ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ РАННЬОГО ВИЯВЛЕННЯ РОЗЛАДНАНЬ В НЕСТАЦІОНАРНИХ КВАЗІПЕРІОДИЧНИХ ПРОЦЕСАХ
Ключові слова:
інформаційна технологія, раннє виявлення розладнань, нестаціонарні квазіперіодичні процеси, екстракція інформативних ознак
Анотація
Розглянуто проблему раннього виявлення розладнань в нестаціонарних квазіперіодичних процесах. Показано, що використання комплексу моделей та методів аналізу часових рядів, методів обчислювального інтелекту та математичної фізики дозволить значно підвищити якість процесу виявлення розладнань. Запропоновано метод побудови інформаційної технології предметної області та розроблено інформаційну технологію на його основі.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Бодянський Є.В., Адаптивне виявлення розладнань за допомогою штучних нейронних мереж / Є.В. Бодянсь-кий, О.І. Михальов, І.П. Плісс – Монографія, Д.: Системні технології, 2000. – 140 с.
2. Пащенко Р.Э. Основы теории формирования фракталных сигналов / P.Э. Пащенко, - Харьков, ХООО «НЭО «Экоперспектива»» – 2005. – 296 с.
3. Bogunovic N., A. Jovic, Biomedical nonlinear signals by data mining methods / N. Bogunovic, A. Jovic // Proceedings of 17th Conference on Systems, Signals and Image Processing IWSSIP, pp. 276-280, 2010.
4. Chow E.Y., Issues in the development of a general design algorithm for reliable failure detection / E.Y. Chow, A.S. Willsky // Proc. 19-th IEEE Conf. Decis. and Contr.- Albuquerque, 1980.- pp.1006-1012.
5. Montgomery D.C., Forecasting and Time Series Analysis / D.C. Montgomery, L.A. Johnson, J.S. Gardiner,.-N.Y.:Mc Graw-Hill, 1990-394p..
6. Бодянский Е.В. Адаптивная фильтрация много-мерных нестационарных последовательностей / Е.В. Бо-дянский Е.В., И.П. Плис //Тез.докл.конф. “Методы и мик-роэлектронные средства преобразования и обработки сигналов”- Т.1.-Рига, 1989.-С.227-229.
7. Заболотный С.В. Полиномиальные алгоритмы апостериорного оценивания момента разладки дисперсии негауссовских случайных последовательностей / С.В. Забо-лотный, С.В. Салыпа, Ю.Ю. Плаксенов // Інформаційно-керуючі системи на залізничному транспорті. – 2013. – № 5, С. 62 –67.
8. Peng C.K., Adaptive data analysis of complex fluctua-tions in physiologic time series / C.K. Peng, M. Costa, A.L. Goldberg Adv Adapt Data Anal. 2009 Jan 1; no 1(1), pp. 61–70.
9. Fainzilberg L.S. Computer amalysis and recognition of cognitive space electro-cardio graphic image / L.S. Fainzil-berg, T.P. Potapova, Proc. of the 6th Intern. Conf. on Computer analysis of Images and Patterns (CAIP’95) Prague, pp. 668 -673, 1995.
10. Сухомлин Р.А. Математическое и информацион-ное обеспечение процессов выявления разладок в техниче-ских системах / Р.А. Сухомлин // Диссертация на соиска-ние ученой степени кандидата технических наук, 157 с., 2015.
11. Costa M. Multiscale entropy analysis of complex physiologic time series / M. Costa, A.L. Goldberg, C.K. Peng // Phys., Rev., Lett, no., 2, p. 89, 2002.
12. Bron E.E., Feature Selection Based on the SVM Weight Vector for Classification of Dementia, IEEE Journal of biomedical and health informatics // E. E. Bron, M. Smits, W. J. Niessen, and S. Klein, Vol. 19, No. 5, pp. 1617-1626, 2015.
13. Ypma A. Learning methods for machine vibration analysis and health monitoring: proefschrift…doctor / Ypma A. – Delft:Technische Universitiet Delft, 2001. – 223 p.
14. Хинчин А.Я. Теория корреляции стационарных стохастических процессов: пер. с нем. // Успехи матема-тических наук. 1938. Вып. 5. –С. 42-51.
15. Jarque C. M., Test for Normality of Observations and Regression Residuals / C.M. Jarqu and A. K. Bera // Inter-national Statistical Review. Vol. 55, No. 2, 1987, – P. 163–172.
16. Dickey D.A. Distribution of the Estimators for Autoregressive Time Series with a Unit Root / D.A. Dickey D.A. and W.A. Fuller // Journal of the American Statistical Association. – 74. – 1979. – p. 427–431.
