Нечеткая система управления - Fuzzy control system

А нечеткая система управления это система контроля на основе нечеткая логика —А математический система, которая анализирует аналог входные значения в терминах логичный переменные, которые принимают непрерывные значения от 0 до 1, в отличие от классических или цифровой логика, которая работает с дискретными значениями 1 или 0 (истина или ложь соответственно).^[1]^[2]

Обзор

Нечеткая логика широко используется в управлении машинами. Термин «нечеткий» относится к тому факту, что задействованная логика может иметь дело с концепциями, которые не могут быть выражены как «истинные» или «ложные», а скорее как «частично истинные». Хотя альтернативные подходы, такие как генетические алгоритмы и нейронные сети, во многих случаях могут работать так же хорошо, как нечеткая логика, нечеткая логика имеет то преимущество, что решение проблемы может быть сформулировано в терминах, понятных операторам, так что их опыт может быть понят. использован в конструкции контроллера. Это упрощает механизацию задач, которые уже успешно выполняются людьми.^[1]

История и приложения

Нечеткая логика была предложена Лотфи А. Заде из Калифорнийского университета в Беркли в статье 1965 года.^[3] Он развил свои идеи в статье 1973 года, в которой было введено понятие «лингвистические переменные», которые в этой статье приравниваются к переменной, определенной как нечеткое множество. За этим последовали другие исследования, с первым промышленным применением цемента. печь Построен в Дании, введен в эксплуатацию в 1975 году.

Нечеткие системы изначально были реализованы в Япония.

Интерес к нечетким системам был вызван Сэйдзи Ясунобу и Соджи Миямото из Hitachi, который в 1985 году представил моделирование, которые продемонстрировали возможность нечетких систем управления для Метро Сендай. Их идеи были приняты, и нечеткие системы использовались для управления ускорением, торможением и остановкой, когда Линия Намбоку открыт в 1987 году.
В 1987 году Такеши Ямакава продемонстрировал использование нечеткого управления с помощью набора простых специализированных микросхем нечеткой логики в "перевернутый маятник "эксперимент. Это классическая задача управления, в которой транспортное средство пытается удерживать столб, установленный на его вершине с помощью шарнира в вертикальном положении, перемещаясь вперед и назад. Впоследствии Ямакава сделал демонстрацию более сложной, установив бокал для вина, содержащий воду и даже живая мышь на вершину маятника: система сохраняла стабильность в обоих случаях.Ямакава в конечном итоге организовал свою собственную лабораторию по исследованию нечетких систем, чтобы помочь использовать свои патенты в этой области.
Впоследствии японские инженеры разработали широкий спектр нечетких систем как для промышленных, так и для потребительских приложений. В 1988 году в Японии была создана Лаборатория международной нечеткой инженерии (LIFE) - совместное соглашение между 48 компаниями для проведения нечетких исследований. Автомобильная компания Volkswagen была единственным иностранным корпоративным членом LIFE, отправившим исследователя на три года.
Японские потребительские товары часто содержат нечеткие системы. В пылесосах Matsushita используются микроконтроллеры с нечеткими алгоритмами для опроса датчиков пыли и их настройки. мощность всасывания соответственно. Стиральные машины Hitachi используют нечеткие контроллеры для загрузки датчиков веса, состава ткани и загрязнения и автоматически устанавливают цикл стирки для наилучшего использования энергии, воды и моющего средства.
Canon разработала автофокусировка камера, которая использует устройство с зарядовой связью (CCD), чтобы измерить четкость изображения в шести областях его поля зрения и использовать предоставленную информацию, чтобы определить, находится ли изображение в фокусе. Он также отслеживает скорость изменения движения объектива во время фокусировки и контролирует его скорость, чтобы предотвратить перерегулирование. Система нечеткого управления камерой использует 12 входов: 6 для получения текущих данных четкости, предоставляемых ПЗС-матрицей, и 6 для измерения скорости изменения движения объектива. Выход - это положение линзы. Система нечеткого управления использует 13 правил и требует 1,1 килобайта памяти.
Промышленный кондиционер Разработанный Mitsubishi, использует 25 правил нагрева и 25 правил охлаждения. Датчик температуры обеспечивает вход, а управляющие выходы подаются на инвертор, клапан компрессора и двигатель вентилятора. По сравнению с предыдущей конструкцией, нечеткий контроллер нагревается и охлаждается в пять раз быстрее, снижает энергопотребление на 24%, увеличивает температурную стабильность в два раза и использует меньше датчиков.
Другие исследованные или реализованные приложения включают: распознавание символов и рукописного ввода; оптические нечеткие системы; роботы, в том числе для изготовления японских цветочных композиций; управляемый голосом роботы-вертолеты (парение - это «балансирующий акт», скорее похожий на проблему перевернутого маятника); реабилитационная робототехника для обеспечения индивидуальных решений пациента (например, для контроля частоты сердечных сокращений и артериального давления ^[4]); контроль расхода порошков при производстве пленок; лифтовые системы; и так далее.

