Разработка алгоритмов и программ для системы управления техническими объектами на основе адаптивного динамичеcкого регрессионного моделирования тема диссертации и автореферата по ВАК РФ 05.13.05, кандидат наук Алёшина, Анна Александровна
- Специальность ВАК РФ05.13.05
- Количество страниц 153
Оглавление диссертации кандидат наук Алёшина, Анна Александровна
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. МЕТОДЫ И ПРОБЛЕМЫ МОНИТОРИНГА СОСТОЯНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ В СИСТЕМАХ УПРАВЛЕНИЯ
1.1. Контроль параметров состояния технического объекта в системе управления
1.2. Моделирование и прогнозирование параметров состояния технического объекта как задача обработки временного ряда
1.3. Методы обработки многомерных временных рядов
1.4. Программное обеспечение обработки временных рядов
1.5. Выводы и постановка задач исследования
ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМОВ ДЛЯ СИСТЕМЫ УПРАВЛЕНИЯ ПРИ ПРОГНОЗИРОВАНИИ СОСТОЯНИЯ ОБЪЕКТА УПРАВЛЕНИЯ НА ОСНОВЕ ВЗАИМОСВЯЗАННЫХ ВРЕМЕННЫХ РЯДОВ
2.1. Постановка задачи
2.2. Алгоритм оценки состояния технического объекта с помощью адаптивных регрессий
2.2.1. Разработка адаптивных регрессий
2.2.2. Постулирование и оценивание параметров модели
2.2.3. Анализ модели
2.2.4. Структурно-параметрическая идентификация
2.2.5. Диагностика нарушений регрессионного анализа - метода наименьших квадратов
2.2.6. Адаптация к нарушениям
2.2.7. Методика построения адаптивных динамических регрессий
2.2.8. Алгоритм построения адаптивных регрессий
2.3. Алгоритм прогнозирования состояния объекта управления на основе структурно-параметрической идентификации системы временных рядов70
V
ч
2.3.1. Выявление трендовой составляющей
2.3.2. Выявление совместной гармонической составляющей
2.3.3. Построение векторной авторегрессии
2.3.4. Построение комплексной модели системы временных рядов для прогнозирования
2.4. Псевдоградиентная процедура обновления коэффициентов модели
2.5. Алгоритм моделирования параметров состояния технического объекта в системе управления
ГЛАВА 3. ПРОГРАММНЫЙ КОМПЛЕКС МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ ВЗАИМОСВЯЗАННЫХ ВРЕМЕННЫХ РЯДОВ КАК ЭЛЕМЕНТ СИСТЕМЫ УПРАВЛЕНИЯ
3.1. Назначение и структура программного комплекса
3.2. Статистический анализ вибраций гидроагрегата на основе моделей систем временных рядов
3.2.1. Описание исходных данных
3.2.2. Применение алгоритма оценки состояния системы адаптивными регрессиями
3.2.3. Применение алгоритма структурно-параметрической идентификации системы временных рядов
3.3. Расчет эффективности системы управления при внедрении разработанного программного комплекса
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
\
Рекомендованный список диссертаций по специальности «Элементы и устройства вычислительной техники и систем управления», 05.13.05 шифр ВАК
Разработка моделей, алгоритмов и программ прогнозирования показателей качества питьевой воды в системе водоочистки2017 год, кандидат наук Бубырь, Дмитрий Сергеевич
Модели прогнозирования и алгоритмы идентификации состояний технических объектов по коротким временным рядам2018 год, кандидат наук Савочкин Александр Евгеньевич
Адаптивная система управления открытием направляющего аппарата гидроагрегата с поворотно-лопастной турбиной2014 год, кандидат наук Браганец, Семен Александрович
Разработка моделей, алгоритмов и программ диагностики функционирования технических объектов с использованием агрегированных классификаторов2020 год, кандидат наук Жуков Дмитрий Анатольевич
Методы, алгоритмы обработки данных и устройства для систем управления и защиты турбоагрегатов2022 год, доктор наук Плотников Дмитрий Александрович
Введение диссертации (часть автореферата) на тему «Разработка алгоритмов и программ для системы управления техническими объектами на основе адаптивного динамичеcкого регрессионного моделирования»
ВВЕДЕНИЕ
Актуальность работы. Основной задачей диагностики состояния технического объекта является обеспечение его безопасности, функциональной надёжности и эффективности работы, а также сокращение затрат на техническое обслуживание и уменьшение потерь от простоев, связанных с отказами и ремонтом. Система управления техническим объектом часто включает подсистему мониторинга множества его параметров: решение по управлению объектом принимается с учетом состояния объекта. Выход контролируемых параметров за «коридор» допустимых значений может привести к возникновению аварийной ситуации. Эффективность работы такой подсистемы определяется вероятностью принятия ошибочного решения и коэффициентом готовности, которые существенно зависят от точности прогнозирования параметров.
В процессе мониторинга значения контролируемых параметров регистрируются через определенные промежутки времени и образуют систему временных рядов (например, в системе автоматического управления гидроагрегатом, - это показания распределенной сети датчиков относительной и абсолютной вибрации, датчиков измерения скорости вращения вала и другие). Для этой системы временных рядов строятся соответствующие математические модели. На базе полученных моделей возможно прогнозирование изменения характеристик и обнаружение нарушений процесса до того, как контролируемые параметры вышли за допустимые значения. На основе этой информации принимается соответствующее решение, связанное со снижением нагрузки на объект.
В настоящее время прогнозирование параметров, характеризующих состояние технического объекта, в системах управления производится, как правило, на основе моделей авторегрессии - проинтегрированного скользящего среднего. При этом часто соответствующие временные ряды
анализируется независимо, несмотря на возможную коррелированность рассматриваемых характеристик. Обычно не проверяется соблюдение основных предположений регрессионного анализа и не используются соответствующие методы адаптации к их нарушениям, что может привести к существенным погрешностям при прогнозировании показаний. При быстром изменении состояния контролируемой системы во времени это приводит к поступлению в систему управления недостоверной информации о состоянии технического объекта и нарушает обратную связь в управлении при эксплуатации техники.
