Details
| Title | Application of regularization techniques to improve forecast stability in noisy data for industrial automation = Использование методик регуляризации для повышения стабильности прогнозов в условиях шумных данных в промышленной автоматизации // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2026. – Т. 19, № 1. — С. 26-37 |
|---|---|
| Creators | Ludishchev Ya. V. |
| Imprint | 2026 |
| Collection | Общая коллекция |
| Subjects | Вычислительная техника ; Имитационное компьютерное моделирование ; Техника ; Автоматизация оборудования ; industrial automation ; technological processes ; forecasting of technological processes ; regularization techniques ; ridge regularization method ; noisy data (technique) ; regression models ; промышленная автоматизация ; технологические процессы ; прогнозирование технологических процессов ; методики регуляризации ; гребневый метод регуляризации ; шумные данные (техника) ; регрессионные модели |
| UDC | 004.94; 681.3:62.52 |
| LBC | 32.973-018.2; 30.6-5-05 |
| Document type | Article, report |
| Language | English |
| DOI | 10.18721/JCSTCS.19103 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\78768 |
| Record create date | 4/28/2026 |
The article explores modern approaches to the application of regularization methods - Ridge and LASSO - in problems of forecasting technological process parameters under industrial automation conditions. Special attention is given to addressing challenges associated with the high-dimensional feature spaces and the presence of noise in input data, which are typical in industrial environments. The theoretical foundations of these methods are presented, along with their specific characteristics and mechanisms that reduce model overfitting and enhance robustness under varying input data. An experimental evaluation of the effectiveness of regularized regression models is conducted using real industrial datasets, including time series with missing and distorted values. The results demonstrate improved forecasting accuracy, model stability, and, consequently, the reliability of automated monitoring and control systems. These methods help cope with data noise, avoid retraining, and highlight key parameters, which is especially important in conditions of limited computational resources and complex production systems.
В статье рассматриваются современные подходы к применению методов регуляризации - гребневого (Ridge) и лассо (LASSO) - в задачах прогнозирования параметров технологических процессов в условиях промышленной автоматизации. Особое внимание уделяется решению проблем, связанных с высокой размерностью признакового пространства и наличием шумов в исходных данных, характерных для производственной среды. Представлены теоретические основы указанных методов, их особенности и механизмы, позволяющие снижать переобучение моделей и обеспечивать их устойчивость при варьирующихся входных данных. Проведено экспериментальное сравнение эффективности регрессионных моделей с регуляризацией на основе реальных производственных выборок, включая временные ряды с пропущенными и искаженными значениями. Полученные результаты демонстрируют повышение точности прогнозов, устойчивости моделей и, как следствие, надежности работы автоматизированных систем мониторинга и управления. Эти методы помогают справляться с шумом в данных, избегать переобучения и выделять ключевые параметры, что особенно важно в условиях ограниченных вычислительных ресурсов и сложных производственных систем.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
