
- •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
Нечеткое инверсное управление и нечеткая система управления с внутренней моделью
Н
ечеткое инверсное управление. Самый простой метод спроектировать нечеткий контроллер, используя принцип разомкнутого управления (без обратной связи), в котором нечеткий контроллер является инверсией объекта управления (обратным объектом управления) (см. рисунок ниже). В случае нелинейной модели объекта в результате получаем нелинейный нечеткий контроллер и, следовательно, в идеале приходим к абсолютно инвариантной системе. Пусть ОУ описывается нелинейным уравнением
y[i+1]=f(x[i],u[i]),где
x[i]=(y[i-1],…,y[i-n+1], u[i],…,u[i-m+1])’.Выбирая контроллер u[i]=f -1(x[i],v[i+1]),получаем
y
[i+1]=v[i+1].
Однако мы должны иметь в виду, что объект
может обладать большим временем чистого
запаздывания и это обстоятельство
следует учитывать, и что для получения
инверсной модели надо очень хорошо
знать другие динамические и статические
свойства объекта. Кроме того, надо
понимать, что окончательная модель
объекта никогда не будет точной копией
реального объекта, и всегда имеют место
воздействующие на объект возмущения,
которые не были приняты в расчет при
моделировании. Если нелинейная нечеткая
модель найдена для частично неопределенного
и весьма сложного по своим свойствам
объекта, мы сталкиваемся с трудной
проблемой получения инверсной модели.
Кроме того, мы должны иметь в виду, что
алгоритм для вычисления инверсной
модели должен быть весьма быстрым, чтобы
можно ее было использовать в реальном
времени. Часто в качестве модели ОУ
используют синглтонную нечеткую модель
(см. далее). Этот тип модели принадлежит
к общему классу аппроксиматоров функций.
Другим типом модели, которая может быть
точно инвертирована, является модель
типа Такаги-Сугено.Мы должны помнить,
что метод, основанный на инверсии, можно
только применять к устойчивым ОУ с
минимально-фазовыми свойствами. Мы
обычно подразумеваем частичную, а не
глобальную инверсию.Это означает, что
в случае использования нечеткой модели
для объекта с одним входом и одним
выходом, для которой (нечеткой модели)
дополнительными входами являются
переменные состояния x1,x2,…,xn,
только одна из переменных состояния x1
становится выходом инверсной модели,
и выход модели y становится
входом инверсной модели (см. рисунок
выше).
У
правление
с нечеткой внутренней моделью. Чтобы
преодолеть те проблемы, которые возникают
при использовании метода, рассмотренного
в предыдущем пункте и связанного с
разомкнутой системой, было предложено
дополнить структуру с инверсным
управлением обратной связью. Это привело
к появлению еще одного из возможных
путей использования нечетких правил −
применению управления с нечеткой
внутренней моделью (УВМ). При этом
функциональная схема системы управления
(рис. 2.4) включает в себя, наряду с объектом
управления (ОУ), три элемента: 1) нечеткую
модель объекта управления, позволяющую
предсказать реакцию ОУ на приложенное
к нему управляющее воздействие u(t);
2) нечеткий инверсный контроллер,
построенный как обратная нечеткая
модель объекта управления; 3) фильтр,
расположенный в цепи обратной связи.
Если нечеткая модель точно описывает
свойства объекта управления, и
отсутствуют (идеальный случай) измеряемое
возмущающее воздействие f(t),
приведенное к выходу объекта, и не
измеряемое возмущающее воздействие
fP(t),
сигнал обратной связи
(t)
равен нулю и система работает как
разомкнутая система. В случае, когда
модель объекта идеальна, но имеет место
измеряемое возмущение, сигнал обратной
связи равен
(t)=
f(t) и не
влияет непосредственно на управляющее
воздействие, а просто вычитается из
задающего воздействия v(t).
В результате полностью исключается
влияние f(t)
на управляемую величину y(t).
Фильтр вводится в обратную связь
с целью повысить робастность системы
к неопределенности модели объекта,
учитываемой как действие не измеряемого
возмущения fp(t),
и к шуму измерения. Если ошибки
моделирования большие, то система может
стать неустойчивой. При этом за счет
фильтра можно избежать неустойчивой
работы за счет снижения значений АЧХ
разомкнутой системы на высоких частотах.
Однако если ОУ проявляет нелинейные
свойства, то нет возможности спроектировать
фильтр заранее с учетом ошибок
моделирования и возмущающих воздействий.
Это обстоятельство представляет собой
основную трудность проектирования
такой системы.