Fuzzy riadiace systémy. Open Library - otvorená knižnica vzdelávacích informácií

Formulácia problému. Navrhnite fuzzy riadiaci systém so statickou prenosovou charakteristikou nasledujúceho tvaru:

Možnosť 1. y = sin(x), x  [-,].

Možnosť 2. y = cos(x), x  .

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

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

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

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

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

Možnosť 8. y \u003d e -x cos (x), x .

Príprava na laboratórnu prácu.

Výber vhodných referenčných bodov pre následnú lineárnu aproximáciu. Zobrazenú závislosť sa odporúča pomerne presne postaviť na väčšom meradle na milimetrovom papieri a aproximovať ju rovnými úsečkami, snažiť sa o rozumný kompromis medzi minimálnym počtom výsečí a presnosťou aproximácie. Je tiež užitočné použiť matematické referenčné knihy na nájdenie informácií o matematických pravidlách pre výber počtu referenčných bodov, ktoré minimalizujú celkovú chybu aproximácie.

Podľa získanej po častiach lineárnej aproximačnej závislosti sa vytvárajú funkcie príslušnosti pre vstupné a výstupné premenné fuzzy systému.

Vstupné a výstupné lingvistické premenné a ich termíny sú pomenované a skratované.

Vytvára sa základ aproximačných pravidiel.

Zákazka:

Stiahnite si fuzzyTECH MP Explorer.

Ak chcete vytvoriť nový projekt, vyberte riadok " N ew" položka hlavnej ponuky " F ile“. Na otázku programu "Generovať systém?" odpovedať kladne. V zobrazenom dialógovom okne "Generovať systém" nastavte nasledujúce parametre fuzzy systému:

počet vstupných lingvistických premenných vo vstupnom poli " ja nput LVs:" (v tejto práci 1);

počet výstupných lingvistických premenných vo vstupnom poli " O utput LVs:“ (v tejto práci 1);

počet termínov na vstupnú lingvistickú premennú vo vstupnom poli „Vstup t erms/LV:“ (podľa výsledkov domáceho tréningu);

počet termínov na výstupnú lingvistickú premennú vo vstupnom poli „Výstup t e rms/LV:“ (podľa výsledkov domáceho tréningu);

počet blokov pravidiel vo vstupnom poli " R ule blocky:“ (v tomto dokumente je 1 blok pravidiel).

Opravte výsledky zadávania stlačením tlačidla "OK". Výsledkom je, že v okne „Editor projektu“ sa vytvorí podmienený grafický obraz navrhnutého fuzzy systému a v okne jazykových premenných „LV“ sa vytvorí zoznam s preddefinovanými systémovými názvami pre vstupné a výstupné premenné: in1, out1 . V symbolickej grafike obdĺžnik vľavo so schematickým nákresom funkcií príslušnosti s názvom „in1“ predstavuje vstupnú premennú, obdĺžnik vpravo s defuzzifikačným vzorom s názvom „out1“ predstavuje výstupnú premennú. V strede je blok pravidiel.

3. Ak chcete zmeniť názov jazykovej premennej a zadať jej pojmy, vyberte premennú zo zoznamu v okne „LV“ (kliknutím ľavého tlačidla myši na názov premennej) a stlačením pravého tlačidla myši vyvolajte pop- hore kontextové menu. V kontextovej ponuke vyberte riadok " A hold...". V zobrazenom okne „Premenovať premennú“ môžete zmeniť názov premennej v poli „ N ame:“ a stlačením tlačidla „Upraviť...“ zadajte výrazy pre túto premennú.

V okne, ktoré sa zobrazí, všetky výrazy v zozname " T ehm" majú tiež preddefinované názvy, ktoré je možné zmeniť podobným spôsobom: vyberte požadovaný výraz zo zoznamu a zavolajte na linku " A hold...". Nový názov termínu sa zadá do poľa " T erm Meno“. Tu môžete zmeniť aj formu fuzzy množiny výrazu (skupina rádiových spínačov " S hape") a pozíciu výrazu v zozname (zoznam " P pozícia").

Pred definovaním funkcií členstva je potrebné nastaviť rozsah jazykovej premennej. Ak to chcete urobiť, dvojitým kliknutím ľavého tlačidla myši na riadok "Základná_premenná" prejdite do okna "Základná premenná". Minimum („Mi n:") a maximálne (" M ax:") hodnota rozsahu ("Rozsah") sa nastavuje v poliach stĺpca "Hodnoty shellu". V tomto okne môžete tiež zmeniť označenie pod grafom členských funkcií v poli " B ase názov premennej“.

Funkcia členstva môže byť definovaná dvoma spôsobmi:

určte, ktorý z referenčných bodov funkcie príslušnosti (obdĺžniky na grafe), ktorý má rovnakú farbu ako názov termínu, je vo vnútri označený „zaškrtnutím“. Vo vstupných poliach nastavte súradnice tohto referenčného bodu " X», « r»;

vyberte kotviaci bod kliknutím ľavým tlačidlom myši. Stlačte ľavé tlačidlo a bez uvoľnenia presuňte obdĺžnik referenčného bodu na požadované miesto v tabuľke a tam tlačidlo uvoľnite.

4. Po zadaní všetkých lingvistických premenných a ich pojmov je potrebné vytvoriť bázu pravidiel pre fuzzy systém. Ak to chcete urobiť, dvakrát kliknite ľavým tlačidlom myši na blok pravidiel podmieneného grafického znázornenia fuzzy systému. Tým sa otvorí okno Editor pravidiel tabuľky, v ktorom sú uvedené všetky možné kombinácie pravidiel. Je potrebné si všimnúť postupne všetky pravidlá, ktoré Nepotrebné aby systém fungoval, kliknutím ľavým tlačidlom myši na čísla príslušných pravidiel a vymazanie všetkých naraz stlačením klávesu „Del“ s následnou kladnou odpoveďou na požiadavku systému o potrebe vymazania. Potom zatvorte okno editora pravidiel.

Otvorte okno možností rozhrania „Možnosti rozhrania“ dvojitým kliknutím na obdĺžnik vstupnej premennej podmieneného grafického obrázka a skontrolujte, či je prepínač „Rýchly výpočet MBF“ v skupine „Vstup Fuzzification:“ nastavený a v zoznam premenných rozhrania “ ja ninterface Variable:" je platná vstupná premenná. Podobne otvorte to isté okno pre výstupnú premennú a skontrolujte nastavenie metódy defuzzifikácie „CoM“ (Center of Maximum) a správnosť výstupnej premennej v zozname premenných rozhrania.

Na získanie prenosovej charakteristiky fuzzy systému vytvorte vstupnú akciu, ktorá sa lineárne mení v celom povolenom rozsahu hodnôt. Ak to chcete urobiť, vyberte riadok " P Attern Generator" položka hlavnej ponuky " D ebug“. V zobrazenom okne "Generátor vzoru" nastavte počiatočnú hodnotu do vstupného poľa " F rom:", končiace vo vstupnom poli "Komu:" a krok zmeny v " S tep:". Ak chcete vygenerovať súbor vstupnej akcie, kliknite na tlačidlo « G oživiť...". V okne uloženia súboru „Generate Pattern To ...“ zadajte názov súboru nárazu a uložte ho stlačením tlačidla „OK“. Zatvorte okno Generátor vzorov tlačidlom Zavrieť.

Zavolajte funkciu " F ile Recorder" z ponuky " D ebug“. V okne „Čítať informácie o riadení súboru z ...“ zadajte do poľa „Súbor n ame" názov súboru s vygenerovanou vstupnou akciou a kliknite na tlačidlo "OK". Tým sa otvoria okná „Debug: File Recorder“ a „File Control“.

Vytvorte okno na vykreslenie grafu prenosovej charakteristiky. Ak to chcete urobiť, zavolajte funkciu „Čas P veľa..." z ponuky " A analyzátor“. Nastavte konfiguráciu vykresľovania v okne Konfigurácia časového grafu nasledovne:

v zozname" L Vs:» vyberte výstupnú premennú kliknutím ľavého tlačidla myši;

presunúť túto premennú do okna " P veľa položiek:" kliknutím na tlačidlo " > >»;

Dokončite zadávanie konfigurácie stlačením tlačidla "OK".

Potom sa otvorí okno pre graf prenosovej charakteristiky "Time Plot - 1". Umiestnite okná "Time Plot - 1" a "File Control" na obrazovke tak, aby sa navzájom neprekrývali. Okno "Debug: File Recorder" môže byť pokryté týmito oknami.

Získajte graf prenosovej charakteristiky pomocou okna File Control. Na ovládanie procesu sa používajú tlačidlá poľa „Ovládanie“, podobne ako klávesy prehrávača, umiestnené v nasledujúcom poradí zľava doprava:

prechod na prvý bod vstupnej akcie;

automatické prevíjanie na prvý bod;

postupné prevíjanie na prvý bod;

krok vpred k poslednému bodu;
automatický rýchly posun dopredu na posledný bod;
prechod do posledného bodu vstupnej akcie.

Ak chcete získať graf, stlačte tlačidlo automatického posunu vpred.

Po vykreslení grafu získanej prenosovej charakteristiky zatvorte okno "Časový graf - 1", prejdite znova na prvý bod vstupnej akcie a previňte vstupnú akciu v režime krok za krokom, pričom vstup opravte (" ja nputs:") a exit(" O utputs:") v okne "Debug: File Recorder". Tieto údaje sa použijú na vyhodnotenie presnosti aproximácie prenosovej charakteristiky. Zatvorte okno "Debug: File Recorder", vráťte sa na prvý bod vstupnej akcie a otvorte okno s funkciami členstva výstupnej premennej dvojitým kliknutím ľavého tlačidla myši na názov premennej v okne "LV" . Preštudovať a nakresliť proces defuzzifikácie podľa metódy "CoM" v režime krok za krokom.

Zmeňte nastavenie metódy defuzzifikácie z „CoM“ na „MoM“ (stredná hodnota maxima). Ak to chcete urobiť, musíte prejsť do okna „Editor projektu“ kliknutím naň ľavým tlačidlom myši alebo výberom zo zoznamu okien v ponuke „ W indow" a dvakrát kliknite na obdĺžnik výstupnej premennej podmieneného grafického obrázku, aby ste otvorili okno možností rozhrania "Možnosti rozhrania" pre nastavenie rádiového prepínača "MoM" skupiny "OUTPUT Defuzzification:". Potom by sa mal zopakovať vyššie uvedený postup na získanie prenosovej charakteristiky pre novú metódu defuzzifikácie.

Zatvorte všetky otvorené okná a ukončite program (reťazec „E X to "položka hlavného menu" F ile").

Prednáška číslo 6. NÁVRH FUZZY ALGORITMOV NA RIADENIE DYNAMICKÝCH OBJEKTOV

Všeobecné zásady budovanie inteligentných riadiacich systémov založených na fuzzy logike

Ako bolo uvedené vyššie, použitie fuzzy logiky poskytuje zásadne nový prístup k návrhu riadiacich systémov, „prielom“ do nových informačné technológie, zaručuje schopnosť riešiť širokú škálu problémov, v ktorých sú údaje, ciele a obmedzenia príliš zložité alebo zle definované, a preto nie sú prístupné presnému matematickému popisu.

Existujú rôzne situácie, v ktorých možno použiť fuzzy modely dynamických systémov:

Keď existuje nejaký lingvistický popis, ktorý odráža kvalitatívne pochopenie (reprezentáciu) procesu a umožňuje vám priamo zostaviť súbor fuzzy logických pravidiel;

Sú známe rovnice, ktoré (aspoň zhruba) popisujú správanie riadeného procesu, ale parametre týchto rovníc sa nedajú presne identifikovať;

Známe rovnice popisujúce tento proces sú príliš zložité, ale dajú sa interpretovať nejasným spôsobom na vytvorenie lingvistického modelu;

Pomocou vstupných/výstupných údajov sa vyhodnocujú fuzzy logické pravidlá správania sa systému.

Prvé výsledky praktické uplatnenie Algoritmy fuzzy logiky na riadenie reálnych technických objektov boli publikované v roku 1974 v prácach E.Kh. Mamdani venovaný problematike regulácie parogenerátora pre elektráreň. V týchto prácach bola navrhnutá bloková schéma fuzzy riadiaceho systému, ktorý sa dnes stal klasickým (obr. 3.1).

Fuzzy riadenie je v tomto prípade chápané ako stratégia riadenia založená na empiricky nadobudnutých poznatkoch o fungovaní objektu (procesu), prezentovaná v lingvistickej forme vo forme určitého súboru pravidiel.

Ryža. 5.1. Štrukturálny diagram fuzzy riadiaceho systému

Na obr. 3.1 DF - dynamický filter, ktorý okrem riadiacich chybových signálov x 1 =r 1 -y 1 a x 3 =r 2 -y 2, deriváty týchto signálov a ;

RNL - regulátor založený na fuzzy logike ("fuzzy regulátor", ktorý zahŕňa bázu znalostí (presnejšie bázu pravidiel) a inferenčný mechanizmus;

resp. vektory vplyvov nastavenia (nastavenia), vstupy a výstupy RNL, ako aj výstupy riadiaceho objektu (t.j. parogenerátora); m je vektorová transpozičná operácia.

Vstupy a výstupy RNL sú:

Odchýlka tlaku v parnom kotli (y 1) vo vzťahu k požadovanej (nominálnej) hodnote (r 1);

Rýchlosť zmeny P E;

Odchýlka rýchlosti zmeny tlaku (y 2) vo vzťahu k jeho nastavenej hodnote (r 2);

rýchlosť zmeny SE;

u 1 =H c - zmena stupňa ohrevu pary;

U 2 \u003d: Tc - zmena polohy škrtiacej klapky.

Mamdani navrhol považovať tieto veličiny za lingvistické premenné, z ktorých každá môže nadobudnúť jednu z nasledujúcich hodnôt zo súboru

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

Tu 1. písmeno v označení označuje znamienko číselnej premennej a zodpovedá anglickému slovu Negative ("negative") alebo Positive ("pozitívne"), 2. písmeno označuje absolútnu hodnotu premennej: Big ("veľká" "), Stredná ("priemerná"), Malá ("malá") alebo O ("blízka nule"). Napríklad symbol NS znamená „negatívny malý“.

Počas prevádzky IMS sa v každom okamihu používa jeden z dvoch fuzzy algoritmov: prvý z nich reguluje tlak v kotle zmenou ohrevu pary H c , druhý udržiava požadovanú rýchlosť zmeny tlaku zmenou polohu ovládacej škrtiacej klapky T c. Každý z algoritmov pozostáva z množstva pravidiel – príkazov napísaných v prirodzenom jazyku, ako napríklad:

"Ak je odchýlka tlaku v kotle veľká, so záporným znamienkom a ak sa táto odchýlka neznižuje vysokou alebo strednou rýchlosťou, potom sa musí stupeň ohrevu pary výrazne zvýšiť."

"Ak je rýchlosť zmeny tlaku mierne pod normálnou hodnotou a zároveň sa táto rýchlosť prudko zvyšuje, potom by sa mala poloha škrtiacej klapky zmeniť na kladnú, dostatočne malú hodnotu."

Pomocou vyššie uvedeného zápisu je možné tieto pravidlá prepísať takto:

"AK (P E \u003d NB AND C PE \u003d HE (NB OR NM), TAK H C \u003d PB");

"AK (SE = NIE A C SE = PB), TO Tc = PS".

Implementácia navrhovaných fuzzy riadiacich algoritmov je zásadne odlišná od klasických („tvrdých“) algoritmov vybudovaných na základe konceptu spätná väzba(Feed-back Control) a v podstate jednoducho reprodukovať nejakú danú funkčnú závislosť resp Diferenciálnej rovnice.

Fuzzy regulátor preberá tie funkcie, ktoré zvyčajne vykonáva skúsený a šikovný servisný personál. Tieto funkcie sú spojené s kvalitatívnym hodnotením správania sa systému, analýzou aktuálnej meniacej sa situácie a výberom najvhodnejšej metódy riadenia objektu pre danú situáciu. Tento koncept ovládania sa nazýva Feed-Forward Control.

S použitím obrazného porovnania môžeme povedať, že takto sa správa skúsený tenista, ktorý zakaždým mení svoj úder tak, aby loptička letela po určitej dráhe, ktorú si sám zvolil, zatiaľ čo tenisový stroj pracuje podľa pevne nastaveného programu a vždy podáva loptička do rovnakého bodu, pozdĺž rovnakej trajektórie.

Bloková schéma fuzzy regulátora má vo všeobecnom prípade podobu znázornenú na obr. 3.2.

Ako je možné vidieť z tejto schémy, tvorba riadiacich akcií u1,u2,...,um zahŕňa nasledujúce kroky:

a) získanie odchýlok riadených súradníc a ich rýchlosti zmeny - x 1 ,x 2 ,...,x n ;

b) „fuzzifikácia“ týchto údajov, t.j. transformácia získaných hodnôt do fuzzy formy vo forme lingvistických premenných;

c) určenie fuzzy (kvalitatívnych) hodnôt výstupných premenných u 1 ,u 2 ,...,um m (vo forme funkcií ich príslušnosti k zodpovedajúcim fuzzy podmnožinám) na základe vopred formulovaných zaznamenaných pravidiel inferencie v základni pravidiel;

d) "defuzzifikácia", t.j. výpočet reálnych číselných hodnôt výstupov u 1 ,u 2 ,...,u m používaných na ovládanie objektu.

Ryža. 3.2. Bloková schéma fuzzy regulátora

Okrem toho, čo je znázornené na obr. 3.1 možnosti pre „čisté“ využitie fuzzy riadenia, existujú aj ďalšie možnosti na vybudovanie IMS s fuzzy regulátormi. Takže v klasickej teórii regulácie je široko používané použitie PID regulátora, ktorého výstupný signál sa vypočíta podľa vzorca

(3.1)

kde parametre TO P, TO a a TO e charakterizovať špecifická hmotnosť proporcionálne, integrálne a diferenciálne zložky a mali by sa vyberať na základe špecifikovaných ukazovateľov kvality regulácie (doba regulácie, prekmit, útlm prechodových javov).

Možné použitie fuzzy regulátora (NR) pre automatické ladenie(prispôsobenie) zadaných parametrov PID regulátora je na obr. 3.3a. Ďalšími možnosťami využitia HP je vytvorenie nastavení pre klasické regulátory (obr. 3.3.6); paralelné pripojenie s PID - regulátorom (obr. 3.3, c); riadenie s predbežným hodnotením charakteristík signálov (OCS) prijatých zo senzorov na základe interpretácie ich významu, pridelenia zovšeobecnených indikátorov kvality atď., po čom nasleduje spracovanie pomocou algoritmov fuzzy logiky (obr. 3.3, d).

Ryža. 3.3. IMS štruktúry s fuzzy regulátormi

Ako predpoklady pre použitie fuzzy regulátorov sa zvyčajne nazývajú:

Veľké číslo vstupné parametre, ktoré sa majú analyzovať (odhad);

Veľký počet kontrolných akcií (multidimenzionalita);

Silné poruchy;

nelinearita;

nepresnosti matematických modelov regulačné programy;

Schopnosť využívať technické znalosti "know - how".

Keď zhrnieme, čo bolo povedané, opäť si všimneme tie oblasti použitia, v ktorých je použitie fuzzy regulátorov efektívnejšie ako tradičné riadiace algoritmy. toto:

1) aplikácie, ktoré ešte nie sú spojené s automatizáciou, vyžadujúce použitie „know-how“, napríklad pivovarníctvo (kde môžete využiť znalosti odborníkov na zlepšenie kvality produktov), žeriavy (na zvýšenie produktivity pracovníkov) atď.;

2) aplikácie, v ktorých matematické metódy nie sú efektívne. Toto je veľmi zložité procesy, neprístupný matematickému popisu, na riadenie ktorého možno popri empirických poznatkoch využiť aj získané informácie z meraní (napríklad o priebehu chemických procesov);

3) aplikácie, v ktorých štandardné regulátory fungujú dostatočne dobre; riadenie založené na fuzzy logike však ponúka v tomto prípade alternatívny spôsob riešenia problémov riadenia, možnosť pracovať s lingvistickými premennými a viac možností na optimalizáciu.

Fuzzy systémy (bez ohľadu na to, či ide o fuzzy modely alebo fuzzy regulátory) (obr. 6) zahŕňajú dve hlavné zložky:

· Knowledge base (KB), ktorá uchováva dostupné alebo získané poznatky o probléme, ktorý je potrebné vyriešiť, vo forme fuzzy pravidiel;

· Inferenčný mechanizmus, ktorý využíva metódy fuzzy uvažovania založené na pravidlách a vstupoch na získanie výstupu systému.

Oba tieto komponenty musia byť navrhnuté tak, aby vytvorili systém pre konkrétnu aplikáciu:

Vedomostná báza sa tvorí z poznatkov odborníkov alebo učením sa pomocou strojových metód;

· Mechanizmus inferencie je vytvorený výberom fuzzy operátorov pre každý komponent (konjunkcia, implikácia, defuzzifikácia atď.).

V niektorých prípadoch sú operátori aj parametrizovaní a možno ich nastaviť automaticky.

Ryža. 7

Návrh KB zahŕňa dve čiastkové úlohy:

1. Definícia databázy (DB):

· Vesmír pre premenné;

· Škálovacie faktory alebo funkcie;

· Granularita (počet jazykových výrazov) pre každú premennú;

· Funkcie členstva popisujúce pojmy.

2. Zostavenie základne pravidiel (BP): formulácia základných pravidiel.

Ako už bolo spomenuté, existujú dve rôzne metódy navrhovania znalostnej bázy (KB): informácie od odborníkov a použitie metód strojového učenia založených na numerických informáciách získaných pomocou fuzzy modelovania alebo simuláciou navrhnutého riadiaceho systému.

Klasifikácia genetických fuzzy systémov

Z hľadiska optimalizácie, aby sme našli zodpovedajúci fuzzy systém, je potrebné ho reprezentovať ako ekvivalentnú parametrickú štruktúru a následne určiť hodnoty parametrov, ktoré poskytujú optimum pre špecifická funkcia fitness. Prvým krokom pri návrhu GNLS je preto rozhodnutie, ktorá časť fuzzy systému sa má optimalizovať zakódovaním jeho parametrov do chromozómov. V tejto časti uvádzame klasifikáciu GNLS zodpovedajúcu rôznym častiam fuzzy systému kódovaného pomocou genetického modelu.

Metódy návrhu GNLS sú zvyčajne rozdelené do dvoch procesov, nastavenie(t.j. prispôsobenie) a vzdelanie. V tomto prípade budeme vychádzať zo skutočnosti, či existuje alebo neexistuje pôvodná KB vrátane DB a BP. Potom v rámci GNLS zavedieme nasledujúce rozdelenie.

· Genetické ladenie. Ak existuje KB, aplikujeme proces genetického ladenia na zlepšenie vlastností fuzzy systému, ale nezmeníme BP. Tie. upravíme parametre NLS, aby sme zlepšili jeho vlastnosti, pričom TK zostane nezmenený.

· Genetický tréning. Druhou možnosťou je trénovať komponenty BP, ktoré zahŕňajú prispôsobenie mechanizmu inferencie. Tie. dotýkame sa tréningu komponentov BP spolu s ostatnými komponentmi NLS.

1) Genetické ladenie databázy. Prebieha predbežným určením typu a parametrov vstupných a výstupných škálovacích funkcií, ako aj funkcií príslušnosti a následným nastavením týchto parametrov a tým aj zmenou podoby škálovacích funkcií a funkcií príslušnosti pomocou GA (obr. 8).

2) Genetické učenie založené na pravidlách. Genetický tréning BP zahŕňa vopred určený súbor funkcií členstva v databáze, na ktoré pravidlá odkazujú prostredníctvom lingvistických pojmov.

Pri zvažovaní úlohy naučiť sa základ pravidiel sa otvára široká škála možností. Existujú tri hlavné prístupy: Pittsburgh, Michigan a iteratívne vyučovacie metódy. Pittsburský a Michiganský prístup sú najbežnejšími metódami učenia sa pravidiel vyvinutých v oblasti GA. Prvý z nich charakterizuje reprezentácia celého súboru (množiny) pravidiel ako genetického kódu (chromozómu), „chromozóm = súbor pravidiel“, udržiavanie populácie kandidátov na rolu pravidiel bez zmeny a pomocou selekcie a genetického vytvárať nové generácie súborov pravidiel. Michiganský prístup uvažuje o inom modeli, v ktorom sú členmi populácie jednotlivé pravidlá, „chromozóm=pravidlo“ a súbor pravidiel predstavuje celá populácia. V treťom prípade, iteratívna metóda, chromozómy kódujú samostatné pravidlá a nové pravidlo sa nakonfiguruje a pridá do sady pravidiel iteratívnym spôsobom.

Uvažuje sa o problematike navrhovania fuzzy systémov v balíku Fuzzy Logic Toolbox výpočtového prostredia MATLAB, uvádza sa potrebné informácie z oblasti teórie fuzzy množín a fuzzy logiky. Je uvedený teoretický materiál o návrhu fuzzy systémov. Prezentovaná je teória fuzzy identifikácie, metódy fuzzy zhlukovania a ich aplikácia na extrakciu fuzzy pravidiel, ako aj metóda rozhodovania vo fuzzy podmienkach založená na fúzii cieľov a obmedzení. Uvažuje sa s autorskými rozšíreniami balíka pre návrh fuzzy klasifikátorov, budovanie hierarchických fuzzy systémov, trénovanie fuzzy bázy znalostí typu Mamdani, ako aj pre logické inferencie s fuzzy počiatočnými dátami. Knihu je možné použiť ako tutoriál na univerzitné kurzy o inteligentných systémoch, umela inteligencia, teória rozhodovania a metódy identifikácie.
Pre systémových dizajnérov bude užitočný pre výskumníkov, postgraduálnych študentov a študentov vyšších ročníkov so záujmom o aplikáciu teórie fuzzy množín v oblasti riadenia, identifikácie, spracovania signálov, ako aj vývojárov inteligentných systémov na podporu rozhodovania v medicíne, biológii, sociológii, ekonómii, politika, šport a iné oblasti.

Predslov

Kapitola 1. Krátky kurz teória fuzzy množín
1.1. Historická odbočka
1.2. fuzzy množiny
1.2.1. Základné pojmy a definície
1.2.2. Vlastnosti fuzzy množín
1.2.3. Operácie na fuzzy množinách
1.2.4. Členské funkcie
1.3. fuzzy aritmetika
1.4. Fuzzy vzťahy
1.5. fuzzy logika
1.5.1. Lingvistické premenné
1.5.2. nejasná pravda
1.5.3. Fuzzy booleovské operácie
1.6. Fuzzy inferencia
1.6.1. záver
1.6.2. Základy fuzzy inferencie
1.6.3. Fuzzy vedomostné bázy
1.6.4. Kompozičné fuzzy inferenčné pravidlo Zadeh
1.6.5. Mamdaniho fuzzy záver
1.6.6. Sugeno Fuzzy Inferencia
1.6.7. Fuzzy inferencia na jedinej vedomostnej báze
1.6.8. Fuzzy inferencia pre klasifikačné problémy
1.6.9. Hierarchické fuzzy inferenčné systémy
1.6.10. Neuro-fuzzy siete

Kapitola 2. Teória navrhovania fuzzy systémov
2.1. Identifikácia nelineárnych závislostí pomocou fuzzy bázy znalostí
2.1.1. Tuning Mamdani Fuzzy Knowledge Base
2.1.2. Ladenie Sugeno Fuzzy Knowledge Base
2.1.3. Vytvorenie fuzzy bázy znalostí pre klasifikačné problémy
2.2. Fuzzy zhlukovanie
2.2.1. Úvod do klastrovania
2.2.2. Klastrovanie pomocou algoritmov c-means
2.2.2.1. Clear Clustering by C-Means Algorithm
2.2.2.2. Základný algoritmus fuzzy s-means
2.2.2.3. Zovšeobecnenia algoritmu fuzzy c-means
2.2.3. Ťažobné klastrovanie
2.2.4. Syntéza fuzzy pravidiel na základe výsledkov zhlukovania
2.3. Rozhodovanie vo fuzzy podmienkach podľa Bellman-Zadeovej schémy
2.3.1. Fuzzy ciele, obmedzenia a rozhodnutia
2.3.2. Fuzzy multikriteriálna analýza variantov
2.3.3. Fuzzy multikriteriálna analýza projektov značky
2.3.4. "Čo ak". Analýza variantov

Kapitola 3 Fuzzy Logic Toolbox
3.1. Štruktúra a vlastnosti balíka
3.2. Rýchly štart
3.2.1. Vývoj fuzzy systému typu Mamdani
3.2.2. Vývoj fuzzy systému typu Sugeno na základe odborných znalostí
3.2.3. Extrakcia z údajov systému Sugeno Fuzzy pomocou editora ANFIS
3.2.4. Extrakcia fuzzy systému v režime príkazového riadku
3.3. GUI moduly
3.3.1. Editor systému Fuzzy Inference
3.3.1.1. Ponuka Súbor
3.3.1.2. Menu Upraviť
3.3.1.3. Zobraziť menu
3.3.1.4. A menu metóda, metóda alebo metóda, implikácia a agregácia
3.3.1.5. Menu defuzzifikácia
3.3.2. Editor funkcie členstva
3.3.3. Editor pravidiel
3.3.3.1. Upraviť menu
3.3.3.2. Ponuka možností
3.3.4. Editor ANFIS
3.3.4.1. Upraviť menu
3.3.4.2. Oblasť vizualizácie
3.3.4.2. Oblasť vlastníctva ANFIS
3.3.4.3. Oblasť načítania údajov
3.3.4.4. Oblasť generovania pôvodného fuzzy inferenčného systému
3.3.4.5. Oblasti školenia, testovania a výstupu aktuálnych informácií
3.3.5. Prehliadač pravidiel
3.3.6. Surface Viewer
3.3.6.1. Ponuka možností
3.3.6.2. Menu osi
3.3.6.3. Vstupné polia
3.3.7. Findcluster
3.3.7.1. Oblasť vizualizácie
3.3.7.2. Oblasť načítania údajov
3.3.7.3. Oblasť klastrovania
3.4. Demo príklady
3.4.1. Spustenie základných ukážok
3.4.2. Predpoveď palivovej účinnosti vozidla
3.4.3. Nelineárna redukcia hluku
3.4.4. Predikcia časových radov
3.4.5. Predpovedanie počtu jázd autom
3.4.6. Identifikácia procesu ohrevu vzduchu v sušiči vlasov
3.4.7. Žonglovanie s tenisovou loptičkou
3.4.8. Držanie lopty na vahadle
3.4.9. parkovanie pre nákladné autá
3.4.10. Regulátor vody v nádrži
3.4.11. Ovládanie sprchy
3.4.12. Držanie obráteného kyvadla na vozíku
3.4.13. Ovládanie ramena robota
3.4.14. Klastrovanie pomocou algoritmu fuzzy s-means
3.4.15. Zhlukovanie dúhovky
3.4.16. Metódy defuzzifikácie
3.4.17. Galéria členských funkcií
3.4.18. Kalkulačka sprepitného
3.5. Referenčná funkcia súboru nástrojov Fuzzy Logic
3.6. Dátové štruktúry
3.6.1. Dátová štruktúra fuzzy inferenčného systému
3.6.2. Štruktúra súboru fuzzy inferenčného systému
3.6.3. Dátové štruktúry pre učenie a klastrovanie ANFIS
3.7. Interakcia s inými balíkmi
3.7.1. Bloky pre balík Simulink
3.7.2. C-kód fuzzy inferenčného stroja

Kapitola 4 Rozšírenie nástroja Fuzzy Logic Toolbox
4.1. Ladenie fuzzy modelov Mamdani pomocou nástroja Optimization Toolbox
4.2. Extrakcia fuzzy Mamdaniho modelov prostredníctvom fuzzy klastrovania
4.3. Navrhovanie fuzzy klasifikátorov
4.4. Fuzzy inferencia s fuzzy vstupnými dátami
4.5. Návrh hierarchických fuzzy systémov
4.5.1. Prvý spôsob
4.5.2. Druhý spôsob

Záver
Literatúra
Aplikácia. Internetové zdroje o fuzzy systémoch

Navrhnite a simulujte systémy fuzzy logiky

Fuzzy Logic Toolbox™ poskytuje funkcie MATLAB®, aplikácie a blok Simulink® na analýzu, navrhovanie a simuláciu systémov fuzzy logiky. Produkt vás prevedie krokmi vývoja fuzzy inferenčných systémov. Funkcie sú poskytované pre mnoho bežných techník, vrátane fuzzy klastrovania a adaptívneho neuro-fuzzy učenia.

Sada nástrojov vám umožňuje správať sa v komplexnom modelovom systéme pomocou jednoduchých logických pravidiel a potom tieto pravidlá implementovať do fuzzy inferenčného systému. Môžete ho použiť ako samostatný nástroj fuzzy inferencie. V Simulinku môžete použiť aj fuzzy inferenčné bloky a modelovať fuzzy systémy v komplexnom modeli celého dynamického systému.