Во второй выпуск вошли гл. 10 — 13. В гл. 10 рассматриваются модели линейных передаточных функций, представимые в виде конечно-разностных уравнений. Гл. 11 посвящена методам идентификации, подгонки и проверки этих моделей. В гл. 12 изучаются задачи регулирования систем с прямой и обратной связями. Наконец, в гл. 13 рассмотрены некоторые дальнейшие задачи регулирования, такие, как перенос источника шума в различные точки системы, управление с ограничением дисперсии входа и другие.
Для прогнозирования выхода светлых фракций установкой ЭЛОУ-АВТ-6 проведен сравнительный анализ модели рекуррентной нейронной сети и модели авторегрессии ARIMA. Приведено математическое описание этих моделей. Приведена реализация моделей с использованием библиотек Keras и Pmdarima на языке Python. Проведена серия экспериментов, в качестве данных использовались значения температуры куба колонны К-2, расход сырой нефти и расход фракции бензина. Сделан вывод, о превосходстве качества прогноза нейронных сетей над ARIMA
Данная статья нацелена на определение наиболее эффективной модели машинного обучения для кластеризации данных вибродиагностики. Исследование включает анализ различных моделей и методов, таких как k-means, Agglomerative Clustering, TimeSeriesKMeans и CatBoost. Цель состоит в выборе метода, способного наилучшим образом выявить структуру данных и улучшить понимание особенностей вибрационных сигналов. Результаты исследования могут быть полезны для разработки эффективных систем мониторинга и диагностики оборудования, а также для повышения надежности и производительности технических систем.
В данной статье рассматривается применение нейронных сетей LSTM для прогнозирования потребления электроэнергии. Для обучения и тестирования модели использовались данные о потреблении электроэнергии за несколько лет. Для повышения качества прогнозирования были проведены эксперименты с различными параметрами нейронной сети, такими как число нейронов и глубина истории данных. Результаты показали, что нейронная сеть LSTM обеспечивает высокую точность прогнозирования объемов потребления электроэнергии на основе статистических данных. Эти результаты могут быть полезными для энергетических компаний и государственных органов, занимающихся прогнозированием и планированием энергетических потребностей.
Изложены элементы теории экспертно-статистических систем. Приводится описание процедур прогнозирования на основе метода аналогов, а также программная система ЭКСПАМ, в которой реализованы алгоритмы экспертно-статистической обработки применительно к решению задачи прогнозирования временных рядов по малым выборкам с применением метода аналогов. Приводятся примеры.
Содержание пособия включает изложение основных подходов направления интеллектуального анализа временных рядов (Time Series Data Mining), которое в настоящее время объединяет статистические, нейросетевые и нечеткие модели и технологии анализа временных рядов. Описание моделей и технологий базируется на современном обзоре отечественных и зарубежных источников, системном подходе и сопровождается примерами и контрольными вопросами. Рассматриваются авторские модели временных рядов на основе анализа нечетких тенденций, позволяющие прогнозировать не только числовые значения временных рядов, но и направление их изменения, а также генерировать краткое описание поведения временного ряда в лингвистической форме.
Пособие предназначено для поддержки дисциплин «Интеллектуальные информационные технологии», «Информационные технологии», «Информатика», дневной, вечерней, заочной и дистанционной форм обучения, а также для магистрантов и аспирантов, специализирующихся в области интеллектуальной обработки данных.
Содержание пособия включает изложение основных подходов направления интеллектуального анализа временных рядов (Time Series Data Mining), которое в настоящее время объединяет статистические, нейросетевые и нечеткие модели и технологии анализа временных рядов. Описание моделей и технологий базируется на современном обзоре отечественных и зарубежных источников, системном подходе и сопровождается примерами и контрольными вопросами. Рассматриваются авторские модели временных рядов на основе анализа нечетких тенденций, позволяющие прогнозировать не только числовые значения временных рядов, но и направление их изменения, а также генерировать краткое описание поведения временного ряда в лингвистической форме.
