Sistemas de control difuso. Open Library - biblioteca abierta de información educativa

Formulación del problema. Diseñe un sistema de control difuso con una característica de transferencia estática de la siguiente forma:

Opción 1. y = sin(x), x  [-,].

Opción 2. y = cos(x), x  .

Opción 3. y \u003d (2) -1/2 exp (-x 2 / 2), x  [-3.3].

Opción 4. y = (2/)arctg(x), x  [-,].

Opción 5. y = (1/)arcctg(x), x  [-,].

Opción 6. y = th(x) = (e x -e -x)/ (e x +e -x), x  [-,].

Opción 7. y = e -x sin(x), x  [-,].

Opción 8. y \u003d e -x cos (x), x .

Preparación para el trabajo de laboratorio.

Selección de puntos de referencia adecuados para su posterior aproximación lineal. Se recomienda construir la dependencia mostrada con bastante precisión a mayor escala en papel cuadriculado y aproximarla con segmentos de línea recta, tratando de lograr un compromiso razonable entre el número mínimo de segmentos y la precisión de la aproximación. También es útil usar libros de referencia de matemáticas para encontrar información sobre las reglas matemáticas para elegir el número de puntos de referencia que minimizan el error de aproximación total.

De acuerdo con la dependencia de aproximación lineal por partes obtenida, se forman las funciones de pertenencia para las variables de entrada y salida del sistema borroso.

Las variables lingüísticas de entrada y salida y sus términos reciben nombres y abreviaturas.

Se forma una base de reglas de aproximación.

Orden de trabajo:

Descarga fuzzyTECH MP Explorer.

Para crear un nuevo proyecto, seleccione la línea " norte ew"elemento del menú principal" F ile". A la pregunta del programa “¿Generar sistema?” respuesta afirmativa. En el cuadro de diálogo que aparece "Generar sistema", configure los siguientes parámetros del sistema difuso:

el número de variables lingüísticas de entrada en el campo de entrada " I nput LVs:" (en este trabajo 1);

el número de variables lingüísticas de salida en el campo de entrada " O salida LVs:” (en este trabajo 1);

el número de términos por variable lingüística de entrada en el campo de entrada "Entrada t erms/LV:” (según los resultados del entrenamiento en casa);

número de términos por variable lingüística de salida en el campo de entrada "Salida t mi rms/LV:” (según los resultados del entrenamiento en casa);

número de bloques de reglas en el campo de entrada " R bloques de reglas:” (en este documento, hay 1 bloque de reglas).

Corrija los resultados de entrada presionando el botón "OK". Como resultado, se forma una imagen gráfica condicional del sistema difuso diseñado en la ventana "Editor de proyectos", y una lista con nombres de sistemas predefinidos para las variables de entrada y salida se forma en la ventana de variables lingüísticas "LV": in1, out1 . En el gráfico simbólico, el rectángulo de la izquierda con un dibujo esquemático de las funciones de pertenencia y denominado "in1" representa la variable de entrada, el rectángulo de la derecha con un patrón de defuzzificación y denominado "out1" representa la variable de salida. En el centro hay un bloque de reglas.

3. Para cambiar el nombre de una variable lingüística e ingresar sus términos, seleccione la variable de la lista en la ventana "LV" (haciendo clic con el botón izquierdo del mouse en el nombre de la variable) y presione el botón derecho del mouse para abrir la ventana emergente. arriba del menú contextual. En el menú contextual, seleccione la línea " A homenajes...". En la ventana "Cambiar nombre de variable" que aparece, puede cambiar el nombre de la variable en el " norte ame:" y presione el botón "Editar..." para ingresar los términos para esta variable.

En la ventana que aparece, todos los términos de la lista " T erm" también tienen nombres predefinidos que se pueden cambiar de manera similar: seleccione el término requerido de la lista y llame a la línea " A homenajes...". El nuevo nombre del término se ingresa en el campo " T emm Nombre". Aquí también puede cambiar la forma del conjunto difuso del término (el grupo de interruptores de radio " S hape") y la posición del término en la lista (la lista " PAG posición").

