4. Переходная характеристика

   1. является производной от весовой характеристики

   2. является обратным преобразованием Лапласа от передаточной функции элемента

   3. является интегралом от весовой характеристики

      1) a

      2) b

      3) c

      4) a, b

      5) b, c

5. Дисперсия случайного процесса является характеристикой:

   1. уровня, на котором колеблется случайный процесс

   2. скорости изменения случайного процесса во времени

   3. ширины коридора колебания случайного процесса

   4. уровня связи предыдущего значения случайного процесса с последующими

      1) a

      2) b

      3) c

      4) d

      5) c, d

6. Ширина коридора колебания случайной величины равна

   1. дисперсии случайной величины

   2. величине случайной ошибки

   3. по правилу «трех сигм» равна 6 сигмам случайной величины

      1) a

      2) b

      3) c

      4) a, d

      5) b, c

7. Приближенное значение СКО случайного процесса равно

   1. ширине коридора колебания случайной величины, деленному на 2

   2. Ширине коридора колебания случайной величины, деленному на 3

   3. Ширине коридора колебания случайной величины, деленному на 4

   4. Ширине коридора колебания случайной величины, деленному на 6

      1) a

      2) b

      3) c

      4) d

      5) c, d

8. Равномерный случайный процесс

   1. имеет равномерное значение изменения случайного процесса во времени

   2. имеет колоколообразную дифференциальную функцию распределения

   3. имеет прямоугольную дифференциальную функцию распределения

   4. имеет сигмоидальную интегральную функцию распределения

   5. имеет линейную интегральную функцию распределения

      1) a

      2) a, c,

      3) b, d

      4) c, d

      5) c, e

9. Автокорреляционная функция случайного процесса является характеристикой:

   1. распределения мощности случайного процесса по частоте

   2. Уровня, на котором колеблется случайный процесс

   3. скорости изменения случайной величины во времени

   4. Уровня связи предыдущего значения случайного процесса с последующими

      1) a

      2) a, b

      3) d

      4) c, d

      5) а, c, d

10. Корреляционная функция белого шума является:

    1. постоянной величиной

    2. совершает гармонические колебания

    3. падает на величину высокочастотной составляющей и далее остается постоянной

    4. падает до 0 при первом значении t

1) a, b

2) a,

3) d

4) c, d

5) c

11. Интеграл от спектральной плотности белого шума по частоте равен:

    1. дисперсии случайного процесса

    2. корреляционной функции случайного процесса

    3. бесконечному значению

    4. мощности случайного процесса

       1) a, b

       2) a, c, d

       3) b, c, d

       4) c, d

       5) a

12. При увеличении постоянной времени апериодического звена первого порядка в корреляционной функции выходного сигнала:

    1. увеличивается колебательная составляющая

    2. уменьшается время затухания

    3. увеличивается время затухания

    4. пропадают высокочастотные составляющие

       1) a

       2) b

       3) c

       4) d

13. Спектральная плотность случайного процесса является:

    1. разложением случайного процесса на спектральные составляющие

    2. разложением случайного процесса в ряд Фурье

    3. разложением мощности случайного процесса по частоте

    4. преобразованием Фурье мощности случайного процесса

    5. разложением дисперсии случайного сигнала по частоте

1) a

2) a, e

3) a, b

4) c, e

5) c

14. Спектральная плотность случайного процесса является:

    1. обратным преобразование Фурье от автокорреляционной функции

    2. прямым преобразование Фурье от автокорреляционной функции

    3. прямым преобразованием Лапласа от автокорреляционной функции

    4. обратным преобразованием Лапласа от автокорреляционной функции

       1) b, c

       2) c

       3) b

       4) a

       5) d

15. При увеличении постоянной времени апериодического звена первого порядка в спектральной плотности выходного сигнала:

    1. увеличивается колебательная составляющая

    2. увеличивается ширина частотного диапазона сигнала

    3. уменьшается ширина частотного диапазона сигнала

    4. увеличивается площадь под кривой спектральной плотности

    5. уменьшается площадь под кривой спектральной плотности

       1) a

       2) b

       3) c, e

       4) c, d

       b, d

16. При прохождении случайного процесса через апериодическое звено первого порядка

    1. увеличивается ширина гистограммы обрабатываемого сигнала

    2. уменьшается дисперсия сигнала

    3. увеличивается время затухания автокорреляционной функции

    4. увеличивается ширина графика спектральной плотности

    5. уменьшается время затухания автокорреляционной функции

    6. уменьшается ширина графика спектральной плотности

1) a, b

2) с, в

3)b, c, f

4) b, c, f

5) b, d, e

17. При построении математической модели не используется информация

    1. о входных переменных

    2. о возмущающих воздействиях

    3. об управляющих воздействиях

    4. о выходных переменных

1) a

2) b

3) c

4) b, c

18. Близость математической модели к исследуемому объекту определятся

    1. близостью структуры модели к структуре объекта

    2. близостью коэффициентов модели к коэффициентам объекта

    3. близостью прогнозируемого по модели выходного сигнала к выходному сигналу объекта