Работа над нечеткими системами также продолжается в США и Европе, хотя и в менее обширных масштабах, чем в Японии.

В Агентство по охране окружающей среды США исследовал нечеткое управление для энергетически эффективный двигатели и НАСА изучил нечеткое управление для автоматической стыковки космоса: моделирование показывает, что нечеткая система управления может значительно снизить расход топлива.
Такие фирмы, как Боинг, Дженерал Моторс, Аллен-Брэдли, Chrysler, Eaton, и Водоворот работали над нечеткой логикой для использования в холодильниках малой мощности, улучшенных автомобильных трансмиссиях и энергоэффективных электродвигателях.
В 1995 г. Maytag представил «умный» посудомойка основан на нечетком контроллере и «универсальном сенсорном модуле», который объединяет термистор, для измерения температуры; датчик проводимости для измерения уровня моющего средства по ионам, присутствующим в стирке; датчик мутности, который измеряет рассеянный и проходящий свет для измерения загрязнения белья; и магнитострикционный датчик для считывания скорости вращения. Система определяет оптимальный цикл стирки для любой загрузки, чтобы получить наилучшие результаты с наименьшим количеством энергии, моющего средства и воды. Он даже настраивается на засохшие продукты, отслеживая время последнего открытия дверцы, и оценивает количество блюд по количеству открытий дверцы.

Исследования и разработки также продолжаются в отношении нечетких приложений в программном обеспечении, в отличие от прошивка, дизайн, в том числе нечеткий экспертные системы и интеграция нечеткой логики с нейронная сеть и так называемый адаптивный "генетический "программные системы, конечной целью которых является создание" самообучающихся "нечетких систем управления.^[5] Эти системы могут быть использованы для управления сложными нелинейными динамическими объектами,^[6] например, человеческое тело.^[4]^[5]^[7]

Нечеткие множества

Входные переменные в нечеткой системе управления обычно отображаются наборами функций принадлежности, подобных этой, известных как «нечеткие множества». Процесс преобразования четкого входного значения в нечеткое значение называется «фаззификацией».

Система управления также может иметь различные типы выключатель, или «ВКЛ-ВЫКЛ», входы вместе с их аналоговыми входами и такие входы переключателя, конечно, всегда будут иметь значение истинности, равное 1 или 0, но схема может работать с ними как с упрощенными нечеткими функциями, которые оказываются либо то или иное значение.

Данный "сопоставления "входных переменных в функции принадлежности и ценности истины, то микроконтроллер тогда принимает решения какое действие следует предпринять на основе набора «правил», каждое из следующих форм:

  ЕСЛИ температура тормозов теплая и скорость не очень высокая, ТО тормозное давление немного снижается.

В этом примере двумя входными переменными являются «температура тормоза» и «скорость», значения которых определены как нечеткие наборы. Выходная переменная «тормозное давление» также определяется нечетким набором, который может иметь такие значения, как «статический», «слегка увеличенный» или «слегка уменьшенный» и т. Д.

