Разработка методов структурно-параметрической идентификации биотехнических систем тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Пащенко, Александр Федорович

• Пащенко, Александр Федорович
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Пащенко, Александр Федорович

ВВЕДЕНИЕ.

1. ОБЩИЕ ВОПРОСЫ И ПРОБЛЕМЫ ИДЕНТИФИКАЦИИ СИСТЕМ.

1.1. Основы системного подхода в моделировании.

1.2. Методологические подходы к описанию и моделированию систем.

1.3. Постановка задачи идентификации.

1.4. Критерий адекватности модели и объекта.

1.5. Структурная идентификация нелинейных систем.

1.6. Проблемы статистического анализа и идентифицируемости.

1.7. Постановка задачи исследования.

1.8. Выводы по первой главе.

2. СТРУКТУРНАЯ ИДЕНТИФИКАЦИЯ И ВЫБОР ИНФОРМАТИВНЫХ ПЕРЕМЕННЫХ.

2.1. Выбор структуры модели.

2.2. Корреляционные характеристики нелинейных процессов.

2.3. Состоятельные методы структурной идентификации.

2.4. Выбор информативных переменных.

2.5. Выбор информативных переменных на основе метода последовательного включения.

2.6. Модифицированный шаговый регрессионный метод.

2.7. Модифицированный ступенчатый регрессионный метод.

2.8. Имитационное моделирование вычисления оценок максимального коэффициента корреляции для нелинейных моделей.

2.9. Имитационное моделирование методов выбора информативных переменных.

2.9.1. Метод шаговой регрессии включения на основе максимальной корреляции.

2.9.2. Модификация шагового метода.

2.10. Выводы по второй главе.

3. СТАТИСТИЧЕСКАЯ ЛИНЕАРИЗАЦИЯ И ИДЕНТИФИКАЦИЯ НЕЛИНЕЙНЫХ СИСТЕМ.

3.1. Статистическая линеаризация и блочно-ориентированные модели.

3.2. Метод функциональных преобразований в задаче идентификации нелинейных систем.

3.3. Идеи статистической линеаризации и их применение в задачах идентификации на основе МФП.

3.3.1. Идентификация систем по первому критерию статистической линеаризации.

3.3.2. Идентификация систем по второму критерию статистической линеаризации.

3.4. Дисперсионная идентификация.

3.4.1. Дисперсионный метод статистической линеаризации статических систем.

3.5. Модели дисперсионной идентификации в классе систем Гаммерштейна.

3.5.1. Идентификация динамического квадратора.

3.5.2. Идентификация нелинейного динамического объекта типа Гаммерштейна с кубической нелинейностью динамический кубатор).

3.6. Выбор структуры безинерционных стохастических объектов.

3.7. Выводы по третьей главе.

4. МОДЕЛИРОВАНИЕ БИОТЕХНИЧЕСКОЙ СИСТЕМЫ ПРОМЫШЛЕННОГО ПТИЧНИКА.

4.1. Описание биотехнической системы промышленного птичника.

4.2. Задачи моделирования и оптимизации БТС ГШ.

4.3. Анализ исследований влияния параметров микроклимата на продуктивность птиц.

4.4. Выбор информативных переменных модели БТС ГШ.

4.5. Выбор структуры и определение коэффициентов модели БО.

4.6. Оптимизация параметров микроклимата в БТС ПП.

4.7. Представление модели ptichnik в Simplex 3.

4.8. Автоматизированная система сбора информации о параметрах технологического процесса выращивания бройлеров.

4.8.1. Функции и задачи автоматизированной системы сбора информации.

4.8.2. Структура системы сбора информации.

4.8.3. Весоизмерительное устройство для автоматического измерения веса бройлеров в клетке.

4.8.4. Программное обеспечение системы.

4.9. Выводы по четвертой главе.

Введение диссертации (часть автореферата) на тему «Разработка методов структурно-параметрической идентификации биотехнических систем»

Актуальность работы. Одним из основных направлений повышения эффективности функционирования и безопасности производственных комплексов является создание систем управления и поддержки принятия решений с идентификацией и прогнозированием развития сложных ситуаций.

Современные объекты характеризуются нелинейной, сложной структурой, а также неполнотой математического описания и неопределенностью знаний, как о самом объекте, так и действующих на него сигналах и помехах. При этом решение задачи идентификации связано с аппроксимацией объекта набором элементарных звеньев известной структуры и оценкой характеристик этих звеньев по данным нормальной эксплуатации. Примером такого подхода является использование моделей специальных классов, например моделей Винера, Гаммерштейна, Урысона, Заде и т.п. В это направление большой вклад внесли, помимо упомянутых выше исследователей, также П.Эйкхофф, Н.С.Райбман, В.Я.Ротач, В.С.Пугачев, Я.З.Цыпкин, К.Острем, С.Биллингс, М.Шетсен и др. Однако этот подход предполагает, что структура входо-выходного отображения систем хорошо известна.

