- •1.Коньюнкция условий и разбиение пространства входа.
- •Композиция нечетких отношений.
- •Нечеткое инверсное управление и нечеткая система управления с внутренней моделью
- •Алгоритм жесткой кластеризации.
- •Операции над нечеткими множествами. Модификаторы.
- •8. Проектирование нечетких контроллеров (метод Мамдани)
- •2. Нечеткий контроллер с двумя входами и одним выходом
- •9.Нечеткая система управления с плановым изменением коэффициента.
- •10. Оценка параметров заключений по (мнк)
- •11. Адаптивные нейронные нечеткие системы инференции (anfis)
- •12.Импликация Мамдани. Внешнее произведение.Таблица импликаци
- •13. Нечеткая идентификация. Структура и параметры.
- •14. Нечеткий логический вывод для нескольких правил и нескольких входов.
- •Несколько входов (многомерная лингвистическая модель)
- •16. Функциональная схема нечеткого контроллера
- •17. Отношения между нечеткими множествами
- •18. Алгоритм нечеткой кластеризации с-средних
- •19. Моделирование статических объектов упр-я как аппроксимация функций с помощью нейронных сетей (есть только для динамических объектов)((((((((
- •20. Анализ устойчивости тс модели объекта управления в пространстве состояний.
- •22. Нечеткий логический вывод с исп-м отношений. Пример
- •24. Визуализация алгоритма нечеткого логического вывода.
- •25. Понятия о нечетких множествах
- •26. Обучение нейронной сети. Общие сведения.
- •27. Упрощение алгоритма нечеткого логического вывода.
- •28. Обратное распространение ошибки
- •29. Визуализация нечеткого логического вывода.Аккумуляция.
- •30. Параметры алгоритма с-средних
- •31. Проектирование нечетких контроллеров (метод Мамдани)
- •32. Нечеткая логика. Логические связки.
- •33.Проектирование нечетких контроллеров(метод Мамдани). Многомерный нечеткий контроллер.
- •34. Алгоритм обучения anfis
- •35. Максиминная композиция нечетких отношений. Внутренне произведение. Пример.
- •36. Преобразование вход-выход. Кривая управления. Пов-ть управления.
- •37. Табличное изменение коэффициента усиления (супервизорное управление)
- •38. Алгоритм нечеткой кластеризации Густафсона–Кесселя.
- •39. Генетические алгоритмы
- •40. Извлечение правил с помощью кластеризации
- •41.Нечеткий сумматор для контроллеров с 2 входами и 1 выходом
- •42. Нейросетевое прямое и косвенное адаптивное управление с эталонной моделью
- •43. Обратное распространение ошибки. Обновление весовых коэф-в скрытых слоев. Локальные градиенты.
- •44. Модель Такаги-Сугено как квазилинейное устройство
- •45. Контроллер типа Такаги-Сугено
- •46. Нейросетевое управление с адаптивной линеаризацией обратной связью
- •48. Такаги-Сугено модель оу в пространстве состояний
- •49. Нечеткие множества. Синглтоны и лингвистические переменные.
- •50. Моделирование нелинейных динамических оу с помощью нейронных сетей
- •51. Структура интеллектуальной системы управления
- •52. Многослойная нейронная сеть
- •53. Дефаззификация. Методы дефаззификации.
- •54. Нейронная сеть с радиальными базисными функциями
- •56. Синтез нечеткой обратной связи
- •57. Линейные матричные неравенства, основные понятия.
- •58. Аппроксимация функций (моделирование) с помощью нейронных сетей (персептронов)
- •59. Классификация генетических нечетких систем
- •60. Синтез нейронных нечетких сетей. Структура anfis
- •19. Моделирование статических объектов управления как аппроксимация функций с помощью нейронных сетей.
- •Адаптивные нейронные нечеткие системы интерференции (anfis). . Синтез нечетких нейронных сетей
- •5.1. Введение
- •Адаптивные нейронечеткие системы инференции (anfis)
- •Импликация Мамдани. Внешнее произведение. Таблица импликации.
- •Нечеткая идентификация. Структура и параметры
- •Нечеткий логический вывод для нескольких правил и нескольких входов.
- •1. Настройка пид-регулятора
- •3. Перенос параметров пид-регулятора в нечеткий контроллер
- •Анализ устойчивости тс модели объекта управления в пространстве состояний. Анализ устойчивости тс модели объекта
- •1. Настройка пид-регулятора
- •Нечеткий логический вывод (инференция). Пример.
- •Визуализация нечеткого логического вывода. Агрегирование условий и активизация заключений.
- •Математическая модель нейрона. Математическая модель нейрона
- •Нечеткое управление с предсказанием.
- •Визуализация нечеткого логического вывода. Аккумуляция заключений.
- •5.1. Введение
- •Алгоритм обучения anfis
- •Максиминная композиция нечетких отношений. Внутреннее произведение. Пример.
- •Преобразование вход-выход для нечетких контроллеров. Кривая управления и поверхность управления.
- •2.4. Преобразование вход-выход
- •Табличное изменениекоэффициентаусиления (супервизорное управление).
- •2.8. Табличное изменение коэффициента усиления (супервизорное управление)
- •Алгоритм нечеткой кластеризации Густафсона-Кесселя.
- •Генетические алгоритмы. Генетические алгоритмы
- •Модель Такаги-Сугено как квазилинейное (аффинное) устройство. Модель Такаги-Сугено как квазилинейное устройство
- •Контроллер типа Такаги-Сугено.
- •Деффазификация. Методы деффазификации.
- •2.2.5. Дефаззификация
- •Теорема б универсальной аппроксимации.
- •Такаги-Сугено модель объекта управления в пространстве состояний.
- •Табличный контроллер. Билинейная интерполяция.
- •2.3. Табличный контроллер
- •Моделирование нелинейных динамических объектов управления с помощью нейронных сетей.
- •Моделирование нелинейных динамических процессов (объектов)
- •Упрощение алгоритма нечеткого логического вывода.
- •Обратное распространение ошибки. Обновление весовых коэффициентов выходного слоя.
- •4.6. Обратное распространение ошибки
- •Структура интеллектуальной системы управления.
- •Многослойная нейронная сеть. Многослойная нейронная сеть
- •5.1. Введение
- •Структура anfis
14. Нечеткий логический вывод для нескольких правил и нескольких входов.
Базовые правила обычно содержат несколько правил. Остановимся на том, каким образом мы их объединяем. Обратимся к простым базовым правилам:Если уровень есть НИЗКИЙ (A1), то сигнал (V1) есть ОТКРЫТЬ (B1) (1.21)Если уровень есть ВЫСОКИЙ (A2), то сигнал (V1) есть ЗАКРЫТЬ (B2).
и найдем лингвистическую модель, связывающую переменные уровень и входной сигнал вентиля.
Мы неявно предполагаем наличие связки
или между правилами, так что отношение
между предпосылкой и заключением правил
записывается, как R1
R2,
где R1
низкий
открыть
есть импликация
для первого, а R2
высокий
закрыть − импликация
для второго правила. Нечеткое отношение
R, представляющее
оба правила (1.21), вычисляется как
логическое или двух таблиц для
R1 и R2
элемент за элементом (поэлементный
максимум). В общих обозначениях для N
правил, мы имеем
Теперь
все правила отображаются как одно
нечеткое множество R
и выход лингвистической модели
представляет собой максиминную композицию
.
При этом инференция осуществляется
над отношением R.
Пример 1.14 (ОМР, два правила). Дополним рассмотренное в примере 1.12 правило «Если уровень есть НИЗКИЙ, то входной сигнал V1 вентиля ОТКРЫТЬ» с термами (нечеткими множествами) НИЗКИЙ (A1) и ОТКРЫТЬ (B1), определяемыми c помощью дискретных функций принадлежности как
а1= низкий = [1 0,75 0,5 0,25 0], b1= открыть = [0 0,5 1], еще одним правилом «Если уровень есть ВЫСОКИЙ, то входной сигнал V1 вентиля ЗАКРЫТЬ» с переменными (нечеткими множествами) ВЫСОКИЙ (A2) и ЗАКРЫТЬ (B2), определяемыми c помощью дискретных функций принадлежности как a2= высокий = [0 0,25 0,5 0,75 1 ], b2=закрыть = [1 0,5 0].
Нечеткое отношение R1 низкий открыть, другими словами, импликация и нечеткое отношение R2 высокий закрыть − импликация для второго правила в соответствии с (1.13) вычисляется по следующей схеме
.
О
тсюда
Нечеткое отношение R= R1 R2 есть логическое или двух отношений R1 и R2 элемент за элементом (поэлементный максимум):
Изображенные на этом рисунке отношения
вычисляются с помощью значительно
меньшего шага квантования сигналов
«уровень» и «входной сигнал вентиля»,
обозначенных соответственно как x
и y, по сравнению с
функциями принадлежности ai
и bi,
(i=1,2). Т.е. путем
использования дискретных функций
принадлежности, получаемых из непрерывных
функций принадлежности (рис. 1.7), путем
более «частого» квантования.
В
соответствии с полученным изображением
отношения R
лингвистическая модель,
связывающая сигналы y
и x, называется нечетким
графом. Рис. 1.6 показывает нечеткий
граф для нашего примера (другими словами,
изолинии для R, где
степень затемнения соответствует
степени принадлежности). Самые темные
участки говорят о том, что значения y
и x связаны со степенью
1, более светлые свидетельствуют о более
слабой связи.
Нечеткую композицию
=
v1 =
R можно трактовать
как вычисление значения функции на
нечетком графе, а последний как нечеткую
функцию. На рис. 1.9 дана геометрическая
интерпретация вычисления значений
нечеткой функции при четком (синглтон)
и нечетком (нечеткое множество) аргументах
в самом общем случае.
Для рассматриваемого примера возможную четкую функцию, отражающую связь y и x, можно представить в виде сплошной прямой (рис. 1.8).
