РЕФЕРАТ 2
ВВЕДЕНИЕ 12
1 Анализ ТЗ 14
2 Обзор литературы и аналогичных решений 16
2.1 Обзор аналогичного решения 16
2.2 Нечеткая логика 17
2.2.1 Нечеткий логический вывод 17
2.2.2 Архитектура ANFIS 19
2.3 Кратномасштабный анализ 21
3 Практическая реализация прогнозирования 22
3.1 Реализация КМА 22
3.2 Реализация ННС 27
3.2.1 Способы реализации нейро-нечеткой сети в ANFIS 27
3.2.2 Алгоритм обучения 31
3.2.3 Определение оптимального значения шага выборки обучения 35
3.2.4 Результаты обучения 39
3.3 Тестирование 50
3.3.1 Описание алгоритма тестирования 50
3.3.2 Результаты тестирования 51
4 Организационно-экономический раздел 82
4.1 Сетевое планирование 82
4.2 Затраты на проект 83
4.2.1 Расчет параметров работ сетевого графика 90
4.2.2 Расчет затрат на проектирование 92
4.3 Анализ экономического эффекта 94
4.4 Выводы по разделу 95
5 Безопасность жизнедеятельности 96
5.1 Классификация опасных и вредных производственных факторов, которые могут оказывать воздействие на исследователя 96
5.2 Характер воздействия и предъявляемые требования для безопасности от
опасных и вредных производственных факторов 97
5.2.1 Освещение 97
5.2.2 Микроклимат 98
5.2.3 Поражение электрическим током 99
5.2.4 Воздействие электромагнитных полей 99
5.2.5 Шумы при работе с ПЭВМ 100
5.2.6 Нервно-психические перегрузки 101
5.3 Эргономика рабочего места 101
5.3.1 Организация рабочего места 101
5.3.2 Анализ собственного рабочего места 102
ЗАКЛЮЧЕНИЕ 104
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 105
Прогнозирование временных рядов данных очень актуально во всех областях науки в современном мире и играет важную роль при обработке информации в радиотехнических системах. В силу быстроразвивающихся технологий в сфере радиоэлектроники, в частности, радиоэлектронной борьбы, необходимо разрабатывать новые либо улучшать имеющиеся технологии и методы принятия решений.
Решение различных задач в радиотехнических системах и комплексах опирается на упреждающие управленческие решения, которые, в свою очередь, требуют качественный прогноз радиотехнических сигналов.
Цель работы - улучшить точность прогнозирования за счет использования кратно-масштабного анализа, а также создание универсальной модели прогнозирования любых сигналов, которые можно представить во временном ряде.
На данный момент для прогнозирования радиотехнических сигналов существуют и применяют статистические методы, в которых используется сложное математическое моделирование и классические искусственные нейронные сети. В настоящей работе предлагается внедрить технологии нейро-нечеткой сети, которые носят вероятностный характер и дают ориентировочную оценку.
Такие модели уже зарекомендовали себя во многих областях управления техническими системами, например, в таких как, системы прогнозирования землетрясений, автоматическое управление воротами плотины на гидроэлектростанциях, эффективное и стабильное управление автомобильными двигателями и многое другое. Нейро-нечеткая сеть является перспективным направлением для изучения и приложения во всех областях, где выборки сигнала можно представить во временной ряд.
Отличием нейро-нечеткой сети от искусственной нейросети является то, что первая фокусируется на фиксированных и приблизительных рассуждениях, а вторая на фиксированных и точных рассуждениях. Это дает возможность расширить функциональность и улучшить качество работы радиотехнических систем.
Переменная в нечеткой логике может принимать диапазон значений истинности от 0 до 1, в отличие от того, чтобы принимать истинное или ложное значение в традиционных двоичных наборах.
Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи:
- исследование видов вейвлет базисов кратно-масштабного анализа, выбор оптимального решения;
- исследование алгоритмов прогнозирования с помощью нейро-нечеткой сети;
- исследования архитектур нейро-нечетких сетей;
- разработка математических моделей для прогнозирования радиотехнических сигналов;
- тестирование математических моделей без применения КМА на временных рядах реальных сигналов;
- тестирование математических моделей с использованием КМА на временных рядах реальных сигналов;
- сравнение и анализ полученных результатов.
По проведенному исследованию об использовании ННС в прогнозировании временно ряда разного характера и применении КМА в ННС сделаны следующие выводы:
- применение КМА позволяет повысить точность прогнозирования ННС в сильно зашумленных сигналах, максимальное понижение СКО прогнозированных значений составило на 92,26%;
- точность прогнозирования от КМА напрямую зависит от выбора уровня разложение;
- применением КМА с функцией «genfis2» не эффективно для исходных сигналов в виде меандра;
- ННС с функцией «genfis2» является более устойчивым к помехам в отличие от ННС с функцией «anfis».
В ходе исследований была выявлена и решена проблема, которая заключалась в отсутствии согласования КМА с алгоритмом образования обучающей выборки. Дополнительно был исследован корректный выбор шага выборки данных для образования обучающей выборки. При исходном сигнале, не имеющий резких изменений в масштабе времени, допустимо выбирать уровень шага выборки данных j=4...7.
В дальнейшем планируется проводить исследования применения прогнозирования на нейро-нечеткой сети с использованием вейвлет-анализа в частных задачах.