В реальных ситуациях при неполноте информации об исследуемой системе для принятия решения применяется другой подход, сущность которого состоит в ослаблении зависимости решения задачи идентификации от ограничений, накладываемых априорными предположениями. Примерами такого подхода является использование методов статистической линеаризации, информационных и дисперсионных методов идентификации. В разработку этого подхода большой вклад внесли В.С.Пугачев, Н.С.Райбман, Х.Акаике, Л.Льюнг, Б.Н.Петров, И.Е.Казаков, Н.И.Андреев, и др. При моделировании систем различают также аналитические и экспериментальные методы составления математического описания исследуемых систем с применением различных комбинаций из указанных выше подходов.

При решении задач структурной идентификации особо важную роль играет проблема выбора информативных переменных. Фактически эта задача представляет собой первый этап структурной идентификации систем. При этом применение традиционных корреляционных и дисперсионных алгоритмов выбора информативных переменных не всегда оправданно, а в ряде случаев приводит к неверным результатам (О.В. Сарманов, А. Реньи и др.).

В связи с этим в работе развиваются состоятельные методы анализа и идентификации нелинейных систем, основанные на использовании обобщенных корреляционных функций и функциональной корреляции.

Актуальность исследований определяется необходимостью разработки теоретических основ, методик и практических рекомендаций по решению важной проблемы разработки состоятельных методов и алгоритмов структурной, непараметрической и параметрической идентификации и построению математических моделей, обеспечивающих высокую эффективность современных систем управления и принятия решений в биотехнических системах.

Цель работы. Разработка состоятельных методов структурно-параметрической идентификации сложных биотехнических систем, характеризуемых существенной нелинейностью, многомерностью и неполнотой математического описания объекта.

Достижение поставленной цели связано с решением следующих задач:

- анализ проблемы выбора информативных переменных;

- выбор информативных переменных для систем, описываемых полулинейными моделями;

- разработка алгоритма последовательного включения переменных в рамках обобщенных регрессионных уравнений;

- построение алгоритма выбора структуры модели на основе усредненных конечных разностей;

- разработка методов структурной идентификации систем в классе линейных и полулинейных уравнений;

- разработка методов, моделей, алгоритмов математического моделирования и оптимизации климатических режимов в промышленном птичнике для достижения максимального прироста и повышения качества мяса бройлеров при выращивании и вскармливании птиц;

- разработка структурно-параметрической модели прогнозирования объемов выхода мяса бройлеров с учетом оптимальных технологических параметров в птичнике;

- разработка информационной системы сбора информации и компьютерной системы регулирования климатических параметров в птичнике, таких как температура, влажность и загазованность;

- разработка рекомендаций по обеспечению оптимальных климатических условий при вскармливании цыплят-бройлеров в промышленном птичнике с целью оптимизации прироста

Объекты исследования. В качестве объектов исследования были выбраны сложные нелинейные стохастические системы, функционирующие в условиях неопределенности, в частности, биотехнический комплекс по выращиванию бройлеров.

Научная новизна. В диссертационной работе получены следующие результаты, характеризующиеся научной новизной:

1. Разработана методология структурно-параметрического моделирования сложных нелинейных систем, основанная на состоятельных мерах зависимости между случайными величинами и процессами.

2. Показано, что классические алгоритмы выбора информативных переменных не всегда применимы для идентификации нелинейных стохастических систем и в ряде случаев приводят к неверным результатам.

3. Разработаны новые алгоритмы пошагового выбора информативных переменных для построения обобщенных линейных и нелинейных регрессионных моделей, в том числе варианты метода последовательного включения, шагового регрессионного и ступенчатого регрессионного методов.

4. На основе методов статистической линеаризации и функциональных преобразований получены необходимые и достаточные условия существования решения задачи идентификации нелинейных систем.

5. Разработан метод структурной идентификации на основе усредненных конечных и разделенных разностей.

6. Построен дисперсионный аналог метода статистической линеаризации. Показана его эффективность для решения задач идентификации в классе моделей Винера и Гаммерштейна.

7. Построены модели промышленного птичника как большой биотехнической системы.

Практическая значимость и реализация результатов работы.

- разработана информационно-управляющая система контроля и управления микроклиматическими параметрами при выращивании бройлеров в промышленном птичнике;

- разработаны рекомендации по технологическим регламентам и рациональной организации процесса выращивания цыплят-бройлеров в птичнике, учитывающие влияние температуры и влажности на привес и качество мяса цыплят-бройлеров;

- разработан программный комплекс компьютерной системы моделирования и управления температурно-влажностным режимом в птичнике с целью максимизации привеса цыплят-бройлеров при выращивании;

Разработанные технологические регламенты климатических режимов в птичнике прошли апробацию в птичнике №5 Петелинской птицефабрики в Московской области.