Antes de definir las funciones de pertenencia, es necesario establecer el alcance de la variable lingüística. Para hacer esto, haciendo doble clic con el botón izquierdo del mouse en la línea "Base_Variable", vaya a la ventana "Base Variable". Mínimo ("Mi norte:") y máximo (" METRO ax:") el valor del rango ("Rango") se establece en los campos de la columna "Valores de Shell". En esta ventana, también puede cambiar la etiqueta debajo del gráfico de funciones de membresía en el campo " B nombre de la variable de nombre de usuario".

La función de pertenencia se puede definir de dos maneras:

determinar cuál de los puntos de referencia de la función de pertenencia (rectángulos en el gráfico), que tiene el mismo color que el nombre del término, está marcado con una "tic" en el interior. Establezca las coordenadas de este punto de referencia en los campos de entrada " X», « y»;

seleccione el punto de anclaje haciendo clic en el botón izquierdo del ratón. Presione la tecla izquierda y, sin soltar, mueva el rectángulo del punto de referencia al lugar requerido en el gráfico y suelte la tecla allí.

4. Después de ingresar todas las variables lingüísticas y sus términos, es necesario crear una base de reglas para el sistema difuso. Para hacer esto, haga doble clic con el botón izquierdo del mouse en el bloque de reglas de la representación gráfica condicional del sistema difuso. Esto abrirá la ventana del editor de reglas de la hoja de cálculo, que enumera todas las combinaciones posibles de reglas. Es necesario anotar sucesivamente todas las reglas que Innecesario para que el sistema funcione, haciendo clic con el botón izquierdo del mouse en los números de las reglas correspondientes y elimínelos todos de una vez presionando la tecla "Supr", seguido de una respuesta afirmativa a la solicitud de eliminación del sistema. Luego cierre la ventana del editor de reglas.

Abra la ventana de opciones de la interfaz "Opciones de interfaz" haciendo doble clic en el rectángulo de la variable de entrada de la imagen gráfica condicional y verifique que el interruptor de radio "Cálculo rápido de MBF" del grupo "Fuzzificación de ENTRADA:" esté configurado y en el lista de variables de interfaz “ I ninterface Variable:" es una variable de entrada válida. Del mismo modo, abra la misma ventana para la variable de salida y verifique la configuración del método de defuzzificación "CoM" (Centro de máximo) y la corrección de la variable de salida en la lista de variables de interfaz.

Para obtener la característica de transferencia de un sistema difuso, forme una acción de entrada que cambie linealmente en todo el rango de valores permitido. Para hacer esto, seleccione la línea " PAG Elemento del menú principal del generador de patrones " D ebujo". En la ventana que aparece "Generador de patrones", establezca el valor inicial en el campo de entrada " F rom:", terminando en el campo de entrada "Para:" y el paso de cambio en el " S paso:". Para generar un archivo de acción de entrada, haga clic en el botón « GRAMO enerar...". Especifique el nombre del archivo de impacto en la ventana de guardar archivo "Generar patrón para..." y guárdelo presionando el botón "Aceptar". Cierre la ventana del Generador de patrones con el botón Cerrar.

Llame a la función " F Grabador de archivos" en el menú " D ebujo". En la ventana "Leer información de control de archivo de...", especifique en el "Archivo norte ame" nombre de archivo con la acción de entrada generada y haga clic en el botón "Aceptar". Esto abrirá las ventanas "Depuración: Grabadora de archivos" y "Control de archivos".

Forme una ventana para trazar un gráfico de característica de transferencia. Para hacer esto, llame a la función "Tiempo PAG mucho..." del menú " A analizador". Establezca la configuración de trazado en la ventana Configuración de trazado de tiempo de la siguiente manera:

en la lista " L Vs:» seleccione la variable de salida haciendo clic con el botón izquierdo del ratón;

mover esta variable a la ventana " PAG Artículos de lote: "haciendo clic en el botón" > >»;

Termine de ingresar a la configuración presionando el botón "OK".

