ISBN 978-5-9912-0320-3 وب سایت: www.techbook.ru اندازه گیری های عصبی، الگوریتم های ژنتیک و درهم سیستم های <...> نورون ها مرزها، الگوریتم ژنتیک درهم سیستم های: مطابق. طبقه z<...>BBK 30.17 آدرس های انتشار در اینترنت www.techbook.ru انتشارات علمی Rutkowska Danuta, Piliński Maciej, Rutkowski Leszek نورون ها MEREZHI، الگوریتم های ژنتیک و سیستم های فازی ویرایش 2، ویرایشگر کلیشه ای A.S.<...> انطباقیافتخارات خطی sumatorبا سیگموئید در خروجی<...> آن را اعمال کنید بهينه سازي <...> آن را اعمال کنید بهينه سازيتوابع پشت برنامه های اضافی تکامل . <...>حل مسائل ترکیبی با استفاده از برنامه های اضافی تکامل . <...> آن را اعمال کنید بهينه سازيتوابع برای برنامه های FlexTool اضافی.<...> آن را اعمال کنید بهينه سازيتوابع پشت برنامه های اضافی تکامل . <...>بیایید به دو نگاه کنیم الگوریتم الگوریتمدروازه گسترده تر عفو الگوریتم <...>بیایید به دو نگاه کنیم الگوریتممقدمه ای بر شبکه های عصبی چند کروی: کلاسیک و پرکاربردترین الگوریتمدروازه گسترده تر عفو، و همچنین به طور قابل توجهی سوئدی الگوریتم، بر اساس روش حداقل مربعات بازگشتی.<...> الگوریتم navchannya tsikh merezh: الگوریتمدروازه گسترده ترپرداخت ها و مکرر الگوریتم <...>بنابراین در وهله اول در چه تقسیم بندی بحث خواهیم کرد عناصر اساسیشبکه های عصبی چند کروی - پرسپترون و سیستم های نوع آدالین (با خروجی خطی و غیر خطی) که پس از آن دو عدد قابل توجه است. الگوریتم navchannya tsikh merezh: الگوریتمدروازه گسترده ترپرداخت ها و مکرر الگوریتمروش حداقل مربعات<...>پرسپترون 23 ابر هواپیما<...>
شبکههای_عصبی، الگوریتمهای_ژنتیک و سیستمهای_فازی.pdf
D. Rutkovska M. Pіlinskiy L. Rutkovskiy اندازهگیریهای عصبی، الگوریتمهای ژنتیک و سیستمهای فازی خط داغ Telecom WYDAWNICTWO NAUKOWE PWN 2nd edition
سمت 1
شبکه های_عصبی، الگوریتم های_ژنتیک_و_سیستم_های_فازی_ (1).pdfظاهر دوم
p.3
UDC 681.322 BBK 30.17 P90 Rutkovska D., Pilinskiy M., Rutkovsky L. P90 اقدامات عصبی، الگوریتم های ژنتیک و سیستم های فازی: Trans. طبقه z من. دی. رودینسکی. - ویرایش دوم، کلیشه. - م.: خط داغ - مخابرات، 2013. - 384 ص: ill. شابک 978-5-9912-0320-3. این کتاب به تغذیه "محاسبات فکری" اختصاص دارد. دانش اولیه در مورد الگوریتم های ژنتیک، برنامه ریزی تکاملی، سیستم های فازی و همچنین ارتباطات بین این خطوط مستقیم و مدارهای عصبی را به دست آورید. برای متخصصان علمی و مهندسی در زمینه علوم اطلاعات و فناوری محاسبات که در ایجاد و توسعه سیستم های هوشمند نقش دارند و همچنین دانشجویان تحصیلات تکمیلی و دانشجویان تخصص های مختلف در این زمینه و فناوری های کامپیوتری. BBK 30.17 آدرسهای نشریه در اینترنت www.techbook.ru Naukova edition Rutkowska Danuta, Piliński Maciej, Rutkowski Leshek neuromates, GENETIC ALGORITHMS AND FUZZY SYSTEMS 2nd edition, stereotyout artist. V. G. سیتنیکوف در 01/09/2013 با یکدیگر امضا کردند. فرمت 60 × 90/16. دروک دیجیتال آکادمیک ed. ل 24. تیراژ 200 تقریبا. چشم انداز. شماره 13320 ISBN 978-5-9912-0320-3 © Rutkovska D., Pіlinskiy M., Rutkovsky L. 1997, 2013 © Vydavnitstvo Wydawnictwo Naukowe PWN, 1997, 1904, 1999 © D.، ترجمه از لهستانی، 2004، 2013 © Vidavnitstvo "Garyacha Line-Telecom"، 2004، 2013
p.4
زمیست پردمووا. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 پردمووا قبل از نسخه روسی. . . . . . . . . . . . . . . . . . . . . . . 12 1. مقدمه. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 فهرست منابع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2. معیارها و الگوریتم های عصبی بیگاتوسفر برای پیشرفت آنها 18 2.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2. نورون و مدل آن . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3. پرسپترون . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4. سیستم های نوع آدالین . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1. جمع کننده خطی. . . . . . . . . . . . . . . 26 2.4.2. جمع کننده ارزش خطی تطبیقی. . . . . 30 2.4.3. ارزش افزوده خطی تطبیقی با خروجی سیگموید. . . . . . . . . . . . . . . . . . . . . . . 31 2.5. الگوریتم برای برگشت کل بخشش. . . . . . . . . . 33 2.6. استفاده از روش حداقل مربعات مکرر برای توسعه معیارهای عصبی. . . . . . . . . . . . . . . . . . . . . 37 فهرست منابع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3. بی شخصیتی فازی و طراحی فازی. . . . . . . . . . . . . . . . 45 3.