ВНУТРЕННЯЯ ОЦЕНКА ИНФОРМАЦИОННОГО МНОЖЕСТВА ЗАДАЧИ ПАРАМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ ДИНАМИЧЕСКИХ СИСТЕМ ПО ИНТЕРВАЛЬНЫМ ДАННЫМ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассмотрен метод внутренней интервальной оценки информационного множества задачи параметрической идентификации динамических систем, когда экспериментальные данные заданы в виде интервалов. Состояние рассматриваемых динамических систем в каждый момент времени является параметрическим множеством. Построена целевая функция в пространстве интервальных оценок параметров, характеризующая степень включения параметрических множеств состояний в заданные экспериментальные интервальные оценки фазовых переменных. Получено выражение для градиента целевой функции. Предложен подход, состоящий из двух этапов: на первом выполняется минимизация целевой функции методами оптимизации первого порядка, а на втором происходит последовательное расширение полученной оценки информационного множества с контролем значения целевой функции. Для решения множества прямых задач в процессе построения искомой оценки использован ранее разработанный авторами алгоритм адаптивной интерполяции. На представительном ряде задач продемонстрирована эффективность и работоспособность рассматриваемого подхода.

Об авторах

А. Ю Морозов

Федеральный исследовательский центр “Информатика и управление” РАН

Email: morozov@infway.ru
Москва, Россия

Д. Л Ревизников

Федеральный исследовательский центр “Информатика и управление” РАН

Email: reviznikov@mai.ru
Москва, Россия

Список литературы

  1. Estimation of environmental influence on spacecraft materials radiative properties by inverse problems technique / A.V. Nenarokomov, O.M. Alifanov, I.V. Krainova [et al.] // Acta Astronautica. — 2019. — V. 160. — P. 323–330.
  2. Кабанихин, С.И. Алгоритм восстановления характеристик начального состояния сверхновой звезды / С.И. Кабанихин, И.М. Куликов, М.А. Шишленин // Журн. вычислит. математики и мат. физики. — 2020. — Т. 60, № 6. — С. 1035–1044.
  3. Абгарян, К.К. Обратная коэффициентная задача теплопереноса в слоистых наноструктурах / К.К. Абгарян, Р.Г. Носков, Д.Л. Ревизников // Изв. вузов. Материалы электронной техники. — 2017. — Т. 20, № 3. — С. 213–219.
  4. Канторович, Л.В. О некоторых новых подходах к вычислительным методам и обработке наблюдений / Л.В. Канторович // Сиб. мат. журн. — 1962. — Т. 3, № 5. — С. 701–709.
  5. Обработка и анализ интервальных данных / А.Н. Баженов, С.И. Жилин, С.И. Кумков, С.П. Шарый. — М., Ижевск : Институт компьютерных исследований, 2024. — 356 с.
  6. Applied Interval Analysis / L. Jaulin, M. Kieffer, O. Didrit, E. Walter. — London : Springer, 2001. — 379 p.
  7. Bounding Approaches to System Identification / M. Milanese, J. Norton, H. Piet-Lahanier, E. Walter. — New York : Plenum Press, 1996. — 567 p.
  8. Шарый, С.П. Восстановление функциональных зависимостей по данным с интервальной неопределённостью / С.П. Шарый // Информатика и системы управления. — 2022. — № 3 (73). — С. 130–143.
  9. Шарый, С.П. Задача восстановления зависимостей по данным с интервальной неопределённостью / С.П. Шарый // Заводская лаборатория. Диагностика материалов. — 2020. — Т. 86, № 1. — С. 62–74.
  10. Алгоритм решения обратной задачи химической кинетики в условиях неопределённости исходных данных / Э.Н. Мифтахов, Д.Р. Зигангирова, С.А. Мустафина, Н.Д. Морозкин // Вестн. технол. ун-та. — 2020. — Т. 23, № 11. — С. 101–105.
  11. Кантор, О.Г. Предельно допустимые оценки в задачах параметрической идентификации математических моделей / О.Г. Кантор : дис. . . . д-ра физ.-мат. наук : 05.13.18. — М. : ФГБОУ ВО “Уфимский государственный нефтяной технический университет”, 2020. — 272 с.
  12. Балансно-характеристический метод расчёта гемодинамики в сосуде с подвижными стенками / В.М. Головизнин, В.В. Конопляников, П.А. Майоров, С.И. Мухин // Дифференц. уравнения. — 2024. — Т. 60, № 3. — С. 418–432.
  13. Попков, Ю.С. Рандомизация и энтропия в обработке данных, динамических системах, машинном обучении / Ю.С. Попков. — М. : Ленанд, 2023. — 300 c.
  14. Tarkhov, D. Semi-empirical Neural Network Modeling and Digital Twins Development / D. Tarkhov, A.N. Vasilyev. — Publisher. Academic Press, 2019. — 240 p.
  15. Морозов, А.Ю. Алгоритм адаптивной интерполяции на основе kd-дерева для численного интегрирования систем ОДУ с интервальными начальными условиями / А.Ю. Морозов, Д.Л. Ревизников // Дифференц. уравнения. — 2018. — Т. 54, № 7. — С. 963–974.
  16. Морозов, А.Ю. Алгоритм адаптивной интерполяции на разреженных сетках для численного интегрирования систем обыкновенных дифференциальных уравнений с интервальными неопределённостями / А.Ю. Морозов, Д.Л. Ревизников // Дифференц. уравнения. — 2021. — Т. 57, № 7. — С. 976–987.
  17. Морозов, А.Ю. Интервальный подход к решению задач параметрической идентификации динамических систем / А.Ю. Морозов, Д.Л. Ревизников // Дифференц. уравнения. — 2022. — Т. 58, № 7. — С. 962–976.
  18. Морозов, А.Ю. Параметрическая идентификация динамических систем на основе внешних интервальных оценок фазовых переменных / А.Ю. Морозов, Д.Л. Ревизников // Компьютерные исследования и моделирование. — 2024. — Т. 16, № 2. — С. 299–314.
  19. Морозов, А.Ю. Алгоритмы численного решения дробно-дифференциальных уравнений с интервальными параметрами / А.Ю. Морозов, Д.Л. Ревизников // Сиб. журн. индустриальной математики. — 2023. — Т. 26, № 4. — C. 93–108.
  20. Морозов, А.Ю. Алгоритм подвижного окна для параметрической идентификации динамических систем с прямоугольными и эллипсоидными областями неопределённости параметров / А.Ю. Морозов, Д.Л. Ревизников // Дифференц. уравнения. — 2023. — Т. 59, № 6. — С. 814–827.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».