Подробно о нечетком управлении

Концептуально нечеткие контроллеры очень просты. Они состоят из этапа ввода, этапа обработки и этапа вывода. Этап ввода сопоставляет датчик или другие входы, такие как переключатели, колесики и т. Д., С соответствующими функциями принадлежности и значениями истинности. Этап обработки вызывает каждое соответствующее правило и генерирует результат для каждого, а затем объединяет результаты правил. Наконец, выходной каскад преобразует объединенный результат обратно в конкретное управляющее выходное значение.

Наиболее распространенная форма функций принадлежности - треугольная, хотя также используются трапециевидные и колоколообразные кривые, но форма обычно менее важна, чем количество кривых и их расположение. Обычно подходит от трех до семи кривых для покрытия требуемого диапазона входного значения или "вселенная дискурса "на нечетком жаргоне.

Как обсуждалось ранее, этап обработки основан на наборе логических правил в форме операторов IF-THEN, где часть IF называется «антецедент», а часть THEN называется «консеквент». Типичные нечеткие системы управления содержат десятки правил.

Рассмотрим правило термостата:

  ЕСЛИ (температура "холодная") ТО включите (нагреватель "высокий")

Это правило использует значение истинности входа «температура», которое является некоторым значением истинности «холодный», чтобы сгенерировать результат в нечетком наборе для выхода «нагреватель», который является некоторым значением «высокий». Этот результат используется с результатами других правил для окончательного создания четкого композитного вывода. Очевидно, что чем больше значение истинности «холодный», тем выше значение истинности «высокий», хотя это не обязательно означает, что сам вывод будет установлен на «высокий», поскольку это только одно правило из многих. В некоторых случаях функции принадлежности могут быть изменены с помощью «изгородей», эквивалентных наречиям. Обычные живые изгороди включают «около», «около», «близко к», «приблизительно», «очень», «слегка», «слишком», «чрезвычайно» и «несколько». Эти операции могут иметь точные определения, хотя определения могут значительно различаться в зависимости от реализации. «Очень», например, квадраты функций принадлежности; поскольку значения принадлежности всегда меньше 1, это сужает функцию принадлежности. «Чрезвычайно» кубизирует значения, чтобы дать большее сужение, а «несколько» расширяет функцию, извлекая квадратный корень.

На практике наборы нечетких правил обычно имеют несколько антецедентов, которые объединяются с использованием нечетких операторов, таких как И, ИЛИ и НЕ, хотя опять же определения имеют тенденцию меняться: И в одном популярном определении просто использует минимальный вес всех антецеденты, а ИЛИ использует максимальное значение. Существует также оператор НЕ, который вычитает функцию принадлежности из 1, чтобы получить «дополнительную» функцию.

Есть несколько способов определить результат правила, но один из наиболее распространенных и простых - это "макс-мин". вывод , в котором выходной функции принадлежности присваивается значение истинности, сгенерированное предпосылкой.

Правила могут быть решены параллельно аппаратно или последовательно программно. Результаты всех сработавших правил "дефаззифицируются" до четкого значения одним из нескольких методов. Теоретически их десятки, у каждого из которых есть свои преимущества или недостатки.

Очень популярен метод «центроида», при котором «центр масс» результата обеспечивает четкое значение. Другой подход - это метод «высоты», который принимает значение самого большого участника. Метод центроида отдает предпочтение правилу с максимальной площадью вывода, тогда как метод высоты, очевидно, отдает предпочтение правилу с наибольшим выходным значением.

На приведенной ниже диаграмме показан вывод max-min и дефаззификация центроида для системы с входными переменными «x», «y» и «z» и выходной переменной «n». Обратите внимание, что «mu» - это стандартная номенклатура нечеткой логики для «значения истинности»:

Fuzzy control - centroid defuzzification using max-min inferencing.png

Обратите внимание, как каждое правило предоставляет результат в виде истинного значения конкретной функции принадлежности для выходной переменной. При дефаззификации центроидов значения объединяются по ИЛИ, то есть используется максимальное значение, а значения не добавляются, а затем результаты объединяются с использованием вычисления центроида.

