- •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
Модель Такаги-Сугено как квазилинейное (аффинное) устройство. Модель Такаги-Сугено как квазилинейное устройство
Модель ТС можно трактовать как квазилинейное устройство. Чтобы это показать, преобразуем выражение для выхода:
где коэффициенты
, ,
представляют собой линейные комбинации параметров , , , а величина
является 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.
Рис. 4
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.
Рис. 5
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].
Контроллер типа Такаги-Сугено.
Контроллер (модель) 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 – функция входов ei, , которые в противоположность лингвистической модели 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 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
Рис. 1
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. 3, 5), наклон которых определяется коэффициентами линейных контроллеров. На рис. 2 в качестве примера для N=4, r=2 показаны желтым цветом плоскости управления для 4-х линейных контроллеров и поверхность управления для контроллера Такаги-Сугено первого порядка при двух термах для каждого входа с трапецевидными функциями принадлежности.
Рис. 2
Заметим, что возможно применение моделей ТС более высокого порядка, чем первый.
Если ФП терм входов определены автономно, кроме участков перекрытия друг с другом, и параметры заключений , соответствуют локальной аппроксимации функции u=f(e), r=1, N=3, модель ТС можно рассматривать как устройство, осуществляющее гладкую аппроксимацию этой функции (рис. 3).
Рис. 3
