- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
Возможны различные ситуации, в которых могут использоваться нечеткие модели динамических систем:
когда имеется некоторое лингвистическое описание, которое отражает качественное понимание (представление) процесса и позволяет непосредственно построить множество нечетких логических правил;
имеются известные уравнения, которые (хотя бы грубо) описывают поведение управляемого процесса, но параметры этих уравнений не могут быть точно идентифицированы;
известные уравнения, описывающие процесс, являются слишком сложными, но они могут быть интерпретированы нечетким образом для построения лингвистической модели;
с помощью входных/выходных данных оцениваются нечеткие логические правила поведения системы.
Первые результаты практического применения алгоритмов нечеткой логики к управлению реальными техническими объектами были опубликованы в 1974 г. в работах профессора Лондонского Королевского колледжа Э.Х.Мамдани, посвященных проблеме регулирования парогенератора для электростанции. В этих работах была предложена ставшая сегодня классической структурная схема системы нечеткого управления (рис. 27.9). Под нечетким управлением (Fuzzy Control) в данном случае понимается стратегия управления, основанная на эмпирически приобретенных знаниях относительно функционирования объекта (процесса), представленных в лингвистической форме в виде некоторой совокупности правил.
Рис. 27.9. Структурные схемы систем нечеткого управления
На рис. 27.9 ДФ - динамический фильтр, выделяющий, помимо сигналов ошибок управления x1=r1-y1 и x3=r2-y2, производные от этих сигналов х2=их4=;
РНЛ - регулятор на основе нечеткой логики («нечеткий регулятор»), включающий в себя базу знаний (конкретнее - базу правил) и механизм логического вывода;
r=(r1, r2)T, х=(х1, х2, х3, х4)T, u=(u1, u2)T и у=(у1, у2)T - соответственно векторы задающих воздействий (уставок), входов и выходов РНЛ, а также выходов объекта управления (т.е. парогенератора);
T - операция транспонирования вектора.
В качестве входов и выходов РНЛ выступают:
х1=РЕ - отклонение давления в паровом котле (у1) по отношению к его требуемому (номинальному) значению (r1);
х2=СРЕ - скорость изменения РЕ;
х3=SЕ - отклонение скорости изменения давления (у2) по отношению к его заданному значению (r2);
х4=СSE - скорость изменения SЕ;
u1=НС - изменение степени подогрева пара;
u2= ТС - изменение положения дросселя.
Мамдани предложил рассматривать эти величины как лингвистические переменные, каждая из которых может принимать одно из следующих значений из множества
L = {NB,NM,NS,NO,PO,PS,PM,PB}.
Здесь 1-я буква в обозначении указывает знак числовой переменной и соответствует английскому слову Negative («отрицательное») или Positive («положительное»), 2-я буква говорит об абсолютном значении переменной: Big («большое»), Middle («среднее»),Small («малое») или O («близкое к нулю»). Например, символ NS означает «отрицательное малое».
В процессе работы ИСУ в каждый момент времени используется один из двух нечетких алгоритмов: по первому из них осуществляется регулирование давления в котле путем изменения подогрева пара НС, по второму поддерживается требуемая скорость изменения давления с помощью изменения положения регулирующего дросселя ТС
Реализация предложенных алгоритмов нечеткого управления при этом принципиально отличается от классических («жестких») алгоритмов, построенных на основе концепции обратной связи (Feed-back Control) и, по существу, просто воспроизводящих некоторую заданную функциональную зависимость или дифференциальное уравнение. Нечеткий регулятор берет на себя те функции, которые обычно выполняются опытным и умелым обслуживающим персоналом. Эти функции связаны с качественной оценкой поведения системы, анализом текущей меняющейся ситуации и выбором наиболее подходящего для данной ситуации способа управления объектом. Данная концепция управления получила название опережающего (или упреждающего) управления (Feed-Forward Control). Используя образное сравнение, можно сказать, что примерно так действует опытный теннисист, каждый раз варьируя свой удар, чтобы мяч летел по определенной, выбранной им траектории, тогда как теннисный автомат работает по жестко заданной программе, подавая мяч всегда в одну и ту же точку, по одной и той же траектории.
Блок - схема нечеткого регулятора в общем случае принимает вид, изображенный на рис. 27.10.
Как видно из данной схемы, формирование управляющих воздействий u1, u2,..., um включает в себя следующие этапы:
а) получение отклонений управляемых координат и скоростей их изменения - х1, х2,..., хn;
б) «фаззификация» этих данных, т.е. преобразование полученных значений к нечеткому виду, в форме лингвистических переменных;
в) определение нечетких (качественных) значений выходных переменных u1, u2,..., um (в виде функций их принадлежности соответствующим нечетким подмножествам) на основе заранее сформулированных правил логического вывода, записанных в базе правил;
г) «дефаззификация», т.е. вычисление реальных числовых значений выходов u1, u2,..., um, используемых для управления объектом.
Рис. 27.10. Блок-схема нечеткого регулятора
Помимо представленного на рис. 27.9 варианта «чистого» использования нечеткого управления, существуют и другие варианты построения ИСУ с нечеткими регуляторами. Так, в классической теории регулирования широкое распространение получило использование ПИД - регулятора, выходной сигнал которого вычисляется по формуле
.где параметры КП, КИ и КД характеризуют удельный вес соответственно пропорциональной, интегральной и дифференциальной составляющей и должны выбираться исходя из заданных показателей качества регулирования (время регулирования, перерегулирование, затухание переходных процессов). Возможное использование нечеткого регулятора (НР) для автоматической настройки (адаптации) указанных параметров ПИД - регулятора показано на рис. 27.11, а. Другие варианты применения НР - формирование уставок обычных регуляторов (рис. 27.11, б); подключение параллельно ПИД - регулятору (рис. 27.11, в); управление с предварительной оценкой характеристик сигналов (ОХС), получаемых с датчиков, на основе интерпретации их значимости, выделения обобщенных показателей качества и т. п. с последующей обработкой с помощью алгоритмов нечеткой логики (рис. 27.11, г).
Рис 44
Рис. 27.11. Структуры ИСУ с нечеткими регуляторами
В качестве предпосылок к применению нечетких регуляторов обычно называются:
большое число входных параметров, подлежащих анализу (оценке);
большое число управляющих воздействий (многомерность);
сильные возмущения;
нелинейности;
неточности математических моделей программы регулирования;
возможность использования технических знаний «know - how».
Подводя итог сказанному, отметим еще раз те области применения, в которых использование нечетких регуляторов оказывается более эффективным по сравнению с традиционными алгоритмами управления. Это:
1) приложения, которые пока были не связаны с автоматизацией, требующие применения «know - how», например, пивоварение (где можно воспользоваться знаниями экспертов с целью повышения качества продукции), подъемные краны (для повышения производительности работ) и т. п.;
2) приложения, в которых математические методы не работоспособны. Это очень сложные процессы, не поддающиеся математическому описанию, для управления которыми можно использовать, наряду с эмпирическими знаниями, также полученную измерительную информацию (например, о ходе химических процессов);
3) приложения, в которых стандартные регуляторы достаточно хорошо работают; однако управление на основе нечеткой логики предлагает в данном случае альтернативный способ решения задач регулирования, возможность работы с лингвистическими переменными, более широкие возможности для оптимизации.