Детерминированный объект
Cтраница 1
Детерминированные объекты предполагают априорно известными законы кинетики коррозионных процессов. Прогноз осуществляют на основе чисто локальной информации, поступающей на обработку непосредственно от контролируемого объекта. [1]
Их реализация значительно сложнее, чем реализация детерминированных объектов. Трудность заключена в том, что практически невозможно проследить причинную связь явлений, объективно существующую во всех процессах изменения состояния материалов, в том числе и в коррозионных процессах. [2]
Характерным случаем применения понятия черного ящика к исследованиям детерминированных объектов является экспериментальное изучение гидродинамики технологических потоков. При построении математической модели движущихся потоков оказалось необходимым таким методом экспериментально получить выходную величину - реакцию объекта на входное возмущение, которое выбирается исследователем и может быть одним из стандартных сигналов. [3]
 |
Иерархия языков формализованного описания вычислительных устройств. [4] |
До сих пор речь шла о так называемых детерминированных объектах ( устройствах, машинах, системах), при рассмотрении которых не учитываются действия случайных факторов. Учет случайных факторов ( сбоев, отказов, потоков запросов на обработку программ и др.), необходимость в котором возрастает по мере перехода к рассмотрению более сложных вычислительных устройств и комплексов, требует привлечения методов описания и анализа дискретных стохастических систем. Для анализа подобных систем широко используется статистическое моделирование на ЭВМ процесса функционирования. [5]
 |
К описанию регистра 78 13 20 31. [6] |
До сих пор речь шла о так называемых детерминированных объектах ( устройствах, машинах, системах), при рассмотрении которых не учитывается действие случайных факторов. Учет случайных факторов ( сбоев, отказов, потоков запросов на обработку программ и др.), необходимость в котором возрастает по мере перехода к рассмотрению более сложных вычислительных устройств и комплексов, требует привлечения методов описания и анализа дискретных стохастических систем. Для анализа подобных систем широко используется статистическое моделирование на ЭВМ процесса функционирования. [7]
При моделировании могут исследоваться процессы в голографических системах с детерминирован-ными и случайными голографируемыми объектами. Для детерминированных объектов способ их цифрового описания задан по определению. Если требуется моделировать случайные объекты и поле на случайных объектах, то для их задания могут использоваться различные методы генерирования псевдослучайных последовательностей на ЦВМ. Поле на объекте может в зависимости от характера решаемой задачи задаваться либо в зкспоненциальном представлении через интенсивность и фазу, либо в виде ортогональных компонент. Последний способ удобнее и естественнее при моделировании, однако он часто связан с моделируемыми характеристиками объектов ( например, их яркостью и формой поверхности) не непосредственно, как при экспоненциальном представлении, а опосредованно. [8]
В настоящем докладе в основном рассматриваются вопросы идентификации стохастических объектов, составляющих большой класс сложных реальных производственных процессов. Полученные результаты можно рассматривать как обобщение результатов, приведенных в [8, 9] при идентификации детерминированных объектов, входные и выходные переменные которых являются случайными функциями или случайными величинами. Вначале рассматриваются полные характеристики стохастического и детерминированного объекта - условные ( выходных переменных относительно входных) или совместные ( входных и выходных) многомерные плотности вероятности. В связи с практическими трудностями определения полных характеристик для негауссовых распределений рассматривается их аппроксимация при помощи гауссовых плотностей и пертурбационных многочленов. Далее рассматриваются моментные характеристики стохастического объекта и вводится понятие линейности в среднем. В связи с тем, что применение моментных характеристик для описания стохастических объектов по данным их нормальной эксплуатации может привести к неверным результатам в случае, когда условная дисперсия выходной переменной относительно входной гетероскедастична, приводятся результаты исследований скедастических функций. Исследованию оценок дисперсионных функций посвящена последняя часть доклада. В приложении приводятся некоторые результаты для моментных функций гауссовских распределений. [9]
Модели NNARX, так же как их линейные прототипы, являются устойчивыми, так как представляют собой простую алгебраическую зависимость между прогнозируемым выходом и предшествующими значениями входов и выходов системы. Это свойство, особенно важное в случае моделирования нелинейных систем, обусловливает предпочтение, отдаваемое NNARX-моделям в случае идентификации детерминированных объектов с низким уровнем измерительных шумов. [10]
В теории вероятностей рассматриваются события или объекты, неопределенность характеристик которых связана с их недетерминизмом, с их случайным изменением. Очевидно, что здесь понятия детерминированного и недетерминированного объектов требуют уточнения, и насколько можно судить, существующие формальные построения в теории нечетных множеств и теории вероятностей не позволяют этого сделать сколько-нибудь точно. Требует уточнения понятие неопределенной части детерминированного объекта - почему объект с неопределенной частью может вообще называться детерминированным. [11]
В настоящем докладе в основном рассматриваются вопросы идентификации стохастических объектов, составляющих большой класс сложных реальных производственных процессов. Полученные результаты можно рассматривать как обобщение результатов, приведенных в [8, 9] при идентификации детерминированных объектов, входные и выходные переменные которых являются случайными функциями или случайными величинами. Вначале рассматриваются полные характеристики стохастического и детерминированного объекта - условные ( выходных переменных относительно входных) или совместные ( входных и выходных) многомерные плотности вероятности. В связи с практическими трудностями определения полных характеристик для негауссовых распределений рассматривается их аппроксимация при помощи гауссовых плотностей и пертурбационных многочленов. Далее рассматриваются моментные характеристики стохастического объекта и вводится понятие линейности в среднем. В связи с тем, что применение моментных характеристик для описания стохастических объектов по данным их нормальной эксплуатации может привести к неверным результатам в случае, когда условная дисперсия выходной переменной относительно входной гетероскедастична, приводятся результаты исследований скедастических функций. Исследованию оценок дисперсионных функций посвящена последняя часть доклада. В приложении приводятся некоторые результаты для моментных функций гауссовских распределений. [12]
В терминах черного ящика возможно проведение эксперимента и для изучения детерминированных процессов. При этом достаточно воспользоваться формальным сходством задачи определения функции отклика при статистическом исследовании объекта и задачи нахождения некоторой функции, характеризующей детерминированный процесс. Принципиальная разница между такими задачами в том, что при статистическом эксперименте имеются случайные помехи, а при эксперименте на детерминированном объекте они практически отсутствуют. [13]
Эта трудность мало чем отличается от аналогичных трудностей решения детерминированных задач управления. Поэтому естественно, что логика становления и развития современных субоптимальных адаптивных алгоритмов управления с прогнозированием, в классе которых решается сформулированная выше общая задача управления, начинается с теории и практики управления детерминированными объектами. [14]
 |
Структура управления процессом. [15] |
Страницы: 1 2