Iv халықаралық Ғылыми-практикалық конференция еңбектері

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
109
 
 
В  результате  решения  данных  задач  была  разработана  среда  машинного  перевода  с 
казахского  языка  на  русский  язык,  которая  переводит  простые  повествовательные  и 
вопросительные  предложения,  предложные  фразы,  объем  словарей  –  десять-двенадцать 
тысяч  слов.  Выполнена  экспериментальная  проверка  и  оценка  машинного  перевода.  Для 
оценки  качества  машинного  перевода  использована  известная  методика  BLEU.    По  данной 
методике  реализована  программа  для  оценки качества  перевода.  Полученная  оценка  нашей 
программы  составляет:  76%.  Анализ  результатов  машинного  перевода  показывает 
достаточно высокий уровень машинного перевода.  
Пайдаланылған әдебиеттер: 
1. Баскаков Н.А., Хасенова А.К., Исенгалиева В.А., Кордабаев Т.Р. Қазақ және орыс тілдерінің 
салыстырмалы грамматикасы – Алматы: Наука, 1966 
 
 
УДК 00485 
 
САПАКОВА С.З., БОЛАТБЕК М.А. 
 
ҚАЗАҚША-ОРЫСША МАШИНАЛЫҚ АУДАРМАСЫНДАҒЫ «ПРЕДЛОГ» 
МӘСЕЛЕСІ ЖӘНЕ ОНЫ ШЕШУ ЖОЛДАРЫ 
 
(Әл-Фараби атындағы Қазақ Ұлттық Университеті, Алматы қ., Қазақстан 
Республикасы) 
 
Бұл  мақала  қазақша-орысша  машиналық  аудармасындағы  қиындық  тудыратын 
тұстардың бірі  – орыс тіліндегі септік  «предлогтарын» аудару тақырыбына арналған. Қазақ 
тіліндегі  септеулік  шылаулар  септелетін  сөзден  кейін  жалғанатын  болса,  орыс  тіліндегі 
«предлогтар» сөздің алдына қосылады.  
Аталған 
мәселені 
зерттеу 
өткен 
ғасырда 
басталған. 
Оған 
дәлел 
ретінде 
В.А.Исенгалиеваның  1959 жылы  шыққан  «Русские  предлоги и  их  эквиваленты  в  казахском 
языке»  атты  кітабын  келтіруге  болады.  Ол  кітап  орыс  тіліндегі  «предлогтардың»  қазақ 
тіліндегі баламасын іздеуге арналған. Оның мақсаты – орыс тіліндегі «предлогтардың» қазақ 
тіліне  қандай  әдіс-тәсілдер  арқылы  аударылатындықтарын,  олардың  қазақ  тіліндегі 
баламаларының грамматикалық ерекшеліктерін анықтау болып табылады. «Предлогтардың» 
бес  түрі  зерттелген:  негізгі  «предлогтар»,  үстеулік  «предлогтар»,  есім  сөз  «предлогтары», 
етістік  «предлогтары»,  «предлогтық»  тіркестердің  күрделі  түрлері.  Зерттеу  жұмыстарын 
жүргізу үшін орыс тіліндегі әдеби және саяси  кітаптар, газет материалдары, сонымен қатар 
қазақ тіліндегі көркем әдебиет туындылары мен олардың орыс тіліне жасалған аудармалары 
пайдаланылды[1]. 
Қазақ  тіліндегі  атау,  ілік,  табыс  және  көмектес  септіктерін  орыс  тіліне  аудару 
барысында  орыс  тіліндегі  сөзге  септік  «предлогы»  жалғанбайды,  тек  сәйкес  келетін 
қосымшалар  ереже  арқылы  таңдалып,  сөздің  негізіне  жалғанады.  Ал  барыс,  жатыс  және 
шығыс  септіктерінде  тұрған  сөздерді  аудару  барысында  орыс  тіліндегі  тиісті  септік 
«предлогтарының» бірі сөздің алдына қосылады. Әр сөздің орыс тіліндегі септік «предлогы» 
әр түрлі болады. Әрбір  «предлогтың» сөздерге қандай жағдайда жалғанатындығын анықтау 
үшін түрлі зерттеулер жүргізілді. Нәтижесінде олардың белгілі бір ереже бойынша емес, әр 
сөздің ерекшелігіне байланысты жалғанатындығы анықталды. 
Септік  жалғауларын  орыс  тіліне  аудару  мәселесін  жеңілдету  үшін  машиналық 
аударманың  мәліметтер  қорына  қосымша  кесте,  грамматикалық  сипаттамалар  енгізілді 
(мысалы, zat кестесіне bs, zhs, shs атрибуттары және predlogi кестесі). 
Барыс септігі орыс тіліндегі  «дательно-направительный падежге» сәйкес келеді. Қазақ 
тіліндегі барыс септігінің тұрақты септік жалғаулары болады (-ға, -ге, -қа, -ке, -на, -не). Орыс 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
110
 
