| Русский Русский | English English |
   
Главная Архив номеров
29 | 03 | 2024
10.14489/vkit.2014.11.pp.028-035

DOI: 10.14489/vkit.2014.11.pp.028-035

Бобырь М. В.
ВЛИЯНИЕ КОЛИЧЕСТВА ПРАВИЛ НА ОБУЧЕНИЕ НЕЧЕТКО-ЛОГИЧЕСКОЙ СИСТЕМЫ
(с. 28-35)

Аннотация. Рассмотрено моделирование нечетко-логической системы в целях исследования влияния числа нечетких правил на ее обучение. В качестве критерия оценки использован параметр среднеквадратичного отклонения, при этом наилучшее решение достигнуто при его минимальном значении. Проанализированы нечеткие системы вывода, использующие в своей структуре мягкие и жесткие арифметические операции. Проведено численное моделирование минимизации критерия среднеквадратичного отклонения в зависимости от изменения числа нечетких правил и исследуемого диапазона управляемых входных переменных.

Ключевые слова: нечеткая логика; нечетко-логический вывод; множественная регрессия; среднеквадратичное отклонение; мягкие операции.

 

Bobyr M. V.
EFFECT OF NUMBER RULE ON TRAINING OF FUZZY-LOGIC SYSTEMS
(pp. 28-35)

Abstract. Precision of fuzzy logic systems is determined by the lowest meaning of the RMSE (Root Mean Square Error). For its minimization ANFIS (Adaptive Neuro-Fuzzy Interference Systems) are uses, which allow to decrease the meaning of the RMSE to some units. ANFIS algorithms are based on the traditional fuzzy logic models Mamdami and Sugeno, which use strict arithmetic operations of minimum and maximum finding. As a result of that non-sensitivity zones, which produce the decrease of RMSE, are appeared on the borders of output variables. That is why the way, which shows that coefficient minimization of the RMSE in dozen of times during the addiction of the exact amount of the fuzzy rules in the initial point, is described in the article. The use of fuzzy logic soft arithmetic operations in the structure also allows to minimize the RMSE without of the difficult arithmetic procedures, used in ANFIS models, but in the full range of the input variables. Analytic expressions, which shows the offered method and it’s effectiveness, are described in the article.

Keywords: Fuzzy logic; Fuzzy logic inference; Multiple regression; Root mean square error; Soft operation.

Рус

М. В. Бобырь (Юго-Западный государственный университет, Курск) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

M. V. Bobyr (South-West State University, Kursk) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Kahlert J. Fuzzy Control für Ingenieure. Vieweg Verlag. Braunschweig, 1995. 308 р.
2. Пегат А. Нечеткое моделирование и управле-ние: пер. с англ. М.: БИНОМ. Лаборатория знаний, 2012. 798 с.
3. Бобырь М. В., Титов В. С., Акульшин Г. Ю. Моделирование нечетко-логических систем управления на основе мягких арифметических операций // Вестник компьютерных и информационных технологий. 2013. № 3. С. 29 – 35.
4. Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений // Мате-матика сегодня. М.: Знание, 1974. С. 5 – 49.
5. Taghavifar H., Mardani A. A Knowledge-based Mamdani Fuzzy Logic Prediction of the Motion Resistance Coefficient in a Soil bin Facility for Clay Loam Soil // Neural Computing and Applications. 2013. V. 23, № 1. Р. 293 – 302.
6. Takagi T., Sugeno M. Fuzzy Identification of Systems and its Applications to Modeling and Control // IEEE Transactions on Systems, Man and Cybernetics. 1985. V. 15, № 1. Р. 116 – 132.
7. Бобырь М. В. Диагностика оборудования с ЧПУ методами нечеткой логики // Промышленные АСУ и контроллеры. 2010. № 1. С. 18 – 20.
8. Бобырь М. В., Титов В. С., Емельянов С. Г. Автоматическая диагностика элементов систем управле-ния на основе обратного нечетко-логического вывода // Вестник компьютерных и информационных технологий. 2013. № 11. С. 35 – 42.
9. Титов В. С., Бобырь М. В., Анциферов А. В. Алгоритм высокоскоростной обработки деталей на основе нечеткой логики // Мехатроника, автоматизация, управление. 2012. № 6. С. 21 – 26.
10. Бобырь М. В. Модифицированный алгоритм нечетко-логического вывода в задачах управления обо-рудованием с ЧПУ // Мехатроника, автоматизация, управление. 2011. № 4. С. 26 – 32.
11. Титов В. С., Бобырь М. В., Анциферов А. В. Адаптивный мультисетевой алгоритм нечетко-логи-ческого вывода в задачах управления оборудованием с ЧПУ // Мехатроника, автоматизация, управление. 2013. № 5. С. 18 – 23.
12. Бобырь М. В., Титов В. С., Червяков Л. М. Адаптация сложных систем управления с учетом прогнозирования возможных состояний // Автоматизация и современные технологии. 2012. № 5. С. 3 – 10.
13. Емельянов С. Г., Бобырь М. В., Анциферов А. В. Алгоритм самообучения адаптивных нейро-нечетких систем на основе мягких вычислений // Информационно-измерительные и управляющие систе-мы. 2013. Т. 11, № 8. С. 3 – 9.
14. Оценка достоверности при моделировании нечетко-логических систем / М. В. Бобырь и др. // Промышленные АСУ и контроллеры. 2012. № 7. С. 32.
15. Ротштейн А. П., Штовба С. Д. Моделирование надежности человека-оператора с помощью нечеткой базы знаний Сугэно // Автоматика и телемеханика. 2009. № 1. С. 180 – 187.
16. Saeidi O., Torabi S. R., Ataei M. Prediction of the Rock Mass Diggability Index by Using Fuzzy Clustering-Based, ANN and Multiple Regression Methods // Rock Me-chanics and Rock Engineering. 2014. V. 47, № 2. Р. 717 – 732.
17. Титов В. С., Бобырь М. В., Милостная Н. А. Система лазерного контроля обработки деталей в реаль-ном времени // Промышленные АСУ и контроллеры. 2005. № 11. С. 21 – 24.
18. Титов В. С., Бобырь М. В., Милостная Н. А. Автоматическая компенсация тепловых деформаций шпиндельных узлов прецизионного оборудования с ЧПУ // Промышленные АСУ и контроллеры. 2006. № 11. С. 31 – 35.
19. Емельянов С. Г., Титов В. С., Бобырь М. В. Автоматизированные нечетко-логические системы управления. М.: Инфра-М, 2011. 176 с.

