Цена доставки диссертации от 500 рублей 

Поиск:

Каталог / ТЕХНИЧЕСКИЕ НАУКИ

Метод идентификации сложного объекта управления по модели дисперсии агрегированной переменной

Диссертация

Автор: Филатова, Дарья Вячеславовна

Заглавие: Метод идентификации сложного объекта управления по модели дисперсии агрегированной переменной

Справка об оригинале: Филатова, Дарья Вячеславовна. Метод идентификации сложного объекта управления по модели дисперсии агрегированной переменной : диссертация ... кандидата технических наук : 05.00.00 Севастополь, 2000 144 c. : 61 05-5/2448

Физическое описание: 144 стр.

Выходные данные: Севастополь, 2000




Стоимость Доставки
500 руб.


Содержание:

диссертации Ведение ного объекта управления с агрегированным выходом
11 Регрессионные модели квазистационарных объектов управления с агрегированным выходом
12 Оценка модели дисперсии агрегированной переменной переменных
15
Выводы
Глава
II Исследование особенностей и эффективности процедур идентификации моделей дисперсии агрегированной переменной
21 Распределение максимального собственного числа выборочной ковариационной матрицы
22 Исследование методов оценки параметров модели дисперсии агрегированной переменной сии раметров модели дисперсии агрегированной переменной дисперсии агрегированной переменной агрегированной переменной
27
Выводы
Глава
III Метод идентификации сложного объекта управления по модели дисперсии агрегированной переменной
23 Построение области возможных значений параметров моделей диспер24 Вычислительный эксперимент по сравнению методов оценивания па25 Прогнозирующая способность методов оценивания параметров модели
26 Оценка среднеквадратической ошибки прогноза для модели дисперсии
13 Проблема оценивания параметров модели дисперсии агрегированных
14 Критерии структурной идентификации модели объекта управления
Глава I Проблема построения оптимальной дисперсионной модели слож1 Критерий скользящего контроля задачи идентификации структуры модели дисперсии агрегированной переменной
32 Вычислительные эксперименты по исследованию свойств критериев селекции персии агрегированной переменной
33 Методы идентификации сложного объекта управления по модели дис34 Вычислительный эксперимент по исследованию эффективности метода идентификации сложного объекта управления по модели дисперсии агрегированной переменной центрами распределения данных
35 Идентификация объекта по модели квадрата расстояния между двумя
36 Вычислительный эксперимент по исследованию эффективности метода идентификации объекта по модели квадрата расстояния между двумя центрами распределения данных
37
Выводы управления по модели дисперсии агрегированной переменной
41 Контроль качества технологического процесса выдержки вина
42 Программное управление процессом подготовки спортсменов
43 Мониторинг динамики цен коммерческой торговли
44
Выводы
Заключение Литература
Приложение А Приложение Б Акты о внедрении

Введение:
При разработке систем управления особо ответственным является этап идентификации объекта управления, от реализации которого в значительной степени зависит качество спроектированной посвящено большое количество работ, системы как в управления. Проблеме идентификации объектов управления в условиях неопределенности отечественной, так и в зарубежной литературе (Вапник В.Н. [5, 10], Ивахненко А. Г. [22-29], Степашко B.C. [54, 55], Цуканов А. В.[84-90], Миллер А. [94] и др.). Для класса стохастических объектов управления в большинстве зависимостей переменных. этих работ рассматривается построение моделей средних значений выходных переменных от входных В то же время, для широкого класса сложных объектов многосвязностью, необходимо технологические и идентифицировать процессы, управления, характеризующегося стохастичностью, нестационарностью, многомерностью и отнести многие модель дисперсии выходной переменной. К таким объектам можно экономические биологические, экологические и медицинские системы. Большой вклад в развитие методов идентификации такого класса систем внесли Райбман Н.С. [16, 42,46], Айвазян А.[1-4], Перельман И.И.[44], Расстригин Л.А. [48,49] и др. Современный уровень вычислительной техники позволяет сделать следующий шаг в повышении эффективности решения и задачи новых идентификации рассматриваемого класса систем за счет интенсивного использования методов имитационного моделирования результатов, полученных в теории управления. В связи с вышеизложенным разработка методов идентификации объектов управления по модели дисперсии на основе имитационного моделирования является актуальной научной задачей и имеет важное народнохозяйственное значение. Настоящая работа представляет собой результаты, полученные автором тем: при выполнении ряда научно-исследовательских средства машинного работ в Севастопольском государственном техническом университете в рамках "Методы и программные исследования многомерных систем управления" ("Диорит") по программе Министерства Образования Украины, утвержденной приказом r.p.0198U002687 категория I и "Энергосберегающие методы и интеллектуальные технологии анализа синтез систем управления морскими объектами "Энергия 2" по программе Министерства Образования Украины, утвержденной приказом г.р. 019U008723, категория I. Цель работы состоит в разработке метода идентификации сложного объекта управления по модели дисперсии агрегированной переменной с мультипликативной случайной составляющей и в применении этого метода для повышения эффективности исследования и критерии управления конкретными решены процедур системами. Для достижения цели в диссертации эффективности следующие задачи: 1) определены параметрической особенности идентификации модели дисперсии агрегированной переменной, в частности: получены аналитические выражения оценок параметров для метода наименьших квадратов, взвешенного метода наименьших квадратов, метода наименьших отношений и показаны их свойства; проанализирована прогнозирующая способность рассматриваемых методов оценивания параметров; получено аналитическое выражение оценки среднеквадратического риска, как критерия качества идентификации, с учетом особенностей идентифицируемой модели; проведены вычислительные эксперименты по исследованию свойств рассматриваемых методов оценивания параметров; 2) выбраны критерии для идентификации структуры идентифицируемой модели и исследованы их свойства; 3) разработан и исследован метод идентификации сложного объекта управления по модели дисперсии агрегированной переменной. Предложенный в диссертации метод идентификации сложного переменной объекта управления по модели дисперсии агрегированной нашел практическое применение для контроля качества выдержки виноматериалов на Инкерманском заводе марочных вин (г. Севастополь). Экономический эффект от внедрения предложенного метода составил 45 тыс. грн. в год в ценах 1998 г. Результаты работы используются также в учебном процессе при проведении лабораторных занятий по дисциплине "Эконометрия" по специальностям 7.050107 Экономика предприятий и 7.050201 Менеджмент организаций в Севастопольском государственном техническом университете. По результатам выполненных исследований опубликовано одиннадцать работ [57-59, 65-68, 80-82, 100], Материал диссертации изложен в четырех
Список литературы:

