
- •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
8. Проектирование нечетких контроллеров (метод Мамдани)
1. Нечеткий контроллер с одним входом и одним выходом
П
усть
нечеткое правило, установленное с
помощью экспертов, гласит: Если ошибка
e есть
,
то управление u
есть
.
(2.15). Это правило называется лингвистической
моделью нечеткого контроллера. В
результате измерений получено, что
ошибка принимает другое лингвистическое
значение, нечеткое множество
.
Делаем логический вывод: управление
есть
,
в такой же степени близкое множеству
,
в какой степени
близко к
.
Пусть ФП термов
и
определены и имеют вид
и
(рис. 2.7,а). Известна ФП
для
множества
.
Заметим, что множества
и
заданы на одном универсуме. При этом
степень истинности утверждения «нечеткое
множество
близко к множеству
»
определяется композицией (шаг 1 алгоритма
нечеткого логического вывода)
(2.16)
Рис. 2.7,а. Отсюда нечеткий логический
вывод (заключение) приводит к ФП (шаг 2
алгоритма нечеткого логического вывода)
,
(2.17) соответствующей
множеству
.
Операция (2.17) называется активизацией
правила. Весь алгоритм максиминной
инференции графически иллюстрируется
рис. 2.7,а. В системах управления
представляет собой, как правило, четкое
множество, включающее лишь один элемент
(e-четкая
(количественная) переменная),
и его можно рассматривать как нечеткое
множество с ФП
,
(2.18), т.е. как синглтон (четкое число).
Такой метод определения степени
принадлежности называется синглтонной
фаззификацией. При этом степень
истинности
,
(2.19), т.е. равна степени принадлежности
при
,
другими словами, степени принадлежности,
полученной при фаззификации (см. рисунок
ниже).
Д
ля
случая, когда
есть синглтон с ФП (2.18), то в соответствии
с (2.17)
(2.20). В дальнейшем нас будет интересовать
в основном только этот случай. Если
нечеткое множество
− синглтон с ФП
,(2.21)
то нечеткое множество
будет представлять собой также синглтон
с ФП
(2.22)
2. Нечеткий контроллер с двумя входами и одним выходом
Рассмотрим нечеткий логический вывод для контроллера с двумя входами и одним выходом.
а) Нечеткий контроллер описывается
одним правилом.Пусть нечеткое правило
является условным составным предложением
следующего вида:Если ошибка e
есть
и скорость изменения ошибки ce
есть
,То
управление u есть
.(2.22а).
Как видим, нечеткий контроллер имеет
два входа – ошибку и скорость ее
изменения. Правило (2.22а) можно записать
в виде Если вход e
есть
,
то управление u
есть
,
где
представляет собой конъюнкцию нечетких
множеств
и
:
,
(2.23) e
–фиктивный вход, эквивалентый в
некотором смысле двум входам. Предположим,
что в результате измерений установлено,
что ошибка есть нечеткое множество
и скорость изменения ошибки есть нечеткое
множество
.
Тогда можно считать, что нечеткому
множеству
соответствует множество
(2.24).
Степень истинности «утверждения
близко к A », другими
словами, степень выполнения условия
правила, определяется как конъюнкция
степеней
и
близости соответственно
к
и
к
:
,
(2.25), где
(2.26).
Операция (2.25) называется конъюнкцией
условий или агрегированием
условий. Если
и
четкие множества (e
и ce –четкие
(количественные переменные) e’
и ce’), другими словами,
синглтоны с ФП соответственно
,
(2.27), то степени истинности равны
,
(2.28), т.е. равны степеням принадлежности
множеств
и
,
полученным в процессе фаззификации.
Нечеткий логический вывод определяется,
как и прежде по (2.17),
,где
вычисляется с помощью (2.25). Если
и
четкие множества, то
.