Wyniki wyszukiwania - BazTech

1

The object behaviour analysis, control and prognosis in a state space.

Rogoza V., Bobkowska J.

Przegląd Elektrotechniczny

|

2014

|

R. 90, nr 3

124--127

EN

The paper deals with possibility of analyzing the behaviour of complex processes, controlling them and their prognosis in a state space. We express the coefficients of the state equations with increases in terms of the coefficients of the partial regression models based on the KolmogorovGabor equations with sensitivity functions [3]. Then we examine what derived increases’ values can mean. And whether they can be used in order to predict future values of the studied process. The results are promising for the processes characterized by certain regularities (without noises).

PL

Poniższy artykuł omawia możliwość analizowania zachowania się złożonych procesów, sterowania nimi oraz ich prognostyki w przestrzeni stanów. Próbujemy wyrazić współczynniki równań stanów w przyrostach poprzez współczynniki cząstkowych modeli regresyjnych opartych na równaniach Kołmogorowa-Gabora zawierających funkcje wrażliwości [3]. Badamy, jaki sens mogą mieć uzyskane wartości przyrostów oraz czy można ich wartości wykorzystać w celu predykcji przyszłych wartości badanego procesu. Dla funkcji charakteryzujących się pewnymi regularnościami (brak szumów) wyniki są obiecujące.

2

Wady i zalety metody prognozowania zachowania złożonych procesów opartej na metodzie GMDH z funkcjami wrażliwości

Bobkowska J.

Pomiary Automatyka Kontrola

|

2014

|

R. 60, nr 12

1136--1139

PL

W artykule przedstawiono zalety i ograniczenia metody predykcji procesów złożonych reprezentowanych przez szeregi czasowe, opartej na metodzie GMDH i korzystającej z właściwości funkcji wrażliwości. Użycie funkcji wrażliwości ma zapewnić zwiększenie precyzji predykcji w stosunku do metody podstawowej, dzięki informacjom o kierunku i szybkości zmian wartości zmiennych szeregu, zawartych w funkcjach wrażliwości. Na wejściu potrzebna jest niewielka ilości danych (siedem). Metoda wykazuje zwiększenie skuteczności w stosunku do GMDH nawet przy wykorzystaniu wielomianów Kołmogorowa-Gabora jedynie drugiego stopnia.

EN

In this paper, there are presented the advantages and limitations of the prediction method of complex processes (presented in the form of the time series) which is based on the Russian researcher A. G. Ivakhnenko-GMDH method and uses the properties of the first and second-order sensitivity functions. Sensitivity function is used to ensure an increase of the precision of the prediction in relation to the basic method, thanks to the information about direction and changes in the values of the time series variables and the speed of these changes included in them. We need only small amount of input data (seven) opposed to the other regression methods using large amounts of information in order to study the statistical relationship between time series variables. On the basis of several alternative (partial) models we receive several outputs for every time-series variable, from which we choose the best (terms previously fixed criteria) [1]. Figures 1, 4, 6 and 7 show the results of the prediction of the best partial models for one or two steps forward. Others show values of the sensitivity functions indicating an influence on the studied variables. Results of the prediction without using the sensitivity function differ significantly from the expected values, therefore, are not shown in the drawings. The method shows an increase in efficacy in comparison with GMDH even for second degree Kolomogorov-Gabor polynomials.

3

Comparison of the results of time series prediction obtained with the classical GMDH algorithm and the modified method containing sensitivity functions

Bobkowska J.

Pomiary Automatyka Kontrola

|

2013

|

R. 59, nr 7

688--691

EN

The paper presents the results of prediction experiments dealing with the behavior of a complex process containing significant regularity which is modeled by a given time series. In my research I use only a small amount of the input data in order to predict future states of the aforementioned time series using a modified GMDH containing sensitivity functions. It turns out that, for some specific processes, sensitivity functions allow us to obtain more accurate results than the classical GMDH.