Таким образом, существующие подходы к обработке информации в системах управления, как правило, не обеспечивают необходимой точности прогноза, приводят к увеличению вероятности принятия ошибочного решения по управлению объектом, снижают его готовность. Повышение точности моделирования и прогнозирования значений характеристик технического объекта является важной задачей, обеспечивающей своевременное предупреждение о возможности аварийной ситуации; от качества решения этой задачи зависит эффективность управления и безаварийность работы объекта. Для повышения точности прогнозирования необходим анализ взаимосвязей и совместная обработка характеристик рассматриваемого объекта с адаптацией к возможным нарушениям основных предположений регрессионного анализа. А для своевременного предупреждения о возможности выхода значений контролируемых характеристик за «коридор» допустимых значений требуется автоматизация вычислительного процесса при непрерывном обновлении коэффициентов полученной модели, что даст возможность принять оперативное и обоснованное решение по предотвращению аварийной ситуации.
Целью диссертационной работы является повышение эффективности системы управления техническим объектом и предотвращение аварийных ситуаций на основе прогнозирования
характеристик его работы путем разработки математических моделей, алгоритмов и программного обеспечения для систем временных рядов с использованием адаптивного динамического регрессионного моделирования.
Для достижения указанной цели решались следующие задачи:
1. анализ существующих методов контроля параметров в системах управления техническими объектами с использованием временных рядов;
2. разработка алгоритмов прогнозирования характеристик состояния технического объекта на основе адаптивного динамического регрессионного моделирования;
3. построение процедур динамического обновления коэффициентов полученных моделей для обеспечения достоверности информации о состоянии технического объекта, поступающей в систему управления;
4. разработка комплекса программ для реализации алгоритмов моделирования и прогнозирования состояния объекта управления;
5. анализ эффективности разработанных алгоритмов на примере системы управления реальным техническим объектом в нормальных и специальных условиях.
При решении поставленных задач в диссертационной работе использовались методы теории вероятностей, математической статистики, теории автоматического управления, контроля динамических систем, анализа временных рядов и численные методы. При разработке программного обеспечения применялись методы объектно-ориентированного проектирования программных систем.
Достоверность положений диссертации обеспечивается корректным использованием математических методов и подтверждается результатами статистических испытаний, а также эффективностью функционирования алгоритмов и программного обеспечения при внедрении.
Научная новизна результатов, выносимых на защиту:
1. Разработаны алгоритмы, обеспечивающие повышение эффективности системы управления техническими объектами, на основе новых моделей временных рядов характеристик состояния объекта, в которых учтена их взаимосвязь и использовано адаптивное динамическое регрессионное моделирование.
2. Для получения более достоверной информации о состоянии технического объекта впервые применена процедура динамической настройки полученной модели прогноза путем периодического псевдоградиентного обновления её коэффициентов.
3. Разработанный программный комплекс обеспечивает автоматизацию моделирования и прогнозирования систем временных рядов параметров технического объекта с целью принятия решения по предотвращению аварийных ситуаций.
4. Эффективность применения разработанных алгоритмов и программного обеспечения подтверждена на примере их использования в системе управления гидроагрегатами Чирюртовской ГЭС-1 (республика Дагестан) и Краснополянская ГЭС (Краснодарский край) в нормальных и специальных условиях (режим работы в сети и режим запуска): среднее время вынужденного простоя, связанного с реагированием на аварийные ситуации, сокращается в 2 - 3 раза.
Практическая значимость работы заключается в том, что разработанный программный комплекс, созданный на основе предложенных алгоритмов и методики структурно-параметрической идентификации систем временных рядов, может быть использован в производственной и научной деятельности для повышения точности и эффективности функционирования систем управления по сравнению со стандартными методами.
Результаты диссертационной работы использованы при выполнении гранта по Федеральной целевой программе "Научные и научно-педагогические кадры инновационной России"; тема «Разработка информационно-математической системы раннего предупреждения об аварийной ситуации по множеству характеристик состояния технического объекта» (соглашение 14.В37.21.672).
Результаты работы внедрены на ОАО «Ульяновское конструкторское бюро приборостроения» при многомерном статистическом контроле и прогнозировании показателей вибраций гидроагрегатов Краснополянской ГЭС.
Результаты диссертационной работы используются в учебном процессе Ульяновского государственного технического университета в дисциплинах: «Контроль качества и надежность» и «Математическое моделирование», читаемых студентам специальности «Прикладная математика», «Надежность технических систем» для специальности «Инженерная защита окружающей среды» и «Статистические методы управления качеством» для специальности «Управление качеством».
Апробация работы. Теоретические положения и практические результаты работы докладывались и обсуждались на ежегодных научно-технических конференциях Ульяновского государственного технического университета в 2009 - 2013 г.г., а также на международных и всероссийских конференциях:
Всероссийском семинаре «Нейроинформатика, ее приложения и анализ данных» (Красноярск, 2009 г.);
международной конференции «Математическое моделирование в образовании, науке и производстве» (Тирасполь,2009 г.);
международной конференции «Математическое моделирование физических, технических, экономических, социальных систем и процессов» «Инноватика-2009» (Ульяновск, 2009 г.);
- международной научно-практической конференции
«Интегрированные модели и мягкие вычисления» (Коломна, 2009 г.);
третьей и четвертой Российской научно-технической конференции аспирантов, студентов и молодых ученых «Информатика и вычислительная техника» (Ульяновск, 2011, 2012 гг.);
международной конференции «Системные проблемы надежности, качества, информационно-телекоммуникационных и электронных технологий в инновационных проектах» (Сочи, 2012 г.);
Всероссийской школе-семинаре аспирантов, студентов и молодых ученых «Информатика, моделирование, автоматизация проектирования» (Ульяновск, 2012 г.);
Всероссийской научно-практической конференции
«Современные проблемы создания и эксплуатации радиотехнических систем» (Ульяновск, 2013 г.).
Результаты исследований по теме диссертации изложены в 12 опубликованных работах, в том числе в трех статьях в изданиях из перечня ВАК; получены два свидетельства о государственной регистрации программы для ЭВМ.
ГЛАВА 1. МЕТОДЫ И ПРОБЛЕМЫ МОНИТОРИНГА СОСТОЯНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ В СИСТЕМАХ УПРАВЛЕНИЯ
1.1. Контроль параметров состояния технического объекта в системе управления
Производственные системы выполняют в современной жизни все более ответственные функции и требуют максимально безотказной работы, что обеспечивается, с одной стороны, высококачественным, ответственным подходом к проектированию, изготовлению и эксплуатации системы, а с другой - соответствующим подбором персонала, обсуживающего систему.