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.2. مفاهیم و معانی اساسی تئوری اعداد فازی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.3. عملیات روی چندگانه های فازی . . . . . . . . . . . . . . . . . . 56 3.4. اصل بسط. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.5. اعداد مبهم . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3.6. هنجارهای تریکات . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 3.7. یادداشت های نامشخص و قدرت آنها. . . . . . . . . . . . . . . . . . 78 3.8. طرح فازی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 3.8.1. قوانین اساسی برای نمایش در منطق دوگانه. . . . . . 83 3.8.2. قوانین اساسی درک در منطق فازی . . . . . 84 3.8.2.1. قانون مدوس پوننس نامشخص است. . . 84 3.8.2.2. قانون modus tollens نامشخص است. . . 87 3.8.3. قوانین استلزام فازی . . . . . . . . . . . . . . . . . 88
سمت 5
6 Zmіst 3.9. مدیریت ضعیف. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 3.9.1. ماژول کنترل فازی کلاسیک . . . . . 92 3.9.1.1. پایه قانون. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 3.9.1.2. بلوک فازی سازی . . . . . . . . . . . . . . . . . . . . . 94 3.9.1.3. بلوک ارتعاش حل شده است. . . . . . . . . . . . . . . . . . 94 3.9.1.4. بلوک فازی سازی . . . . . . . . . . . . . . . . . . . . 105 3.9.2. روش کنترل فازی تاکاگی- سوگنو. . . . . . . 106 3.10. طراحی یک پایگاه قوانین فازی بر اساس داده های عددی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 3.10.1. پوبودوا از قوانین نامشخص. . . . . . . . . . . . . . . . . 110 3.10.2. پارکینگ وانتاژیوکا. . . . . . . . . . . . . . . . . . . 115 3.10.3. توجه داشته باشید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 مراجع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 4. الگوریتم های ژنتیک. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 4.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 4.2. الگوریتم های ژنتیک و روش های بهینه سازی سنتی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 4.3. مفاهیم اساسی الگوریتم ژنتیک . . . . . . . . . 126 4.4. الگوریتم ژنتیک کلاسیک . . . . . . . . . . . . . . . 130 4.5. تصویر الگوریتم ژنتیک کلاسیک. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 4.6. کدگذاری پارامترها در الگوریتم ژنتیک 139 4.7. قضیه اصلی در مورد الگوریتم ژنتیک . . . . . . . . 144 4.8. تغییرات الگوریتم ژنتیک کلاسیک . . 157 4.8.1. روش های انتخاب . . . . . . . . . . . . . . . . . . . . . . . . . . 157 4.8.2. روش های خاص تولید مثل . . . . . . . . . . . . . . 160 4.8.3. عملگرهای ژنتیکی . . . . . . . . . . . . . . . . . . . . . 161 4.8.4. روش های کدگذاری . . . . . . . . . . . . . . . . . . . . . . . . 163 4.8.5. مقیاس بندی تابع تناسب. . . . 164 4.8.6. سوله در الگوریتم ژنتیک . . . . . . . . . . . . . . . 166 4.8.7. الگوریتم های ژنتیک برای بهینه سازی معیارهای غنی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 4.8.8. ریزالگوریتم های ژنتیک . . . . . . . . . . . . . . . . . 169 4.9. از برنامه FlexTool برای بهینه سازی عملکرد استفاده کنید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 4.10. الگوریتم های تکاملی . . . . . . . . . . . . . . . . . . . . . . . 206 4.11. اضافات الگوریتم های تکاملی. . . . . . . . . . . . . . 213
سمت 6
Zm_st 7 4.11.1. بهینه سازی عملکرد را با استفاده از برنامه اضافی Evolver اعمال کنید. . . . . . . . . . . . . . . . . . . . . . . . . 214 4.11.2. حل مسائل ترکیبی با استفاده از برنامه اضافی Evolver. . . . . . . . . . . . . . . . . . . . . . . . . 246 4.12. الگوریتم های تکاملی در شبکه های عصبی . . . . . . . 250 4.12 1. استقلال الگوریتم های ژنتیک و اندازه گیری های عصبی. . . . . . . . . . . . . . . . . . . . . . . . . 252 4.12.2. اتصالات عصبی برای پشتیبانی از الگوریتم های ژنتیک . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252 4.12.3. الگوریتم های ژنتیک برای تقویت شبکه های عصبی . . . . . . . . . . . . . . . . . . . . . . . . . 253 4.12.4. ایجاد الگوریتم ژنتیک برای توسعه شبکه های عصبی. . . . . . . . . . . . . . . . . . . 256 4.12.5. الگوریتم های ژنتیک برای انتخاب توپولوژی شبکه های عصبی . . . . . . . . . . . . . . . . . . . . . . . . . 256 4.12.6. سیستم های متقابل تطبیقی . . . . . 257 4.12.7. چرخه معمولی تکامل . . . . . . . . . . . . . . . . . . . . 257 4.12.7.1. تکامل کراوات واگ . . . . . . . . . . . . . . . . . . 259 4.12.7.2. تکامل معماری مرز. . . . . . . . . . . . . . . 