Применение метода функционально-статистических испытаний для автонастройки сложных систем

Страницы работы

Содержание работы

ГЛАВА 2

ПРИМЕНИНИЕ МЕТОДА ФУНКЦИОНАЛЬНО-СТАТИСТИЧЕСКИХ

ИСПЫТАНИЙ  ДЛЯ АВТОНАСТРОЙКИ СЛОЖНЫХ СИСТЕМ

2.1 Основные принципы и концептуальные положения МФСИ

МФСИ - детерминированно-статистический алгоритмический метод информационного синтеза СППР, допускающий гипотезу нечёткой компактности реализаций образа и позволяющий оптимизировать процесс настройки ОКУ по информационному КФЭ [13-16]. Метод ориентирован на использование современных вычислительных комплексов и предназначен для решения различных задач автоматического управления.

В основу концепции МФСИ положены следующие соображения.

1 Разработка информационного обеспечения СППР основывается на принципе системного подхода, требующем изучения объекта (явления) не как отдельной замкнутой системы, а как подсистемы некоторой большой системы со всеми её внутренними и внешними связями. При этом апостериорная информация, получаемая при решении задачи нижнего уровня, используется в качестве априорной информации для решения задачи более высокого уровня сложности. Таким образом, алгоритмы МФСИ имеют иерархическую структуру.

2  Математическая модель классификационной задачи, решаемой в рамках МФСИ, для полноты картины изучения объекта (явления) должна отражать как детерминированные свойства, определяющие изменение характеристик и параметров ОКУ в области относительно "больших масштабов" в пределах их шкал измерения, так и статистические свойства, определяющие изменение его характеристик и параметров в области "малых масштабов". Следовательно, обязательным требованием, предъявляемым к модели ОКУ, является выполнение диалектического положения о соотношении между детерминизмом и случайностью, в силу которого подтверждением правильности вероятностной модели является её переход при определённых условиях в детерминированную модель. В МФСИ в качестве математического описания ОКУ используется множество упорядоченных бинарных векторов состояния, координаты которых получены в результате допусковой оценки первичных контролируемых параметров. При этом детерминированные свойства ОКУ характеризуются конечным множеством эталонных векторов состояний, а статистические свойства - случайными реализациями (изображениями) образов, полученных в процессе функционально-статистических испытаний ОКУ.

3  Поскольку информация о состоянии ОКУ в статистическом смысле, как правило, является неполной, то процесс принятия решений должен моделировать в большей мере механизм принятия решения человеком, отличающийся высокой надежностью в условиях априорной неопределенности. Таким образом, метод должен позволять разрабатывать АСКУ, наделенную элементами искусственного интеллекта.

4  Метод должен позволять оптимизировать параметры и процесс оценки состояния ОКУ по обобщенным и частным КФЭ, которые должны отражать информационные и точностные свойства СППР.

5  В отличие от методов распознавания образов, базирующихся на гипотезе компактности, МФСИ, кроме того, допускает расширение на гипотезу нечеткой компактности, что придает ему обобщающий характер. Классическая гипотеза компактности как гипотеза четкой компактности позволяет ограничиться детерминированным разбиением пространства X на классы распознавания. На практике интерес представляет более общий случай, когда классы распознавания обладают свойством конъюнктивности, что обусловлено нечеткими (размытыми) границами классов. В этом случае условия нечеткого разбиения   пространства X на M классов при нечеткой гипотезе компактности имеют вид:

                                

              

 

                                                                                (2.1.1)

Таким образом, кратко основные положения МФСИ можно сформулировать так:

            метод имеет иерархическую структуру;

            математическое описание ОКУ представляется в виде детерминированных и случайных упорядоченных многокоординатных бинарных векторов состояния ОКУ;

            в качестве модели принятия решения используется детерминированно-статистическая модель распознавания образов.

            метод предусматривает оптимизацию параметров и информационных процессов по информационному КФЭ, в том числе и по обобщенному;

            метод базируется на непараметрических методах математической статистики;

            в процессе настройки организуются функционально-статистические испытания ОКУ по схеме Бернулли;

            метод позволяет оценивать информационные и точностные характеристики СППР;

            метод допускает применение гипотез как четкой, так и нечеткой компактности случайных реализаций образов;

            метод отличается универсальностью применения для ОКУ любой природы и позволяет решать интегративную задачу информационного синтеза СППР.

Похожие материалы

Информация о работе