Современные сложные системы разнообразной природы представляют собой комплекс различных подсистем, выполняющих определенные технологические функции и связанных между собой процессами интенсивного динамического взаимодействия и обмена энергией, веществом и информацией. Указанные суперсистемы являются нелинейными, многомерными и многосвязными, в них протекают сложные переходные процессы и возникают критические и хаотические режимы. Проблемы автоматического управления такого рода динамическими суперсистемами являются весьма актуальными, чрезвычайно сложными и практически недоступными для существующей теории и методов управления [57].
Развитие новых технологий, увеличение объемов промышленного и сельскохозяйственного производства, расширение сети транспортных систем и систем передачи энергии и энергоносителей сопровождаются ростом техногенной нагрузки на биосферу. Следствием этого являются все чаще возникающие чрезвычайные ситуации, аварии и катастрофы, характеризующиеся значительными материальными, социальными и экологическими последствиями. В настоящее время число техногенных
аварий и катастроф в мире неуклонно растет, причем более 80%, произошедших чрезвычайных ситуаций связаны с деятельностью человека.
Проблема предупреждения чрезвычайных ситуаций на технических объектах связана с безопасным функционированием таких объектов. Весьма важным при этом является диагностика текущего состояния и прогнозирование состояния объекта с целью раннего предупреждения о возможности аварийной ситуации. В этом случае появляется возможность оперативно решать задачу оптимального управления непосредственно в процессе управления объектом [82]. За последние десятилетия наблюдается повсеместное внедрение в практику систем мониторинга и прогнозирования технического состояния эксплуатируемых технических объектов с целью повышения достоверности и оперативности информации для принятия решений, определяющих порядок их дальнейшей эксплуатации.
Несмотря на множество проводимых исследований и значительные средства, привлекаемые для исследования проблемы обеспечения требуемой надежности объектов управления, ее нельзя считать до конца решенной в теоретическом плане. Данный факт проявляется, прежде всего, в том, что до настоящего времени не разработаны научно-теоретические основы адаптивного управления техническим состоянием объектов, отсутствуют адекватные показатели эффективности и методики их оценки [50]. Вследствие этого решение проблемы обеспечения требуемой надежности и безопасности технических объектов в условиях продления установленных сроков эксплуатации требует изыскания и внедрения новых методов управления, контроля и в частности мониторинга.
Система управления техническим объектом состоит из нескольких блоков управления и используется при сильных и динамично изменяющихся возмущающих воздействиях, оказывающих большое влияние на регулируемые параметры. Такая структура системы регулирования подразумевает наличие замкнутого контура системы
управления, который обеспечивает устойчивость системы и требуемое качество регулирования. Количество сильных возмущающих воздействий обычно невелико, а каналы возмущения поддаются математическому описанию [83].
На рис. 1.1 показана типовая схема системы управления на примере гидроагрегата. Данные по вибрациям от гидроагрегата поступают через стойку виброконтроля на сервер сбора данных и в виде дискретного сигнала в режиме реального времени на стойку управления гидроагрегатом, с помощью которой изменяется нагрузка или происходит останов агрегата [89].
Рис. 1.1. Виброконтроль в составе системы автоматического управления
гидроагрегатом
На рис. 1.2 показана структурная схема управления гидроагрегатом.
Структурная схема АСУ ТП ГЭС-ГАЗС
Нижний бьеф НБ
Рис. 1.2. Структурная схема автоматической системы управления
гидроагрегатом
Главный щит (пост, пульт) управления Г1ЦУ — это центральное помещение, где сосредоточены основные средства контроля и управления и где дежурит оперативный персонал, ведущий эксплуатацию станции.
Автоматизированное рабочее место оператора АРМ ОП и автоматизированное рабочее место релейной защиты и автоматики АРМ РЗА - программно-технический комплекс, предназначенный для управления технологическим оборудованием, обеспечивает оператора всеми
средствами, необходимыми для выполнения определенных функций, производственных задач. ГИД - это главный информационный дисплей.
Сервер сбора данных ССД предназначен для приема, контроля, обработки и архивирования информации, поступающей по сети Ethernet от устройств системы управления и осуществления функций диагностики текущего состояния сети. Аналогичную функцию выполняет ССДЗ - сервер сбора данных электрической защиты.
Комплектное распределительное устройство с элегазовой изоляцией КРУЭ - электроустановка, служащая для приёма и распределения электрической энергии одного класса напряжения. АИИСКУЗ ПО УСПД -автоматизированная система коммерческого учета электроэнергии.
Станция инжиниринга СИ предназначена для разработки и наладки прикладного программного обеспечения оборудования и системы управления. СИ разработана на базе ноутбука с установленным программным обеспечением (базовым и специальным).
Стойка предупреждения и аварийной ситуации СПАС предназначена для реализации функций сигнализации гидроагрегата с расширенным предоставлением информации о неисправностях и авариях гидроагрегата. Стойка также предназначена для управления сигнализацией общестанционного оборудования и открытого распределительного устройства с расширенным предоставлением информации о неисправностях и авариях. Аппаратная часть стойки выполнена на базе программируемого контроллера.
Стойка температурного и вибрационного контроля СТВ принимает сигналы от датчиков температуры и вибрации, установленных на оборудовании гидроагрегата. СТВ допускает объединение в единую локальную сеть на базе встроенного интерфейса Ethernet с целью представления текущей информации о состоянии гидроагрегата на пульте диспетчера, ее последующей архивации и анализа. Опционально блок
} 14
"I,
«У
J
I'
контроля вибрации может быть дополнен программным обеспечением, позволяющим проводить вибродиагностику объекта контроля. Автоматизация мониторинга значений параметров вибраций с возможностью прогнозирования выхода контролируемых характеристик за «коридор» допустимых значений позволит в автоматическом режиме принять оперативное решение, связанное со снижением нагрузки на объект, для предотвращения аварийной ситуации.
Стойка автоматического управления гидроагрегатом СУГ предназначена для управления агрегатом с радиально-осевой или пропеллерной гидротурбиной с контуром воздействия на направляющий аппарат. Аппаратная часть СУГ выполнена на базе двух промышленных программируемых логических контроллеров, выполняющих основные функции регулятора гидротурбины, технологической автоматики, гидромеханических защит гидроагрегата и управления вспомогательным оборудованием.
Стойка коммутационная СК предназначена для обеспечения резервированного питания электродвигателей маслонапорной установки (МНУ) и управления маслонасосами МНУ по командам от стойки СУГ. Стойка СК включает в свой состав коммутационное оборудование, автоматы защиты электродвигателей и устройства плавного пуска электродвигателей. Опционально устанавливаются преобразователи частоты для управления электродвигателями.