261 4.12.7.3. تکامل قوانین آغاز شده است. . . . . . . . . . . . . . . 264 4.13. استفاده از مدلسازی الگوریتمهای تکاملی علاوه بر اندازهگیریهای عصبی. . . . . . . . . . . . . . . . . . 266 4.13.1. برنامه های Evolver و BrainMaker. . . . . . . . . . . . . . 268 4.13.2. برنامه GTO . . . . . . . . . . . . . . . . . . . . . . . . . . 274 فهرست مراجع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303 5. ماژول های کنترل عصبی فازی. . . . . . . . . . . . . . . . 307 5.1. ماژول کنترل فازی با ساختار تعیین شده در فرآیند فازی سازی. . . . . . . . . . . 308 5.1.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308 5.1.2. طراحی ماژول. . . . . . . . . . . . . . . . . . . . . . . . . 309 5.1.3. ساختار ماژول . . . . . . . . . . . . . . . . . . . . . . . . . . 311 5.1.4. Vikoristannya به الگوریتم گسترش دروازه شهرک. . . . . . . . . . . . . . . . . . . . . 313 5.1.5. تغییرات ماژول . . . . . . . . . . . . . . . . . . . . . . 320 5.1.6. پیاده سازی یک ماژول کنترل فازی برای پیش بینی سری های زمانی نوسان. . . . 322 5.1.7. نصب ماژول کنترل فازی برای پارکینگ و دید پیشرفته. . . . . . . . . . . . . 326 5.1.8. توجه داشته باشید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
ص.7
8 Zmіst 5.2. ارائه ماژول کنترل فازی در قالب یک شبکه عصبی استاندارد. . . . . . . . . . . . . . . . . . . . . . . 330 5.3. ماژول کنترل فازی با شبکه عصبی برای فازی سازی بصری. . . . . . . . . . . . . . . . . . . . . . 333 5.3.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333 5.3.2. طراحی ماژول. . . . . . . . . . . . . . . . . . . . . . . . . 334 5.3.3. ساختار ماژول . . . . . . . . . . . . . . . . . . . . . . . . . . 335 5.3.4. الگوریتم های پیمایش ماژول . . . . . . . . . . . . . . . . . 337 5.3.5. راه حل هایی برای تثبیت آونگ معکوس . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342 5.3.6. توجه داشته باشید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 5.4. ماژول کنترل فازی با اصلاح قانون ممکن. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 5.4.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 5.4.2. مرحله شروع بر اساس خود سازماندهی است. . . . . . 349 5.4.3. مرحله یادگیری با معلم . . . . . . . . . . . . . . . . . . . 354 5.4.4. توجه داشته باشید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356 5.5. ماژول کنترل فازی از نوع Takagi-Sugeno: مجموعه ای از تغییرات زبانی مستقل. . . . . . 356 5.5.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356 5.5.2. اجرای عصبی تابع وابستگی. . 357 5.5.3. ماژول های Takagi-Sugeno. . . . . . . . . . . . . . . . . . . . . . . 359 5.5.4. تحقق ذهن ها. . . . . . . . . . . . . . . . . . . . . . . . . 359 5.5.5. اجرای پروژه های جدید. . . . . . . . . . . . . . . . . . . . . . 361 5.5.6. توجه داشته باشید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365 5.6. ماژول کنترل فازی از نوع Takagi-Sugeno: مجموعه ای از متغیرهای زبانی قدیمی. . . . . . . 365 5.6.1. ورود . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365 5.6.2. مرزهای عصبی برای دید فازی . . . . . . . . . 366 5.6.3. ساختار سیستم . . . . . . . . . . . . . . . . . . . . . . . . . 368 5.6.4. روش شروع. . . . . . . . . . . . . . . . . . . . . . . . . . . . 372 5.6.5. حل و فصل پارکینگ vantazhivka. . . . . . . . . . . . 374 5.6.6. توجه داشته باشید. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378 مرجع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379 نشانگر موضوع. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 381
p.8
Peredmova قرن بیستم تحت نشانه یک انقلاب در زمینه پردازش اطلاعات به پایان رسید. ما از افزایش سریع داده های موجود و همچنین افزایش سرعت پردازش و انتقال آن و همچنین ظرفیت دستگاه های حافظه آگاه شده ایم. به وضوح قابل مشاهده است که این پدیده ها نه تنها به یکدیگر مرتبط هستند، بلکه یکدیگر را تقویت می کنند. وضعیت بهمن مانند افزایش اطلاعات و فشارهای محاسباتی بدیهی است که با این واقعیت تقویت می شود که شخصیت های ما می توانند تا حدی غرق شوند که در نور بیش از حد آشکار شوند و در آشکار بودن بزرگان و قابلیت های فنی به طور مداوم در حال رشد ظاهر شوند؟ این کمک می کند تا از سمت روش های ریاضی کلاسیک اثبات شده ایجاد شده توسط تلاش های نیوتن، لایب نیتس، اویلر و سایر نوابغ گذشته که پایه و اساس الگوریتم های محاسباتی مدرن را پایه گذاری کردند، بیایید. با این حال، ما رویه های محاسباتی تخصصی برای تشخیص تصاویر و داده ها، برای مدیریت سیستم های کلاس های مختلف و سایر مشکلات مشابه داریم. تحقیقات مستقیم مستقل در زمینه هوش مصنوعی منجر به توسعه سیستمهای خبره و پیشبینیکننده مبتنی بر پردازش نمادین و پایههای قاعده ویکوری شد. با این حال، همه رویکردهای بازنگری شده بر تکنیکهای محاسباتی بسیار تخصصی یا پایگاههای دانش تخصصی تکیه میکنند، که اغلب در مجموعهای محکم از منطق دوگانه قرار میگیرند. نگرانی دیگر در مورد رکود این روش ها به این واقعیت مربوط می شود که آنها اجازه نمی دهند برای حل مشکل سیستم های محاسبه با معماری جهانی که برای اکثر رکودهای عملی مناسب است، راه حل کاملی پیدا کنند. بنابراین، به اصل و ماهیت فناوری های محاسباتی می رسیم که موضوع این کتاب می شود. این فناوری ها که در ادبیات انگلیسی با نام Computational Intelligence رایج است، تصمیم گیری مستمر یا گسسته را در نتیجه کار با شواهد موجود ممکن می سازد. یکی از زیرمجموعههای گروه روشهای مورد بحث، شبکههای عصبی است که از الگوریتمهای تصادفی برای توسعه یک مدل با معلم یا مسیر خود سازماندهی استفاده میکنند. آنها برای پردازش داده های دیجیتالی پر سر و صدا استفاده می شوند، که در پشت آن الگوریتم ها شروع به تولید مدل های یک طرفه یا تکراری برای هدایت فرآیندهای ما می کنند. این مدلها با ساختاری منظم، متشکل از عناصر غیرخطی، متحد شده توسط شبکهای ناهموار از اتصالات خطی و اغلب با پیچیدگیهای محلی یا جهانی مشخص میشوند. هنگام مدلسازی فرآیندها، امکان اقدامات عصبی را میتوان برای پایداری فناوری پردازش اطلاعات بر اساس ضربکنندههای فازی و مرجع فازی در نظر گرفت. این روش مربوط به توابع ارزیابی تعلق عناصر به با استفاده از عملگرهای منطقی فازی ضرب می شود. رویکرد تلفظ نه تنها توانایی اطمینان از صحت داده ها در فرآیند را تضعیف نمی کند
p.9
10 مدل پیشرفته همچنین به ما امکان می دهد تا سیستم تاشو را از نظر متغیرهایی توصیف کنیم که مقادیر آنها در سطح بصری تعیین می شود. نتیجه پارادایم مدلسازی، کنترل، تصمیم گیری و غیره چیست؟ منجر به شکل گیری استدلال های زبانی توابع منطقی می شود. چنین توابعی، که اشیاء واقعی را توصیف می کنند، می توانند در فرآیند به دست آوردن داده های واضح روشن شوند. رویکرد دیگر در تدوین قوانینی برای هدایت فرآیند یادگیری نهفته است. این نشان دهنده نفوذ متقابل و مکمل مدل ها و سیستم های عصبی است که مبتنی بر منطق فازی هستند. اپراتور Liningvystichni، Yaki Mi Vikoristovo، با یک زندگی روزمره، فرآیند іeretnaya، به یکباره، به مدل های izontelctic Logikoalgebraim، درک Voznageni از هوش محاسباتی (تعیین فناوری). هوش در این نوع به عنوان توانایی ادغام دانش انباشته شده در فرآیند یادگیری، توانایی ایجاد قوانین برای استنتاج و نحوه سازماندهی اطلاعات درک می شود. دسته مهمی از الگوریتمها که از فناوریهای عصبی و فازی بهرهمند شدهاند، الگوریتمهای تکاملی هستند. آنها بر روی جمعیت کروموزوم ها عمل می کنند که توسط عملکردهای دلبستگی ارزیابی می شوند و تکامل تکاملی و ژنتیکی تغییرات در دنباله بیت ها یا اعداد را تجزیه و تحلیل می کنند. به این ترتیب می توان فضا را به طور موثر نظارت کرد راه حل های امکان پذیر. راه حل بهینه در یک سری آرگومان های متوالی با کوتاه ترین مقادیر توابع تطبیق یافت می شود که در نتیجه جهش و تلاقی کروموزوم ایجاد می شوند. نویسنده این یادداشت ها در سر به کمیته سمپوزیوم هوش محاسباتی: تقلید از زندگی که در سال 1994 در اورلاندو برگزار شد، در خط مقدم این سه گرایش علمی و ظهور دانش یکپارچه جدید ایستاده است. از روی رضایت، "شبکه های عصبی، الگوریتم های ژنتیک و سیستم های فازی" وجود دارد - کتابی نوآورانه در بازار لهستان. علاوه بر بحث در مورد عناصر اساسی شبکه های عصبی، توصیف سیستم های فازی و الگوریتم های ژنتیک تکاملی، این شامل نتایج علمی اصلی نویسندگان خواهد بود. این کتاب جزئیاتی در مورد اجرای خاص ارائه می دهد راه حل های فنی, از جمله پردازنده های مختلف و سیستم های یادگیری مبتنی بر منطق فازی. به غذا احترام زیادی گذاشته می شود ویکیریستان عملیتعدادی بسته نرم افزار کاربردی از لحاظ موضوعی، این کتاب به جنبه های علمی کنفرانس تمام لهستانی در مورد اندازه گیری های عصبی و الحاقات آنها که توسط پروفسور ال. روتکوفسکی و انجمن لهستانی سنجش های عصبی در سال های 1994 و 1996 سازماندهی شده است، مرتبط است. این نشریه زیر نظر پروفسور L. Rutkivsky بسیار مرتبط، ارزشمند و منحصر به فرد است. وان جایگاه بزرگی را در بازار علم و فناوری لهستان پر خواهد کرد. این کتاب به ویژه برای مهندسان تخصص های مختلف، اقتصاددانان، فیزیکدانان، ریاضیدانان و دانشمندان کامپیوتر و همچنین دانشجویان مفید خواهد بود.
