ПРОГРАММНЫЕ СРЕДСТВА МОДЕЛИРОВАНИЯ ПРОЦЕССОВ ПРОЕКТИРОВАНИЯ ИЗМЕРИТЕЛЬНЫХ ПРЕОБРАЗОВАТЕЛЕЙ
Аннотация
В работе сравнивались наиболее распространенные серийные средства моделирования GAUSS, Macsyma, Maple, Mathematica, Matlab, MuPAD, O-Matrix, Ox, R-Lab, Scilab и S-Plus по функциональным возможностям, скорости работы с большими наборами данных при их математической, статистической и графической обработке, возможностям поддержки различных операционных систем.
Ключевые слова
интегральные уравнения, измерительные преобразователи, операторы, функциональная сеть.
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 |





Комментарии