Стойка ССИЗ предназначена для измерения и отображения электрических параметров генератора и сети, точной автоматической и ручной синхронизации генератора с сетью, осуществления комплекса электрических защит генератора и передачи информации в подсистемы управления гидроагрегатом и на верхний уровень управления ГЭС.
Комплект автоматизированной системы управления технологическим процессом (КАСУ ТП) — группа решений технических и программных
средств, предназначенных для автоматизации управления технологическим оборудованием на промышленных предприятиях.
Шкафы управления электроприводными задвижками ШУЗ предназначены для управления задвижками с электроприводами в адресных системах.
Механизм частоты вращения МЧВ предназначен для формирования импульсных сигналов по пяти каналам с частотой следования импульсов, пропорциональной частоте вращения вала гидроагрегата. В качестве исполнительного механизма используется энкодер или измерительное зубчатое колесо. МЧВ компенсирует осевое и радиальное биение вала генератора при передаче крутящего момента на вал энкодера.
Сервомотор направляющего аппарата СМ НА в составе системы регулирования обеспечивает гидравлическое управление.
Маслонапорная установка МНУ предназначена для питания гидросистемы гидроагрегата рабочей жидкостью (маслом) под давлением и обеспечивает управление гидравлическим оборудованием гидротурбины как при работе гидроагрегата на энергосеть, так и при работе на изолированную нагрузку.
Прочие сокращения: ШКС - шкаф контроля стартера, ШСН - шкаф собственных нужд, TBC - технологическое водоснабжение, ТП - турбинный подшипник, ВГП - верхний генераторный подшипник, НГП - нижний генераторный подшипник.
Математическое моделирование физических процессов и приборного оборудования в данной системе обеспечивает новые возможности в построении аппаратно-программного обеспечения, что способствует
безопасной и надежной работы объектов, снижению человеческого фактора, приводящего к возникновению аварийных ситуаций.
Оценка технического состояния объекта производится по результатам измерений некоторых параметров с помощью множества датчиков через определенные промежутки времени, которые, как правило, образуют систему взаимосвязанных временных рядов. Для этой системы может быть построена соответствующая математическая модель, позволяющая прогнозировать изменение ее характеристик и обнаруживать нарушение процесса до того, как контролируемые параметры вышли за предельные значения.
Например, среди множества показателей гидроагрегата, по которым можно судить о необходимости оперативного реагирования и выработки конкретных мероприятий межхозяйственного взаимодействия, можно выделить показания датчиков относительной и абсолютной вибрации, а также датчиков измерения скорости вращения вала. Также, например, особую угрозу представляет концентрация промышленных примесей. Текущая информация подается с автоматизированных станций анализа атмосферного воздуха в центр по гидрометеорологии окружающей среды, где и осуществляется мониторинг динамики уровня загрязнения воздуха диоксидом азота, диоксидом серы, оксидом углерода, а также прогнозирования количества загрязняющих веществ на определенный период.
В настоящее время, как правило, несмотря на возможную коррелированность показаний датчиков, каждый параметр анализируется независимо от других, что приводит к существенным погрешностям при прогнозировании показаний. Следовательно, необходим анализ взаимосвязей и совместная обработка характеристик рассматриваемого объекта.
Математические модели технических объектов довольно часто оказываются плохо обусловленными. Одна из причин этого заключается в стремлении многих проектировщиков учитывать как можно большее количество параметров технического объекта. Это приводит к необоснованному включению некоторых характеристик, практически не влияющих на исследуемый процесс функционирования объекта. Такую модель следует признать чрезмерно подробной и необоснованно сложной.
Для своевременного выявления выхода значений характеристик за «коридор» допустимых значений требует автоматизации вычислительного процесса при непрерывном восстановлении зависимостей, т. е. при применении статистической модели для описания характеристик и идентификация «общей угрозы» необходимо ее рекурсивное непрерывное обновление.
Таким образом, решением выше перечисленных проблем может стать построение многофакторных статистических моделей, формируемых и обновляемых в непрерывном режиме на основе измерений (временных рядов - ВР), рассматриваемых во взаимосвязи с остальными.
Моделирование и прогнозирование технического состояния промышленного объекта по множеству его характеристик позволит своевременно обнаруживать возникновение деструктивных нагрузок, дефектов и неисправностей и принять оперативные меры по восстановлению удовлетворительного технического состояния оборудования или приостановить развитие неисправностей в нем для предотвращения аварийной ситуации.
1.2. Моделирование и прогнозирование параметров состояния технического объекта как задача обработки временного ряда
Для моделирования ВР технического объекта в основном используются методы классического математического анализа ВР.
Временным рядом (ВР) называют последовательность наблюдений,
/ 18
%
/И
упорядоченных по времени. ВР может быть записан в виде = ),..., где параметр / указывает на момент
времени, в который зафиксировано значение, или номер наблюдения. Классификация ВР представлена в таблице 1.1 [4, 20, 26, 56].
Таблица 1.1. Классификация ВР
Признак Классификация Определение
расстояние между датами или интервалами времени полные ВР (равноотстоящие) Имеют место, когда даты регистрации или окончания периодов следуют друг за другом с равными интервалами.
неполные ВР (неравноотстоящие) Принцип равных интервалов не соблюдается.
количество показателей одномерные ВР ВР содержат наблюдения за изменением только одного параметра исследуемого процесса или объекта.
многомерные ВР Фиксируются наблюдения за двумя или более параметрами.
изучаемая величина детерминированные ВР ВР получают на основе значений некоторой неслучайной функции.
случайные ВР Данные ВР есть результат реализации некоторой случайной величины.
наличие основной тенденции стационарные ВР Среднее значение и дисперсия постоянны.
нестационарные ВР ВР содержат основную тенденцию развития.
степень известности измеряемой величины дискретные ВР Значения ряда известны в отдельные моменты времени.
непрерывные ВР Значения ряда известны в любой момент времени.
Основные цели при изучении ВР следующие:
- описание характерных особенностей ряда в сжатой форме;
- построение модели ВР;
- предсказание будущих значений на основе прошлых наблюдений;
- управление процессом, порождающим ВР, путем выборки сигналов, предупреждающих о грядущих неблагоприятных событиях.