Предложенные методы применимы и для других биотехнических систем, например, животноводческих и тепличных комплексов, рыбопромысловых хозяйств.

Апробация работы. Основные результаты работы были представлены на Всероссийской научно-технической конференции «Новые материалы и технологии - НМТ-2004», Москва, 2004; ХХХ-й Дальневосточной математической школе-семинаре им. акад. Золотова, Хабаровск, 2005; ХХХП-й Дальневосточной математической школе-семинаре им. акад. Золотова, Владивосток, 2007; XXXIV-й Дальневосточной математической школе-семинаре им. акад. Золотова, Хабаровск, 2009; 3-rd International Conference of Information Technologies and Telecommunication. Ganja, Azerbaijan, 2007; 8-th International Conference on Operation Research. Habana, Cuba, 2008; Х-й Международной научно-практической конференции «Автоматизация и информационное обеспечение производственных процессов в сельском хозяйстве», Углич, 2008; 7th International Conference on Computer Science and Information Technologies. Yerevan, Armenia, 2009.; Конгрессе по интеллектуальным системам и информационным технологиям «AIS-IT'09», Дивноморское, 2009; Третьей международной конференции «Управление развитием крупномасштабных систем» (MLSD'2009), Москва, 2009.

Публикации. По теме диссертации и результатам исследований опубликовано 13 печатных работ, в том числе 1 публикация в издании, рекомендованном ВАК для публикации результатов докторских и кандидатских диссертаций.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и приложения и содержит 192 страницы основного текста, 23 рисунка, 13 таблиц, список литературы из 151 наименования и 20 страниц приложения.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Пащенко, Александр Федорович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В работе развиваются состоятельные методы анализа и идентификации нелинейных систем, основанные на использовании обобщенных корреляционных функций и функциональной корреляции. Решена задача разработки теоретических основ, методик и практических рекомендаций по решению важной проблемы разработки состоятельных методов и алгоритмов структурной, непараметрической и параметрической идентификации и построению математических моделей систем, обеспечивающих высокую эффективность современных систем управления и принятия решений в биотехнических системах. Основные результаты теоретических и прикладных исследований:

1. Разработана методология структурно-параметрического моделирования сложных нелинейных систем, основанная на состоятельных мерах зависимости между случайными величинами и процессами.

2. Показано, что классические алгоритмы выбора информативных переменных не всегда применимы для идентификации нелинейных стохастических систем и в ряде случаев приводят к неверным результатам.

3. Разработаны модифицированные методы выбора информативных переменных для многомерных нелинейных стохастических систем: метод пошагового включения переменных, шаговый регрессионный и ступенчатый регрессионный методы, основанные на использовании максимальных и обобщенных корреляционных функций и моментов.

4. Построен нелинейный аналог метода статистической линеаризации для анализа и моделирования существенно нелинейных систем в условиях неопределенности.

5. Получены необходимые и достаточные условия существования решения задачи идентификации нелинейных систем в классе полулинейных блочно-ориентированных систем.

6. Построен дисперсионный аналог метода статистической линеаризации нелинейных систем. Показана его эффективность для решения задач идентификации в классе блочно-ориентированных моделей Винера и Гаммерштейна. Для данного метода получены уравнения идентификации систем.

7. Разработан метод структурной идентификации для определения порядка полиномиальных моделей, основанный на усредненных конечных разностях.

8. Проведены комплексные исследования биотехнической системы промышленного птичника как объекта управления с выделением технического и биологического объектов.

9. Проведен статистический анализ факторов, влияющих на продуктивность бройлеров в птичнике, и выбраны информативные переменные для модели биологического объекта птичника.

Ю.Построена структурно-параметрическая модель птичника как биотехнической системы.

11.На основе построенной математической модели разработан алгоритм оптимизации, реализованный в программном комплексе Simplex 3, и найдены оптимальные значения параметров микроклимата в птичнике, соответствующие максимальному приросту массы бройлеров.

12.Предложенные методы, модели и алгоритмы реализованы в разработанной автоматизированной информационно-управляющей системе контроля и управления микроклиматом в промышленном птичнике на Петелинской птицефабрике.

Список литературы диссертационного исследования кандидат технических наук Пащенко, Александр Федорович, 2009 год

1. Александровский Н.М., Дейч A.M. Методы определения динамических характеристик нелинейных объектов (обзор) // Автоматика и телемеханика. — 1968.-№ 1.-С. 167- 188.

2. Андреев Н.И. Корреляционная теория статистически оптимальных систем. -М.: Наука, 1966.