سمت 10
Peredmova 11 tsich و حوزه های دانش مرتبط. ردی از درود بر نویسندگان با دستاوردهای بزرگ از این اثر علمی به ظاهر شگفت انگیز. این کتاب نه تنها برای افزایش شناخت شایستگی های آنها، بلکه برای جلب ردیف های جدیدی از علاقه مندان به این رشته علمی تشنه در نظر گرفته شده است. Lipen 1996 r Jacek Jurada عضو IEEE. دانشگاه لوئیزویل، ایالات متحده آمریکا
دستگاه ضربکنندههای فازی و منطق فازی مدتهاست که با موفقیت برای دستیابی به بهترین نتایج استفاده میشود، که در آن دادههای خروجی غیرقابل اعتماد و بهطور ضعیف رسمیسازی شدهاند. نقاط قوتچنین رویکردی
شرح اذهان و روش حل مشکل من، نزدیک به طبیعی;
جهانی بودن: مشابه قضیه FAT (قضیه تقریب فازی)، که توسط B. Kosko در سال 1993 ایجاد شد، هر سیستم ریاضی را می توان با یک سیستم مبتنی بر منطق فازی تقریب زد.
کارایی (مربوط به کلیت)، قضایای مشابه با قضایای کامل بودن را برای شبکه های عصبی فردی توضیح می دهد، به عنوان مثال، قضیه ای مانند: برای گفتار پوستی توابع بدون وقفهمشخص شده در فشرده برای سیستم خبره فازی کامل، که تابع خروجی را تشکیل می دهد به طوری که
نماد جایگزینی پذیرفته شده بین توابع کجاست.
در عین حال، برای سیستم های فازی برخی از ویژگی های مشخصه وجود دارد:
مجموعه قواعد فازی مفروض حاصل توسط یک متخصص انسانی فرموله شده است و ممکن است مبهم یا فوق خاص باشد.
نوع و پارامترهای عملکردهای جانبی که سیستم های تغییر ورودی و خروجی را توصیف می کنند به صورت ذهنی انتخاب می شوند و ممکن است به نظر به طور کامل عملکرد واقعی را منعکس نکنند.
برای از بین بردن، حداقل اغلب، اهمیت کاستی ها، لازم بود که سیستم های فازی تطبیقی، اصلاح کننده، در دنیای کار خود، قوانین و پارامترهای توابع متعلق شوند. یکی از بزرگترین کاربردهای این گونه سیستم ها، شبکه های عصبی فازی است.
شبکه عصبی فازی به طور رسمی با ساختار شبکه عصبی چند توپی با پیشرفت هایی مانند الگوریتم گسترش دروازه آسیاب یکسان است، اما قرارگیری توپ ها در آن نشان دهنده مراحل عملکرد فازی است. سیستم:
اولین توپ از نورون ها از یک تابع فازی سازی بر اساس توابع وابستگی ورودی استفاده می کند.
توپ دیگر مجموعه ای از قوانین فازی را نشان می دهد.
توپ سوم عملکرد فازی سازی را دارد.
پوست این توپ ها با مجموعه ای از پارامترها (توابع پیوست، قوانین کلی مبهم، عملکردهای فعال سازی، انواع اتصال) مشخص می شود که تنظیمات آنها در اصل به همان روشی که برای اندازه گیری های عصبی اساسی انجام می شود انجام می شود.
پایین تر نگاه کن جنبه های نظریایجاد چنین اقداماتی و خود دستگاه منطق فازی و قدرت اندازه گیری های عصبی فازی قطعا در اذهان بی اهمیت راه حل داده خواهد شد.
علاوه بر این، در این بخش، احترام زیادی به الگوریتمهای ژنتیک داده میشود، زیرا معیارهای عصبی فازی به کلاس سیستمهای ترکیبی تعلق دارند. بیشترین تقاضا برای استفاده از الگوریتمهای ژنتیک در فرآیند توسعه اندازهگیریهای عصبی، از جمله اندازهگیریهای فازی، برای یافتن ساختار بهینه و مجموعه عوامل بیمار است.