17. Левитан Б. М., Почти-периодические функции, М., 1953, 396 с.
18. Marpl S.L. Digital spectral analysis with applications / S.L. Marpl // Prentice Hall, New-Jersey, 571 p, 1990.
19. Нечипоренко А.С. Особенности применения спе-ктрального анализа для объективной оценки носового дыхания / А.С. Нечипоренко // Бионика интеллекта. – 2013. – № 2(81), С. 64-68.
20. Ерохин А. Л. Объективное оценивание функции носового дыхания по риноманометрическим данным / А. Л. Ерохин, И. П. Захаров, А. С. Нечипоренко, О. Г. Гарюк // Восточно-европейский журнал передовых технологий № 4/9(70), 2014, С. 47-50.
21. Субботин С.А. Интеллектуальные информаци-онные технологии проектирования автоматизированных систем диагностирования и распознавания образов / С.А. Субботин, Ан. А. Олейник, Е.А. Гофман, С.А. Зайцев, Ал. А. Олейник // Монография под ред. Субботина С.А., -Харьков, «Смит», 2012. – 318 с.
22. Висоцька О.В. Інформаційна технологія підтри-мки прийняття рішень при здійсненні діагностично-лікувальних процесів / О.В. Висоцька, Дисертація на здо-буття наукового ступеня доктора технчічних наук, 2015, - 362 с.
23. Yerokhin A., Usage of F-transform to finding informative parameters of rhinomanometric signals / A. Yerokhin , A. Nechyporenko, A. Babii, A. Turuta // Proc. of the International Conference on Computer Sciences and Information Technologies, Lviv, Ukraine, 14-17 September, pp. 129-132, 2015.
24. Yerokhin A., A New Intelligence-Based Approach for Rhinomanometric Data Processing / A. Yerokhin, A. Nechyporenko, A. Babii, A. Turuta // Proc. of IEEE 36th International Conference on “Electronics and nanotechnology”, pp. 198-201, 2016.
25. Cortes C. Support-vector networks / C. Cortes and V. Vapnik, Machine Learning, Vol. 20, no. 3, pp. 273-297, 1995.
26. Perfilieva I. Fuzzy transformation and its applications / I. Perfilieva and E. Chaldeeva // 4th Czech - Japan Seminar on Data Analysis and Decision Making under Uncertainity, pp. 116–124, 2001.
27. Yerokhin A., Usage of Phase Space Diagram to Finding Significant Features of Rhinomanometric Signals / A. Yerokhin, A. Nechyporenko, A. Babii, A. Turuta, I. Mahdalina // Proc. of the International Conference on Computer Sciences and Information Technologies, Lviv, Ukraine, pp. 70-73, 2016.
2. Пащенко Р.Э. Основы теории формирования фракталных сигналов / P.Э. Пащенко, - Харьков, ХООО «НЭО «Экоперспектива»» – 2005. – 296 с.
3. Bogunovic N., A. Jovic, Biomedical nonlinear signals by data mining methods / N. Bogunovic, A. Jovic // Proceedings of 17th Conference on Systems, Signals and Image Processing IWSSIP, pp. 276-280, 2010.
4. Chow E.Y., Issues in the development of a general design algorithm for reliable failure detection / E.Y. Chow, A.S. Willsky // Proc. 19-th IEEE Conf. Decis. and Contr.- Albuquerque, 1980.- pp.1006-1012.
5. Montgomery D.C., Forecasting and Time Series Analysis / D.C. Montgomery, L.A. Johnson, J.S. Gardiner,.-N.Y.:Mc Graw-Hill, 1990-394p..
6. Бодянский Е.В. Адаптивная фильтрация много-мерных нестационарных последовательностей / Е.В. Бо-дянский Е.В., И.П. Плис //Тез.докл.конф. “Методы и мик-роэлектронные средства преобразования и обработки сигналов”- Т.1.-Рига, 1989.-С.227-229.
7. Заболотный С.В. Полиномиальные алгоритмы апостериорного оценивания момента разладки дисперсии негауссовских случайных последовательностей / С.В. Забо-лотный, С.В. Салыпа, Ю.Ю. Плаксенов // Інформаційно-керуючі системи на залізничному транспорті. – 2013. – № 5, С. 62 –67.
8. Peng C.K., Adaptive data analysis of complex fluctua-tions in physiologic time series / C.K. Peng, M. Costa, A.L. Goldberg Adv Adapt Data Anal. 2009 Jan 1; no 1(1), pp. 61–70.
9. Fainzilberg L.S. Computer amalysis and recognition of cognitive space electro-cardio graphic image / L.S. Fainzil-berg, T.P. Potapova, Proc. of the 6th Intern. Conf. on Computer analysis of Images and Patterns (CAIP’95) Prague, pp. 668 -673, 1995.