3. Бахвалов Н.С. Численные методы. М.: Наука, 1973. — 632 с.

4. Богданов А.А. Всеобщая организационная наука (тектология). 4.1. СПб., 1913.

5. Болквадзе Г.Р. Класс моделей Гаммерштейна в задачах идентификации стохастических систем // Автоматика и Телемеханика, 2003, № 1. С. 42 - 56.

6. Валге A.M., Пащенко Ф.Ф. Математическое моделирование технологических процессов сельскохозяйственного производства по экспериментальным данным. Ч. 1. Статические модели. Ленинград Пушкин. НИПТИМЭСХ НЗ РСФСР, 1980, 68 с.

7. Валге A.M., Пащенко Ф.Ф. Математическое моделирование технологических процессов сельскохозяйственного производства по экспериментальным данным. Ч. 2. Динамические модели. Ленинград Пушкин. НИПТИМЭСХ НЗ РСФСР, 1980. 85 с.

8. Грабауров В. А. Оптимальное управление биотехнической системой в промышленном птичнике посредством микроклимата // Приборы и системы управления. 1988, №2.- С.5-7.

9. Грабауров В.А., Саченко Е.И. Синтез эвристической модели биологического объекта и биотехнической системы. Ростов-на-Дону, РИСХМ, 1988.-9с.

10. Грабауров В. А., Пащенко Ф.Ф. Моделирование и оптимизация биотехнических систем. Учеб. пособие. Ростовский-на-Дону институт сельскохозяйственного машиностроения, 1986. —93 с.

11. Гроп Д. Методы идентификации систем / Под ред. Е.П. Кринецкого. — М.: Мир, 1979.-302 с.

12. Гусак А.А. Элементы методов вычислений. Минск. БГУ, 1974.

13. Дейч A.M. Методы идентификации динамических объектов: Пер. с англ. — М.:Энергия, 1979.-240 с.

14. Дисперсионная идентификация / Под ред. Н.С. Райбмана. М.: Наука, 1981. — 336 с.

15. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Том 2. М.: Финансы и статистика, 1987. -351с.

16. Дубров A.M., Мхитарян B.C., Трошин ЛИ. Многомерные статистические методы. М.: Финансы и статистика, 2000. 352 с.

17. Дургарян И.С., Пащенко А.Ф. К выбору структуры модели // XXX Дальневосточная математическая школа-семинар им. академика Е.В. Золотова: тезисы докладов. Хабаровск: Изд-во ДВГУПС, 2005 г. С. 136.

18. Дургарян И.С., Пащенко Ф.Ф. Информационные методы идентификации. М.: Препринт / Институт проблем управления. 1999, 60 с.

19. Дургарян И.С. Пащенко Ф.Ф. Дисперсионный критерий статистической оптимизации систем // Автоматика и телемеханика, 1974, № 12.

20. Дургарян И.С., Пащенко Ф.Ф. Системы поддержки принятия решений в человеко-машинных системах управления // Труды Института Проблем управления, т. 8 ИПУ, 2000. С. 46-59.

21. Дургарян И.С. Пащенко Ф.Ф. Идентификация нелинейных объектов по сложным критериям // Автоматика и телемеханика, 1980, № 7.

22. Егоров Ю.Л. Исследование систем управления. М., 1997.

23. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. 120 с.

24. Ивашкин Ю.А. Системный анализ и исследование операций в прикладной биотехнологии: Учеб. пособие. -М.: МГУПБ, 2005. 196 с.

25. Ивашкин Ю.А. Мультиагентное имитационное моделирование больших систем. М.: МГУПБ, 2008.- 230 с.

26. Ивашкин Ю.А., Пащенко А.Ф. Выбор информативных переменных в задаче моделирования систем // Труды Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'09» Том 1 М.: Физматлит, 2009 С. 511516.

27. Изерман Р. Цифровые системы управления: М.: Мир, 1984. - 541 с.

28. Кадик С.С. Вентиляция вентиляции рознь — от иной птицы гибнут // Животноводство России, 2004, № 2, № 3.

29. Казаков И.Е. Приближенный метод статистического исследования нелинейных систем // Труды ВВИА им. Н.Е. Жуковского . М. Изд-во ВВИА им. Жуковского. 1954. Вып. 394.

30. Казаков И.Е., Доступов Б.Г. Статистическая динамика нелинейных автоматических систем. М.:Физматгиз, 1962.

31. Калман Р., Фалб П., Арбиб М. Очерки математической теории систем. М.: Мир, 1979, 398 с.

32. Каминскас В.Н., Нямура А. Статистические методы в идентификации динамических систем. Вильнюс: Минтис, 1975. 197 с.

