- •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
56. Синтез нечеткой обратной связи
Синтез контроллеров на основе общей квадратичной функции Ляпунова для объектов, моделями которых являются ТС нечеткие модели, был разработан за последние несколько лет. Проблема может быть успешно решена средствами технологии ЛМН (линейные матричные неравенства).
Рассмотрим ТС нечеткую систему (объект), описываемую правилами
Если x1 есть A1l …и xn есть Anl, то x[i+1]= Alx[i]+ Blu[i], y[i] = Clx[i], l= , (1)
или эквивалентно x[i+1]= A( )x[i]+B( )u[i], y[i] = C( )x[i], (2)
где (3)
есть нормированная степень истинности условий l – го правила, определяемая выражением . (4) Здесь (5) степень истинности l-го правила, и есть степень принадлежности переменной состояния xi к нечеткому множеству Ail. Прежде всего, введем понятие локальной управляемости. Если пары матриц (Al, Bl), l= , полностью управляемы, то объект (1), следовательно, и (2) называется локально управляемым. При проектировании контроллеров будем считать, что система (1) локально управляемая.
*
*
Система является полностью управляемой,
если существует управляющий сигнал
,
который переводит систему из нулевого
начального состояния x(0)=0
в момент t0=0
в любое другое состояние x(t)
за конечное время t.
Используем концепцию параллельно
распределенной компенсации (ПРК),
чтобы спроектировать контроллеры для
ТС нечеткой системы (объекта). Идея
такого способа заключается в том, чтобы
спроектировать контроллер для каждого
правила нечеткой модели. Рис. 1 иллюстрирует
концепцию ПРК проектирования. В
качестве локальных контроллеров
используются статические контроллеры,
другими словами нечеткие локальные
обратные связи по состоянию. При этом
каждый контроллер использует те же
самые левые части соответствующего
правила, что и система (объект) (1), т.е.
описывается ТС нечеткой моделью
Если x1 есть
A1l
…и xn
есть Anl,
то u[i],
= - Klx[i],
l=
,
(12), где Kl
матричный коэффициент локальной
обратной связи по состоянию. Отсюда
нечеткий глобальный контроллер
(нечеткая глобальная обратная связь по
состоянию) определяется как u[i]=
- K(
)x[i]=
-
.
(13). Подставляя (13) в (1) с учетом
(3), получаем описание замкнутой нечеткой
системы управления, состоящей из объекта,
представленного ТС моделью (2) и охваченного
нечеткой глобальной обратной связью
по состоянию (13):
(14). Обозначая
,
запишем (14) как
.
Применяя Теорему 1, получаем следующее достаточное условие устойчивости.
Теорема 1: ТС нечеткая система, описываемая уравнением (1) или, что эквивалентно, уравнением (2), глобально (в целом) экспоненциально устойчивая, если
a) существует положительно определенная матрица P такая, что удовлетворяется следующее линейное матричное неравенство (ЛМН): l= , (10), или
b) существует положительно определенная матрица X такая, что удовлетворяется следующее линейное матричное неравенство (ЛМН): < 0, l= .(11)
Теорема 2. Состояние равновесия
нечеткой замкнутой системы (14) является
экспоненциально устойчивым в целом,
если существует общая положительно
определенная матрица P
такая, что
(15), для
.
При этом нетрудно придти к следующему
достаточному условию устойчивости
,
l=
,
(16). Используя
дополнение Шура, эту теорему можно
сформулировать в рамках ЛМН так:
Состояние равновесия нечеткой замкнутой системы (14) является экспоненциально устойчивым в целом, если существуют положительно определенная матрица X и множество матриц Ql , l= , такие, что удовлетворяется следующее ЛМН неравенство
,
l,j
=
.
(18)
При этом коэффициенты локальной
матричной обратной связи по состоянию
(локальный нечеткий контроллер)
определяются как
,
l=
.
(19)
