КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Конструкция модуля
Введение Модуль нечеткого управления со структурой, определенной в процессе дефуззификации Как отмечалось выше, при некоторых допущениях можно представить систему нечеткого управления в форме многослойной сети с прямым распространением сигнала (feedforward). Этим термином также обозначается определенный класс нейронных сетей. Поскольку для их обучения до настоящего времени вполне успешно использовался алгоритм обратного распространения ошибки, то нет никаких препятствий к тому, чтобы применить его для любой сети этого класса. Следовательно, можно сделать вывод: если систему нечеткого управления можно представить в виде такой сети, то ее можно будет обучать по методу обратного распространения ошибки.
Далее будет показана возможная сетевая реализация модуля нечеткого управления. Для ее построения будет использоваться описание типовой структуры модуля нечеткого управления, представленная в п. 3.9.1. После этого мы обсудим методику обучения такой сети В п. 3.9.1 была представлена структура модуля нечеткого управления (см. рис. 3.26) и ее подробное описание. В настоящем пункте мы рассмотрим конкретную реализацию модуля, использовавшегося в примере 3.33, случай 1 (см. также [19]). Перейдем сразу к способу реализации каждого элемента. А. База правил. Знания, составляющие основу корректного функционирования модуля нечеткого управления, записываются в виде нечеткого правила, имеющего форму (3.229), т.е. Rk :IF(x1 это А\ AND... AND xn это А*) THEN (у это Вк) Можно также представить эти знания в виде нечетких множеств с функцией принадлежности, заданной выражением (3.233). Следовательно, если в качестве нечеткой импликации будет использоваться операция умножения (3.202). то получим формулу
При использовании выражения (3.74) декартово произведение нечетких множеств можно представить в виде
цАк (х) = В. Блок вывода. Приведем еще раз формулу (3.238), определяющую функцию принадлежности нечеткого множества В
j"I* (У) = s Ранее мы отмечали, что конкретная форма этой функции зависит от применяемой Г-нормы, определения нечеткой импликации и от способа задания декартова произведения нечетких множеств. Выше, в п. А декартово произведение и нечеткая импликация были определены через операцию умножения. На основе таблицы 3.1 Г-норму также можно представить произведением вида г supW(x) * av^b* (x,y)} = sup{vA.(x)nAk^Bk (x,y)}. (5.4) В результате объединения приведенных выражений можно выполнить следующее преобразование (см. также пример 3.33): цШк (у) = sup{/uA.(x)T*vAk^Bk (х,у)} = Глава 5. Модули нечетко-нейронного управления = sup {цА. (х1 )...цА.п (х„ )ц^ (х1 )...цАь (х„ )цв* (у)}, *1...... *пеХ что в итоге позволяет обобщить формулу (3.243) Aig*(y)= sup {^(yjn^tXf^tx,)}. (5.5) X С. Блок фуззификации. Применим операцию типа синглетон, т.е. в соответствии с выражением (3.234) пусть
1, если х = х, О, если х ф х. Заметим, что супремум в формуле (5 5) достигается только в случае, когда х = х, т.е. для цА. (х) = 1. При этом выражение (5.5) принимает вид = А^(У)ГК*(Х/). (5-7)
5. f. Определение структуры модуля управления при дефуззификации Если учесть, что максимальное значение, которое получить в точке у, равно 1, т.е. то формула (5.9) принимает вид 5.1.3. Структура модуля Завершающий этап в процессе проектирования нашего модуля нечеткого управления - это определение формы представления нечетких множеств Akjt i = 1,..., п; к = 1...... Л/. Например, это может быть функция Гаусса (5.12)
D. Блок дефуззификации. Применим метод дефуззификации center average defunification, в соответствии с которым