Исходя из целей исследования, каждый ВР обычно
рассматривают как аддитивную смесь следующих компонент [28, 56, 74]:
х(0 = х(0 +х(0 +х(0 +х(0 +х(0 (11)
тр с к и со у 7
где х(0 ~ тренд или долгосрочная тенденция в развитии ряда; *(0С ~
Похожие диссертационные работы по специальности «Элементы и устройства вычислительной техники и систем управления», 05.13.05 шифр ВАК
Развитие теоретических основ и реализация автоматизированного управления активной мощностью и составом задействованных агрегатов ГЭС2021 год, доктор наук Захарченко Виталий Евгеньевич
Разработка элементов теории, технологии и оборудования систем мониторинга агрегатов нефтехимических комплексов2000 год, доктор технических наук Костюков, Владимир Николаевич
Методы и алгоритмы повышения эффективности контроля многомерного рассеяния показателей функционирования сложных технических систем2022 год, кандидат наук Алексеева Анастасия Валерьевна
Адаптивная система автоматического управления частотой вращения ротора гидроагрегата с поворотно-лопастной гидротурбиной2010 год, кандидат технических наук Силаев, Алексей Александрович
Разработка адаптивных средств выявления неисправностей и стратегии обслуживания гидроагрегатов2011 год, кандидат технических наук Белоглазов, Алексей Владимирович
Список литературы диссертационного исследования кандидат наук Алёшина, Анна Александровна, 2013 год
СПИСОК ЛИТЕРАТУРЫ
1. Адлер, Ю. П. Планирование промышленных экспериментов / Ю. П. Адлер, В. Г. Горский. - М. : Металлургия, 1974. - 268 с.
2. Айвазян, С. А. Программное обеспечение персональных ЭВМ по статистическому анализу данных. Компьютер и экономика: экономические трудности компьютеризации общества / С. А. Айвазян. - М. : Наука, 2001. -С. 91-107.
3. Айвазян, С. А. Статистическое исследование зависимостей / С. А. Айвазян. - М. : Металлургия, 1968. - 227 с.
4. Айвазян, С. А. Прикладная статистика и основы эконометрики / С. А. Айвазян, В. С. Мхитарян. -М.: ЮНИТИ, 1998. - 1024 с.
5. Алберт, А. Регрессия, псевдорегрессия и рекуррентное оценивание / А. Алберт. - М. : Наука, 1977. - 224 с.
6. Алёшина, А. А. Модели временных рядов характеристик гидроагрегатов / А. А. Алёшина // Вузовская наука в современных условиях: сборник материалов 46-й научно-технической конф. - Ульяновск : УлГТУ, 2012. - В 3 ч. Ч. 2. - С. 219-222.
7. Алёшина, А. А. Моделирование временных рядов на основе адаптивных динамических регрессий / А. А. Алёшина // Информатика и вычислительная техника : сборник научных трудов 4-й Всероссийской научно-технической конф. аспирантов, студентов и молодых ученых. -Ульяновск : УлГТУ, 2012. - Т. 1. - С. 36-41.
8. Алёшина, А. А. Использование псевдоградиента при выборе параметров модели вибраций гидроагрегата / А. А. Алёшина // Системы управления и информационные технологии. 2013. - № 1.1 (51). - С. 113-117.
9. Алёшина, А. А. Исследование сценариев анализа данных для систем временных рядов параметров летательных аппаратов / А. А. Алёшина // Информатика и вычислительная техника : сборник научных трудов 3-й Российской научно-технической конф. аспирантов, студентов и молодых ученых. - Ульяновск : УлГТУ, 2011. - С. 23-28.
10. Алёшина, А. А. Применение адаптивного регрессионного моделирования к системе временных рядов / А. А. Алёшина // Информатика, моделирование, автоматизация проектирования : сборник
научных трудов IV Всероссийской школы-семинара аспирантов, студентов и молодых ученых. - Ульяновск : УлГТУ, 2012. - С. 74-78.
11. Алёшина, А. А. Совместное регрессионное моделирование вибраций гидроагрегата / А. А. Алёшина // Информационные технологии моделирования и управления. - Воронеж : Научная книга, 2013. - № 3 (81). - С. 248-256.
12. Андерсон, Т. Введение в многомерный статистический анализ / Т. Андерсон. - М.: Физматгиз, 1963. - 500 с.
13. Андерсон Т. Статистический анализ временных рядов / Т. Андерсон. -М.: Мир, 1976.-756 с.
14. Афанасьева, Т. В. Применение интеллектуальных методов при прогнозировании временных рядов / Т. В. Афанасьева, А. А. Ивахина (А. А. Алёшина) // Математическое моделирование в образовании, науке и производстве : тезисы VI Международной конф. (Тирасполь, 7-10 июня 2009 г.). - Тирасполь, Изд-во Приднестр. ун-та, 2009 г. - С. 5-6.
15. Афанасьева, Т. В. Интеграция Б-преобразования и нейронной сети при прогнози-ровании временных рядов / Т. В. Афанасьева, И. Г. Перфильева, А. А. Ивахина (А. А. Алёшина) // Нейроинформатика, ее приложения и анализ данных : материалы XVII Всерос. семинара ИВМ СО РАН (Красноярск, 2-4 октября 2009 г.). - Красноярск : ИПК : СФУ, 2009. -С. 16.
16. Афанасьева, Т. В. Б-преобразование в прогнозировании временных рядов / Т. В. Афанасьева, И. Г. Перфильева, А. А. Ивахина (А. А. Алёшина) // Инноватика 2009 : труды Международной конф. - Ульяновск : УлГУ, 2009.-С. 459-^61.
17. Афанасьева, Т. В. Моделирование лингвистических оценок на основе АСЬ-шкалы / Т. В. Афанасьева, А. О. Козлов, А. А. Ивахина (А. А. Алёшина) // Интегрированные модели и мягкие вычисления : труды V Международной научно-практической конф. (Коломна, 20-30 мая 2009 г.). -М. : Физматлит, 2009. - Т. 2. - С. 298-304.
18. Балдин, А. В. Прикладной, статистический анализ данных / А. В. Балдин, В. В. Криницин. - М.: ПРИОР, 1998. - 261 с.
19. Бартлетт, М. С. Введение в теорию случайных процессов / М. С. Барлетт. - М. : Изд-во иностр. лит., 1958. - 384 с.
20. Безручко, Б. П. Статистическое моделирование по временным рядам / Б. П. Безручко, Д. А. Смирнов. - Саратов : Издательство ГосУНЦ «Колледж», 2000. - 23 с.
