Алгоритмическое и программное обеспечение современного радиофизического эксперимента. Алгоритмическое обеспечение (Лекция)

«АстроСофт» имеет многолетний опыт разработки алгоритмов для программного обеспечения в различных прикладных областях. Опираясь на передовые достижения алгоритмики и компетенции наших сотрудников в области математики и физики, мы предлагаем наиболее эффективные решения сложных математических задач для бизнеса и науки.

Основные направления :

• Цифровая обработка сигналов и изображений
• Имитационное моделирование
• Математическая оптимизация
• Статистическая обработка данных
• Машинное обучение

Мы берем на себя решение сложных прикладных математических задач, стоящих перед вашей организацией. В состав нашей команды входят высококвалифицированные математики-программисты, из них 15 – кандидаты наук.

С нами вы сможете сосредоточиться на своих ключевых задачах, снизить риски и сократить сроки разработки.

Мы предлагаем услуги по разработке решений в области Digital Signal Processing (DSP), или цифровой обработки сигналов .

Наши решения используются для фильтрации, улучшения отношения сигнал/шум, подавления помех, выделения сигнала на фоне помех и шумов, корреляционного анализа.

Мы совершенствуем методы, создаем и дорабатываем алгоритмы, которые применяются в системах связи, акустики, передачи данных, автоматического управления, и радиолокационных комплексах в таких областях, как телекоммуникации, авионика, судо- и машиностроение, электроника, промышленность и др.

: создание программного обеспечения по обработке и кодированию голосового сигнала для сетей мобильной связи.

Также мы обладаем компетенциями компьютерной обработки изображений (Image Processing) . Мы участвуем в проектах внедрения машинного зрения в системы промышленного Интернета вещей на производственных предприятиях, а также разрабатываем алгоритмические комплексы обработки и распознавания образов для систем видеонаблюдения на различных объектах.

Пример успешно завершенного проекта : решение, которое позволяет системе видеонаблюдения непрерывно отслеживать движущиеся объекты через зоны обзора нескольких камер:

• интеграция нескольких HD-камер,
• бесшовное соединение в панораму,
• задержка менее четырех кадров,
• точная синхронизация камер,
• сведение изображения с соседних камер с точностью до пикселя,
• коррекция геометрических и цветовых искажений.

Мы используем имитационное моделирование, когда невозможно или нецелесообразно проведение экспериментов на реальной системе из-за высокой стоимости, трудоемкости и длительного ожидания результатов.

По спецификациям клиентов мы разрабатываем модели разнообразных объектов и процессов, которые позволяют:

• проанализировать поведение объекта во времени,
• осуществить раннее прототипирование разработки для ее отладки на модели,
• проверить сценарии, которые могут быть опасны для дорогостоящего оборудования,
• сократить использование ресурса оборудования,
• снизить уровень неопределенности и риски.

Пример успешно завершенного проекта : модель волнения моря.

Мы разрабатываем математические модели для поиска оптимальных решений при заданных ограничениях.

Багодаря нашему опыту в области математической оптимизации и линейного программирования, мы поможем разработать, протестировать и выбрать надежные и эффективные механизмы оптимизации.

Пример успешно завершенного проекта : модель оптимизации работы мерчендайзеров группы компаний.

Мы разрабатываем алгоритмы и математические модели, которые позволяют анализировать большие объемы данных - оценивать скрытые параметры в данных, их достоверность, осуществлять прогнозирование.

Наши решения на основе спектрального и стохастического анализа могут быть применены в промышленности, авионике, радиолокации, геофизике, медицине, экономике.

Примеры успешно завершенных проектов : алгоритмы спектрального анализа состава сырья для технологического процесса на цементном заводе, траекторное сопровождения БПЛА.

С помощью алгоритмов машинного обучения мы решаем задачи классификации, распознавания изображений и речи, прогнозирования. На основе искусственных нейронных сетей мы создаем решения по борьбе с БПЛА.

Пример успешно завершенного проекта : разработка программно-аппаратного комплекса обнаружения, классификации и сопровождения БПЛА.

24.09.2018

Проблемы графов не имеют срока давности. Теория графов используется в компьютерных сетях, применяется в геоинформационных системах, при маршрутизации сигналов в цифровых сетях и т.д. Даже социальные сети – это воплощение графов, где каждый пользователь (или его страничка) - это вершина графа, а подписчики и друзья – его ребра. Именно поэтому нас заинтересовала статья о решении одной из проблем в области графов, перевод которой мы вам предлагаем.

Пилотажно-навигациопый комплекс представляет собой сложное сочетание аппаратных и программных средств, объединенных в единую сеть. Решение главной задачи - повышение надежности, безопасности и регулярности полетов достигается путем использования специальных автоматизированных систем оптимизации режимов полета. В этих условиях роль программного обеспечения в структуре ПНК возрастает неизмеримо по сравнению с отдельными навигационными устройствами и системами. Совершенство программного обеспечения ПНК во многом определяет эффективность и гибкость работы всего комплекса.

В широком смысле под программным обеспечением понимается совокупность математического, лингвистического, информационного и непосредственно программного обеспечения. Математическое обеспечение включает способы и методы обработки информации и расчетов, модели и алгоритмы. Лингвистическое обеспечение - это совокупность языков программирования, используемых в ПНК для описания различных процедур, алгоритмов, моделей. Информационное обеспечение делится на бортовые базы данных и оперативную информацию, поступающую от бортовых систем. Программное обеспечение состоит из программ и документов (на машинных и бумажных носителях).

Программы делятся на общесистемные, базовые и прикладные. Общесистемные программы, которые, по сути, являются операционными системами, предназначены для организации функционирования ПНК как вычислительной системы (планирование вычислительного процесса, управление им, распределение ресурсов и т.п.) и не отражают специфики конкретного ПНК. Непосредственно для нужд ПНК создается базовое и прикладное программное обеспечение. В базовое входят те программы, которые обеспечивают правильное функционирование прикладных программ. Прикладные программы реализуют элементы математического обеспечения ПНК и решают частные задачи. Прикладные программы создаются в виде отдельных модулей, которые подключаются управляющей программой на различных этапах полета и реализуют частные алгоритмы ПНК.

При разработке программного обеспечения необходимо учесть ряд требований, таких как малая вычислительная погрешность, минимальное время реализации, минимальный потребный объем памяти, возможность контроля хода вычислений, защита от систематических и случайных сбоев.

По принципу построения структуры программного обеспечения ПНК могут быть процедурно- и проблемно-ориентированными. Современное программное обеспечение ПНК строится по модульному принципу, когда каждый модуль предназначен для решения отдельной задачи и модули могут быть объединены в различных сочетаниях. Такая структура позволяет обеспечивать расширение функций ПНК без изменения его основной части путем создания и добавления новых модулей, но это ограничивает количество и направленность связей в комплексе, диктует жесткую логику его организации. В перспективных ПНК предполагается использовать элементы искусственного интеллекта, которые будут адаптироваться к изменению внешних условий, перестраивая структуру ПНК.

