Нечеткая модель с MIMO-структурой и способ нечеткого вывода
Характеристика основных этапов построения и использования нечеткой MIMO-модели выбора управляющих решений. Изображение логико-лингвистической шкалы для выходного показателя оценки состояния системы. Исследование слоев нейро-нечеткого классификатора.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | статья |
Язык | русский |
Дата добавления | 27.02.2019 |
Размер файла | 71,9 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru
Размещено на http://www.allbest.ru
При взаимозависимости выходных переменных в нечеткой продукционной модели с MIMO-структурой (Multi Inputs Multi Outputs) ее сложно представить в виде совокупности нечетких моделей с MISO-структурой (Multi Inputs Single Output). Это создает существенные сложности при реализации таких моделей на основе нечетких продукционных моделей (Fuzzy Rule-Based Models).
В статье рассматриваются вопросы создания нечеткой MIMO-модели и способа нечеткого вывода с использованием предложенной модели.
Рассмотрим вопросы построения и использования нечеткой MIMO-модели, характеризующейся взаимозависимостью выходных переменных, на примере модели выбора управляющих решений. Сформулируем основные требования к нечеткой MIMO-модели:
· основу модели выбора управляющих решений должна составлять нечеткая оценочная модель моделируемой системы;
· тип оценочной модели не должен оказывать существенного влияния на выбор управляющих решений;
· нечеткие показатели оценочной модели предварительно должны быть соотнесены с группами соответствующих управляющих решений;
· нечеткая модель должна обеспечивать как выделение группы управляющих решений, так выбор отдельного решения в пределах группы, оказывающего наиболее существенное влияние на значения соответствующих показателей.
Основными этапами построения и использования нечеткой MIMO-модели выбора управляющих решений являются следующие.
Этап 1. Задание входных и выходных показателей.
Допустим, в результате предварительного анализа осуществлено выделение наиболее значимых показателей оценки состояния системы: трех входных - Рвх1, Рвх2, Рвх3; двух выходных - Рвых1, Рвых2.
Этап 2. Формирование логико-лингвистических шкал входных и выходных показателей.
Все значения показателей представляются в виде функций принадлежности нечетких множеств. Число значений лингвистических переменных для каждого показателя может быть различным.
Для оценки входных и выходных переменных для наглядности будем использовать по три терма {Низкий, Средний, Высокий}, соответственно:
для Рвх1 - Нвх1, Свх1, Ввх1; для Рвх2 - Нвх2, Свх2, Ввх2; для Рвх3 - Нвх3, Свх3, Ввх3;
для Рвых1 - Нвых1, Свых1, Ввых1; для Рвых2 - Нвых2, Свых2, Ввых2.
Отметим, что хотя названия термов могут совпадать для разных показателей, на самом деле они могут иметь разные параметры.
Для задания терм-множеств входных и выходных показателей и построения их логико-лингвистических шкал целесообразно использовать типовые L-R-функции, например, колоколообразного типа [1]. Так, для показанной на рисунке 1 выходной переменной Рвых1 значение Нвых1 задается следующим образом:
(1)
где a1, b1 - параметры функции принадлежности колоколообразного типа.
Параметры ai, bi функций принадлежности в последующем могут быть уточнены посредством настройки по результатам использования модели.
На рисунке 1 приведен пример логико-лингвистической шкалы для выходной переменной Рвых1.
Рисунок 1 - Пример логико-лингвистической шкалы для показателя Рвых1
Этап 3. Соотнесение значений выходных показателей с соответствующими управляющими решениями и выделение групп управляющих решений.
Так как изменения входных показателей Рвх1, Рвх2, Рвх3 могут приводить к комплексному изменению выходных показателей Рвых1, Рвых2, то данная нечеткая модель, имеющая MIМO-структуру, не может быть представлена в виде совокупности нечетких моделей с MISO-структурой (Multi Inputs Single Outputs).
Поэтому, в отличие от известных процедур построения нечетких моделей, должны быть сформированы классификационные определения совместной оценки выходных показателей Рвых1 и Рвых2 (см., например, таблицу 1).
