ситуаций. Общее решение задачи представляется как построение многомерной функции от вектора признаков - коэффициенты тригонометрического ряда являются коэффициентами ортогональной системы, поэтому легко построить алгоритмы разбиения исходного множества признаков на подмножества с целью уменьшения размерности решаемой задачи; - тригонометрический ряд устойчив относительно возмущения коэффициентов, например, в результате их неточного, приближенного вычисления; при этом ошибка возмущения (неточный коэффициент) в достаточно широком диапазоне может слабо влиять на ошибку общего измерения, определяемую всеми коэффициентами тригонометрического ряда; - коэффициенты тригонометрического ряда являются убывающими, и по мере увеличения n их можно связывать с признаками, имеющими меньший вес в исследуемой задаче. Таким образом, с помощью частичной суммы тригонометрического ряда можно реализовать алгоритм факторного анализа, в основе которого лежит алгебраический подход к решению задач распознавания образов (функций). В алгебраическом подходе новые алгоритмы распознавания строятся в виде полиномов над исходными алгоритмами (применение алгебраических корректоров) или в виде специальных булевских функций (логических корректоров). Теоретическим базисом является теорема о существовании для произвольного алгоритма распознавания эквивалентного ему стандартного алгоритма, представимого в виде произведения распознающего оператора и решающего правила. Это позволяет описать основные результаты вычислений произвольных алгоритмов распознавания в стандартном виде с помощью числовых матриц оценок (мер принадлежности объектов к классам) и информационных матриц окончательных ответов (классификаций). Матрицы оценок различных распознающих алгоритмов являются исходным материалом для синтеза в виде полиномов новых матриц оценок, которые задают основу нового скорректированного решения задачи распознавания. Алгебраический подход позволяет строить алгоритмы, безошибочные на обучающем материале или совершающие меньшее число ошибок, чем каждый из исходных алгоритмов. В настоящее время существует множество разнообразных подходов и конкретных эвристических алгоритмов для решения задач кластерного анализа (таксономии, или классификации без учителя), когда требуется найти естественные группировки похожих объектов (кластеры) по заданной выборке их векторных признаковых описаний. Решения, найденные различными алгоритмами, могут существенно отличаться друг от друга и даже фактически не соответствовать заложенной в данных действительности. Поиск наилучшего решения затруднен отсутствием общепризнанных универсальных критериев качества решений. Эвристическими методами решается большой класс задач приближения функций многих переменных. Для таких задач характерно плохо обусловленное множество координат – признаков многомерной функции. Если значения функции определяют некоторые классы wk, k=1,2,…, m, то говорят о задаче классификации, или распознавания образов. Для задач распознавания образов характерно большое признаковое пространство вектора Общие методы приближения многомерных функций могут использоваться в методах распознавания образов, однако часто возникает задача распознавания в реальном масштабе времени, оперативное решение которой возможно только с применением упрощенных методов. Многие исследователи отмечали хорошую аппроксимацию многомерных функций ортогональным полиномом, особенно тригонометрическим, когда признаки xlk определяют коэффициенты полинома. Кроме того, тригонометрические частичные суммы – это преобразование Фурье, что и явилось основанием для разработки тригонометрических разделяющих функций. Рассмотрим в n-мерном пространстве (n³1) следующую задачу: заданы значения функции F(x) в точках Tpn(xi1, xi2 ,…,xin), i=1,2,…, p, (1) для которого
Проблема приближения функций многих переменных представляет интерес для большого количества задач. Ранее отмечено, что распознавание образов можно также рассматривать как задачу приближения функций многих переменных. Для тригонометрического полинома (1) имеет место выражение
где v1,…,vn – натуральные числа; x1,x2,…,xn – комплексные переменные; Ck1,…,kn – постоянные коэффициенты. Однако реализация вычислительного процесса на основании (3) затруднительна. Рассмотрим построение решения (1) в виде
где Если
Следовательно, задача приближения функций многих переменных и распознавания образов в случае (4) сводится к определению полиномов:
Точное решение в этом случае усложняется, так как необходимо построить vL n-мерных функций. В то же время известно, что для коэффициентов Фурье существует такое d>0, что из Устойчивость коэффициентов Фурье допускает некоторый произвол в их измерении, что особенно важно для практических задач, так как вектор Определение. Функция
отсюда в силу ортогональности
Выражение (8) определяет интерполируемые значения коэффициентов Фурье, при этом полагается, что стробирующая функция y(t) известна. Отыщем приближенное решение (2). 1. Предположим, что Cij=Cij(xk), i=1,2,…,v, j,k=1,2,…,n, xkÎWx. В этом случае можно выделить два алгоритма. а) Признак с номером k относится к одному из коэффициентов Cij каждого класса. Тогда, очевидно, L=n и алгоритм упорядочения признаков xlk сводится к отысканию того признака, для которого
i=1,2,…,v, j,k=1,2,…,n, xlkÎWx. Pij(xlk) – полином наилучшего приближения коэффициентов Фурье стробирующей функции y(t) с аргументами, расположенными в k-м столбце матрицы А. В каждом классе (9) отыскание признака проводится для всех n-1 коэффициентов Фурье с отбрасыванием из рассмотрения тех столбцов, которые ранее были отнесены к какому-либо коэффициенту. Наконец, к коэффициенту с номером n относится свободный столбец. б) Произвольный из n признаков относится к любому из n коэффициентов для каждого из v классов при выполнении (9). Может случиться так, что часть столбцов матрицы исключается из рассмотрения. 2. Для Cij строятся полиномы наилучшего приближения, зависящие от двух и более признаков. Упорядочение признаков при этом аналогично (9). 3. Положим
В этом случае Cij определяется, как в (4). Коэффициенты Фурье в аналогичном преобразовании
определяются по алгоритмам 1а, 1б. Для С* d-окрестность будет несколько больше, так как определяемые через них коэффициенты Cij допускают некоторую неточность в измерении. Аналогичное (10) преобразование можно, в свою очередь, применить для
и для алгоритма 3
где А – матрица размером p´n. Чем больше q, тем большая неточность допустима в измерении вектора Рассмотрим тригонометрическую систему функций {sin kx, cos kx}, ортогональную на [–p,p], в качестве нелинейной разделяющей функции. При этом коэффициенты Фурье рассматриваются как факторы решаемой задачи. В этом случае
Пусть y(t)= Интерполируемые значения коэффициентов Фурье определяются в виде
Возьмем в качестве
Коэффициенты линейной формы представления коэффициентов тригонометрического ряда вычисляются с помощью метода наименьших квадратов. Коэффициенты qkij и qij можно опреде- лить из среднеквадратичного приближения значений Cij(s,q) для соответствующих векторов хi обучающей матрицы А. Если
классификация будет устойчивой. На основании изложенного сделаем следующие выводы. Модель мультиагента прогнозирования аварийных ситуаций автоматизированной мультиагентной системы управления может быть построена на основе методов распознавания образов с тригонометрической разделяющей функцией. Метод позволяет оценивать весовые характеристики признаков и ранжировать их по значимости. Устойчивость коэффициентов Фурье допускает некоторую неточность в их измерении, что особенно важно, так как часто вектор может быть получен только приближенно. Литература 1. Штейнбух К. Некоторые аспекты распознавания при моделировании и решении задач // Распознавание образов. Адаптивные системы: тр. Междунар. симпоз. по технич. и биологич. проблемам управления; гл. ред. В.А. Трапезников. (24–28 сентября 1968 г., Ереван). М.: Наука, 1971. 270 с. 2. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М.: ФАЗИС, 2006. 176 с. |
Постоянный адрес статьи: http://swsys.ru/index.php?page=article&id=2441 |
Версия для печати Выпуск в формате PDF (4.03Мб) Скачать обложку в формате PDF (1.25Мб) |
Статья опубликована в выпуске журнала № 1 за 2010 год. |
Возможно, Вас заинтересуют следующие статьи схожих тематик:
- Факторный анализ в задачах моделирования многомерных систем
- Информационное обеспечение процессов развития больших систем административно-организационного управления
- Конструктивный метод обучения искусственных нейронных сетей со взвешенными коэффициентами
- Прогнозирование временного ряда инфекционной заболеваемости
- Моделирование информационных ресурсов при процессной организации системы управления предприятием
Назад, к списку статей