
- •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
37. Табличное изменение коэффициента усиления (супервизорное управление)
Рассмотрим
использование контроллера Такаги-Сугено
для супервизорного управления, понятие
о котором было дано в параграфе 2.1. Пусть
объект управления с существенно
нелинейными свойствами (коэффициент
усиления объекта y2(t)
зависит от управляемой величины y(t))
описывается уравнением
.Структуру
данного объекта можно представить как
линейная часть с передаточной функцией
,
охваченная квадратичной обратной связью (рис.6). Цель управления заключается в том, чтобы обеспечить стабилизацию системы при изменении рабочей точки (состояния равновесия), т.е. значения y=const, в широких пределах при условии, что y 0. Проблемы, возникающие при использовании для этой цели четкого пропорционального регулятора с фиксированным коэффициентом усиления kp, сводятся к следующему:
1.устойчивость и качество системы в сильной степени зависят от значения управляемой величины в состоянии равновесия;
2.настройка (подбор) коэффициента усиления kp не позволяет добиться желаемой цели.
О тсюда приходим к выводу, что единственный путь решения поставленной задачи применить нелинейный закон управления, а именно, супервизорное управление, которое бы изменяло коэффициент усиления по нелинейному закону в зависимости от управляемой величины у. Предположим, что мы нашли желаемый закон изменения коэффициента усиления регулятора, обеспечивающий требуемое качество управления (рис.7).
Для реализации желаемого закона управления можно использовать различные способы аппроксимации, в частности, кусочно-линейную аппроксимацию или метод задания таблиц (look-up table) . Однако более удобно с точки зрения точности и быстроты вычислений применить нечеткий контроллер типа Такаги-Сугено. Заметим, что с помощью нечеткой логики можно, используя правила и функции принадлежности обеспечить аппроксимацию любой непрерывной функции с любой требуемой точностью, т.е. нечеткая модель Такаги-Сугено (ТСМ) при соответствующем выборе параметров является универсальным аппроксиматором непрерывной вещественной функции, которая определена в замкнутом и ограниченном множестве Rn . Это означает, что для любого >0 и для любой непрерывной функции g(x) существует ТСМ такая, что g(x) - y(x) < , где y(x) является выходом ТСМ. Рис. 7 иллюстрирует, каким образом можно аппроксимировать желаемую кривую изменения коэффициента усиления регулятора, используя три точки (другими словами, три правила) и тем самым осуществить супервизорное управление. Разумеется, чтобы повысить точность аппроксимации (подобно тому, как это делается в ряде Фурье), нужно еще добавить точки, и следовательно, правила, которые очевидно улучшат качество управления. Нечеткий контроллер, используемый для аппроксимации, значительно проще реализовать и настроить с помощью средств вычислительной техники, чем таблицы задания и кусочно-линейный аппроксиматор. В данном случае базовые правила выглядят так:
Если управляемая величина y большая, То коэффициент kp1,
Е
сли
управляемая величина y
средняя, То коэффициент kp2,
Если управляемая величина y малая, То коэффициент kp3.
При этом (смотри формулу).
Правила не аналогичны методу заданию таблиц, т.к. нечеткая арифметика интерполирует форму нелинейной функции. Показано, что объем памяти, требуемый для сохранения информации о функциях принадлежности и правил, значительно меньше, чем для таблиц задания, в особенности для систем с несколькими входами. В результате скорость вычислений может быть также повышена.