کنترلکنندههای PID، همانطور که در بالا توضیح داده شد، هنگام کنترل سیستمهای غیرخطی و تاشو، و همچنین زمانی که اطلاعات کافی در مورد شی کنترل وجود ندارد، شاخصهای عملکرد ضعیفی از خود نشان میدهند. ویژگی های تنظیم کننده ها در برخی موارد می تواند با روش های دیگر منطق فازی، اندازه گیری های عصبی و الگوریتم های ژنتیک ترکیب شود. روشهای بازنگری شده در پشت مرزی به نام «محاسبات نرم» قرار دارند و بر تمایز آنها از «محاسبات سخت» تأکید میکنند که توانایی کار با دادههای ناسازگار و نادرست است. یک کنترلکننده ممکن است ترکیبی از روشهای بیمه اتکایی (تنظیمکنندههای فازی-PID، neuro-PID، neuro-fuzzy-PID با الگوریتمهای ژنتیک) داشته باشد.
نقطه ضعف اصلی کنترل کننده های مرزی فازی و عصبی پیچیدگی راه اندازی آنها (تشکیل پایه قوانین فازی و توسعه یک مرز عصبی) است.
5.7.1. منطق فازی در کنترلرهای PID
طرح کلی فازی با سفارش آینده به پایان می رسد. قابل قبول است که منطقه برای تغییر مخلوط به غیر شخصی تقسیم شود، منطقه برای تغییر تزریق سوخت به غیرشخصی تقسیم شود، و با کمک یک متخصص می توان قوانین زیر را برای عملکرد رگلاتور تنظیم کرد. آستروم]:
قانون 1: اگر = i =، سپس = قانون 2: اگر = i =، سپس = قانون 3: اگر = i =، سپس = قانون 4: اگر = i =، سپس = قانون 5: اگر = i =، سپس = قانون 6: اگر = i =، سپس = قانون 7: اگر = i =، سپس = قانون 8: اگر = i =، سپس = قانون 9: اگر = i =، پس =. |
قوانین تعیین شده اغلب به شکل جدولی فشرده تری نوشته می شوند (شکل 5.91).
با استفاده از قوانین زیر می توان مقدار متغیر را در خروجی کنترل کننده فازی حذف کرد. برای این منظور باید تابع تعلق به غیرشخصیتی متغیر را دانست که در نتیجه عملکرد متعاقب اشتقاق کثرات که در نظام قواعد گنجانده شده است ارزیابی می شود (5.118).
ه |
||||
کم اهمیت 5.91. ارائه قوانین فازی به صورت جدولی |
عملیات "AND" در قوانین (5.118) الحاق چندگانگی را نشان می دهد و نتیجه راکد شدن همه قوانین عملکرد ترکیب چندگانگی را نشان می دهد [Rutkovska]. تابع کمکی برای پیوند متقابل دو ضریب، به عنوان مثال، i (قوانین 1) به عنوان [Rutkovska] شناخته می شود.
توابع لوازم جانبی، حذف در حین انتقال یا چندگانگی ترکیبی را می توان مشخص کرد به روش های مختلف، مطابق با حس کار در دست. از این نظر، خود نظریه چندگانگی فازی نیز فازی است. در [Rutkovska] 10 مقدار مختلف تابع لوازم جانبی برای بازه ضریب ها وجود دارد، اما نمی گوید کدام یک از آنها باید برای انجام یک کار خاص انتخاب شود. Vikorista، zokrema، هوشمندانه تر، عملیات یافتن تابع تعلق در زمان تلاقی و ضرب، که مشابه قواعد ضرب و جمع همگن ها است:
|
با این حال، ایجاد دو روش اول برای یافتن تابع متعلق حتی مهمتر است، زیرا بیشتر قوانین تقسیمشده برای چندگانگی اولیه [Uskov] را ذخیره میکند.
توابع متعلق به پوست ضرایب که در تغییر مبهم قوانین (5.118) گنجانده شده است، به شکل [Rutkovska] ظاهر می شود.
در اینجا هر یک از 9 رتبه یکی از قوانین (5.118) را تایید می کند. تابع عضویت حاصل از تزریق سرامیک، که پس از رکود تمام 9 قانون حذف شده است، به عنوان تابع عضویت ترکیبی از همه قوانین یافت می شود:
حال، اگر عملکرد ناشی از تعلق به تزریق سوخت حذف شود، تغذیه مقصر است، زیرا ارزش خاص تزریق سوخت باید انتخاب شود. اگر تفسیر قابل قبولی از نظریه ضربکنندههای فازی انتخاب کنیم، مشخص میشود که چنین اهمیتی را میتوان با قیاس با محاسبات ریاضی هجوم فازی به شکل زیر استخراج کرد:
|
این روش فازی سازی گسترده ترین است، اما نه تنها.
برای القای کنترل کننده های فازی، از پارامترهای P، I، PI و PD قوانین کنترل PD + I، PI + D و PID [Mann] استفاده کنید. در محدوده سیگنال های ورودی برای سیستم نمایش فازی، سیگنال سیگنال، افزایش سیگنال، مربع سیگنال و انتگرال سیگنال [Mann] گنجانده شده است. پیادهسازی یک کنترلکننده PID فازی مشکلاتی را ایجاد میکند که شامل یک جدول بیاهمیت از قوانین متشکل از حداکثر سه انبار در یک کنترلکننده PID میشود، که به خاطر سپردن آن بسیار دشوار است، که توسط انواع سابق Perth خورده شده است. تعداد زیادی از ساختارهای کنترل کننده های فازی PID مانند را می توان در مقاله [Mann] یافت.
