Сформулирована проблема и разработаны методические основы повышения эффективности обработки данных и достоверности прогноза случайных временных рядов (СВР) в системах управления путем синтеза динамической и нечеткой моделей идентификации. Исследованы возможности моделей идентификации СВР для оптимизации прогноза нестационарных объектов на основе методов отбора информативных элементов, фильтрации нестационарных составляющих, контроля достоверности данных, регулирования и настройки динамики СВР. Разработаны механизмы фильтрации нестационарных составляющих, устраняющие резкие скачки, случайные всплески, обнаруживающие и исправляющие искаженные элементы СВР. Для реализации высокопроизводительных инструментов распознавания и прогнозирования нестационарных объектов предложена гибридная модель идентификации, совмещающая технологии нейронных сетей (НС), нечетких множеств и нечеткой логики. Решены задачи построения методов оптимизации идентификации СВР с настройкой переменных по рекуррентным выражениям и без их участия. Разработаны вычислительные схемы нечеткого регулирования и настройки переменных на основе нечеткой логики, определения типа функции принадлежности (ФП), границ, параметров ФП, общего интервала принадлежности носителя соответствующим нечетким множествам входных и выходных лингвистических переменных, числа сегментов в общем интервале. Разработан и реализован алгоритм адаптивного обучения по принципу наращивания слоев НС с последовательной настройкой параметров компонентов сети. Гибридная модель построена на основе модифицированных вычислительных схем нечеткого регулятора, базы знаний нечетких правил, алгоритма адаптивного обучения НС. Эффективность инструментариев прогноза нестационарных объектов исследована с учетом воздействия внешней среды и помех, при недостаточности априорных сведений и параметрической неопределенности.

The problem is formulated and the methodological basis is developed for increasing of data processing efficiency and random time series (RTS) forecasting reliability in control systems by synthesizing the dynamic and fuzzy identification models. Possibilities are investigated for RTS identification models which able to optimize the non-stationary objects forecasting on the basis of methods to selecting of informative elements, filtering of non-stationary components, controlling of data reliability, regulating and tuning of RTS dynamics. The mechanisms to filtering of non-stationary components that eliminate sudden jumps, random bursts, detect and correct the distorted elements of RTS are developed. To implement the high-performance tools for recognizing and predicting of non-stationary objects, a hybrid identification model that combines the technologies of neural networks (NN), fuzzy sets and fuzzy logic is proposed. The tasks of constructing methods for optimizing of RTS identification with adjustment of variables by recurrence expressions and without them participation are solved. Computational schemes are developed to fuzzy regulation and adjustments of variables on the basis of fuzzy logic, determination of the type of membership function (MF), boundaries, parameters of MF, common interval of the carrier belonging to the corresponding fuzzy sets of input and output linguistic variables, number of segments in common interval. An adaptive learning algorithm are developed and implemented on the basis of principle of increasing the NN’s layers by consequent adjustment of parameters of network components. The hybrid model is constructed on the basis of modified computational schemes of fuzzy controller, knowledge base with fuzzy rules, adaptive learning algorithm of NN. The effectiveness of tools for non-stationary objects forecasting has been studied taking into account the effect of external environment and interference, in the absence of a priori information and parametric uncertainty.

Бошқариш тизимларида динамик ва нотиниқ идентификациялаш моделлари синтези бўйича маълумотларга ишлов бериш самарадорлиги ва тасодифий вақтли қаторлар (ТВҚ) башорати ишончлигини ошириш муаммоси талқин этилган ҳамда услубий асослари ишлаб чиқилган. Информатив элементларни танлаш, ностационар ташкил этувчиларни филтрлаш, маълумот ишончлигини назорат қилиш, ТВҚ динамикасини мослаш ва созлаш усуллари асосида ностационар объектни мақбул башорат қилиш учун идентификациялаш моделлари имкониятлари тадқиқ қилинган. Кескин ва тасодифий сакрашларни бартараф этувчи, ТВҚ элементлари хатолигини аниқловчи ва тахрир қилувчи ностационар ташкил этувчиларни филтрлаш механизмлари яратилган. Ностационар объектларни таниш ва башоратлашнинг юқори унумдорликка эришувчи воситаларини амалга ошириш учун нейрон тармоқ (НТ), норавшан тўплам ва норавшан мантиқ технологияларини бирлаштирувчи идентификациялашнинг гибрид модели таклиф этилган. Рекуррент ифодалар бўйича ҳамда уларнинг иштирокисиз ТВҚни идентификациялашни оптималлаштириш усулларини яратиш масалалари ечилган. Нотиниқ мантиқ, тегишлилик функцияси (ТФ) турини, чегарасини, параметрларини, кирув ва чиқув лингвистик ўзгарувчиларга хос нотиниқ тўпламлар юритувчиси умумий интервалини ҳамда ундаги сегментлар сонини аниқлаш асосида ўзгарувчини нотиниқ созлаш ва мослашнинг ҳисоблаш схемалари ишлаб чиқилган. НТ қобиқларини ошириш ҳамда тармоқ компонентлари параметрларини кетма-кет созлаш принципига таянган тармоқни адаптив ўргатувчи алгоритм ишлаб чиқилган ва жорийлаштирилган. Жорийлашган гибрид модел нотиниқ регулятор, нотиниқ қоидалар билимлар базаси, НТни адаптив ўргатиш алгоритмининг такомиллаштирилган ҳисоблаш схемалари асосида яратилган. Ностационар объектларни башорат қилиш воситалари самарадорлиги ташқи муҳит ва помехалар таъсири, маълумотлар камчилиги, параметрик ноаниқликларни инобатга олган ҳолда тадқиқ этилган.