21. Бендат, Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсол - М. : Мир, 1989. - 540 с.
22. Божокин, С. В. Фракталы и мультифракталы / С. В. Божокин, Д. А. Пашин. - Ижевск : НИЦ «Регулярная и хаотическая динамика», 2001. - 128 с.
23. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. - М. : Мир, 1974. - 242 с.
24. Большаков, А. А. Методы обработки многомерных данных и временных рядов / А. А. Большаков, Р. Н. Каримов. - М. : Горячая линия-Телеком, 2007. - 522 с.
25. Боровиков, В. П. Прогнозирование в системе STATISTIC А в среде Windows / В. П. Боровиков, Г. И. Ивченко. - М. : Финансы и статистика, 1999.-384 с.
26. Бриллинджер, Д. Временные ряды. Обработка данных и теория / Д. Бриллиджер. - М.: Мир, 1980. - 536 с.
27. Вайну, Я. Я.-Ф. Корреляция рядов динамики / Я. Я.-Ф. Вайну. - М. : Статистика, 1977. - 119 с.
28. Валеев, С. Г. Регрессионное моделирование при обработке наблюдений / С. Г. Валеев. - М. : Наука, 1991. - 272 с. (второе издание, дополненное и переработанное: Валеев, С. Г. Регрессионное моделирование при обработке данных / С. Г. Валеев. - Казань : ФЭН, 2001. - 296 с.)
29. Валеев, С. Г. О возможности совместного описания полетных характеристик адаптивными регрессиями / С. Г. Валеев, А. А. Алёшина // Математические методы и модели: теория, приложения и роль в образовании : сборник научных трудов. - Ульяновск : УлГТУ, 2011. - С. 5468.
30. Валеев, С. Г. Использование ARCH-структур и фильтра Калмана для моделирования динамики технико-экономических показателей / С. Г. Валеев, Ю. Е. Кувайскова // Вестник Ульяновского государственного технического университета. - Ульяновск : УлГТУ, 2007. - №2. - С. 29-33.
31. Валеев, С. Г. Программное обеспечение обработки временных рядов
техногенных характеристик / С. Г. Валеев, Ю. Е. Кувайскова // Обозрение прикладной и промышленной математики. - Москва : ТВП, 2009. - Т. 16, вып. 6.-С. 1037-1038.
32. Валеев, С. Г. Применение мультифрактального анализа при описании временных рядов в технике и экономике / С. Г. Валеев, Ю. Е. Кувайскова, С. А. Губайдуллина // Вестник Ульяновского государственного технического университета. - Ульяновск : УлГТУ, 2008. - № 2. - С. 23-27.
33. Валеев С. Г. Программная система поиска оптимальных регрессий / Валеев С. Г., Кадырова Г. Р., Турченко А. А. // Вопросы современной науки и практики. - Университет им. В.И. Вернадского, 2008. - № 4 (14). - Том 2. -С. 97-101.
34. Валеев С. Г., Кувайскова Ю. Е., Юдкова М. В. Робастные методы оценивания: программное обеспечение, эффективность / С. Г. Валеев, Ю. Е. Кувайскова, М. В. Юдкова // Вестник Ульяновского государственного технического университета. - Ульяновск : УлГТУ, 2010. - № 1. - С. 29-33.
35. Валеев, С. Г. Программная реализация ДРМ-подхода для обработки и анализа временных рядов / С. Г. Валеев, С. В. Куркина // Известия вузов. Геодезия и аэрофотосъемка. - 2006. - № 5. - С. 10-21.
36. Валеев, С.Г. Кросс-спектральный анализ временных рядов / С. Г. Валеев, В. А. Фасхутдинова // Вестник Ульяновского государственного технического университета. - Ульяновск, 2006. - №4. - С. 30-32.
37. Владиславлев, Л. А. Вибрация гидроагрегатов гидроэлектрических станций / Л. А. Владиславлев. - М. : Энергия, 1972. - 153 с.
38. Васильев, К. К. Статистический анализ многомерных изображений / К. К. Васильев, В. Р. Крашенинников. - Ульяновск : УлГТУ, 2007. - 172 с.
39. Галустов, Г. Г. Математическое моделирование и прогнозирование в технических системах / Г. Г. Галустов, С. П. Бровченко, С. Н. Мелешкин. -Таганрог: Изд-во ТТИ ЮФУ, 2008. - 30 с.
40. Галушкин, А. И. Теория нейронных сетей / А. И. Галушкин. - М. : ИПРРЖР, 2000.-416 с.
41. Грибанов, Ю. И. Спектральный анализ случайных процессов / Ю. И. Грибанов, В. Л. Мальков. - М. : Энергия, 1974. - 240 с.
42. Губанов, В. А. Выделение сезонных колебаний на основе вариационных принципов / В. А. Губанов, А. К. Ковальджи // Эконом, и мат.
методы.-2001.-№ 1.-Т.37.-С. 91-102.
43. Гурский, С. К. Адаптивное прогнозирование временных рядов в электроэнергетике / С. К. Гурский. - Мн. : Наука и техника, 1983. - 271 с.
44. Даджион, Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро. - М. : Мир, 1988. - 488 с.
45. Демиденко, Е. 3. Линейная и нелинейная регрессии / Е. 3. Демиденко. - М. : Финансы и статистика, 1981. - 302 с.
46. Демура, А. В. Использование искусственной нейронной сети в качестве многофакторной модели при планировании электропотребления предприятий / А. В. Демура // Изв. вузов Сев.-Кав. регион. Сер. «Техн.науки». - 1996. - № 3 - С. 102-108.
47. Дженкинс, Г. Спектральный анализ и его применение / Г. Дженкинс, Д. Ватте. -М. : Мир, 1971.-Т. 1.-316 с.
48. Дрейпер, Н. Прикладной регрессионный анализ / Н. Дрейпер, Г. Смит. - М.: Статистика, 1973. - 392 с.
49. Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе / А. А. Ежов, С. А. Шумский. - М. : МИФИ, 1998. - 222 с.
50. Евланов, JL Г. Контроль динамических систем / Л. Г. Евланов. - М.: Наука, 1979.-432 с.
51. Енюков, И. С. Методы, алгоритмы, программы многомерного статистического анализа / И. С. Енюков. - М. : Финансы и статистика, 1986. -230 с.