33. Каминскас В.Н., Яницкене Д.Ю. Идентификация нелинейных дискретных систем класса Гаммерштейна; 1. Алгоритмы оценивания параметров // Труды АН Лит. ССР, 1978, сер. Б, т. 2 (105), С. 121 130.

34. Каминскас В.Н., Яницкене Д.Ю. Идентификация нелинейных систем класса Гаммерштейна; 3. Моделирование алгоритмов оценивания параметров // Труды АН Лит. ССР, 1978, сер. Б, т. 6 (115), С. 95 110.

35. Каминскас В.Н. Идентификация динамических систем по дискретным наблюдениям. Вильнюс: Мокслас, 1982. - 240 с.

36. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. -М: Наука, 1976. 736 с.

37. Клейман Е.Г. Идентификация нестационарных объектов. Обзор // Автоматика и телемеханика. 1999. - № 10. - С . 3 - 45.

38. Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа. М.: Наука, 1968.

39. Корнфельд И.П., Штейнберг Ш.Е. Оценивание параметров линейных и нелинейных стохастических систем методом осредненных невязок // Автоматика и телемеханика. — 1985. № 8. С. 51 - 60.

40. Красниченко A.JT. Интенсификация производства яиц как биотехнической системы: Автореф.дисс.докт.техн.наук: Спец.05.20.01; 05.13.07 Ереван -36с.1990.

41. Лоули Д., Максвелл А. Факторный анализ как статистический метод. М.: Мир, 1967.

42. Льюнг Л. Идентификация систем. Теория для пользователя. — М.: Наука,1991.- 432 с.

43. Месарович М., Такахара Я. Общая теория систем: математические основы. М.: Мир, 1978,311 с.

44. Невельсон М.Б., Хасьминский Р.З. Стохастическая аппроксимация и рекуррентное оценивание. М.: Наука, 1972.

45. Основы управления технологическими процессами / Под ред. Н.С. Райбмана. -М.: Наука, 1981.-440 с.

46. Островский Ю.И., Пащенко А.Ф. Автоматизированная система сбора информации о параметрах технологического процесса выращивания бройлеров // Датчики и Системы, №8 2007г., М., 2007, С.44-47.

47. Островский Ю.И., Пащенко А.Ф. Автоматизированная система измерения и моделирования промышленного птичника // 3-rd International Conference of Information Technologies and Telecommunication. Ganja, Azerbaijan Oktober 4-6, 2007, P.94-100.

48. Пащенко А.Ф. Выбор структуры безынерционных стохастических объектов // Вестник МАСИ. Том 6 Часть 1/Международная Академия Системных Исследований, М., 2002, С.56-59.

49. Пащенко А.Ф. Определение структуры моделей стохастических систем // НОВЫЕ МАТЕРИАЛЫ И ТЕХНОЛОГИИ НМТ-2004. Тезисы докладов

50. Всероссийской научно-технической конференции. Москва, 17-19 ноября 2004 г. Т 2 М.: Издательско-типографский центр "МАТИ"-РГГУ им. К.Э. Циолковского, 2004. С.144-145.

51. Пащенко А.Ф. Моделирование нелинейных систем Винера-Гаммерштейна // Computer Science and Information Technologies: proceedings of the conference. Yerevan, Armenia. September 28 October 2, 2009 C.507-509.

52. Пащенко А.Ф. Моделирование нелинейных систем Винера-Гаммерштейна // Computer Science and Information Technologies: proceedings of the conference. Yerevan, Armenia. September 28 October 2, 2009 C.507-509.

53. Пащенко А.Ф. Выбор информативных переменных в задаче структурной идентификации биотехнических систем // Вестник МАСИ. Том 7 Часть 1/Международная Академия Системных Исследований, М., 2004, С.41-48.

54. Пащенко Ф.Ф. Состоятельный метод идентификации нелинейных систем // Избранные труды Международной конференции по проблемам управления. М., ИПУ, т.2, 1999, С.96-108.

55. Пащенко Ф.Ф., Пащенко А.Ф. Статистическая линеаризация и идентификация существенно нелинейных систем // Моделирование и управление производствами повышенного риска. Сборник трудов ИПУ. Выпуск 5. М.: ИПУ, 1997. С.103-121.

56. Пащенко Ф.Ф., Чернышев К.Р. Применение метода функциональных преобразований в идентификации нелинейных систем // АиТ, 1992, №4.

57. Пащенко Ф.Ф. Введение в состоятельные методы моделирования систем. 4.1. Математические основы моделирования систем. М.: Финансы и статистика, 2006.-328 с.

58. Прангишвили И.В. Системный подход и общесистемные закономерности. М.: Синтег, 2000, 521 с.

59. Прангишвили И.В., Пащенко Ф.Ф., Бусыгин Б.П. Системные законы и закономерности в электродинамике, природе и обществе. М.: Наука, 2001, 526 с.