На рис. 2.25 приведена структура общего алгоритма ПНК, который состоит из совокупности связанных частных алгоритмов:

КНС - комплекс навигационных систем, включающий всю совокупность бортового навигационно-пилотажного оборудования;

АППО - алгоритмы преобразований и первичной обработки;

АКОИ - алгоритмы комплексной обработки информации;

АУ - алгоритмы управления объектом;

АОВИ- алгоритмы обмена и выдачи информации;

СОИ ПУ- система отображения информации и пульты управления;

АЗИО - алгоритмы защиты и исключения отказов;

АИП СВ - алгоритмы имитации полета и самолетовождения;

АДОП - алгоритмы диспетчеризации и организации прерываний;

АКП - алгоритмы контроля и проверок.

Общий алгоритм ПНК предназначен для реализации всего многообразия задач, стоящих перед комплексом, включает совокупности функционально связанных между собой частных алгоритмов, решающих единую задачу надежной обработки информации с требуемой точностью и заданной дискретностью и вырабатывающих управляющие и информационные сигналы.

КНС может включать одну или несколько инерциальных навигационных систем, являющихся основой ПНК, комплекс радиотехнических навигационных систем (РСБН, РСДН, СНС и др.), систему воздушных сигналов и другие системы, необходимые для решения задач управления конкретным объектом.

Алгоритмы преобразований и первичной обработки выполняют аналого-цифровое преобразование, осреднение или предварительную фильтрацию измерений. Эта же группа алгоритмов осуществляет приведение показаний различных датчиков к единой системе координат.

Алгоритмы комплексной обработки информации используют информационную избыточность измерителей ПНК для решения задачи фильтрации, экстраполяции и интерполяции данных. Качество этих алгоритмов определяет точность и надежность навигационного обеспечения полета. Наиболее широко в этом классе алгоритмов используются модификации цифрового фильтра Калмана,

Алгоритмы управления объектом реализуют все задачи управления, решаемые на борту самолета. Круг реализуемых задач существенно шире, чем у САУ, которая обеспечивает лишь управление движением самолета. Эта группа алгоритмов совместно с экипажем обеспечивает выполнение цели полета или полетного задания.

Все алгоритмы реализуются в виде программных модулей, выполняющих частные алгоритмы управления, которые в свою очередь делятся на целевые и функциональные. Первые реализуют законченные целевые задачи, такие как управление ПНК, траекторией движения, посадкой и др. Вторые формируют специфические функции процесса управления (оптимизации режимов полета, терминального управления, точностных характеристик комплекса и др.).

Алгоритмы обмена и выдачи информации являются элементом системы отображения информации. Они связывают абонентов ПНК с БЦВМ вычислительного комплекса и выполняют функции преобразования информации, приема, передачи и временного хранения данных.

Алгоритмы диспетчеризации и организации прерываний являются основой операционной системы вычислительного комплекса ПНК и СОИ. Главное их назначение - распределение последовательности и времени выполнения отдельных частных алгоритмов.

Алгоритмы контроля и проверок решают задачи оценки технического состояния, отключения или восстановления неисправного оборудования и реконфигурации ПНК.

Перечисленные частные алгоритмы отражают лишь самую общую структуру алгоритмического обеспечения ПНК, которая может существенно изменяться в зависимости от типа ЛА. Программно-алгоритмическое обеспечение перспективных ПНК должно создаваться с использованием искусственного интеллекта, свойств адаптивности и возможностей реконфигурации комплекса.

2.8. КОНЦЕПЦИЯ ТРЕБУЕМЫХ НАВИГАЦИОННЫХ ХАРАКТЕРИСТИК ПИЛОТАЖНО-НАВИГАЦИОННОГО ОБОРУДОВАНИЯ

Специальный комитет по будущим аэронавигационным системам ИКАО (FANS) разработал концепцию требуемых навигационных характеристик (RNP), которая позволяет перейти от требования к обязательному набору бортового навигационного оборудования к оптимальному сочетанию бортовой навигационной аппаратуры ЛА и технических возможностей конкретного воздушного пространства для всех фаз полета. Так реализуется переход от управления воздушным движением к более гибкой организации воздушного движения (ОрВД).

При полете ЛА по маршруту соответственно типу RNP устанавливается минимальная требуемая точность выдерживания навигационных характеристик, т.е. ширина коридора (в морских милях), в котором должен находиться ЛА в течение не менее 95% полетного времени. При этом точность определяется суммарной погрешностью навигационной системы, индикации и техники пилотирования.

Для полетов по маршруту намечено использовать четыре основных типа RNP:

RNP 1 предусматривает наиболее эффективное использование точной информации о местонахождении ЛА для обеспечения гибкости при организации и изменении маршрутов, а также для организации воздушного движения при переходе из зоны аэродрома к полету по маршруту и обратно;

RNP 4 предназначен для организации маршрутов ОВД и схем воздушного пространства при ограниченном расстоянии между наземными навигационными средствами и используется в континентальном воздушном пространстве;

RNP 12, 6 определяет возможность ограниченной оптимизации маршрутов в районах с пониженным уровнем обеспечения навигационными средствами;

RNP 20 характеризует минимальные возможности, которые считаются приемлемыми для обеспечения полетов по маршрутам ОВД.

С целью обеспечения требуемого уровня безопасности полетов для внедряемых в настоящее время в практику ОВД методов зональной навигации (RNAV) помимо типа RNP устанавливаются два дополнительных показателя:

целостность выдерживания коридора безопасности, определяемая вероятностью необнаружения навигационной системой превышения линейным боковым уклонением удвоенной допустимой погрешности навигационной характеристики (10 -5 за 1 ч полета);

непрерывность безотказной работы навигационной системы, определяемая вероятностью выдачи ложного или истинного предупреждения об отказе (10 -4 за 1 ч полета) в течение ответственных этапов полета.

Использование методов зональной навигации в рамках концепции RNP позволяет выполнять полет в любом воздушном пространстве в пределах предписанных допусков на точность местоположения, исключая при этом необходимость пролета непосредственно над наземными навигационными средствами.

Для наиболее ответственных этапов полета (захода на посадку, посадки и вылета) в дополнении к RNP устанавливаются требования по целостности, непрерывности и доступности (функциональной готовности, которая определяется вероятностью того, что в процессе осуществления запланированного маневра навигационная система способна выполнять свои функции) средств навигации в данном воздушном пространстве. Количественно параметры процедуры захода на посадку характеризуются границами внешнего и внутреннего коридоров удерживания ЛА, а также вероятностями нарушения целостности, непрерывности и доступности обеспечения навигационной информацией, получаемой от бортового оборудования и наземных навигационных средств. Так, для захода на посадку по категории сложности CAT III установлены следующие количественные показатели указанных параметров:

потеря целостности на интервале от контрольной точки конечного участка захода на посадку - до высоты 30 м над точкой приземления (165 с), от высоты 30 м до момента касания (30 с);

потеря непрерывности на указанных выше участках соответственно и ;

доступность 0,999 на высоте 30 м.

Данные о ширине коридоров по КИР САТ III представлены на рис. 2.26.

