Система прогнозирования поведения динамической системы с выделением протяженных во времени стадий

Полезная модель относится к области обработки данных для специальных применений и может быть использована для формирования модели объекта исследования на основе скрытых моделей Маркова для предсказания (прогнозирования) поведения объекта, описываемого набором индикаторов, в частности, для выделения протяженных по времени стадий функционирования объекта, когда он сохраняет относительно стабильное состояние, определяемого значениями индикаторов, характеризующих его поведение. Система содержит блок памяти последовательности кодов, осуществляющий хранение кодов, описывающих начальные вектора состояний объекта, блок памяти стохастических матриц переходов, блок формирования векторов текущих состояний объекта, и блок сравнения векторов начальных и текущих состояний объекта. 1 п.ф., 1 ил.

Полезная модель относится к области обработки данных для специальных применений и может быть использована для создания моделей прогнозирования поведения динамических систем с выделением протяженных во времени стадий, когда они сохраняют относительно стабильное состояние, определяемого значениями индикаторов, характеризующих их поведение.

Известно устройство, содержащее генераторы пилообразного напряжения, аналого-цифровые и цифроаналоговые преобразователи, элементы ИЛИ, блоки памяти функций принадлежности, блоки определения минимума, блоки сравнения, блоки вычитания из единицы, регистры, счетчик и элементы задержки с соответствующими связями [SU 1791815, G06F 7/58, 1990].

Недостатком устройства являются относительно узкие функциональные возможности.

Известно также устройство, содержащее n параллельных сумматоров, входы и выходы которых являются, соответственно, группой входов и группой выходов устройства, а также n блоков умножения на весовые коэффициенты, при этом вход i-ого блока умножения на весовые коэффициенты (i=1N) соединен с выходом i-ого параллельного сумматора, а каждый из выходов j-ого блока умножения на весовые коэффициенты (j=1N) соединен с соответствующим ему входом взвешенного сигнала i-ого сумматора (i не = j) [А.В.Назаров, А.И.Лоскутов. Нейросетевые алгоритмы прогнозирования и оптимизации систем. Санкт-Петербург: Наука и Техника, 2003 г., стр.231].

Недостатком этого устройства также являются относительно узкие функциональные возможности.

Известно также устройство, содержащее N параллельных сумматоров, входы которых являются группой входов устройства, а также N блоков умножения на весовые коэффициенты, при этом каждый из выходов j-ого блока умножения на весовые коэффициенты (j=1N) соединен с соответствующим ему входом взвешенного сигнала i-ого параллельного сумматора (i=1N, i не = j), а также N блоков сжатия отображения, причем входы i-ых блоков умножения на весовые коэффициенты (i=1N) соединены с выходами одноименных блоков сжатия отображения, входы которых соединены с выходами одноименных параллельных сумматоров, а выходы являются группой выходов устройства [RU 45579, U1, Н03М 7/14, 2005].

Это устройство также обладает относительно узкими функциональными возможностями.

Известным является также устройство, содержащее группу из М параллельных сумматоров и N групп по M блоков умножения на весовые коэффициенты, при этом, выход каждого из блоков умножения на весовые коэффициенты группы по М блоков умножения на весовые коэффициенты из N групп по М блоков умножения на весовые коэффициенты соединен со входом соответствующего параллельного сумматора группы из М параллельных сумматоров, а устройство содержит также блок формирования фрагментов изображения, группа из N пороговых блоков, каждый из которых содержит группу из Р пороговых элементов и группу из Q пороговых элементов, входы которых соединены с соответствующими выходами блока формирования фрагментов изображения, группа из N блоков бинарной дизъюнкции векторов, первые входы каждого из которых соединены с выходами соответствующего порогового блока группы из N пороговых блоков, блок формирования случайного бинарного разреженного вектора, выход которого соединен со вторыми входами каждого из блоков группы из N блоков бинарной дизъюнкции векторов, а также группа из N параллельных перемножителей, входы каждого из которых соединены с выходами соответствующего блока группы из N блоков бинарной дизъюнкции векторов, а выходы соединены с входами блоков умножения на весовые коэффициенты соответствующей группы по М блоков умножения на весовые коэффициенты из N групп по М блоков умножения на весовые коэффициенты [RU 2321946, С1, Н03М 7/14, 2008].

Недостатком и этого устройства является относительно узкие функциональные возможности.

Наиболее близким по технической сущности к предложенному является техническое решение, содержащее генератор псевдослучайных кодов, мультиплексор выдачи теста, генератор случайной последовательности, блок памяти последовательности кодов микротестов и блок управления [RU 2012924, С1, G06F 11/26, 15.05.1994].

Недостатком этого устройства является относительно узкие функциональные возможности, поскольку оно позволяет формировать последовательности, вероятности появления которых описываются цепью Маркова, но не позволяет прогнозировать поведение динамической системы с выделением протяженных во времени стадий.

Требуемый технический результат заключается в расширении функциональных возможностей.

Требуемый технический результат достигается тем, что, в систему, содержащую блок памяти последовательности кодов, введены блок памяти стохастических матриц переходов, блок формирования векторов текущих состояний объекта, вход-выход которого соединен с входом-выходом блока памяти стохастических матриц переходов, а вход - соединен с выходом блока памяти последовательности кодов, и блок сравнения векторов начальных и текущих состояний объекта, первый вход которого соединен с выходом блока формирования векторов текущих состояний объекта, а второй вход - соединен с выходом блока памяти последовательности кодов, осуществляющего хранение кодов, описывающих начальные вектора состояний объекта.