Разработка систем нечеткого управления основывается на эмпирических методах, в основном методическом подходе к методом проб и ошибок. Общий процесс выглядит следующим образом:

Задокументируйте рабочие характеристики системы, а также входы и выходы.
Задокументируйте нечеткие множества для входных данных.
Задокументируйте набор правил.
Определите метод дефаззификации.
Выполните набор тестов для проверки системы, при необходимости скорректируйте детали.
Заполните документ и отправьте в производство.

В качестве общего примера рассмотрим схему нечеткого регулятора для паровой турбины. Блок-схема этой системы управления выглядит следующим образом:

Входные и выходные переменные отображаются в следующий нечеткий набор:

Fuzzy control - input and output variables mapped into a fuzzy set.png -куда:

  N3: Большой негатив. N2: Средне отрицательный. N1: Небольшой минус. Z: ноль. P1: небольшой положительный. P2: Средне положительный. P3: Большой положительный.

В набор правил входят такие правила, как:

Правило 1: ЕСЛИ температура низкая, а давление слабое, тогда дроссель будет P3.

Правило 2: ЕСЛИ температура НИЗКОЕ И давление низкое, ТОЛЬКО дроссель P2.

Правило 3: ЕСЛИ температура низкая и давление в норме, тогда дроссель Z.

Правило 4: ЕСЛИ температура низкая, а давление сильное, тогда дроссель N2.

На практике контроллер принимает входные данные и отображает их в свои функции принадлежности и значения истинности. Эти сопоставления затем вводятся в правила. Если правило определяет отношение И между отображениями двух входных переменных, как в приведенных выше примерах, минимум из двух используется как объединенное значение истинности; если указано ИЛИ, используется максимум. Выбирается соответствующее выходное состояние и присваивается значение принадлежности на уровне истинности предпосылки. Затем значения истинности дефаззифицируются. Например, предположим, что температура находится в «холодном» состоянии, а давление в «низком» и «нормальном» состояниях. Значения давления гарантируют, что срабатывают только правила 2 и 3:

Fuzzy control - Rule 2 evaluation.png

Fuzzy control - Rule 3 evaluation.png

Затем два выхода дефаззифицируются посредством дефаззификации центроидов:

   __________________________________________________________________ | Z P2 1 - + * * | * * * * | * * * * | * * * * | * 222222222 | * 22222222222 | 333333332222222222222 + --- 33333333222222222222222 -> ^ +150 __________________________________________________________________

Выходное значение будет регулировать дроссельную заслонку, а затем цикл управления начнется снова, чтобы генерировать следующее значение.

Создание нечеткого контроллера

Рассмотрим реализацию с микросхемой микроконтроллера простого контроллера обратной связи:

Fuzzy control system-feedback controller.png

Нечеткое множество определяется для входной переменной ошибки «e» и производного изменения ошибки «дельта», а также для «выхода» следующим образом:

  LP: большой положительный SP: маленький положительный ZE: ноль SN: маленький отрицательный LN: большой отрицательный

Если ошибка находится в диапазоне от -1 до +1 при используемом аналого-цифровом преобразователе с разрешением 0,25, то нечеткое множество входной переменной (которое в данном случае также применяется к выходной переменной) можно описать очень сильно. просто как таблица, со значениями ошибки / дельты / вывода в верхней строке и значениями истинности для каждой функции принадлежности, расположенными в строках ниже:

  _______________________________________________________________________ -1 -0,75 -0,5 -0,25 0 0,25 0,5 0,75 1 _______________________________________________________________________ mu (LP) 0 0 0 0 0 0 0,3 0,7 1 mu (SP) 0 0 0 0 0,3 0,7 1 0,7 0,3 mu (ZE) 0 0 0,3 0,7 1 0,7 0,3 0 0 мю (SN) 0,3 0,7 1 0,7 0,3 0 0 0 0 мю (LN) 1 0,7 0,3 0 0 0 0 0 0 _______________________________________________________________________ - или в графической форме (где каждый «X» имеет значение 0,1):

