К проблеме генерации выборки при идентификации безынерционных процессов

Рассматривается задача повышения качества исходных данных при идентификации Н-процессов. Входные переменные такого рода процессов связаны стохастической зависимостью, вследствие этого процесс протекает не в гиперкубе, а лишь в некоторой его подобласти. Этот факт приводит к некоторым особенностям, которые необходимо учитывать при идентификации. При построении моделей в условиях большого объема априорных данных можно воспользоваться методами идентификации в широком смысле. Однако если нет достаточной априорной информации об изучаемом объекте, то необходимо применять методы идентификации в узком смысле. К таким методам относятся непараметрические оценки функции регрессии по наблюдениям. Качество решения задачи идентификации зависит от качества исходных данных. Целесообразно провести предварительный анализ данных для выявления и устранения всех недостатков в выборке. Под предварительным анализом данных принято понимать заполнение пробелов в наблюдениях и устранение выбросов. Подобного рода задачи встречаются при диагностике ракетных двигателей, процессов изготовления изделий электронной техники и др. Однако выборка может обладать другими дефектами (речь о них пойдет ниже), которые негативно влияют на точность оценивания, а в некоторых случаях приведут к тому, что полученная модель будет неадекватна исследуемому процессу. Если точки исходной выборки в области протекания процесса расположены неоднородно, присутствуют области разреженности и отсутствия наблюдений, то в таких областях точность восстановления будет низкой. Вследствие свойств непараметрических моделей, которые относятся к классу локальных аппроксимаций, прогноз в областях отсутствия наблюдений может оказаться достаточно грубым. Для устранения всех этих недостатков предлагается алгоритм получения рабочей выборки путем генерации новых точек в областях, где их плотность по сравнению с остальными областями невелика. После генерации новой рабочей выборки качество восстановления значительно улучшается, что подтверждается результатами численных экспериментов. Подобного рода алгоритмы являются актуальными и могут быть использованы при решении задачи распознавания в различных областях, где важна точность классификации.