На чертеже представлена функциональная схема системы прогнозирования поведения динамической системы с выделением протяженных во времени стадий.

Система прогнозирования поведения динамической системы с выделением протяженных во времени стадий содержит блок 1 памяти последовательности кодов, который осуществляет хранение кодов, описывающих начальные вектора состояний объекта.

Кроме того, система прогнозирования поведения динамической системы с выделением протяженных во времени стадий содержит блок 2 памяти стохастических матриц переходов, блок 3 формирования векторов текущих состояний объекта, вход-выход которого соединен с входом-выходом блока 2 памяти стохастических матриц переходов, а вход - соединен с выходом блока 1 памяти последовательности кодов, и блок 4 сравнения векторов начальных и текущих состояний объекта, первый вход которого соединен с выходом блока 3 формирования векторов текущих состояний объекта, а второй вход - соединен с выходом блока 1 памяти последовательности кодов.

Система содержит элементы, охарактеризованные на функциональном уровне, и описываемая форма реализации предполагает использование программируемого (настраиваемого) многофункционального средства, поэтому ниже представляются сведения, подтверждающие возможность выполнения таким средством конкретной предписываемой ему в составе системы функции, включая алгоритмы их работы или соответствующие математические выражения.

Работает система прогнозирования поведения динамической системы с выделением протяженных во времени стадий следующим образом.

Известно, что поведение большинства сложных динамических систем (объектов, процессов) разбивается на ряд протяженных по времени стадий, которые характеризуются относительно стабильным состоянием, определяемых характеризующих их значениями индикаторов (характеристик, параметров).

В предложенной системе производится моделирование поведения сложной динамической системы, в которой переход между состояниями описывается Марковской цепью.

При этом используются следующие допущения.

Предположим, что X=[X₁,, X_Т] - это последовательность случайных переменных, принимающих значения на некотором конечном множестве S={X ₁,, X_Т}, состояний. При допущении, что очередное состояние зависит только от предыдущего, эти последовательность состояний сложной динамической системы описывается Марковской цепью, которая характеризуется стохастической матрицей переходов

a_ij=P(X_t+1=s_jX_t=s_i)

При этом, a_ij0,i,j and

При таких допущениях работа предложенной системы происходит следующим образом.

Предварительно производится наблюдение за сложной динамической системой (объектом, процессом) и фиксация ее последовательных состояний, что позволяет получить статистическую оценку стохастической матрицы переходов, которая заносится в блок 2 памяти стохастической матрицы переходов.

Далее осуществляется процесс моделирования. Для этого, в блоке 1 формируются и хранятся последовательности кодов, описывающих начальные вектора состояний сложной динамической системой (объекта, процесса), например, вектора индикаторов состояний.

По начальному коду, описывающему начальный вектор состояния сложной динамической системой (объекта, процесса), или в промежутках между относительно редкими моментами их формирования, в блоке 3 с использованием информации, хранящейся в блоке 2 памяти, разыгрываются вероятности переходов их начального состояния в текущее состояние, т.е. формируются очередные состояния сложной динамической системы (объекта, процесса) в виде векторов текущих индикаторов состояний. Вектора текущих индикаторов состояний сравниваются в блоке 4 сравнения с вектором, описывающим начальное состояние, поступающим из блока 1. Если отклонения каждой пары соответствующих компонентов векторов отличаются не более, чем на некоторую допустимую величину, то на выходе блока 4 сравнения наблюдается сигнал с уровнем логической единицы и считается, что протекает стадия относительно стабильного состояния сложной динамической системы (объекта, процесса). В противном случае на выходе блока 4 наблюдается сигнал с уровнем логического нуля. Таким образом производится моделирование состояния сложной динамической системы (объекта, процесса), т.е. формируется ее процессная модель в виде последовательности текущих векторов состояний на выходе блока 3 с выделением протяженных во времени стадий на выходе блока 4, когда они сохраняют относительно стабильное значение по всем компонентам.

Меняя в блоке 4 сравнения уровни допустимых отклонения компонентов векторов состояний обеспечивается возможность определения стадий относительно стабильного состояния объекта при различных требованиях к стабильности.

Таким образом, благодаря усовершенствованию известного устройства, получен требуемый технический результат, заключающийся в расширении функциональных возможностей, поскольку предлагаемо устройство позволяет сформировать не только последовательности, вероятности появления которых описываются цепью Маркова, но позволяет прогнозировать и поведение сложной динамической системы с выделением протяженных во времени стадий ее относительно стабильного состояния.

Система прогнозирования поведения динамической системы с выделением протяженных во времени стадий, содержащая содержащую блок памяти последовательности кодов, отличающаяся тем, что введены блок памяти стохастических матриц переходов, блок формирования векторов текущих состояний объекта, вход-выход которого соединен с входом-выходом блока памяти стохастических матриц переходов, а вход соединен с выходом блока памяти последовательности кодов, а также блок сравнения векторов начальных и текущих состояний объекта, первый вход которого соединен с выходом блока формирования векторов текущих состояний объекта, а второй вход соединен с выходом блока памяти последовательности кодов, осуществляющего хранение кодов, описывающих начальные вектора состояний объекта.