         LN SN ZE SP LP + -------------------------------------------- ---------------------- + | | -1,0 | XXXXXXXXXX XXX::: | -0.75 | XXXXXXX XXXXXXX::: | -0,5 | XXX XXXXXXXXXX XXX:: | -0.25 | : XXXXXXX XXXXXXX:: | 0,0 | : XXX XXXXXXXXXX XXX: | 0,25 | :: XXXXXXX XXXXXXX: | 0,5 | :: XXX XXXXXXXXXX XXX | 0,75 | ::: XXXXXXX XXXXXXX | 1.0 | ::: XXX XXXXXXXXXX | | | + ------------------------------------------------- ----------------- +

Предположим, эта нечеткая система имеет следующую базу правил:

  правило 1: ЕСЛИ e = ZE, И дельта = ZE, ТО, выход = ZE, правило 2: ЕСЛИ e = ZE, И дельта = SP, ТО выход = SN правило 3: ЕСЛИ e = SN, И дельта = SN, ТО выход = LP, правило 4: ЕСЛИ e = LP ИЛИ дельта = LP ТО выход = LN

Эти правила типичны для приложений управления в том смысле, что антецеденты состоят из логической комбинации сигналов ошибки и дельты ошибок, в то время как следствием является выходной сигнал команды управления. Выходные данные правила можно дефаззифицировать с помощью дискретного вычисления центроида:

  СУММ (I = от 1 до 4 OF (мю (I) * выход (I))) / СУММ (I = от 1 до 4 OF мю (I))

Теперь предположим, что в данный момент:

  е = 0,25 дельта = 0,5

Тогда это дает:

  ________________________ e дельта ________________________ mu (LP) 0 0,3 mu (SP) 0,7 1 mu (ZE) 0,7 0,3 mu (SN) 0 0 mu (LN) 0 0 ________________________

Включение этого в правило 1 дает:

  правило 1: ЕСЛИ e = ZE И дельта = ZE, ТО выход = ZE mu (1) = MIN (0,7, 0,3) = 0,3 выход (1) = 0

-- куда:

mu (1): истинное значение функции принадлежности результата для правила 1. С точки зрения вычисления центроида, это «масса» этого результата для этого дискретного случая.
output (1): Значение (для правила 1), при котором функция принадлежности результата (ZE) максимальна в диапазоне нечеткого набора выходной переменной. То есть, с точки зрения расчета центроида, местоположение «центра масс» для этого индивидуального результата. Это значение не зависит от значения «мю». Он просто определяет положение ZE в диапазоне вывода.

Остальные правила дают:

  правило 2: ЕСЛИ e = ZE И дельта = SP, ТО выход = SN mu (2) = MIN (0,7, 1) = 0,7 выход (2) = -0,5

  правило 3: ЕСЛИ e = SN И дельта = SN, ТО выход = LP mu (3) = MIN (0,0, 0,0) = 0 выход (3) = 1

  правило 4: ЕСЛИ e = LP ИЛИ дельта = LP, ТО выход = LN mu (4) = МАКС (0,0, 0,3) = 0,3 выход (4) = -1

Вычисление центроида дает:

   ${ displaystyle { frac {mu (1) cdot output (1) + mu (2) cdot output (2) + mu (3) cdot output (3) + mu (4) cdot output (4) } {му (1) + му (2) + му (3) + му (4)}}}$    ${ displaystyle = { frac {(0,3 cdot 0) + (0,7 cdot -0,5) + (0 cdot 1) + (0,3 cdot -1)} {0,3 + 0,7 + 0 + 0,3}}}$    ${ displaystyle = -0,5}$ - для итогового контрольного вывода. Простой. Конечно, сложнее всего выяснить, какие правила на самом деле работают правильно.