52. Журбенко, И. Г. Спектральный анализ временных рядов / И. Г. Журбенко. - М.: Изд-во Моск. ун-та, 1982. - 168 с.
53. Залманзон, Л. А. Преобразование Фурье, Уолша, Хаара и их применение в управлении, связи и других областях / Л. А. Залманзон. - М. : Наука, 1989. - 496 с.
54. Кашьяр, Р. Л. Построение динамических стохастических моделей по экспериментальным данным / Р. Л. Кашьяр, А. Р. Pao. - М.: Наука, 1983. -384 с.
55. Кендалл, М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стьюарт. - М. Наука, 1976. - 736 с.
56. Кендэл, М. Временные ряды / М. Кендэл. - М. : Финансы и статистика, 1981. - 199 с.
А
А
57. Красовский, А. А. Динамика непрерывных самонастраивающихся систем / А. А. Красовский. - М. : Физматгиз, 1963. - 468 с.
58. Клячкин, В. Н. О возможности совместного описания характеристик гидроагрегата адаптивными регрессиями / В. Н. Клячкин, Ю. Е. Кувайскова, А. А. Алёшина // Вектор науки ТГУ, 2013. - № 1 (23). - С. 40 - 41.
59. Клячкин, В. Н. Информационно-математическая система раннего предупреждения об аварийной ситуации / В. Н. Клячкин, Ю. Е. Кувайскова, А. А. Алёшина, Ю. А. Кравцов // Известия Самарского научного центра Российской академии наук, 2013. - №4(4). - С. 919 - 923.
60. Козырев, А. Н. Интеллектуализированные инструментальные системы и их роль в экономике / А. Н. Козырев // Обозрение проблем прикладной математики. - М. : Наука, 1997. - № 2. - Т. 4.-185 с.
61. Колмогоров, А. Н. Интерполяция и экстраполяция стационарных случайных последовательностей // Изв. АН СССР. Сер. матем. - 1941. - № З.-Т. 5.-С. 18-24.
62. Крамер, Г. Математические методы статистики / Г. Крамер. - М. : Изд-во иностр. лит., 1948. - 631 с.
63. Кувайскова, Ю. Е. Информационно - математические технологии для совместной обработки системы временных рядов / Ю. Е. Кувайскова, А. А. Алёшина // Современные проблемы создания и эксплуатации радиотехнических систем : сборник научных трудов 8-й Всерос. научно — практической конф. - Ульяновск : УлГТУ, 2013. - С. 197-199.
64. Кувайскова, Ю.Е. Программный комплекс моделирования и прогнозирования системы временных рядов / Ю. Е. Кувайскова, А. А. Алёшина // Вестник Ульяновского государственного технического университета. - Ульяновск : УлГТУ, 2013. - №. 2. - С. 24-27.
65. Кузнецов, С. Е. Обзор специализированных статистических пакетов по анализу временных рядов / С. Е. Кузнецов, В. А. Халилеев. - М. : СтатДиалог, 1998. - 307 с.
66. Кулаичев, А. П. Пакеты для анализа временных рядов / А. П. Кулаичев // «Мир ПК». - 2008. - № 1. - С. 127-132.
67. Купер, Дж. Вероятностный методы анализа сигналов и систем / Дж. Купер, К. Макгиллем. - М. : Мир, 1989. - 376 с.
68. Лёвкин, Н. Б. Предотвращение аварий и травматизма в угольных
•А'
у,
t
шахтах Украины / Н. Б. Лёвкин. - Донецк : Донбасс, 2002. - 392 с.
69. Линник, Ю. В. Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений / Ю. В. Линник. - М. : Физматгиз, 1962. - 333 с.
70. Лукашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю. П. Лукашин. - М. : Финансы и статистика, 2003. - 416 с.
71. Лукашин, Ю. П. Линейная регрессия с переменными параметрами / Ю. П. Лукашин. - М. : Финансы и статистика, 1992. - 256 с.
72. Лукьянов, Э. Е. Геолого-технологические исследования в процессе бурения / Э. Е. Лукьянов, В. В. Стрельченко. - М. : Нефть и газ, 1997. - 688 с.
73. Макаров, A. A. STADIA против StatGraphics / А. А. Макаров. - М. : Наука, 1992.-№3.-200с.
74. Маленво, Э. Статистические методы эконометрии / Э. Маленво. - М. : Статистика, 1976. - 327 с.
75. Малолеткин, Г. Н. Об алгоритмах выбора наилучшего подмножества признаков в регрессионном анализе / Г. Н. Малолеткин, Н. Н. Мельников, В. М. Ханин // Вопросы кибернетики: Теоретические проблемы планирования эксперимента. - М.: Советское радио, 1977. - Вып. 35.-С. 110-145.
76. Никифоров, И. В. Последовательное обнаружение изменения свойств временных рядов / И. В. Никифоров. - М. : Наука, 1983. - 200 с.
77. Носко, В. П. Эконометрика. Введение в регрессионный анализ временных рядов / В. П. Носко. - М. : ИЭПП, 2002. - 254 с.
78. Паташинский, А. 3. Флуктуационная теория фазовых переходов / А. 3. Паташинский, В. Л. Покровский. - М. : Наука, 1982. - 382 с.
79. Петрунин, Ю. Ю. Информационные технологии анализа данных / Ю. Ю. Петрунин. - М.: КДУ, 2008. - 292 с.
80. Поляк, Б. Т. Псевдоградиентные алгоритмы адаптации и обучения / Б. Т. Поляк, Я. 3. Цыпкин // Автоматика и телемеханика. - 1973. - №3. - С. 45-68.
81. Поляк, Б.Т. Оптимальные псевдоградиентные алгоритмы адаптации / Б. Т. Поляк, Я. 3. Цыпкин // Автоматика и телемеханика. - 1980. - № 8. - С. 74-84.
82. Пугачев, В. С. Теория случайных функций и ее применение к задачам автоматического управления / В. С. Пугачев. - М. : Физматгиз, 1960.-883 с.
83. Растригин, Л. А. Системы экстремального управления / Л. А. Растригин. - М.: «Наука», 1974. - 632 с.
84. Розенберг, Г. С. Экологическое прогнозирование (Функциональные предикторы временных рядов) / Г. С. Розенберг, В. К. Шитиков, П. М. Брусиловский. - Тольятти, 1994. с 182 с.
85. Розенблатт, Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга / Ф. Розенблатт. - М. : Мир, 1965. - 302 с.
