Найти

Результаты поиска

• МЕТОД АВТОМАТИЧЕСКОЙ ОПТИМИЗАЦИИ БАЗЫ НЕЧЕТКИХ ПРАВИЛ ИНТЕЛЛЕКТУАЛЬНЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ СУБТРАКТИВНОЙ КЛАСТЕРИЗАЦИИ

  А.С. Игнатьева , В.В. Шадрина , В. В. Игнатьев , А.В. Максимов

  181-197

  2025-07-24

  Аннотация ▼

  Целью работы является разработка метода оптимизации базы нечетких правил интеллектуального регулятора для управления техническим объектом с использованием субтрактивной кластеризации. В статье приведен обзор и краткий анализ состояния дел в области оптимизации работы интеллектуальных систем управления. Для достижения цели исследования разработана гибридная модель, в которой управление техническим объектом реализуется с помощью классического ПИ-регулятора и нечеткого ПИ-регулятора с сгенерированной структурой системы нечеткого вывода типа Cyгено и разработанной моделью адаптивной системы нейро-нечеткого вывода. Данная конфигурация модели позволяет формировать базу нечетких правил, которая не зависит от знаний эксперта в предметной области. В статье предложен новый метод оптимизации базы правил нечеткого регулятора на основе методов кластеризации, в частности субтрактивной кластеризации, позволяющий уменьшать количество правил нечеткого логического вывода и увеличить быстродействие системы управления техническим объектом. Сначала проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов до применения субтрактивной кластеризации. Применение субтрактивной кластеризации по разработанному в исследовании способу для значений классического регулятора и нечеткого, позволило добиться их количественного сокращения в 1,7 и 5,25 раз соответственно. Затем проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов после применения субтрактивной кластеризации. Результаты, полученные в процессе моделирования показали высокую эффективность предложенного метода оптимизации базы правил нечеткого регулятора. За счет применения субтрактивной кластеризации в гибридной модели для интеллектуального регулятора удалось значительно уменьшить количество функций принадлежности, требуемых для описания входных лингвистических переменных (с пяти до четырех) и уменьшить количество правил нечеткого логического вывода (с двадцати пяти до шестнадцати). Анализ полученных графиков переходных процессов, полученных для гибридных моделей до и после применения субтрактивной кластеризации, показал, что основные показатели качества процесса управления остаются неизменными при существенном сокращении проводимых вычислений.

• МЕТОД ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ, ОСНОВАННЫЙ НА КОГНИТИВНОМ НЕЧЕТКОМ МОДЕЛИРОВАНИИ И РЕГРЕССИОННОМ АНАЛИЗЕ

  А.И. Гусева , Р.М. Романов

  157-178

  2025-12-30

  Аннотация ▼

  Актуальность исследования определяется низкой эффективностью традиционных методов прогнозирования временных рядов в условиях высокой неопределённости и ограниченного объёма данных, характерных для слабо формализованных систем. Цель работы заключается в разработке и обосновании метода прогнозирования временных рядов на основе гибридного подхода, объединяющего когнитивное нечеткое моделирование, регрессионный анализ и метод аналитических сетей. В рамках исследования проведён системный обзор и сравнительный анализ существующих методов прогнозирования, включая подходы на основе нечеткой логики, нейросетевого и когнитивного моделирования, ансамблевых и гибридных методов, и выявлены их ограничения при работе с малыми выборками, нелинейными зависимостями и неопределённостью. Разработанный метод включает: построение нечетких когнитивных карт, дефаззификацию лингвистических оценок, кластеризацию факторов, применение метода аналитических сетей для определения приоритетов и формирование взвешенной регрессионной модели. Модель проходит статистическую валидацию по метрикам , ,  и , а также проверку предпосылок регрессионного анализа, включая тесты на мультиколлинеарность и автокорреляцию. Применение метода обеспечило снижение  с 0,38 до 0,22,  с 0,30 до 0,18 и  с 11,65 % до 7,12 %, что подтверждает повышение точности и устойчивости прогнозов при ограниченном объёме данных по сравнению с классической многофакторной регрессией. Новизна разработанного метода заключается в интеграции когнитивного моделирования, регрессионного анализа и метода аналитических сетей, при которой преимущества каждого компонента компенсируют их индивидуальные ограничения, обеспечивая более точное и устойчивое прогнозирование в условиях неопределённости исследуемой системы. Практическая значимость работы состоит в возможности применения предложенного метода для поддержки принятия решений и повышения обоснованности прогнозов в различных предметных областях и ситуациях, где имеется ограниченный объёма наблюдений, а существенную роль играют экспертные оценки, а также сложная структура причинно-следственных связей между показателями во времени