Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. · № 1 · 2021 тра 28, 2021 статті

МЕТОДИ ФІЛЬТРАЦІЇ ДАНИХ У СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

РП
Роман Леонідович Пантєєв Відповідальний National Aviation University , Ukraine Україна
ОТ
Оксана Леонідівна Тимощук Igor Sikorsky Kyiv Polytechnic Institute , Ukraine Україна
ВГ
Віра Геннадіївна Гуськова Igor Sikorsky Kyiv Polytechnic Institute , Ukraine Україна
ПБ
Петро Іванович Бідюк Igor Sikorsky Kyiv Polytechnic Institute , Ukraine Україна
Опублікованотра 28, 2021
PDF
НВКПІ 1 ТОМ · 1
ТОМ · № 1 · 2021 Переглянути випуск

Анотація

Проблематика. Більшість сучасних динамічних процесів в економіці, фінансах, екології, технологіях і багатьох інших галузях досліджень мають нелінійний нестаціонарний характер на коротких і довгих часових інтервалах. Тому для їх поглибленого аналізу необхідно створити спеціалізований сучасний високорозвинений інструментарій попередньої обробки даних, моделювання, оцінювання станів і параметрів динамічних систем, прогнозування їх розвитку задля використання у системах підтримки прийняття рішень (СППР). Мета дослідження. По-перше, попередньо проаналізувати сучасні методи фільтрації статистичних й експериментальних даних. Розглянути актуальні методи фільтрації на основі ймовірнісного Баєсового підходу, які вможливлюють підготовку даних до побудови адекватних моделей, обчислення високоякісних оцінок станів і короткострокових прогнозів розвитку динамічних систем в умовах стохастичних збурень і похибок вимірювання. Методика реалізації. Для реалізації сучасних методів фільтрації використовують моделювання, оптимізаційні процедури, ймовірнісні Баєсові методи аналізу даних; застосовують імітаційне моделювання для оцінювання параметрів і базу на основі статистичних критеріїв для дослідження якості проміжних й остаточних результатів у межах СППР. Результати дослідження. Розглянуто множину методів фільтрації даних, які використовують разом із моделями, що формально описують динаміку вибраних процесів. Запропоновано методику реалізації ймовірнісного Баєсового фільтра, яка ґрунтується на сучасних методах статистичного аналізу даних, зокрема належному застосуванні методів імітаційного моделювання. Висновки. Створення ефективних засобів моделювання, оцінювання станів і прогнозування динаміки нелінійних нестаціонарних процесів у різних галузях діяльності дає можливість якісно оцінювати параметри досліджуваних систем й обчислювати коротко- та середньострокові прогнози їхнього розвитку. Розглянуті засоби оптимальної калманівської та ймовірнісної Баєсової фільтрації забезпечують коректний аналіз нелінійних нестаціонарних процесів, обчислення прогнозів і підтримку прийняття управлінських рішень на основі оцінок прогнозів.

Ключові слова

#аналіз даних #нелінійні нестаціонарні процеси #методи оптимальної та ймовірнісної фільтрації #імітаційне моделювання

Посилання

  1. B.D.O. Anderson and J.B. Moore, Optimal Filtering. Englewood Cliffs: Prentice-Hall, 1979, 357 p.
  2. P.І. Bidyuk et al., Time Series Analysis. Kyiv, Ukraine: Polytechnika, 2013.
  3. S.M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory. Upper Saddle River: Prentice Hall PTR, 1993, 595 p.
  4. C.K. Chui and G. Chen, Kalman Filtering with Real-Time Applications. Berlin: Springer-Verlag, 2009, 229 p. doi: 10.1007/978-3-540-87849-0
  5. S. Haykin, Adaptive Filtering Theory, 4th ed. Upper Saddle River: Prentice-Hall, 2002, 936 p.
  6. M.Z. Zgurovskii and V.N. Podladchikov, Analytical Methods of Kalman Filtering. Kyiv, Ukraine: Naukova Dumka, 1995, 285 p.
  7. S.J. Press, Subjective and Objective Bayesian Statistics. Hoboken: John Wiley & Sons, 2003. doi: 10.1002/9780470317105
  8. A. Pole et al., Applied Bayesian Forecasting and Time Series Analysis. Boca Raton: Chapman & Hall/CRC, 2000.
  9. B.P. Gibbs, Advanced Kalman Filtering, Least-Squares and Modeling. Hoboken: John Wiley & Sons, 2011, 627 p. doi: 10.1002/9780470890042
  10. J.L. Anderson, “An ensemble adjustment Kalman filter for data assimilation for data assimilation,” Monthly Weather Rev., vol. 129, pp. 2284–2903, 2001.
  11. U. Lerner et al., “Bayesian fault detection and diagnosis in dynamic systems,” in Proc. Seventeenth National Conf. Artificial Intelligence, Austin, Texas, 2000, pp. 531–537.
  12. S.J. Julier and J.K. Uhlmann, “Unscented filtering and nonlinear estimation,” Proc. IEEE, vol. 92, no. 3, pp. 401–422, 2004. doi: 10.1109/JPROC.2003.823141
  13. X. Luo and I.M. Moroz, “Ensemble Kalman filters with the unscented transform,” Physica D: Nonlinear Phenomena, vol. 238, no. 5, pp. 549–562. doi: 10.1016/j.physd.2008.12.003
  14. I.R. Petersen and A.V. Savkin, Robust Kalman Filtering for Signals and Systems with Large Uncertainties. Basel: Birkhäuser, 1999, 207 p. doi: 10.1007/978-1-4612-1594-3
  15. H.M.T. Menegaz et al., “A systematization of the unscented Kalman filter theory,” IEEE Trans. Autom. Control, vol. 60, no.10, pp. 2583–2598, 2015. doi: 10.1109/TAC.2015.2404511
  16. A.J. Haug, “A Tutorial on Bayesian Estimation and Tracking Techniques Applicable to Nonlinear and Non-Gaussian Processes,” MITRE Corp., McLean, Virginia, MTR 05W0000004, Jan 2005.
  17. F. Gustafsson, “Particle filter theory and practice with positioning applications,” IEEE Aerosp. Electron. Syst. Mag., vol. 25, no. 7, pp. 53–82, 2010. doi: 10.1109/MAES.2010.5546308
  18. K. Ito and K. Xiong, “Gaussian filters for nonlinear filtering problems,” IEEE Trans. Automatic Control, vol. 45, no. 5, pp. 910–927, 2000. doi: 10.1109/9.855552
  19. M.S. Arulampalam et. al., “A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking,” IEEE Trans. Signal Process., vol. 50, no. 2, pp. 174–188, 2002.
  20. D. Fox et al., “Monte Carlo localization: Efficient position estimation for mobile robots,” in Proc. Sixteenth Nat. Conf. on Artificial Intelligence and Eleventh Conference on Innovative Applications of Artificial Intelligence, Orlando, Florida, 1999, pp. 343–349.
  21. J. Röwekämper et al., “On the position accuracy of mobile robot localization based on particle filters combined with scan matching,” in IEEE/RSJ Int. Conf. on Intelligent Robots and Systems, Vilamoura-Algarve, Portugal, 2012, pp. 3158–3164. doi: 10.1109/IROS.2012.6385988
  22. B.W. Silverman, Density estimation for statistics and data analysis. London: Chapman & Hall, 1986, 175 p.
  23. Particle_filter_demo [Online]. Available: https://github.com/mjl/particle_filter_demo
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ ПАРКОВОК

Олександр Гончарук, Надія Недашківська

Проблематика. Точна оцінка площі асфальтованих парковок є важливою для містобудування та екологічного моніторингу. Однак спектральна подібність асфальту паркувальних…

#семантична сегментація #супутникові знімки #паркінг #нейронна мережа
10.20535/kpisn.2026.3.367540

ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ

Вадим Романюк

Проблематика. Задачі розподілу обмежених ресурсів між взаємозалежними однорідними об’єктами виникають у багатьох прикладних сферах — зокрема, під час конкурсного…

#розподіл ресурсів #однорідні компоненти #взаємозалежності #аналітичний мережевий процес
10.20535/kpisn.2026.3.368158

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет
10.20535/kpisn.2026.3.359114

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 135

Ви також можете розпочати розширений пошук схожих статей для цієї статті.