1. Айвазян А., Бухштабер В.М., Енюков И.С, Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности/ под редакцией Айвазяна СА. М.: Финансы и статистика, 1989.- 607 с ил.
2. Айвазян СА., Енюков И.С, Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.- 471 с.
3. Айвазян А., Енюков И.С, Мешалкин Л.Д. Прикладная статистика. Статистическое исследование зависимостей. М.: Финансы и статистика, 1983.-471 с.
4. Айвазян А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. 1022 с.
5. Алгоритмы и программы восстановления зависимостей// Под ред. В.И. Вапника. М.: Наука, 1984. 816 с.
6. Александров В.В., Алексеев А.И., Горский Н.Д. Анализ данных на ЭВМ (на примере системы СИТО). М.: Финансы и статистика, 1990. 192 с.
7. Алимов Ю.И. Прогнозирование распределений вероятностей. Свердловск: изд. УПИ, 1986. 88 с.
8. Андерсон Т. Введение
9. Блоч В., Хуань К. Дж. Многомерные математические методы для экономики. М.: Статистика, 1979.- 317с., ил. (Математико-статистические методы за рубежом) Ю.Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979.-448 с.
10. Гантмахер Ф.Р. Теория матриц. М.: Наука, 1971. 576 с.
11. Гирко В.Л. Предельные теоремы для функций случайных величин. Киев: Вища школа, 1983. 207 с.
12. Гирко В.Л. Теория случайных детерминантов. Киев: Вища школа, 1980.-368 с. 15.ДЖ.-
13. Ким, Ч. У. Мьюллер, Факторный анализ: статистические методы и практические вопросы
14. Дисперсионная идентификация под редакцией Н.С. Райбмана. М.: Наука, 1981.-336 с.
15. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Финансы и статистика, 1986 с.
16. Дубов A.M. Обработка статистических данных методом главных компонент. М.: Статистика, 1978. 135 с.
17. Дубровский А. Прикладной многомерный статистический анализ. М.: Финансы и статистика, 1982.-216 с. 20.3акс Л. Статистическое оценивание. М.: Статистика, 1976. 598 с.
18. Иберла К. Факторный анализ. М.: Статистика, 1980. 398 с.
19. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами.-Киев: Техника, 1975. 3 1 2 с.
20. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наук. Думка, 1982. 296 с.
21. Ивахненко А.Г. Проблемы расширения пакета прикладных программ для решения задач моделирования на основе МГУАУ/ Программные продукты и системы. 1991. 1. 7-11.
22. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетики. Киев.: Техника, 1971. 372 с.
23. Ивахненко А.Г., Жолпарский А.А. Оценка коэффициентов полиномов в параметрических алгоритмов МГУА по улучшенному методу инструментальных переменных// Автоматика. 1992. 3. 25-33.
24. Ивахненко А.Г., Мюллер Й.А. Самоорганизация прогнозирующих моделей. Киев: Техника, 1985. 225 с.
25. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. 120 с. ЗО.Кендалл М. Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. 736 с. ЗЬКендалл М. Дж., Стьюарт А. Статистические выводы и связи. Наука, 1973.-890 с.
26. Кокс Д., Снелл Э. Прикладная статистика. Принципы и примеры М.: Мир, 1984.-200 с.
27. Кокс Д., Хинкли Д. Теоретическая статистика. М.: Мир, 1978. 560 с.
28. Кочерга Ю.Л. Оптимизация структуры линейных регрессионных прогнозирующих моделей в условиях неопределенности// Автоматика. 1992.-№3.-С. 42-46.
29. Крамер Г. Математические методы статистики. М.: Мир, 1975. 648 с. Зб.Леман Э. Проверка статистических гипотез. М.: Наука, 1979. 408 с.
30. Лоули Д., Максвелл А.Э.. Факторный анализ как статистический метод. М.:Мир, 1967, 146
31. Льюинг Л. Идентификация систем. Теория пользователя. М.: Наука, 1991.-432 с.
32. Малинво Э. Статистические методы эконометрии. М.: 1975,-с.424
33. Малинво Э. Статистические методы эконометрии. М.: 1976,-с.328