Если у вас есть проблемы с вычислением уравнения центроида, помните, что центроид определяется путем суммирования всех моментов (местоположение, умноженных на массу) вокруг центра тяжести и приравнивания суммы к нулю. Так что если ${ displaystyle X_ {0}}$ это центр тяжести, ${ displaystyle X_ {i}}$ - расположение каждой массы, а ${ displaystyle M_ {i}}$ каждая масса, это дает:

   ${ displaystyle 0 = (X_ {1} -X_ {0}) cdot M_ {1} + (X_ {2} -X_ {0}) cdot M_ {2} + ldots + (X_ {n} - X_ {0}) cdot M_ {n}}$    ${ displaystyle 0 = (X_ {1} cdot M_ {1} + X_ {2} cdot M_ {2} + ldots + X_ {n} cdot M_ {n}) - X_ {0} cdot ( M_ {1} + M_ {2} + ldots + M_ {n})}$    ${ Displaystyle X_ {0} cdot (M_ {1} + M_ {2} + ldots + M_ {n}) = X_ {1} cdot M_ {1} + X_ {2} cdot M_ {2} + ldots + X_ {n} cdot M_ {n}}$    ${ Displaystyle X_ {0} = { frac {X_ {1} cdot M_ {1} + X_ {2} cdot M_ {2} + ldots + X_ {n} cdot M_ {n}} {M_ {1} + M_ {2} + ldots + M_ {n}}}}$

В нашем примере значения mu соответствуют массам, а значения X - местоположению масс (однако mu, только «соответствует массам», если исходные «массы» выходных функций все одинаковы / эквивалент. Если они не одинаковы, то есть некоторые из них являются узкими треугольниками, а другие могут быть широкими трапециями или треугольниками с плечом, тогда масса или площадь выходной функции должны быть известны или рассчитаны. Именно эта масса затем масштабируется с помощью mu и умноженное на его местоположение X_i).

Эта система может быть реализована на стандартном микропроцессоре, но теперь доступны специальные нечеткие микросхемы. Например, Adaptive Logic INC из Сан-Хосе, Калифорния, продает «нечеткий чип», AL220, который может принимать четыре аналоговых входа и генерировать четыре аналоговых выхода. Блок-схема микросхемы представлена ниже:

              + --------- + + ------- + аналог --4 -> | аналог | | mux / + - 4 -> аналог в | мультиплексор | | SH | выход + ---- + ---- + + ------- + | ^ V | + ------------- + + - + - + | АЦП / защелка | | DAC | + ------ + ------ + + ----- + | ^ | | 8 + ----------------------------- + | | | | V | | + ----------- + + ------------- + | + -> | фаззификатор | | дефаззификатор + - + + ----- + ----- + + ------------- + | ^ | + ------------- + | | | правило | | + -> | процессор + - + | (50 правил) | + ------ + ------ + | + ------ + ------ + | параметр | | память | | 256 х 8 | + ------------- + ADC: аналого-цифровой преобразователь DAC: цифро-аналоговый преобразователь SH: выборка / удержание

Антиблокировочная система тормозов

В качестве примера рассмотрим антиблокировочная система, управляемый микросхемой микроконтроллера. Микроконтроллер должен принимать решения на основе тормоза температура, скорость, и другие переменные в системе.

Переменная «температура» в этой системе может быть разделена на ряд «состояний»: «холодный», «холодный», «умеренный», «теплый», «горячий», «очень горячий». Переход от одного состояния к другому трудно определить.

Может быть установлен произвольный статический порог для разделения «теплого» от «горячего». Например, ровно при 90 градусах теплый конец и начало горячего. Но это приведет к прерывистому изменению, когда входное значение превысит этот порог. Переход не будет плавным, как это требуется при торможении.

Способ обойти это - сделать состояния нечеткий. То есть позвольте им постепенно переходить из одного состояния в другое. Для этого между различными факторами должна быть установлена динамическая взаимосвязь.

