Информационный анализ и автоматизированное проектирование станций биохимической очистки. Малыгин Е.Н - 34 стр.

UptoLike

+
+
+
+
+
_
_
_
_
_
_
Ф
P
п
P
в
P
=Ф
-1
{
y
|
x
0
X
0
,
z
Z}
X
0
X
0B
X
0И
X
0A
X
0П
Y
B
Y
п
Y
A
Y
Y
Z
A
Z
Z
B
Z
п
Z
И
X
=Ф
-1
{
y
|
p
P
,
z
Z}
Z=Ф
-1
{
y
|
x
0
X
0
,
p
P
}
p
x
0
z
y
^
^
0
+
Рис. 3.4 Схема испытаний математической модели:
Х
0в
, Р
в
, Z
в
пространства возможных начальных состояний, параметров и входных переменных;
Х
0и
, Р
и
, Zпространства выборочных значений векторов х, z, у,
используемые при идентификации модели; Х
0а
, Z
а
пространства,
используемые при проверке адекватности модели;
ZX
ˆ
,
ˆ
0
пространства
выборочных значений, используемые для прогноза
Решение уравнений с этими значениями позволяет проверить модель и условия выполнения ог-
раничений. Так как в большинстве случаев плотность вероятности переменных
nnnnnn
ZzPpXx ,,
00
неизвестна, то при проведении испытаний используется датчик равно-
мерно распределенных последовательностей. В литературе он известен как
τЛП [48]. Если же вид
совместной плотности вероятности
nnn
zpx ,,
0
известен, то необходимо использовать датчики слу-
чайных чисел с конкретными значениями средних дисперсий и т.д.
В конечном итоге вид совместной плотности вероятности переменных zpx ,,
0
будет иным по
сравнению с видом переменных
nnn
zpx ,,
0
. Это связано с тем, что в ходе проверки условия Yу
нелинейный оператор Ф отфильтровывает «неудачные» их сочетания и, таким образом, изменяет
известные вероятности этих переменных в
nnn
ZPX ,,
0
.
Достаточно точная оценка числа испытаний может быть получена с помощью интегральной
теоремы Лапласа [19]:
α=
ε
=ε<
ˆ
)
~
1(
~
~
Ф))
ˆ
~
((
pp
N
ppp
r
, (3.16)
а
в
n
n
а
в
и
n
в
в
и
n
а