Перейти к содержимому
UzScite
  • НСИ
    • Новости События
    • Методическая информация
    • Нормативные документы
  • Каталог журналов
  • Указатель авторов
  • Список организаций

Оптимизация обработки данных нестационарных объектов на основе нечетких моделей идентификации с настройкой параметров

Жуманов И.И.

Вестник ТУИТ

  • № 1 (41) 2017

Страницы: 

34

 – 

47

Язык: русский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

Сформулирована проблема оптимизации обработки данных на основе нечетких моделей идентификации временных рядов с механизмами настройки параметров. Предложена методика формализации процессов гибридной модели идентификации и синтеза моделей описания, нечеткой логики, настройки параметров. Доказана эффективность методов оптимизации обработки данных нестационарных объектов по принципам нечеткого регулятора по сравнению с методами без адаптации.

Вақтли қаторларни идентификация қилувчи параметрларни созлаш механизмли нотиниқ модел бўйича маълумотларга ишлов беришни мақбуллаштириш мауммоси талқин этилган. Тавсифлаш, нотиниқ мантиқ, параметрларни созлаш моделлари синтези асосида гибрид идентификациялаш жараёнларини формаллаштириш услубияти таклиф қилинган. Нотиниқ регуляторга таянган ностационар объект маълумотларига мақбул ишлов бериш адаптациясиз усулларга нисбатан самаралилиги исботланган.

The problem is formulated for task of data processing optimization on the basis of fuzzy models to identification time series with mechanisms of parameters adjustment. The technique is offered for formalization processes of hybrid identification and synthesis models of description, fuzzy logic, parameters adjustment. The efficiency is proved for methods to optimization of non-stationary objects data processing by principles of fuzzy regulator in comparison with methods without adaptation.

Список использованных источников

  1. Аверкин А.Н. , Беленький А.Г. Иерархические интеллектуальные системы поддержки принятия решений в сложно структурированных областях с использованием экспертной информации // Интеллектуальные системы. Том 11, -М., 2007. -с.5-20.
  2. Рассел С. Искусственный интеллект: современный подход/ С. Рассел,П. Норвиг. - М.: Вильямс, 2006. – с. 140-188.
  3. Жуманов И.И. Бекмуродов З.Т. Алгоритмы повышения достоверности прогноза временных рядов с использованием нейро -нечетких сетей и методов кластеризации // Журнал «Вестник ТУИТ», Ташкентский университет информационных технологий. - Ташкент, 2015. - №2 (34). – с. 106-112.
  4. Жуманов И.И. Бекмуродов З.Т. Идентификация случайных временных рядов на основе нейро-нечеткой сети для повышения достоверности прогноза // Труды ХI Международной Азиатской школы -семинара «Проблемы оптимизации сложных систем», 27 июля – 7 августа 2015 г., Кыргызская Республика, Иссык-Кульская область, с. Булан-Соготу –Алматы, 2015 - с. 258-264.
  5. Пельцвергер С.Б. Алгоритмическое обеспечение процессов оценивания в динамических системах в условиях неопределенности. -М.:Наука, 2004. - 116 с.
  6. Колесников А.В., Кириков И.А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. - М.: ИПИ РАН, 2007. – с 70-87.

Список всех публикаций, цитирующих данную статью

Copyright © 2025 UzScite | E-LINE PRESS