Таблица 1 - Пример соответствия значений выходных показателей управляющим решениям
Значения показателя Рвых1 |
Значения показателя Рвых2 |
Управляющие решения (УР) |
|||||||
УР1 |
УР2 |
УР3 |
УР4 |
УР5 |
УР6 |
УР7 |
|||
Нвых1 |
Нвых2 |
+ |
|||||||
Нвых1 |
Свых2 |
+ |
|||||||
Нвых1 |
Ввых2 |
+ |
+ |
||||||
Свых1 |
Нвых2 |
+ |
+ |
||||||
Свых1 |
Свых2 |
+ |
+ |
||||||
Свых1 |
Ввых2 |
+ |
+ |
||||||
Ввых1 |
Нвых2 |
+ |
+ |
||||||
Ввых1 |
Свых2 |
+ |
+ |
||||||
Ввых1 |
Ввых2 |
+ |
+ |
Представленный в таблице 1 пример позволяет выделить следующие группы управляющих решений для нечеткой модели выбора:
Группа 1 - УР1;
Группа 2 - УР2 & УР7;
Группа 3 - УР2 & УР5;
Группа 4 - УР3 & УР5;
Группа 5 - УР3 & УР7;
Группа 6 - УР4 & УР6;
Группа 7 - УР4 & УР7.
Этап 4. Формирование начальной базы нечетких правил модели.
В таблице 2 приведен пример структуры начальной базы правил нечеткой модели, сформированной на основе заранее сформулированных классификационных определений качественных оценок выходных показателей (здесь эти описания не приведены).
Сами нечеткие правила имеют следующий вид:
П1: ЕСЛИ Рвх1 есть Нвх1 И Рвх2 есть Нвх2 И Рвх3 есть Нвх3, ТО Рвых1 есть Нвых1 И Рвых2 есть Нвых2. (2)
. . .
П12: ЕСЛИ Рвх1 есть Свх1 И Рвх2 есть Нвх2 И Рвх3 есть Ввх3, ТО Рвых1 есть Свых1 И Рвых2 есть Свых2.
. . .
П27: ЕСЛИ Рвх1 есть Ввх1 И Рвх2 есть Ввх2 И Рвх3 есть Ввх3, ТО Рвых1 есть Ввых1 И Рвых2 есть Ввых2.
Таблица 2 - Структура базы нечетких правил модели
Номер правила |
Входные переменные |
Выходные переменные |
Группы управляющих решений |
||||
Рвх1 |
Рвх2 |
Рвх3 |
Рвых1 |
Рвых2 |
|||
П1 |
Нвх1 |
Нвх2 |
Нвх3 |
Нвых1 |
Нвых2 |
Группа 1 |
|
П2 |
Нвх1 |
Нвх2 |
Свх3 |
Нвых1 |
Нвых2 |
Группа 1 |
|
П3 |
Нвх1 |
Нвх2 |
Ввх3 |
Свых1 |
Нвых2 |
Группа 3 |
|
П4 |
Нвх1 |
Свх2 |
Нвх3 |
Нвых1 |
Нвых2 |
Группа 1 |
|
П5 |
Нвх1 |
Свх2 |
Свх3 |
Нвых1 |
Свых2 |
Группа 1 |
|
П6 |
Нвх1 |
Свх2 |
Ввх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П7 |
Нвх1 |
Ввх2 |
Нвх3 |
Свых1 |
Нвых2 |
Группа 3 |
|
П8 |
Нвх1 |
Ввх2 |
Свх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П9 |
Нвх1 |
Ввх2 |
Ввх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П10 |
Свх1 |
Нвх2 |
Нвх3 |
Свых1 |
Нвых2 |
Группа 3 |
|
П11 |
Свх1 |
Нвх2 |
Свх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П12 |
Свх1 |
Нвх2 |
Ввх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П13 |
Свх1 |
Свх2 |
Нвх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П14 |
Свх1 |
Свх2 |
Свх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П15 |
Свх1 |
Свх2 |
Ввх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П16 |
Свх1 |
Ввх2 |
Нвх3 |
Ввых1 |
Свых2 |
Группа 6 |
|
П17 |
Свх1 |
Ввх2 |
Свх3 |
Ввых1 |
Свых2 |
Группа 6 |
|
П18 |
Свх1 |
Ввх2 |
Ввх3 |
Ввых1 |
Свых2 |
Группа 6 |
|
П19 |
Ввх1 |
Нвх2 |
Нвх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П20 |
Ввх1 |
Нвх2 |
Свх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П21 |
Ввх1 |
Нвх2 |
Ввх3 |
Свых1 |