       1) a

       2) b

       3) c

       4) a, b

       5) a, b, c

19. Структурная идентификация включает

    1. построение математической модели

    2. выбор структуры математической модели

    3. получение оценок параметров модели

    4. обзор моделей по литературным данным

1) a

2) b

3) c

4) a, b

5) b, d

20. Априорная информация это:

    1. результаты обзора литературы

    2. результаты пробного эксперимента

    3. информация, полученная от технологов

    4. результаты основного эксперимента

    5. результаты поверочного эксперимента

1) a

2) a, b

3) a, b, c

4) a, c

5) b, d

21. Апостериорная информация это:

    1. результаты обзора литературы

    2. результаты пробного эксперимента

    3. информация, полученная от технологов

    4. результаты основного эксперимента

    5. результаты поверочного эксперимента

1) a

2) a, b

3) a, b, c

4) a, c

5) b, d, e

22. Критерий метода наименьших квадратов является

    1. функцией

    2. оператором

    3. функционалом

    4. интегральным преобразованием

    5. суммой квадратов отклонений расчетного значения выходного фактора от экспериментального

1) a

2) b

3) c, d, e

4) d

5) c, e

23. Адаптивные метод идентификации включает:

    1. определение параметров модели на основании результатов всего эксперимента

    2. определение параметров модели по начальной стадии эксперимента

    3. уточнение параметров модели по поверочному эксперименту

    4. уточнение параметров модели в процессе эксперимента

1) a

2) b

3) b, c

4) b, d

5) b, c, d

24. Регрессионный анализ достаточен для исследования

    1. функциональной зависимости переменных

    2. зависимости случайной величины от неслучайной

    3. зависимости случайной величины от случайной

1) a

2) b

3) a, b

4) a, b, c

25. Допущения регрессионного анализа включают требования

    1. распределение входной величины нормальное

    2. распределение выходной величины нормальное

    3. входные переменные стохастически независимы между собой

    4. выходные переменные стохастически независимы между собой

       1) a

       2) a, b

       3) a, b, c, d

       4) b, c

       5) b, c, d

26. Регрессионный анализ включает

    1. метод наименьших квадратов для оценки параметров модели

    2. дисперсионный анализ для оценки значимости и надежности оценок коэффициентов

    3. корреляционный анализ для оценки тесноты связи

1) a

2) a, b

3) a, b, c

4) a, c

27. Регрессионный анализ в матричном виде позволяет:

    1. Упростить выражения для получения коэффициентов модели

    2. Получить оценки коэффициентов для объекта с большим количеством входов

    3. Получить оценки коэффициентов нелинейной модели

    4. Получить оценки параметров динамической модели

1) a

2) c

3) d

4) a, b

5) a, d

28. Построение нелинейной модели методом линеаризации это

    1. способ нахождения структуры и коэффициентов модели в линейной области

    2. способ нахождения структуры и коэффициентов нелинейной модели

    3. получение параметров модели методом НП

1) a

2) b

3) c

4) a, с

5) b, c

29. Остаточная дисперсия математической модели это:

    1. сумма квадратов отклонения расчетного значения от экспериментального

    2. дисперсия выходного сигнала с учетом дисперсии ошибки измерения

    3. дисперсия временного ряда отклонения расчетного значения от экспериментального

    4. сумма квадратов отклонений расчетного значения от экспериментального, разделенная на число степеней свободы

1) a

2) b

3) a, c

4) b, c

5) c, d

30. Основное уравнение дисперсионного анализа позволяет

    1. определить коэффициенты регрессии

    2. определить сумму квадратов отклонений, обусловленную регрессией

    3. провести анализ адекватности модели

    4. определить остаточную дисперсию математической модели

1) a

2) a, b

3) b, c

4) c, d

5) c

\

31. Коэффициент регрессии значим если:

    1. величина оценки превышает величину доверительного интервала

    2. оценка удовлетворяет t-критерию

    3. оценка удовлетворяет хи – квадрат критерию

    4. оценка удовлетворяет F - критерию

1) a, b

2) b

3) a, c

4) a, d

5) c

32. Для построения доверительного интервала среднего, коэффициента корреляции

используется

1. t-критерий

2. хи – квадрат критерий

3. F - критерий

1) a

2) b

3) c

4) a, b

a, b, c

33. Для построения доверительного интервала дисперсии используется

    1. t-критерий

    2. хи – квадрат критерий

    3. F - критерий

1) a

2) b

3) c

4) a, b

a, b, c

34. Основное уравнение дисперсионного анализа

    1. устанавливает связь между оценкой параметра модели и надежностью его определения

    2. позволяет определить обусловленную регрессией сумму квадратов отклонений

    3. позволяет определить коэффициент множественной корреляции

    4. позволяет определить часть дисперсии, которая описывается математической моделью

1) a

2) b

3) b, c

4) a, d, c

5) b, c, d

35. Значение коэффициента множественной корреляции

    1. находится в диапазоне от –1 до +1

    2. находится в диапазоне от 0 до 1

    3. находится в диапазоне (0 - 1), умноженному на число входных факторов

1) a

2) b

3) c

36. Коэффициент корреляции может использоваться:

    1. для оценки адекватности математической модели

    2. оценки значимости коэффициента регрессии

    3. оценки точности коэффициента регрессии

    4. отбора входных факторов, связанных с выходным фактором объекта

    5. оценки уровня изученности объекта управления

1) a, d

2) a, b, e

3) a, b, d

4) b, c

5) a, d, е

37. 95% ошибка прогноза по математической модели равна

    1. остаточной дисперсии модели, умноженной на 2

    2. остаточной СКО модели, умноженному на 2

    3. остаточной СКО модели, умноженному на 3

    4. Умноженному на 2 корню квадратному из остаточной суммы квадратов отклонений, деленной на число степеней свободы.

       1) a, d

       2) a, c

       3) b, d

       4) a, d

38. Число степеней свободы при построении математической модели

    1. Количество данных, не связанных математическими зависимостями

    2. Количество данных, которые могут изменяться без изменения других характеристик и параметров

    3. объем выборки экспериментальных данных

    4. количество экспериментов

       1) a, b

       2) a

       3) d

       4) c

       5) c, d

39. Свободный член уравнения регрессии

    1. учитывается при определении числа степеней свободы данных

    2. не учитывается при определении числа степеней свободы данных

1) a

2) b

40. Метод нелинейного программирования используется при :

    1. решении задач оптимизации численными методами

    2. параметрической идентификации математической модели

    3. выборе структуры и определении параметров модели

    4. решении задач оптимизации аналитическими методами

1) a

2) a, b

3) a, b, c

4) a, b, d

5) a, c, d

41. Метод нелинейного программирования может использоваться при

    1. нахождении коэффициентов нелинейной статической зависимости

    2. нахождении параметров динамической модели

    3. нахождении параметров модели на основании уравнения Винера-Хопфа

    4. нахождении решения нормальной системы уравнений Гаусса

1) a, b

2) a,

3) c

4)a, b, c,

5) a, b, d

42. Коэффициенты уравнения регрессии находятся

    1. путем решения нормальной системы уравнений Гаусса

    2. решения системы уравнений, полученных путем приравнивания нулю производных МНК критерия по коэффициентам модели

1) a

2) b

3) a, b

43. Показателями адекватности математической модели являются

    1. коэффициент множественной корреляции

    2. отношение обусловленной регрессией суммы квадратов отклонений к полной

    3. остаточная сумма квадратов отклонений, деленная на число степеней свободы

    4. критерий Фишера

       1) a

       2) a, d

       3) a,b

       4) c, d

       5) все показатели

44. Для экспериментального получения переходной характеристики элемента необходимо:

    1. подать на вход элемента случайный процесс типа белый шум

    2. подать на вход элемента сигналы с разной частотой

    3. подать на вход элемента единичный ступенчатый сигнал

    4. подать на вход элемента единичный импульсный сигнал

1) a

2) b

3) c

4) d

5) c, d

45. По реакции объекта на импульсное входное воздействие

    1. сроится статическая модель объекта управления

    2. строится динамическая модель объекта управления

    3. находится частотная характеристика системы

    4. находится переходная функция системы

1) a

2) b

3) с

4) b, c

5) b, d

46. Взаимокорреляционная функция

    1. позволяет выявить наличие динамической связи между входным и выходным случайными процессами

    2. позволяет определить время транспортного запаздывания динамического элемента

    3. при подаче на вход случайного процесса типа белый шум имеет форму весовой функции системы

    4. имеет место на выходе динамической системы при подаче на вход временного ряда типа автокорреляционной функции входного случайного процесса

       1) a, d

       2) a,

       3) b

       4) c, d

       5) все пункты

47. Для экспериментального получения математической модели элемента на основании уравнения Винера-Хопфа необходимо:

    1. подать на вход элемента единичный ступенчатый сигнал

    2. подать на вход элемента случайный процесс типа белый шум

    3. подать на вход элемента случайный процесс

    4. подать на вход элемента единичный импульсный сигнал

1) a, e

2) b

3) b, c

4) a, b, c

5) c

48. Полный отказ диагностируемой системы:

    1. отклонение параметров системы от заданных значений

    2. увеличение дисперсии ошибки измерения

    3. увеличение дисперсии ошибки регулирования

    4. полное прекращение работы системы

1) a

2) b

3) c

4) d

5) a, b, c

49. Зарождающимся отказом является

    1. отклонение параметров системы от заданных значений

    2. увеличение дисперсии ошибки измерения

    3. увеличение дисперсии ошибки регулирования

    4. полное прекращение работы системы

       1) a

       2) b

       3) c

       4) d

       5) a, b, c

50. Система диагностики должна выявлять:

    1. наличие шума измерения

    2. влияние возмущающего воздействия

    3. изменение характеристик объекта диагностики

    4. изменение характеристик систем управления

1) a, b, c, d

2) a, c, d

3) d, c, d

4) c, d

5) b, c, d