34. Налимов В.В. Теория эксперимента. М.: Наука, 1971. 208 с. 42.0всепян Ф.А., Райбман Н.С., Яралов А.А. Идентификация объектов с переменной условной дисперсией. Автоматика и телемеханика, 1978, №9, 59
35. Статистика, Статистика, М.:
36. Перельман И.И. Оперативная идентификация объектов управления. М.: Энергоиздат, 1982. 272 с.
37. Пугачев B.C. Теория случайных функций и ее применение к задачам автоматического управления. М.: Гос. изд. ф.-м. лит-ры, 1960, 884 с.
38. Райбман Н.С. Что такое идентификация? М.: Наука, 1970.-345 с. 47.Рао СР. Линейные статистические методы и их применения. М.: Наука, 1968.-547 с.
39. Расстригин Л.А. Системы экстремального управления. М.: Наука, 1974.-623 с.
40. Расстригин Л.А., Маджаров Н.Е. Введение
41. Репин В.Г., Тартаковсий Г.П. Статистический синтез при априорной неопределенности и сдаптация информационных систем. М.: Радио и связь, 1977.-432 с.
42. Романов В.Л, Выбор наилучшей линейной регрессии: сравнение формальных критериев// Заводская лаборатория, 1990. №1. 90-95.
43. Сборник под редакцией Енюкова. Факторный, дискриминантный и кластерный анализ
44. Современные методы идентификации систем под редакцией П. Эйкхоффа.-М.:Мир, 1983.-400 с. 54,Степашко B.C. Асимптотические свойства выбора моделей// Автоматика. 1988. №6. 65-70.
45. Степашко B.C. Структурная идентификация прогнозирующих моделей в условиях планируемого эксперимента// Автоматика. 1992. №1. 26-35.
46. Федоров В.В. Теория оптимального эксперимента. М.: Наука, 1971. 312с.
47. Филатова Д. В. Анализ изменчивости биржевых котировок методом идентификации компонентной модели Вестник Сев. ГТУ: Сб. науч. тр.-1999.-С.117-122.
48. Филатова Д.В. Метод идентификации гетероскедастической модели технологического процесса //Оптимизация производственных процессов. 1 999. №2 184-186.
49. Филатова Д.В. Применение метода идентификации дисперсионной модели для мониторинга динамики цен коммерческой торговли Вестник Сев. ГТУ: Сб. науч. тр. 1999. -Вып. 21. 144 148.
50. Фишер Ф. Проблема идентификации в эконометрии. М.: Статистика, 1978.-233 с.
51. Хальд А. Математическая статистика с техническими приложениями. М.:ИЛ, 1956.-346 с.
52. Харман Г. Современный факторный анализ. М.: Статистика, 1972. 488 с. бЗ.Хартман К., Э. Лецкий, В. Шефер. Планирование эксперимента в исследовании технологических процессов. М.: Мир, 1977. 552 с.
53. Химмельблау Д. Анализ процессов статистическими методами. М.: Мир, 1973.-239 с.
54. Цуканов А.В., Филатова Д.В. Компонентный анализ панельных данных о состоянии технологического процесса //Оптимизация производственных процессов. 1999. №1 91 97.
55. Цуканов А.В., Филатова Д.В. Критерии скользящего контроля в задаче структурной идентификации гетероскедастической модели объекта управления Радиоэлектроника. Информатика. Управление. Запорожье, 1999.- №2-С. 126-129
56. Цуканов А.В., Филатова Д.В. Статистический анализ динамики цен коммерческой торговли Вестник Сев, ГТУ: Сб. науч. тр. 1998. 76-81.
57. Шарп У., Александер Г., Бэйли Дж. Инвестиции. М.: ИНФРА-М, 1999. -1028 с.
58. Шметтеррер Л. Введение
59. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1978.-418 с.
60. Эфрон Б. Нетрадиционные методы многомерного статистического анализа. М.: Финансы и статистика, 1988. 263 с.
61. Юрачковский Ю.П. Структурное моделирование по выборкам наблюдений//Автоматика. 1 9 8 3 1 С 30-38.
62. Юрачковский Ю.П., Грошков А.Н. Оптимальное разбиение исходных данных на обучающую и проверочную последовательности на основе анализа функций распределения критерия// Автоматика. 1980. №2. 5-12.
63. Andrews D.W.K. Consistent Moment Selection Procedures for Generalised Method of Moment Estimation Econometrica. 1999. Vol. 67, 3. P. 543-564.