PL

Poniższy artykuł przedstawia wyniki eksperymentów dotyczących predykcji zachowania pewnego złożonego procesu zawierającego znaczne regularności, który modelowany jest za pomocą szeregu czasowego. W celu predykcji kolejnych wartości szeregu korzystam jedynie z niewielkiej ilości danych wejściowych stosując zmodyfikowaną metodę GMDH (Group Method of Data Handling) zawierającą funkcje czułości. Metody statystyczne stosowane zwykle w celu ustalenia zależności między poszczególnymi zmiennymi są całkowicie nieprzydatne w warunkach niewielkiej ilości danych wejściowych. Trudno w takich warunkach dostrzec i zbadać regularności szeregu i zależności pomiędzy zmiennymi tego szeregu. Nawet jeśli badany szereg jest szeregiem ze ściśle określoną regularnością, to nie mamy pewności, że ilość próbek, na których ma sposobność pracować badacz jest wystarczająca do określenia wszystkich jego cech. Proces przedstawiony za pomocą pewnego szeregu, może mieć np. składnik cykliczny, który przy małej ilości próbek będzie niewidoczny. Korzystamy więc z narzędzia umożliwiającego uchwycenie wahań analizowanego procesu, jego siły czy kierunku wykorzystywanego między innymi w dyscyplinach zajmujących się sterowaniem procesami. Jednym z takich narzędzi szacujących są właśnie funkcje czułości. Uzyskiwane rezultaty badań pokazują, że zastosowanie funkcji czułości pozwala na otrzymanie dokładniejszych wyników predykcji niż klasyczna metoda GMDH dla pewnych szczególnych zachowań procesu.

4

Using sensitivity functions to simulation of complex processes

Rogoza V., Bobkowska J.

Przegląd Elektrotechniczny

|

2012

|

R. 88, nr 10b

188-191

EN

The paper deals with the use of sensitivity functions that allow us to develop mathematical models of complex processes using short-time experimental samples. The process is said to be complex if variables which describe the states of the process in time are interrelated. The models of complex processes proposed in the paper are presented in the form of regression equations which can be used for the analysis of mutual influences of process variables as well as for the short-time prediction of future process states. The discussed approach is based on the assumption that the process to be studied exhibits the regularity property. As is shown in the paper, under this condition, it is sufficient to have five or six experimental samples to start synthesis of models which can be further modified during simulation.

PL

Artykuł dotyczy wykorzystania funkcji czułości do konstrukcji matematycznych modeli złożonych procesów w celu dokonywania krótkoterminowej predykcji. Proces nazywamy złożonym, kiedy zmienne opisujące stany tego procesu w czasie są wzajemnie zależne. Modele złożonych procesów, które proponujemy są przedstawione w postaci układów równań, które mogą być używane do analizowania wzajemnych wpływów zmiennych tych procesów oraz krótkoterminowej prognozy przyszłych stanów tych procesów. Proponowane podejście oparte jest na założeniu, że obserwowany proces wykazuje pewne regularności. W takiej sytuacji wystarczy pięć, sześć próbek danych eksperymentalnych, aby rozpocząć syntezę modeli, które następnie będą modyfikowane podczas symulacji.

5

Analiza zagadnienia prognostyki, jako informatycznego problemu eksploracji danych

Rogoża V., Bobkowska J.

Metody Informatyki Stosowanej

|

2011

|

nr 1

107-19

EN

In this article we will try to prove that the prediction of behaviour of complex objects belongs to that part of contemporary Informatics, which deals with intelligent data analysis on large datasets. We note that the methods based on the creation of extrapolation functions are shown to be most effective for the prediction of the behaviour of objects, in particular, complex objects. Among these methods, one ofthe most promising is the Group Method of Data Han-dling (GMDH), which despite some incomenience has many advantages for effective exploration of knowledge in inaccurate and changing conditions during the tests.

6

Metodologiczne aspekty przewidywania zachowania złożonych systemów z wykorzystaniem metod symulacji indukcyjnej

Rogoza V., Bobkowska J.

Metody Informatyki Stosowanej

|

2010

|

nr 1 (22)

143-161

PL

W niniejszym artykule dokonano próby, z punktu widzenia retrospekcji historycznej, przedstawienia korzeni problematyki badan systemów złożonych sztucznego pochodzenia i udowodnienia tezy o tym, e badania złoonych obiektów i systemów oparte na koncepcji tak zwanej symulacji indukcyjnej udostepniają badaczom efektywne sposoby dokładnego odzwierciedlenia zasadniczych cech omówionych obiektów i systemów. Dla ilustracji podejścia opartego na koncepcji symulacji indukcyjnej wybrano metode grupowania argumentów (GMDH).

EN

The complex system concept is discussed from a historical viewpoint. It is shown that the concept has an inter-disciplinary meaning and it is amenable to theoretical generalization on the systems analysis level. A possible definition of the complex system concept is presented as well as the conclusion on the effectiveness of the use of inductive simulation methods to the study of the mentioned systems are discussed. The GMDH method is analyzed as an example of an inductive approach suitable for the solution of problems of prediction of complex system behavior.