Details

Данная работа посвящена восстановлению различных пропусков в измерительном сигнале с использованием современных методов – использованием искусственного интеллекта. В ходе исследования были решены следующие задачи: 1. Обзор современных методов восстановления сигнала; 2. Моделирование алгоритма на основе Искусственного интеллекта; 3. Практическое применение предложенного подхода; 4. Сравнение алгоритмов восстановления пропуска в сигналах. Все программы, используемые в работе, разработаны на языке Python. В работе были рассмотрены существующие подходы восстановления пропуска в измерительных сигналах, была произведена их классификация, отмечены их достоинства и недостатки. Была рассмотрена возможность применения подхода на основе ИИ ARIMA и ее интеграции с ANN моделью. Реализован гибридный подход на основе искусственного интеллекта ARIMA и анализ зависимости качества восстановления пропусков от различных факторов в тестовых сигналах. На основе этого анализа были сделаны окончательные выводы относительно наиболее эффективного метода восстановления при различных обстоятельствах. Разработанный метод реализован на наборе реальных данных, проведена оценка полученных результатов.

This work is devoted to the restoration of various omissions in the measurement signal using modern methods – using artificial intelligence. In the course of the research the following tasks were solved: 1. Review of modern methods of signal recovery; 2. Modeling of the algorithm based on Artificial Intelligence; 3. Practical application of the proposed approach; 4. Comparison of algorithms for skip recovery in signals. All the programs used in the paper are developed in Python language. In the work the existing approaches of skip recovery in measurement signals were considered, their classification was made, their advantages and disadvantages were noted. The possibility of using an approach based on AI ARIMA and its integration with ANN model was considered. A hybrid approach based on ARIMA AI and analysis of the dependence of the quality of skip recovery on various factors in the test signals was implemented. Based on this analysis, final conclusions were drawn regarding the most effective recovery method under different circumstances. The developed method was implemented on a set of real data, and the results were evaluated.