
- •Моделирование как метод исследования сложных систем связи и управления. Общие подходы.
- •Способы исследования реальных объектов:
- •Натурный эксперимент
- •Математическое моделирование
- •Имитационное моделирование
- •Классификация моделей
- •Этапы моделирования
- •Построение модели системы. Математическое моделирование. Имитационное моделирование.
- •Иерархия моделей. Адекватность и сложность модели. Иерархия моделей
- •Адекватность модели
- •Пример имитационной модели фильтра нижних частот.
- •Элементы цепи:
- •Как работает фильтр нижних частот (фнч): (не уверен)
- •Пример имитационной модели информационной системы.
- •Моделирование дискретных случайных величин.
- •Формирование дискретной случайной величины с равновероятным распределением
- •Формирование дискретной случайной величины с не равновероятным распределением
- •Формирование дискретной случайной величины с не равновероятным распределением и с числом значений больше 2
- •Моделирование непрерывных случайных величин с равномерным распределением.
- •Моделирование непрерывных случайных величин с гауссовским распределением.
- •Моделирование случайных векторов с независимыми компонентами
- •Моделирование гауссовского случайного вектора с заданными средним и корреляционной матрицей.
- •Модели каналов связи
- •Помехи в информационных системах.
- •Модели случайных процессов. Постоянный процесс. Винеровский процесс. Процессы авторегрессии различных порядков.
- •Идентификация модели авторегрессии на примере процесса авторегрессии 1-го порядка
- •Общая постановка задачи фильтрации в информационных системах. Нерекуррентная и рекуррентная фильтрация.
- •Фильтр Калмана и его свойства. Принцип предсказания и коррекции.
- •Вычислительная сложность алгоритма обработки сигналов в информационных системах. Функция сложности алгоритма.
- •Вычислительная сложность
- •Функция сложности алгоритма
- •Методы снижения сложности алгоритмов
- •Алгоритмы экспоненциальной и полиноминальной сложности. Порядок сложности алгоритмов.
- •Методы анализа сложности алгоритма. Непосредственный подсчет. Рекуррентная формула для асимптотической сложности. Оценка асимптотической сложности по рекуррентной формуле.
- •Анализ вычислительной сложности перемножения матриц и векторов
- •Методы снижения сложности алгоритмов.
- •Перемножение комплексных матриц и векторов
- •Перемножение двух комплексных матрицы
- •Метод Штрассена быстрого умножения матриц и его асимптотическая сложность.
- •Методы быстрого умножения комплексных чисел, векторов и матриц. Метод 3м.
Классификация моделей
По учёту случайных факторов: детерминированные (модели, которые не учитывают случ. явлений, а используют точные установленные закономерности, которые при построении используют алгебраические или интегральные уравнения) и стохастические (модели, которые учитывают случ. явления/случайный характер процессов исследуемых объектов)
По характеру процессов: непрерывные (модели, в которых входные воздействия и процессы считаются непрерывными функциями) и дискретные (модели, в которых входные воздействия и процессы описываются с помощью дискретных значений, например, временных интервалов или отдельных событий)
По поведению во времени: статические (модели, которые описывают поведение объекта в конкретный момент времени) и динамические (модели, которые определяют поведение объекта во времени)
Этапы моделирования
Определение интересующих нас свойств реального объекта
Анализ имеющихся ресурсов (вычислительных, временных и человеческих)
Оценка допустимой погрешности
Составление самой простой модели и оценка её адекватности (в случае недостаточной адекватности этой модели происходит выбор дополнительных свойств объекта, который целесообразно учесть при построении более сложной модели)
Построение более сложной модели и снова оценка её адекватности
Построение модели системы. Математическое моделирование. Имитационное моделирование.
Математическое моделирование
На основе известных физических законов составляются математические уравнение, которые описывают исследуемый объект. Затем, эти математические уравнения решаются, на основе их решения делаются выводы о свойствах моделируемого объекта.
Недостатком метода математического моделирования является необходимость решения сложных математических уравнений. Здесь требуется высокая математическая классификация персонала, что сильно увеличивает стоимость моделирования. При проектировании современных ИС связей крайне редко удаётся ограничиться математическим моделированием в силу таких систем. Недостаток: реальные объекты – сложные, соответственно уравнения тоже сложные. Из-за сложности математическое моделирование имеет ограниченное применение.
Имитационное моделирование
При имитационном моделировании на основе известных физических законов составляются математические уравнения, которые имитируют работу системы и которые решать не требуется. На сегодняшний день имитационное моделирование является основным методом исследования сложных систем.
Имитационное моделирование делается на компьютере с помощью определённых программ. Самая популярная - MatLab. При исследовании систем приходится делать ряд допущений, чтобы упростить модель.
Случаи, когда имитационное моделирование является наиболее подходящим методом исследования:
Не существует законченной математической постановки задачи
Аналитически описать систему моделирования очень сложно
Аналитические решения существуют, но их реализация невозможна из-за низкой математической классификации персонала.
Если необходимо осуществлять наблюдение за ходом модели
Когда невозможно провести другие эксперименты
Если требуется исследовать очень медленно или очень быстро протекающие процессы (взрыв или старение человека) (посмотри ответ на первый вопрос, там найди то, что нужно добавить).