 
тіліндегі  барыс  септігінің  (дательно-направительный  падеж)  «предлогтары»  келесідей:  к,  в, 
на.  Олар  белгілі  бір  ереже  бойынша  емес,  әр  сөздің  ерекшелігіне  байланысты 
жалғанатындықтан, біз оларды деректер қорындағы әрбір сөз үшін қосымша атрибут ретінде 
енгіздік  –  bs  атрибуты.  Төмендегі  суретте  деректер  қорындағы  bs  атрибуты  көрсетілген,  ол 
сөз барыс септігінде тұрса, оған қандай «предлог» жалғау керектігін білдіреді (Сурет 1).  
 
 
 
Сурет 1 – Деректер қорындағы bs атрибуты 
 
Аталған атрибут мәндерін келесі кестеден көруге болады (Кесте 1):  
 
Кесте 1 – Барыс септігінің «предлогтары» 
Атрибут нөмірі 
«Предлог» 
1 
К 
2 
В 
3 
На 
 
Морфологиялық талдау барысында енгізілген сөздің bs атрибутының мәні де алынады, 
содан  кейін  морфологиялық  синтез  жасау  кезінде  көмекші  predlogi  кестесі  пайдаланылады. 
Ол  жерде  жоғарыдағы  кестеде  көрсетілген  нөмірлерге  сәйкес  келетін  «предлогтар» 
орналасқан (Сурет 2).  
 
 
 
Сурет 2 – Көмекші predlogi кестесі 
 
Көріп  тұрғанымыздай,  bs  атрибутының  мәні  2-ге  тең  болса,  онда  орыс  тіліндегі  «в» 
предлогы таңдалады екен, яғни zat кестесіндегі bs атрибуты мен predlogi кестесіндегі predlogi 
атрибуттарының  мәні  тең  болатын  өріс  таңдалады.  Ал  сөздің  соңына  сәйкес  мәліметтер 
қорынан алынған сәйкес қосымшаларының бірі жалғанады.  
Жатыс  септігі  орыс  тіліндегі  «предложный  падежге»  сәйкес  келеді.  Қазақ  тіліндегі 
жатыс  септігінде  де  қосымшалар  тұрақты  болады  (-да,  -де,  -та,  -те,  -нда,  -нде).  Жатыс 
септігінің  орыс  тіліндегі  «предлогтары»  деректер  қорына  енгізілді,  олардың  мәні  келесідей 
болады (Кесте 2, Сурет 3):  
Кесте 2 – zhs атрибутының деректер қорындағы мәндері 
Атрибут нөмірі 
Предлог 
6 
В 
7 
На 
8 
У 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
111
 
 
 
 
Сурет 3 – Zat кестесіндегі zhs атрибуты 
 
Көмекші predlogi кестесіндегі «предлогтар»: (Сурет 4) 
 
 
 
Сурет 4 – predlogi кестесіндегі орыс тілінің «предлогтары» 
 
Нәтижесінде  сөз  аудармасының  алдына  көмекші  predlogi  кестесінен  таңдалатын 
«предлог», ал сөз соңына мәліметтер қорынан алынған тиісті жалғау жалғанады.  
Шығыс  септігі  орыс  тіліндегі  «родительный  падежге»  сәйкес  аударылады,  тек  қана 
аударманың  алдына  «из»,  «от»,  «с»,  «со»  немесе  «у»  предлогтарының  бірі  жалғанады. 
Аталған «предлогтар» деректер қорына енгізілді (Сурет 5).  
 