Свых2 |
Группа 4 |
|
П22 |
Ввх1 |
Свх2 |
Нвх3 |
Ввых1 |
Свых2 |
Группа 6 |
|
П23 |
Ввх1 |
Свх2 |
Свх3 |
Ввых1 |
Свых2 |
Группа 6 |
|
П24 |
Ввх1 |
Свх2 |
Ввх3 |
Ввых1 |
Ввых2 |
Группа 7 |
|
П25 |
Ввх1 |
Ввх2 |
Нвх3 |
Ввых1 |
Свых2 |
Группа 6 |
|
П26 |
Ввх1 |
Ввх2 |
Свх3 |
Ввых1 |
Ввых2 |
Группа 7 |
|
П27 |
Ввх1 |
Ввх2 |
Ввх3 |
Ввых1 |
Ввых2 |
Группа 7 |
Этап 5. Формирование подмножеств нечетких правил относительно выделенных групп управляющих решений.
Анализ таблицы 2 показывает:
· при построении нечеткой модели выбора из перечня возможных групп управляющих решений могут быть исключены Группы 2 и 5;
· все правила могут быть объединены относительно оставшихся групп управляющих решений в следующие подмножества:
o для управляющих решений из Группы 1 - (П1, П2, П4, П5);
o для управляющих решений из Группы 3 - (П3, П7, П10);
o для управляющих решений из Группы 4 - (П6, П8, П9, П11, П12, П13, П14, П15, П19, П20, П21);
o для Группы 6 - управляющих решений из (П16, П17, П18, П22, П23, П25);
o для Группы 7 - управляющих решений из (П24, П26, П27).
Результаты формирования подмножеств нечетких правил относительно выделенных групп управляющих решений, а также требование к модели, заключающееся в выборе конкретной группы управляющих решений с необходимостью получения оценки целесообразности его реализации, позволяют сформировать окончательную структуру модели. На рисунке 2 представлен пример структуры предлагаемой модели.
Рисунок 2 - Пример структуры нечеткой модели
Предложенная модель является сочетает в себе свойства нейро-нечеткого классификатора (при выделении группы управляющих решений) и нечеткой продукционной модели (при оценке целесообразности выбора этой выделенной группы управляющих решений). Структура данной нечеткой модели включает в себя нейро-нечеткий классификатор (слои 1-4) и совокупность подмножеств нечетких правил, соответствующих группам выбираемых управляющих решений.
Нейро-нечеткий классификатор [2] состоит из следующих слоев.
Слой 1. На выходе элементов этого слоя формируется степени принадлежности входных показателей.
Слой 2. Каждый элемент этого слоя реализует операцию T-нормы, например, min.
Слои 3-4. Элементы этих слоев предназначены для взвешенного аккумулирования значений выходов элементов предыдущего слоя. Элементы слоя 3 выполняют операцию S-нормы, например, операцию max. А значения на выходах элементов слоя 4 формируются с использованием активационных функций сигмоидного типа. Эти выходы используются для выделения соответствующей группы управляющих решений.
Далее в рамках каждой сформированной совокупности нечетких правил (для всех групп управляющих решений) реализуется алгоритм нечеткого вывода Мамдани [1], и по результату их использования оценивается степень целесообразности выбора управляющих решений из соответствующей группы.
Способ нечеткого вывода (выбора управляющих решений) с использованием предложенной нечеткой модели может быть описан следующим образом.
