Алгоритмы нечеткого нейронного и нейро-нечеткого управления в систем
..pdfный алгоритм более эффективен, чем метод Уидроу–Хоффа, у которого уточнение всех параметров производится параллельно и одновременно.
m
В сети TSK результатом является полином сi0 cij x j , тогда как
j 1
в сети Ванга-Менделя выходная переменная представляется константной сi , которую можно рассматривать как полином нулевого порядка.
Поэтому рассмотрим нечеткую нейронную продукционную сеть ВангаМенделя как частный случай сети TSK.
Нечеткая нейронная продукционная сеть Ванга-Менделя
Сеть ANFIS с применением алгоритма Ванга-Менделя основана на правилах [5]:
Пi :Если xi есть Ai1 и…и x j есть Aij и…и xim есть Aim , то
y Bi / , j 1,...n .
Данная нечеткая адаптивная сеть базируется на следующих положениях:
–входные переменные являются четкими;
–функции принадлежности всех перечисленных множеств определены функцией Гаусса;
–нечеткая импликация Ларсена – нечеткое произведение;
–Т-норма – нечеткое произведение;
–композиция не производится;
–метод дефаззификации – средний центр.
Исходя из этих предпосылок нечеткий вывод для данной модели имеет следующий вид:
μ |
y sup |
|
μ x |
T μ |
Ai Вi |
x, y |
sup |
|
μ x μ |
Ai Вi |
x, y |
|
|||||||||||||||||
|
Вi |
|
x X |
Ai |
|
|
|
|
|
|
x X |
Ai |
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
sup |
μ |
x |
μ |
Aij |
x |
μ |
Вi |
y |
|
sup μ |
Вi |
y |
|
m |
μ |
|
x |
j |
μ |
Aij |
|
x |
|
. (2.15) |
|||||
x X |
|
Ai |
|
|
|
|
|
|
|
|
|
|
|
Aij |
|
|
|
j |
|
||||||||||
|
|
|
|
|
|
|
|
|
|
x1...xm X |
|
|
|
|
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|
Учитывая, что входные переменные x j ,..., xm являются четкими, (2.15) принимает следующий вид:
μВi y μВi y m μАij x j . j 1
141
Аккумулирования активизированных заключений правил не проводится, а методом дефаззификации является метод среднего центра, поэтому выходная переменная определяется следующим образом:
|
n |
(argmax |
|
y |
|
y ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
n |
(arg maxμ |
|
|
y μ |
|
y |
m |
|
μ |
|
|
) |
||||||||||||||||||
|
|
|
y |
Bi |
|
|
Bi |
|
|
|
|
|
|
|
|
Bi |
|
|
|
x |
|||||||||||||||
y |
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
Bi |
|
|
|
Aij |
j |
|
. (2.16) |
||||||||||
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
j 1 |
|
|
|
|
|||||||
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
Bi y |
|
|
|
|
|
|
|
|
|
|
|
n |
(μB y m |
|
μA xj ) |
|
|
|
|
|||||||||||||
|
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
ij |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|||
С учетом того, что максимальное значение, |
которое Bi |
y может |
|||||||||||||||||||||||||||||||||
принять в точке arg max B |
y равно единице, (2.16) примет вид |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
y |
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
xj ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(arg maxμBi y μAij |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
y |
i 1 |
|
|
|
y |
|
|
|
|
|
|
j 1 |
|
|
|
|
|
|
. |
|
|
|
|
|
|
|
(2.17) |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
n |
|
m |
|
|
|
|
xj |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
μAij |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
i 1 |
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
В случае функции принадлежности всех нечетких множеств вида |
|||||||||||||||||||||||||||||||||||
функцией Гаусса выражение (2.17) примет вид |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
n |
|
|
|
|
|
|
y c |
m |
|
|
|
|
xj |
aij |
|
|
|
|
|
|
|||||||||||
|
|
|
|
(arg max(exp |
|
|
|
|
i |
)) exp |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
di |
|
|
|
|
|
bij |
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
i 1 |
|
|
y |
|
|
|
|
|
|
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
, |
|
|
(2.18) |
||
|
|
|
|
|
|
|
n |
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
exp |
|
xj aij |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
bij |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
i 1 |
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где ci, di – соответственно центры и ширина гауссовских функций, представляющих функции принадлежности нечетких множеств Bi (заключений правил); aij ,bij – соответственно центры и ширина гауссов-
ских функций, представляющих функции принадлежности нечетких множеств Aij (предпосылок правил).