 
 
Сурет 5 – Шығыс септігінің «предлогын» білдіретін shs атрибуты 
 
shs атрибутының мәндерін келесі кестеден көруге болады (Кесте 3): 
 
Кесте 3 – shs атрибутының мәндері 
Атрибут мәні 
Предлог  
11 
От 
12 
Из 
13 
С 
14 
Со 
15 
У 
 
Орыс тіліндегі сәйкес предлог таңдалатын «predlogi» кестесі (Сурет 6). 
Қазақ  тіліндегі  шығыс  септігіндегі  сөз  сөздің  соңына  деректер  қорынан  сәйкес 
алгоритмдер  бойынша  таңдалған  қосымшаларды,  ал  сөздің  алдына  тиісті  «предлогты» 
жалғау арқылы аударылады.  
 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
112
 
 
 
 
Сурет 6 – «predlogi» кестесіндегі шығыс септігінің «от» «предлогы» 
 
Жоғарыда 
аталған 
алгоритмдер 
қазақша-орысша 
машиналық 
аударманың 
бағдарламасына енгізіліп, аударма сапасының артуына үлес қосты. Бағдарламаның жұмысын 
келесі суреттен көруге болады (Сурет 7-Сурет 8):  
 
 
 
Сурет 7 – Қазақша-орысша машиналық аударма жұмысы 
 
 
 
Сурет 8 – Қазақша-орысша машиналық аударма жұмысы 
 
Қазақ  тіліндегі  барыс,  жатыс  және шығыс  септіктеріндегі  сөздерді  орыс  тіліне  аудару 
мәселесі  қазақша-орысша  машиналық  аудармасында  осылайша  шешілді.  Қазіргі  таңда 
қазақша-орысша  машиналық  аудармасының  бағдарламасы  жай  сөйлемдерді,  салалас 
құрмалас  сөйлемдерді,  сұраулы  сөйлемдерді  аударады.  Қазақ  тіліндегі  омоним  сөздерді 
аудару мәселесін шешу алдағы уақыттағы жоспарға қойылып отыр.  
Пайдаланылған әдебиеттер: 
1.  В.А.  Исенгалиева  Русские  предлоги  и  их  эквиваленты  в  казахском  языке  -  Алма-Ата: 
Издательство Академии Наук Казахской ССР, 1959 
 
 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
113
 
 
УДК 004.032.26 
 
САРСЕМБАЕВ Б.Б. 
 
АДАПТИВНЫЙ АЛГОРИТМ ОБУЧЕНИЯ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ В 
ЗАДАЧАХ ДИАГНОСТИКИ 
 
(Казахстанско-Британский Технический Университет, г. Алматы) 
 
Несмотря  на  высокий  уровень  развития  математического  аппарата  и  вычислительной 
техники  задачи  диагностики  и  классификации  признаков  различной  природы  остаются 
весьма  не  изученными.  Это  обусловлено  рядом  обстоятельств,  которые  связаны  c 
нелинейными  системами.  Данные  системы  сложно  описать  с  помощью  традиционных 
математических  методов,  так  как  описание  их  трудно  формализуемо.  Подавляющее 
количество  исследователей  и  ученых  в  этой  области  сходятся  во  мнений,  что  создание 
универсальной  распознающей  системы,  без  приложение  к  какой  либо  реальной  задаче, 
практический  очень  сложная.  В  данной  работе  предпринята  мера  по  созданию 
универсального алгоритма диагностики технических систем с использованием инструментов 
нейронных  сетей  и  нечеткой  логики.  Все  выше  сказанные  аспекты  обуславливают 
актуальность данной работы.  
Задача: разработать алгоритм обучения нечеткой кластеризации  
В  работе  будет  рассматриваться  адаптивная  нечеткая  кластеризующая  сеть  Кохонена 
(АНКСК).  АНКСК  полностью  соответствует  требованиям  диагностических  задач,  когда 
обработка входных данных может осуществляться как в последовательном, то есть в онлайн 
режиме,  так  и  в  режиме  априорно  заданных  входных  данных.  Модифицированная  сеть 
Кохонена  учиться  понимать  саму  структуру  данных,  формируя  в  каждый  момент  времени 
так  называемые  нейро-нечеткие  диагностические  портреты  состояния  радиоэлектронной 
аппаратуры.  Сеть  распределяет  данные  в  соответствии  с  уровнем  безопасности  работы  и 
может  обнаруживать  в  данных  новые  классы  отказов,  которые  могут  предвещать  новые 
дефекты [1]. Блок-схема работы данной сети показана на рисунке 1. 
 
 
Рисунок 1- Адаптивная нечеткая кластеризующая сеть Кохонена 
 
Алгоритм обучения данной сети можно описать следующим образом:  
Поступает  набор  входных  данных  или  он  задан  априорно  ( )
= ( ( ), … ,
( )), 
(здесь  k=1,…,N  имеет  смысл  номера  узла  или  агрегата  в  диагностируемом  объекте)  с 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
114
 
 
рецепторного  слоя  подаются  на  нейроны  слоя  Кохонена  N
j
k
,  имеющего  топологию 
кристаллической решетки [2].  
1. 
Инициализация. Для исходных векторов синаптических весов c
j
(0) выбираются 
случайные  значения.  Единственным  требованием  здесь  является  различие  векторов  для 
разных  значений  j=1,2,…,m,  где  m-общее  количество  нейронов  в  решетке.  Сохраняем 
значения малой амплитуды. 
2. 
Подвыборка. Выбираем вектор x
n
(k) из входного пространства с определенной 
вероятностью.  Данный  вектор  представляет  собой  возбуждение,  которое  применяется  к 
решетке нейронов.  
3. 
Поиск  максимального  подобия.  Находим  наиболее  подходящий  нейрон  i(x)  на 
шаге n, используя критерий минимума Евклидова расстояния:  
( ) = arg min
( ) − ( ) , = 1,2, … ,                       (1) 
4. 
Коррекция. 
Корректируем 
векторы 
синаптических 
весов, 
используя 
следующую формулу:  
с ( + 1) =
( ) + ( )ℎ
, ( )
( )(
( ) − ( )),                (2) 
 
    где  ( )-параметр  скорости  обучения;   
ℎ
, ( )
( )-функция  окрестности  с  центром  в 
победившем  нейроне  ( ).  Оба  этих  динамических  параметра  изменяются  во  время 
обучения, с целью получения наилучшего результата [3].  
5. 
Продолжение.  Возвращаемся  к  шагу  2  и  продолжаем  вычисления  до  тех  пор, 
пока в карте не перестанут происходить заметные изменения. 
Наглядное  представление  зависимости  между  картой  признаков  и  вектором  весов 
победившего нейрона i(x) можно увидеть на рисунке 2. 
 
 
Рисунок 2 – Взаимосвязь между картой признаков и вектором синаптических весов 
победившего нейрона i(x) 
 
После определения центров кластеров, следующей задачей является вычислить уровень 
принадлежности  входных  векторов  к  соответствующим  кластерам.  При  отсутствии  четко 
выраженной  границы  между  соседними  кластерами  использование  нечеткой  кластеризации 
более  чем  предпочтительно.  То  есть,  добавив  к  слою  Кохонена  выходной  слой  нечеткой 
кластеризации,  нейроны  которого  N
j
M
  вычисляют  уровни  принадлежности 
( ) =
(
( ), … ,
( ))  текущего  примера  к  j-му  кластеру,  отключив  латеральные  связи  в  слое 
Кохонена  (на  рисунке  1  показаны  пунктиром)  получим  адаптивную  нечеткую 
кластеризующую сеть Кохонена. 
Для  вычисления  уровня  принадлежности  можно  рассматривать  однослойный 
персептрон.  Алгоритм  функционирования  персептрона,  который  вычисляет  уровень 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
115
 
 
принадлежности  каждого  входного  вектора  к  соответсвующим  кластерам  можно  описать 
следующим образом:  
6. 
Инициализация.  Пусть  c
j
(0)=0.  Последующие  вычисления  выполняются  для 
шагов k=1,2… 
7. 
Активация.  На  шаге  k  активируем  персептрон,  используя  вектор 
( )  c 
вещественными  компонентами  и  желаемый  отклик  d(k).  Желаемый  отклик  вычисляется 
первым  слоем  Кохонена,  то  есть  берется  с  результирующей  матрицы  принадлежностей 
первого слоя.  
8. 
Вычисление 
фактического 
ответа. 
Вычисляем 
фактический 
отклик 
персептрона:  
( ) =
( ) ( ) ,                                         (3) 
 где sgn(.)- функция вычисления знака аргумента. 
9. 
Адаптация вектора весов. Изменяем вектор весов персептрона:  
 
( + 1) = ( ) + [ ( ) − ( )] ( ),                         (4) 
где  
( ) =
1, если  ( ) ∈
0, если  ( ) ∈
                                         (5) 
где, С
1
 и С
2
 соответствующие кластеры. 
10. 
 Продолжение.  Увеличиваем  номер  итерации  k  на  единицу  и  возвращаемся  к 
пункту 2 [2,4].  
По  созданному  алгоритму  была  построена  блок-схема  программного  обеспечения 
(рисунок 3). 
Нужно  заметить,  что  входной  сигнал  ( )  является  вектором  строкой.  Еще  нужно 
отметить  η-параметр  скорости  обучения,  а  разность  ( )
− ( )  выступает  в  роли  сигнала 
ошибки.  Параметр  скорости  обучения  является  положительной  константой,  которая 
принадлежит  интервалу  0<η
≤1.  Выбирая  данный  параметр  обучения  следует  учитывать 
следующие немаловажные моменты [5]:  
-  Усреднение  предыдущих  входных  сигналов,  которые  обеспечивают  устойчивость 
оценки вектора весов и требуют малых значений η. 
- Быстрая адаптация к реальным изменениям распределения процесса, отвечающего за 
формирование векторов входного сигнала x(k), требует больших значений η. 
Вывод: 
♦    Разработан  алгоритм  нечеткой  кластеризации  для  задач  диагностики,  которая 
позволяет:  
  – возможность использования разработанного алгоритма и в других диагностических 
системах; 
  –  возможность  ранней  диагностики  неисправностей  и  высокую  степень  точности 
предсказания появления дефектов; 
 – прогнозирование рисков неисправностей и дефектов. 
Литература 
1. Kohonen T. Self-Organizing Maps/ Kohonen T.- Berlin: Springer-Verlag.-1995.-362 p. 
2. С.Хайкин., Нейронные сети: полный курс, 2-ое издание: Пер. с англ.- М.: Издательский дом 
«Вильямс», 2006.-1104 с.. 
3.  Бодянский  Е.В.  Об  адаптивном  алгоритме  нечеткой  кластеризации  данных/  Бодянский 
Е.В.,Горшков  Е.В.,Кокшенев  И.В.,  Колодяжный  В.В.  //  Адаптивные  системы  управления.-
Днепропетровск, 2002.- с.108-117. 
4. Цыпкин Я.З. Основы теории обучающихся систем / Цыпкин Я.З.- Москва: Наука, 1970.-252 с. 
5.  Chung  F.L.  Fuzzy  competitive  learning/  Chung  F.L.,  Lee  T.  //  Neural  Networks.-  1994.-7-№3.- 
P.539-552. 
 
 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
116
 
 
УДК 004.891.3 
 
САРСЕМБАЕВ Б.Б. 
 
ДИАГНОСТИКА КОЛЕБАТЕЛЬНОГО ЗВЕНА НА ОСНОВЕ АДАПТИВНОЙ 
НЕЧЕТКОЙ КЛАСТЕРИЗУЮЩЕЙ СЕТИ КОХОНЕНА 
 
(Казахстанско-Британский Технический Университет, г. Алматы) 
 
