Ўзбекистон республикаси олий ва ўрта махсус таълим вазирлиги низомий номидаги тошкент давлат

Метод и алгоритмы идентификации нечетких временных рядов. Для 
идентификации нечетких СВР рассматриваются их преобразования в виде 
дискретных нечетких множеств, определенных на универсуме 
U
, как 
n
n
A
A
A
u
u
f
u
u
f
u
u
f
A
/
)
(
...
/
)
(
/
)
(
~
~
2
2
~
1
1
~




, 
где 
)
(
)
(
~
~
u
u
f
A
A


, 
)
(
~
u
A

– соответственно «нижняя» и «верхняя» границы ФП 
элементов нечетких СВР. 
Метод идентификации реальной СВР предполагает преобразование
измерений 
1

i
-го и 
i -го периодов в элементы нечетких множеств, в которых 
отражаются: 
j
A
- предыдущее состояние, 
k
A
- текущее состояние элементов в 
нечетком универсуме 
U
и их логическая зависимость в виде 
k
j
A
A

. Затем 
пространство элементов универсума U  разбивается на n  интервалы 
n
u
u
u
,...,
,
2
1
равной длины. Лингвистические термы 
r
A
~
)
,
1
(
n
r

для них задаются в виде 
.
/
1
/
/
0
...
/
0
/
0
~
......
..........
..........
..........
..........
..........
..........
..........
;
/
0
...
/
0
/
/
1
/
~
;
/
0
/
0
...
/
0
/
/
1
~
1
2
2
1
4
3
2
1
2
1
3
2
1
1
n
n
n
n
n
n
n
u
u
V
u
u
u
A
u
u
u
V
u
u
V
A
u
u
u
u
V
u
A





















где 
r
A
~
– лингвистический терм, определяемый границами ФП 
)
(
~
u
A

, 
)
(
~
u
A

; V  
– значения «нижней» 
lower

для 
)
(
~
u
j
A

, «средней» 
middle

для 
)
(
~
u
l
A

, «верхней» 
upper

для 
)
(
~
u
s
A

границ; 
)
,
1
(
n
r
u
r

– точки интервала принадлежности носителя 
нечетких множеств. 
Для оптимизации процесса определения принадлежности элемента к 
нижней или верхней границе ФП задается функционал 
))
(
),
(
),
(
(
max
)
(
~
~
~
,
1
~
r
A
r
A
r
A
n
r
r
A
u
f
u
f
u
f
u
f
s
l
j


. 
Тестирование программных модулей проведено на основе ППП Matlab 
Version 6.5 со встроенным пакетом Fuzzy Logic Toolbox.
Установлено, что в рассмотренных примерах модель Сугено обеспечивает 
меньшую ошибку обработки данных, чем модель Мамдани. 
Исследованы возможные вариации ошибок при идентификации показателя 
средней мощности технологического оборудования в зависимости от времени. 
Алгоритмы идентификации проявляют качественные свойства при учете 
автокорреляционных связей измерений СВР, специфических свойств 
технологического оборудования, статистических параметров и динамических 
характеристик 
данных. 
Установлено, 
что 
реализация 
гибридных 
интеллектуальных 
технологий 
способствует 
повышению 
качества 
идентификации, обработки данных и оптимизирует достоверность прогноза 
СВП. Устойчивость алгоритмов повышается при включении механизмов 
настройки переменных на основе нечетких выводов, подбора субоптимального 
набора параметров компонентов нейронных сетей, нечетких моделей, 
модифицированных вычислительных схем нейро - нечетких сетей (ННС). 

---

159 
Дальнейшее совершенствование функциональных возможностей 
программного комплекса целесообразно осуществлять путем реализации 
процедур поиска потенциальных предикторов, определения рационального 
набора нечетких правил, эффективного алгоритма нечеткой логики, 
рациональной архитектуры ННС и рационального размера набора обучающих 
данных. 
Литература 
1. Рутковский Л. Методы и технологии искусственного интеллекта // М.: 
Горячая линия – Телеком, 2010.– 520 с. 
2. Жуманов И.И. Антигенная система контроля достоверности и передачи 
обработки данных нестационарных процессов на основе нейро-нечеткой сети // 
«Химическая технология. Контроль и управление» - ТГТУ, Ташкент, 2013- № 5 
(53) . - с. 49-56. 
3. Жуманов И.И., Холмонов С.М. Оптимизация идентификации 
нестационарных объектов на основе сегментации временных рядов и настройки 
параметров нейронной сети // Журнал «Вестник ТУИТ», Ташкентский 
университет информационных технологий. - Т., 2016. - №4(40)/2016. - с. 32-41 
4. Джуманов О.И. Методы адаптивной обработки данных на основе 
механизмов гибридной идентификации с настройкой параметров моделей 
нестационарных объектов // Журнал «Проблемы информатики», Институт 
вычислительной математики и математической геофизики СО РАН, 
Новосибирск. - № 2(31), 2016. - с. 13-21.