Рис. 2.26. Границы коридоров по RNP CAT III

Алгоритмическое обеспечение (Лекция)

ПЛАН ЛЕКЦИИ

1. Алгоритмы первичной обработки информации

2. Алгоритмы вторичной обработки информации

3. Алгоритмы прогнозирования значений величин и показателей

4. Алгоритмы контроля

Алгоритмическое обеспечение – совокупность взаимосвязанных алгоритмов. Множество алгоритмов делятся на 6 групп:

1. Алгоритмы первичной обработки информации (фильтрация, учет нелинейности характеристики).

2. Алгоритмы определения показателей процесса (алгоритмы вторичной обработки информации), определение интегральных и средних значений, скорости, прогнозирования и т.д.

3. Алгоритмы контроля.

4. Алгоритмы цифрового регулирования и оптимального управления.

5. Алгоритмы логического управления.

6. Алгоритмы расчета технико-экономических показателей.

1. Алгоритмы первичной обработки информации

Первичная обработка информации включает фильтрацию полезного сигнала, проверку информации на достоверность, аналитическую градуировку датчиков, экстраполяцию и интерполяцию, учет динамических связей.

Фильтрация – операция выделения полезного сигнала измерительной информации из его суммы с помехой. В зависимости от помех выделяют следующие фильтры:

1. фильтры низких частот (НЧФ).

2. высоко - частотные фильтры (ВЧФ).

3. полосовые фильтры (ПФ, пропускают сигналы определённой частоты).

4. режекторные фильтры (ПФ, не пропускают сигналы определенной частоты).

Наиболее распространенными являются НЧФ, которые подразделяются на фильтры скользящего среднего, фильтры экспоненциального сглаживания и медианные.

Разностное уравнение фильтра экспоненциального сглаживания

Получим уравнение фильтра экспоненциального сглаживания при следующих допущениях:

допущение 1: полезный сигнал x (t ) представляет собой случайный стационарный процесс с известными статическими характеристиками M x – математическое ожидание; D x – дисперсия; - автокорреляционная функция, показывающая степень связи между значениями сигнала в моменты времени, сдвинутые относительно друг друга на время τ. Полезный сигнал не коррелирован с помехой.

допущение 2: помеха f (t ) представляет собой случайный стационарный процесс, некоррелированный с полезным сигналом и с известными статическими характеристиками M f =0; ; при этом k <0 m >0.

В непрерывном варианте свойства фильтра экспоненциального сглаживания описываются ДУ:

.

Передаточная функция - апериодическое звено

.

Заменив производную - разностью и получаем разностное уравнение:

– разностное уравнение

А ,

где Т – постоянная времени, Т 0 – период опроса датчика, γ – параметр настройки регулятора. Оптимальное значение определяется путём минимизации погрешности фильтра. Оптимальное значение параметра настройки фильтра зависит от статических свойств полезного сигнала, помехи. На практике в большинстве случаев эти параметры определить нельзя, чем меньше , тем сильнее сглаживающее свойство фильтра, однако при малых значениях может произойти искажение полезного сигнала.

Данный фильтр является самым распространенным низкочастотный фильтром.

Разностное уравнение фильтра скользящего среднего

В аналоговом виде (непрерывный вариант) уравнение ФСК имеет вид:

.

Используя метод прямоугольников можно получить разностное уравнение:

Заменив интеграл суммой (применяя для интегрирования метод прямоугольников), получим:

где- площадь прямоугольников; Т – время усреднения;

Т= nT 0 , n – это число точек усреднения, параметр настроек фильтра. Оптимальное значение n определяется путём минимизации погрешности (дисперсии ошибки) фильтра и зависит от статических свойств полезного сигнала и помехи.

Чем больше n , тем больше сглаживающее свойство фильтра.

Статические фильтры нулевого порядка

Статический фильтр – фильтр, который в аналоговом варианте представляет собой параллельное соединение (n +1) цепочек, состоящих из усилительного звена и звена чистого запаздывания.

ПФ такого фильтра имеет вид:

где τ – время запаздывания; n – порядок фильтра.

При n =0 имеем статический фильтр нулевого порядка W (p )= b 0 → .

При использовании данной формулы y (t ) будет смещённой оценкой полезного сигнала x (t ),

т.е. - математическое ожидание выходного сигнала.

Для получения несмещённой оценки необходимо использовать следующую функцию:

В этом случае .

b 0 в качестве параметра настройки .

Для программной реализации статического фильтра нулевого порядка используют формулу:

Статические фильтры первого порядка

ПФ таких фильтров имеет вид: .

Математическое ожидание:

Для того чтобы фильтр имел несмещенную оценку при учете

Где - параметры настройки фильтра.

Минимизируя значение ошибки фильтрации, получаем: .

Для программной реализации - - период опроса датчика.

Разностное уравнение: .

при n =0 имеем статический фильтр нулевого порядка W (p )= b 0 .

При использовании данной формулы y (t ) будет смещённой оценкой полезного сигнала x (t ), т.е. - математическое ожидание выходного сигнала

Для получения несмещённой оценки необходимо использовать следующую функцию: .

В этом случае .

b 0 в качестве параметра настройки .

Для программной реализации статического фильтра первого порядка используют формулу: .

Робастные фильтры

Фильтры данного типа предназначены для фильтрации аномальных выбросов. К числу робастных фильтров относят медианный фильтр, фильтр релейно – экспоненциального сглаживания.

Медианный фильтр

Реализация медианного фильтра осуществляется по формуле: , где М – параметр настройки,

med – оператор, означающий операцию оценки медианы.

Оценка медианы проводится по следующему алгоритму:

Проводится упорядочение отсчетов в ряд по возрастанию.

При нечетном М в качестве медианы выбирается центральное значение этого ряда. При четном значении в качестве медианы выбирается полусумма двух средних значений ряда.

Фильтр релейно-экспоненциального сглаживания

Алгоритм работы данного фильтра имеет вид:

,

где - среднеквадратическое отклонение (СКО) помехи, - модуль приращения полезного сигнала на соседних отсчетах.

Разностные уравнения фильтров с заданной АЧХ

Если необходимо реализовать низкочастотный фильтр с заданной АЧХ, то для этих целей необходимо использовать ЛАЧХ (логарифмическая АЧХ).

- зависимость коэффициента передачи гармонического сигнала от частоты.

.

Необходимо определить ЛАЧХ, а затем ПФ и далее от ПФ перейти к дискретной ПФ, используя преобразования Лапласа.

Передаточная функция (ПФ) – отношение, в изображении Лапласа выходной функции к входной при нулевых начальных условиях.

, где р – комплексная величина.

Дискретное преобразование:

.

Произвели замену переменной:

.

Переход от ПФ к дискретной ПФ может быть произведен на основе от ношения: .

После получения дискретной ПФ можно легко получить разностное уравнение, пользуясь теоремой о смещении (запаздывании):

Смещенная решетчатая функция

.

Не рекуррентная, не рекурсивная система: - наличие только входных сигналов в правой части, - наличие выходных сигналов.

Для АЧХ, вида

(*);

.

A и B подставляем в выражение (*) и ДПФ определена. Далее необходимо написать разностное уравнение и составить программу.

