Непараметрический метод учета априорной информации при идентификации стохастических систем

• Автор: Сергеев, Виктор Леонидович
• Шифр специальности: 05.13.01
• Научная степень: Докторская
• Год защиты: 2000
• Место защиты: Томск
• Количество страниц: 267 с. : ил

ВВЕДЕНИЕ.
В.1. Актуальность проблемы разработки алгоритмов идентификации стохастических объектов с учетом дополнительной информации.

В.2. Цель и содержание работы

Глава 1. Введение в проблему идентификации стохастических систем с учетом априорной информации
1.1. Идентификация стохастических систем с учетом дополнительной априорной информации параметрический подход.
1.2. Непараметрический подход к представлению и учету дополнительной априорной информации. Непараметрические модели дополнительной информации.
1.3. Метод синтеза алгоритмов и задачи идентификации в условиях непараметрических моделей дополнительных априорных данных.

Глава 2. Алгоритмы идентификации линейных стохастических систем с учетом

априорной информации

2.1. Метод синтеза оптимальных оценок.

2.2. Анализ точности и эффективности оценок.

2.3.Анализ качества и стабильности оценок. Критерии качества
2.4. Анализ качества оценок методом статистического моделирования.
2.5. Доказательства утверждений и теорем
Выводы.
Глава 3. Алгоритмы идентификации нелинейных стохастических систем с учетом априорной информации
3.1. Алгоритмы идентификации с учетом дополнительной информации о параметрах объекта
3.2. Алгоритмы идентификации с учетом дополнительной информации о параметрах и выходе объекта
3.3. Анализ качества оценок методом статистического моделирования
Выводы.
Глава 4. Нспарамстрическис алгоритмы идентификации стохастических систем с учетом априорной информации
4.1. Оценки локальной аппроксимации плотности вероятности
4.2. Идентификация стохастических объектов на основе оценок локальной аппроксимации плотности вероятности.
4.3. Параметризация и оптимизация алгоритмов идентификации
4.4. Алгоритмы непараметрической идентификации регрессии с учетом априорной информации
4.5. Доказательство утверждений и теорем
Глава 5. Алгоритмы планирования определительных испытаний на безотказность технических систем
5.1. Планирование определительных испытаний на безотказность
5.2. Алгоритмы планирования сокращенных испытаний
Глава 6. Алгоритмы диагностики ранних стадий заболеваний
6.1. Алгоритмы диагностики ранних стадий рака желудка.
6.2. Алгоритмы идентификации и диагностики ранних стадий диабета
Выводы
Глава 7. Алгоритмы идентификации сигналов гидрооптического авиалидара и обнаружения подводных аномалий
7.1. Статистический подход к интерпретации сигналов лидара при гидрооптическом зондировании в условиях малых выборок
7.2. Алгоритмы идентификации параметров моделей сигналов лидара.
7.3. Алгоритмы распознавания эхосигналов.
7.4. Анализ точности и эффективности алгоритмов
Выводы.
Глава 8. Алгоритмы идентификации моделей параметров разработки нефтегазовых месторождений
8.1. Статистический подход к построению моделей показателей разработки нефтегазовых месторождений с учетом дополнительной информации
8.2. Алгоритмы идентификации моделей дебита нефти и извлекаемых запасов
8.3. Анализ точности и эффективности алгоритмов
Выводы.
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Задача обнаружения подводных аномалий, выяснения их типа и параметров глубины от поверхности, отражательной способности и т. БА у р у, Л. У 0,а, Л 1, т, где д, 1,л измеренные в момент времени у значения отраженного эхосигнала лидара, некоторая известная функция а вектор неизвестных параметров, прямо либо косвенно связанный с параметрами подводных аномалий у,1 ,п измеренные значения отраженных эхосигналов аналогов от кой аномалии к ,т,,г, случайные величиныпомехи. Здесь, как и в 1. Диагностика ранних стадий заболеваний. В задачах медицинской диагностики ранних стадий заболеваний большое значение имеет идентификация индивидуальных характеристик моделей организма Гх, где х показатели гомеостаза, наиболее полно определяющие состояние организма . В силу ограниченного набора данных лабораторных анализов, симптомов и т. БА система моделей дополнительных априорных данных показателей здоровья людей с кой группой риска некоторые однозначные функции, связывающие показатели гомеостаза в единую систему взаимодействующих моделей. В данной ситуации вид функций ф,у 1 ,т, неизвестен. В качестве моделей состояния гомеостаза часто используют функции, зависящие от времени . Например, при диагностике диабета для определения чуствительности пациента к инсулину используются нагрузочные пробы на толерантность к глюкозе. В силу малого количества проб крови п, как правило , восстановление сахарной функции 7,а с достаточной степенью точности традиционными методами без привлечения дополнительной априорной информации непростая задача. Здесь, например, при сведении процедуры идентификации к последовательному решению систем линейных уравнений вида 1. В данной ситуации целесообразно использовать дополнительную априорную информацию о значениях параметров а, 1 ,т, сахарных функций , людей из соответствующей группы риска к 1, . Г, выступающих в роли аналогов. В данной ситуации, как и в модели1. Учитывая данное обстоятельство, целесообразно при конструировании процедуры определения индивидуальных параметров предусмотреть создание механизма селекции, отбора подходящих моделей из совокупности моделей аналогов. Моделирование параметров разработки нефтегазовых месторождений. В данном направлении одной из важных задач является проблема построения математических моделей дебита нефти но объектам разработки месторождению, пласту, определенной группе скважин и т. Зная модель с более высокой точностью, с большей экономической эффективностью можно решать задачи перспективного и текущего прогнозирования добычи нефти, оценки остаточных извлекаемых запасов, планирования геологотсхнических мероприятий и многие другие задачи планирования, управления и контроля за разработкой месторождений. В силу многопараметричности данной задачи, зависимости дебита нефти от большого количества факторов прямое ее решение традиционными методами вида 1. Здесь имеет место распределенная система взаимодействующих моделей, в которой наряду с ограниченным набором измерений параметров состояния разработки учитываются дополни тельные априорные данные, полученные специалистами из разных источников информации, отражающие их знания. Это данные по разработке аналогичных месторождений, оценочные данные об извлекаемых запасах, полученные различными методами их подсчета, из ряда других исследований. БА уру 1Д 1,т, 1. У1т,а2х,уЛ 1 ,р,
где значения ,, 1,л, суммарная добыча нефти за предшествующий моменту интервал времени А, , 4,, 1,2, по выбранному объекту разработки 1л известная с точностью до вектора параметров а функция, характеризующая динамику действующего на объекте фонда скважин 2,у известная с точностью до параметров у функция, представляющая динамику среднего дебита скважин ук известные значения параметров функций аналогов УгЛТ описывающие динамику среднего дебита нефти с подобных объектов
разработки 8А, ,А1,щ. В дополнение к введенным моделям здесь представлена новая система моделей априорной информации 8А2, где в качестве аргумента неизвестных функций используется интеграл от суммарной добычи нефти за период разработки объекта.