УДК 681.5
В.Ф. Губарев
Інститут космічних досліджень НАН України і ДКА України, Київ, Україна,
v.f.gubarev@gmail.com
Ю.Л. Мілявський
Інститут прикладного системного аналізу Національного технічного університету України
«Київський політехнічний інститут імені Ігоря Сікорського» НАН України та МОНМС України,
yuriy.milyavsky@gmail.com
ОСОБЛИВОСТІ МОДЕЛЮВАННЯ ТА ІДЕНТИФІКАЦІЇ КОГНІТИВНИХ КАРТ
В УМОВАХ
НЕВИЗНАЧЕНОСТІ
Анотація. Розглянуто процес ідентифікації складних систем. Встановлено, що створити універсальний метод ідентифікації неможливо. Лише для добре ідентифікованої системи з високим відношенням сигнал–шум для кожної окремої моди системи можна реконструювати модель високої якості. В інших випадках, якщо існують моди з достатньо низьким відношенням сигнал–шум, можна отримати лише сурогатну модель. Для когнітивних карт розроблено теоретичні основи, які можна застосувати в підходах до пошуку сурогатної моделі, а потім для покращення результату з використанням різних алгоритмів налаштування та навчання. Для дослідження процесу ідентифікації застосовано числове моделювання.
Ключові слова: когнітивна карта, ідентифікація систем, метод виділеного підпростору, складна система, погана обумовленість, регуляризація.
повний текст
СПИСОК ЛІТЕРАТУРИ
- Miliavskyi Yu.L. Identification in cognitive maps in impulse process mode with incomplete measurement of nodes coordinates. Cybernetics and Computer Engineering Journal. 2019. Iss. 1 (195). P. 49–63. doi.org/10.15407/kvt195.01.049 .
- Roberts F.S. Discrete Mathematical Models: with Applications to Social, Biological, and Environmental Problems. Englewood Cliffs: Prentice-Hall, 1976. 559 p.
- Romanenko V.D., Milyavskiy Y.L. Stabilizing of impulse processes in cognitive maps based on state-space models. System Research & Information Technologies. 2014. N 1. P. 26–42 (in Russian).
- Ho B.L., Kalman R.E. Effective Construction of linear state variable models from input/output functions. Regelungstechnik. 1996. N 14. P. 545–548. https://doi.org/10.1524/auto.1966.14.112.545 .
- Katayama T. Subspace Methods for System Identification. Berlin: Springer, 2005. 408 p.
- Qin S.J. An overview of subspace identification. Computers & Chemical Engineering. 2006. Vol. 30, Iss. 10–12. P. 1502–1513. doi.org/10.1016/j.compchemeng.2006.05.045.
- Ljung L. System Identification: Theory for User. 2nd ed. Upper Saddle River: Prentice Hall PTR, 1999. 640 p.
- Ljung L., Chen T., Mu B. A shift in paradigm for system identification. International Journal of Control. 2020. Vol. 93, Iss. 2. P. 173–180. doi.org/10.1080/00207179.2019.1578407.
- Verhaegen M., Dewilde P. Subspace model identification. Part 1. The output-error state space model identification class of algorithms. International Journal of Control. 1992. Vol. 56, Iss. 5. P. 1187–1210. doi.org/10.1080/00207179208934363.
- Mao X., He J., Zhao C. An improved subspace identification method with variance minimization and input design. Proc. 2022 American Control Conference (ACC) (08–10 June 2022, Atlanta, GA, USA). Atlanta, 2022. P. 4820–4825. doi.org/10.23919/ACC53348.2022.9867157.
- Gubarev V.F. Modeling and Identification of Complex Systems. Kyiv: Naukova Dumka, 2019. 248 p. (in Ukrainian).
- Kailath T. Linear Systems. Englewood Cliffs: Prentice-Hall, Inc., 1980. 680 p.
- Golub G.H., Loan Ch.F. Matrix Computations. Baltimore: The John Hopkins University Press, 2013. 780 p.
- Leonov A.S. Justification of the choice of regularization parameter according to quasi-optimality and quotient criteria. USSR Computational Mathematics and Mathematical Physics. 1978. Vol. 18, Iss. 6. P. 1–
