Кусочная аппроксимация, основанная на непараметрических алгоритмах моделирования

Бесплатный доступ

Рассматривается вопрос моделирования безынерционных процессов. В качестве основного алгоритма моделирования используется алгоритм непараметрического восстановления функции регрессии. Рассматриваемый алгоритм позволяет построить модель технологического процесса в условиях малой априорной информации. Это может быть важно при моделировании процессов больших размерностей, превалирующих в космической отрасли. Одной из важных особенностей алгоритма непараметрической оценки функции регрессии является то, что точность моделирования с использованием этого алгоритма сильно зависит от качества выборки наблюдений. В связи с тем, что в процессах с большой размерностью векторов входных и выходных переменных элементы выборки наблюдений в большинстве случаев распределены неравномерно, разработка модификаций, позволяющих улучшить качество моделирования, является актуальной. Разработана модификация алгоритма непараметрического дуального на основании кусочно-заданных аппроксимаций. Согласно предложенной модификации, область существования процесса разделяется на подобласти и производится восстановление непараметрической оценки функции регрессии для каждой из этих подобластей. Предложенная модификация позволяет уменьшить влияние некоторых особенностей выборки наблюдения, таких как разрежённости или пустоты в выборках наблюдений, на качество построенной модели. В ходе вычислительных экспериментов проводилось сравнение между классическим алгоритмом непараметрической оценки функции регрессии и разработанной модификацией. Как показали вычислительные эксперименты, при равномерном распределении элементов выборки наблюдений разработанная модификация не приводит к улучшению качества моделирования. При существенной неравномерности распределения элементов выборки наблюдений, разработанная модификация приводила к улучшению качества моделирования в два раза. Полученные результаты позволяют утверждать, что предложенная модификация может быть использована для моделирования сложных технологических процессов, в том числе и для процессов, имеющих место в космической отрасли. (Русскоязычная версия представлена по адресу https://vestnik.sibsau.ru/articles/?id=677)

Еще

Идентификация, непараметрическая оценка функции регрессии, кусочная аппроксимация

Короткий адрес: https://sciup.org/148321965

IDR: 148321965   |   DOI: 10.31772/2587-6066-2020-21-2-195-200

Список литературы Кусочная аппроксимация, основанная на непараметрических алгоритмах моделирования

  • Medvedev A. V., Mihov E. D., Ivanov N. D. Identification of multidimensional technological processes with dependent input variables. Journal of the Siberian Federal University. Series: Mathematics and Physics. 2018, Vol. 11, No. 5, P. 649-658.
  • Kornet M. E., Shishkina A. V. About the identification of dynamic systems under nonparametric uncertainty. Aspire to Science. 2018, P. 166-170.
  • Lapko A. V., Lapko V. A. Multilevel nonparametric information processing systems. Krasnoyarsk : SibGAU, 2013. 270 p. (In Russ.)
  • Medvedev A. V. Some remarks on the theory of non-parametric systems. Applied Methods of Statistical Analysis. 2017, P. 72-81.
  • Medvedev A. V., Raskina A. V., Chzhan E. A., Korneeva A. A., Videnin C. A. Determination of the order of stochastically linear dynamic systems by using non-parametric estimation of a regression function. Journal of Physics: Conference Series. Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations; Polytechnical Institute of Siberian Federal University. Bristol, United Kingdom. 2019, P. 1-8.
  • Reisinger C., Forsyth P. A. Piecewise constant policy approximations to Hamilton-Jacobi-Bellman equations. Applied Numerical Mathematics. 2016, Vol. 103, P. 27-47.
  • Gaudioso M., Giallombardo G., Miglionico G., Bagirov A. M. Minimizing nonsmooth DC functions via successive DC piecewise-affine approximations. Journal of Global Optimization. 2018, Vol. 71, P 37-55.
  • Liu J., Bynum M., Castillo A., Watsonb J., Lairda C. D. A multitree approach for global solution of ACOPF problems using piecewise outer approximations. Computers & Chemical Engineering. 2018, Vol. 114, P. 145-157.
  • Medvedev A. V., Meleh D. A., Sergeeva N. A., Chubarova O. V. [On the problem of classifying objects by data with gaps]. Information Technology and Mathematical Modeling (ITMM-2019). P. 146-151 (In Russ.).
  • Chzhan E. A., Medvedev A. V., Kukartsev V. V. Nonparametric modelling of multidimensional technological processes with dependent variables. IOP Conference Series: Earth and Environmental Science. 2018, P. 1-5.
  • Paul S., Shankar S. On estimating efficiency effects in a stochastic frontier model. European Journal of Operational Research. 2018, Vol. 271, Iss. 2, P. 769-774.
  • Mikhov E. D. [Core blur coefficient optimization in nonparametric modeling]. Vestnik SibGAU. 2015, Vol. 16, No. 2, P. 338-342 (In Russ.).
  • Medvedev A. V., Chzhan E. A. [Modeling of multidimensional H-processes]. Information and mathematical technologies in science and management. 2018, No. 1 (9), P. 99-105 (In Russ.).
  • Simar L., Keilegom I., Zelenyuk V. Nonparametric least squares methods for stochastic frontier models. Journal of Productivity Analysis. 2017, Vol. 47, P. 189-204.
  • Zhang C., Travis D. Gaps-fill of SLC-off Landsat ETM+ satellite image using a geostatistical approach. International Journal of Remote Sensing. 2007, Vol. 28, Iss. 22, P. 5103-5122.
Еще
Статья научная