В окончательном виде (2.18) преобразуется в
|
n |
|
m |
|
|
|
|
|
|
||
|
c |
exp |
x j aij |
|
|
|
|||||
|
|
|
|||||||||
|
i 1 |
i |
j 1 |
|
|
bij |
|
|
|
||
y |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
. |
(2.19) |
|||
n |
|
m |
|
|
aij |
|
|||||
|
|
|
exp |
x j |
|
|
|||||
|
|
bij |
|
||||||||
|
i 1 |
|
j 1 |
|
|
|
|
||||
|
|
|
|
|
|
142
На рис. 2.27 представлена структура нечеткой продукционной сети Ванга-Менделя, элементы слоев которой реализуют соответствующие компоненты выражения (2.19).
Структура сети Ванга-Менделя
Рис. 2.27. Структура нечеткой нейронной продукционной сети Ванга-Менделя
143
В слое 2, число элементов которого равно числу количества правил в базе, осуществляется агрегирование степеней принадлежности предпосылок соответствующих правил.
В слое 3 первый элемент служит для активизации заключений правил сi в соответствии со значениями агрегированных в предыдущем
слое степеней принадлежности предпосылок правил. Второй элемент слоя проводит вспомогательные вычисления для последующей дефаззификации результата.
Слой 4, состоящий из одного элемента, выполняет дефаззификацию выходной переменной.
Обучение продукционной сети Ванга-Менделя
Алгоритм обучения разделяется на две процедуры. Сначала настраиваются линейные параметры элементов третьего слоя сi , а затем – параметры нелинейной функции принадлежности в элементах первого
слоя аij |
и bij , где i =1,…, n; |
j 1,..., m . |
||
Этап 1. |
Для каждого |
примера из обучающей выборки |
||
x1 k ,, x2 |
k ,..., xm |
k , y k , где |
k |
1,..., K , рассчитываются значения вы- |
ходной переменной y k .
Этап 2. Вычисляется функция ошибки для всех примеров обучающей выборки:
E k 0,5 y k y k 2 , k 1,..., K.
Этап 3. Корректируются значения ci для каждого i -го правила по
каждому k -му примеру обучающей выборки, исходя из соотношения
ci t 1 : ci t С dE k t , i 1,...., n , k 1,..., K. dci t
Процедура корректировки значений сi (этапы 1–3) итерационно
повторяется и считается завершенной в случае, если:
– значение функции ошибки по каждому примеру обучающей выборки не превышает некоторого установленного порога:
E k , k 1,..., K ,
– оценка средней суммарной погрешности нечеткой продукционной модели с учетом всех примеров обучающей выборки не превышает некоторого установленного порога:
144
E 1 K y k y k 2 ;
K k 1
– погрешность стабилизировалась на некотором значении .
В первых двух случаях считается, что нечеткая сеть успешно обучалась, в третьем случае переходят к процедуре настройки параметров нелинейной функций принадлежностиаij и bij в элементах первого
слоя.