60. Пугачев B.C. Теория случайных функций и ее применение к задачам автоматического управления. -М.: Физматгиз, 1962. — 884 с.

61. Пугачев B.C. Теория вероятностей и математическая статистика. М : Наука, 1979.-496 с.

62. Пугачев B.C., Синицин И.Н. Теория стохастических систем: Учеб. пособие. — М.: Логос, 2000. 1000с.

63. Пчелкин Ю.Н., Сорокин А.И. Устройства и оборудование для регулирования микроклимата в животноводческих помещениях. —М.: Россельхозиздат, 1977 — 216 с.

64. Райбман Н.С., Дургарян И.С., Пащенко Ф.Ф. Многоступенчатая идентификация сложного объекта // Труды семинара ИФАК по применению ЭВМ в управлении дискретными производствами. Прага (ЧССР), 1977.

65. Райбман Н.С. Что такое идентификация. М., Наука, 1970.

66. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства. -М.: Энергия, 1975.-376 с.

67. Райбман Н.С. Идентификация объектов управления. Обзор // Автоматика и телемеханика. 1979. - № 6. - С. 80 — 93.

68. Райбман Н.С. Методы нелинейной и минимаксной идентификации. Современные методы идентификации систем. /Под ред. П. Эйкхоффа. М.:Мир, 1983.

69. Садовский В.Н. Основания общей теории систем. Логико-методологический анализ. М.: Наука, 1974, 279 с.

70. Салуквадзе М.Е., Шаншиашвили В.Г. Структурная идентификация нелинейных непрерывных систем с обратной связью // Труды межд. Конф. «Идентификация систем и задачи управления» SICPRO '2000, Москва 26 — 28 сентября 2000 г.

71. Саридис Дж. Самоорганизующиеся стохастические системы управления / Под ред. Я.З. Цыпкина. М.: Наука, 1980. - 400 с.

72. Сарманов О.В. Максимальные коэффициенты множественной корреляции // Докл. АН СССР. 1960. Т. 130, № 2, С. 269-271.

73. Сарманов О.В. Максимальный коэффициент корреляции (несимметричный случай) // докл. АН СССР. 1958. Т.121. № 1. С. 52-55.

74. Сарманов О.В. Максимальный коэффициент корреляции (симметричный случай)//ДАН СССР 1958, т. 120, №4. С.715-718.

75. Сарманов О.В. Собственные корреляционные функции и их применение в теории стационарных Марковских процессов // ДАН СССР, 1960, т. 132, № 4, С. 769-772.

76. Сейдж А., Мелса Дж. Идентификация систем управления: М.: Наука, 1974. -246 с.

77. Синицин И.Н. Методы статистической линеаризации. АиТ, 1974, №5.

78. Современные методы идентификации систем / Под ред. П. Эйкхоффа. М.: Мир, 1983.-400 с.

79. Славин P.M. Комплексная механизация и автоматизация промышленного птицеводства. —М.: Колос, 1978. 370 с.

80. Славин P.M. Научные основы автоматизации производства в животноводстве и птицеводстве. — М.: Колос, 1974. -464 с.

81. Славин P.M. Автоматизация процессов в животноводстве и птицеводстве. М.: Агропромиздат, 1991.-397 с.

82. Справочник по теории автоматического управления. Под ред. А.А.Красовского. М.: Наука, 1987, 712 с.

83. Терещенко В.И. Экономика и организация производства бройлеров в США. — Киев: Урожай, 1965.

84. Урманцев Ю.А. Общая теория систем: состояние, приложение и перспективы развития. М.: Мысль, 1988.

85. Урманцев Ю.А. Системная философия // Вестник Моск. Ун-та. Серия 7. Философия, 1999, № 5.

86. Холл А.Д. Опыт методологии для системотехники. М.: Сов.радио, 1975, 448 с.

87. Цыпкин Я.З. Информационная теория идентификации. — М.: Наука, 1995. -336 с.

88. Шабров О. Политическое управление. М.: Интеллект, 1977.

89. Шмидт Б. Искусство моделирования и имитации. Введение в имитационную систему Simplex3 / перевод с нем. под ред. Ю.А. Ивашкина, В.Л. Конюха. Гент.: Бельгия, SCS, 2003. - 550 с.

90. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1975. — 683 с.

91. Эшби У.Р. Конструкция мозга: происхождение адаптивного поведения. М.: ИЛ, 1962, 398 с.

92. Al-Duwaish Н., Karim M.N. A new method for the identification of Hammerstein model //Automatica, 1997, vol. 33, No. 10, P. 1871 1873.