Одной 
из 
эффективных 
и 
простых 
способов 
повышения 
быстродействия 
диагностических  систем  является  введение  в  их  контрольно-измерительный  комплекс 
вычислительных  систем  с  архитектурой  SISD  по  классификатору  Б.М.Когана,  но  с 
использованием  в  них  программно-алгоритмического  обеспечения,  которая  позволяет 
симулировать  виртуальную  нейронную  сеть.  Другим  подходом  при  построении  таких 
систем,  являются  программная  реализация  в  контрольно-измерительном  комплексе  с 
помощью реального нейронного компьютера на основе вычислительной архитектуры MIMD 
[1].  
Трудность 
формализуемости 
нелинейных 
систем 
с 
помощью 
стандартных 
математических методов вынуждает нас предпринять нестандартные методы решения задач 
диагностирования.  В  данной  работе  предлагается  использовать  методы  нейро-нечеткого 
вычисления  в  целях  определения  текущего  состояния  объекта  на  примере  колебательного 
звена, который построен на основе операционного усилителя.   
Задача: разработать программное обеспечение по диагностике колебательного звена с 
помощью нейронных сетей.  
Аналитическая  модель  диагностической  системы  состоит  из  двух  основных  частей 
(рисунок 1):  
 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
117
 
 
Рисунок 1 – Концептуальная структура аналитической модели диагностической системы с 
применением нейросетевых алгоритмов 
 
В  целом  система описывается  следующим образом:  на  входной  узел  поступает  сигнал 
( ), на выходе соответственно  ( ). Данные сигналы поступают на первую модель, то есть 
на нейросетевую модель нелинейной динамической системы, которая и определяет разность 
и формирует необходимые кластеры неисправностей. Данная разность должна быть в идеале 
равной нулю, то есть система полностью удовлетворяет заданным требованиям. В противном 
случае, когда разность не равна нулю, это говорит о том, что в систему есть дефекты.   
Вторым  шагом  системы  является  классификация  дефектов  по  разным  кластерам,  если 
они обнаружились. Данную процедуру осуществляет нейросетевой классификатор, который  
работает  с  разностью  на  выходе  первой  модели  и  оценивает  данный  сигнал  на  наличие  в 
системе отказа. Процесс принятия решения может состоять из простой проверки выходного 
сигнала  первой  модели  на  превышение  максимально  допустимого  значения,  или  же 
используются более современные алгоритмы. 
Экспериментальное  исследование  проведем  на  основе  модели  операционного 
усилителя.  За  последние  годы  область  применения  операционных  усилителей  (ОУ)  очень 
расширилась.  Практические  все  аналоговые  и  цифро-аналоговые  радиоэлектронные 
устройства,  в  которых  ранее  применялись  дискретные  транзисторы,  строятся  теперь  на 
основе микроэлектронных  ОУ.  
ОУ  широко  используются  в  различных  радиотехнических  устройствах,  в  аналого-
цифровых 
и 
цифро-аналоговых 
преобразователях, 
коммутаторах, 
функциональных 
преобразователях,  устройствах  сжатия  информации,  активных  фильтрах,  генераторах, 
источниках питания и ряде других устройств. Именно из-за этой широкой применимостью и 
лежит выбор данной модели за основу эксперимента [2].  
ОУ  был  построен  в  программе  MatLab,  используя  специальный  модуль  Sim  Power 
Systems, который очень удобен при построении электронных и электротехнических схем.  
Передаточная функция идеализированного ОУ определяется выражением: 
 
где K0 –коэффициент передачи ОУ на постоянном токе;  
      
=
- постоянная времени передаточной функции ОУ;  
      f
1  
-частота единичного усиления. 
В  основу  модели  ОУ  (рисунок  2)  положен  управляемый  источник  напряжения 
Controlled  Voltage  Source.  Коэффициент  передачи  ОУ  на  постоянном  токе  (K0)  задает 
усилитель Gain, на вход которого поступает разность входных напряжений усилителя. Блок 
передаточной  функции  Transfer  Function  задает  частотные  свойства  ОУ,  а  подсистема 
Subsystem  обеспечивает  ограничение  выходного  напряжения  на  уровне  напряжений 
положительной  и  отрицательной  полярностей,  имитируя  нелинейность  характеристики 
реального усилителя, вызванную конечной величиной напряжения питания [2,3].  
В  качестве  источника  возьмем  переменное  напряжение  20В  и  уровень  напряжения 
ограничения  положительной  полярности  +12  В,  уровень  напряжения  ограничения 
отрицательной  полярности  -12  В.  В  блоке  передаточной  функции  Transfer  Function  задаем 
частотные свойства ОУ следующие: K0=10000, f
1
=25000.  
 

жүктеу/скачать 19,29 Mb.

Достарыңызбен бөлісу: