SOFTWARE TOOLS FOR MODELING THE DESIGN PROCESSES OF MEASURING TRANSDUCERS
Abstract
In this article, Macsyma, Maple, Mathematica, Matlab, MuPAD, O-Matrix, Ox, R-Lab, Scilab and S-Plus on functionalities, speed of processing the widespread serial means of modeling GAUSS were compared to greater data sets at their mathematical, statistical and graphic processing, abilities of support the various operational systems.
Keywords
integral equations, measuring transducers, operators, functional network.
В результате тестирования из семи пакетов выбор был остановлен на программном пакете Matlab. Представление моделей измерительных преобразователей в пакете Matlab показало, что выполняемые операции предпочтительно осуществлять с помощью функций, которые служат для задания моделей соответственно в пространстве состояний, в форме передаточных функций и по нулям, полюсам и коэффициентам усиления, а также для преобразования к соответствующим типам моделей. [1, 2]
Разработаны Matlab-программы для реализации интегральных динамических моделей измерительных преобразователей приборов контроля физических величин. Приведен детальный анализ всех необходимых функций в Integral Equations Toolbox. Представляется полезным переместить выбор параметров, их оптимизацию и т.д. из уровня определенных программ в ядро среды моделирования, что значительно упрощает работу программистов. При этом решены следующие задачи: перевод запросов пользователей на внутренние языки математических моделей; автоматизация выбора надлежащих методов и нахождение оптимальных параметров этих методов.
Иначе говоря, решение запроса пользователя Q может быть описано следующей композицией:
(1)
где R - ответ системы,
является трансляцией первоначального запроса, зависящего от семантического контекста S.
Последний, в свою очередь, зависит от: знания предметной области; особенностей пользователя; целей диалога; языка; собственных возможностей системы и т.д. Результат трансляции - определенная математическая модель.
является инверсной трансляцией. UM - оператор решения полученной модели, учитывающий базу знаний М относительно математических методов.
Реализован объектно-ориентированный подход, рассматривающий обработку измерительной информации как взаимодействие некоторых классов, связанных друг с другом. Введено четыре уровня: уровень черного ящика; уровень порождающих процессов; уровень функциональной сети и уровень структур данных. Первый является наивысшим, рассматривает связи, определенные операторным уравнением
. Методы для решения определенных уравнений и программное обеспечение, реализующие эти методы, могут быть объектами классов Q, R, S. Следующий уровень - порождающих процессов – зависит от вида уравнений. В работе рассматриваются интегральные уравнения, в том числе самый интересный частный случай – уравнения первого рода. Например, задача восстановления сигналов формулируется следующим образом: получить требуемый сигнал из экспериментальных данных. Задача плохо обусловлена, поскольку обратный оператор не существует или не ограничен. Поэтому необходимы методы решения, которые основаны на специальных процедурах регуляризации. [3]
Отразим рассматриваемую задачу посредством информационной модели, формализованной как триплет VH= <Ω,М,F>, где Ω - множество порождающих случайных процессов; функции u(t) и y(t) могут рассматриваться как реализации этих процессов; М - множество модельных пространств, на которые могут проектироваться реализации; F - множество различных зависимостей между элементами
, где Ω* - множество всех реализаций случайных процессов из Ω, σ(W) - множество всех подмножеств множества W.
Модельные пространства, определенные разложениями Фурье, Карунена-Лоева и др., весьма важны. Разложение Карунена-Лоева является оптимальным линейным разложением относительно сжатия данных. Если разлагаются входные функции по собственным функциям ядра, то можно использовать метод собственных функций.
Пусть
- множество непрерывных функций, каждая из которых является реализацией некоторого случайного порождающего процесса Ω (t), имеющего ковариационную функцию R(t, s). Как правило, Ω(t) должен быть центрирован и нормализован.
Часто R(t, s) неизвестна. Общая формула для оценки этой функции:
, (2)
где сумма берется по всем Ωi(t) из множества V; αi - заданные коэффициенты, и их сумма равна 1.
Если непрерывная функция
- линейная комбинация основных функций, то она может быть разложена в ряд
. (3)
Спектральные коэффициенты ck оцениваются посредством преобразования Карунена-Лоева:
(4)
Координатные функции пространства Карунена-Лоева φk(t) - собственные функции интегрального уравнения:
(5)
Соответствующие собственные значения σk должны быть упорядочены в порядке потомка.
Практически, мы можем приближать усеченным рядом
. (6)
Трансформанта Карунена-Лоева (KLT) минимизирует r, когда допустимая неточность определена.
Алгоритмы (табл.1) требуют получения дискретных значений функций в точках tj, j=1,…, n. Пусть X = (xij, i=1,…,q; j=1,…,n);
является матрицей, представляющей V; y=(yj, j =1,…,n); yj=h(tj) является вектором, представляющим U; Φ=( φjk, j=1,…,n; k=1,…,r;); φjk=φj(tk); c=(ck, k=1,…,r) является вектором спектральных коэффициентов; Λ=diag(σk); A=diag(αi); B=diag(βk), где βk - коэффициенты квадратурных формул, используемых для аппроксимации интегралов.
Таблица 1
Алгоритмы получения непрерывных разложений Карунена-Лоева
№ шага | Операция | Прямой квадратурный алгоритм | Двойной квадратурный алгоритм |
1 | Получение матрицы обращения K | K=B1/2XTAXB1/2 | K=A1/2XBXTA1/2 |
2 | Решение алгебраической задачи на собственные значения с использованием матрицы обращения |
|
|
3 | Получение собственных функций матрицы Ф |
|
|
4 | Получение матрицы преобразований J | J=ВФ | J=ВФ |
5 | Получение преобразования базисного множества | W=XJ |
|
6 | Получение преобразования произвольной функции | c=yJ | c=yJ |





Comments