Después de eso, se abrirá una ventana para el gráfico de la característica de transferencia "Time Plot - 1". Coloque las ventanas "Time Plot - 1" y "File Control" en la pantalla para que no se superpongan entre sí. La ventana "Depuración: Grabadora de archivos" puede estar cubierta por estas ventanas.

Obtenga un gráfico de características de transferencia mediante la ventana Control de archivos. Para controlar el proceso se utilizan los botones del campo “Control”, similares a las teclas del jugador, ubicados en el siguiente orden de izquierda a derecha:

transición al primer punto de la acción de entrada;

rebobinado automático al primer punto;

rebobinar paso a paso hasta el primer punto;

paso adelante hasta el último punto;
avance rápido automático hasta el último punto;
transición al último punto de la acción de entrada.

Para obtener un gráfico, presione el botón de avance automático.

Después de trazar el gráfico de la característica de transferencia obtenida, cierre la ventana "Gráfico de tiempo - 1", vaya nuevamente al primer punto de la acción de entrada y rebobine la acción de entrada en un modo paso a paso, fijando la entrada (" I entradas:") y salir(" O utputs:") sistema en la ventana "Depurar: Grabador de archivos". Estos datos se utilizarán para evaluar la precisión de la aproximación de la característica de transferencia. Cierre la ventana "Depurar: Grabador de archivos", regrese al primer punto de la acción de entrada y abra la ventana con las funciones de membresía de la variable de salida haciendo doble clic con el botón izquierdo del mouse en el nombre de la variable en la ventana "LV". . Estudiar y dibujar el proceso de defuzzificación según el método "CoM" en modo paso a paso.

Cambie la configuración del método de desfuzzificación de "CoM" a "MoM" (Mean of Maximum). Para hacer esto, debe ir a la ventana "Editor de proyectos" haciendo clic en ella con el botón izquierdo del mouse o seleccionándola de la lista de ventanas en el menú " W indow" y haga doble clic en el rectángulo variable de salida de la imagen gráfica condicional para abrir la ventana de opciones de interfaz "Opciones de interfaz" para configurar el interruptor de radio "MoM" del grupo "OUTPUT Defuzzification:". Después de eso, debe repetirse el procedimiento anterior para obtener la característica de transferencia para el nuevo método de desfuzzificación.

Cierre todas las ventanas abiertas y salga del programa (cadena "E X it"elemento del menú principal" F ile").

Conferencia número 6. DISEÑO DE ALGORITMOS FUZZY PARA EL CONTROL DE OBJETOS DINÁMICOS

Principios generales construcción de sistemas de control inteligente basados en lógica difusa

Como se señaló anteriormente, el uso de la lógica difusa proporciona un enfoque fundamentalmente nuevo para el diseño de sistemas de control, un "avance" en nuevos tecnologías de la información, garantiza la capacidad de resolver una amplia gama de problemas en los que los datos, los objetivos y las restricciones son demasiado complejos o están mal definidos y, por lo tanto, no son susceptibles de una descripción matemática precisa.

Hay varias situaciones en las que se pueden utilizar modelos borrosos de sistemas dinámicos:

Cuando existe alguna descripción lingüística que refleja una comprensión cualitativa (representación) del proceso y permite construir directamente un conjunto de reglas de lógica difusa;

Existen ecuaciones bien conocidas que (al menos aproximadamente) describen el comportamiento del proceso controlado, pero los parámetros de estas ecuaciones no se pueden identificar con precisión;

Las ecuaciones conocidas que describen el proceso son demasiado complejas, pero pueden interpretarse de forma confusa para construir un modelo lingüístico;

Con la ayuda de datos de entrada/salida, se evalúan las reglas de lógica difusa del comportamiento del sistema.

primeros resultados aplicación práctica Los algoritmos de lógica difusa para el control de objetos técnicos reales se publicaron en 1974 en los trabajos de E.Kh. Mamdani se dedicó al problema de la regulación de un generador de vapor para una central eléctrica. En estos trabajos se propuso un diagrama de bloques de un sistema de control difuso que se ha convertido en un clásico en la actualidad (Fig. 3.1).