تنظیم باقی مانده از کنترل کننده فازی یا تنظیم، نزدیک به بهینه، هنوز وظایف مهمی را از دست می دهد. برای این منظور از الگوریتم های اولیه style = "color: red"> و روش های جستجوی ژنتیکی برای استخراج منابع محاسباتی و زمان عالی استفاده می شود.
کاربرد منطق فازی برای تنظیم ضرایب کنترلر PID
تنظیم تنظیم کننده، تعیین شده توسط روش های ارائه شده در بخش های "تنظیمات پارامترها" و "پیکربندی و سازگاری خودکار"، بهینه نیست و می تواند برای تنظیم بیشتر تمدید شود. تنظیم می تواند توسط اپراتور بر روی پلت فرم قوانین (بخش "تنظیم دستی، بر اساس قوانین") یا به طور خودکار، با استفاده از یک بلوک منطق فازی اضافی انجام شود (شکل 5.92). بلوک منطق فازی (بلوک فازی) پایه ای از قوانین تنظیم و روش های استنتاج فازی است. تنظیم فاز به شما امکان می دهد تا تنظیم بیش از حد را تغییر دهید، زمان نصب را کاهش دهید و کنترلر PID قوی [Yesil] را جابجا کنید.
فرآیند تنظیم خودکار کنترل کننده در پشت یک بلوک منطق فازی اضافی با جستجو برای نزدیکی ضرایب کنترل کننده آغاز می شود. استفاده از روش زیگلر نیکولز از دوره ارتعاشات در سیستم بسته و تقویت حلقه ضروری است. سپس یک تابع معیار فرموله می شود که برای یافتن مقادیر بهینه پارامترهای تنظیم با استفاده از روش های بهینه سازی ضروری است.
در فرآیند تنظیم تنظیم کننده، تعدادی فلش [Hsuan] را انتخاب کنید. اکنون محدوده سیگنال های ورودی و خروجی به بلوک تنظیم خودکار، شکل تابع تعلق پارامترهای انتخاب شده، قوانین استنتاج فازی، مکانیسم اشتقاق منطقی، روش فازی سازی و محدوده فاکتورهای مقیاس را انتخاب کنید. برای تبدیل شفاف به فازی ضروری است.
جستجوی پارامترهای کنترلر با استفاده از روش های بهینه سازی تنظیم می شود. برای این منظور تابع هدف به عنوان انتگرال مجموع مربع های تنظیم کنترل و زمان تنظیم انتخاب می شود. در معیار کمینه سازی، سرعت افزایش شیء متغیر خروجی اضافه می شود.
برای یافتن پارامترها (پارامترهایی که باید شناخته شوند)، موقعیت حداکثرهای تابع عضویت (بخش شکل 5.90) و ضرایب مقیاس را در ورودی و خروجی بلوک فازی انتخاب کنید. قبل از کار بهینه سازی، دامنه تغییرات در موقعیت تابع عضویت اضافه می شود. بهینه سازی تابع معیار را می توان به عنوان مثال با کمک الگوریتم های ژنتیک به دست آورد.
لازم به ذکر است که در مواردی که اطلاعات کافی برای ساخت یک مدل ریاضی دقیق از شی وجود دارد، کنترلکننده سنتی همیشه کوتاهتر از فازی خواهد بود، زیرا هنگام سنتز یک کنترلکننده فازی، دادههای خروجی کار نزدیکتر است.
5.7.2. شبکه های عصبی قطعه ای
معیارهای عصبی مانند منطق فازی در کنترلکنندههای PID به دو صورت استفاده میشوند: برای القای خود کنترلکننده و القای بلوک تنظیم ضرایب آن. شبکه عصبی می تواند "شروع" کند، که به شما امکان می دهد از شواهد متخصص برای شروع شبکه عصبی برای تنظیم ضرایب کنترل کننده PID استفاده کنید. یک تنظیمکننده با شبکه عصبی، مشابه یک تنظیمکننده با کنترلهای جدولی (بخش "کنترل جدولی">)، به روشهای پیکربندی خاص ("مسلط") تقسیم میشود که برای شبکههای عصبی و روشهای درونیابی دادهها تقسیم میشود.
در مورد یک تنظیم کننده فازی، که در آن متخصص ملزم به تدوین قوانین تنظیم در شرایط زبانی است، با یک معیار عصبی شرور، متخصص نیازی به تدوین قوانین ندارد - لازم است که تنظیم کننده چندین بار در آن تنظیم شود. فرآیند با "راه اندازی" شبکه عصبی.