93. Anbumani K., Patnaik L.M., Sarma I.G. Self-tuning minimum-variance control of nonlinear systems of the Hammerstein model // IEEE Trans. Autom. Contr., 1981, vol. AC-26, No. 4, P. 959-961.

94. Bai E.W. An optimal two-stage identification aigorithm for Hammerstein Wiener nonlinear systems //Automatica, 1998, vol. 34, No. 3, P. 333 - 338.

95. Bai E.W., Fu M. Hammerstein model identification; A blind approach / Technical Report. Department of Electronics and Computer. University of Iowa, 2001.

96. Bai E.W. A blind approach to the Hammerstein — Wiener model identification // Automatica, 2002, 38, P. 967 969.

97. Bertalanffy L. Von. General System Theory (Foundation, Development, Application), N.Y.: G.Brazillier, 1973.

98. Billings S.A., Fakhouri. S.Y. Non-linear system identification using the Hammerstein model // Int. J. Syst. Sci., 1979, vol. 10, P. 567 578.

99. Billings S.A., Fakhouri. S.Y. Identification of systems containing linear dynamic and static nonlinear elements // Automatica, 1982, 18, P. 15 26.

100. Booton R.S. Nonlinear control systems with random inputs // Trans. IRE Profes. Group on Circuit Theory. 1954, Vol CT-1,№1, P. 9-18.

101. Boutayeb M., Rafaralahy H., Darouach M. A robast and recursive identification method for Hammerstein model // IF AC World Congress '96, San Francisco, P. 447 — 452.

102. Box G., Cox D. An Analysis of Transformations // Journal of the Royal Statistical Society. Ser.B. v. 26, P. 211-252.

103. Breiman L., Friedman J. Estimation Optimal Transformations for Multiple Regression and Correlation // American Statistical Association. Journal the American Statistical Association. 1985, v.8, № 391, P. 580-600.

104. Bubnicki Z. Identification of control plants. Warszawa, 1980. - 312 p.

105. Chang F.H.I., Luus R. A non-itereitive method for identification using Hammerstein model // IEEE Transactions on Automatic Control, 1971, vol. AC-16, P.464-468.

106. Chowdhury F.N. Input-output modeling of nonlinear systems with time-varying linear models // IEEE Trans. Autom. Control, 2000, vol. 45, No. 7, P. 1355 1358.

107. E.J. Dempsey, D.T. Westwick. Identification of Hammerstein models with cubic spline nonlinearities // IEEE Transactions on Biomedical Engineering, 51(2): P.237-245, 2004.

108. Eskinat E., Johnson S.H., Luyben W.L. Use of Hammerstein models in identification of nonlinear systems // AICEJ, vol. 37, P. 255 268., 1991.

109. G.B. Giannakis, E. Serpedin. A bibliography on nonlinear systems identification // Signal Processing, 81: P.533-580, 2001.

110. Grebicki W., Pawlak M. Identification of discrete Hammerstein systems using kernel regression estimates // IEEE Trans. Automat. Control, 1986, AC-31, P. 74 77.

111. Grebicki W., Pawlak M. Nonparametric identification of Hammerstein systems // IEEE Transactions on Information Theory, 1989, IT-35, P. 409 418.

112. W. Grebicki. Nonparametric orthogonal series identification of Hammerstein systems // International Journal of Systems Science, 20: P. 2355-2367, 1989.

113. Grebicki W. Nonparametric identification of Wiener systems // IEEE Transactions on Information Theory, 1992, 38, P. 1487 1493.

114. Durgarjan I.S., Pashchenko F.F. Non-parametric identification of nonlinear systems // Proc. of the 7-th IFAC/IFORS Symposium on Identification and system Parameters Estimation. New-York Pergamon Press. 1985 vol 1 . P.433-437.

115. Haber R. Nonlinearity tests for dynamic processec

116. IFAC/IFIP Sump. on Identification and System Parameter Estimation, York, U.K., 1985, P. 409 413.

117. Haber R. Structure identifiction of the simple Hammerstein and Wiener cascade models from impulse and step responses // Report, Ins. of Machine and Process Automation, Technical University of Vienna, Austria, 1987.

118. Haber R. Structure identifiction of blockoriented models based on the estimated Volterra kernels // Int. J. Syst. Sci., 1989, 20, P. 1355 1380.

119. Haber R., Keviczky L. The identification of discrete-time Hammerstein model // Periodica Polytechnica, Electrl Eng, 1974, vol. 18, P. 71 - 74.

120. Haber R., Keviczky L. Nonlinear structures for system identification // Periodica Polytechnic Electrl Eng, 1974, 18, P. 393 - 404.

121. Haber R., Keviczky L. Identification of nonlinear dynamic systems survey paper 11 Preprints 4th IF AC Symp. on Identification and Parameter Estimation, 1976, Tbilisi, U.S.S.R., P. 62-112.

