Статья 6318

Название статьи

НЕЧЕТКАЯ СИСТЕМА ОПРЕДЕЛЕНИЯ ОПТИМАЛЬНЫХ МЕТОДОВ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ
СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ 

Авторы

Дубенко Юрий Владимирович, кандидат технических наук, доцент, кафедра информатики и вычислительной техники, Институт компьютерных систем и информационной безопасности, Кубанский государственный технологический университет (Россия, г. Краснодар, ул. Красная 135), E-mail: scorpioncool1@yandex.ru
Дышкант Евгений Евгеньевич, старший преподаватель, кафедра внутризаводского электрооборудования и автоматики, Армавирский механико-технологический институт (филиал) Кубанского государственного технологического университета (Россия, г. Армавир, ул. Кирова 127), E-mail: ed0802@yandex.ru 

Индекс УДК

004.021 

DOI

10.21685/2072-3059-2018-3-6 

Аннотация

Актуальность и цели. Объектом исследования являются системы определения оптимальных методов для прогнозирования параметров сложных технических систем. Цель исследования – разработка системы определения оптимальных методов для прогнозирования параметров сложных технических систем.
Материалы и методы. При выполнении работы был проведен анализ источников, посвященных проблеме определения оптимальных методов для прогнозирования параметров сложных технических систем, который показал низкую степень ее проработанности. Разработка системы определения оптимальных методов для прогнозирования параметров сложных технических систем выполнялась с использованием аппарата нечеткой логики и метода анализа прецедентов.
Результаты. Разработана система определения оптимальных методов для прогнозирования параметров сложных технических систем.
Выводы. Применение разработанной системы в составе блоков прогнозирования, являющихся компонентами систем управления сложными техническими системами, позволит повысить их быстродействие за счет возможности определения ограниченной группы наиболее оптимальных методов, а также надежность за счет применения методов, позволяющих получить с высокой степенью вероятности наиболее точный прогноз. 

Ключевые слова

прогнозирование, метод, прецедент, анализ, самообучение, нечеткая логика 

 

 Скачать статью в формате PDF

Список литературы

1. Симанков, В. С. Выбор методов прогнозирования при исследовании сложных систем / В. С. Симанков, В. В. Бучацкая // Вестник Адыгейского государственного университета. Сер. 4, Естественно-математические и технические науки. – 2012. – № 2. – C. 118–123.
2. Шориков, А. Ф. Проблема выбора метода прогнозирования результатов инвестиционного проектирования / А. Ф. Шориков, Е. В. Буценко // Известия Уральского государственного экономического университета. – 2006. – № 5 (17). – C. 183–191.
3. Петриченко, Г. С. Выбор метода прогнозирования сложных систем АСУ в зависимости от модели / Г. С. Петриченко, Л. М. Крицкая, Н. Ю. Нарыжная // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2005. – № 14. – C. 1–5.
4. Ларичев, О. И. Вербальный анализ решений / О. И. Ларичев ; Ин-т системного анализа РАН. – М. : Наука, 2006. – 181 с.
5. Ду бенко, Ю. В. Разработка математической модели многофакторного нечеткого прогнозирования потерь электроэнергии : монография / Ю. В. Дубенко, Е. Е. Дышкант ; Кубан. гос. технол. ун-т. – Краснодар : Изд-во ФГБОУ ВПО
«КубГТУ», 2016. – 120 с.
6. Ру тковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский ; пер. с польск. И. Д. Рудинского. – М. : Горячая линия – Телеком, 2006. – 452 с.
7. Вагин, В. Н. Достоверный и правдоподобный вывод в интеллектуальных системах / В. Н. Вагин, Е. Ю. Головина, А. А. Загорянская, М. В. Фомина. – М. : Физматлит, 2008. – 704 с.
8. Варшавский, П. Р. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений / П. Р. Варшавский, А. П. Еремеев // Искусственный интеллект и принятие решений. – 2009. – № 2. – С. 45–57.
9. Гму рман, В. Е. Теория вероятностей и математическая статистика : учеб. пособие / В. Е. Гмурман. – 12-е изд. перераб. – М. : Высшее образование, 2008. – 479 с.
10. Combined Cycle Power Plant // UCI Machine Learning Repository: Data Set. – URL: http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant 

 

Дата создания: 23.10.2018 10:56
Дата обновления: 16.04.2019 15:00