مدارهای عصبی در سال 1943 توسط مک کالوچ و پیتس در نتیجه انتقال فعالیت عصبی و نورون های بیولوژیکی کشف شد. قطعه نورونیک بلوک تابعی با یک خروجی و ورودی است که تبدیل غیرخطی را پیاده سازی می کند , حذف - ضرایب (پارامترهای) شما با تغییرات ورودی. - zsuv ثابت؛ -" عملکرد فعال سازیمثلاً نورون در ظاهر (عملکرد سیگموئیدی)، De پارامتر فعال است. شبکه عصبی (شکل 5.93) از یک سری نورون های به هم پیوسته تشکیل شده است، تعداد اتصالات می تواند هزاران باشد. به دلیل غیر خطی بودن تابع فعال سازی و تعداد زیاد پارامترهایی که ضرایب هستند (در ربات [Kato] 35 نورون در توپ ورودی و 25 نورون در توپ خروجی وجود دارد که با این تعداد 1850 ضریب وجود دارد) یک شبکه عصبی می تواند نمایش غیرخطی سیگنال های ورودی چندگانه را با سیگنال های خروجی یکسان ترکیب کند.
ساختار معمولی یک سیستم کنترل خودکار با یک کنترل کننده PID و یک شبکه عصبی در بلوک تنظیم خودکار در شکل نشان داده شده است. 5.94 [کاوافوکو، کاتو]. شبکه عصبی در این ساختار نقش یک مبدل عملکردی را ایفا می کند که برای مجموعه پوستی سیگنال ها ضرایب تنظیم کننده PID (روش گسترش معکوس) [Terekhov] را به لرزه در می آورد. روشهای دیگری نیز به حداقل ممکن مورد استفاده قرار میگیرند، از جمله الگوریتمهای ژنتیک، روش مدلسازی سقوط و روش حداقل مربعات.
به نظر می رسد فرآیند راه اندازی یک شبکه عصبی در حال انجام است (شکل 5.95). کارشناسان امکان تنظیم پارامترهای رگولاتور را در یک سیستم کنترل اتوماتیک بسته با ورودی های مختلف فراهم می کنند. فرض بر این است که متخصص می تواند با قدرت کافی برای تمرین کار کند. نمودارهای زمان-ساعت (اسیلوگرام) تغییرات، که در یک سیستم تنظیم شده توسط یک متخصص ثبت شده است، در بایگانی ثبت می شود و سپس به یک اندازه گیری عصبی متصل به کنترل کننده PID تغذیه می شود (شکل 5.95).
کم اهمیت 5.95. طرحی برای راه اندازی یک شبکه عصبی در بلوک تنظیم خودکار
پیچیدگی فرآیند آغاز گذار اصلی به مسیر طیف گسترده ای از روش های اندازه گیری عصبی در کنترل کننده های PID [Uskov] است. سایر کاستیهای اقدامات عصبی شامل عدم امکان انتقال ناهنجاریهای تنظیم برای ورودیهای ورودی است که در مجموعه سیگنالهای اولیه گنجانده نشدهاند. معیارهای مختلفی برای انتخاب تعداد نورون ها در یک محدوده، شدت شروع، محدوده و تعداد انفوزیون اولیه وجود دارد. هیچ یک از نشریات استحکام یا حاشیه ایمنی تنظیم کننده را بررسی نکردند.
5.7.3. الگوریتم های ژنتیک
1. جمعیت خروجی کروموزوم های اندازه N را انتخاب کنید.
2. ارزیابی هم ترازی کروموزوم در جمعیت.
3. بررسی ذهن الگوریتم.
4. انتخاب کروموزوم ها.
5. وضعیت اپراتورهای ژنتیکی.
6. تشکیل جمعیت جدید.
7. به مرحله 2 بروید.
برای کار، الگوریتم نیاز به تنظیم محدودیت های پایین و بالای تغییرات در پارامترهای مورد مطالعه، احتمال متقاطع، نرخ جهش، اندازه جمعیت و حداکثر تعداد نسل دارد.
جمعیت خروجی کروموزوم ها به صورت مرحله ای تولید می شود. تراز کروموزوم برای عملکردهای هدفمند اضافی در یک نمای رمزگذاری شده ارزیابی می شود. علاوه بر این، کروموزوم ها، با قوام کوتاه، در گروهی جمع می شوند که در آن عملیات ژنتیکی تلاقی یا جهش رخ می دهد. این ترتیب به شما امکان می دهد دو سایت امیدوار کننده را انتخاب کنید. عملگر جهش تغییراتی در کروموزوم ها ایجاد می کند. در مورد کدگذاری دوگانه، جهش در تغییر یک بیت دوگانه در کلمه دوگانه رخ می دهد.
کم اهمیت 5.97)، سپس مبادله اطلاعات ژنتیکی در موقعیت انتخاب شده [فلمینگ] در سمت راست انجام می شود.
پس از اجرای الگوریتم ژنتیک، رمزگشایی نمایش دو بعدی در مقادیر مهندسی ایجاد می شود.
ارزیابی قوام کروموزوم ها در یک جمعیت برای ارزیابی ضرایب تنظیم کننده PID می تواند مورد استفاده قرار گیرد، به عنوان مثال،
,
د - دقیق تر معنای مقررات، - ساعت.
انتخاب کروموزوم ها با استفاده از روش رولت انجام می شود. چرخ رولت دارای بخش هایی است و عرض بخش متناسب با تابع تراز است. بنابراین، هر چه اهمیت این تابع بیشتر باشد، انتخاب نوع کروموزوم بیشتر است.