- •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
44. Модель Такаги-Сугено как квазилинейное устройство
Модель ТС можно трактовать как квазилинейное (аффинное) устройство. Чтобы это показать, преобразуем выражение для выхода:
где коэффициенты
,
,
представляют собой линейные комбинации
параметров
,
,
,
а величина
я
вляется
нормированной степенью истинности
(возбуждающей силы) i-го
правила. Мы записали
явно как функцию e
и ce , чтобы
подчеркнуть, что контроллер Такаги-Сугено
является квазилинейной (аффинной)
моделью, т.е. линейной моделью, коэффициенты
которой зависят от входных сигналов.
Коэффициенты («параметры»)
,
и
являются выпуклой линейной комбинацией
параметров заключений
,
,
.
В этом смысле модель (контроллер) ТС
можно рассматривать как устройство,
преобразующее пространство входов
(условий) в пространство параметров
квазилинейной модели, как схематически
показано на рис. 4 для r=2,
N=9,
=0.
Примечание. Политоп – выпуклый многогранник.
Пример 2.4 (Такаги-Сугено). Пусть мы имеем два правила.
1. Если ошибка есть Большая, то выход есть Линия 1.
2. Если ошибка есть Малая, то выход есть Линия 2.
Линия 1 определяется уравнением
=0,2*ошибка+90
и линия 2 определяется как
=0,6*
ошибка +20. Эти правила осуществляют
интерполяцию двух линий в диапазоне
(рис. 5,a), где функции
принадлежности термов Большая и
Малая перекрываются (рис. 5,б). Вне
этого диапазона выход является линейной
функцией ошибки. Этот вывод вытекает
из выражения для выхода
.
Подобный вид модели нечеткого логического выхода используется в нейронечетких системах.
Чтобы применить данную модель, точнее
нейронечеткую систему, для моделирования
динамики конкретного объекта управления,
ее вход обычно расширяют за счет прошлых
значений сигналов входа u
и выхода y этого
объекта. В области дискретного времени
выход модели ym
с верхним индексом, относящимся к модели,
и выход объекта yp
с верхним индексом, относящимся к
объекту, связаны как ym[i+1]
=
(yp[i],…,
yp[i
− n+1];u[i],…,
u[i −
m+1]).Здесь
представляет собой нелинейную функцию,
связывающую выход и вход модели (т.е.
аппроксимацию функции f,
связывающей выход и вход этого объекта).
Разумеется, что речь идет о дискретной
модели объекта управления, как это видно
из уравнения для ym[i+1].
45. Контроллер типа Такаги-Сугено
Мы видели, что заключения в лингвистических моделях контроллеров являются нечеткими терм-множествами, однако они могут быть и четкими величинами, линейной комбинацией или даже нелинейной функцией четких входных сигналов. Общая структура N базовых правил Такаги-Сугено (ТС) для контроллера с r входами и одним выходом имеет следующий вид:
Если
e1
есть A1i,
e2
есть A2i,…,er
есть Ari,
то yi
= gi(e1,
e2,…,
er),
.
Здесь yi
– выход (заключение) i-го
правила, gi
– четкая функция входов ei,
,
которые в противоположность лингвистической
модели всегда представляют собой четкие
переменные. Простой пример (N=1).
Если ошибка есть Нуль и скорость ее
изменения есть Нуль, то выход u=c,
где c – не
нечеткая (четкая) постоянная. Эта модель
называется моделью ТС нулевого порядка,
и она идентична использованию синглтонов
в заключениях правил, т.е. синглтонной
модели. Несколько более сложное правило
выглядит так: Если ошибка есть Нуль и
скорость ее изменения есть Нуль, то
выход
u = a*( ошибка e) + b*( скорость изменения ошибки ce) + d, где a, b и d – постоянные.
Это модель ТС первого порядка с
одним правилом (N=1).
Инференция с несколькими правилами
осуществляется обычным способом, т.е.
степень истинности (возбуждающая сила)
,
вычисляется для каждого правила. Однако
в отличие от рассмотренного ранее метода
Мамдани заключение каждого правила
является линейной функцией входов,
например, ошибки и скорости ее изменения
.Заключение (выход) каждого правила
можно рассматривать как мобильный
синглтон, т. е. как синглтон, позиция
которого не фиксирована, а зависит от
текущих значений ошибки и скорости ее
изменения. Выход (заключение) всех правил
в этом методе в результате дефаззификации
определяется как взвешенное среднее
значение вкладов (метод центра тяжести),
вносимых каждым правилом
.
Такой контроллер, можно сказать, осуществляет нелинейную интерполяцию выходных сигналов N линейных контроллеров (рис. 1), каждый из которых в соответствии с одним из базовых правил вырабатывает сигнал, линейно зависящий, скажем, от ошибки и ее скорости изменения. При этом вклад каждого линейного контроллера в выходной сигнал нелинейного контроллера зависит от степени перекрытии ФП терм-множества входа. Это свойство весьма полезно для применения в нелинейных системах управления, где каждый контроллер работает лишь в отведенном ему подпространстве всего пространства состояний. Можно сказать, что базовые правила осуществляют плавную интерполяцию между плоскостями (в частном случае для одного входа (r=1) между прямыми линиями, см. рис. 2,а), наклон которых определяется коэффициентами линейных контроллеров.