En este caso, el control difuso se entiende como una estrategia de control basada en el conocimiento adquirido empíricamente sobre el funcionamiento de un objeto (proceso), presentado de forma lingüística en la forma de un determinado conjunto de reglas.

Arroz. 5.1. Diagrama estructural de un sistema de control difuso

En la fig. 3.1 DF - filtro dinámico, resaltando, además de las señales de error de control x 1 =r 1 -y 1 yx 3 =r 2 -y 2 , derivadas de estas señales y ;

RNL: controlador basado en lógica difusa ("controlador difuso", que incluye una base de conocimiento (más específicamente, una base de reglas) y un mecanismo de inferencia;

respectivamente, los vectores de las influencias de ajuste (ajustes), entradas y salidas del RNL, así como las salidas del objeto de control (es decir, el generador de vapor); m es la operación de transposición vectorial.

Las entradas y salidas del RNL son:

Desviación de presión en la caldera de vapor (y 1) en relación con y el valor (nominal) requerido (r 1);

Tasa de cambio P E;

Desviación de la tasa de cambio de presión (y 2) en relación con su valor establecido (r 2);

SE tasa de cambio;

u 1 =H c - cambio en el grado de calentamiento del vapor;

U 2 \u003d: Tc - cambio en la posición del acelerador.

Mamdani propuso considerar estas cantidades como variables lingüísticas, cada una de las cuales puede tomar uno de los siguientes valores del conjunto

L= (NB,NM,NS,NO,PO,PS,PM,PB).

Aquí, la 1ª letra en la designación indica el signo de una variable numérica y corresponde a la palabra inglesa Negative ("negativo") o Positive ("positivo"), la 2ª letra indica el valor absoluto de la variable: Big ("grande "), Medio ("promedio"), Pequeño ("pequeño") u O ("cerca de cero"). Por ejemplo, el símbolo NS significa "pequeño negativo".

Durante el funcionamiento del IMS, se utiliza uno de los dos algoritmos difusos en cada momento: el primero de ellos regula la presión en la caldera cambiando el calentamiento de vapor H c , el segundo mantiene la tasa de cambio de presión requerida cambiando la posición del acelerador de control T c. Cada uno de los algoritmos consta de una serie de reglas, declaraciones escritas en lenguaje natural, como:

"Si la desviación de presión en la caldera es grande, de signo negativo, y si esta desviación no disminuye a un ritmo alto o medio, entonces se debe aumentar mucho el grado de calentamiento del vapor".

"Si la tasa de cambio de presión está ligeramente por debajo de lo normal y, al mismo tiempo, esta tasa aumenta considerablemente, entonces la posición del acelerador debe cambiarse a un valor positivo y suficientemente pequeño".

Usando la notación presentada anteriormente, estas reglas se pueden reescribir de la siguiente manera:

"SI (P E \u003d NB Y C PE \u003d HE (NB O NM), ENTONCES H C \u003d PB";

"SI (S E =NO Y C SE =PB), A T C =PS".

La implementación de los algoritmos de control difuso propuestos es fundamentalmente diferente de los algoritmos clásicos ("duros") construidos sobre la base del concepto comentario(Control de retroalimentación) y, en esencia, simplemente reproducir alguna dependencia funcional dada o ecuación diferencial.

El controlador borroso se hace cargo de aquellas funciones que normalmente son realizadas por un experimentado y hábil personal de servicio. Estas funciones están asociadas con una evaluación cualitativa del comportamiento del sistema, el análisis de la situación cambiante actual y la elección del método más apropiado para administrar un objeto para una situación dada. Este concepto de control se denomina Control Feed-Forward.

Usando una comparación figurativa, podemos decir que un jugador de tenis experimentado actúa así, variando cada vez su golpe para que la pelota vuele a lo largo de una determinada trayectoria elegida por él, mientras que la máquina de tenis funciona de acuerdo con un programa rígidamente establecido, siempre entregando el pelota al mismo punto, a lo largo de la misma trayectoria.

El diagrama de bloques del controlador difuso en el caso general toma la forma que se muestra en la Fig. 3.2.

Como puede verse en este esquema, la formación de acciones de control u 1 ,u 2 ,...,um incluye los siguientes pasos:

a) obtención de desviaciones de coordenadas controladas y sus tasas de cambio - x 1 ,x 2 ,...,x n ;

b) "borrosificación" de estos datos, es decir, transformación de los valores obtenidos a una forma difusa, en forma de variables lingüísticas;

c) determinación de valores borrosos (cualitativos) de variables de salida u 1 ,u 2 ,...,um m (en forma de funciones de su pertenencia a los subconjuntos borrosos correspondientes) en base a reglas de inferencia preformuladas registradas en la base de reglas;

d) "desfuzzificación", es decir, cálculo de valores numéricos reales de las salidas u 1 ,u 2 ,...,u m utilizadas para controlar el objeto.

Arroz. 3.2. Diagrama de bloques de un controlador difuso

Además de lo que se muestra en la Fig. 3.1 opciones para el uso "puro" del control difuso, hay otras opciones para construir un IMS con controladores difusos. Entonces, en la teoría clásica de la regulación, se usa ampliamente el uso de un controlador PID, cuya señal de salida se calcula mediante la fórmula

(3.1)

donde parámetros A PAG, A y y A caracterizamos Gravedad específica componentes proporcional, integral y diferencial, respectivamente, y deben seleccionarse en función de los indicadores especificados de la calidad de la regulación (tiempo de regulación, sobreimpulso, atenuación de transitorios).

Posible uso de controlador difuso (NR) para sintonización automática(adaptación) de los parámetros especificados del controlador PID se muestra en la fig. 3.3a. Otras opciones para usar HP son la formación de configuraciones para reguladores convencionales (Fig. 3.3.6); conexión en paralelo con el PID - controlador (Fig. 3.3, c); control con una evaluación preliminar de las características de las señales (OCS) recibidas de los sensores en función de la interpretación de su significado, la asignación de indicadores de calidad generalizados, etc., seguido de un procesamiento utilizando algoritmos de lógica difusa (Fig. 3.3, d).

Arroz. 3.3. Estructuras IMS con controladores difusos

Como requisitos previos para el uso de controladores difusos se les suele llamar:

Número grande parámetros de entrada a analizar (estimados);

Un gran número de acciones de control (multidimensionalidad);

Fuertes perturbaciones;

no linealidad;

inexactitudes modelos matemáticos programas regulatorios;

Capacidad para utilizar los conocimientos técnicos "saber hacer".

Resumiendo lo dicho, señalamos una vez más aquellas áreas de aplicación en las que el uso de controladores difusos es más efectivo que los algoritmos de control tradicionales. Este:

1) aplicaciones que aún no se han asociado con la automatización, que requieren el uso de "saber hacer", por ejemplo, elaboración de cerveza (donde se puede usar el conocimiento de expertos para mejorar la calidad del producto), grúas (para aumentar la productividad de los trabajadores) , etc ;

2) aplicaciones en las que los métodos matemáticos no son eficientes. Esto es muy procesos complejos, no susceptible de descripción matemática, para cuya gestión, junto con el conocimiento empírico, también se puede utilizar información de medición obtenida (por ejemplo, sobre el curso de procesos químicos);

3) aplicaciones en las que los reguladores estándar funcionan lo suficientemente bien; sin embargo, el control basado en lógica difusa ofrece en este caso una forma alternativa de resolver problemas de control, la capacidad de trabajar con variables lingüísticas y más oportunidades de optimización.

Los sistemas difusos (independientemente de si son modelos difusos o controladores difusos) (Fig. 6) incluyen dos componentes principales:

· Base de conocimiento (KB), que almacena el conocimiento disponible o adquirido sobre el problema que necesita ser resuelto, en forma de reglas difusas;

· Un mecanismo de inferencia que utiliza métodos de razonamiento difuso basados en reglas y entradas para obtener la salida del sistema.

Ambos componentes deben estar diseñados para construir un sistema para una aplicación particular:

La base de conocimiento se forma a partir del conocimiento de expertos o mediante el aprendizaje mediante métodos automáticos;

· El mecanismo de inferencia se construye eligiendo operadores borrosos para cada componente (conjunción, implicación, defuzzificación, etc.).

En algunos casos, los operadores también están parametrizados y pueden configurarse automáticamente.

Arroz. 7

El diseño de KB implica dos subtareas:

1. Definición de una base de datos (DB):

· Universo para variables;

· Factores de escala o funciones;

· Granularidad (número de términos lingüísticos) para cada variable;

· Funciones de pertenencia que describen términos.

2. Elaboración de una base de reglas (BP): la formulación de reglas básicas.

Como ya se ha señalado, existen dos métodos diferentes para diseñar una base de conocimiento (KB): información de expertos y utilizar métodos de aprendizaje automático basados en información numérica obtenida mediante modelado difuso o simulando el sistema de control diseñado.

Clasificación de los sistemas borrosos genéticos

Desde el punto de vista de la optimización, para encontrar el sistema difuso correspondiente, es necesario representarlo como una estructura paramétrica equivalente y luego determinar los valores de los parámetros que proporcionan el óptimo para función específica aptitud física. Por lo tanto, el primer paso en el diseño del GNLS es decidir qué parte del sistema difuso se optimizará mediante la codificación de sus parámetros en cromosomas. En esta sección, presentamos una clasificación de GNLS correspondiente a diferentes partes de un sistema difuso codificado mediante un modelo genético.

Por lo general, los métodos de diseño de GNLS se dividen en dos procesos, configuración(es decir, adaptación) y educación. En este caso, se partirá del hecho de que exista o no la KB original, incluyendo la BD y la BP. Luego, en el marco del GNLS, introducimos la siguiente división.

· Sintonización genética. Si existe un KB, aplicamos el proceso de ajuste genético para mejorar las propiedades del sistema difuso, pero no cambiamos el BP. Aquellos. ajustamos los parámetros NLS para mejorar sus propiedades, manteniendo la BP sin cambios.

· Formación genética. La segunda posibilidad es entrenar los componentes de BP, que incluyen la adaptación del mecanismo de inferencia. Aquellos. tocamos el entrenamiento de los componentes de BP, junto con otros componentes del NLS.

1) Ajuste genético de la base de datos. Se lleva a cabo determinando preliminarmente el tipo y los parámetros de las funciones de escalado de entrada y salida, así como las funciones de membresía, y luego configurando estos parámetros y, por lo tanto, cambiando la forma de las funciones de escalado y las funciones de membresía usando el GA (Fig. 8).

2) Aprendizaje genético basado en reglas. El entrenamiento genético de un BP implica un conjunto predeterminado de funciones de membresía en la base de datos, a las que las reglas se refieren a través de términos lingüísticos.

Al plantearse la tarea de aprender una base de reglas, se abre un amplio abanico de posibilidades. Hay tres enfoques principales: Pittsburgh, Michigan y métodos de enseñanza iterativos. Los enfoques de Pittsburgh y Michigan son los métodos más comunes para aprender reglas desarrollados en el campo de AG. El primero de ellos se caracteriza por la representación de todo el conjunto (set) de reglas como un código genético (cromosoma), “cromosoma = conjunto de reglas”, manteniendo inalterada la población de candidatos al rol de reglas y utilizando la selección y la genética. operadores para crear nuevas generaciones de conjuntos de reglas. El enfoque de Michigan considera un modelo diferente en el que los miembros de una población son reglas individuales, "cromosoma=regla" y el conjunto de reglas está representado por toda la población. En el tercer caso, un método iterativo, los cromosomas codifican reglas separadas, y la nueva regla se configura y se agrega al conjunto de reglas, de forma iterativa.

Se consideran los problemas de diseño de sistemas difusos en el paquete Fuzzy Logic Toolbox del entorno informático MATLAB y se proporciona la información necesaria en el campo de la teoría de conjuntos difusos y la lógica difusa. Se entrega material teórico sobre el diseño de sistemas difusos. Se presenta la teoría de la identificación difusa, los métodos de agrupamiento difuso y su aplicación para la extracción de reglas difusas, así como un método de toma de decisiones en condiciones difusas basado en la fusión de objetivos y restricciones. Se consideran las extensiones del paquete del autor para el diseño de clasificadores difusos, la construcción de sistemas difusos jerárquicos, el entrenamiento de bases de conocimiento difusas del tipo Mamdani, así como para la inferencia con datos iniciales difusos. El libro se puede utilizar como tutorial a cursos universitarios sobre sistemas inteligentes, inteligencia artificial, teoría de la decisión y métodos de identificación.
Para los diseñadores de sistemas, será útil para investigadores, estudiantes graduados y estudiantes avanzados interesados en la aplicación de la teoría de conjuntos borrosos en control, identificación, procesamiento de señales, así como desarrolladores de sistemas inteligentes de apoyo a la toma de decisiones en medicina, biología, sociología, economía, política, deportes y otras áreas.

Prefacio

Capítulo 1. Curso corto teoría de conjuntos borrosos
1.1. Digresión histórica
1.2. conjuntos borrosos
1.2.1. Términos básicos y definiciones
1.2.2. Propiedades de los conjuntos borrosos
1.2.3. Operaciones sobre conjuntos borrosos
1.2.4. Funciones de membresía
1.3. aritmética difusa
1.4. Relaciones borrosas
1.5. lógica difusa
1.5.1. Variables lingüísticas
1.5.2. verdad borrosa
1.5.3. Operaciones booleanas difusas
1.6. inferencia borrosa
1.6.1. inferencia
1.6.2. Fundamentos de la inferencia difusa
1.6.3. Bases de conocimiento difusas
1.6.4. Regla de inferencia difusa composicional Zadeh
1.6.5. Inferencia difusa de Mamdani
1.6.6. Inferencia difusa de Sugeno
1.6.7. Inferencia difusa en una base de conocimiento singleton
1.6.8. Inferencia difusa para problemas de clasificación
1.6.9. Sistemas de inferencia borrosos jerárquicos
1.6.10. Redes neuro-difusas

Capítulo 2. Teoría del diseño de sistemas difusos
2.1. Identificación de dependencias no lineales mediante bases de conocimiento difusas
2.1.1. Tuning Mamdani Fuzzy Knowledge Base
2.1.2. Ajuste de la base de conocimientos difusos de Sugeno
2.1.3. Configuración de una base de conocimientos difusos para problemas de clasificación
2.2. Agrupación difusa
2.2.1. Introducción a la agrupación en clústeres
2.2.2. Agrupación con algoritmos c-means
2.2.2.1. Borrar agrupamiento por algoritmo C-Means
2.2.2.2. Algoritmo básico difuso s-means
2.2.2.3. Generalizaciones del algoritmo fuzzy c-means
2.2.3. Agrupación Minera
2.2.4. Síntesis de reglas difusas a partir de los resultados del agrupamiento
2.3. Toma de decisiones en condiciones difusas según el esquema Bellman-Zade
2.3.1. Metas, Restricciones y Decisiones Difusas
2.3.2. Análisis difuso multicriterio de variantes
2.3.3. Análisis fuzzy multicriterio de proyectos de marca
2.3.4. "Y si". Análisis de variantes

