
- •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
24. Визуализация алгоритма нечеткого логического вывода.
Р ассмотрим изложенную технологию инференции применительно к рис. 2.8 и 2.10. Эти рисунки визуально отображают алгоритм, положенный в основу работы нечеткого ПД – контроллера. Например, первый ряд на рис. 2.8 говорит о том, что, если ошибка отрицательная (ряд 1, столбец 1) и скорость изменения ошибки отрицательная (ряд 1, столбец 2), то выход должен быть отрицательным и большим (по абсолютному значению).
Представленная на рис. 2.8 диаграмма целиком и полностью соответствует базовым правилам (2.2).
1.Если ошибка - и скорость изменения ошибки -, то выход ОтрБ.
2.Если ошибка - и скорость изменения ошибки 0, то выход ОтрС.
3.Если ошибка - и скорость изменения ошибки +, то выход Нуль.
4.Если ошибка 0 и скорость изменения ошибки -, то выход ОтрС.(2.2)
5.Если ошибка 0 и скорость изменения ошибки 0, то выход Нуль. 6.Если ошибка Нуль и скорость изменения ошибки Пол, то выход ПолС. 7.Если ошибка Пол и скорость изменения ошибки Отр, то выход ОтрБ. 8.Если ошибка Пол и скорость изменения ошибки Нуль, то выход ПолС. 9.Если ошибка Пол и скорость изменения ошибки Пол, то выход ПолБ.
В данном случае r=2 (ошибка и скорость изменения ошибки), число термов по каждому входу n1 =n2 =3, так что в соответствии с (2.32,д) требуемое число правил N=3*3=9. Число термов выхода q = 5<9.
Эти правила воплощают стратегию (закон) управления, согласно которому управляющий сигнал должен быть комбинацией упоминаемой ошибки и скорости изменения ошибки в нечетком пропорционально-дифференциальном контроллере. Мгновенные значения ошибки и скорости ее изменения определяют положение вертикальных линий в первом и втором столбцах диаграммы. В рассматриваемом случае ошибка e= e’=0 и скорость ее изменения ce= =ce’ =-55.5. Для каждого правила алгоритм инференции отыскивает значения функций принадлежности в части условий (предпосылок, антецедент) правил, т.е. отыскивает степени принадлежности для каждого правила (синглтонная фаззификация).
Агрегирование (конъюнкция) условий.
Агрегирование – операция, используемая
для вычисления степени выполнения
(истинности) или возбуждающей силы
условий i – го правила.
Каждое правило, например правило 1,
порождает степень принадлежности
,
соответствующую измеренному значению
ошибки, и степень принадлежности
,
соответствующую измеренному значению
скорости изменения ошибки. Тогда
агрегирование согласно (2.25) и (2.28) является
их конъюнкцией
.
Подобная операция осуществляется в
отношении всех других правил. Агрегирование
условий эквивалентно фаззификации,
если контроллер имеет лишь один входной
сигнал. Агрегирование условий иногда
называют выполнением или вычислением
возбуждающей силы левой части
правил.
Активизация. Активизация
(активация) - нечеткий логический
вывод (заключение) для каждого правила,
возможно, связанный с ослаблением
их возбуждающей силы заключения. Длина
черных вертикальных линий в третьем
столбце на рис. 2.8 согласно формуле
активизации (2.17)
определяет возбуждающую силу заключения
каждого i-го
правила. Причем активизирована лишь
часть синглтонов, а именно синглтоны,
соответствующие первому, второму,
четвертому, пятому, седьмому и
восьмому правилам. В качестве
операторов конъюнкции (активизации)
используются операторы min
или алгебраического произведения *,
которым соответствует, как говорят,
min-активизация и
prod-активизация. В
данном случае (рис. 2.8) вид используемого
оператора не играет никакой роли, т.к.
функциями принадлежности выхода
(управляющего сигнала) являются
синглтоны.
Однако в общем случае в третьем столбце
фигурируют функции принадлежности
другого вида, например,
образные
функции принадлежности. При этом
prod-активизация
(рис. 2.9,б) масштабирует график функции
принадлежности выхода, таким образом,
сохраняя его (графика) первоначальную
форму и не ограничивая (не обрезая, не
усекая) ее, как это имеет место при
использовании min-активизации
(рис. 2.9,а). Оба метода, в общем, работают
хорошо, однако в результате использования
операции алгебраического произведения
(умножения) получаем несколько более
сглаженный управляющий сигнал. Правило
с номером i может быть
априорно взвешено с помощью весового
коэффициента
,
который называют степенью уверенности
(доверия). При этом возбуждающая сила
(степень истинности) такого правила
изменяется и принимает вид,
.
Степень доверия определяется
проектировщиком системы или обучающая
программа пытается путем изменения
этой степени адаптировать правила так,
чтобы они в наибольшей мере соответствовали
некоторой приемлемой зависимости
вход-выход.