Шаг 1. Задание значений показателей Рвх1, Рвх2, Рвх3. На основании этих значений на выходе слоя 1 нечеткого классификатора определяются степени истинности входных показателей.
Шаг 2. Агрегирование соответствующих степеней истинности входных показателей на основе операции T-нормы в слое 2 нейро-нечеткого классификатора.
Шаг 3. Выполняется активизация значений выходов для каждого выделенного подмножества нечетких правил на основе взвешенного аккумулирования значений с использованием операции T-нормы и функции сигмоидного вида в слоях 3-4 нейро-нечеткого классификатора.
По результатам выполнения шага 3 данного способа выделяется соответствующая группа управляющих решений.
Шаг 4. Выполняется реализация алгоритма нечеткого вывода Мамдани для подмножества нечетких правил, соответствующего выделенной, по результатам работы нейро-нечеткого классификатора, группе управляющих решений.
В итоге выбирается группа управляющих решений и оценивается степень целесообразности выбора управляющего решения из группы.
Литература
нечеткий классификатор логический
1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2001.
Sun C.T., Jang J.S. A neuro-fuzzy classifier and its applications// In Proc. IEEE Int. Conference on Neural Networks, San Francisco, USA, 1993. - PP. 94-98.
Размещено на Allbest.ru
Подобные документы
Методы, системы, типы и способы проводимых измерений в автоматизированных системах медицинского обеспечения безопасности на транспорте. Проектирования нечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сети нейро-нечеткого вывода.
дипломная работа [6,5 M], добавлен 06.05.2011Основные этапы систем нечеткого вывода. Правила нечетких продукций, используемые в них. Нечеткие лингвистические высказывания. Определение алгоритмов Цукамото, Ларсена, Сугено. Реализации нечеткого вывода Мамдани на примере работы уличного светофора.
курсовая работа [479,6 K], добавлен 14.07.2012Начальное представление систем нечеткого вывода: логический вывод, база знаний. Алгоритм Мамдани в системах нечеткого вывода: принцип работы, формирование базы правил и входных переменных, агрегирование подусловий, активизация подзаключений и заключений.
курсовая работа [757,3 K], добавлен 24.06.2011Характеристика методов нечеткого моделирования и изучение системы кластеризации в пакетах прикладных программ. Разработка и реализация алгоритма для оптимизации базы правил нечеткого классификатора с помощью генетического алгоритма аппроксимации функции.
дипломная работа [1,9 M], добавлен 21.06.2014Понятие и свойства лингвистической переменной, ее разновидности. Основы теории приближенных рассуждений. Нечеткие системы логического вывода с одной и несколькими входными переменными. Принципы нечеткого моделирования, вычисление уровней истинности.
презентация [152,7 K], добавлен 29.10.2013Решение задач прогнозирования цен на акции "Мазут" на 5 дней, построение прогноза для переменной "LOW". Работа в модуле "Neural networks", назначение вкладок и их характеристика. Построение системы "Набор программистов" нечеткого логического вывода.
курсовая работа [3,2 M], добавлен 26.12.2016Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.
курсовая работа [2,3 M], добавлен 23.06.2012Интеллектуальная система как техническая или программная система, решающая задачи, которые считаются творческими и принадлежат конкретной предметной области. Анализ системы нечеткого логического вывода. Знакомство со средой программирования FuzzyTECH.
дипломная работа [2,6 M], добавлен 30.09.2016Понятие нечеткого множества и функции принадлежности. Методы дефаззификации (преобразования нечеткого множества в четкое число) для многоэкстремальных функций принадлежности. Нечеткий логический вывод. Примеры выпуклого и невыпуклого нечеткого множества.
презентация [111,7 K], добавлен 16.10.2013Исследование проблемы сравнения звуковых файлов и определение степени их схожести. Сравнение файлов с использованием метода нечеткого поиска, основанного на метрике (расстоянии) Левенштейна. Сравнение MIDI-файлов и реализация алгоритмов считывания.
курсовая работа [2,0 M], добавлен 14.07.2012