- •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
33.Проектирование нечетких контроллеров(метод Мамдани). Многомерный нечеткий контроллер.
В случае если контроллер имеет один
выход u и r
входов x1,
x2,…,xr,
т.е., если каждая часть «Если» всех N
правил Если x1
есть A1i
и x2 есть
A2i
и … xr
есть Ari
, то u есть
Bi,
,
содержит r переменных,
то ФП выхода для i- го
правила определяется как
,
,
(2.32,а) где
,
(2.32,б) представляет собой конъюнкцию
условий i-го правила,
а композиция
,
,
(2.32,в) показывает насколько близко
множество
к множеству
.
Здесь предполагается, что в результате
измерений установлено, что x1
есть нечеткое множество
,
x2 есть нечеткое
множество
,
и, наконец, xr
есть нечеткое множество
,
Принимая во внимание полученные
выражения, приходим к формуле
,
позволяющей осуществить нечеткий логический вывод в самом общем случае. С учетом (2.32,б) , последнюю формулу можно записать в более простом виде
.(2.32,г).
Если все входы xk
,
,
представляют собой четкие переменные
(синглтонная фаззификация), то
,
.Отсюда
степень выполнения условий i-го
правила
,
и
.Набор
правил в форме конъюнкции условий
(предпосылок), также как и в случае r=2,
разбивает (разделяет) область входных
сигналов на решетку, но теперь уже из
нечетких «гипербоксов», параллельных
осям xk
,
.
Каждый из «гипербоксов» представляет
собой декартово произведение -
пространство, образованное пересечением
соответствующих одномерных нечетких
множеств. Это показано на рис. 2.7,в для
случая r=2 .
Кстати, число правил N,
необходимых для обеспечения
работоспособности нечеткого контроллера
(охвата всей области входов), определяется
по формуле
,(2.32,д)
где r –
количество входов, ni
– число термов для i-го
входа.
Реализация нечеткого логического вывода для многомерного нечеткого контроллера
В зависимости от операторов, используемых для реализации операций конъюнкции и дизъюнкции, различают два вида инференции (нечеткого логического вывода):
1. max/min (максиминная) инференция. При этом для реализации операций конъюнкции и дизъюнкции применяются операторы min и max соответственно. Тогда формула для нечеткого логического вывода (2.32,г) принимает вид
где
нечеткие логические выводы по каждому
правилу(2.32,а)
и степень истинности каждого правила
(2.32,б)
определяются соответственно как
,
,
,
.
Если все входы xk
,
,
представляют собой четкие переменные
(синглтонная фаззификация), то
.
2. max-prod инференция. Отличается от максиминной инференции тем, что для реализации конъюнкции служит оператор алгебраического произведения *,
так что
,
.
,
.
Выражения для
как для одного, так и для другого вида
инференции применимы только, если во
всех правилах фигурируют лишь связки
и. В противном случае, например,
когда в правилах встречается связка
или, то для ее реализации, разумеется,
надо использовать другой оператор,
например , max.
На рис. ниже для сравнения приведены результаты нечеткого логического вывода с применением двух вышеописанных способов инференции. При этом нечеткий контроллер имеет два входа , r=2.
Хотя в данном случае база знаний включает шесть правил, для простоты нечеткий логический вывод определяется с помощью двух правил:
Если ошибка
есть Пол (положительная) и изменение
ошибки
есть
Н (нуль), То управление
есть Н (нуль),
Если ошибка есть Отр (отрицательная) или изменение ошибки есть Отр (отрицательное), То управление есть Отр (отрицательное) .
Обратите внимание на вычисление степени
истинности
второго
правила с помощью операции max.