(5.8) где параметры х^ и сг^ имеют физическую интерпретацию: х/' - это центр, а с) - ширина гауссовской кривой. Как будет показано ниже, эти параметры могут модифицироваться в процессе обучения, что позволяет изменять положение и структуру нечетких множеств. Объединим теперь все представленные элементы. Воспользуемся методом дефуззификации (5.8), выводом согласно выражению (5.5), блоком фуззификации с операцией типа синглетон (5.6), а также гауссовской функцией принадлежности (5.12) и тогда модуль нечеткого управления приобретает окончательный вид В приведенной формуле У - это центр {center) нечеткого множества Вк, т.е. точкой, в которой цв*(,у) достигает максимального значения (5.13) При подстановке выражения (5.7) в формулу (5.8) получим равен- (5.9) \ I Приведенное выражение представляет собой один из наиболее известных и часто применяемых способов реализации нечетких систем Каждый элемент этой формулы можно задать в форме функционального блока (сумма, произведение, функция Гаусса), что после соответствую- Глава 5. Модули нечетко-нейронного управления 5. 1. Определение структуры модуля управления при дефуззификации
щего объединения позволяет создать многослойную сеть. Пример подобной структуры приведен на рис. 5.1. Для упрощения на схеме показан модуль управления с двумя входами (п = 2). Слои обозначены символами от L1 до L4 и выделены серым фоном. Элементы, обозначенные символом П (мультипликаторы), перемножают все входные сигналы, элементы, обозначенные символом £ (сумматоры) - суммируют их, а элемент ~, делит один сигнал на другой. Черные поименованные точки, размещенные на связях, обозначают веса этих связей. Элементы слоя L1 реализуют функцию Гаусса с параметрами xf и of. Выражения и стрелки, размещенные над схемой, определяют направление распространения сигнала и его интерпретацию. Отдельные элементы схемы мы будем также называть узлами. В представленной струтктуре выделены четыре слоя. Слой 1 (L1). Каждый его элемент реализует функцию принадлеж
L1 МУ L2 13 L4 Рис. 5.1. Схема реализации модуля нечеткого управления, заданного выражением (5.13).
шее начальное размещение функции принадлежности нечетких множеств, а также анализировать ее в процессе обучения. Количество элементов слоя L1 равно количеству всех множеств с принадлежностью Af. В случае N нечетких правил (к = 1........ N) и п входных переменных (/' = 1, ..., п) с учетом того, что в каждом правиле любая входная переменная связана с другим нечетким множеством, количество узлов (элементов слоя L1) будет равно произведению количества входных переменных п и количества нечетких правил N. Слой 2 (L2). Конфигурация связей этого слоя соответствует базе правил, а мультипликаторы - блоку вывода (см. формулы (5.7) и (5.10)). На выходе слоя L2 формируется результат вывода в виде значения функции принадлежности 1л^к(уК). Количество элементов этого слоя равно количеству правил N. Каждый узел связан с предыдущим слоем таким образом, что узел слоя L2, соответствующий /с-му правилу, соединен со всеми узлами слоя L1, соответствующими нечетким множествам суждений этого правила. Применение мультипликаторов в качестве узлов слоя L2 обусловлено тем фактом, что для Т-нормы, декартова произведения множеств и нечеткой импликации используется операция умножения. Следует отметить, что для реализации примера 3.32 достаточно заменить операцию умножения операцией минимум (см. формулу 3.240). Слои 3 (L3) и 4 (L4). Оба слоя представляют собой реализацию блока дефуззификации, реализующего зависимость (5 8). Веса связей, доходящих до верхнего узла слоя L3 и обозначенные у, интерпретируются как центры функций принадлежности нечетких множеств £г Эти веса, также как и значения параметров xf и of в слое L1, будут модифицироваться в процессе обучения. На выходе слоя L4 формируется «четкое» (дефуззифицированное) выходное значение модуля управления у. Представленная на рис. 5.1 структура имеет много общего с нейронными сетями - она представляет собой многослойную сеть, основанную на идее нечеткого вывода. В отличие от «чистых» нейронных сетей, каждый слой в целом и отдельные составляющие его элементы, также как и конфигурация связей, все параметры и веса имеют физическую интерпретацию. Это свойство оказывается необычайно важным, поскольку знания не распределяются по сети и могут быть легко локализованы и при необходимости откорректированы экспертом-наблюдателем.
Дата добавления: 2015-06-04; Просмотров: 380; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |