
- •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
Визуализация нечеткого логического вывода. Агрегирование условий и активизация заключений.
Визуализация алгоритма нечеткого логического вывода. Рассмотрим изложенную технологию инференции применительно к рис. 2.8 и 2.10. Эти рисунки визуально отображают алгоритм, положенный в основу работы нечеткого ПД – контроллера. Например, первый ряд на рис. 2.8 говорит о том, что, если ошибка отрицательная (ряд 1, столбец 1) и скорость изменения ошибки отрицательная (ряд 1, столбец 2), то выход должен быть отрицательным и большим (по абсолютному значению).
Представленная на рис. 2.8 диаграмма целиком и полностью соответствует базовым правилам (2.2).
1.Если ошибка Отр и скорость изменения ошибки Отр, то выход ОтрБ.
2.Если ошибка Отр и скорость изменения ошибки Нуль, то выход ОтрС.
3.Если ошибка Отр и скорость изменения ошибки Пол, то выход Нуль.
4.Если ошибка Нуль и скорость изменения ошибки Отр, то выход ОтрС.(2.2)
5.Если ошибка Нуль и скорость изменения ошибки Нуль, то выход Нуль.
6.Если ошибка Нуль и скорость изменения ошибки Пол, то выход ПолС.
7.Если ошибка Пол и скорость изменения ошибки Отр, то выход ОтрБ.
8.Если ошибка Пол и скорость изменения ошибки Нуль, то выход ПолС.
9.Если ошибка Пол и скорость изменения ошибки Пол, то выход ПолБ.
Кстати число правил N, необходимых для обеспечения работоспособности нечеткого контроллера, определяется по формуле
,
где r – количество входов, ni – число термов для i-го входа. В данном случае r=2 (ошибка и скорость изменения ошибки), n1 =n2 =3, так что N=3*3=9.
Рис. 2.8
Эти правила воплощают стратегию (закон) управления, согласно которому управляющий сигнал должен быть комбинацией упоминаемой ошибки и скорости изменения ошибки в нечетком пропорционально-дифференциальном контроллере.
Мгновенные значения ошибки и скорости ее изменения определяют положение вертикальных линий в первом и втором столбцах диаграммы. В рассматриваемом случае ошибка e= e1=0 и скорость ее изменения ce= =ce1=-55.5. Для каждого правила алгоритм инференции отыскивает значения функций принадлежности в части условий (предпосылок, антецедент) правил, т.е. отыскивает степени принадлежности для каждого правила.
Агрегирование.
Агрегирование – операция, используемая
для вычисления степени
выполнения
или возбуждающей
силы
условия i
– го правила. Каждое правило, например
правило 1, порождает степень
принадлежности
,
соответствующую измеренному значению
ошибки,
и степень принадлежности
,
соответствующую измеренному значению
скорости
изменения ошибки.
Тогда агрегирование согласно (2.25) и
(2.28) является их конъюнкцией
.
Подобная операция осуществляется в отношении всех других правил. Агрегирование эквивалентно фаззификации, если контроллер имеет лишь один
входной сигнал. Агрегирование иногда называют выполнением левой части правил или вычислением возбуждающей силы.
Активизация. Активизация (активация) - нечеткий логический вывод
Рис. 2.9
(заключение) для каждого правила, возможно, связанный с ослаблением их возбуждающей силы. Длина черных линий в третьем столбце на рис. 2.8 согласно формуле активизации (2.17) определяет возбуждающую
силу каждого i-го правила. Причем активизирована лишь часть синглтонов, а именно синглтоны, соответствующие первому, второму, четвертому, пятому, седьмому и восьмому правилам. В качестве операторов конъюнкции (активизации) используются операторы min или алгебраического произведения *, которым соответствует, как говорят, min-активизация и prod-активизация. В данном случае (рис. 2.8) вид используемого оператора не играет никакой роли, т.к. функциями принадлежности выхода (управляющего сигнала) являются синглтоны. Однако в общем случае в третьем столбце фигурируют функции принадлежности другого вида, например, образные функции принадлежности. При этом prod-активизация (рис. 2.9,б) масштабирует график функции принадлежности выхода, таким образом, сохраняя его (графика) первоначальную форму и не ограничивая (не обрезая, не усекая) ее, как это имеет место при использовании min-активизации (рис. 2.9,а). Оба метода, в общем, работают хорошо, однако в результате использования операции алгебраического произведения (умножения) получаем несколько более сглаженный управляющий сигнал.
Правило с номером i может быть априорно взвешено с помощью весового коэффициента , который называют степенью уверенности (доверия). При этом возбуждающая сила (степень истинности) такого правила изменяется и принимает вид,
.
Степень доверия определяется проектировщиком системы или обучающая программа пытается путем изменения этой степени адаптировать правила так, чтобы они в наибольшей мере соответствовали некоторой приемлемой зависимости вход-выход.