При выполнении процедуры корректировки значений аij и bij в
элементах первого слоя этапы 1 и 2 выполняются аналогично этапам процедуры корректировки сi . На заключительном этапе этой процеду-
ры значения аij и bij изменяются в соответствии со следующими выражениями:
aij t 1 : aij t С dE k t
dai t
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
|
k |
aij |
2 |
|||
2 |
|
x k a |
y k |
y k |
|
c |
y k |
|
exp |
|
xj |
|
|
|
||||||||||
|
b |
|||||||||||||||||||||||
|
|
j |
ij |
|
|
|
i |
|
|
|
|
|
|
|
|
|
||||||||
aij t C |
|
|
|
|
|
|
|
|
|
|
|
|
|
j 1 |
|
|
|
|
|
ij |
|
|
. |
|
|
|
|
|
|
n |
m |
|
|
|
|
k |
aij |
2 |
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
b2 |
|
exp |
xj |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
ij |
|
|
|
|
b |
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
i 1 |
j 1 |
|
|
|
|
|
ij |
|
|
|
|
|
|
|
|
Условия завершения корректировки значений аij и bij подобны сi .
В случае невыполнения первого или второго условия процесс итерационно повторяется, начиная с корректировки сi , до тех пор, пока
нечеткая нейронная сеть не будет корректно обучена.
Сеть Ванга-Менделя, отличаясь простотой с вычислительной точки зрения и большой чувствительностью к изменениям входных переменных, где реализован градиентный метод оптимизации фронтального типа, в то же время не является эффективным с точки зрения быстродействия.
Таким образом, на примере нечеткой нейронной сети ANFIS и ее модификаций показано, как обеспечить адаптацию регуляторов нечеткого нейронного управления.
145
2.8. Модификация нечеткой продукционной сети ANFIS и ее разновидностей с применением адаптивных нейронов
Недостаток сети ANFIS и ее разновидностей заключается в настройке градиентными итерационными алгоритмами (ОРО, Уидроу– Хоффа), требующими значительного времени на настройку и исключающими возможность управлять быстрыми процессами. В системах реального времени время на выработку управляющего воздействия жестко ограничено и задача в случае невыполнения этого требования может быть снята. Данная проблема может быть решена применением адаптивных линейных нейронов (с одним входом и нулевым смещением) [18] с алгоритмом последовательного обучения в первом слое.
Для применения алгоритма последовательного обучения необходимо:
–в первом слое модифицированной сети заменить терм-множество из нелинейных ФП (Гаусса, колоколообразные, сигмоидные и т.д.) на множество адаптивных фаззификаторов;
–во втором слое модифицированной сети ANFIS возможна любая нечеткая импликация (антеценденты);
–в третьем слое проводится нормализация сигналов второго слоя;
–в четвертом слое сети ANFIS возможно применение заключений правил, например алгоритма нечеткого вывода (Цукамото, СугеноТакаги нулевого или первого порядка, Мамдани и т.д.).
Структура модифицированной нечеткой нейронной продукционной сети ANFIS с применением алгоритма Сугено-Такаги приведена на рис. 2.19.
Рассмотрим на примере описание модифицированной сети ANFIS
сприменением алгоритма Ванга-Менделя, показанного на рис. 2.28. Модифицированная сеть ANFIS с применением алгоритма Ванга-
Менделя базируется на следующих положениях:
–входные переменные являются четкими;
–ФП определены множеством адаптивных линейных фаззифика-
торов;
–нечеткая импликация Ларсена – нечеткое произведение;
–Т-норма – нечеткое произведение;
–композиция не производится;
146
– метод дефаззификации – средний центр.