86. Свешников, А. А. Прикладные методы случайных функций / А. А. Свешников. - М. : Наука, 1968. - 172 с.
87. Себер, Дж. Линейный регрессионный анализ / Дж. Себер. - М. : Мир, 1980.-456 с.
88. Сотникова, М. В. Анализ и прогнозирование выбросов загрязняющих веществ в атмосферу от автотранспортного комплекса / М. В. Сотникова, В. С. Демьянова, Р. В. Дярькин // Экология и промышленность России. - 2008. - № 7. - С. 29-31.
89. Стандарт организации ОАО РАО «ЕЭС России». Методика оценки технического состояния основного оборудования гидроэлектростанций. СТО 17330282.27.140.001-2006.
90. Тюрин, Ю. Н. Анализ данных на компьютере / Ю. Н. Тюрин, А. А. Макаров. - М. : «ИНФРА-М», 2003. - 540 с.
91. Хеннан, Э. Многомерные временные ряды / Э. Хеннан. - М. : Мир, 1974.-575 с.
92. Хомяков, Д. М. Информационные технологии и математическое моделирование в задачах природопользования при реализации концепции устойчивого развития / Д. М. Хомяков, Р. А. Искандарян // Экологические и социально-экономические аспекты развития России в условиях глобальных изменений природной среды и климата. - М. : Геос, 1997. - С. 102-119.
93. Хубер, П. Робастность в статистике / П. Хубер. - М. : Мир, 1984. -304 с.
94. Цыпкин, Я. 3. Информационная теория идентификации / Я. 3. Цыпкин. -М. : Наука. Физматлит, 1995. - 336 с.
95. Четыркин, Е. М. Статистические методы прогнозирования / Е. М. Четыркин. - М. : Статистика, 1977. - 200 с.
96. Чуй, К. Введение в вейвлеты / К. Чуй. - М. : Мир, 2001. - 412 с.
97. Шибаева, Е. С. Линейный анализ сетевого трафика / Е. С. Шибаева // Труды 52-й научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук». - М. : МФТИ, 2009. - 182 с.
98. Эфрон, Б. Нетрадиционные методы многомерного статистического анализа / Б. Эфрон. - М.: Финансы и статистика, 1988. - 263 с.
99. Akaike, Н. A New Look at the Statistical Model Identification / H. Akaike // IEEE Transactions on Automatic Control. - 1974. - AC. 19. - P. 716723.
100. Baillie, R. T. Multivariate generalized ARCH approach to modeling risk premium in forward foreign exchange rate markets / R. T. Baillie, T. A. Bollerslev // J. Int. Money and Finance. - 1990. - V. 9. - P. 309-324.
101. Bails, D. G. Business fluctuations: forecasting techniques and applications / D. G. Bails, L. C. Peppers. - Englewood Cliffs, NJ : Prentice Hall, 1993.-607 p.
102. Bloomfield, P. Fourier analysis of time series: An introduction / P. Bloomfield. - New York : Wiley, 1976. - 258 p.
103. Bollerslev, T. ARCH Models / T. Bollerslev, R. F. Engle, D. B. Nelson // Handbook of Econometrics. - Elsevier Science, 1994. - P. 2959-3038.
104. Brown, R. L. Techniques for Testing the Constancy of Regression Relationship over Time / R. L. Brown, J. Durbin, J. M. Evans // Journal of the Royal Statistical Society. - 1975. - Vol. 37, No. 2. - P. 149-192.
105. Chabra, A. Direct determination of the f(a) singularity spectrum and its application to fully developed turbulence / A. Chabra, C. Meneveau, R.V. Jensen // Phys. Rev. A. - 1989. - V.40. - P. 5284-5294.
106. Durbin, J. Testing for serial correlation in least squares regression / J. Durbin, G. S. Watson // Biometrica. - 1950. - №37. - P. 409-428.
107. Engle, R. Multivariate Simultaneous GARCH / R. Engle, K. Kroner // Econometric Theory. - 1995. - P. 122-150.
108. Engle, R.F. What Good is a Volatility Model? / R. F. Engle, A. J. Patton // Quantitative Finance. - 2001. - № 1(2). - P. 237-245.
109. Family, F. Dynamics of Fractal Surfaces / F. Family, T. Vicsek. -
Singapore: World Scientific. - 1991. - 376 p.
110. Harrison, P. J. A Bayesian approach to short-term forecasting / P. J. Harrison, C. F. Stevens // Oper. Res. Quart. - 1971. - V. 22. - № 4. - P. 341-362.
111. Jenkins, G. M. Spectral Analysis and Its Application / G. M. Jenkins, D. G. Watts. - San Francisco : Golden-Day, 1968. - 525 p.
112. Lewicki, P. Statistics: Methods and Applications / P. Lewicki, T. Hill. -New York : Marcel Dekker, 2001. - 611 p.
113. McSharry, P. E. Better Nonlinear Models from Noisy Data: Attractors with Maximum Likelihood / P. E. McSharry, L. A. Smith // Phys. Rev. Lett. -1999.-v. 83.-P. 4285-4288.
114. Montgomery, D. C. A note on forecasting with adaptive filtering / D. C. Montgomery // Oper. Res. Quart. - 1977. - V. 28. - № 11. - P. 87-91.
115. Montgomery, D. C. Forecasting and Time Series Analysis / D. C. Montgomery, L. A. Johnson, J. S. Gardiner. - New York: Mc Graw-Hill. - 1990. - 394 p.
116. Peng, C.-K. Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series / C.-K. Peng, S. Havlin, H. E. Stanley // Chaos. - 1995. - V.5. - P.82-87.
117. Shumway, R. H. Applied statistical time series analysis / R. H. Shumway. - Englewood Cliffs, NJ : Prentice Hall, 1988. - 179 p.
118. Tsiao, G. C. Modeling Multiple Time Series with Applications / G. C. Tsiao, G. E. P. Box // Journal of the American Statistical Association. — 1981. — V. 76.-P. 802-816.
119. Valeev, S. G. Scenarios of technogenic time series treatment in the environment of a package AS DRM-T / S. G. Valeev, YU. E. Kuvayskova, A. M. Velikanov // Interaktive Systems and Technologies: the Problems of HumanComputer Interaction. - Ulyanovsk: U1STU, 2009. - 370-373 p.
120. Watson, Mark W. Vector Autoregressions and Cointegration / Mark W. Watson. - Amsterdam: Elsevier, 1994. - P. 2844-2915.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.