Начните с определения состояний температуры на входе с помощью «функций принадлежности»:

Fuzzy control - definition of input temperature states using membership functions.png

Благодаря этой схеме состояние входной переменной больше не перескакивает из одного состояния в другое. Вместо этого, когда температура изменяется, она теряет значение в одной функции принадлежности, приобретая значение в следующей. Другими словами, его рейтинг в категории холода уменьшается по мере того, как он становится более высоким в более теплой категории.

В любом временном интервале выборки «истинное значение» температуры тормоза почти всегда будет в некоторой степени частью двух функций принадлежности: то есть: «0,6 номинала и 0,4 тепла», или «0,7 номинала и 0,3 холодного» и т. Д.

В приведенном выше примере демонстрируется простое приложение с использованием абстракция значений из нескольких значений. Это только один вид данных, в данном случае температура.

Добавление дополнительной сложности к этой тормозной системе может быть сделано дополнительными факторами, такими как тяга, скорость, инерция, настроенные в динамических функциях, согласно разработанной нечеткой системе.^[8]

Логическая интерпретация нечеткого управления

Несмотря на внешний вид, существует несколько трудностей, чтобы дать строгую логическую интерпретацию ЕСЛИ-ТО правила. Например, интерпретируйте правило как ЕСЛИ (температура "холодная") ТО (нагреватель "высокий") по формуле первого порядка Холодный (x) → Высокий (y) и предположим, что r - вход такой, что Холодный (г) ложно. Тогда формула Холодный (r) → Высокий (t) верно для любого т и поэтому любой т дает правильный контроль р. Строгое логическое обоснование нечеткого управления дано в книге Хайека (см. Главу 7), где нечеткое управление представлено как теория базовой логики Хайека.^[2]

В Герла 2005 ^[9] Предлагается другой логический подход к нечеткому управлению, основанный на программировании с нечеткой логикой: ж нечеткая функция, возникающая из систем правил ЕСЛИ ТОГО. Затем эту систему можно преобразовать в нечеткую программу P, содержащую серию правил с заголовком «Хорошо (x, y)». Интерпретация этого предиката в наименее нечеткой Модель Herbrand P совпадает с f. Это дает дополнительные полезные инструменты для нечеткого управления.

Нечеткое качественное моделирование

Прежде чем система искусственного интеллекта сможет планировать последовательность действий, какое-то модель необходим. Для видеоигр модель соответствует правилам игры. С точки зрения программирования, правила игры реализованы как Физический движок который принимает действие от игрока и вычисляет, действительно ли действие. После выполнения действия игра переходит в режим отслеживания. Если цель не только в том, чтобы играть математические игры но при определении действий для реальных приложений наиболее очевидным узким местом является отсутствие правил игры. Первый шаг - смоделировать домен. Идентификация системы могут быть реализованы с помощью точных математических уравнений или Нечеткие правила.^[10]

Использование нечеткой логики и ANFIS системы (адаптивная сетевая система нечеткого вывода) для создания форвардная модель у домена много недостатков.^[11] А качественное моделирование не может определить правильное состояние отслеживания, но система будет только предполагать, что произойдет, если действие будет выполнено. Нечеткое качественное моделирование не может предсказать точные числовые значения, но оно использует неточные естественный язык размышлять о будущем. Он берет текущую ситуацию плюс действия из прошлого и генерирует ожидаемое последующее состояние игры.

Выходные данные системы ANFIS не предоставляют правильную информацию, а только Нечеткое множество обозначение, например [0,0.2,0.4,0]. После преобразования заданных обозначений обратно в числовые значения точность ухудшается. Это делает нечеткое качественное моделирование плохим выбором для практических приложений.^[12]