Capítulo 3 Caja de herramientas de lógica difusa
3.1. Estructura y características del paquete.
3.2. Comienzo rápido
3.2.1. Desarrollo de un sistema difuso tipo Mamdani
3.2.2. Desarrollo de sistema difuso tipo Sugeno basado en conocimiento experto
3.2.3. Extracción de datos del sistema difuso de Sugeno mediante el editor ANFIS
3.2.4. Extracción de sistema difuso en modo línea de comandos
3.3. módulos de interfaz gráfica de usuario
3.3.1. Editor de sistemas de inferencia difusa
3.3.1.1. Menú Archivo
3.3.1.2. Menú de edición
3.3.1.3. Ver menú
3.3.1.4. Menús Método Y, Método O, Implicación y Agregación
3.3.1.5. Menú de desfuzzificación
3.3.2. Editor de funciones de pertenencia
3.3.3. Editor de reglas
3.3.3.1. Menú de edición
3.3.3.2. Menú de opciones
3.3.4. Redactor de ANFIS
3.3.4.1. Menú de edición
3.3.4.2. Área de visualización
3.3.4.2. Área propiedad ANFIS
3.3.4.3. Área de carga de datos
3.3.4.4. Área generadora del sistema de inferencia difusa original
3.3.4.5. Áreas de entrenamiento, prueba y salida de información actual
3.3.5. Visor de reglas
3.3.6. Visor de superficie
3.3.6.1. Menú de opciones
3.3.6.2. Menú de ejes
3.3.6.3. Campos de entrada
3.3.7. Findcluster
3.3.7.1. Área de visualización
3.3.7.2. Área de carga de datos
3.3.7.3. área de agrupación
3.4. Ejemplos de demostración
3.4.1. Ejecución de demostraciones básicas
3.4.2. Predicción de eficiencia de combustible de vehículos
3.4.3. Reducción de ruido no lineal
3.4.4. Predicción de series de tiempo
3.4.5. Predecir el número de viajes en coche
3.4.6. Identificación del proceso de calentamiento del aire en un secador de pelo
3.4.7. Malabares con una pelota de tenis
3.4.8. Sosteniendo la pelota en el balancín
3.4.9. estacionamiento de camiones
3.4.10. Regulador de agua del tanque
3.4.11. Mando de ducha
3.4.12. Sosteniendo un péndulo invertido en un carro
3.4.13. Control de brazo robótico
3.4.14. Agrupación por el algoritmo fuzzy s-means
3.4.15. Agrupación de iris
3.4.16. Métodos de defuzzificación
3.4.17. Galería de funciones de membresía
3.4.18. Calculadora de propinas
3.5. Referencia de funciones de la caja de herramientas de lógica difusa
3.6. Estructuras de datos
3.6.1. Estructura de datos del sistema de inferencia borrosa
3.6.2. Estructura del archivo del sistema de inferencia difusa
3.6.3. Estructuras de datos para aprendizaje y agrupamiento de ANFIS
3.7. Interacción con otros paquetes.
3.7.1. Bloques para un paquete de Simulink
3.7.2. Código C de una máquina de inferencia difusa

Capítulo 4 Ampliación de la caja de herramientas de lógica difusa
4.1. Ajuste de modelos difusos de Mamdani con Optimization Toolbox
4.2. Extracción de modelos Mamdani difusos mediante clustering difuso
4.3. Diseño de clasificadores difusos
4.4. Inferencia difusa con datos de entrada difusos
4.5. Diseño de sistemas difusos jerárquicos
4.5.1. primera forma
4.5.2. segunda forma

Conclusión
Literatura
Solicitud. Recursos de Internet sobre sistemas difusos

Diseñar y simular sistemas de lógica difusa

Fuzzy Logic Toolbox™ proporciona funciones, aplicaciones y un bloque Simulink® de MATLAB® para analizar, diseñar y simular sistemas de lógica difusa. El producto lo guía a través de los pasos para desarrollar sistemas de inferencia difusos. Se proporcionan funciones para muchas técnicas comunes, incluido el agrupamiento difuso y el aprendizaje neurodifuso adaptativo.

La caja de herramientas le permite comportarse en un sistema modelo complejo usando reglas lógicas simples y luego implementar esas reglas en un sistema de inferencia difusa. Puede usarlo como un motor de inferencia difusa independiente. También puede utilizar bloques de inferencia difusos en Simulink y modelar sistemas difusos en un modelo integral de todo el sistema dinámico.