Eng

1. Kahlert J. (1995). Fuzzy control for engineers. Braunschweig: Vieweg Verlag.
2. Pegat A. (2012). Fuzzy modeling and control. Moscow: BINOM. Laboratoriia znanii.
3. Bobyr' M. V., Titov V. S., Akul'shin G. Iu. (2013). Modeling of fuzzy-logic control systems on the basis of soft arithmetic operations. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (3), pp. 29-35.
4. Zade L. (1974). Foundations for a new approach to the analysis of complex systems and decision process-es. Matematika segodnia, pp. 5-49, Moscow: Znanie.
5. Taghavifar H., Mardani A. A (2013). A knowledge-based Mamdani fuzzy logic prediction of the motion re-sistance coefficient in a soil bin facility for clay loam soil. Neural Computing and Applications, 23(1), pp. 293-302.
6. Takagi T., Sugeno M. (1985). Fuzzy identification of systems and its applications to modeling and con-trol. IEEE Transactions on Systems, Man and Cybernet-ics, 15(1), pp. 116-132.
7. Bobyr' M. V. (2010). Diagnosis of CNC equipment by methods of fuzzy logic. Promyshlennye ASU i kontrollery, (1), pp. 18-20.
8. Bobyr' M. V., Titov V. S., Emel'ianov S. G. (2013). Automatic diagnostics of control systems based on inverse fuzzy logic inference. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (11), pp. 35-42.
9. Titov V. S., Bobyr' M. V., Antsiferov A. V. (2012). The algorithm of high speed machining on the basis of fuzzy logic. Mekhatronika, avtomatizatsiia, upravlenie, (6), pp. 21-26.
10. Bobyr' M. V. (2011). The modified algorithm of fuzzy-logic output in the tasks of control of CNC equip-ment. Mekhatronika, avtomatizatsiia, upravlenie, (4), pp. 26-32.
11. Titov V. S., Bobyr' M. V., Antsiferov A. V. (2013). Adaptive multi-networking algorithm of fuzzy-logic output in tasks of control the equipment with CNC. Mekhatronika, avtomatizatsiia, upravlenie, (5), pp. 18-23.
12. Bobyr' M. V., Titov V. S., Cherviakov L. M. (2012). Adaptation of complex control systems with regard to the forecasting of possible states. Avtomatizatsiia i sovremennye tekhnologii, (5), pp. 3-10.
13. Emel'ianov S. G., Bobyr' M. V., Antsiferov A. V. (2013). The algorithm of self-learning adaptive neuro-fuzzy systems based on soft computing. Informatsionno-izmeritel'nye i upravliaiushchie sistemy, 11(8), pp. 3-9.
14. Bobyr' M. V. et al. (2012). Assessment of accuracy in the simulation of fuzzy-logic systems. Promyshlennye ASU i kontrollery, (7), p. 32.
15. Rotshtein A. P., Shtovba S. D. (2009). Modeling the reliability of a human operator using Sugano fuzzy knowledge base. Avtomatika i telemekhanika, (1), pp. 180-187.
16. Saeidi O., Torabi S.R., Ataei M. (2014). Prediction of the rock mass diggability index by using fuzzy clustering-based, ANN and multiple regression methods. Rock Mechanics and Rock Engineering, 47(2), pp. 717-732. doi: 10.1007/s00603-013-0426-3
17. Titov V. S., Bobyr' M. V., Milostnaia N. A. (2005). The laser control system of processing details in real time. Promyshlennye ASU i kontrollery, (11), pp. 21-24.
18. Titov V. S., Bobyr' M. V., Milostnaia N. A. (2006). Automatic compensation of thermal deformation of the spindle units of precision CNC equipment. Promyshlennye ASU i kontrollery, (11), pp. 31-35.
19. Emel'ianov S. G., Titov V. S., Bobyr' M. V. (2011). Automated fuzzy-logic control system. Moscow: Infra-M.

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 250 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа статьи заполните форму:

{jform=1,doi=10.14489/vkit.2014.11.pp.028-035}

.

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 250 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please fill out the form below:

{jform=2,doi=10.14489/vkit.2014.11.pp.028-035}

 

 

 

 

 

.

.

 

 
Поиск
Баннер
Баннер
Rambler's Top100 Яндекс цитирования