64. Baltagi B.H. Econometric Analysis of Panel Data. New York: Wiley, 1995. -398p.
65. Bradlow E. Т., Zaslavsky A. M. A Hierarchical Latent Variable Model for Ordinal Data From a Customer Satisfaction Survey With "No Answer" ReСевастополь:
66. Chen J., Gupta A.K. Nesting and Location Variance Changepoints With Application to Stock Prices Journal of the American Statistical Association. 1999. Vol. 92, 438. P. 739 747.
67. Daniels M.J., Gatsonis С Hierarchical Generalized Linear Models in the Analysis of Variations in Health Care Utilization// Journal of the American Statistical Association. 1999. Vol. 94, 445. P. 29 43.
68. Filatova D.V. Application of Dynamic Factor Model for the Training Process Prediction Computational Intelligence and Applications (Studies in fuzziness and soft computing). Vol.
69. Germany: Physica-Verlag, 1999. P. 150-155
70. Filatova D.V. Application of Factor Analysis for Construction of the Training Process Models 15" IMACS World Congress on Scientific Computation, Modelling and Applied Mathematics, Proceedings Vol.1, 1997. 605-608.
71. Filatova D.V., Filatova E.V. The method of Factor Model Identification of Complex Control Object ISI Satellite Meeting Mathematical Statistics and its application to Biosciences. Rostock, 1997. P. 70.
72. Gauch H.G. Jr. Model Selection and Validation for Yield Trials with Interaction Biometrics. 1988. 44. P. 705 715.
73. Herzberg A. M., Tsukanov A.V. The Monte-Carlo comparison of tv/o criteria for the selection of the models Journal of Statistical Computation and Simulation. GB: Gordon and Breach, 1985. N. 22.- P. 113-126.
74. Herzberg A.M., Tsukanov A.V. A Note on Modification of the Jackknife Criterion for Model selection.// Utilitas Mathematica. Winnipeg, 1986. №29. P. 209-216. P.
75. Herzberg A.M., Tsukanov A.V. The design of Experiment for Model selection: Minimization of the Expected Mean-Squared Error Utilitas Mathematica. 1995. Vol. 47. P. 85 96.
76. Herzberg A.M., Tsukanov A.V. The design of Experiment for Model selection with the Jackknife Criterion// Utilitas Mathematica. Winnipeg, 1985. №29. P. 209-216.
77. Herzberg A.M., Tsukanov A.V. The Design of Experiments for Model Selection Proceedings of the 1 World Congress of the Bernoulli Society. 1987.-Vol. 2 P 175-178.
78. Herzberg A.M., Tsukanov A.V. The Monte-Carlo Comparison of two Criteria for the Selection of Models// J. Statist. Comput. Simul. 1985. Vol. 22. P 113-126.
79. Krzanowski W.J. Cross-Validation in Principal Component Analysis Biometrics. 1987. 43. P. 575 584.
80. Kyriazidou E. Estimation of A Panel Data Sample Selection Model Econometrica. 1997.-Vol. 65, 6 P 1335-1364.
81. Mallows С L. Some Comments on Cp. Technometrics. 1973. Vol. 15, 4 P 661—676.
82. Miller A.J. Subset Selection in Regression, London: Chapman and Hall, 1990.-240 p.
83. Moral M.J., Valderrama M. J. A Principal Component Approach to Dynamic Regression Models International Journal of Forecasting. 1997. Vol. 13. P. 237-244.
84. Ronchetti E., Field C Blanchard W. Robust Linear Model Selection by Cross-Validation Journal of the American Statistical Association. 1997. Vol.92, 4 3 9 P 1017-1023.
85. Sitter R.R. Variance Estimation for the Regression Estimator in Two-Phase Sampling Journal of the American Statistical Association. 1999. Vol. 92, 4 3 8 P 780-787.
86. Teylor S.J. Modelling Financial Time Series. Chichester Wiley, 1986. 507 p.
87. Tsukanov A. V., Filatova D. V. The Component Model Identification Method of Multivariate Economic Process. COMPSTAT 1998, Proceedings in Computing Statistics. Heidelberg, 1998. P. 218 219.