Если аккумулирование активизированных заключений правил не проводится, а методом дефаззификации является метод среднего центра, то выходная переменная определяется следующим образом:
|
n |
|
|
|
|
|
y |
|
y ) |
|
n |
(arg maxμB |
y μB |
y |
m |
μA xj ) |
||||||
|
|
(argmax |
Bi |
Bi |
|
|
|
|||||||||||||||
|
y |
|
|
|
|
|
|
y |
|
i |
i |
|
ij |
|
. (2.20) |
|||||||
y |
i 1 |
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|
|
|
|
j 1 |
|
|
|
|
n |
|
Bi |
y |
|
|
|
|
n |
(μ |
Bi |
y m μ |
x ) |
|
||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Aij |
j |
|
|
|
|||
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|
j 1 |
|
|
|
|
|
С учетом того, что максимальное значение, которое Bi |
y может |
|||||||||||||||||||||
принять в точке arg max B y |
равно единице, (2.20) примет вид |
|||||||||||||||||||||
|
|
|
|
|
|
|
y |
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
m |
|
|
xj ) |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
(arg maxμBi y μAij |
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
y |
i 1 |
|
y |
|
j 1 |
|
|
. |
|
|
(2.21) |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
n |
m |
xj |
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
μAij |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
i 1 |
j 1 |
|
|
|
|
|
|
|
|
|
|
Обучение модифицированной продукционной сети ANFIS |
||||||||||||||||||||||
|
|
с применениием алгоритма Ванга-Менделя |
|
|
||||||||||||||||||
Этап 1. Для |
|
каждого |
|
примера |
|
из |
обучающей |
выборки |
||||||||||||||
x1 k ,, x2 |
k ,..., xm k , |
|
y k , |
где k |
1,..., K , |
рассчитываются значения вы- |
ходной переменной y k . Настройка синапсов первого слоя выполняет-
ся с помощью нейронов с алгоритмами последовательного обучения за одну итерацию согласно (2.12).
Этап 2. Вычисляется функция ошибки для всех примеров обучающей выборки:
E k 0,5 y k y k 2 , |
k 1,..., K. |
Этап 3. Корректируются значения ci для каждого i -го правила по каждому k -му примеру обучающей выборки исходя из соотношения
ci t 1 : ci t С |
dE k t |
|
, i 1,...., n , |
k 1,..., K. |
|
dci t |
|||||
|
|
|
147
Рис. 2.28. Структура модифицированной нечеткой нейронной продукционной сети ANFIS с применением алгоритма Ванга-Менделя: АФ1, АФ2, …, АФm – адаптивные фаззификаторы; БА1, БА2, …, БАn – блоки алгоритмов
148
Процедура корректировки значений сi итерационно повторяется и
считается завершенной в случае если:
– значение функции ошибки по каждому примеру обучающей выборки не превышает некоторого установленного порога:
E k , k 1,..., K ;
– оценка средней суммарной погрешности нечеткой продукционной модели с учетом всех примеров обучающей выборки не превышает некоторого установленного порога:
E |
1 y k y k 2 |
; |
|
|
|
K |
|
|
K |
k 1 |
|
– погрешность стабилизировалась на некотором значении . Модифицированная сеть ANFIS с применением алгоритма ВангаМенделя отличается простотой и является эффективной с точки зрения
быстродействия, так как время требуется только на настройку ci .
Таким образом, на примере модифицированной нечеткой нейронной сети ANFIS с применением алгоритма Ванга-Менделя показано, как обеспечить адаптацию регуляторов нечеткого нейронного управления.
Аналогично возможна модифицикация нечеткой нейронной сети ANFIS с применением алгоритма Такаги-Сугено-Канга, показанной на рис. 2.29.
Таким образом, рассмотрены основные понятия теории нечеткого нейронного управления: нейрон, методы адаптации нейронов, классификация нейронных сетей, методы обучения нейронных сетей на базе формальных нейронов, генетические алгоритмы, примеры применения нейронных сетей: адаптивные нечеткие регуляторы температуры газа авиационного двигателя, частоты вращения вентилятора авиационного двигателя. Приведенные примеры нечеткого нейронного управления применительно к авиационным двигателям показывают следующее.
1. Адаптивность управления авиационного двигателя подтверждается разработкой адаптивного регулятора частоты вращения вентилятора и адаптивного регулятора температуры газа за турбиной низкого давления.
149
Рис. 2.29. Структура модифицированной нечеткой нейронной продукционной сети ANFIS с применением алгоритма
Такаги-Сугено-Канга: П1 …Пn – множители; АФ1, АФ2, …, АФm – адаптивные фаззификаторы; БА1, БА2, …, БАn – блоки алгоритмов
150