122. Haber R., Unbehauen H. Structure identification of nonlinear dynamic systems — a survey on input / output approaches // Automatica. 1990, vol. 26, No 4, P. 651 677.

123. Hannan E.J., Quin B.G. The determination of the order of an auturegression // J. R. Statist. Soc. B, 1979, 41, P. 190 195.

124. Hagglund Т., Astrom K.-J. Supervision of adaptive control algorithms // Automatica, 2000, vol. 36, P. 1171 1180.

125. Haist N.D., Chang F.H.I., Luus R. Non-linear identification in the presence of correlated noice using a Hammerstein model // Trans Automat. Control, 1973, vol. AC-18, P. 552-555.

126. Z. Hasiewicz, P. Sliwinski, G.Mzyk. Nonlinear system identification under various prior knowledge // Proceedings of the 17th World Congress IF AC, Seoul, Korea, 2008 P.7849-7858.

127. Hsia T. A multi-stage least squares method for identifying Hammerstein model nonlinear systems // Proceedings of CDC. Cllearwater, 1976, FL, P. 934 938.

128. I.W. Hunter, M.J.Korenberg. The identification of non-linear biological systems: Wiener and Hammerstein cascade models // Biological Cybernetics, 55(2-3): P. 135144, 1986.

129. Juditsky A., Hjalmarsson H., Benveniste A. et al. Nonlinear black — box modeling in system identification: mathematical foundations // Automatica. 1995, vol. 31, No 12, P. 1725 1750.

130. Kalafatis A.D, Wang L., Cluett W.R. Identification of Wiener-type nonlinear systems in a noisy environment // Int. J. Of Control, 1997, 66, P. 923 941.

131. L. Ljung. Perspectives on System Identification. Proceedings of the 17th World Congress IF AC, Seoul, Korea, 2008 P.7172-7184.

132. Narendra K.S., Gallman P.G. An itereitive method for the identification of nonlinear systems using a Hammerstein model // IEEE Trans. Automat Control, 1966, AC-11, P. 546-550.

133. Nesic D. Output feedback stabilization of a class of Wiener systems // IEEE Trans. Automat Control, 2000, vol. 45, No. 9, P. 546 550.

134. Nesic D. Controllability of generalized Hammerstein systems // Syst. Contr. Lett., 1997, vol. 29, P. 223-231.

135. Nesic D. A note on observability for general polynomial and simple Wiener-Hammerstein systems // Syst. Contr. Lett., 1998, vol. 35, P. 219 227.

136. Pajunen G. Adaptive control of Wiener type nonlinear systems // Automatica, 1992, 28, P. 781 -785.

137. D. Panescu, J.G. Webster, R.A. Stratbucker. A nonlinear electrical-thermal model of the skin // IEEE Transactions on Biomedical Engineering, 41(7): P. 672-680, 1994.

138. Pashchenko A.F. Statistical linearization and identification of nonlinear systems. // 8-th International Conference on Operations Research. Habana, Cuba. February,25-29, 2008, P.72.

139. Pawlak M. On the series expansion approach to the identification of Hammerstein systems. // IEEE Transactions on Automatic Control, 1991, 36, P. 763 767.

140. Renyj A. On measures of dependence // Acta. Math., Acad. Sei. Hung. V. 10. 1959.

141. Renyi A. New version of the probabilistic generallization of the large sieve // Acta Math. Hung. 1959. V.10. № 1-2. P. 217-226.

142. Shanshiashvili B.G. On the selection of the model structure under the nonlinear• • • thdynamic system idebtification with a closed cycle // Preprints of the 8Ш IFAC/IFORS

143. Symposium on identification and system parameter estimation. Beijing: Pergamon Press. Vol. 2, P. 933-938.

144. Stoica P. On the convergense of an iterative algorithm used for Hammerstein system identification // IEEE Transactions on Automatic Control, 1981, 26, P. 967 — 969.

145. Vandersteen G., Rolain Y., Schoukens J. Non-parametric estimation of the frequency-response functions of the linear blocks of a Wiener Hammerstein model // Automatica, 1997, vol. 33, P. 1351 - 1355.

146. Wigren Т. Convergence analysis of recursive identification algorithms based on the nonlinear Wiener model // IEEE Trans. Autom. Control, 1994, AC-39, P. 2191 -2206.

147. L.A. Zadeh. On the identification problem // IRE Transactions on Circuit Theory. 3: P. 277-281, 1956.

148. Zheng W.-X., Fend C.-B. Identification of stochastic Time lag systems in the presence of colored noise // Automatica, 1990, vol. 26, No 4, P. 769 -779.

149. Zhu Y. Estimation of an N L - N Hammerstein - Wiener model // Automatica, 2002, vol. 38, P. 1607- 1614.