10. Сухомлин Р.А. Математическое и информацион-ное обеспечение процессов выявления разладок в техниче-ских системах / Р.А. Сухомлин // Диссертация на соиска-ние ученой степени кандидата технических наук, 157 с., 2015.
11. Costa M. Multiscale entropy analysis of complex physiologic time series / M. Costa, A.L. Goldberg, C.K. Peng // Phys., Rev., Lett, no., 2, p. 89, 2002.
12. Bron E.E., Feature Selection Based on the SVM Weight Vector for Classification of Dementia, IEEE Journal of biomedical and health informatics // E. E. Bron, M. Smits, W. J. Niessen, and S. Klein, Vol. 19, No. 5, pp. 1617-1626, 2015.
13. Ypma A. Learning methods for machine vibration analysis and health monitoring: proefschrift…doctor / Ypma A. – Delft:Technische Universitiet Delft, 2001. – 223 p.
14. Хинчин А.Я. Теория корреляции стационарных стохастических процессов: пер. с нем. // Успехи матема-тических наук. 1938. Вып. 5. –С. 42-51.
15. Jarque C. M., Test for Normality of Observations and Regression Residuals / C.M. Jarqu and A. K. Bera // Inter-national Statistical Review. Vol. 55, No. 2, 1987, – P. 163–172.
16. Dickey D.A. Distribution of the Estimators for Autoregressive Time Series with a Unit Root / D.A. Dickey D.A. and W.A. Fuller // Journal of the American Statistical Association. – 74. – 1979. – p. 427–431.
17. Левитан Б. М., Почти-периодические функции, М., 1953, 396 с.
18. Marpl S.L. Digital spectral analysis with applications / S.L. Marpl // Prentice Hall, New-Jersey, 571 p, 1990.
19. Нечипоренко А.С. Особенности применения спе-ктрального анализа для объективной оценки носового дыхания / А.С. Нечипоренко // Бионика интеллекта. – 2013. – № 2(81), С. 64-68.
20. Ерохин А. Л. Объективное оценивание функции носового дыхания по риноманометрическим данным / А. Л. Ерохин, И. П. Захаров, А. С. Нечипоренко, О. Г. Гарюк // Восточно-европейский журнал передовых технологий № 4/9(70), 2014, С. 47-50.
21. Субботин С.А. Интеллектуальные информаци-онные технологии проектирования автоматизированных систем диагностирования и распознавания образов / С.А. Субботин, Ан. А. Олейник, Е.А. Гофман, С.А. Зайцев, Ал. А. Олейник // Монография под ред. Субботина С.А., -Харьков, «Смит», 2012. – 318 с.
22. Висоцька О.В. Інформаційна технологія підтри-мки прийняття рішень при здійсненні діагностично-лікувальних процесів / О.В. Висоцька, Дисертація на здо-буття наукового ступеня доктора технчічних наук, 2015, - 362 с.
23. Yerokhin A., Usage of F-transform to finding informative parameters of rhinomanometric signals / A. Yerokhin , A. Nechyporenko, A. Babii, A. Turuta // Proc. of the International Conference on Computer Sciences and Information Technologies, Lviv, Ukraine, 14-17 September, pp. 129-132, 2015.
24. Yerokhin A., A New Intelligence-Based Approach for Rhinomanometric Data Processing / A. Yerokhin, A. Nechyporenko, A. Babii, A. Turuta // Proc. of IEEE 36th International Conference on “Electronics and nanotechnology”, pp. 198-201, 2016.
25. Cortes C. Support-vector networks / C. Cortes and V. Vapnik, Machine Learning, Vol. 20, no. 3, pp. 273-297, 1995.
26. Perfilieva I. Fuzzy transformation and its applications / I. Perfilieva and E. Chaldeeva // 4th Czech - Japan Seminar on Data Analysis and Decision Making under Uncertainity, pp. 116–124, 2001.
27. Yerokhin A., Usage of Phase Space Diagram to Finding Significant Features of Rhinomanometric Signals / A. Yerokhin, A. Nechyporenko, A. Babii, A. Turuta, I. Mahdalina // Proc. of the International Conference on Computer Sciences and Information Technologies, Lviv, Ukraine, pp. 70-73, 2016.
Опубліковано
2017-10-11
Як цитувати
Nechyporenko A.S. Інформаційна технологія раннього виявлення розладнань в нестаціонарних квазіперіодичних процесах / A.S. Nechyporenko // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2017. – Т. 5 (45). – С. 88-94. – Режим доступу: https://journals.nupp.edu.ua/sunz/article/view/439 (дата звернення: 07.11.2024).
Розділ
Статті
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