Пособие предназначено для поддержки дисциплин «Интеллектуальные информационные технологии», «Информационные технологии», «Информатика», дневной, вечерней, заочной и дистанционной форм обучения, а также для магистрантов и аспирантов, специализирующихся в области интеллектуальной обработки данных.
Проведено аналитическое исследование проблемы предупреждения аварийных ситуаций и предиктивной диагностики оборудования при добыче углеводородов на нефтегазовых месторождениях, а также способов решения данной проблемы путем использования искусственного интеллекта, основанного на глубоких нейронных сетях. Одним из ключевых факторов, сдерживающих развитие систем предиктивной диагностики оборудования, является недостаток данных, описывающих предаварийные ситуации, которые необходимы для качественного обучения нейросетевых моделей. Приводится обзор публикаций и исследований последних лет по тематике анализа телеметрических данных и распознавания аварийных ситуаций. Рассматриваются нейросетевые модели, которые могут быть использованы для прогнозирования выхода из строя насосно-компрессорного оборудования и других агрегатов. Изучены случаи применения нейросетевых моделей, специально обученных для решения данной задачи, а также нейросетевые модели, используемые в иных задачах, но анализирующие схожие структуры данных. Поднимается вопрос переноса обучения, чтобы адаптировать нейросетевые модели, изначально разработанные и обученные для других областей, к использованию в рассматриваемой области, в целях уменьшения объема выборки при обучении промышленного искусственного интеллекта. Проведено сравнение достигнутых результатов, обозначены преимущества и недостатки существующих технических решений.
В статье предлагаются два подхода к анализу временных рядов численности бактериопланктона в трех различных слоях водной толщи озера Байкал. При первом подходе рассчитываются значения сезонной компоненты рядов методом скользящей средней и строятся аддитивные и мультипликативные модели, из которых на основании рассчитанных коэффициентов достоверности, выбираются лучшие. Проводится интерпретация оценок значений сезонной компоненты в каждой из них. При втором подходе выполняется корреляционно-регрессионный анализ совместного изменения численности бактериопланктона, температуры и уровня воды озера. Выдвигаются и проверяются статистические гипотезы о значимости коэффициентов корреляции между рассматриваемыми факторами. Строится математическая модель множественной регрессии с включением фиктивных переменных, описывающих влияние сезонных колебаний на изменение численности бактериопланктона. Рассчитывается статистическая оценка значимости построенной модели и включенных в модель факторов. Приводится интерпретация результатов корреляционно-регрессионного анализа по отношению к исследуемой предметной области. Делается вывод о том, что полученные результаты могут быть использованы при прогнозировании количества бактериопланктона в разные периоды времени, при составлении экологического обоснования состояния озера, а также прогноза его микробиологического режима.
Целью исследований являлась разработка методики моделирования и прогнозирования состояния оползня по результатам наблюдений, полученных в реальном режиме времени, с использованием автоматизированной системы мониторинга, включающей в себя геотехническое и геодезическое оборудование (поверхностные наклономеры, электриче-ские трехмерные трещиномеры, датчики давления грунта, инклинометры). Объект исследований – реальные данные результатов геотехнического мониторинга при проведении работ по строительству и реконструкции подпорных стенок на автомобильной дороге А‑147 Джубга – Сочи – граница с Республикой Абхазия, Краснодарский край, на участке км 195+310 – км 196+985. Традиционные методы изучения результатов мониторинга ограничиваются визуализацией наблюдений и расчетом описательных характеристик. Между тем наблюдения представляют собой временную последова-тельность, которая может быть рассмотрена с точки зрения теории стохастических временных рядов. Задача исследований заключалась в выявлении закономерностей развития оползневых процессов, чтобы актуализировать подход, опирающийся на данные. Полученные результаты анализа данных мониторинга оползневого склона позволяют сделать вывод о том, что наблюдения могут описываться моделями многомерных временных рядов (авторегрессии, скользящего среднего, авторегрессии скользящего среднего, авторегрессии проинтегрированного скользящего среднего и векторной регрессии), которые могут использоваться для прогнозирования развития оползней и количественной оценки риска.