- •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
27. Упрощение алгоритма нечеткого логического вывода.
П
режде
чем описывать механизм инференции
(нечеткого логического вывода),
используемый при проектировании нечетких
контроллеров, снова обратимся к ОМП
(обобщенному правилу модус поненс),
рассмотренному в первой главе. Мы вновь
касаемся этого вопроса, потому что
алгоритм инференции при проектировании
нечетких контроллеров является упрощенным
по сравнению с алгоритмом, с которым вы
познакомились в упомянутой главе.
Правило ОМП записывается как
.
Лингвистический смысл этого правила
заключается в следующем. Пусть высказывания
,
,
,
представляют собой четыре лингвистических
переменные, каждая из которых может
принимать лишь одно значение (один
терм), другими словами, каждое из
высказываний есть нечеткое множество.
Известно из опыта работы или по мнению
экспертов, что нечеткое множество
влечет за собой нечеткое множество
.
В результате измерения (наблюдения)
установлено, что на самом деле имеет
место нечеткое множество
в какой-то степени близкое к множеству
.
Тогда интуитивно на основании правила
ОМП мы приходим к выводу, что нечеткое
множество
влечет за собой нечеткое множество
,
близкое множеству
в такой же степени, в какой множество
близко к множеству
.
Степень выполнения условия (скалярная
величина)
,
другими словами, степень истинности
высказывания «множество
близко множеству
»
определяется как максиминная композиция
между этими множествами
,
(2.10) причем
.
Здесь
и
соответственно функции принадлежности
(ФП) множеств
и
(см.
рисунок ниже). Очевидно, что, если
нечеткое множество
равно нечеткому множеству
,
так что
=
,
и функция принадлежности
нормализована, то степень истинности
=1.
Важный момент: в соответствии с ОМП
композиция между множествами
и
должна быть равна
,
т.е.
(2.11). Отсюда делаем нечеткий логический
вывод о том, что нечеткое множество
определяется функцией принадлежности
.
(2.12). Здесь под
операцией
понимается min.
Легко показать, что композиция
,
отражающая степень близости множеств
и
,
равна
.
Действительно, учитывая (2.12) и принимая
во внимание, что для множества
справедливо соотношение
,
(2.13) получаем
.
(2.14)
Рассмотренный упрощенный метод нечеткого
логического вывода разработан Мамдани
и носит название максиминной инференции
или инференции Мамдани. По сравнению с
методом, описанным в разделе 1.4.3 и в
соответствии с которым множество
определяется согласно (1.19) как композиция
множества
и отношения
метод
Мамдани позволяет избежать вычисления
отношения
для получения окончательного результата,
что является его достоинством, т.к.
позволяет обойтись без дискретизации
отношения
и последующего сохранения в памяти его
элементов. Дадим более строгое
доказательство (2.12). Так как операции
по определению внешнего и внутреннего
произведений в (1.19) осуществляются в
различных универсумах (областях), то
можно изменить их (операций) порядок:
где
постоянная
определяется выражением (2.10). В силу
постоянства
(
=const)
внешнее произведение
эквивалентно операции
.
Отсюда приходим к полученному интуитивно
выражению (2.12) для ФП нечеткого множества
.
Как видим, метод Мамдани вытекает из
метода, основанного на композиции
множества
и отношения
.