Теорема о смещении:

;

Преобразуем, применяя теорему о смещении, и получаем

Для высокочастотного фильтра с характеристикой : ;

;

.

Для полосового фильтра:

;

;

.

Для режекторного фильтра:

;

;

.

Для реализации процедуры фильтрации применяются и другие фильтры кроме рассмотренных, являющиеся более сложными адаптивными и АЧХ с крутыми фронтами. К числу таких фильтров относят фильтры Чебышева, Калмана, Винера.

Проверка достоверности информации

Недостоверность информации появляется при отказах информационно-измерительных каналов. Отказы бывают двух видов: полные и частичные. Полный отказ наступает при выходе из строя измерительного преобразователя, или при повреждении линии связи. При частичном отказе технические средства сохраняют работоспособность, однако погрешность измерения превышает допустимое значение.

Алгоритмы, позволяющие обнаруживать полные отказы:

1) алгоритм допускового контроля параметра : проверка условия - X i min ≤ X i ≤ X i max

X i min – минимально возможное значение i -го параметра;

X i max – максимально возможное значение i -го параметра.

Если условие не выполняется, то информация недостоверная. В этом случае используют достоверную информацию, полученную в предшествующий момент времени, либо используют среднее значение i -го параметра.

2) Алгоритм основан на определении скорости изменения i -го параметра и проверки условия :

A ≤ Xi ≤ B

Х i =dX i (t)/dt

dX i (t )/ dt =(X i (k )- X i (k -1))/ T 0 , где T – период опроса, T=dt

3) Алгоритм аппаратного резервирования – алгоритм контроля информации, с помощью которого выявляются частичные отказы, основанные на использовании информационной избыточности. Избыточность может быть получена путем резервирования информационно – измерительных каналов (аппаратная избыточность), или путем определения некоторых параметров с помощью прямого измерения, так и путем расчетов через другие параметры.

Аппаратная избыточность – признак отказа, нарушение условия - | X i - ­ X ­| < C , где

‌Х­ – это среднее значение по всем измерительным преобразованием

X i – значение, полученное от i измерительного преобразования

С – наибольшее допустимое значение модуля разности (2-3 от средне квадратичной погрешности изменения преобразования)

4) Уравнение материального баланса имеет вид: f ( x 1 , x 2 , …. x n )=0. Уравнение выполняется лишь в том случае, если значения параметров x 1 , x 2 , …. x n соответствуют истинным значениям. Если параметры изменяются с погрешностью , имеем . При подстановке значений , получим . Если , то информация считается недостоверной.

X - измеряемая величина,

Y - установившийся сигнал

y = f (x ) -статическая характеристика датчика.

Под аналитической градуировкой датчика (АГД) понимают определение (восстановление) измеряемой величины по сигналу, снимаемому с датчика (преобразователя).

, где x ^ - оценка измеряемой величины, полученная по сигналу, снимаемому с датчика; f -1 – обратная функция y = f (x ).

Если градуировочная характеристика измерительного преобразования задана аналитически, то АГД сводится к реализации вычислительной операции.

Если статическая характеристика датчика линейная: y = ax + b , то аналитическая градуировка сводится к реализации вычислительных операций, то есть к формуле =(y - b )/ a .

В этом случае аналитическая градуировка датчика выражается в масштабировании. Однако большинство промышленных датчиков (преобразователей) имеют нелинейную статическую характеристику, которая часто определяется экспериментально и представляется в виде графика или градуировочной таблицы (для этого используют паспортные данные). При табличном представлении градуировочной характеристики применяют способ АГД, заключающийся в аппроксимации градуировочной характеристики аналитическим выражением. Одним их наиболее распространенных методов аналитической градуировки является аппроксимация при помощи степенных полиномов:

где - коэффициенты, которые должны быть численно определены;

n – степень полинома.

Используя эту формулу, возникает ряд задач:

1. Выбор критерия, по которому определяется коэффициенты a j ;

2. Определение степени полиномов (n ), обеспечивающие требуемую точность аппроксимации.

В зависимости от критерия, используемого для аппроксимации, различают следующие полиномы:

1. Полиномы наилучшего равномерного приближения (НРП).

Критерием определения коэффициентов данных полиномов выступает требование обеспечения заданной точности в любой точке диапазона работы датчика. Для аппроксимации данного полинома необходимо минимизировать линейную форму, для чего используются методы линейного программирования (решение задачи оптимизации). Линейное программирование – раздел математики, в которых рассматриваются методы определения экстремума линейного критерия при линейных ограничениях. Наиболее распространенный метод линейного программирования – симплекс метод (метод последовательно улучшения плана). Недостатком полинома НРП является сложность определения коэффициентов, то есть необходимость решения задачи линейного программирования.

2. Асимптотические полиномы.

Достоинством является возможность предварительной оценки степени полинома до расчёта коэффициента. Расчёт коэффициентов базируется на градуируемой таблице. Приведем фрагмент этой таблицы:

Степень	Используемые точки	Коэффициенты полинома	Параметр точности
	y 0 =b y 1 =(b-a)/2 y 2 =a	a 0 =1/4[(x 0 +2x 1 +x 2) – 2((b+a)/(b-a))(x 0 -x 2)] a 1 =(1/(b-a))(x 0 -x 2)	L 1 =1/2(1/2x 0 - x 1 - 1/2x 2)
	y 0 =b y 1 =b-1/4(b-a) y 2 =a+1/4(b-a) y 3 =a	a 0 =2/3((b+a)/(b-a)) 2 (x 0 -x 1 -x 2 +x 3)-1/3((b+a)/ (b-a))(x 0 +x 1 -x 2 -x 3)+1/6(-x 0 +4x 1 +x 2 -x 3) a 1 =2/3(b-a)[ 1-4((b+a)/(b-a))](x 0 -x 2)+(1+4) ((b+a)/(b-a))(x 1 -x 3) a 2 =2/3(2/(b-a)) 2 (x 0 -x 1 -x 2+ x 3)	L 2 =1/3(1/2x 0 - x 1 +x 2 -1/2x 3))

a≤y≤b

x 0 , x 1 , x 2 – значения измеряемого параметра, соответствующие y 0 , y 1 , y 2

3. Регрессионные полиномы используются для АГД нестандартных датчиков. В качестве критерия определения коэффициентов принимается величина среднеквадратической погрешности аппроксимации в диапазоне изменения измеряемой величины: (минимизируется сумма квадратов ошибок)

Для определения коэффициентов полинома используется метод наименьших квадратов, при котором минимизируется критерий и решается система уравнений:

dI (..)/ da 0=0

…..

dI (..)/ dan =0

Сравнивая разные полиномы можно сделать вывод: регрессионные полиномы дают наименьшую среднеквадратичную ошибку. Полиномы НРП дают минимум максимальной ошибки, а асимптотические занимают промежуточное положение между ними.

Применение интерполяции и экстраполяции при контроле параметров и показателей

Процесс получения инфо о непрерывно-изменяющихся величинах в АСУ ТП происходит дискретно во времени, поэтому возникает задача восстановления значений измеряемых величин в моменты времени, несовпадающие с моментами замеров.

Для управления, когда необходимо знать значение измеряемой величины в текущий или будущий момент времени используется метод экстраполяции значения величины, полученной в предшествующий момент времени.

Для анализа работы производства и вычисления технико-экономических показателей необходимо определить значение величин в предшествующие моменты времени, в этом случае используются методы интерполяции.

В большинстве случаев экстраполяцию осуществляют ступенчатым методом. При ступенчатой экстраполяции о значении измеряемой величины в любой текущий момент времени судят по измеренному значению величины последней токи замера. Погрешность ступенчатой экстраполяции: ,

где - автокорреляционная функция (устанавливает степень связи);

T 0 - период опроса датчик а;

Погрешность измерительного преобразования.

Таким образом, погрешность ступенчатой экстраполяции зависит от статических свойств измеряемой величины, периода опроса и погрешности измерительного канала, что необходимо учитывать при выборе периода опроса.

Для интерполяции чаще всего применяется кусочно-линейная аппроксимация, которая проводится по двум точкам с использованием следующей формулы:

Менее точной является ступенчатая интерполяция.

Учёт динамический связей

Наличие инерционного датчика может существенно исказить частотный состав измеряемого сигнала, например, при измерении температуры в печах применяют массивные чехлы для защиты термопар от механических повреждений, что вызывает значительную динамическую погрешность.

Если принять статический коэффициент передачи инерционного датчика равный единице, то есть при , то необходимо учитывать следующую связь: , т.е. в текущий момент времени на выходе датчика формируется сигнал несущий информацию о значении параметра в предшествующий момент времени, т.е. в момент времени .

2. Алгоритмы вторичной обработки информации

К основным операциям вторичной обработки относят:

· определение интегральных и средних значений величин и показателей;

· определение скорости изменения величины и показателей;

· определение величин и показателей, неизмеряемых прямым методом (косвенное измерение);

· прогнозирование значений величин;

· определение статических характеристик, величин и показателей.

Применяются для управления и анализа работы. Большое значение имеет определение суммарных количеств вещества или энергии, получаемых в производстве за определенный интервал времени. Примерами являются расходы электроэнергии, топлива за час, смену, сутки и так далее. Этим же целям служит определение средних значений измеряемых величин, являющихся режимными показателями (среднее время, среднее давление и т.д.)

Рассмотрим методы дискретного интегрирования, непрерывно изменяющейся во времени измеряемой величины. Далее приведены численные методы интегрирования.

1. Метод прямоугольников.

Суть метода состоит в замене реализации x(t ) её ступенчатой экстраполяцией за время t .

, , где - период опроса датчика.

В представленном виде алгоритм интегрирования используется редко, для его реализации требуется запоминать все значения . На практике используется рекуррентная формула:

2. Метод трапеций.

Более точным является метод трапеции. Рекуррентная формула: .

Погрешность метода трапеции меньше погрешности метода прямоугольников на величину:

.

Как показывают расчеты приблизительно на 10% уменьшается погрешность дискретного интегрирования при переходе от метода прямоугольника к методу трапеции при n >10, когда существеннее влияние на результат расчета оказывают кратные числа, следовательно, на практике в большинстве случаев используют метод прямоугольников, как более простой и экономичный.

Среднее значение определяется через интегральное: , где

Время интегрирования.

Дифференцирование дискретно – измеряемых величин. Для анализа хода технологического процесса весьма важным является определение не только численных значений параметров, но и тенденция их применения в текущий момент времени (увеличивается параметр или уменьшается). В этом случаи необходимо определять скорость изменения параметра, то есть осуществлять дифференцирование.

Производная от ошибки необходимо определять и при реализации регулятора, например с ПД, ПИД звеньями.

Наиболее простой алгоритм дискретного дифференцирования основан на использовании следующей функции: , где Т 0 – период опроса датчика.

3. Алгоритмы прогнозирования значений величин и показателей

Для расчета прогнозируемых значения необходимо построить математическую модель временного ряда. В практике краткосрочного прогнозирования наибольшее распространение получили модель авторегрессии и полиномиальная модель.

Модель авторегрессии имеет вид: , где а – коэффициенты, р – порядок. Расчет прогнозируемых значений проводится по формуле: , где - измеренные или прогнозируемые значения временного ряда в моменты времени t =(n - k + l ) To .

Данный алгоритм прост в реализации, но его недостатком является низкая точность, так как результаты а(к) не уточняются по результатам прогноза. Этого недостатка лишен метод полиномиальной модели: , где n - номер текущего шага, l - число шагов прогноза.

Оценка параметров этой модели а уточняется по мере поступления каждого нового значения временного ряда. Для этих целей используется экспоненциальные средние различного порядка.

1 порядка: Z 1 (j )=γ y (j )+(1-γ) Z 1 (j -1)

2 порядка: Z 2 (j )=γ Z 1 (j )+(1-γ) Z 2 (j -2)

… …

r порядка: Z N (j )=γ Z r -1 (j )+(1-γ) Z r (j -1), где - параметр настройки прогнозирования.

Выбор данного параметра основывается на следующих свойствах: если желательно чтобы прогноз базировался на последних значениях временного ряда, то следует выбирать значение , близкое к 1. Если необходимо учитывать и предыдущие значения временного ряда, то необходимо уменьшать.

Расчет коэффициентов осуществляется по формуле для модели 1 порядка:

Расчет коэффициентов осуществляется по формуле для модели 2 порядка:

Коэффициенты в полиномиальном законе рассчитываются через модели 1 и 2 порядка; модели высшего порядка применяются редко, т.к. качество прогноза растет незначительно.

Определение статистических показателей измеряемых величин

Знание статистических характеристик необходимо для оценки качества выпускаемой продукции и определения момента нарушения хода ТП. В этом случае меняются значения статистических характеристик измеряемых величин. Особенностью определения lfyys [ характеристик является использование рекуррентных формул.

Математическое ожидание (1 – не рекуррентная формула, 2 – рекуррентная формула)

Дисперсия (1 – не рекуррентная формула, 2 – рекуррентная формула)

4. Алгоритмы контроля

Понятие контроль более широкое понятие и включает в себя измерение величин и показателей и сравнение их с допустимыми пределами.

Рассмотрим общие и частные постановки задачи определения величин и показателей.

Общая постановка:

Задана совокупность величин и показателей, которые необходимо определить в объекте контроля. Указана требуемая точность их оценки. Имеется совокупность датчиков, которые установлены или могут быть установлены на автоматизированном объекте. Требуется для каждого отдельного показателя найти группу датчиков, частоту их опроса и алгоритмы обработки, получаемых от них сигналов. В результате чего значение этой величины определилось бы с требуемой точностью.

Точность оценки искомой величины определяется точностью работы измерительных цепей (датчика, преобразователя), частотой их опроса и точностью вычислительной переработки измерительных сигналов в искомую величину.

Частные постановки:

1. Определение текущего значения величины непосредственно измерением автоматическим прибором или датчиком.

- когда требуемая точность измерения намного меньше точности датчика с преобразователя;

- когда требуемая точность измерения больше точности датчика или преобразователя.

Второй случай является более общим. Для контроля необходимо найти такие алгоритмы преобразования сигнала датчика, которые бы увеличили точность до требуемого значения. Для этого необходимо произвести анализ существующей погрешности и выявить отдельные ее составляющие, а затем их скомпенсировать, путем использования специальных алгоритмов.

В зависимости от причин возникновения погрешностей применяют следующие алгоритмы, уменьшающие погрешность:

Аналитическая градуировка датчиков.

Если погрешность вызвана нелинейностью статической характеристики датчика.

Фильтрация сигнала от помех.

Если внутри объекта или датчика существует источник значительной помехи, который накладывается на полезный сигнал.

Экстраполяция и интерполяция

Если значительная погрешность оценки величины вызвана большим значением периода опроса.

Коррекция динамической погрешности датчика

Если датчик представляет собой инерционное звено, а измеряемая величина меняется во времени со значительной скоростью.

2. Определение значения величины, вычисляемой по измеренным датчиком сигналам.

Например, оценка суммарного значения, среднего значения, скорости и т. д. В этом случае необходимо выбрать рациональные алгоритмы переработки измеряемого сигнала.

Кроме того здесь не исключено применение алгоритмов АГД, фильтрации и т. д.

Данная задача наиболее сложна в тех случаях, когда не известен характер связи между измеряемыми сигналами и искомой величиной (косвенное измерение). В этом случае необходимо произвести анализ уравнений материального и теплового баланса, которые позволяют выявить эту связь или использовать регрессионный анализ.

Определение периода опроса датчиков измеряемых величин

Период опроса существенно влияет на точность контроля. Рассмотрим способ определения периода опроса, основанный на определении автокорреляционной функции.

Пусть задана среднеквадратичная погрешность . Определение величины x (t ). Требуется найти интервал времени T 0 между замерами, при которых погрешность определение величины не превышало бы заданного значения. Методика основана на зависимости ошибки и автокорреляционной функции:

где- автокорреляционная функция.

,

где n - объем выборки, по которой определяется автокорреляционная функция.

Сущность методики состоит в следующем:

1. Осуществляется съем данных с произвольным периодом опроса T 0 (как можно меньше). Число точек опроса: 30-50. Полученные данные заносятся в таблицу:

	Время	Значение	Отклонение за время
			T 0		2 T 0		3 T 0
		x 0
	T 0
	2 T 0
	3 T 0
	n T 0
Значение ошибки

;

, , где i – номер строки таблицы, k – номер столбца.

.

2. Строится график зависимости ошибки от периода опроса.

3. По значению по графику определяется значение .

Значение периодов опроса датчиков, используемых на практике.

· Расход: 0.1 – 2с.

· Уровень: ≈5с.

· Давление: 0.5 – 10с.

· Температура: 5 – 30с.

· Концентрация: ≈20с.

Виды контроля

Общей функцией автоматического контроля является фиксация хода технологического процесса во времени и непрерывное (периодическое) сравнение параметров процесса с заданными.

Различают следующие виды контроля:

1. Контроль технологических процессов в нормальном режиме.

2.

3.

4.

5. Контроль включения / выключения оборудования.

6. Контроль производительности оборудования.

7.

Основная операция контроля состоит в том, что для каждого контролируемого параметра x (t i ) в момент времени t необходимо проверять выполнение условия: , где - число параметров, m i – нижний допустимый предел изменения i -го параметра, M i – верхний допустимый предел.

Все контролируемые параметры можно разбить на три группы:

1. Параметры, требующие непрерывного контроля.

2. Параметры, нуждающиеся в периодическом контроле.

3. Свободные показатели процесса.

Непрерывный контроль из-за дискретного характера процесса измерения в автоматических системах осуществить невозможно, так как встает вопрос о шаге дискретизации (период опроса).

Этот шаг должен выбираться из условия: .

Чтобы максимум изменения параметра на отрезке времени t 0 не превышало некоторой заданной положительной величины . С учетом этого условия непрерывного контроля сводится к проверке неравенства: .

К параметрам, нуждающимся в периодическом контроле относятся такие параметры, для которых в некоторый момент времени допустим выход за установленные пределы. Для таких параметров на ;

- начало отсчета времени.

Свободные показатели процесса – это некоторые функции параметров, которые необходимо контролировать: , . Обычно на практике свободные показатели требуют периодического контроля.

Контроль технологического процесса в нормальном режиме.

В зависимости от того к какой группе принадлежит технологический параметр проводится соответствующий контроль (непрерывный либо периодический).

В случае выхода за установленные пределы фиксируется время, номер параметра или соотношения, предел которого был нарушен и величина отклонения от предела со знаком «-». Кроме того оператор, ведущий процесс, должен иметь возможность проконтролировать текущее значение любого технологического параметра. Такой вид контроля называется контролем по запросу. Таким образом, контроль технологии в нормальном режиме сводится к определению значения величин и сравнению их величин с заранее установленными величинами (пределами).

Контроль качества выпускаемой продукции.

Данный вид контроля осуществляется теми же методами, однако в большинстве случаев показатели качества нуждаются в периодическом контроле.

Контроль процесса при выходе его на номинальный уровень мощности.

Основная задача состоит в обеспечение безопасности, поэтому предельные значения могут отличатся от предельного значения в нормальном режиме. Для этих целей используется специальная подпрограмма.

Контроль исправности оборудования.

При выходе их строя оборудования предусматривается ручное или автоматическое включение резервного оборудования.

Контроль включения/выключения оборудования осуществляется по дискретным сигналам, характеризующим текущее состояния оборудования. Например, при заполнении резервуара, он отключается и подключает пустые резервуары.

Контроль производительности оборудования осуществляется на основе технико - экономических показателей.

Контроль над процессом в аварийных режимах.

Предусматривается автоматическая сигнализация, защита и блокировка. Возможно распознавание аварийных ситуаций и автоматический вывод из такой ситуации.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

хорошую работу на сайт">

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Кафедра: Общая Физика

На тему: Алгоритмическое и программное обеспечение современного радиофизического эксперимента

Москва, 2008 год

Алгоритмическое и программное обеспечение современного радиофизического эксперимента

Поскольку АСРФИ создается для решения определенного круга задач, связанных с исследованием ранее неизвестных свойств объектов исследования, характеристики ее звеньев и требования, предъявляемые к системе в целом, ориентированы на наиболее эффективную реализацию вполне определенных алгоритмов, обеспечивающих максимальную информативность. Следовательно, к началу разработки комплекса технических средств АСРФИ основные алгоритмы управления должны быть проработаны в такой степени, чтобы можно было получить оценки основных характеристик отдельных программ, их связей между собой и массивов данных.

Последовательность этапов создания алгоритмического и программного обеспечения приведена на рис. 1.8. В отличие от систем, предназначенных для решения задач, связанных с функционированием технических объектов, характеристики которых в значительной степени могут быть известны заранее, АСРФИ разрабатываются для исследования радиофизических объектов, свойства которых заранее, как правило, неизвестны. Поэтому задаче разработки алгоритмов управления обязательно предшествует решение задачи определения математических моделей, описывающих ОИ. Обе эти задачи составляют содержание алгоритмизации процесса измерения РФВ. Полученные математические модели ОИ и радиофизических процессов, протекающих в нем и определяющих его свойства, алгоритмы управления и реализующие их программы являются составной частью математического обеспечения АСРФИ.

Обобщенная схема алгоритмического обеспечения при реализации АСРФИ приведена на рис.1.9 Алгоритмы АСРФИ 1 определяются тремя укрупненными блоками: алгоритмы управления системой 2, алгоритмы ввода - вывода информации 3, алгоритмы решения вычислительных задач 4. Основными укрупненными функциями алгоритмов управления системой являются организация управления параметрами отдельных функциональных модулей (ФМ) 5 [оператор R 2 1 в формуле (1.27) при детализации оператора R 2 ] и структурной перестройкой 6 [оператор R 2 2 в (1.27)]. Блок алгоритмов 3 обеспечивает прием 7 и выдачу 8 [операторы R 2 3 , R 2 4 в (1.27)] всех сигналов (и цифровых, и аналоговых) при взаимодействии ЭВМ с внешними устройствами. Блок алгоритмов 4 предназначен для решения всех вычислительных задач, которые функционально взаимосвязаны также и с предыдущими блоками алгоритмов. Предварительная цифровая обработка сигналов 9 [оператор R 2 5 в (1.27)] предполагает обеспечение качества их дальнейшей обработки (предотвращение эффекта наложения спектров, цифровую фильтрацию сигнала, взвешивание введенных массивов цифровой информации весовыми окнами и т.д.), если в этом возникает необходимость.

Математическая обработка сигнала 10 [оператор R 2 6 в (1.27)] должна обеспечивать все вычислительные процедуры, включая специальную математическую обработку для получения измерительного результата в конкретном РФЭ.

В случае, если АСРФИ по своей организации достигает уровня интеллектуальной, то ее функционирование обязательно предполагает создание экспертных систем, в функции которых также входит реализация соответствующих принципов управления 11 [оператор R 2 7 в (1.27)].

Для проведенной обобщенной классификации аппаратного и алгоритмического обеспечения АСРФИ с учетом сказанного выше, общее уравнение измерений в операторной форме будет иметь вид:

(1.31)

На схеме рис.1.9 разделение алгоритмов условное. Между ними существуют разветвленные функциональные связи, которые будут раскрыты далее.

В п.1.4 2 показано, что принципиального повышения информативности СРФИ можно достичь, внося элементы гибкости во все звенья ее аппаратного обеспечения и, следовательно, обеспечивая их адаптивные свойства, позволяющие программно перестраивать параметры СРФИ, не прерывая текущий эксперимент. Между этими звеньями и ЭВМ существуют функциональные связи, а управление их характеристиками в пределах гибкости осуществляется по определенным алгоритмам, реализуемым в ЭВМ программными средствами. Кроме того, возможности современных ЭВМ позволяют реализовать многие аппаратные аналоги ФМ в алгоритмическом исполнении. Причем во многих случаях характеристики алгоритмических ФМ лучше, чем у их аппаратных аналогов.

Рис.1.8 Последовательность этапов разработки алгоритмического и программного обеспечения сложной системы

Рис.1.9 Обобщенная структура алгоритмического обеспечения АСРФИ:

1 - алгоритмы; 2 - управления системой; 3 - обмена с внешними устройствами; 4 - решения вычислительных задач; 5 - функционального управления; 6 - структурного управления; 7 - ввод сигналов; 8 - вывод сигналов; 9 - предварительная цифровая обработка сигналов; 10 - математическая обработка сигнала; 11 - анализ баз данных и знаний, формирование логических выводов.

Программное обеспечение (ПО) АСРФИ разрабатывается на основе уже разработанных алгоритмов. После того как определен состав всех задач разрабатываемой АСРФИ, выбраны методы их решения, установлены информационные связи между ними и последовательность их решения, произведено их объединение в подсистемы, уместно распределить функции управления ими между программным обеспечением, техническим обеспечением и человеком (экспертом). Оно определяется, исходя из системных соображений, с учетом материальных затрат. Эти характеристики находят отражение в требованиях к алгоритму (или временной диаграмме) работы системы. Следовательно, построение алгоритма (временной диаграммы) и выбор распределения функций между экспертом, аппаратными и программными средствами представляют задачу, решение которой определяет все последующие решения.

Известно 76, что по функциональному признаку ПО также можно разделить на функционально завершенные ФМ. Всеобъемлющее, унифицированное ПО для сложного РФЭ создать практически невозможно. Некоторая унификация ПО возможна только для стандартизованных средств организации эксперимента, например с использованием упомянутых выше систем ВЕКТОР, КАМАК, FASTBUS, VME и др. , имеющих также и логический стандарт.

Современными тенденциями в развитии ПО для обеспечения АСРФИ, вероятно, следует считать создание программных оболочек, в пределах которых возможен синтез виртуальных систем. Примером таких программных оболочек являются ПО в составе labVIEW, labWINDOWS и т.д. . Одним из наиболее перспективных направлений развития ПО в настоящее время, очевидно, следует считать ПО для организации интеллектуальных систем. Однако, как далее будет показано, в этом случае обязательно будет сказываться специфика конкретного эксперимента, что в данном случае делает невозможным полную унификацию АО и ПО.

Существующие методы проектирования гибких систем для научных исследований

Появление микропроцессорных средств (МПС) сразу же привело к появлению нового класса измерительной техники - цифровых измерительных приборов (ЦИП) , обладающих некоторой функциональной гибкостью и адаптивностью (в частности, автоматическим выбором диапазонов измерений и т.д.), что в определенной степени делало их использование более удобным. Однако возможности МПС настолько значительны, что есть смысл использовать их не просто для измерения РФВ, но и для дальнейшей их математической обработки, чего не позволяют производить ЦИП из-за отсутствия возможности гибкого программирования.

С появлением МПС появились также мини - и микро-ЭВМ с возможностью гибкого программирования, способные взаимодействовать (производить обмен информацией) с внешними устройствами. Это обеспечивало возможность ввода и обработки измерительной информации в ЭВМ с использованием всех ее вычислительных и других возможностей. Наличие таких качеств у МПС привели к созданию разнообразных интерфейсных средств , обеспечивающих взаимодействие между МПС и другими устройствами в системах различной конфигурации и предназначенных в том числе для измерительных целей.

Появление интерфейсов позволило наращивать вычислительную мощность, объединяя несколько ЭВМ, создавать многоуровневые (иерархические) вычислительные структуры, позволившие решать все более сложные задачи, в том числе и в экспериментальных исследованиях . Наличие возможности выдачи информации из МПС во внешние устройства позволяет формировать управляющие воздействия по заданному алгоритму.

Стандартизация и унификация составных частей измерительных и управляющих вычислительных систем явились основой для создания формализованных методов проектирования измерительно-вычислительных комплексов (ИВК) на основе использования типовых технических решений . Одним из первых применений метода компоновки явилось создание АСУТП . Однако такие системы программной гибкостью и адаптивностью в режиме реального времени не обладают.

Дальнейшим развитием компоновочного метода является метод проектирования ИВК с применением унифицированных компоновочных элементов модульного типа (метод проектной компоновки ). Как известно, ИВК являются средствами измерений, в состав которых входят измерительные, вычислительные и программные компоненты. В отмечается, что для проектирования ИВК могут использоваться и аппаратные, и программные модули. Отдельные аппаратные субблоки могут быть построены на основе стандартных систем модульного типа (например, средства сопряжения в стандарте КАМАК). Такие измерительно-вычислительные средства обладают свойствами гибкости на уровне модульной перестройки. Однако им присущи недостатки, указанные в п.1.4.2

Проектирование особо сложных измерительных систем для проведения комплексных исследований в ядерной физике, физике космоса, аэрокосмических исследованиях и т.д. производится с использованием композиционного метода . Этот метод предполагает декомпозицию сложной задачи по нескольким важнейшим параметрам, решением которой занимаются многие коллективы профильных специалистов, с применением сетевого планирования. Результатом последующей композиции полученных решений являются сложные иерархические системы. Решение таких задач доступно только для группы научных коллективов (НИИ, КБ и т.д.).

Дальнейший прогресс в развитии ЭВМ и элементной базы привели к появлению новых подходов в разработке СРФИ: придание свойств максимальной гибкости, адаптивности и интеллектуализации (создание БД, БЗ и измерительных ЭС). В развитии средств сопряжения их гибкость стала обеспечиваться не принципом модульности, а с использованием программно-управляемых электронных коммутаций в пределах одной модульной платы. В последнее время стали также проявляться интеграционные процессы при синтезе как аппаратного, так и алгоритмического обеспечения СРФИ. Эти же процессы, но менее динамично, стали проявляться и при сращивании измерительно-вычислительной части СРФИ с экспериментальными установками. В частности, в нашем случае это проявлялось при реализации нескольких (более двух) смежных, взаимодополняющих и взаимозависимых методов измерения РФВ и при организации программно-управляемого воздействия на ОИ в составе одной и той же СРФИ . Интеграция аппаратного и алгоритмического обеспечения СРФИ в сочетании с внесением свойств гибкости и адаптивности при организации программно-управляемого воздействия но ОИ, безусловно, приводит к повышению их эффективности.

Однако главный недостаток, присущий указанным методам проектирования СРФИ, заключается в том, что недостаточно полно используются возможности метрологического критерия оптимизации в целях достижения предельных характеристик. Это приводит к неоптимальности синтеза СРФИ уже на начальном этапе, что в дальнейшем ведет к необходимости ее доработки.

Указанные выше недостатки существующих методов проектирования систем для проведения научных исследований требуют разработки новых методов, создания соответствующих гибких, программно-управляемых средств сопряжения и средств воздействия на ОИ с целью обеспечения адаптивных свойств этих систем для решения наиболее современных задач в радиофизических измерениях.

Литература

Алферов Ж.И. Гетеропереходы в полупроводниковой электронике близкого будущего // Физика сегодня и завтра / Под ред. В.М. Тучкевича. Л., 1973.

Алферов Ж.И. Гетеропереходы в полупроводниковой электронике // Физика сегодня и завтра: Прогнозы науки. М.: Наука, 1975.

Алферов Ж.И., Конников С.Г., Корольков В.И. // ФТП. 1973. Т.7.

Алферов Ж.И. Инжекционные гетеролазеры // Полупроводниковые приборы и их применение / Под ред. Я.В. Федотова. М., 1971.

Алферов Ж.И., Андреев В.М., Портной Е.Л., Протасов И.И. // ФТП. 1969. Т.3. № 9. С.1324-1327.

Алферов Ж.И. // ФТП. 1967. Т.1. С.436.

Гвоздев В.И., Нефедов Е.И. Объемные интегральные схемы СВЧ. М.: Наука. Гл. ред. физ. - мат. лит., 1985.256 с.

Нефедов Е.И. Дифракция электромагнитных волн на диэлектрических структурах. М.: Наука, 1979.

Неганов В.А., Раевский С.Б., Яровой Г.П. Линейная макроскопическая электродинамика / Под ред. Неганова В.А. Т.1. М.: Радио и связь, 2000.509 с., ил.123, табл.5.

Дмитренко А.Г., Колчин В.А. // Изв. вузов. Радиофизика. 2000. Т.43. Вып.9. С.766-772.

Подобные документы

Дифференциальное уравнение теплопроводности. Поток тепла через элементарный объем. Условия постановка краевой задачи. Методы решения задач теплопроводности. Численные методы решения уравнения теплопроводности. Расчет температурного поля пластины.

дипломная работа , добавлен 22.04.2011


Алгоритмы решения задач по физике. Основы кинематики и динамики. Законы сохранения, механические колебания и волны. Молекулярная физика и термодинамика. Электрическое поле, законы постоянного тока. Элементы теории относительности, световые кванты.

учебное пособие , добавлен 10.05.2010


Изучение гармонических процессов в линейных цепях, описание амплитудно-частотных характеристик четырехполюсников. Основные методы расчета и проектирования электрических цепей и современных средств вычислительной техники и программного обеспечения.

курсовая работа , добавлен 16.11.2013


Что такое задача, классы, виды и этапы решения задач. Сущность эвристического подхода в решении задач по физике. Понятие эвристики и эвристического обучения. Характеристика эвристических методов (педагогические приемы и методы на основе эвристик).

курсовая работа , добавлен 17.10.2006


Автоматизированная система управления освещением, ее алгоритм работы, аппаратная база и программное обеспечение. Вероятные проблемы при реализации и пути их решения. Расчет мощности стабилизаторов напряжения. Расчеты по регулированию напряжения.

дипломная работа , добавлен 01.07.2014


Особенности разработки принципиальной электрической схемы управления системой технологических машин. Обоснование выбора силового электрооборудования, аппаратуры управления и защиты. Характеристика методики выбора типа щита управления и его компоновки.

методичка , добавлен 29.04.2010


Разработка математических методов и построенных на их основе алгоритмов синтеза законов управления. Обратные задачи динамики в теории автоматического управления. Применение спектрального метода для решения обратных задач динамики, характеристики функций.

курсовая работа , добавлен 14.12.2009


Автоматизация систем переключения и управления водоснабжением и водоочисткой здания. Установка реле уровня для автоматизации работы насосов. Классификация числового программного управления. Принципиальная схема АВР трансформатора одностороннего действия.

контрольная работа , добавлен 06.12.2010


Рассмотрение основных целей и задач проектирования ядерных энергетических установок современной атомной электростанции. Изучение норм проектирования в соответствии с требованиями, руководящих документов. Особенности создания энергоблока в учебных целях.

реферат , добавлен 18.04.2015


Анализ эффективности энергоресурсов. Аналитический обзор современного состояния научных исследований в области ресурсосбережения на предприятиях топливно-энергетического комплекса. Инновационные проекты, перспективы развития ООО "Газпром добыча Ноябрьск".