Смотрите также

дальнейшее чтение

Кевин М. Пассино и Стивен Юркович, Fuzzy Control, Addison Wesley Longman, Menlo Park, CA, 1998 (522 стр.)
Казуо Танака; Хуа О. Ван (2001). Разработка и анализ систем нечеткого управления: подход с использованием линейного матричного неравенства. Джон Уайли и сыновья. ISBN 978-0-471-32324-2.
Кокс, Э. (октябрь 1992 г.). Нечеткие основы. IEEE Spectrum, 29:10. С. 58–61.
Кокс, Э. (февраль 1993 г.) Адаптивные нечеткие системы. IEEE Spectrum, 30: 2. С. 7–31.
Ян Янцен, "Настройка нечетких ПИД-регуляторов", Технический университет Дании, отчет 98-H 871, 30 сентября 1998 г. [1]
Ян Янцен, Основы нечеткого управления. Wiley, 2007 (209 страниц) (Оглавление)
Вычислительный интеллект: методологическое введение Авторы: Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Held, 2013, Springer, ISBN 9781447150121

внешняя ссылка

[Pedrycz-1] а ^б Педрич, Витольд (1993). Нечеткое управление и нечеткие системы (2-е изд.). Research Studies Press Ltd.

[Hájek-2] а ^б Гайек, Петр (1998). Метаматематика нечеткой логики (4-е изд.). Springer Science & Business Media.

[3] Заде, Лотфи А. (1965). «Нечеткие множества» (PDF). Информация и контроль. 8 (3): 338–353. Дои:10.1016 / S0019-9958 (65) 90241-X.

[sarabadani-4] а ^б Сарабадани Тафреши, Амирехсан; Кламрот-Марганска, В .; Nussbaumer, S .; Ринер, Р. (2015). «Контроль в реальном времени частоты сердечных сокращений и артериального давления человека». IEEE Transactions по биомедицинской инженерии. 62 (5): 1434–1442. Дои:10.1109 / TBME.2015.2391234. PMID 25594957. S2CID 32000981.

[mamdani-5] а ^б Мамдани, Эбрагим Х (1974). «Применение нечетких алгоритмов для управления простым динамическим объектом». Труды института инженеров-электриков. 121 (12): 1585–1588. Дои:10.1049 / piee.1974.0328.

[6] Lugli, A. B .; Neto, E. R .; Henriques, J. P.C .; Hervas, M. D. A .; Сантос, M. M. D .; Хусто, Дж. Ф. (2016). «Управление промышленными приложениями с помощью нечетких систем» (PDF). Int. J. Инновационная вычислительная информация и управление. 12 (2): 665–676.

[7] Бастиан, Андреас (2000). «Выявление нечетких моделей с использованием генетического программирования» (PDF). Нечеткие множества и системы. 113 (3): 333–350. Дои:10.1016 / S0165-0114 (98) 00086-4.

[8] Вичужанин, Владимир (12 апреля 2012 г.). «Реализация нечеткого регулятора с нечеткой динамической коррекцией». Центральноевропейский инженерный журнал. 2 (3): 392–398. Дои:10.2478 / с13531-012-0003-7. S2CID 123008987.

[9] Герла, Джангиакомо (2005). «Нечеткое логическое программирование и нечеткое управление». Studia Logica. 79 (2): 231–254. CiteSeerX 10.1.1.103.1143. Дои:10.1007 / s11225-005-2977-0. S2CID 14958568.

[10] Шен, Цян (1991). «Нечеткое качественное моделирование и диагностика непрерывных динамических систем». Эдинбургский университет. Цитировать журнал требует | журнал = (помощь)

[11] Гульельманн, Рафаэлла и Ирони, Лилиана (2005). Создание нечетких моделей на основе глубоких знаний: проблемы устойчивости и интерпретируемости. Европейская конференция по символическому и количественному подходам к рассуждению и неопределенности. Springer. С. 600–612. Дои:10.1007/11518655_51.CS1 maint: несколько имен: список авторов (связь)

[12] Лю, Хунхай и Когхилл, Джордж М. и Барнс, Дэйв П. (2009). «Нечеткая качественная тригонометрия» (PDF). Международный журнал приблизительных рассуждений. Эльзевир. 51 (1): 71–88. Дои:10.1016 / j.ijar.2009.07.003. S2CID 47212.CS1 maint: несколько имен: список авторов (связь)

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]